路灯作为最常见的公共设施类型之一，是高精度城市道路地图构建和智慧城市管理的重要对象。要实现路灯的有效管理，需要获得每个路灯详细的信息，包括位置、型号、高度、朝向等，并且随着时间的推移，路灯的更换、增添等信息都会发生变化，而这些信息的获取都需要耗费大量的人力进行统计和测绘。车载LiDAR(light detection and ranging)作为当前测绘领域前沿技术之一，为更加精细的城市地理信息获取提供了技术支持^[1-2]，能在快速移动过程中获取道路两侧地物详尽的三维空间点云信息，对路灯信息的获取具有明显优势，路灯的各种空间特征都可以精确表达在三维点云中。

围绕车载LiDAR技术的路灯提取，相关的研究工作主要分为4类：

(1) 基于空间聚类的方法^[3-7]。在滤除地面信息的前提下，对车载点云进行空间聚类，依据不同类型地物的空间特征，对地物进行分类与提取。该方法将地物分割为建筑物、树木、杆状地物、车辆等大类信息，但路灯与其他杆状地物的区分存在困难。

(2) 基于几何特征的方法^[8-12]。该方法根据不同地物的空间几何特征，并根据语义信息及约束条件，实现杆状地物的分类提取。该方法能够将树木、路灯、指示牌等杆状地物分类提取出来，但针对每种路灯的具体型号，则不能进行有效识别，各路灯单元的具体参数信息获取能力有限。

(3) 基于超体元的方法^[13-17]。该方法根据地物局部抽象特征，结合特征区域的空间上下文信息生成上下文可视词汇表，根据查询对象和分段语义对象之间上下文视觉单词包的相似性度量，检测出感兴趣的对象。该方法能够有效克服遮挡及数据不完整性等不利因素，检测出灯杆、交通路标、汽车等地物信息，但这对每种具体路灯型号的提取仍存在不足。

(4) 基于模板匹配的方法^[18-21]。该方法根据感兴趣地物的空间特征，采用自动训练或建立先验样本的方法，在相应的几何特征约束和语义信息支持下，从三维场景中进行匹配，获得感兴趣的地物类型。基于模板的提取方法能够精细到各种类型的地物，包括路灯，但当前研究对车载LiDAR点云的完整性及路灯孤立程度要求较高，提取质量对点云及路灯所处环境依赖程度较大，需进一步改进和完善。此外，基于图割的提取方法则是通过欧氏距离聚类算法^[22]，并考虑了路灯灯杆的形状和点的强度信息来定义能量函数，用高斯混合模型从候选聚类中识别出路灯灯杆。该方法仍然不能实现路灯种类的识别及更详细路灯信息的获取。

当前从车载LiDAR点云中提取路灯的研究仍存在以下问题：①对路灯点云的完整性及路灯孤立程度要求较高，对正常条件下车载LiDAR系统获取道路场景点云数据，往往难以实现理想的路灯提取效果；②路灯的精细程度提取不够，对不同型号路灯的识别研究很少，而明确路灯型号才能满足精细化管理要求；③各种型号路灯的参数信息获取不足，这些参数对于路灯的动态变化检测、历史数据更新，以及照明分析都至关重要。基于以上问题，本文受样本分类思想启发^[23]，提出基于先验样本辅助的，骨架缓冲区判别的路灯点云提取与种类识别算法。

1 路灯模型

路灯结构相对简单，同一种类型路灯在结构、形态方面相同，在车载LiDAR点云中表现出很高的相似性。数据处理中，利用路灯的高度、伸展度、结构形态等细节特征，能够实现不同类型路灯的准确区分，而同种类型的路灯也能进行归类。另外，路灯虽然种类繁多，结构差异也很大，但一定区域范围内，路灯的种类有限，存在大量的重复性，只要建立有限数量的先验样本，通过一定的匹配规则，将待探测路灯与已知先验样本进行匹配筛选，即可确定路灯的类型，进而获得该路灯其他更详细的属性信息，从而实现路灯的精细化提取，并可根据已探测路灯的相关信息(种类、空间布局、位置分布等)，预判下一个同类路灯的可能位置。对候选路灯预分类时，可优先指定匹配类型，提高匹配的效率，完成识别后，对路灯的种类再度确认，以提高提取的准确度。基于上述思想，构建统一的路灯模型，并对不同类型路灯进行个性化处理，是实现路灯精细化提取的关键。

1.1 路灯点云特征

路灯作为典型的杆状地物，分布在道路边缘或道路中间隔离带上，在车载LiDAR点云中，路灯表现出以下主要特征：

(1) 表面包含密集点云数据。车载LiDAR系统以极快的速度获取道路两侧地物密集点云，凡是车载LiDAR系统视野内的路灯，都包含数百至数千个三维点，这些点密集分布在路灯的表面，能清楚表达路灯的局部细节特征。

(2) 点云覆盖具有非完整性。受车载LiDAR系统自身激光器工作模式、外业数据获取方式、其他地物遮挡等因素的影响，所获取的点云对路灯表面覆盖具有非完整性，一般情况下，表面覆盖率为60%~95%。

(3) 主体特征表达明显。车载LiDAR系统都采用高度耦合的POS系统，为传感器实时提供高精度位置和姿态信息，解算后的点云数据有较高的绝对位置精度，在局部范围内，其相对精度更高，路灯的主体特征如直立的灯杆、灯头形态等都能够明显表达出来。

1.2 路灯几何参数分解

结构上，路灯分为灯头和灯杆两部分。灯杆为相对单一的柱状(圆柱、棱柱、双柱等)，位于路灯的下部并与地面相连。灯头有一定的结构特征，安装在灯杆顶部，或者附属在灯杆上部。为统一路灯模型，将下部单一的柱状部分定义为灯杆，附属有照明结构的非杆状部分为灯头。一般情况下，路灯的伸展度(路灯水平投影外包矩形的长边)不超过路灯高度的1/2。

要区分灯杆和灯头部分，关键是要找到两者的界点，界点以下为结构单一的柱状灯杆，以上则为结构相对复杂的灯头部分。对于每个候选路灯点云数据，沿灯杆高度1/2处向上以一定间距(0.2~0.5 m)向上搜索，对落在每段内的点云进行拟合，判断是否符合杆状地物的特征，若不符合且有一定的伸展度，且拟合后也不符合面状地物(广告牌等)的特征，则认为到达了界点，其上为灯头部分。

灯头是路灯结构的主体部分，也是路灯类型识别的主要参考依据。对灯头点云进行水平投影，求出最小外包矩形，该矩形的长边即为灯头的伸展度。对投影点云进一步拟合出直线段，该线段所在直线为路灯的方向线。以灯杆中心为界，将灯头两侧点云及对应线段分为两部分，端点距离灯杆远的一侧为路灯的正方向，该部分点云为路灯的前部分，距离近的一侧为路灯的后部分。若两个端点距离相等，则以高程来判断，高的一侧为前部分，低的一侧为后部分；若高程也相等，则指定任意一侧为前部分，另一侧为后部分。分出前后部分后，根据前后部分点云，分别求出前部分伸展度、前部分高、后部分伸展度、后部分高。多向路灯也符合上述规则，单向路灯只有前部分，没有后部分。路灯投影面积也是路灯的重要参数，是对点云在水平小格网(例如0.1×0.1 m)内投影，统计存在投影点的格网面积总和。

1.3 路灯骨架线抽取与缓冲区构建

基于路灯在车载LiDAR点云中表达特点，单纯的点云匹配难以达到理想的效果，一维曲线骨架可以完整地表达物体的结构，具有数据简洁、拓扑结构明显等特性，是路灯匹配的重要参数。也可以在数据匹配后，根据依托骨架所构建的缓冲区，实现对各路灯点云的真实分割，且不受外界因素(树木等)的影响。采用具有抗噪声和干扰的L1骨架提取算法^[24-25]，并根据路灯点云数据的特点，在路灯骨架提取时，不使用局部稠密度权重，简化算法，以适用于路灯的骨架优化。流程如图 1所示。

根据L1中值理论，中心骨架迭代收缩的核心思想是带规整项的局部L1中值，最优化公式可概括为

式中，Q={q_j}_jòJ⊂R³是输入点集，X={x_i}_iòI⊂R³开始是从Q随机下采样的点集，并且点数|I|≪|J|。最小化公式(1)后，X变成了规整的、处于输入模型中心的“骨架点集”。R(X)为规整项

式中，{γ_i}_i∈I是平衡参数，用来控制源输入点的引力和采样点间的斥力这两个能量间平衡。运用动点迭代法，给定当前迭代的点集X^k={x_i^k}，k=0, 1, 2, …，可得到下一个迭代点集，X^k+1=A^-1(X^k)B(X^k)Q，即

式中，；β_ii′^k=。由式(3)可知，σ_i^k∈(0, 1]能够自动计算并调整局部的斥力。最后从[0, 1/2)中选择一个合适的参数值μ(本试验中经验值为μ=0.35)。

基于提取的一维曲线中心骨架，需要构建以骨架为中心的缓冲区，目的是在匹配的过程中，对候选路灯点云进行筛选，以精化匹配的效果。基本方法为：以一定的距离间隔建立与骨架线垂直的横截面，将附近一定范围内的路灯点云投影至横截面上。如对于横截面P，P上的投影点为点集M，对点集M进行二维点聚类，保留距离骨架中心最近的一个聚类单元N(N≤M)作为该骨架的截面点；对点集N建立截面方向上的最小包围矩形，判断矩形的长宽比δ；若δ≥3，则以包围椭圆表示该截面，椭圆中心为骨架中心，椭圆的一条半轴平行于地面，椭圆参数根据最小包围矩形确定；若δ < 3，则以包围圆表示该截面，圆的中心为骨架中心，以点集N中距离骨架中心最远点到骨架中心的距离为圆的半径；椭圆和圆均在截面P上，若椭圆的长半轴和圆的半径小于5 cm，则以半径为5 cm的圆表示该处的截面(5 cm为根据路灯实际构造尺寸和移动系统的测量精度确定)。

1.4 路灯模型构建

基于路灯几何参数和骨架线，构建路灯模型，主要包含以下几个部分：

(1) 点云数据：是路灯模型的数据基础，由落在路灯表面的一系列激光点组成。先验样本中的点云数据在构建样本前直接赋值，选择数据质量好、表面覆盖率高的路灯点云作为样本数据。非样本数据则是通过相关路灯探测算法自动获得，每个路灯都拥有独自的点云数据。

(2) 几何参数：是在路灯模型语义的基础上，由点云数据自动生成。路灯几何模型分为两部分：灯杆和灯头(图 2(a))。灯杆为竖直状杆状地物，是初始阶段判断杆状地物的主要参考；灯头为路灯的主要结构部分，是区别路灯型号的主要依据。投影面积是区别路灯与树木等地物的重要参数。

(3) 结构参数：是在几何模型的支持下，由点云数据自动计算生成，包括路灯位置P_B、路灯高度P_h、灯杆高度H_h-bottom、灯头高H_h、灯头伸展度H_r、前部分伸展度H_r-front、前部分高H_h-front、后部分伸展度H_r-back、后部分高H_h-back、路灯方向向量m(图 2)、灯头结构线和缓冲区参数(图 3)。

(4) 属性信息：包括路灯的型号、ID号、归属信息等。路灯型号由候选路灯数据与先验样本匹配后赋值，ID号在路灯型号匹配定型后由系统自动累积生成，归属信息等则是在完成区域内路灯匹配，根据街道等信息批处理指定。

(5) 建模方法：是模型生成及相关操作的各种算法，包括路灯点云自动生成、几何参数自动生成、路灯属性自动生成、路灯自动提取与识别等。

(6) 实体模型：与路灯型号相关联，是路灯在各种场景中表达的对应模型，可以为二维模型、三维模型、动态模型等。

2 路灯提取

在路灯模型和样本集的支持下，从车载LiDAR点云中实现路灯的提取。原理如下：依据数学形态学的理论和方法，提取出车载LiDAR点云中的杆状地物，在路灯模型和语义规则的约束下，获得候选路灯；根据候选路灯的参数信息，以及已获取路灯的统计信息，从样本集中筛选出候选样本；基于最小二乘理论的匹配算法，对候选路灯和候选样本进行匹配；建立路灯样本缓冲区，对候选路灯进行判别分析，实现路灯提取和种类识别，并把识别信息添加入已有路灯信息。图 4为算法流程。

2.1 候选路灯提取

2.1.1 地面滤波

地面滤波算法中，基于TIN的渐进加密的地面点滤波算法^[26]及其改进算法^[27]较为成熟，地面点提取完整性好，但进行高密度车载LiDAR点云滤波时，计算过程复杂耗时。本研究中，地面点提取的目的是根据路灯位置提供路灯底部高程信息，仅需要构建规则DEM，不需要完整的地面点，因此采用耗时较少的数学形态学滤波方法^[28]，并根据车载LiDAR点云数据特点，对算法进行改进，增加二次反向滤波，将误分为地面点的点云采用较大的格网间隔再次滤波，剔除由于地面空洞导致的错误地面点。滤波算法步骤如下：

(1) 构建格网。遍历LiDAR点云数据，探测数据在X和Y方向上的极值X_max、X_min、Y_max、Y_min，并以此构建边长为D的m×n格网，m、n计算方式如式(4)所示

式中，D根据点云密度选择^[29]，使格网内包含足够多的点。

(2) 离散点高程腐蚀。遍历所有格网，取任意一格网为操作格网，并以此为中心，开w×w个格网大小的窗口，比较窗口内各点的高程，取窗口内最小高程值为操作格网中点云腐蚀后的高程。

(3) 离散点高程膨胀。再次遍历所有格网，对经过腐蚀后的数据用同样大小的结构窗口进行膨胀，即以任意一网格为中心开w×w大小的窗口，此时，用腐蚀后的高程值代替原始高程值，比较窗口内各点的高程，取窗口内最大高程值为操作格网中点云膨胀后的高程。

(4) 地面点提取。例如一点p，设Zp是p点的原始高程，t为阈值，在每点膨胀操作结束时，对该点是否是地面点做出判断。如果p点膨胀后的高程值和其原始高程值Zp之差的绝对值小于或等于阈值t，则认为p点为地面点，否则为非地面点。

(5) 构建规则DEM。提取出来的地面点，使用时需要以数字高程信息表示，因此需要依据地面点构建规则DEM来表示地表高程；规则DEM以水平投影边长为length的正方形表示。将地面点云在XOY平面格网化，对于一个格网邻域范围内包含3个及以上点云的节点，通过去除极值后取平均值的方法计算出该节点的高程值；对于没有高程值的格网节点，使用反距离加权法以具有高程值的节点计算其高程值。

2.1.2 杆状地物提取

基于路灯灯杆为连续竖直杆状物的特点，将原始点云格网化，并通过数学形态学闭运算，以单列竖直n层格网为模板进行候选路灯杆位置的提取(图 5(a))。如图 5(b)为路灯点云，建立三维空间格网，标记包含点云的网格，图 5(c)为格网化后的路灯。由于在数据采集过程中，路灯不可避免地被其他地物遮挡而导致灯杆的不连续，因此先通过膨胀算法使部分因遮挡而数据缺失的灯杆上下部联结(图 5(d))，再通过腐蚀算法去除竖直连续较短的地物格网，则可以保留路灯及与路灯高度相近地物的杆状部分格网(图 5(e))。格网膨胀高度根据数据完整水平决定，腐蚀模板通常采用高差为2/3倍P_h的模板进行腐蚀。完成上述操作后，以保留格网的水平几何中心为候选路灯的水平位置。

2.1.3 候选路灯获取

提取出杆状地物后，依据路灯模型，获取疑似路灯的结构信息和参数信息，灯高与伸展度的比例约束、路灯的投影面积约束，将路灯与其他大多数非路灯对象滤除。考虑到遮挡等因素，聚类获取的杆状地物可能存在数据不连续性，提取出候选路灯位置后，在水平方向上，以候选路灯位置为中心，1.2倍H_r(灯头伸展度)为半径，选取该范围内的点作为候选路灯及周围点云。同样以候选路灯位置为中心，0.2 m为半径，选取该范围内的点作为候选路灯灯杆点云。

2.2 样本候选

2.2.1 样本集构建方法

对类型多样的路灯构建样本集，可拓展样本的通用性，提高路灯提取的效率和准确性。基于路灯样本模型及其参数信息，从4个层次构建样本集(图 6)：1层以高度为主要依据，以3 m为间隔划分单元，将路灯归类到不同区间中；2层以伸展度为主要依据，以0.8 m为划分单元，将路灯归类到不同区间中；3层以灯头数量为主要依据，划分为单向、双向、多向路灯；4层具体到每种型号的路灯。

2.2.2 样本候选方法

样本候选采用已提取路灯类型优先的原则，用一维数组存储已经提取的路灯型号信息，包括类型、数量及位置等信息，按照最近一次出现的时间，在一维数组中对候选路灯型号排序，出现越晚位置越靠前。由于路灯的大量重复性，当前候选路灯与前一路灯相同的概率很大，依据上面的原则，能大幅度提高效率及准确性。当已提取信息为空，或者匹配后不能满足要求时，则依据路灯模型，提取候选路灯相关参数，按自顶向下的原则从样本集中选择候选样本：先按候选路灯的高度进行划分，判断落在哪个高度区间，将该区间内的路灯样本作为筛选对象，若高度同时接近两个区间(±0.5 m)，则将两个高度区间的样本都作为筛选对象。再根据水平投影伸展度选择伸展度区间，将该区间内的路灯样本作为筛选对象，若伸展度同时接近两个区间(±0.2 m)，则将两个区间内的路灯样本作为筛选对象。接下来选择灯头朝向，根据候选路灯的前后部分投影和水平投影来确定，若只有前部分投影，则为单向路灯，若有前后部分投影，且水平投影的长、宽比＜1.5，则说明长宽比例相近，可判断为多向路灯，若水平投影的长、宽比≥1.5，则判断为双向路灯。最后对底层的若干路灯样本，依次进行匹配操作，选择最合适的类型，作为当前候选路灯的类型归属。若没有找到合适的匹配类型，则从底层逐步向上，与其他区间内样本进行匹配，直至遍历样本集中所有样本。

若样本集中没有找到合适的样本，则启动新增样本模式：将当前候选路灯作为一个新的路灯类型，按照样本集构造方法找到归属的层，其类型属于待定，并作为新的样本，参与后面的类型识别。待路灯提取操作完成后，则在人工干预下，完善新增样本信息，对并该类路灯进行重新确认。

2.3 样本匹配

对所提取出的候选路灯点云，依据所构建的路灯模型，自动求取结构参数信息，与样本集中的样本点云进行匹配。若候选路灯点云与样本集中的某一型号路灯匹配，则判断为该种型号的路灯。若不能找到匹配的样本点云，则存在两种可能：一是样本集中不存在该种型号的路灯；二是该地物为非路灯，将该候选路灯作为待处理对象。

2.3.1 杆部匹配

将样本路灯与候选路灯进行匹配，包括灯杆底部高程和灯杆方向匹配两个步骤。由于灯杆并非绝对垂直于地面，因此对提取的候选路灯杆点云采用最小二乘法拟合空间直线，选取拟合直线与地面DEM交点作为候选路灯灯杆的底部点，通过平移，将路灯样本灯杆底部点平移至与候选路灯灯杆底部点重合，如图 7(a)。然后将路灯样本绕灯杆底部点旋转，使得样本路灯灯杆与候选路灯灯杆重合，如图 7(b)，即实现了路灯灯杆的匹配。

2.3.2 灯头匹配

依据灯杆匹配结果和路灯参数H_h-bottom(灯杆高)与H_h(灯头高)，截取候选路灯点云中灯头高度范围内的点作为候选路灯头点云。在垂直于灯杆方向上，为实现路灯样本绕路灯杆旋转后与候选路灯灯头方向最佳匹配，引入最小二乘的思想：以灯杆向上方向为z轴正方向，将候选灯头部分点云投影至xOy平面(图 8)，点O为灯杆水平中心，m为样本的灯头方向，计算出旋转角ε并进行样本旋转即可实现灯头匹配。

如图 9中一点P，路灯样本方向m到点P的夹角为α，点P到路灯杆轴水平距离R，路灯样本方向m到P的弧长为L，L具有方向性。有

旋转后的弧长

则样本旋转后所有点的弧长平方和G(ε)为

求ε的值使旋转后弧长平方和G(ε)的值最小，则可求得使样本与候选点云重合所需要的角度^[30]。对ε求导得一阶导函数F(ε)为

由F(ε)可知G(ε)存在极小值，且F(ε)=0时，G(ε)为最小值，令F(ε)=0得求得

由于该算法提取出来的方向不能判断路灯正反向，因此需要根据1.4节中的路灯前后部分不同参数进行正反向判断，若为正向则旋转角为ε，反之则为ε+π。路灯样本在水平方向上，绕路灯灯杆轴旋转ε(或ε+π)，即可实现与候选路灯灯头点云方向的重合。

2.4 识别提取

2.4.1 缓冲区判断策略

判断候选路灯是否与样本路灯一致，依据灯头结构信息进行判断。若候选路灯与样本路灯一致，则在样本灯头结构线附近包含大量对应点云，这些点均匀地分布在结构线附近，在样本没有结构线的地方，不包含点或包含少量噪声点。依据此原则，对灯头样本结构线分别建立以R₁和R₂为半径的缓冲区，两个缓冲区命名为LS和N-LS，如图 10所示，LS不包含于N-LS；构建的缓冲区如图 11(a)所示。若满足：①在LS内沿结构线方向上均匀地分布着路灯点云；②在N-LS内，较少存在路灯点云，则判断为路灯，如图 11(b)所示。算法操作时，将缓冲区划分为较小的区段，统计包含点云缓冲区的体积、不包含点云缓冲区的体积与总体体积之间的比值，作为上述两个准则的判断依据：

(1) 在LS内沿结构线方向上均匀地分布着路灯点云，即在LS内VLS_点/VLS_总 < T₁为非路灯，VLS_点/VLS_总≥T₁则可能为路灯，其中VLS_点为LS内含有点的缓冲区的体积，VLS_总为LS_总的体积，T₁用于判断点云是否在LS内沿结构线方向上均匀分布的判断阈值。

(2) 在N-LS内，较少地存在路灯点云，即在LS内VNLS_点/VNLS_总≤T₂为路灯，VNLS_点/VNLS_总>T₂为非路灯，其中VNLS_点为N-LS内含有点的缓冲区体积，VNLS_总为N-LS总的体积，T₂用于判断点云是否在LS内沿结构线方向上均匀分布的判断阈值。

若候选路灯被判断为与样本路灯一致，则提取LS和N-LS范围内的点云作为路灯点云。

2.4.2 参数确定依据

进行缓冲区判断时，涉及4个参数，建立LS和N-LS缓冲区的R₁和R₂，以及用于路灯判别的阈值T₁和T₂，其中R₁和R₂根据骨架线的变化而变化。R₁与R₂根据缓冲区参数确定，在某一段骨架线上R₁设置要略大于该骨架线提取的缓冲区参数，通常R₁选取为1.2倍缓冲区参数，R₂设置为1.5~2.5倍R₁。T₁根据数据采集质量确定，当数据质量好，路灯结构基本完整时，将T₁设置为较高的值，反之则需要降低T₁值。T₂根据路灯周边环境确定，若路灯穿插在行道树等地物中，则T₂需要设置为较大的值，反之则可以设置为较小值。试验中，T₁的值为0.7，T₂的值为0.25。

3 试验分析

选取3个试验区的数据进行试验，3个试验区中包含了不同种类、不同存在状况和不同数据质量的路灯。使用本文算法进行运算，并对试验结果进行了分析。

3.1 数据概况

试验数据概况如表 1所示。试验区A包含3种类型的路灯，测量车采用单侧车道一次测量，道路中间为有行道树的绿化带，道路右侧的数据质量优于道路左侧，可验证数据完整性对算法的影响。试验区B包含两种类型的路灯，分别为孤立的路灯和与行道树穿插在一起的路灯。试验区C包含一种路灯，为带有广告牌的路灯，可验证路灯灯杆上附属物对提取算法的影响。图 12中(a)、(b)和(c)分别为试验区A、B和C的原始点云图像。

3.2 数据处理

先依据测量GNSS轨迹线，保留道路两侧一定范围内的数据点，将距离较远的数据点去除，这样不但减少了数据量，保留了必要的路灯点云数据，而且能去除建筑物等地物的影响。然后对保留数据进行处理，包括样本构建和候选路灯提取。图 13为路灯样本集中的部分样本点云，方框圈选的路灯为与本研究相关的6个路灯点云，根据路灯模型，对应的几何模型和结构参数如表 2所示。其中路灯结构线由一组或多组连续线段表示，线段由两端点的节点表示。提取路灯的结构参数后，根据路灯结构参数中灯杆高进行候选路灯位置的提取，表 3中为测区中实际存在的路灯和提取出来的候选路灯数量。在试验区B中，由于存在较多与路灯高度近似的杆状地物，因此提取的候选路灯数量相对试验区A中较多。实现候选路灯位置提取后，根据样本参数中的路灯范围进行候选路灯及其周边点云的提取。然后根据样本参数进行灯杆匹配和灯头匹配，并根据灯头的前后尺寸差异进行正确的灯头方向判别。最后根据样本结构线建立缓冲区，进行路灯的判断和路灯点云的提取。

3.3 提取结果

图 14为试验区提取出来的路灯位置示意图，图中包括6种路灯的位置和GNSS轨迹。3个试验区路灯提取结果统计如表 4所示。

3.4 结果分析

表 4中包括3个测试区内实际存在的路灯数量，本文算法提取的路灯数量，以及误将其他地物提取路灯的数量，并计算各项值比例。

下面对路灯提取结果进行定性定量分析：

(1) 提取准确率。试验区A中，数据完整的路灯为131个，提取出125个，提取率为95.4%；道路左侧数据质量较差的路灯为141个，提取出110个，提取率为78.0%。试验区B中孤立的路灯为65个，提取出63个，提取率96.9%；与行道树交叉的路灯为42个，提取出37个，提取率为88.1%。试验区域C中路灯为77个，提取出75个，提取率97.4%。3个试验区中，数据完整路灯共315个，总提取数为300个，总的提取率为95.2%，错误提取9个，错误率2.4%。分布在道路另一侧数据质量较差的路灯提取率为78%。

(2) 种类识别。当试验区中存在多个类型路灯时，本文算法成功地实现了路灯的种类识别，如图 15中为试验区B中种类4和种类5路灯的交叉区域，依据本文算法成功地将这两种路灯进行了区分。

(3) 路灯存在状态。路灯的存在状态主要指其与周边环境中的其他地物之间的关系。以试验区B为例，种类4的路灯安装在绿化带中，周边仅有低矮的灌木丛，因此其为孤立的路灯，灯杆和灯头没有和其他地物的相交关系。而种类5的路灯安装在种植有行道树的路边沿，因此路灯灯杆较多地与行道树穿插在一起，为与行道树交叉的路灯。试验过程中，由于行道树树冠的影响，种类5的灯杆部分点云部分缺失，因此在提取候选路灯位置时，需要选取较大的值进行膨胀运算，以使灯杆链接为一个整体。由提取结果数据可知，与行道树穿插在一起的路灯仍可以达到88.1%的提取率。需要注意的是，种类5中，虽然路灯与行道树有交叉部分，但行道树树冠并没有淹没路灯灯头部位，所以灯头方向提取算法可以准确的进行，若灯头部分和行道树树冠点云交叉严重，则难以取得较好的提取效果。

(4) 数据质量对提取效果的影响。试验区A中，测量车采用单侧车道一次测量，且道路中间是有行道树的绿化带，因此道路右侧的数据质量优于道路左侧，数据的这种特点验证了数据的完整性对本文算法的影响。从提取结果中可以看出，对数据完整的点云可以达到95.4%的提取率，对不太完整的路灯点云也能达到78.0%的提取率。为进一步验证点云密度对本文算法的影响，本文采用对原始点云进行重采样，改变试验区的点云密度，并再次对试验区使用本文算法进行路灯提取，对种类2和4、5进行统计，图 16为重采样后提取的路灯的对比，试验区A和试验区B的原始点云密度分别为0.022 m和0.035 m(路灯灯杆上最近点的平均距离)。从试验结果可以得出，对于孤立的种类2右侧和种类4的路灯，点云密度的降低并没有对提取结果造成太大的影响，而对于种类2左侧受遮挡的路灯和种类5与行道树交叉的路灯，降低点云的密度，将使得算法较难正确分辨路灯的形状，从而降低了算法的提取准确性。

(5) 路灯附属物的影响。在试验区域C中，路灯上安装有广告牌，作为路灯的附属物，根据本文的路灯提取算法，在提取和判断路灯点云时，将不受其影响。如图 17所示，橙色点为地面点，红色点为本文算法提取的路灯点，其他点为未分类点，路灯附属物被归为未分类的点云中。试验结果验证，本文路灯提取算法对路灯上的附属物有很好的抗干扰特性，在路灯点云提取时，不会受到路灯附属物的影响，在后期研究中，还可以根据该算法特性，进行路灯附属物点云提取研究。

(6) 运算效率。文中算法实现采用VC++与OpenGL编程实现，采用普通笔记本电脑运行，电脑基本配置为：Intel Core i5-6200双核处理器、2 GB独立显卡、64位操作系统、8 GB内存。3个试验区运算基本情况如表 5所示。

从表 5可以看出，本文算法有很高的运行效率，运算时间与数据量呈线性关系，完全能够满足实际工程建设的需要。

4 结束语

提出车载LiDAR点云中路灯自动提取与识别算法，通过构建准确的路灯样本模型，不但能准确提取出车载LiDAR场景中的路灯，而且能自动识别出路灯的型号，获得每个路灯准确的参数信息，实现了路灯的精确提取。该算法仅需点云的三维空间坐标，有较强的普适性。通过试验分析，本算法对于质量好的点云数据，可以达到较高的提取率，对于数据质量相对较差的数据，仍能达到乐观的提取结果。对于与行道树穿插在一起的路灯，同样具有较好的提取效果，弥补了先前研究中的不足。当路灯灯头部分点云大量缺失，或者路灯杆不为竖直杆状地物时，本文算法难以实现有效提取，需要在后续研究中不断完善。