道路网的迅速发展和电子地图的普及应用，使得道路标记可见性及迅速更新具有重要意义。另外，道路标记的感知与识别是车辆智能驾驶、安全应急和道路环境建模等领域的关键技术之一^[1]。因此，道路标记的快速及正确识别提取至关重要。

车载激光扫描系统对物体进行扫描后, 采集到物体表面各部分的空间位置信息^[2]，同时，还能够记录地物对激光的反射强度及行车轨迹信息等，为高精度三维交通标记的提取提供了可靠的数据源。国内外很多学者对道路激光点云进行道路标记提取，标记提取一般先对道路提取^{[3, 4]}，再利用强度信息提取道路上的标记。

道路标记提取主要利用激光强度信息，常用的方法主要有3种：①将点云转换为强度图像，利用图像处理方法进行道路标记提取。满丹^[5]将点云转换为强度图像，采用canny算子提取道路标记边缘；Guan等^[6]采用特征图像生成方法，结合强度信息，生成了点云特征二维图像，再采用多阈值提取道路标记。这种将三维点云转换为二维特征影像进行处理，虽然可以采用成熟的图像处理方法，但会损失点云的精度，导致某些对象在该过程中出现错误或者不完整的情况。②全局的双阈值方法。房华乐^[7]利用双阈值法提取道路标记，采用格网内点密度方法删除噪声点；邹晓亮等^[8]利用双阈值法提取道路标线，根据扫描角及量测距离对标线进行分类。利用双阈值法提取标识点云时，效果的好坏很大程度上依赖于回波信息的清晰度；在分割阈值的设定上，阈值设置过大会包含过多的噪声点，阈值设置过小会提取不全；同时，地物的复杂性使得一个阈值段根本不能满足精确提取的要求。③局部点云强度变化。曾妮红等^[9]基于强度信息的分层模板法和基于分块点云的Alpha-Shapes算法提取道路标记；闫利^[10]采用强度梯度提取道路标记边缘。这种方法利用局部区域相邻目标的强度差比较明显的特点，可以找出局部区域目标点云，但该方法效率低，易受路面噪声的影响。

针对以上存在的问题，本文联合移动测量车的行车轨迹信息，提出基于点云强度统计直方图的自适应阈值提取方法。实验证明，该方法效率较高，能提取比较完整的道路标记。

1 道路标志线的提取流程和道路粗提取 1.1 提取流程

本文针对道路标记的自动提取问题提出了道路标记提取的基本原理和技术路线，如图 1所示。主要由两部分组成：①对道路进行粗提取，该阶段为道路标记提取的准备阶段，首先利用高程邻域比较方法得到高差突变点云，其中包括道路边界，然后使用布料模拟滤波算法^[11](cloth simulation filter，CSF)滤除较高的路灯、指示牌、树木等，最后采用区域生长法粗略提取道路边界点云，确定道路范围，得到道路点云；②根据道路点云与行车轨迹线的横断面距离对上述获得的道路点云分段，根据每段点云的强度直方图确定自适应分割阈值，利用该阈值提取道路标记，并采用动态格网密度法去噪，得到道路标记点云。

1.2 道路粗提取

道路粗提取为道路标记提取的准备阶段，旨在避免非道路点与道路标记强度相似导致提取结果不精确。本文研究对象为高速公路点云，路边存在护栏，护栏作用是防止失控车辆越过中央分隔带或道路两侧路段冲出路基，根据护栏处存在高程突变这一特点，利用点云与其邻域高程比较的思想，联合移动测量车行车轨迹，以车载激光数据中提取护栏点作为道路边界，确定道路范围。

1) 高程邻域比较原理。激光雷达(light detecting and ranging, LiDAR)点云为散乱数据点，每个数据点虽然含有三维坐标点，但对应的几何拓扑信息并没有给出。需要根据空间点的邻域关系估算点对应的拓扑关系，从而估算点对应的几何信息^[12]。

K-D树是一种分割k维数据空间的数据结构，主要应用于多维空间关键数据的搜索(如范围搜索和最近邻搜索)。本质上说，K-D树就是一种平衡二叉树。本文利用K-D树管理点云的索引，采用范围搜索方法快速得到激光脚点的邻域。所谓范围搜索即以当前查询的激光脚点为中心，半径为r的球体内的所有的激光脚点定义为该采样脚点的邻域脚点。

对于点云中任意一点，找到该点在半径r内的所有点，构成点集G，并用式(1)计算它们的高差变化，通过阈值设置，提取所关注的信息。

$ {{D}_{P}}_{_{g}}=E\left[ (z-E\left( z \right)){{~}^{2}} \right], g=1, 2, \ldots , k~ $

(1)

式中，P_g表示点集G中的点；z代表每个点的高程；k表示点集G中点的数量；E表示期望值。高速公路护栏处存在高程突变，因此护栏处的D_Pg值比道路上的D_Pg要大，利用这一特点，设置合理阈值，可获得点云中高程突变处，包含护栏边界。

2) 道路边界提取。采用上述高程邻域比较方法得到的点云包含了道路边界，但仍存在路灯、树木、车辆等地物存在于道路上或者道路边界外，采用CSF滤波算法将这些地物滤除。此时，得到的点云中还存在非道路边界点位于道路边界外。为了只得到道路边界，需将CSF滤波后的点云格网化，由于道路点已被滤除，格网化后无激光点落入道路上格网内。车载激光扫描系统记录了空间三维坐标和反射强度等信息，也记录了测量车的行车轨迹。因此，联合行车轨迹，以行车轨迹线所经过的网格作为初始网格向道路两侧进行遍历，密度突增处作为生长终止条件，得到道路边界点云。两侧直线为道路边界，道路中间直线为行车轨迹，行车轨迹所在网格无点云，在向左右遍历过程中，遇到道路边界，格网内点云密度突增，利用这一特点可以快速识别道路边界线。

2 道路标记提取

本文采用自适应多阈值方法进行道路标记提取。首先，计算道路点与行车轨迹的横断面距离将道路横向分为两段；然后，统计每段点云的强度，根据强度统计直方图初步找到粗略分割阈值，并进一步得到截断阈值，提取道路标记；最后，采用动态格网密度法进行去噪，得到精化的道路标记点云。

2.1 点云横向分段

移动测量车在进行扫描过程中，扫描点到扫描中心的距离与扫描点强度成反比，采用双阈值法应用于整个点云时容易出现两种极端现象：阈值较小，虽然能够提取完整的道路标记，但是提取结果会存在大量的路面点；阈值较大，提取的道路标记中存在的路面杂点较少，但会出现道路标记不完整的情况。因此，沿横断面方向对道路点云进行分段，并对各段赋予不同强度阈值提取道路标记。

如图 2所示，使用横断面范围值Rcosθ将道路表面分为不同段，其中，R表示移动测量车扫描线上一点N到激光扫描点O的距离，θ表示倾斜角。本文实验数据道路横断面约为15 m，取Rcosθ=6，将道路表面沿横断面分为B₁和B₂两段，对每段道路分别给予不同的强度阈值，完成对道路标记的提取。移动测量车在进行激光扫描时，靠右侧行驶，导致随着扫描距离及扫描角度增大道路标记的强度降低，即B₁段的道路标记强度相对较小。

2.2 自适应阈值确定

在图像分割中常利用灰度统计直方图来确定自适应阈值，即根据背景与目标的灰度处于不同灰度级，在直方图曲线中各自对应一个波峰，两个波峰之间的凹槽波谷区域像素最少，也对应着图像中背景区与目标区的边界，将波谷值作为阈值分割点，达到分割背景与目标的目的。本试验研究对象为高速公路，道路上的点云根据强度主要分为低强度的沥青道路面(背景)以及高强度的道路标记(目标)，将统计直方图在图像中的应用扩展到点云，得到分段后每段道路的自适应分割阈值，从而将道路标记与沥青道路面分离，达到提取道路标记的目标。

1) 粗略阈值确定。对分段后的点云强度信息分布进行统计分析，得到强度统计直方图，该直方图横坐标表示点云中的强度分布(不同扫描仪的扫描结果和计算方式不同，数值仅代表相对区别)，纵坐标为对应强度的激光点数量。如图 3所示，该直方图为双峰直方图，出现两个分离的峰值。为忽略直方图中微小的波动，采用平均滤波器来平滑直方图^[13]，将波谷强度值作为粗略阈值，可进行沥青道路面与道路标记的粗略分割。

为找到强度直方图中的波谷，在强度直方图中寻找背景与目标的峰值R_p和M_p。以背景峰值点R_p为例，定义直方图中强度值i相对于最低强度值L的斜率为：

$ f\left( i \right)=\frac{h\left( i \right)-h\left( L \right)}{i-L}, i\in \left[ L, H \right]~ $

(2)

式中，h (i)和h(L)分别为强度值i和L对应的激光点数^[14]。将i遍历所有大于L的强度值，则斜率最大值对应的强度值为背景峰值R_p。目标峰值点M_p可遵循相同的过程，不同的是，搜索起点为最高强度值H且为反向搜索。值得注意的是，当目标中强度差较大时，会出现目标多峰值现象。因此，目标峰值的选取需作改动，不再以f (i)取最大值时对应的强度值作为目标峰值，而应记录f (i)取极大值时对应的各强度值，取最大值作为目标峰值M_p，两峰值确定后，位于两波峰之间且激光点数最少处视为波谷，波谷处的强度值作为道路标记提取的粗略阈值γ_p。

2) 截断阈值确定。将波谷作为粗略阈值的分割方法不可避免地会出现误分割，使一部分属于背景的点被认为是目标点，需设定适当的截断阈值消除冗余背景点。将强度值大于粗略阈值γ_p的激光点作为粗略道路标记点，得到粗略道路标记的强度统计图，强度值范围为[γ_p，H]，如图 4所示。重新定义该强度统计图中的波峰M′_p，M′_p为该直方图中激光点数目最大值对应的强度值。在波谷与波峰之间设置适当的截断阈值γ_r∈[γ_p, M′_p]，假若其强度值i∈[γ_p, M′_p]的激光点数h(i) < h(γ_r)，则将处在强度值i的激光点滤除，这样就会滤除部分冗余的沥青道路点。利用图 4直方图中的波峰处激光点数(h(M′_p))和波谷处激光点数(h(γ_p))确定截断阈值γ_r，本文截断阈值计算公式为：

$ h\left( {{\gamma }_{r}} \right)~=h\left( {{\gamma }_{p}} \right)+\left[ h\left( M{{\prime }_{p}} \right)~-h\left( {{\gamma }_{p}} \right) \right]~/\omega $

(3)

式中，将峰值与谷值之差的1/ω处的对应的强度值γ_r作为截断阈值，将强度值小于γ_r的点云过滤。截断阈值的选取十分重要，过大会造成有效信息的丢失，过小则会使无效信息仍然存在，可与具体直方图信息联系起来，为保证道路标记完整性，ω值不宜设置过大。实验表明，当ω=3时，可取得较好的提取结果，图 4中的直线对应的强度值即为该强度直方图的截断阈值，作为该点云的自适应阈值。

2.3 动态格网密度法去噪

根据上述获取的自适应阈值提取道路标记，基本提取出了目标点云(道路标记)，但仍存在极少噪声，这些噪声相对于车道标识线来说，分布较为稀疏，采取动态网格密度法将其去除^[15]。

以一个点为中心，以X、Y坐标方向为平面画出长宽为0.4 m的方框，计算位于方框内的点的个数(由于经过之前的几种方法，点云基本处于一个近似的平面中，在Z方向上的差别很小，不会影响计算结果)，以便确定方框内的点云稀疏程度，判断该中心点是否属于杂点，是否应该删除该点，而后再换其他点做重复性工作; 逐点遍历计算，最终得到准确精练的点云数据。

3 实验及分析

1) 实验数据。本文LiDAR点云为移动测量车获取的高速公路数据，长约1.3 km，点云数量约4亿个。选取扫描数据中的两段进行试验，数据1约为200 m，如图 5(a)。数据2约为120 m，如图 5(b)。观察数据可知，移动测量车在扫描过程中只能扫描到双向公路中的一侧，另一侧在反向行驶过程中才能扫描到，因此，在进行公路标记提取过程中只对一侧进行处理。

2) 实验结果。对实验点云首先采用高程邻域比较方法，CSF滤波以及区域生长法进行处理，得到数据1以及数据2的高速公路边界点云，根据公路边界点云，得到高速公路范围，如图 6(a)和图 6(b)所示。

将数据1道路依据距离行车轨迹的横断面距离分为数据1-1和数据1-2。同理，数据2道路分为数据2-1和数据2-2，对分段后的每个数据统计强度统计直方图，如图 7所示。获取各段道路的自适应阈值，如表 1所示。

根据表 1中的自适应阈值提取道路标记，并采用动态密度格网法进行去噪处理，获得最终的道路标记点云，如图 8所示。

3) 实验结果分析。统计道路标记的完整度作为精度评定，完整度r=S_提取结果/S_完整数据。其中S_提取结果为提取的标记所占面积；S_完整数据为点云的实际测量面积，统计结果如表 2所示。

通过表 2可以看出，道路标记提取时间平均为每段数据14.4 s，提取效率较高。平均完整度为96.1%，除原始数据道路除由汽车遮挡造成部分标记不完整外，总体上达到了较好的效果。高速公路数据不仅检测出了线性标识线，还检测出各种非线性的导向箭头和出入口标线等。

4 结束语

本文以车载激光扫描点云为研究对象，提出了一种利用自适应阈值提取道路标记的方法，通过实例进行了验证。该方法首先提取道路点云，并联合行车轨迹对道路点云分段，根据点云强度直方图确定每段点云的自适应分割阈值，提取道路标记并进行去噪。该方法避免了单一阈值导致的极端问题，并且通过确定自适应阈值自动获取每段点云的分割阈值，避免人工尝试阈值造成的时间浪费。通过试验结果表明，本文方法能快速地提取较为完整的道路标记信息，不仅检测出了线性标识线，还检测出各种非线性的导向箭头和出入口标线等，对数字化建设具有一定的参考意义。