传统的停车调查多采用人工目视统计或问卷调查形式进行^[1]，该方法较为耗时，对于大范围的城市道路停车调查并不适用。车载激光扫描是一种主动测量方式，可在夜间环境下动态获取道路沿线目标的三维信息，生成高精度密集的街景点云数据^[2]，非常适合进行夜间停车调查。近年来，国内外已有一些利用激光点云进行车辆识别的研究，如Bock等^[3]采用基于区域增长的目标分割方法和基于随机森林的目标分类方法来识别车载激光点云中的车辆目标；Zhang等^[4]利用动态时间规整算法来对机载激光点云中的车辆目标进行提取和分类。而利用车载激光扫描技术开展城市道路夜间停车调查的应用案例则鲜见有报道。

本文结合武汉市三环线内主要道路夜间停车调查项目，以车载激光扫描系统所获取的道路沿线点云数据为基础，介绍了夜间停车调查数据采集及点云数据后处理流程，提出了一种基于激光点云的车辆目标自动识别和车辆统计方法。

1 车载激光扫描外业数据采集

外业数据采集是夜间停车调查中最重要的基础性工作，数据质量好坏将直接影响到后续车辆自动识别的准确率以及最终的成果质量。本项目利用车载激光扫描系统实施外业数据的采集，该系统由激光扫描仪(light detection and ranging，LiDAR)、GPS、惯性测量单元(inertial measurement unit, IMU)及计算机控制系统组成。由于数据采集是在夜间进行，考虑到光照条件无法满足成像要求，故实际作业过程中未搭载相机传感器。

外业数据采集作业开始前，需进行仪器设备检查等准备工作，并充分收集调查范围的路况信息，规划好车辆行驶路线，以提高夜间数据采集效率。作业过程中利用车载激光扫描系统配套的控制软件进行操作。

每测站外业数据采集前，需将移动测量车静止停放在相对空旷、卫星信号较好(信号强度不小于45 dB)的地段对采集设备做初始化处理，以保证GPS定位的精度。同时还需要验证惯性测量单元IMU的收敛角度^[5]，通常情况下收敛角度需小于0.2°。

车载激光扫描数据采集过程中，需控制车速在50 km/h以内并保持匀速行驶，同时尽量避免行车突然变道和连续拐弯，以确保点云的密度和均匀性。此外，在测量车通过隧道、立交桥下等卫星信号较弱区域前，为避免GPS失锁，应在卫星信号较强处停车静置3~5 min，当驶离卫星信号较弱区域后再次停车静置^[6]，以确保GPS测量的连续性和精度。

外业数据采集完成后，利用车载激光扫描系统配套软件进行POS(position orientation system)解算和数据融合等处理，最终可获得.xyz格式的激光点云数据，并将该点云数据作为后续车辆目标识别的基础。图 1为采集得到的夜间三维街景点云图。

2 基于激光点云的车辆目标自动识别

车辆目标自动识别是以车载激光扫描系统所获取的点云数据为基础进行的。首先需对点云数据进行预处理，剔除与车辆目标无关的点云；接着通过点云聚类的方法对车辆目标进行初检测，以确定车辆所在的候选区域；最后利用车辆模板对车辆目标进行精确识别并统计停车数量。基于激光点云的车辆目标自动识别流程如图 2所示。

2.1 点云数据预处理

车载激光扫描采集得到的点云数据是海量的，为了减少数据冗余，提高后续车辆目标识别的效率和准确性，需要对点云数据进行一系列预处理，主要包括点云滤波和点云预分割两个步骤。其中，点云滤波又包括两部分内容：①通过软件自动剔除与目标无关的噪声点云；②结合POS轨迹数据，利用预处理软件的“按POS高度过滤”功能，可提取出从激光扫描中心到地面高度范围内的点云，即剔除道路路面等与车辆目标无关的点云数据^[7]。与此同时，利用路网数据中的道路宽度信息建立缓冲区，将不属于道路范围内的点云予以滤除。通过上述处理，可将与车辆目标无关的点云全部滤除，只保留道路两侧车辆高度范围内的点云数据，极大地减少了点云的数据量。为进一步提高点云数据的处理效率，在点云“按POS高度过滤”过程中，还可将点云数据按照设定保留高度范围的不同分割为两组，其中高差较小的一组称为“薄”点云，反之高差较大的一组称为“厚”点云，这个过程就是上文提到的点云预分割。以点云预分割得到的“薄”、“厚”两组点云为基础，然后分别进行车辆目标的初检测和精确识别，如图 3所示。

2.2 车辆目标初检测

车辆目标的初检测在“薄”点云基础上进行，通过点云聚类和垂面检测两个步骤来确定车辆目标的候选区域。考虑到道路两侧停放的车辆间实际存在一定的距离，本文采用基于欧式距离分割的方法来对点云进行聚类分析，即将欧式距离作为描述点与点之间亲疏性质的划分依据。在三维空间中, A(X_A, Y_A, Z_A)和B(X_B, Y_B, Z_B)两点之间的欧氏距离D_AB可表示为：

${D_{AB}} = \sqrt {{{\left( {{X_A} - {X_B}} \right)}^2} + {{\left( {{Y_A} - {Y_B}} \right)}^2} + {{\left( {{Z_A} - {Z_B}} \right)}^2}} $

点云聚类时，利用kd-tree(k-dimensional tree)算法查找各点的最近邻点^[8]，并设定一个半径为R的范围，将该范围内的点云划分为同一个点云簇。当点云簇中所包含的点数大于设定值N时，将该点云簇作为待定的候选区域进行垂面检测判断。

通过对点云数据的分析发现，车辆目标所形成的点云轮廓通常表现为近似“L”或“U”形的结构，类似由两个以上相互垂直的点云面构成，如图 4所示。因此，可通过对点云簇进行垂面检测来确定车辆目标的候选区域。垂面检测时，利用随机抽样一致性算法(random sample consensus, RANSAC)来对点云进行平面拟合^[9-10]，筛选出点数最多的两个平面，并计算各自的法向量及其夹角，以此判定两个平面是否为垂直关系。若近似垂直，则将该点云簇所对应的范围判定为车辆目标候选区域，以便进一步进行车辆目标的精确识别。

2.3 车辆目标精识别

本文采用聚类视点特征直方图(clustered viewpoint feature histogram, CVFH)特征描述子^[11]来表达点云特征。CVFH是基于视点特征直方图(viewpoint feature histogram, VFH)改进得到的一种全局特征描述子, 通过将目标分解为不同的聚类区域面，并分别对每个区域面提取VFH特征来描述聚类的整体形状特征^[12]。由于不同对象所对应的CVFH特征直方图不同, 通过计算特征距离，对不同聚类的CVFH特征进行匹配, 可找出与车辆模板点云特征最为接近的点云簇，最终实现对点云中车辆目标的精确识别。基于CVFH特征描述子的车辆目标精识别具体过程如下：

1) 利用点云库(point cloud library, PCL)中的类pcl::CVFH Estimation^[13]计算车辆模板点云和候选区域“厚”点云簇的CVFH特征描述子；

2) 利用kd-tree进行高维空间搜索，找到与候选区域“厚”点云簇特征向量的欧式距离最为接近的点云模板；

3) 利用迭代最近点算法(iterative closest point, ICP)计算候选区域点云与车辆模板点云最近距离的均值。若该均值小于设定的阈值S，则认为候选区域点云与车辆模板点云的特征匹配相似度高，从而可判定该候选区域的点云簇为车辆目标，否则为非车辆目标。

3 结果与分析

本文夜间停车调查数据采集设备选用的是中海达HiScan-C型车载移动测量系统，数据采集范围为武汉市三环线内的主要道路(不包括施工道路、社区内部道路和露天停车场等)，数据采集的实测道路里程为1 588.1 km，点云间距为2~5 cm，点位精度优于5 cm。由于整个三环线内道路很多、点云的数据量也非常大，实际采用了按道路分段处理的方法进行夜间停车调查。

点云预处理过程中，选取激光扫描仪中心向下0.2~2.0 m范围内的数据作为“厚”点云，并将其中1.3~1.6 m范围内的数据作为“薄”点云。车辆初检测过程中，取R=0.3 m，N=50。车辆精识别过程中，人工选取了300辆车的点云生成了车辆模板库。实验发现，当S=0.2 m时的车辆目标自动识别效果较好。图 5为某路段车辆目标自动识别和提取结果的示意图，图中红色为识别出的车辆目标。

为验证本文方法的正确性，实验选取了3个样本路段，分别通过人工和本文方法来对停车数量进行统计，并以人工统计结果为依据计算了本文车辆自动识别方法的准确率和召回率，结果如表 1所示。

从表 1的统计结果可以看出，本文基于激光点云进行车辆目标自动识别方法的准确率和召回率分别为87.42%和87.69%。通过分析发现，出现错检和漏检的主要原因是部分车辆目标存在一定的被遮挡现象，导致车辆目标的点云信息不全、可提取的特征太少，从而造成识别困难。进一步研究发现，通过升高激光扫描仪位置和降低车速等措施，可在一定程度上弥补被遮挡处的点云漏洞，以提高车辆识别的准确率。此外，适当增加车辆模板库的样本数量也有助于车辆识别准确率的提升。

实际工作中，为确保停车调查结果的准确率，在车辆自动识别结果的基础上再进行人工纠错补漏。以本调查项目为例，内业处理仅用3 d就统计得到了武汉市三环线内主要道路夜间占道停车的总数为152 584辆。进一步地，利用ArcGIS软件叠加路网数据进行分析，得到了武汉市三环线内各行政区的夜间停车数量和停车密度统计结果，如表 2所示。

从表 2的统计结果可以看出，江汉区的夜间停车密度最大，而蔡甸区的夜间停车密度最小。这主要是因为江汉区是武汉市的中心城区且为商业区，人口密度较大，相应的停车密度也就大。而蔡甸区为非中心城区，相应的停车密度也就会小些。

4 结束语

本文利用车载三维激光扫描技术进行城市道路夜间停车状况调查，并以武汉市三环线内的主要道路为调查范围开展了工程应用研究。同时给出了车载激光扫描夜间数据采集和后续处理的作业流程，重点阐述了基于激光点云的车辆目标自动检测和识别方法。实验表明，利用该方法进行车辆自动识别的准确率和召回率分别为87.42%和87.69%，与人工目视统计相比，可大大提高夜间停车调查的效率。城市道路夜间停车状况调查结果可为城市道路规划及公共停车位选址提供决策参考。