Processing math: 100%
 注册 登录 English Version
城市与陆地 | 浏览量 : 943 下载量: 587 CSCD: 2 更多指标
  • 导出

  • 分享

  • 收藏

  • 专辑

    • 利用多元LBP特征自动提取城市道路边界

    • Automatic extraction of urban road boundaries using diverse LBP features

    • 刘如飞

      1

      马新江

      1

      卢秀山

      2

      王旻烨

      1

      王鹏

      1
    • 2022年26卷第3期 页码:541-554   

      纸质出版日期: 2022-03-07

    • DOI: 10.11834/jrs.20209228     

    扫 描 看 全 文

  • 引用

    阅读全文PDF

  • 刘如飞,马新江,卢秀山,王旻烨,王鹏.2022.利用多元LBP特征自动提取城市道路边界.遥感学报,26(3): 541-554 DOI: 10.11834/jrs.20209228.
    Liu R F,Ma X J,Lu X S,Wang M Y and Wang P. 2022. Automatic extraction of urban road boundaries using diverse LBP features. National Remote Sensing Bulletin, 26(3):541-554 DOI: 10.11834/jrs.20209228.
  •  
  •  
    论文导航

    摘要

    车载移动测量系统可采集高精度道路三维点云数据,为道路边界自动化提取提供了支撑。为解决车载激光点云中城市道路边界点云提取困难问题,本文引入局部二值模式LBP(Local Binary Pattern),针对各类城市道路边界特征,设计了高度LBP、高程离散度LBP和空间形状LBP 3种改进算子;构建多元LBP特征语义识别模型,实现了道路路缘石空间几何与分布特征的量化分析;最后通过道路方向约束进行聚类去噪,提取道路边界。对4种不同的城市路段点云进行实验,实验数据的提取完整率为92.0%,准确率为95.8%。结果表明,该方法可以准确地提取不同环境下的道路边界,具有较强的适应性。

    Abstract

    As an advanced surveying and mapping system, vehicle-borne mobile mapping system has several advantages, such as high precision, high efficiency, active, and non-contact measurement. This system can quickly collect high-precision road 3D point clouds, which are important for road boundary automatic extraction, and has become important in road information acquisition and update.

    To address the difficult and inaccurate extraction of urban road boundary point clouds in vehicle-borne laser point clouds, this paper introduces the Local Binary Pattern (LBP), which is an efficient and effective image processing method, to automatic point cloud classification. First, to take full advantage of the characteristics of various urban road boundaries, three improved operators were developed, including height, elevation dispersion, and spatial shape LBPs, which make full use of the three-dimensional shape, spatial geometry, and distribution characteristics of curbs. Statistical analysis was also performed on the feature image pixel values of the three LBP improvement operators. The statistical results are consistent with the spatial distribution and geometric characteristics of different objects, such as road boundary and road surface. Then, a diverse LBP features semantic recognition model, which can realize the quantitative expression of the spatial geometry and distribution characteristics curbs and pavements, was built. Finally, the road boundary point clouds were extracted by cluster and denoised with the road direction as the constraint.

    The point clouds of four different urban sections were tested. Results show that the extraction completeness rate of the experimental data is 92.0%. The method we developed can extract the main road and sidewalk boundary point clouds under different road environments. In terms of accuracy, 95.8% accuracy was achieved from considering the spatial distribution and geometrical characteristics of the curb. The results indicate that our method can accurately extract road boundaries in different environments and has strong adaptability.

    关键词

    遥感; 移动测量系统; 道路边界; 多元LBP; 路缘石; 点云分类

    Keywords

    remote sensing; mobile measurement system; road boundary; diverse LBP; curb; point clouds classification

    1 引 言

    道路作为城市基础设施之一,在城市管理、城市规划和交通运输等领域占据重要的地位(

    Zai等,2018)。随着智慧城市、智慧交通的快速发展,道路精细化边界信息的快速更新对于完善城市路网数据、辅助高精度导航以及支撑道路规划决策等有着重要意义。传统道路线获取方式是通过全站仪或RTK技术进行人工数据采集与绘制,这种方式效率低、劳动强度大、生产周期长,正逐步被现代化手段结合自动化提取方法所取代。目前常用的道路线提取方法根据获取手段可分为被动式遥感和主动式遥感。被动式遥感方法基于图像或视频数据,利用算法自动提取道路线(Li等,2004李畅和李芳芳,2013);或者基于遥感影像数据,对特征线(Zhang等,2006Li等,2016李畅和魏东,2016)、道路中心线(戴激光 等,2018)和路网(Bastani等,2018)等进行自动化提取。该技术相对成熟,提取结果较为准确,但存在高程信息不足或高程精度较低等问题。主动式遥感方法主要是利用LiDAR技术采集的道路数据,根据道路目标特征,通过相关算法自动获取道路信息。目前应用较多的是机载LiDAR(惠振阳和胡友健,2017李磊 等,2017)和车载LiDAR。相比于机载LiDAR,车载LiDAR在采集城区道路数据方面安全性较高,且更加方便灵活。

    车载移动测量系统作为一种先进的测绘技术,具有实时、动态、主动等特点,能快速采集道路高精度三维点云数据,已成为道路信息获取和更新的重要手段之一。现有车载激光点云中道路边界提取方法可归纳为4类。

    第1类是基于点云投影图像识别方法。

    Jaakkola等(2008)利用点云数据生成强度和高程特征图像,利用图像处理算法检测道路边界;Serna和Marcotegui(2013)将点云数据投影为距离图像,将路缘石的高度和最小长度等作为约束条件,利用数学形态法分割图像提取出路缘石点云,并用贝塞尔曲线进行优化;韩婷等(2018)根据路缘石邻域点云的高程、高差和密度等空间特征生成点云特征图像,然后利用OSM的先验知识(位置、语义、拓扑等),通过改进的活动轮廓模型算法提取道路边界。该方法较好地运用了图像处理的成熟算法,但二维图像生成时存在精度损失;同时这类方法对道路边界的三维形态分布特征研究不足。

    第2类是基于扫描线分类方法。

    Zhang(2010)利用一个类似高斯低通滤波器对每条扫描线提取路面点云,然后利用Hough变换检测垂直分布的点作为道路边界点。Yang等(2013)根据扫描点的GPS时间和角度得到扫描线,利用扫描线上激光点的高程差异、扫描点密度和累计坡度对路坎点进行提取。Yu等(2015)利用高程梯度,从路面点向左右两侧检测;并通过梯度过滤,滤除车辆点;最后通过选取路缘石角点和线性拟合,获取路缘线。刘如飞等(2017)根据不同地物剖面的空间分布特征进行剖面激光点生长聚类,再通过点集的几何特征因子判断类型,最后利用相邻多条扫描线上路边点分布规律进行去噪。该方法将每一条激光扫描线视为道路横截面,利用道路边界在相邻扫描线上的空间相似性提取边界点,方法提取准确率高,但需生成扫描线或伪扫描线数据索引,方法通用性不足。

    第3类是基于特征聚类的方法。

    Zhou和Vosselman(2012)根据高程差异提取道路边界点利用KNN算法对边界点进行聚类,并结合长度、宽度等信息优化聚类结果。Ibrahim和Lichti(2012)利用点密度分割地面点,然后利用高程离散度、法向量和梯度等信息,采用高斯滤波器提取道路边界点。杨望山等(2018)通过高度分层处理提取道路点云,再根据点云的法向量进行聚类提取出点云面法向量近似平行于水平面的点云,最后利用改进的K-means算法进行聚类去除噪点,并以此作为种子点提取完整的道路边线。该方法根据一定范围内道路边界点的相似特征进行聚类提取,分类结果精度较高但存在较多噪点,后续去噪困难。

    第4类是基于机器学习的方法。

    罗海峰等(2017)构建了包含相对高程、法向量方向、多尺度高程差及多尺度高程方差共六维的点云特征向量,然后利用SVM初步提取路坎点云,并通过聚类去噪,优化提取结果。Yang等(2017)提出BKD三维局部特征,该特征包含高斯核密度估计和二值化,然后利用随机森林分类器提取道路边界点和道路标线。该方法可以利用样本得到用于目标分类的有效特征;但需要大量样本数据,且训练数据和待分类数据具有基本一致特征时,才能达到较好分类效果(张继贤 等,2017)。

    综上,本文充分挖掘了路缘石的三维形状、空间几何与分布特点,发现路缘石的“单侧连续性”可以与LBP算子融合分析,因此,在第3类研究方法的基础上,提出一种利用多元LBP特征提取道路边界点的方法。算法运用LBP算子分析路缘石与路面、人行道等地物的邻域分布特征,将路缘石和路面等地物特征进行量化分析,进而提取路缘石点。该方法有效降低了各类地物噪声干扰,提高了提取精度。

    2 LBP原理介绍

    局部二值模式LBP(Local Binary Pattern)是一种描述图像纹理特征的算子,被广泛用于模式识别和图像处理领域,其基本思想是利用像元与邻近像元的关系描述局部纹理特征(

    Ojala等,1996宋克臣 等,2013)。以3×3窗口为例,比较窗口中心像元值与邻域像元值的大小关系,若邻域像元值大于等于中心像元值则该像素点被记为1,否则被记为0。将产生的8位二进制数转换为十进制数并记作中心单元的LBP值。旋转不变LBP(rotation-invariant version of LBP, LBPROT)是对二进制的LBP值不断进行向右循环移位,取最小结果作为最终的结果(Ojala等,2002)。LBP值计算过程如图1所示(Ojala等,2002),权重格网的红色数值对应的阈值为0,可理解为不参与LBP值的计算,中心格网的LBP二进制为11010001,LBP值为209,LBPROT对应的二进制为00011101,LBPROT值为29。

    fig

    图1  LBP值计算示意图

    Fig. 1  LBP value calculation diagram

    icon 下载:  原图 | 高精图 | 低精图

    3 多元LBP道路边界点提取

    首先利用道路及其边界的带状线性规律,结合移动测量系统行驶轨迹数据对原始点云进行点云分段和坐标纠正;然后对每段点云进行格网化和高程过滤处理,保留近地面点;之后对路缘石边界点云进行LBP特征分析,通过LBP特征值描述路缘石的空间分布特征和局部几何特征;最后,设计多元LBP特征稳健识别路缘石点作为道路边界点。本文方法的具体流程如图2所示。

    fig

    图2  算法流程

    Fig. 2  Algorithm flow

    icon 下载:  原图 | 高精图 | 低精图

    3.1 道路点云预处理

    进行数据采集时,要求测量车尽量保持与车道方向一致行驶,避免连续变换多个车道。采集的海量点云数据量大,且不同路段路边情况差异大,因此需要进行道路分段处理。主要依据两个原则:(1)根据采集时间对道路点云进行等时间间隔分段;(2)利用测量车的行驶轨迹点引入道格拉斯—普克算法原理,对弯曲道路进行再分段,进一步缩小时间范围,使每段道路呈近似直线状,便于后续LBP特征分析。如图3所示,将首尾轨迹点连成一条直线,求所有轨迹点到直线的距离,找出最大距离值Dmax及对应的轨迹点Pmax,与限差D相比:若DmaxD,根据Pmax点的时间将点云再次分段,重复上述分段流程。

    fig

    图3  点云分段

    Fig. 3  Point clouds segmentation

    icon 下载:  原图 | 高精图 | 低精图

    道路分段后,每段首尾轨迹点连线与路缘石边界近似平行,利用轨迹点数据对点云进行坐标旋转,旋转基点为轨迹点首尾连线的中点,使连线方向与格网坐标纵轴平行。之后进行平面规则格网投影,建立RC列的平面虚拟格网。通过道路分段和坐标旋转,保证了格网划分与路缘石边界方向的一致性,使得纵轴方向上路缘石边界格网点云的空间分布具有一致性,易于后续LBP算子对目标邻域分布关系进行描述。

    为消除树冠与交通附属设施等地物上部对路缘石边界遮挡的影响,需进行点云高程过滤,保留路面、路缘石、人行道和低矮植被等近地面点。点云格网化后,每一行可看作道路横截面,依次对每一行进行高程过滤。行驶轨迹点投影所在的格网称为轨迹格网,轨迹格网点云的高程最小值为路面高程,删除路面高程1 m以上的点云。点云高程过滤及道路分段示意图如图4所示。

    fig

    图4  高程过滤及分段示意图

    Fig. 4  Elevation filtering and segmentation diagram

    icon 下载:  原图 | 高精图 | 低精图

    3.2 路缘石LBP特征

    LBP算子通常采用其拓展模式LBPROT进行量化,即通过对二进制的LBP值进行旋转移位,取十进制最小值为拓展模式值。由此可得,具有相似或相反空间分布的物体,经过LBP分析,其LBPROT值是相同的。城市道路环境下的路缘石具有明确的国家标准规范,理想情况下,局部路段范围内的路缘石具有相近的三维几何和空间分布特征,因此其LBPROT值应是相同的,基于该原则进行路缘石LBP特征分析。

    3.2.1 路缘石空间分布

    在以路缘石为中心的局部范围内,路缘石具有明显的“单侧连续性”:(1)路缘石的某一侧为路面,分布连续,高程较低且起伏变化小。(2)路缘石的另一侧地物分布有两种情况,第1种是人行道,与路面相似,分布连续且较为平坦,但高度较高;第2种是低矮植被,点云分布散乱,高程起伏较大。表1为不同道路路缘石边界分布示意图,红色线代表路缘石,灰色圆形代表路面,绿色三角形代表人行道或低矮植被等。可以看出:在邻域格网中,连续的路面格网一般为2—4个。其中具有相同连续路面格网数量的路缘石边界,其空间分布相似或相反,经过旋转或反转则可以获得相同的空间分布。因此利用LBPROT的旋转不变性可以量化地表达路缘石的 “单侧连续性”。

    表1  路缘石边界分布
    Table 1  Curb boundary distribution
    连续路面格网数量道路路缘石边界分布图
    2个 inlinegraphic
    3个 inlinegraphic
    4个 inlinegraphic
    icon 下载:  导出CSV icon 下载:  下载表格图片

    3.2.2 LBP特征分析

    利用LBP算法从空间高度、空间离散度和空间形状3个维度分析路缘石的“单侧连续性”。

    (1)空间高度LBP。路缘石的一侧为连续分布的路面,路面高度比路缘石高度小。一般路缘石顶端与路面的高差在一定范围内。若另一侧为人行道,其高度一般等于路缘石高度;若另一侧为低矮植被,其高度大于路缘石高度。令格网值为格网点云的高程最大值,邻域格网LBP阈值Tele需满足如下条件:

    Tele={0, Dhεele1, Dh<εele
    (1)
    Dh=VC-VF
    (2)

    式中,εele为高差阈值,Dh为中心格网值与邻域格网值的差值,VC为中心格网值,VF为邻域格网值。

    (2)空间离散度LBP。空间离散度主要是格网点云的高程值分布情况。路缘石格网不仅包含路缘石侧面点,还包含少量路面点、部分人行道点或植被点,点的高程分布散乱,高程方差较大。而路面格网点的高程起伏小,高程方差小。另一侧为人行道或低矮植被,如果是人行道或修剪整齐的低矮植被,则格网点云的高程方差小;否则,高程方差较大。

    令格网值为格网点云的高程方差,邻域格网LBP阈值Tdis需满足如下条件:

    Tdis={0, Cdisεdis1, Cdis<εdis
    (3)
    Cdis=VC /VF
    (4)

    式中,εdis为方差商值阈值,Cdis为中心格网值与邻域格网值的商,VC为中心格网值,VF为邻域格网值。

    (3)空间形状LBP。空间形状主要是格网点云的整体分布情况。路缘石格网存在路面点、路缘石侧面点及部分人行道点,呈阶梯状分布。单侧相对平坦的路面点云呈现为面片状。另一侧若为人行道或者修剪整齐的植被,则为面片状;若植被散乱分布,则为不规则状。

    首先计算格网内所有点的X、Y、Z坐标对应的特征值和特征向量,以最小特征值对应的特征向量作为格网点云的法向量。然后计算法向量与Z方向单位向量(0,0,1)的夹角α。路缘石格网呈阶梯状,由于格网划分的缘故,α的浮动范围较大,通过大量计算统计得出,路缘石格网对应α的范围是25°—75°;面片状点云的法向量与Z轴接近平行,α接近0。如图5所示,虚线为法向量;不规则状点云对应的α取值范围为0—90°。

    fig
    icon 下载:  | 高精图 | 低精图

    图5  格网点云法向量与Z方向单位向量夹角示意图

    Fig. 5  Schematic diagram of grid point clouds normal vector and Z direction unit vector

    令格网值为α,邻域格网LBP阈值Tss需满足如下条件:

    Tss={0, Cssεss1, Css<εss
    (5)
    Css=VC /VF
    (6)

    式中,εss为角度商值阈值,Css为中心格网值与邻域格网值的商,VC为中心格网值,VF为邻域格网值。

    通过上述分析可知,路面格网的高程较低,高程极差小,呈面片状;人行道和植被的高程大于等于路缘石高程,人行道的高程极差小,呈面片状;植被点云分布散乱,高程极差和空间形状不稳定。上述原因造成了在空间高度LBP模式下,路面格网的阈值为0,其余为1的现象,计算路缘石格网的LBPROT值为15、31或63;在空间离散度和空间形状LBP模式下,路面格网的阈值为0,其余为0或1,路缘石格网的LBPROT值在9—63范围内。深入分析发现路缘石格网在3种不同LBP特征模式下存在共性规律,即邻域格网阈值存在2—4个连续的0和两个与0相邻的1,其余为0或1。表2表1对应的邻域格网阈值,红色为空间高度LBP格网阈值;绿色为空间离散度LBP格网阈值;蓝色为空间形状LBP格网阈值。

    表2  不同连续路面格网数量对应的LBP阈值
    Table 2  LBP threshold corresponding to the number of different continuous road grids
    连续路面格网数量LBP阈值图
    2个 inlinegraphic
    3个 inlinegraphic
    4个 inlinegraphic
    icon 下载:  导出CSV icon 下载:  下载表格图片

    3.3 边界提取与去噪

    3.3.1 多元LBP特征语义分类

    通过分析路缘石的空间特征和LBP特征,以LBPROT值作为像素值,得到3种模式下的LBPROT特征图像;对3种模式的LBPROT特征值进行统计。图6为道路点云及LBPROT特征图像;图7为LBPROT值对应的格网数量统计图。从图6中可以看出,空间高度、空间离散度和空间形状LBPROT特征图像均可以将道路边界较好区分。

    fig
    icon 下载:  | 高精图 | 低精图

    图6  道路点云及LBPROT特征图像

    Fig. 6  Road point clouds and LBPROT feature images

    fig

    图7  LBPROT值统计图

    Fig. 7  LBPROT values statistics

    icon 下载:  原图 | 高精图 | 低精图

    由于点云经过分段、坐标旋转和道路宽度限制,道路点云中路面点云与其他局部相对平坦的点云最多,因此LBPROT值为255的格网数量最多。花坛、草丛等地物空间分布散乱,格网值具有不稳定性。对于路缘石格网,其空间高度LBPROT值为15、31或63;空间离散度LBPROT值和空间形状LBPROT值均在9—63范围,两种模式下的路缘石格网的LBPROT值以17、31和63数量居多。道路地物的特征分析如表3所示。

    表3  城市道路主要地物LBP特征
    Table 3  LBP characteristics of main features in urban roads
    地物空间与几何特征LBP特征
    路缘石

    整体呈线性分布,与路面高差相对固定;

    局部层次分明,呈阶梯状;

    与路面和人行道或绿化带相邻

    高度LBPROT值为15、31或63;

    离散度和形状LBPROT值为9—63,以17、31和63为主;

    格网数量较多

    路面

    整体呈带状分布,高程相对较低;

    局部平坦,呈面片状;

    与路缘石相邻

    高度、离散度和形状LBPROT值大部分是255;

    在所有格网中数量最多

    人行道

    整体呈狭长带状分布,高程略高于路面;

    局部平坦,呈面片状;

    与路缘石和绿化带相邻

    与路面格网相似,高度、离散度和形状LBPROT值大部分是255;

    存在一定数量的格网

    绿化带

    整体呈狭长带状分布,高程高于路面;

    植被空间分布散乱;

    与路缘石或人行道相邻

    3种模式的LBPROT值存在较大差异,稳定性较差;

    存在一定数量的格网

    杆状物

    以相对固定间隔分布;

    高程较大;

    嵌于人行道或绿化带

    3种模式的LBPROT值存在较大差异,稳定性较差;

    数量较少

    icon 下载:  导出CSV icon 下载:  下载表格图片

    综上所述,空间高度LBP用于分析目标的高度变化,空间离散度LBP用于分析目标的高程分布特征,空间形状LBP用于分析目标的三维形状特征。若单独使用某一种LBPROT值分类道路边界点云,会存在较多噪点。如单独使用空间高度LBPROT值,部分修剪整齐的植被顶端点会被提取出来;单独使用空间离散度LBPROT值,杂乱的植被底端点会被提取出来;单独使用空间形状LBPROT值,路面坑槽点会被提取出来。利用某两种LBP改进算子求交获取路缘石格网,会存在较多噪点。如图8所示,图8(a)、(b)、(c)为两两求交结果二值图,图8(d)为三者求交结果二值图。从图6图8中可以看出,由于植被的影响,两两求交的结果存在较多噪点;三者求交的结果在保留路缘石格网的同时,剔除了大部分噪点。因此将三者结合,即多元LBP交运算,构建路缘石多元LBP特征分析模型以准确提取路缘石点云。

    I=IeleIdisIss
    (7)

    式中,I为路缘石格网集合;Iele为通过高度LBP提取的路缘石格网集合;Idis为通过离散度LBP提取的路缘石格网集合;Iss为通过形状LBP提取的路缘石格网集合。

    fig
    icon 下载:  | 高精图 | 低精图

    图8  交集的结果

    Fig. 8  Intersection results

    3.3.2 边界点聚类去噪

    针对提取出的路缘石格网集合中还包含地面、类路缘石等噪点,需进一步提取道路边界点。首先取路缘石格网内高程在中间位置的点作为该格网的候选边界点集P,本文设置取值范围为((hmax+hmin)/2±0.05 m),hmaxhmin分别为格网内点的高程最大值和最小值。然后对点集P中的点坐标取平均值,来表示格网坐标值,得到初始道路边界点。

    其中由于树池、道路中央防护栏和车辆等地物的底部与路缘石的空间特征类似,导致提取边界点结果存在伪边界点。因此本文选择KD-Tree管理边界点数据,沿着行驶轨迹点方向,根据路边界的连续分布性,对边界点进行聚类,去除点集长度较小,或聚类点集距离行驶轨迹的阈值变化较大目标,步骤如下:

    (1)聚类阈值Np;阈值εd=1.5倍的格网边长;

    (2)构建KD-Tree,找到第一个没有归属的点P0,新建集合类S

    (3)If存在点Pi,且P0Pi的欧氏距离小于εd

    Pi添加到S中;以Pi作为P0,重复(3);

    Else

    Return(2);

    (4)删除聚类数量小于Np的类或距离行驶轨迹的阈值变化大于2倍的格网边长。

    4 实验及分析

    4.1 实验数据

    本文采用青岛秀山移动测量有限公司研制的车载移动测量系统采集不同城市道路场景激光点云实验数据。激光点云点间隔约4 cm,包含路面、人行道、车辆、行道树、路灯、电力线和大量建筑物等地物。如图9所示,红色点为车载移动测量系统的行驶轨迹点,包含4种典型路况。A路段长度约为500 m,宽度约为15 m,车辆较少,无隔离带,路面坡度较大;B路段长度约为800 m,双向4车道,道路中央有水泥隔离墩,车辆较多;C路段长度约为1000 m,双向4车道,道路中央为栅栏隔离带;D路段长度约为950 m,双向4车道,道路中央有绿化隔离带;车辆较多,遮挡严重;路面损坏严重,存在大量裂缝和坑槽等路面病害。

    fig

    图9  实验数据

    Fig. 9  Experimental data

    icon 下载:  原图 | 高精图 | 低精图

    4.2 实验结果

    利用本文方法对实验数据进行处理,主要参数及阈值如下:利用本文方法对实验数据进行处理,主要参数包括:点云分段时的距离限差d,设置为5 m;点云格网化边长Gside,设置为0.2 m;空间高度LBP的高差阈值,设置为5 cm,对应的LBPROT取值为15、31、63;空间离散度LBP的方差商值阈值,设置为100,对应的LBPROT取值为9—63;空间形状LBP的角度商值阈值,设置为10,对应的LBPROT取值为9—63;聚类数量Np,设置为5。

    点云分段时距离限差d用于数据预处理阶段,若道路弯曲程度较大,可对d进行适当调整。格网边长至少为点云间隔的2—3倍,以保证路缘石格网存在可以被输出的点;路缘石宽度大于10 cm,部分路缘石顶端呈弧状,而且道路经过多年使用,路缘石存在倾斜现象,因此,为提取尽量多的道路边界点,设置格网边长Gside=0.2 m。城市道路路缘石外露高度在0.1—0.2 m范围内,道路边界处可能存在落叶等路边杂物,因此将空间高度LBP模式中εele设置为最小外露高度的1/2,即εele=0.05 m。实验数据点云精度优于3 cm@25 m,单个格网内路面点云高程极差小于3 cm,路缘石格网存在路面点、路缘石侧面点,以及人行道点或植被点,高程分布不均匀且高程极差大于10 cm。根据方差式(8),二者的高程方差相差2个数量级以上,因此将空间离散度LBP中εdis设置为100。根据上文对路面和路缘石格网的形状分析,二者的法向量与Z方向单位向量的夹角α相差1个数量级以上,因此将空间形状LBP中εss设置为10。通过上文分析计算,空间高度LBPROT值为15、31、63;空间离散度和空间形状的LBPROT值范围均是9—63。以单块路缘石长度作为阈值参考,本文设置聚类阈值Np=5。

    σ2=(X-μ)2N
    (8)

    式中,σ2为总体方差,X为变量,μ为总体均值,N为总体例数。

    为验证本文方法的有效性,将A路段未经聚类去噪的道路边界点云输出,如图10(a)所示。可以看出,本文方法可以有效地提取道路边界;但同时存在噪点,噪点表现为不规则分布,其他路段的噪点与其类似。因此本文通过聚类去噪,将零星的噪点剔除,保留完整准确的道路边界点,但少量与路缘石特征极其相似的树池点或植被点等仍会保留,如图10(b)所示。

    fig
    icon 下载:  | 高精图 | 低精图

    图10  A路段道路边界提取结果

    Fig. 10  Road boundary extraction results of A section

    最终实验结果如图11图12所示,图11中I、II、III、IV、Ⅴ、Ⅵ分别对应图12的(a)、(b)、(c)、(d)、(e)、(f)。通过实验结果可以看出,本文方法能有效提取城市道路边界点云。A路段无中央隔离带,纵向坡度约为4%,从图12(a)图12(b)中可以看出,直线路段和道路拐弯处的边界点基本可以提取出来,轮廓清晰简洁,边界点排列整齐,很好地贴合路缘石侧面。B路段存在道路中央隔离墩,从图12(c)(双向点云叠加)和图12(d)(单向点云)中可以看出,道路中央水泥隔离墩与路缘石相似,呈弧形向上,与路面存在一定的高差,其局部范围内的空间几何特征与路缘石的特征相似,符合本文的特征条件,因此本文也可以将其部分边界提取出来;B路段的人行道与绿化带交界处存在路缘石,但是这种路缘石外露高度较低,且部分区域存在植被遮挡情况,本文方法可以将部分此类边界提取出来,从侧面验证了本文方法的适用性较广。C路段有道路中央护栏,从图12(e)中可以看出,本文方法并没有将道路中央护栏提取出来,主要是因为护栏底座点较少且间隔大,大部分护栏与路面之间没有点云,导致边界点提取时没有可以保留的点,被这反映了本文的边界点提取方法还有待改进。D路段存在道路中央隔离花坛,从图12(f)中可以看出,道路中央花坛和坛头处的边界可以保留下来,由于坛头弯曲程度较高,导致边界点较少,存在平滑性较差和漏提的问题。

    fig

    图11  实验结果

    Fig. 11  Experimental result

    icon 下载:  原图 | 高精图 | 低精图
    fig
    icon 下载:  | 高精图 | 低精图

    图12  实验结果局部放大图(底图为真彩点云)

    Fig. 12  Partial enlarged view of the experimental results (The base picture is the true color point clouds)

    图11中可以看出,实验结果并非全部连续,主要原因主要有3点:(1)是实验路段存在多个路口,路口处无路缘石,导致无法提取道路边界,这是造成结果不连续的主要原因;(2)是车辆遮挡导致部分边界区域无点云,也就无法提取边界点,如图12(a)右上边界区域和图12(f)右侧部分边界;(3)是算法本身存在不足,包括格网划分、参数阈值不精确和聚类等。如图12(c)中右上弧状边界、图12(f)中花坛坛头存在缺失,原因是格网划分过程中不可避免地存在路缘石点云被分割到相邻格网,导致边界特征缺失,无法提取边界点;部分道路边界由于参数阈值不精确,导致无法提取;部分边界点相对孤立,不符合聚类条件,也会被误删。同时,实验结果中存在错误边界点情况,错误边界区域的空间分布与几何特征与路缘石相似,导致错误边界点被提取出来,主要是树池点,如图12(b)中左上区域的树池点,还有少量道路护栏底座点和散乱植被点,如图12(e)中左下区域的植被底端。

    4.3 结果评估对比

    本文借鉴

    Liu等(2017)的结果评估方法对实验结果进行评估,主要是完整率和准确率分析。从原始车载激光点云中通过人工多次测量取均值获得以下数据:(1)实际边界长度RL;(2)正确提取的边界长度TL;(3)错误边界,即实际不存在但被提取出来的边界长度FL。完整率(IR)定义为TL/RL·100%;准确率(PR)定义为TL/(TL+FL)·100%。

    计算本文方法提取结果的完整率和准确率,并与

    刘如飞等(2017)的扫描线生长聚类法和格网高差聚类法进行对比,对比结果如表4所示,3种方法的道路边界提取结果如图13所示。本文方法提取的道路边界完整率达到92%,正确率达到95.8%。完整率方面,从图12(c)可以看出,与其他两种方法相比,本文方法能够适应不同道路环境,不仅可以提取出主干道边界点云,还可以提取出部分人行道边界点云,完整率较高;在准确率方面,方法在利用路缘石自身几何特性的同时,充分考虑了路缘石局部范围内的空间分布特征,因此准确率较高。从表4数据和图13黄色矩形框位图可以看出,本文方法和扫描线聚类法的提取完整率和准确率较高;扫描线法对花坛坛头等曲率较高的边界点提取效果较差,提取效果有待提高;与其相比,本文方法对花坛坛头的提取效果较好,同时部分边界由于格网划分等原因存在缺失;与格网高差聚类法相比,本文方法对杂乱植被的抗噪性较强。

    表4  实验结果评估对比
    Table 4  Comparison of experimental results
    处理算法RL/mTL/mFL/mIR/%PR/%
    本文方法 8791.3 8088.6 359.9 92.0 95.8
    扫描线生长聚类法 8791.3 7973.7 323.6 90.7 96.1
    格网高差聚类法 8791.3 7437.4 975.5 84.6 88.4
    icon 下载:  导出CSV icon 下载:  下载表格图片
    fig
    icon 下载:  | 高精图 | 低精图

    图13  3种方法的道路边界提取结果

    Fig. 13  Road boundary extraction results of three methods

    5 结论

    针对城市道路环境复杂多样,自动化提取道路边界困难的问题,本文以车载激光点云数据为研究对象,通过分析路缘石的空间分布与几何特征,发现路缘石具有明显的“单侧连续性”,且可以利用LBP算子的拓展模型进行表达与分析。鉴于此,本文提出了一种利用多元LBP特征的城市道路边界点云提取方法。该方法利用路缘石的高度特征、高程分布特征和空间分布特征,基于LBPROT算子原理,设计了包含空间高度LBP、空间离散度LBP和空间形状LBP共3种改进算子的多元LBP特征语义识别模型,实现了道路边界特征的量化表达;以不同的LBP特征值联合表示特定的地物,进而识别路缘石目标,提取出道路边界点。在不同的城市道路场景上开展实验,实验结果表明,本文方法可以有效提取道路边界点,适应性较强。研究成果为城市道路信息快速采集提供了新的思路。

    本文方法从多维度实现了道路边界的量化表达,然而,该方法本身也存在不足之处。例如,利用格网化的方法划分点云以用于计算LBP特征值,在格网划分过程中,存在将路缘石划分到两个相邻格网的情况,导致道路边界的特征减弱甚至消失,以至于无法提取道路边界点。另外,LBP特征能否用于乡村或其它无路缘石道路的边界提取,以及车载激光点云的多类别语义分割,是下一步的研究方向。

    参考文献(References)

    Bastani F, He S T, Abbar S, Alizadeh M, Balakrishnan H, Chawla S, Madden S and DeWitt D. 2018. Roadtracer: automatic extraction of road networks from aerial images//Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City: IEEE: 4720-4728 [DOI: 10.1109/CVPR.2018.00496] [百度学术] 

    Dai J G, Du Y, Fang X X, Wang Y and Miao Z P. 2018. Road extraction method for high resolution optical remote sensing images with multiple feature constraints. Journal of Remote Sensing, 22(5): 777-791 [百度学术] 

    戴激光, 杜阳, 方鑫鑫, 王杨, 苗志鹏. 2018. 多特征约束的高分辨率光学遥感影像道路提取. 遥感学报, 22(5): 777-791 [DOI: 10.11834/jrs.20188055] [百度学术] 

    Han T, Yang B S, Yuan P F and Liang F X. 2018. OSM-assisted extraction of 3D vector boundary from mobile laser scanning point cloud. Geomatics Science and Technology, 6(2): 128-140 [百度学术] 

    韩婷, 杨必胜, 袁鹏飞, 梁福逊. 2018. OSM辅助的车载激光点云道路三维矢量边界提取. 测绘科学技术, 6(2): 128-140 [DOI: 10.12677/gst.2018.62015] [百度学术] 

    Hui Z Y and Hu Y J. 2017. A review on road extraction methods from airborne LiDAR. Science of Surveying and Mapping, 42(3): 70-74 [百度学术] 

    惠振阳, 胡友健. 2017. 机载LiDAR点云中道路的提取方法. 测绘科学, 42(3): 70-74 [DOI: 10.16251/j.cnki.1009-2307.2017.03.013] [百度学术] 

    Ibrahim S and Lichti D. 2012. Curb-based street floor extraction from mobile terrestrial LIDAR point cloud. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XXXIX-B5: 193-198 [DOI: 10.5194/isprsarchives-XXXIX-B5-193-2012] [百度学术] 

    Jaakkola A, Hyyppä J, Hyyppä H and Kukko A. 2008. Retrieval algorithms for road surface modelling using laser-based mobile mapping. Sensors, 8(9): 5238-5249 [DOI: 10.3390/s8095238] [百度学术] 

    Li C and Li F F. 2013. Auto-extracting sub-pixel line feature of digital images based on hypothesis testing. Acta Geodaetica et Cartographica Sinica, 42(1): 67-72 [百度学术] 

    李畅, 李芳芳. 2013. 基于假设检验的数字影像线状特征亚像素自动提取. 测绘学报, 42(1): 67-72 [百度学术] 

    Li C and Wei D. 2016. A line segment detector based on pixels grouping and step-by-step quality control. Journal of Infrared and Millimeter Waves, 35(6): 681-687 [百度学术] 

    李畅, 魏东. 2016. 一个基于像素编组和逐级质量控制的线段检测算子. 红外与毫米波学报, 35(6): 681-687 [DOI: 10.11972/j.issn.1001-9014.2016.06.009] [百度学术] 

    Li C, Zhang Y J and Zhang Z X. 2016. Automatic keyline recognition and 3D reconstruction for quasi-planar façades in close-range images. The Photogrammetric Record, 31(153): 29-50 [DOI: 10.1111/phor.12141] [百度学术] 

    Li L, Zhang Y S, Yu Y, Xue W and Xie L M. 2017. Urban road extraction from airborne LiDAR point cloud automatically based on skewness balance algorithm. Journal of Geomatics Science and Technology, 34(6): 628-632, 638 [百度学术] 

    李磊, 张永生, 于英, 薛武, 谢丽敏. 2017. 利用偏度平衡自动提取机载LiDAR点云城区道路. 测绘科学技术学报, 34(6): 628-632, 638 [DOI: 10.3969/j.issn.1673-6338.2017.06.016] [百度学术] 

    Li X, Zhang W G and Bian X D. 2004. Research on detection of lane based on machine vision. Journal of Southeast University, 20(2): 176-180 [DOI: 10.3969/j.issn.1003-7985.2004.02.010] [百度学术] 

    Liu R F, Lu X S, Yue G W and Tian M Y. 2017. An automatic extraction method of road from vehicle-borne laser scanning point clouds. Geomatics and Information Science of Wuhan University, 42(2): 250-256 [百度学术] 

    刘如飞, 卢秀山, 岳国伟, 田茂义. 2017. 一种车载激光点云数据中道路自动提取方法. 武汉大学学报(信息科学版), 42(2): 250-256 [DOI: 10.13203/j.whugis20140959] [百度学术] 

    Luo H F, Fang L N and Chen C C. 2017. Curb point clouds extraction from vehicle-borne laser scanning data. Journal of Geo-information Science, 19(7): 861-871 [百度学术] 

    罗海峰, 方莉娜, 陈崇成. 2017. 车载激光扫描数据路坎点云提取方法. 地球信息科学学报, 19(7): 861-871 [DOI: 10.3724/SP.J.1047.2017.00861] [百度学术] 

    Ojala T, Pietikäinen M and Harwood D. 1996. A comparative study of texture measures with classification based on featured distributions. Pattern Recognition, 29(1): 51-59 [DOI: 10.1016/0031-3203(95)00067-4] [百度学术] 

    Ojala T, Pietikainen M and Maenpaa T. 2002. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7): 971-987 [DOI: 10.1109/tpami.2002.1017623] [百度学术] 

    Serna A and Marcotegui B. 2013. Urban accessibility diagnosis from mobile laser scanning data. ISPRS Journal of Photogrammetry and Remote Sensing, 84: 23-32 [DOI: 10.1016/j.isprsjprs.2013.07.001] [百度学术] 

    Song K C, Yan Y H, Chen W H and Zhang X. 2013. Research and perspective on local binary pattern. Acta Automatica Sinica, 39(6): 730-744 [百度学术] 

    宋克臣, 颜云辉, 陈文辉, 张旭. 2013. 局部二值模式方法研究与展望. 自动化学报, 39(6): 730-744 [DOI: 10.3724/SP.J.1004.2013.00730] [百度学术] 

    Yang B S, Fang L N and Li J. 2013. Semi-automated extraction and delineation of 3D roads of street scene from mobile laser scanning point clouds. ISPRS Journal of Photogrammetry and Remote Sensing, 79: 80-93 [DOI: 10.1016/j.isprsjprs.2013.01.016] [百度学术] 

    Yang B S, Liu Y, Dong Z, Liang F X, Li B J, Peng X Y. 2017. 3D local feature BKD to extract road information from mobile laser scanning point clouds. ISPRS Journal of Photogrammetry and Remote Sensing, 130: 329-343 [DOI: 10.1016/j.isprsjprs.2017.06.007] [百度学术] 

    Yang W S, Cai L L and Gu S D. 2018. Extraction city road boundary method based on point cloud normal vector clustering. Acta Photonica Sinica, 47(6): 0612003 [百度学术] 

    杨望山, 蔡来良, 谷淑丹. 2018. 提取城市道路边线的点云法向量聚类法. 光子学报, 47(6): 0612003 [DOI: 10.3788/gzxb20184706.0612003] [百度学术] 

    Yu Y T, Li J, Guan H Y, Wang C and Yu J. 2015. Semiautomated extraction of street light poles from mobile LiDAR point-clouds. IEEE Transactions on Geoscience and Remote Sensing, 53(3): 1374-1386 [DOI: 10.1109/TGRS.2014.2338915] [百度学术] 

    Zai D W, Li J, Guo Y L, Cheng M, Lin Y B, Luo H and Wang C. 2018. 3-D road boundary extraction from mobile laser scanning data via supervoxels and graph cuts. IEEE Transactions on Intelligent Transportation Systems, 19(3): 802-813 [DOI: 10.1109/TITS.2017.2701403] [百度学术] 

    Zhang J X, Lin X G and Liang X L. 2017. Advances and prospects of information extraction from point clouds. Acta Geodaetica et Cartographica Sinica, 46(10): 1460-1469 [百度学术] 

    张继贤, 林祥国, 梁欣廉. 2017. 点云信息提取研究进展和展望. 测绘学报, 46(10): 1460-1469 [DOI: 10.11947/j.AGCS.2017.20170345] [百度学术] 

    Zhang W D. 2010. LIDAR-based road and road-edge detection//Proceedings of 2010 IEEE Intelligent Vehicles Symposium. San Diego: IEEE: 845-848 [DOI: 10.1109/IVS.2010.5548134] [百度学术] 

    Zhang Y, Heipke C, Butenuth M and Hu X. 2006. Automatic extraction of wind erosion obstacles by integration of GIS data, DSM and stereo images. International Journal of Remote Sensing, 27(8): 1677-1690 [DOI: 10.1080/01431160500406896] [百度学术] 

    Zhou L and Vosselman G. 2012. Mapping curbstones in airborne and mobile laser scanning data. International Journal of Applied Earth Observation and Geoinformation, 18: 293-304 [DOI: 10.1016/j.jag.2012.01.024] [百度学术] 

    文章被引用时,请邮件提醒。
    提交

    相关作者

    暂无数据

    相关机构

    中国科学院空天信息创新研究院
    北京师范大学 遥感科学国家重点实验室
    北京师范大学 地理科学学部 北京市陆表遥感数据产品工程技术研究中心
    北京师范大学 地理科学学部 遥感科学与工程研究院
    青海师范大学 高原科学与可持续发展研究院
    0