车载LiDAR点云数据中杆状地物自动提取与分类
摘要：针对城市道路场景中车载LiDAR点云数据质量差、各类地物相互遮掩的情况，提出杆状地物自动提取与分类算法。先通过改进数学形态学算法移除点云数据中的地面点，再根据杆状地物的形态特征，使用纵向格网模板初步提取杆状地物，然后对提取的疑似杆状地物进行点云数据规则化并通过统计分析移除噪声点，最后根据预先建立的杆状地物样本训练SVM分类模型，对提取的杆状地物进行分类。试验表明，本文方法能够在数据质量欠佳的情况下有效提取城市道路场景中的杆状地物，并对提取的杆状地物进行高精度分类。
引文格式：李永强, 李鹏鹏, 董亚涵, 等. 车载LiDAR点云数据中杆状地物自动提取与分类. 测绘学报，2020，49(6)：724-735. DOI: 10.11947/j.AGCS.2020.20190220.
阅读全文： http://xb.sinomaps.com/article/2020/1001-1595/2020-6-724.htm
全文概述杆状地物是城市道路场景中普遍存在的地物部件，常见杆状地物包括路灯、行道树、标识牌、电线杆等。由于杆状地物种类与数量繁多，采用人工测量方式获取地物信息效率低，如何快速自动化地实现城市道路场景中杆状地物的提取与分类，对于城市数字化管理具有重要的意义[1-2]。车载LiDAR技术是当前测绘领域的前沿技术，在车辆行驶过程中快速获取道路两侧地物详尽的三维空间信息。相比于传统测量方法具有明显优势，车载LiDAR系统所获取的点云数据能够精确表达道路两侧杆状地物的三维空间信息，为杆状地物的自动提取与分类提供了充足的数据支持[3-4]。
针对车载LiDAR点云数据中杆状地物的提取与分类研究，相关工作主要分为4类。①基于几何特征的方法[5-8]：根据杆状地物杆部为圆柱状的特点，采用最小二乘法或RANSAC(random sample consensus)拟合构建圆柱模型，或对杆状地物进行截面投影并构建圆模型对点云数据中的杆状地物进行筛选。该方法利用杆状地物杆部本身几何特征进行提取，但城市道路中环境复杂，杆状地物种类繁多。该方法对点云数据质量要求较高，且难以表达不同杆状地物的特点，稳健性不强。②基于聚类与对象化的方法[9-12]：首先移除城市中的地面点与低矮地物如绿化带、草坪、车辆等，切断各类地物之间的联系，再采用欧氏聚类、k-mean聚类等算法将各个地物分割为独立对象，并根据各类杆状地物特点对其进行提取与分类，但城市中的各类地物常出现相互连接、相互遮掩的情况，因此常见的聚类方法难以对其进行精确分割。③基于构建模板的方法[13-16]：该方法首先通过获取各类杆状地物形态骨架构建缓冲区，再依靠构建的模板匹配车载点云数据中的目标点云。该方法目标性强、提取精度与效率较高，但需预先构建模板或模板库，对于模板库中不存在的杆状地物类型，该方法难以有效进行提取。④基于点云数据体元化的方法[17-21]：通过将车载点云数据进行体元构建，根据体元之间的上下文关系与体元内点云特征对杆状地物进行提取与分类。该方法有效利用了杆状地物的空间特性，但体元大小的选择将直接影响杆状地物的提取精度，而在复杂的点云场景中难以选择最合适的体元宽度，在实际应用中提取精度难以保证。
由以上分析可知，当前基于车载LiDAR点云的杆状地物提取与分类研究主要存在以下问题：①对杆状地物点云的数据完整性与独立性要求较高；②对于形态相近的杆状地物难以进行高精度的提取与分类；③为增强提取精度需设定多种阈值对数据进行约束，交互多，效率低。针对上述问题，本文提出一种基于体元模板与特征信息相结合的杆状地物提取与分类算法。该算法核心内容如下：①通过构建纵向体元模板，并结合数学形态学中的开运算与闭运算操作对车载LiDAR点云数据中的杆状地物进行提取；②根据杆状地物剖面投影特点对投影点云进行规则化并提取圆弧，再依据杆状地物特点对其进行筛选与整体提取；③对杆状地物提取特征并构建特征矩阵，采用机器学习中SVM算法对杆状地物进行分类从而提高分类精度。
1 杆状地物点云特征
车载LiDAR系统在动态行进过程中对道路及两侧地物进行扫描，具有强大的侧视信息获取能力。杆状地物多垂直于地面，正好迎合移动LiDAR的侧视扫描，在车载LiDAR点云中，杆状地物具有比较密集的点云分布。在无遮挡情况下，杆状地物的整体形态都能在车载LiDAR点云中相对完整展现，但道路场景相对复杂，行人及车辆等都会对地物的信息获取造成遮挡，并且受扫描角度的限制，所获取的杆状地物点云具有不完整性。本文选用SSW-3型车载LiDAR系统，该系统扫描转速可达100转/s，点频500kHz，每条扫描线间隔为2cm[22]，获取的典型地物点云如图 1所示。对车载LiDAR点云进行水平投影，可以看出，行道树、路灯、广告牌等杆状地物杆部部分投影为圆弧形，上部分投影形态各有不同，行道树上部投影为簇状且点云数量细密，路灯、广告牌等人造地物点云投影成线状，建筑物上下部分投影为跨度较大的线状。图 1中区域A为车辆遮挡造成的行道树下部点云缺失状况，行道树下部靠近地面一段杆状部分点云缺失，但靠上的杆部和树冠点云相对完整。
图 1 典型地物点云 Fig. 1 Typical ground object point cloud
图选项
2 杆状地物自动提取
车载LiDAR点云中，地面是各类地物联系的纽带，各类地物都与地面相连并成为一个整体。要准确分离出各类地物，需要先移除地面点云，使各地物成为相互独立的个体，既便于各地物进行探测和识别，也大幅度减少数据量，加快运行速度。数据处理时，先探测地面点，根据地面点构建DEM，以DEM为参考移除低矮地物。为避免由于遮挡造成杆状地物连续性中断造成的误判断，移除低矮地物时，若其上层存在一定数量的点云，则对下层点云进行保留。地面点与低矮地物移除后，遍历点云并进行格网化，根据杆状地物相对较高的特征，统计剩余点云的高程平均值并构建纵向体元模板，对点云数据进行膨胀与腐蚀操作，提取疑似杆状地物。之后将提取的疑似杆状地物点云进行投影，并进行规则化处理，提取其中圆弧状点云，对提取的点云进行还原，以提取的杆部点云作为搜索中心进行邻域搜索，提取完整的杆状地物。算法流程如图 2所示。
图 2 杆状地物提取流程 Fig. 2 Extraction process of pole-like objects
图选项
2.1 地面点云滤波
针对城市道路中地面相对平坦的特点，采用数学形态学滤波法对地面点进行处理。现有的数学形态学滤波算法多针对数据完整性较好的机载LiDAR点云，而由于扫描角度与扫描方式的不同，车载LiDAR地面点数据中易出现较大空洞，致使部分地物处于悬空状态，导致进行地面点滤波时出现错误，如图 3(a)所示。因此，本文使用改进后的形态学滤波算法，在首次滤波后，增加二次反向滤波，还原滤波时错分的地物。地面点及低矮地物滤除具体步骤如下：
图 3 地面点与低矮地物点云滤除 Fig. 3 Ground point and low ground objects point cloud filtering
图选项
(1) 规则格网构建。遍历点云数据，根据点云中极值构建边长为D的m×n格网，将点云数据按水平坐标划分入规则的二维格网中，m、n计算方式如式(1)
(1)
式中，Xmax、Xmin、Ymax、Ymin为点云数据极值，格网宽度D根据点云密度选择[23]。
(2) 格网高程腐蚀。在构建的二维格网中取任意一格网作为操作格网，以此格网为中心，建立长宽均为w个格网宽度的操作窗口(图 4)，取整个窗口内点云最小高程值作为操作格网腐蚀后的高程值。
图 4 格网(图中w值为5) Fig. 4 Grid diagram(the value of w in the figure is 5)
图选项
(3) 格网高程膨胀。对经过腐蚀处理后的点云数据采用相同尺寸的格网窗口进行膨胀处理，以腐蚀后的高程值代替原始高程值，并取窗口内点云的最大高程值作为操作格网中膨胀后的高程。
(4) 地面点云提取。膨胀处理后，计算各点原始高程值与膨胀后高程的差值h，并设置阈值t，若h大于等于t，则认为该点为地面点，否则为非地面点。对于阈值t的选取，先选取点云数据中的一块地面点，对点云数据进行RASANC平面拟合，拟合方程如公式：ax+by+cz+k=0，计算各点到拟合平面的垂直距离d=
，统计距离均方根误差σ=
，根据3σ原则，选取t=3σ为高程阈值。该值的选择对地形起伏依赖性较强，若地形起伏较大，需通过分块处理来降低地形起伏对阈值选取的影响。
(5) 非地面点还原。对提取的地面点云再次构建格网，新格网宽度D1应大于原始格网宽度，并重复上述地面点提取过程，还原因地面空洞而错分的非地面点，改进后的地面点滤波结果如图 3(b)所示。
(6) DEM构建与低矮地物滤除。根据提取的地面点采用反距离加权法构建DEM，设置2m高程阈值，通过构建的DEM模型滤除低矮地物(图 3(c))，为保留杆状地物杆部，若低矮地物上存在高地物，则对其进行保留，在提取杆状地物后，再对其进行去除。
2.2 杆状地物模板提取
杆状地物具有杆部支撑部分如路灯杆、树干等，并且杆部点云特征明显，在空间中具有竖直向上且连续的特征，因此，根据杆部特点构建纵向格网膨胀与腐蚀模板，并根据模板筛选剩余地物中的杆状地物。构建Gx×Gx×Gx×n的纵向竖直格网，格网边长Gx设为0.2m，对点云数据进行腐蚀和膨胀处理，提取场景中的杆状地物，n为竖直方向上格网数量，通过模板高度除以格网边长计算。在移除地面点和低矮地物后，对剩余点云进行遍历并计算该点距所属DEM距离，统计后获取高程平均值H。膨胀模板高度设为1/3H，对原始格网进行膨胀处理，连接由于遮挡造成的点云间断。腐蚀模板高度设为1.2H，用于从剩余地物中筛选出符合模板要求的杆状地物。具体步骤如下：
(1) 遍历场景中剩余的点云数据，计算点云中3个方向的最大值与最小值Xmax、Xmin、Ymax、Ymin、Zmax、Zmin，根据最值对点云构建三维格网，并统计每个点云的z值计算高程平均值H。
(2) 由于部分杆状地物杆部较细，扫描时易被遮挡而形成间断(图 5(a)、图 5(b))，因此建立高程膨胀模板，模板高度为1/3H(图 5(c))，对场景中的格网进行膨胀处理，连接间断的点云数据(图 5(d))。
图 5 杆状地物模板提取过程 Fig. 5 Extraction schematic diagram of pole-like object template
图选项
(3) 构建高程腐蚀模板，模板高度为1.2H(图 5(e)), 对膨胀后的点云数据进行腐蚀操作(图 5(f))，腐蚀后点云数据中仅剩部分纵向连续高度大于或等于1.2H的地物，将剩余的点云数据作为疑似杆状地物进行保留。
(4) 由于杆状地物一般与地面相连接，因此，根据构建的DEM对保留的条状点云进行判断，若条状点云底端明显高于其所属的DEM高程，需判断是否因遮挡导致近地面部分点云缺失，如果该条状点云周边也出现空洞或点云数据缺失，则垂直向下恢复条状点云至地面，否则删除该条状点云。
2.3 规则化与圆弧提取
城市道路场景中地物繁多复杂，符合纵向模板提取标准的地物除杆状地物外还包括建筑物、构筑物等设施。因此，为精确提取杆状地物，还需进行进一步判断与选取。步骤如下:
(1) 根据DEM截取杆状地物1.1~1.3m(1.3m为林业部门定义的胸径高度[24])处点云(图 6(a))，若该处由于遮挡或其他原因造成点云数量过少，则向上或向下平移截取区域，直到获得满足点云数量要求的区域。
图 6 杆状地物聚类与规则化 Fig. 6 Pole-like object clustering and regularization schematic diagram
图选项
(2) 构建0.2m格网对点云进行投影，对截取的投影点云进行邻域搜索(图 6(b))，将相邻格网点云归为同一类别，并划分为独立单元。
(3) 由于投影点云杂乱不易判别，因此先对聚类后的点云进行更加细密的格网划分，如图 6(c)，再对格网中的点云数据进行重心降采样，使点云数据表现更加规则的同时，减少因降采样构成的误差，如图 6(d)。
(4) 采用RANSAC算法提取剩余点云中的圆形点云，保留每个拟合圆的半径R与圆心坐标Pi(xi，yi)，由于城市中杆状地物直径在0.2m左右, 因此构建0.3m缓冲区提取点云中的圆形点云[23]。
2.4 统计筛选
由于RANSAC算法的绝对收敛性，部分非杆状地物中带有的杆状形态点云也会被提取，因此，还需对提取的点云数据进行进一步筛选。杆状地物杆部截面投影与圆形契合度高，其他地物点云虽具有杆状部分但与圆形差异性较大，因此通过计算各个聚类块点云与各自拟合圆的差异度来判断该地物是否为杆状地物点云，并最终选取杆状地物。聚类块差异度由每个聚类块上的点与该聚类块拟合圆模型的距离平方和表示，具体计算方法如式(2)所示
(2)
式中，每个点的坐标为(xpi，ypi)；拟合圆的圆心坐标为(xci，yci)；半径为Ri；di为每个点到圆模型的距离；ei为该聚类块与拟合圆的差异度。
为确定差异度阈值，从杆状地物样本(笔者研究团队已有样本集)中随机选取各类杆状地物，依据上文所述方法计算各杆状地物与拟合圆的差异度，对计算的差异度进行排序如图 7(a)所示，横坐标为杆状地物编号，纵坐标为差异度数值。221根杆状地物差异度范围在0~0.7之间，对数据进行分析，求取差异度之间的最大值与最小值并确定极差与数值分组数，计算各组数据的出现频率并依据频率构建正态分布曲线，如图 7(b)，横坐标为数据分组编号，纵坐标为各组数据出现次数。根据数据计算出的该组数值数学期望μ=0.125，σ=0.114，根据3σ原则，因此选取差异度阈值为0.467。
图 7 杆状地物投影差异度统计 Fig. 7 Statistics of projection differences of pole-like objects
图选项
将符合条件的点云保存为杆状地物杆部，由于路灯、广告牌等地物功能部分一般位于杆状地物头部，因此以提取的杆部顶点作为中心，进行邻域搜索从而获取整个杆状地物，并根据距离最近原则约束相连接的杆状地物。图 8为对杆状地物邻域搜索过程，点云为提取的杆部点云。
图 8 邻域搜索 Fig. 8 Neighborhood search schematic
图选项
3 杆状地物分类
完成杆状地物探测与聚类搜索后，对各聚类单元点云构建特征矩阵，基于SVM分类方法进行分类。SVM核函数选用径向基函数，并引入惩罚因子C与非负松弛变量ζ，增加分类的容错能力，并对分类后的邻接对象增加判别条件，明确杆状地物附属点云的归属。
3.1 特征矩阵构建
车载LiDAR系统获取的点云数据中包括X、Y、Z空间信息，GNSS时间信息及回波强度(intensity)等，但单个点云信息难以为杆状地物分类提供有效支持。本文通过计算聚类单元的特征向量、点云密度、拟合后总残差及拟合中误差构建特征矩阵，通过构建的特征矩阵对点云数据进行分类。
不同杆状地物顶部形态不同，根据PCA(principal component analysis)理论，对取出的杆状地物顶部点云数据构成的X、Y、Z矩阵进行奇异值分解，将原始坐标轴变换至杆状地物顶部点云主成分方向，并提取3个主轴方向上的特征向量m1、m2、m3，并根据式(3)对提取的特征向量进行量纲统一，得到聚类单元3个特征值a1、a2、a3。
不同杆状地物在不同平面内的投影面积有较大的差异，将变换后的点云投影至3个平面，并对投影后的点云数据进行0.2m的格网化，通过统计格网数量计算3个方向聚类单元的投影面积，计算聚类单元点云数量与3个投影面积的比值获取杆状地物在3个方向上的投影密度Dm1、Dm2、Dm3
(3)
由于各类杆状地物形态不同，如标识牌近似于平面、电线杆近似于圆柱，因此不同地物对同一形状进行拟合时，点云对其拟合表面的适应度不同，因此选择同一拟合表面。为加快程序运行速度选取平面作为拟合表面，将提取的杆状地物进行RANSAC平面拟合，并根据式(4)计算每个杆状地物与拟合平面之间的总残差δ与残差均方根误差σ
(4)
代入特征矩阵，选用不同地物多种特征作为样本，样本主要体现地物外部形态特征，并且选取的特征具有一定的相关性，各类特征相互影响约束可提高分类精度。至此完成特征矩阵构建，即F=[a1，a2，a3，Dm1，Dm2，Dm3，δ，σ]。
3.2 基于SVM的杆状地物分类
对于线性可分型数据集，SVM将建立一个平面，将两类地物完全分割，并且保证平面距离样本集的几何边界最大，该平面即为超平面。对于线性不可分样本集，SVM通过核函数将样本集映射至高维空间，并在高维空间中构建超平面。本文采用的核函数为径向基函数(式(5))
(5)
并引入惩罚因子C与非负松弛变量ζ，即允许变量在一定范围内违反超平面约束，因此，超平面优化问题可表示为式(6)与式(7)
(6)
(7)
采用本团队已有数据集作为样本集进行SVM模型训练与模型检验。数据集中有多种类型的路灯、指示牌、线杆、行道树共1475个，其中路灯495个，交通指示牌286个，线杆102个，行道树542个。对数据集中杆状地物进行杆部移除，并对移除杆部后的地物进行特征提取与特征矩阵构建。对构建后的特征矩阵进行模型训练，以相同方式对试验数据进行处理，通过训练好的SVM模型对试验数据进行分类。具体试验流程如下：
(1) 对样本集进行杆部提取并移除杆部部分只保留头部部分，对剩余的样本点云数据进行聚类，为建立特征矩阵提供基础。
(2) 对样本点云进行特征提取，并将提取的特征值存入特征矩阵。
(3) 预先给样本杆状地物点云赋予类别标签(电线杆-0，路灯-1，广告牌-2，行道树-3)。
(4) 对提取的特征数据进行归一化处理统一量纲，并对样本集进行交叉验证以确定最优惩罚系数C值与核函数参数g值。
(5) 创建SVM模型，选取测试集验证模型分类精度。
(6) 将训练好的杆状地物分类模型进行保存，并使用该模型对试验区中的杆状地物进行分类。
3.3 邻接点云分类
实际道路场景中，杆状地物不具有很好的独立性，常出现杆状地物相连接及同一杆状地物附带其他地物的情况，如图 9所示。图 9(a)行道树与路灯相邻，部分点云相互邻接，路灯除包含灯头外，还存在牌类地物，对此类地物采用最近点原则进行搜索后，结果如图 9(b)所示。行道树虽然能够保存部分特征但路灯处增加了部分行道树点云，路灯与广告牌由于共用一根杆进行支撑则被划分为同一地物。对于此种地物，若直接对其进行分类，必然导致分类结果出现错误，因此，将杆状地物杆部移除后，对每个杆状地物进行再聚类，结果如图 9(c)。对每块聚类块分别采用模型判断类别，判断后根据以下规则对点云块进行归属判断：
图 9 地物聚类分割 Fig. 9 Object clustering and segmentation
图选项
(1) 同一根杆状地物中包含行道树与其他类型杆状地物点云的，视行道树为邻接地物，对杆状地物进行位置判断，根据距离最近原则，搜索距离杆状地物最近的行道树，将邻接地物归并至该行道树点云中。
(2) 同一根杆状地物中包含两种地物类型的(不含行道树)，判断该地物为多个地物使用同一杆部支撑，则对分类后的各地物求其中心位置，以中心高程值最大的点云为该杆状地物类别。
二次分类结果如图 9(d)所示，与路灯邻接的行道树点云归并至邻近行道树，使用同一支撑的两类地物路灯与广告牌则按高地物路灯处理, 整体分类效果如图 9(e)所示。
4 试验分析
4.1 试验数据与预处理
为验证本文算法的正确性，采用SSW-3轻便型车载激光扫描系统获取的两段道路场景数据为试验对象，如图 10所示，箭头指向为行进方向。其中图 10(a)数据为北京市昌平区某城市道路。道路全长2.1km，道路中央为绿化隔离带，道路中部存在交通信号灯、指示牌等杆状地物，道路两侧存在路灯、行道树电线杆等多种地物，道路环境复杂。进行数据采集时，设置仪器扫描频率为200kHz，采用往返扫描形式，因此该段道路点云数据质量较好。图 10(b)数据为河南省焦作市某段城市道路。道路全长1.8km，道路中央为隔离护栏，两侧包含路灯，广告牌及部分低矮地物等多种地物。进行数据采集时，设置仪器扫描频率300kHz，扫描距离为100m，车载系统沿道路左侧行驶，因此左侧道路点云数据质量较好，点云密度较大，右侧道路点云数据较差，点云较为稀疏。
图 10 测试区域原始点云 Fig. 10 Original point cloud in test area
图选项
由于工作环境复杂，原始点云数据中存在部分椒盐噪声点，先采用PCL点云库中的统计学滤波算法对原始点云数据进行噪声滤除。由于研究对象为道路场景中的杆状地物，根据GNSS轨迹线设置横向缓冲区，对滤噪后的数据进行一定宽度区域数据保留，从而减少数据量，加快程序处理速度。
4.2 试验结果分析
杆状地物杆部特征明显，对于杆部的正确识别是后续分类的关键。图 11中为使用数据(a)中部分数据进行分步试验后的结果，其中图 11(a)为去除椒盐噪声后的点云数据，图 11(b)为对点云数据进行地面点与低矮地物滤除后的点云数据，红色点云为数学形态学提取的地面点，蓝色点云为提取的低矮地物。由于保留了高地物下的点云，因此杆状地物的杆部点云能够被完整保留，图 11(c)为使用纵向模板对点云数据进行提取的结果，使用模板对杆状地物进行提取时，能够有效保留杆状地物的杆部部分，并且不受周边复杂环境的影响，图 11(c)中A处行道树由于树干形态偏斜，导致树干点云提取不完整，图 11(d)为对提取的杆部点云进行聚类并进行规则化与圆弧提取后的结果。进行规则化与圆弧提取后，剩余的杆状地物点云更加规整更易识别，图 11(e)为通过杆状点云进行邻域搜索后的结果，由图可见，当杆状地物孤立性较好时，即使提取的杆部点云不完整，该算法仍可完整提取杆状地物点云。对整块点云数据图 11(f)进行杆状地物提取，效果如图 11(g)所示，道路中央及两侧的杆状地物均能有效提取，图中B树与C树在进行点云数据分块时，破坏了点云原始形态，但由于本文算法主要根据杆部特征对杆状地物进行提取，因此点云形态被破坏并不影响提取结果。使用已有样本集对模型进行训练，训练的SVM模型中包括路灯、行道树、电线杆以及广告牌，使用训练好的模型对该组数据进行分类，结果如图 11(h)所示，蓝色点云为行道树、红色点云为路灯、黄色点云为广告、蓝色点云为电线杆，该段数据中的杆状地物D为限高架，由于未训练相关模型，该地物未被提取。
图 11 杆状地物提取与分类 Fig. 11 Schematic diagram of extraction and classification of pole-like objects
图选项
对数据1进行杆状地物提取，部分结果如图 12所示，道路中部与两侧不同类别杆状地物均能有效提取，SVM模型中包含的类别(路灯、行道树、电线杆、广告牌)均能够有效分类。对数据(图 12(a))中的典型区域进行放大，A区域中人造杆状地物类型最为复杂，各类杆状地物形态相近，经SVM模型分类后，移除行道树结果如图 12(b)所示。其中蓝色点云为路灯，绿色点云为电线杆，粉色点云未标识牌，黑色点云为未分类地物，#1号杆状地物应为摄像头，但该模型将其错分为电线杆，#2号、#3号分别为红绿灯与限高架，由于未训练该类模型，因此无法对该地物进行分类，#4号、#5号为指示牌，由于指示牌完全被行道树树冠点云包围，因此无法进行分类，#6号为行道树点云，由于点云分块时，破坏了其树木结构，导致该树丢失一部分树冠，但由于其依然具有行道树的形态特征，因此能够被有效提取与分类，B区域与C区域路灯与行道树连接紧密，但由于路灯灯头位置高于树冠，因此路灯能够被有效区分，C区域中#7应为标识牌，但由于标识牌与行道树相连过于紧密导致类型无法被分辨。
图 12 数据1杆状地物提取与分类结果 Fig. 12 Extraction and classification of pole-like objects in data 1
图选项
对数据2提取效果如图 13所示。数据2道路中段路灯居多，杆状地物种类较少，点云扫描完整性较好，数据中不包含行道树各地物独立性较好，因此提取与分类结果相比于数据1较好。道路两端数据A与数据B，杆状地物种类较为复杂，该处位于道路转角，因此位于远处的杆状地物点云扫描完整性较差，增大了对杆状地物的提取与分类难度，去除地面点后的点云进行分类结果如图所示，#1号、#2号点云应为摄像头，但由于点云完整性较差，在进行点云邻域搜索时，地物搜索不完整，导致顶部点云丢失，杆状地物被分类为电线杆，分类出现错误。#3、#4号虽然扫描完整，但由于未建立摄像头模型，因此未对其进行分类，B区域#5、#6号地物应为直立性红绿灯，但其特征近似于电线杆，因此出现分类错误。
图 13 数据2杆状地物提取与分类结果 Fig. 13 Extraction and classification of pole-like objects in data 2
图选项
两段数据进行提取与分类，结果进行汇总统计，通过人工统计各杆状地物真实值，计算对于两段数据杆状地物的正确提取率(RDP)与提取完整率(ADP)，RDP与ADP定义如式(8)
(8)
将本文方法与文献[15、25—27]中所述的方法进行比较，结果见表 1。对于行道树的提取与分类，本文方法的RDP与ADP比文献[25]中所述方法分别高出2.88%和3.49%。究其原因，部分路灯广告牌等地物与行道树邻接，文献[25]中所用的行道树分类方法无法对相邻接的地物进行判断，文献[15]所述的路灯提取算法在RDP表现优于本文算法，ADP表现基本持平，但该文方法需预先构建复杂的模型库，每种路灯模型只适合于特定类别路灯，对于未知的路灯类型，文献[15]中的方法无法提取。文献[26—27]中所述的电线杆与标识牌提取结果由于受环境影响较大，并且由于车载LiDAR点云的回波强度会根据距离而变化，因此文献[26]中标识牌提取算法的RDP与ADP结果较低；文献[27]的RDP与ADP分别低于本文算法2.87%、8.96%。
表 1 提取结果评价Tab. 1 Evaluation of extraction results
试验
数据地物
类别实际
数量w正确
数量u漏提
数量k错提
数量v本文方法
文献方法
RDP/(%)ADP/(%)
RDP/(%)ADP/(%)
数据1行道树218198201891.6790.83
88.7987.34
路灯1071025793.5895.33
94.0091.58
电线杆25187677.8784.00
75.3570.98
标识牌30282293.3393.33
73.3580.20
数据2路灯77770593.90100.00
100.0097.40
电线杆32284780.0087.50
74.8572.50
标识牌292900100.00100.00
78.8575.55
表选项
5 结论 针对杆状地物点云数据的特点，本文提出了基于纵向模板结合SVM模型分类的方法对道路中的杆状地物进行提取与分类。依靠杆状地物杆部特征对杆状地物进行提取，有效克服城市道路中地物相互遮掩的情况，选择两组试验数据对算法进行试验。结果表明，本文所述算法在城市道路中提取杆状地物具有较强的准确性与稳定性，并且SVM模型能够有效对各类杆状地物进行分类，对于部分相互遮掩的杆状地物也能够有效对其进行提取与分类。但文中算法仍存在不足，具体表现在：①部分杆状地物因顶部过大，导致纵向模版无法对其进行腐蚀，从而无法对其进行提取；②数据集中杆状地物种类不足，部分地物如红绿灯、摄像头因与模型内陆物特征相近易出现错误分类；③杆状地物顶部被遮挡或与其他地物相连接则该地物类别无法被正确识别，因此还需进一步对算法进行研究。作者简介
第一作者：李永强（1976-），男，博士，副教授，主要研究方向为移动激光扫描技术、3S集成，E-mail：liyongqiang@hpu.edu.cn.
