CN106780524A - 一种三维点云道路边界自动提取方法 - Google Patents

Abstract

本发明涉及点云处理领域，具体公开了一种三维点云道路边界自动提取方法，包括以下步骤：S1、对获得的整个三维点云数据集P，筛选种子点进行超体素划分；S2、使用α‑shape算法提取邻近非共面的超体素之间的边界点；S3、使用基于图割的能量最小化算法提取道路边界点；S4、基于欧几里得距离聚类算法去除离群点；S5、将提取的道路边界点拟合成平滑曲线。本发明的方法可以直接运行在大规模三维点云上，可用于不同场景，计算速度快，算法鲁棒性好，可快速提取道路边界。

Description

一种三维点云道路边界自动提取方法

技术领域

本发明涉及点云处理领域，尤其是涉及一种三维点云道路边界自动提取方法。

背景技术

道路作为交通基础设施，其数字化的管理与建设对于城市规划、交通管理以及导航等应用具有重要的意义。车载激光扫描技术作为一项发展迅速的高新测绘技术，相比于传统测绘手段，具有数据获取速度快、数据精度高、非接触主动测量、实时性强等优势，在车辆正常行进过程中能快速获取道路及两侧地物详尽的三维空间信息，对于带状分布的道路信息获取具有明显优势。

传统获取道路信息的方法主要包括人工测量和数字摄影测量两张方式。人工测量虽然能够获得较为准确的道路坐标等信息，但是测量速度较慢，道路信息更新周期较长；数字摄影测量随着科学技术的发展和计算机等高新技术的广泛应用逐渐发展和成熟起来，但是受限于影像分辨率等原因，影像中提取的道路特征信息和精度要求仍然需要进一步提高。车载激光扫描***由全球定位***、惯性导航***、激光扫描仪和CCD相机等组成，成为获取三维空间数据的新手段。使用车载激光扫描技术能够有效地节省测量时间，提高测量效率，缩短道路信息更新周期，避免了交通环境下测量作业人员暴露的危险性，为城市空间资源的勘测与规划提供有力的技术保障。

然而，城市通常环境复杂，不仅附属部件复杂繁多，且被扫描目标之间相互遮挡造成数据缺失，对道路边界自动提取带来考验。此外，不同道路环境引起的复杂性(比如车辆停靠，植被环绕，栅栏等)加大了道路边界的自动提取难度。因此，从海量点云中快速、自动地提取道路边界难度大，要求高，但该技术具有重要的经济和应用需求，一直是国内外的研究热点。

目前，车载激光扫描数据处理方面的研究大多集中在地物点云分类、建筑物立面信息提取与建模、道路附属设施提取等方面，而对道路边界信息提取的研究相对较少，主要工作可以分为间接提取和直接提取两类。

间接提取的方法一般是首先使用点云的属性(高度、强度及波长等)产生深度图像，然后使用图像处理的方法(裁切、拟合以及滤波等)来检测、提取道路边界。对于间接提取的方法，即将点云转换成深度图像，然后使用图像处理的方法提取道路边界，这些方法势必会在转换过程中产生误差，很难获取准确的道路边界结果。

直接提取的方法一般是使用道路特征(比如平面、路牙子等)来检测、提取道路边界。常用的方法为用基于随机抽样一致(RANSAC)的方法提取道路面，然后用线性拟合的算法来得到道路边界。用高斯滤波的方法或者滑动窗口的方法来检测路牙子，由此获得道路边界。对于直接提取的方法而言，则对场景的应用范围有较大局限。使用基于随机抽样一致(RANSAC)的方法提取道路面，在面对道路起伏的情况时会有困难，往往提取的道路面也会损失一些细节。而使用高斯滤波的方法或者滑动窗口的方法来检测路牙子的方法，往往在面对不规则道路边界(比如墙，栅栏)或者植被环绕的情况时会有挑战。

发明内容

本发明的目的在于克服上述现有技术的不足，本发明提供一种三维点云道路边界自动提取方法，该方法可以直接运行在大规模三维点云上，可用于不同场景，计算速度快，算法鲁棒性好，可快速提取道路边界。

具体技术方案如下：

一种三维点云道路边界自动提取方法，包括以下步骤：

S1、对获得的整个三维点云数据集P，筛选种子点进行超体素划分；

S2、使用α-shape算法提取邻近非共面的超体素之间的边界点；

S3、使用基于图割的能量最小化算法提取道路边界点；

S4、基于欧几里得距离聚类算法去除离群点；

S5、将提取的道路边界点拟合成平滑曲线。

优选地，步骤S1对超体素的划分过程，具体如下:

S11、求解拟合平面T_p(p_i)：

对于整个三维点云数据集P的每个输入点p_i，其切平面Tp(p_i)可以表示为由其中心点o_i和法向量n_l组成的二元组，即

三维空间内的任一点p到Tp(p_i)的距离可以表示为

记p_i的K近邻构成的集合为Nb_k(p_i),通过求解下式可以得到最小二乘意义下的最佳拟合平面

然后采用迭代重加权的最小二乘法来优化拟合的平面

解带权最小二乘方程即可得到优化后的拟合平面Tp(p_i)

对平面Tp(p_i)重复上述过程，直到算法收敛。

S12、去除非地面点：

记最终构成切平面Tp(p_i)的点集的协方差矩阵的三个特征值为λ₁,λ₂,和λ₃，且满足λ₁≥λ₂≥λ₃。则点p_i的平滑度s(p_i)可以表示为

使用下面两个限制来去除非地面点：

A、去除明显高于路面的点(z_i≥5m)(z_i为点p_i的高度值)；

B、去除其法向量与Z轴夹角大于22.5°的点。

S13、计算超体素f_i：

将去除非地面点以后的点集P_g按照每个点的平滑度排序，首先选择平滑度大的点作为种子点。从种子点开始进行区域增长的方式来计算超体素。将超体素f_i形式化的定义为一个有所属点集P_i，中心点o_i，和法向量n_l所构成的三元组对每个种子点seed_i，令其初始的超体素f_i的初始点集为{p_i}，中心点和法向量分别是Tp(p_i).o_i和Tp(p_i).n_l。然后，采用宽度优先的原则对f_i进行区域增长。对每个候选点p_j，如果满足(1)p_j到p_i的距离小于阈值R_seed；(2)向量Tp(p_j).n_l与Tp(p_i).n_l的夹角小于22.5°；(3)p_j到Tp(p_i)的距离小于阈值∈；则将p_j加入到f_i的点集中。当f_i无法再扩展时，根据f_i.p_i使用最小二乘法拟合平面，并将f_i.n_lg更新为拟合平面的法向量。在这些初始小平面的基础上采用局部K均值聚类来将点赋值于超体素，并保证每个点到其所属的超体素的距离小于到其他超体素的距离。这里的距离函数定义为：

其中D_s,D_n和D_i分别是欧几里得距离，法向量距离以及强度距离。ω_s,ω_n和ω_i分别是对应的权值。

优选地，步骤S2使用α-shape算法提取邻近非共面的超体素之间的边界点的具体步骤为：

将点云分割成超体素以后，对于每个超体素，可以使用α-shape算法来提取边界点，同时，去除两个彼此共面的超体素之间的边界点，即如果两个超体素的法向量夹角小于22.5°,则删除这两个超体素之间的边界点，此时的边界点P_b包括道路边界点和非道路边界点。

优选地，步骤S3使用基于图割的能量最小化算法提取道路边界点，具体如下：

由车载激光扫描***提供车辆行驶轨迹线数据，将轨迹线数据作为图割算法的初始观测模型。能量公式定义为：

E(f)＝E_data(f)+λ·E_smooth(f)

这里P_b是指步骤2中提取到的边界点的集合。n是p_i所属超体素的点集的势。Δd_j是指点p_j到直线L_pi的距离。Δd_i是指点p_i邻域内所有点到直线L_pi的平均冗余。σ₁是指所有点的平均冗余。直线L_pi定义为经过点p_i且方向与距离p_i最近的轨迹线的方向。

(x_i,y_i,z_i),(x_j,y_j,z_j)分别是点p_i和p_j的三维坐标，是指点p_i和p_j的欧式距离。这里表示的是如果点p_i和p_j分配的标签一致的话，代价为零，反之代价为

这里σ₂指的是点集P_b的空间分辨率。使用图割算法求得上述能量公式最小值的结果即将边界点分为两类，一类是道路边界点，另一类是非道路边界点。

本发明的方案与现有技术相比，具有如下优点：

(1)本发明可以直接运行在大规模三维点云上，为道路边界的提取与定位提供一套快速有效地自动化解决方案。需要人为设置的参数非常少，减少了人为主观干预。与现有技术相比，本发明采用超体素分割和基于图割的最小化能量算法，在复杂的城市环境情况下依然可以有效提取道路边界，由于结合使用了车载***轨迹线数据进行计算，克服了点云数据遮挡，密度分布不均等缺点，使得结果稳定鲁棒，对不同场景都具有普适性，易于实际运用。

(2)本发明充分挖掘了点云的基础属性(空间距离，几何性质以及强度信息)，将点云进行超体素分割，同时去除非地面点，提高了后续的计算效率。由于将种子点进行排序，优先选择的方法，超体素分割的结果非常好得保存了边界信息，提高了后续提取道路边界算法的鲁棒性。

(3)本发明在模型算法上进行了创新优化，首次提出基于图割的能量最小化算法，利用车载***提供的轨迹线数据，结合道路边界的内在特征来建立图割模型，有效快速地提取到道路边界。

附图说明

图1本发明技术方案的的流程示意图；

图2本发明实施例原始点云数据；

图3处理后的效果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

本发明提出的基于车载激光扫描点云数据进行道路边界提取方法的具体实施方案如下(总的技术方案流程可见图1)：

S1、对获得的整个三维点云数据集P，筛选种子点进行超体素划分(本实施例的原始点云数据可见图2)；

超体素划分是指将邻近的性质一致的点聚拢为一个超级点，以此来减少数据处理的复杂度；

S11、求解拟合平面T_p(p_i)：

对于整个三维点云数据集P的每个输入点p_i，其切平面Tp(p_i)可以表示为由其中心点o_i和法向量n_l组成的二元组，即

三维空间内的任一点p到Tp(p_i)的距离可以表示为

记p_i的K近邻构成的集合为Nb_k(p_i),通过求解下式可以得到最小二乘意义下的最佳拟合平面

然后采用迭代重加权的最小二乘法来优化拟合的平面

解带权最小二乘方程即可得到优化后的拟合平面Tp(p_i)

对平面Tp(p_i)重复上述过程，直到算法收敛。

S12、去除非地面点：

记最终构成切平面Tp(p_i)的点集的协方差矩阵的三个特征值为λ₁,λ₂,和λ₃，且满足λ₁≥λ₂≥λ₃。则点p_i的平滑度s(p_i)可以表示为

使用下面两个限制来去除非地面点：

A、去除明显高于路面的点(z_i≥5m)(z_i为点p_i的高度值)；

B、去除其法向量与Z轴夹角大于22.5°的点。

S13、计算超体素f_i：

由此，将去除非地面点以后的点集P_g按照每个点的平滑度排序，首先选择平滑度大的点作为种子点。从种子点开始进行区域增长的方式来计算超体素。将超体素f_i形式化的定义为一个有所属点集P_i，中心点o_i，和法向量n_l所构成的三元组对每个种子点seed_i，令其初始的超体素f_i的初始点集为{p_i}，中心点和法向量分别是Tp(p_i).o_i和Tp(p_i).n_l。然后，采用宽度优先的原则对f_i进行区域增长。对每个候选点p_j，如果满足(1)p_j到p_i的距离小于阈值R_seed；(2)向量Tp(p_j).n_l与Tp(p_i).n_l的夹角小于22.5°；(3)p_j到Tp(p_i)的距离小于阈值∈；则将p_j加入到f_i的点集中。当f_i无法再扩展时，根据f_i.p_i使用最小二乘法拟合平面，并将f_i.n_lg更新为拟合平面的法向量。在这些初始小平面的基础上采用局部K均值聚类来将点赋值于超体素，并保证每个点到其所属的超体素的距离小于到其他超体素的距离。这里的距离函数定义为：

其中D_s,D_n和D_i分别是欧几里得距离，法向量距离以及强度距离。ω_s,ω_n和ω_i分别是对应的权值。

S2、使用α-shape算法提取邻近非共面的超体素之间的边界点；

将点云分割成超体素以后，对于每个超体素，可以使用α-shape算法来提取边界点。同时，去除两个彼此共面的超体素之间的边界点，即如果两个超体素的法向量夹角小于22.5°,则删除这两个超体素之间的边界点。此时的边界点P_b包括道路边界点和非道路边界点。

α-shape算法可以看作是闭包Convex Hull的扩展，它可以通过调整α参数计算更精细的闭包从而大致描述平面或空间上一群点的外形，具体是用某个固定半径的圆去套一对一对的点，当一对点都刚好落在圆上而且圆内不包含任何其他点的时候，这两个点就是形状的边界点。通过这样的方法找出所有的边界点，便描述出了Alpha shape。

S3、使用基于图割的能量最小化算法提取道路边界点；

接下来使用基于图割的能量最小化算法来提取道路边界点。车载激光扫描***提供车辆行驶轨迹线数据，观察到轨迹线数据与测量道路位置方向保持基本一致。由此将轨迹线数据作为图割算法的初始观测模型。能量公式定义为：

E(f)＝E_data(f)+λ·E_smooth(f)

这里P_b是指步骤2中提取到的边界点的集合。n是p_i所属超体素的点集的势。Δd_j是指点p_j到直线的距离。Δd_i是指点p_i邻域内所有点到直线的平均冗余。σ₁是指所有点的平均冗余。直线定义为经过点p_i且方向与距离p_i最近的轨迹线的方向。

(x_i,y_i,z_i),(x_j,y_j,z_j)分别是点p_i和p_j的三维坐标，是指点p_i和p_j的欧式距离。这里表示的是如果点p_i和p_j分配的标签一致的话，代价为零，反之代价为

这里σ₂指的是点集P_b的空间分辨率。使用图割算法求得上述能量公式最小值的结果即将边界点分为两类，一类是道路边界点，另一类是非道路边界点。

S4、基于欧几里得距离聚类算法去除离群点；

使用欧几里得距离聚类算法将上述获得的道路边界点进行聚类，并删除点数很小的类别，即聚类以后，如果一个类别包含的点的个数小于5，则删除这个类别。

S5、将提取的道路边界点拟合成平滑曲线。

将剩下的类分别拟合成光滑的曲线，由此就得到了道路边界。这里使用三次样条插值(Cubic Spline Interpolation)来拟合直线。

其中，图3为处理后的效果图，表示提取的道路。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种三维点云道路边界自动提取方法，其特征在于：包括以下步骤：

S1、对获得的整个三维点云数据集P，筛选种子点进行超体素划分；

S2、使用α-shape算法提取邻近非共面的超体素之间的边界点；

S3、使用基于图割的能量最小化算法提取道路边界点；

S4、基于欧几里得距离聚类算法去除离群点；

S5、将提取的道路边界点拟合成平滑曲线。

2.根据权利要求1所述的一种三维点云道路边界自动提取方法，其特征在于：步骤S1对超体素的划分过程包括如下步骤:

S11、求解拟合平面T_p(p_i)；

S12、去除非地面点；

S13、计算超体素f_i。

3.根据权利要求1所述的一种三维点云道路边界自动提取方法，其特征在于：步骤S2使用α-shape算法提取邻近非共面的超体素之间的边界点的具体步骤为：

将点云分割成超体素以后，对于每个超体素，可以使用α-shape算法来提取边界点，同时，去除两个彼此共面的超体素之间的边界点，即如果两个超体素的法向量夹角小于22.5°,则删除这两个超体素之间的边界点，此时的边界点P_b包括道路边界点和非道路边界点。

4.根据权利要求2所述的一种三维点云道路边界自动提取方法，其特征在于：

S11、求解拟合平面T_p(p_i)具体步骤如下：

对于整个三维点云数据集P的每个输入点p_i，其切平面Tp(p_i)可以表示为由其中心点o_i和法向量n_l组成的二元组，即：

$Tp\left(x_i\right)=(o_i,\widehat{n_i})$

三维空间内的任一点p到Tp(p_i)的距离可以表示为：

$dist(p,Tp(x_i\left)\right)=|(p-o_i)\·\widehat{n_i}|$

记p_i的K近邻构成的集合为Nb_k(p_i),通过求解下式可以得到最小二乘意义下的最佳拟合平面：

$\underset{Tp\left(x_i\right)}{\mathrm{argmin}}\underset{p\∈{\mathrm{Nb}}_K\left(p_i\right)}{\Σ}dist{(p,Tp(x_i\left)\right)}^2$

然后采用迭代重加权的最小二乘法来优化拟合的平面：

$w\left(p\right)=\left\{\begin{array}{cc}{(1-{\left(\frac{dist(p,T_p(p_i\left)\right)}{\&Element;}\right)}^2)}^2,& dist(p,T_p(p_i\left)\right)<\&Element;\\ 0,& dist(p,T_p(p_i\left)\right)\&GreaterEqual;\&Element;\end{array}\right.$

解带权最小二乘方程即可得到优化后的拟合平面Tp(p_i)

$\underset{Tp\left(x_i\right)}{\arg \min }\underset{p\&Element;{\mathrm{Nb}}_K\left(x_i\right)}{\&Sigma;}w\left(p\right)*dist{(p,T_P(p_i\left)\right)}^2.$

对平面Tp(p_i)重复上述过程，直到算法收敛。

5.根据权利要求2所述的一种三维点云道路边界自动提取方法，其特征在于：

S12、去除非地面点的具体步骤如下：

记最终构成切平面Tp(p_i)的点集的协方差矩阵的三个特征值为λ₁,λ₂,和λ₃，且满足λ₁≥λ₂≥λ₃，则点p_i的平滑度s(p_i)可以表示为：

$s\left(x_i\right)=\frac{{\mathrm{\&lambda;}}_2}{{\mathrm{\&lambda;}}_3}$

使用下面两个限制来去除非地面点：

A、去除明显高于路面的点(z_i≥5m)(z_i为点p_i的高度值)；

B、去除其法向量与Z轴夹角大于22.5°的点。

6.根据权利要求2所述的一种三维点云道路边界自动提取方法，其特征在于：

S13、计算超体素f_i的具体步骤如下：

将去除非地面点以后的点集P_g按照每个点的平滑度排序，首先选择平滑度大的点作为种子点，从种子点开始进行区域增长的方式来计算超体素；将超体素f_i形式化的定义为一个有所属点集P_i，中心点o_i，和法向量n_l所构成的三元组对每个种子点seed_i，令其初始的超体素f_i的初始点集为{p_i}，中心点和法向量分别是Tp(p_i).o_i和Tp(p_i).n_l；然后，采用宽度优先的原则对f_i进行区域增长，对每个候选点p_j，如果满足(1)p_j到p_i的距离小于阈值R_seed；(2)向量Tp(p_j).n_l与Tp(p_i).n_l的夹角小于22.5°；(3)p_j到Tp(p_i)的距离小于阈值∈；则将p_j加入到f_i的点集中，当f_i无法再扩展时，根据f_i.p_i使用最小二乘法拟合平面，并将f_i.n_lg更新为拟合平面的法向量；在这些初始小平面的基础上采用局部K均值聚类来将点赋值于超体素，并保证每个点到其所属的超体素的距离小于到其他超体素的距离，这里的距离函数定义为：

$D(p,f)=\sqrt{{\mathrm{\&omega;}}_s*D_s^2+{\mathrm{\&omega;}}_n*D_n^2+{\mathrm{\&omega;}}_i*D_i^2}$

其中D_s,D_n和D_i分别是欧几里得距离，法向量距离以及强度距离，ω_s,ω_n和ω_i分别是这三个距离值对应的权值。

7.根据权利要求1所述的基于移动激光扫描***的城市道路树木特征目录获取算法，其特征在于：步骤S3使用基于图割的能量最小化算法提取道路边界点，具体如下：

将车载激光扫描***提供的车辆行驶轨迹线数据，作为初始观测模型，利用图割算法将边界点分为以下两类{“道路边界点”，“非道路边界点”}，即图割算法的目标是，求得一个分类函数f给每个点分配一个标签f_p∈L(L为类别集合{“道路边界点”，“非道路边界点”})，使得付出的代价最小，即使得能量公式最小化，

这里能量公式定义为：

E(f)＝E_data(f)+λ·E_smooth(f)

这里E_data(f)，即能量公式中的数据项，指的是分类结果与初始观测模型比较的误差，是分类过程中给每个点分配标签的代价，E_smooth(f)，即能量公式中的光滑项，指的是分类函数f非光滑的程度，具体是指分类过程中每个点与邻近点之间分类结果不一致的代价，λ是光滑项E_smooth(f)的权重，这里按经验设置为32，其中，

$E_{data}\left(f\right)={\mathrm{\&Sigma;}}_{p_i\&Element;P_b}d\left(f_{p_i}\right)$

${\mathrm{\&Delta;d}}_i=\frac{1}{n}\underset{p_j}{\&Sigma;}{\mathrm{\&Delta;d}}_j$

这里P_b是指步骤2中提取到的边界点的集合。n是p_i所属超体素的点集的势，Δd_j是指点p_j到直线的距离，Δd_i是指点p_i邻域内所有点到直线的平均冗余。σ₁是指所有点的平均冗余，直线定义为经过点p_i且方向与距离p_i最近的轨迹线的方向，

$E_{smooth}\left(f\right)=\underset{\{p_i,p_j\}\&Element;P_b}{\&Sigma;}B\{p_i,p_j\}\&CenterDot;\mathrm{\&delta;}(f_{p_i},f_{p_j})$

$\mathrm{\&delta;}(\&CenterDot;)=\left\{\begin{array}{cc}1& if{f}_{p_i}\&NotEqual;f_{p_j}\\ 0& otherwise.\end{array}\right.$

$B_{\left\{p_i,p_j\right\}}=e^{-\frac{D_{p_i,p_j}}{{\mathrm{\&sigma;}}_2}}$

$D_{p_i,p_j}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2+{(z_i-z_j)}^2}$

(x_i,y_i,z_i),(x_j,y_j,z_j)分别是点p_i和p_j的三维坐标，是指点p_i和p_j的欧式距离，这里表示的是如果点p_i和p_j分配的标签一致的话，代价为零，反之代价为

这里σ₂指的是点集P_b的空间分辨率，使用图割算法求得上述能量公式最小值的结果即将边界点分为两类，一类是道路边界点，另一类是非道路边界点。