利用机载LiDAR点云数据提取城区道路

彭检贵，马洪超，高 广，赵亮亮

(武汉大学遥感信息工程学院，湖北武汉430079)

利用机载LiDAR点云数据提取城区道路

彭检贵，马洪超，高 广，赵亮亮

(武汉大学遥感信息工程学院，湖北武汉430079)

提出一种从机载LiDAR点云中提取城区道路的方法。首先，利用机载LiDAR点云的高程和强度属性，对末次回波点云进行去噪、滤波和分类后获取初始道路点云;然后使用基于边长和面积阈值的约束Delaunay不规则三角网方法精化初始道路点云;最后采用α-Shapes方法从精化后的道路点集中提取道路轮廓，并用数学形态学细化方法提取道路中心线。试验结果表明，该方法提取的城区道路正确率和完整性较高。

机载LiDAR;点云;道路提取;约束Delaunay不规则三角网;α-Shapes

一、引 言

道路是城市的主要基础设施，道路信息的快速获取与更新对于数字城市的建设具有重要意义。20世纪70年代以来，国内外学者展开了基于遥感影像数据的道路提取研究，提出了多种半自动和自动提取方法，取得了一定的研究成果，但仍无法满足现实需要，主要表现在：① 基于中低分辨率影像数据的道路提取结果较好，而基于高分辨数据的道路提取结果不理想;②以半自动方法为主，自动化程度不高［1］。

机载LiDAR技术的发展为道路特征的快速获取提供了新的技术手段。机载LiDAR系统是通过发射和接收激光脉冲来获取地表目标高精度、大密度的三维坐标点云，并且发射的激光束具有一定的植被穿透能力，能获取多次回波数据和目标强度信息。同时，点云的强度信息具有一定的可分性，可以实现地面材料的分类［2］，有助于探测城区道路。因此，LiDAR点云数据正成为道路特征提取的新数据源。目前，从机载LiDAR点云数据中提取并重建道路特征正逐渐成为研究热点，国内外学者已提出多种基于机载LiDAR点云提取道路特征的方法：文献［3］利用高分辨率LiDAR点云数据提取森林地区道路;文献［4］利用LiDAR点云高程和强度信息分类道路点，同时考虑了点云的局部密度，采用相位编码圆盘(PCD)方法获取道路中心线及宽度;文献［5］联合高分辨率数字影像和LiDAR点云提取道路网，该方法首先结合点云高程和强度信息提取道路区域，然后利用正射影像区分露天广场与草地、树木，通过迭代Hough变化检测规则格网形式的道路网;文献［7-8］也提出了基于机载LiDAR点云的道路提取方法，但点云数据存在离散性、缺乏光谱信息及环境的复杂性导致道路提取成果有限，总体上仍处于起步阶段。本文在分析机载LiDAR数据中道路特征后提出一种顾及道路几何特征的城区道路提取方法。试验表明，该方法能较好地提取城区道路。

二、原理与方法

1.基本原理

在机载LiDAR点云数据中，城市道路点云具有以下特征：①道路点云高程与地面接近，但低于周围地物，如建筑物、树木等;②道路材质一般为沥青或混凝土，其强度特征明显区别于植被、裸露地面等;③在几何形状上，道路点云呈条带状分布并彼此连通;④在回波特点上，道路点云都为末次回波点。基于道路点云的上述特征，本文首先利用点云的高程信息，采用滤波方法将末次回波点云分为地面点云与非地面点云;然后利用点云强度属性将地面点云分类为初始道路点云和其他地面点云;最后根据道路的几何特性，采用基于边长和面积约束的Delaunay不规则三角网(constrained delaunay triangulated irregular network，CD-TIN)方法精化道路点云，并引入二维α-Shapes方法和数学形态学细化方法提取道路轮廓和中心线。具体算法流程如图1所示。

图1 算法流程

2.初始道路点云获取

(1)末次原始点云去噪和滤波

原始点云中常存在少量高程极低的“噪声”点，而极低点的存在会影响滤波处理时初始地面点的选择。因此，在进行滤波分类处理前须去除极低点。所采取的方法是：若某点或某几个点在给定的搜索半径内，其高程比其他所有点的高程都小，且它们间的最小高差大于给定阈值Hmax，则认定为极低点并删除。

由于渐进加密不规则三角网(TIN)滤波算法［9］在城区和森林地区有良好的适用性，采用该算法对去除“噪声”后的点云进行滤波处理，将原始点云分为地面点云和非地面点云两类。

(2)基于强度属性的初始道路点云分类

基于高程的滤波算法无法将高程与道路接近的其他目标分开，因此滤波后的地面点云中仍包含道路点云和其他地物点云，需要利用它们的回波强度属性进行区分。而植被和裸露地面的回波强度大于沥青表面和混凝土表面［10］，据此可将道路区分开来。

设地面点集为S，均匀选取若干道路区域样本点集{S1，S2，…，Sn}，统计每个样本区域的强度值范围为{(Imin1，Imax1)，(Imin2，Imax2)，…，(Iminn，Imaxn)}，则整个区域的道路点云强度范围可表示为

基于上述条件的初始道路点集Sroad，可定义为

式中，Ipk为点集Sroad中任意一点pk的强度值;Imax和Imin分别为经过统计得到的道路强度阈值最大值和最小值。将满足式(1)的点云存储在点集Sroad中，剔除其他不满足条件的点云。

3.初始道路点云精化

因部分地物在高程和材质上与道路接近，以及强度噪声的影响，初始道路点集Sroad中仍存在部分非道路点云，非道路点云的存在会干扰道路特征提取，需对初始道路点云作精化处理。基于点集Sroad中点云密度特征及道路的连通性，本文提出基于边长和面积约束的CD-TIN方法精化初始道路点云。

在初始道路点云中，真实道路区域点云密度远大于非道路目标区域。由初始道路点云构成的非约束Delaunay TIN(以下简称D-TIN)中，真实道路区域点云构成的三角形边长小于非道路区域点云构成的三角形边长，据此可引入边长约束条件将初始道路点云构成的D-TIN分割成多个CD-TIN和若干离散点。道路的连通性决定了由道路点云构成的CD-TIN比其他非道路点云构成的CD-TIN的面积大。因此，通过设定合适的面积阈值可剔除非道路区域。具体过程为：①用逐点插入法构建初始道路点云D-TIN(如图2(a)所示);② 设定边长阈值构建CD-TIN，则D-TIN被分割成若干孤立的CDTIN和离散点(如图2(b)所示);③剔除离散点，并设定面积阈值，删除面积小于阈值的CD-TIN及其点云。经过上述过程，初始道路点集Sroad的绝大部分非道路目标点云得以去除，记精化后的道路点集为S'road。

图2 CD-TIN的构建

4.道路轮廓及中心线提取

精化后的道路点云是离散的，需从这些离散点云中提取出道路轮廓和中心线。常用的方法是将道路点云内插为二值影像，再从影像中提取轮廓和中心线，但经过内插处理的影像会降低提取结果的精度。因此，从离散的道路点云中直接获取道路边缘线是一种更优的方法。本文引入基于二维的α-Shapes算法提取道路轮廓，α-Shapes算法可以从离散点集中提取边缘，同时适用于凸凹多边形内外轮廓线的提取［11］。它的基本原理可通过图3阐述：假设一有限无序点集S由多个子集组成，各子集内部点间距基本一致并小于子集之间的离散距离，则可想象成一个半径为α的圆在各子集外滚动，当α适当时，这个圆就不会滚到各子集内部，其滚动的痕迹就是各个子集的边界线。

图3 α-Shapes提取边界原理示意图

对于道路点集S'road，设置合适的半径α，从点集中任意两点P1、P2开始绘制半径为α的圆，若该圆内没有其他点，则认为点P1、P2是边界点，其连线P1P2是边界线段。对所有点判断完后，道路的边缘点和轮廓线即被跟踪出来。其中，α值可结合道路区域的点密度设置，而一般情况下，α值大于平均点距且小于两倍平均点距时可获得较好的结果。须指出的是，S'road中部分非道路点的存在使得跟踪结果中存在部分长度较小的非道路轮廓，设置合适的长度阈值即可去除该线段。至此，即获得了比较准确的道路轮廓矢量。对由道路轮廓矢量包围的区域进行栅格化，用数学形态学细化算法即可提取出道路中心线。

三、试验及分析

为了考察算法的可行性，在VC++环境下实现了该算法。试验中的数据采集于国外某城市城市中心区，地形平坦，建筑物和道路密集，原始点云数据包含652 969个点，平均密度约为6.5点/m2，影像数据是分辨率为0.08 m的DMC影像，如图4所示。

图4 试验数据

该算法中各个步骤和所获得的结果如下：

1)设置高差阈值为0.3 m去除噪声点，设置渐进加密三角网滤波算法中的建筑物参数最大边长为60 m，最大地形坡度为50°。结果如图5(a)所示，灰色区域为地面点云，白色区域为非地面点云。

2)均匀采集6个道路区域样本的强度值，经统计得到道路区域点云的强度值范围为0～69，将满足该强度范围值的点云划分为初始道路点，结果如图5(b)所示。

3)以候选道路点构建TIN，设置边长阈值为3 m，将TIN分割为多个孤立的CD-TIN和离散点。设置面积阈值为50 m2，删除面积小于该值的孤立CD-TIN和离散点，精化后结果如图5(c)所示。

4)设置α值为1.6 m，利用α-shapes方法提取点集中的所有轮廓边缘，并设置长度阈值为20 m去除非道路轮廓线，结果如图5(d)所示。利用数学形态学细化算法提取的道路中心线结果如图5(e)所示。

图5 试验结果

为评价算法的准确性，手工分类道路点云作为评价参考，得到道路点云数为125 116个，用本文方法分类得到道路点云113 879个，其中重叠点数为104 123个，即正确率(重叠点数/手工分类点数)为83.22%;将道路点错分为非道路点数为20 993个，错误率(错分道路点数/手工分类点数，记为I1)为16.78%;将非道路点错分为道路点数为9756个，错误率(错分非道路点/手工分类点数，记为 I2)为7.79%。I1产生的原因主要是道路斑马线和分道线上的点云强度值较大，在用强度信息分类时，这些点被当做非道路点处理，但由于点云密度很大，对于轮廓提取的完整性影响不大;I2产生的原因是与道路相连的部分停车场、广场与路面的材质一致，强度值接近，不易区分，使得最终提取的道路轮廓部分区域宽度不一致，图5(d)中部分区域轮廓宽度不一致反映了该类误差的影响。

从图5(d)、图5(e)中可看出，本文算法能正确提取绝大部分道路特征，而且所提取的道路特征具有较高的完整性，即使在有植被覆盖区域，所提取的道路线也很少出现中断现象。

图5(f)是采用文献［4］的方法获取道路点后提取的道路轮廓与影像叠加结果。与本文方法获取结果(如图5(d)所示)对比可明显看出，该方法提取的道路特征碎片较多，道路有较多中断，轮廓与影像中道路实际边界相差较大。而本文方法提取的道路轮廓碎片少，完整度高，能与道路实际边缘较好套合，这是因为本文采用的CD-TIN精化道路点云的方法顾及了道路的几何特征，有效去除了非道路目标点，提高了道路点云的分类精度，以及道路的正确率和完整率;同时，采用了α-shapes算法直接基于道路点云提取道路轮廓，使得道路轮廓线与实际道路边界比较吻合。

四、结束语

本文提出了一种基于机载LiDAR点云提取城区道路的方法，该方法充分利用机载LiDAR点云的高程和强度属性获取候选道路点，并顾及道路的几何属性提出一种基于边长和面积约束的CD-TIN方法精化道路点;然后引入α-shapes算法和形态学细化方法直接从道路点云中提取道路轮廓和中心线。试验表明，该方法提取的道路轮廓和中心线正确率和完整性都较高，具有较大的实用性。另外，该方法也存在着一些不足：点云强度值的确定需要采集样本，相关参数的设定采用的是经验值，如何自适应提取道路是今后需要进一步研究的问题。与影像结合提取更精确、完整的道路也是未来的研究目标。

［1］ 史文中，朱长青，王昱.从遥感影像提取道路特征的方法综述与展望［J］.测绘学报，2001，30(3)：257-262.

［2］ SONG J H，HAN S H，YU K Y，et al.Assessing the Possibility of Land-cover Classification Using LiDAR Intensity Data［C］∥Proceedings of the ISPRS Technical Commission III Symposium.Graz，Austria：［s.n.］，2002.

［3］ RIEGER W，KERSCHNER M，REITER T，et al.Roads and Buildings from Laser Scanner Data within a Forest Enterprise［C］∥International Archives of Photogrammetry and Remote Sensing.Lajolla：［s.n.］，1999：185-191.

［4］ CLODE S，ROTTENSTEINER F，KOOTSOOKOS P，et al.Detection and Vectorization of Roads from Lidar Data［J］.Photogrammetric Engineering and Remote Sensing，2007，73(5)：517-535.

［5］ HU Xiangyun，TAO C V，HU Yong.Automatic Road Extraction from Dense Urban Area by Integrated Processing of High Resolution Imagery and LiDAR Data［J］.International Archives of Photogrammetry，Remote Sensing and Spatial Information Science，2004，XXXV：288-292.

［6］ LI J，LEE H J，CHO G S.Parallel Algorithm for Road Points Extraction from Massive LiDAR Data［C］∥Proceedings of IEEE International Symposium on Parallel and Distributed Processing with Applications.Washington DC：IEEE Computer Society，2008：308-315.

［7］ 龚亮，张永生，李正国，等.基于强度信息聚类的机载LiDAR点云道路提取［J］.测绘通报，2011(9)：15-24.

［8］ BOYKO A，FUNKHOUSER T.Extracting Roads from Dense Point Clouds in Large Scale Urban Environment［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2011，66(5)：S2-S12.

［9］ AXELSSON P E.DEM Generation from Laser Scanner Data Using Adaptive TIN Models［J］.International Archive of Photogrammetry and Remote Sensing，2000，XXXIII(B4)：110-117.

［10］ 刘经南，张小红.利用激光强度信息分类激光扫描测高数据［J］.武汉大学学报：信息科学版，2005，30(3)：189-193.

［11］ NATARAJ A，HERBERT E，MICHAEL F，et al.Alpha Shapes：Definition and Software［EB/OL］.［2012-06-11］.http：∥www.geom.uiuc.edu/software/cglist/ GeomDir/shapes95def/index.html.

Road Extraction from Airborne LiDAR Point Clouds Data in Urban Area

PENG Jiangui，MA Hongchao，GAO Guang，ZHAO Liangliang

0494-0911(2012)09-0016-04

P237

B

2012-06-11

国家973计划(2009CB72400704);国家自然科学基金(41001257);国家863计划(2009AA12Z107);中央高校基本科研业务费专项基金(20102130101000130)

彭检贵(1980—)，男，湖南平江人，博士生，主要研究方向为机载LiDAR数据处理与分析。