留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种车载激光点云数据中道路自动提取方法

刘如飞 卢秀山 岳国伟 田茂义

刘如飞, 卢秀山, 岳国伟, 田茂义. 一种车载激光点云数据中道路自动提取方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(2): 250-256. doi: 10.13203/j.whugis20140959
引用本文: 刘如飞, 卢秀山, 岳国伟, 田茂义. 一种车载激光点云数据中道路自动提取方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(2): 250-256. doi: 10.13203/j.whugis20140959
LIU Rufei, LU Xiushan, YUE Guowei, TIAN Maoyi. An Automatic Extraction Method of Road from Vehicle-Borne Laser Scanning Point Clouds[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 250-256. doi: 10.13203/j.whugis20140959
Citation: LIU Rufei, LU Xiushan, YUE Guowei, TIAN Maoyi. An Automatic Extraction Method of Road from Vehicle-Borne Laser Scanning Point Clouds[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 250-256. doi: 10.13203/j.whugis20140959

一种车载激光点云数据中道路自动提取方法

doi: 10.13203/j.whugis20140959
基金项目: 

国家重大仪器设备开发专项 No.2013YQ120343

山东科技大学人才引进科研启动基金项目资助 No. 2016RCJJ004

详细信息
    作者简介:

    刘如飞,博士,讲师,主要研究方向为车载激光扫描数据处理、近景摄影测量、3S技术集成与应用。liurufei_2007@126.com

    通讯作者: 岳国伟,博士,讲师. E-mail:flashygw@163.com.
  • 中图分类号: P208;P237

An Automatic Extraction Method of Road from Vehicle-Borne Laser Scanning Point Clouds

Funds: 

The National Key Scientific Instrument and Equipment Development Projects No.2013YQ120343

Scientific Research Foundation of Shandong University of Science and Technology for Recruited Talents No. 2016RCJJ004

More Information
    Author Bio:

    LIU Rufei, PhD, specializes in mobile laser scanning data processing, aerial image processing and integration of 3S technology and application.liurufei_2007@126.com

    Corresponding author: YUE Guowei, PhD, lecturer. E-mail:flashygw@163.com.
图(10) / 表(2)
计量
  • 文章访问数:  2814
  • HTML全文浏览量:  128
  • PDF下载量:  1060
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-09-09
  • 刊出日期:  2017-02-05

一种车载激光点云数据中道路自动提取方法

doi: 10.13203/j.whugis20140959
    基金项目:

    国家重大仪器设备开发专项 No.2013YQ120343

    山东科技大学人才引进科研启动基金项目资助 No. 2016RCJJ004

    作者简介:

    刘如飞,博士,讲师,主要研究方向为车载激光扫描数据处理、近景摄影测量、3S技术集成与应用。liurufei_2007@126.com

    通讯作者: 岳国伟,博士,讲师. E-mail:flashygw@163.com.
  • 中图分类号: P208;P237

摘要: 针对车载移动测量系统数据采集特点,构建车载激光点云扫描线索引,提出了一种基于扫描线索引的道路路面与路边点云稳健分类法。首先通过分析扫描线上不同地物剖面的空间分布特征,进行剖面激光点生长聚类,形成完整的地物剖面目标点集;然后根据点集的几何特征因子判断点集类型;最后利用相邻多条扫描线上路边点分布规律进行去噪。对车载移动测量系统获取的两份点云数据进行实验,路面与路边提取的平均完整率分别为94.4%、86%,平均准确率分别为98.9%、99.1%。实验分析表明,该方法能有效减少粗糙路面点的错误分类,适应不同的道路路边条件,降低独立地物对路边提取的干扰。

English Abstract

刘如飞, 卢秀山, 岳国伟, 田茂义. 一种车载激光点云数据中道路自动提取方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(2): 250-256. doi: 10.13203/j.whugis20140959
引用本文: 刘如飞, 卢秀山, 岳国伟, 田茂义. 一种车载激光点云数据中道路自动提取方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(2): 250-256. doi: 10.13203/j.whugis20140959
LIU Rufei, LU Xiushan, YUE Guowei, TIAN Maoyi. An Automatic Extraction Method of Road from Vehicle-Borne Laser Scanning Point Clouds[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 250-256. doi: 10.13203/j.whugis20140959
Citation: LIU Rufei, LU Xiushan, YUE Guowei, TIAN Maoyi. An Automatic Extraction Method of Road from Vehicle-Borne Laser Scanning Point Clouds[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 250-256. doi: 10.13203/j.whugis20140959
  • 高精度、准确、现势性强的道路三维信息对于道路维护、交通管理、城市规划等具有重要的作用[1]。目前,基础道路信息主要通过传统人工测量方法获得,更新难度大,周期长,已经无法满足城市建设和管理的需求[2, 3]。车载移动测量系统作为一种先进的测量手段,具有快速、实时、动态、主动、高密度、高精度及不与测量物接触等特点[4, 5]。系统在不影响交通情况下能快速获取道路及两侧三维点云数据,但如何从不同道路环境的点云中快速、准确提取道路路面与路边点仍然是一个难点。

    现有研究中,文献[6]提出利用投影点密度进行距离图像分割,通过分析不同地物的投影点密度(DOPP)差异进行分类;文献[7]将点云生成具有高程信息的特征图像,利用扫描剖面方向上的高程和梯度差异提取路缘石点云;文献[8]提出利用点云空间特征向量进行聚类分析,通过计算法线方向和特征值进行人行道、路面、路边等分类;文献[9]通过检测地形表面小的高度跳跃点进行道路路缘石位置检测,分别对机载和车载的道路点云数据进行处理分析;文献[10]通过统计扫描线上点云高程直方图进行路面点云的提取;文献[11]利用聚类分析的方法先将离散的点云排列为扫描线,然后将每一条扫描线中近似的水平直线作为路面点云;文献[12]提出运用近似平面约束法、有序最小二乘坡度估计法和多尺度窗口迭代分析法进行高速公路初始路面种子点提取,然后基于局部坡度滤波方法提取所有的路面点;文献[13]

    提出基于扫描线进行多窗口移动滤波,主要考虑窗口点云的高度差异、扫描点密度以及累计坡度三个参数。目前车载点云数据中道路提取存在如下问题:① 车载移动测量系统记录的有效信息未被挖掘应用;② 基于格网的数据处理方法在格网化时,降低了数据精度和分辨率;③ 点云空间特征聚类计算量大,分类效率低;④ 扫描线分类法通常以扫描线相邻点高差或坡度阈值进行路面与路边提取,容易受到路面粗糙度、路缘石形状和其他独立地物的影响,受固定阈值影响大,提取的路边噪声点多,后续去噪难度大。

    实际道路环境中,道路路面情况复杂,不同道路的路面损坏情况差异大;路面车辆、行人干扰多;对于存在路缘石的路边,不同道路路缘石的高度、倾斜角度差异大;部分道路直接紧邻边沟或绿地,没有路缘石。本文通过研究道路路面与路边点云数据空间分布规律,引入空间数据统计分析中的主成分与聚类分析思想,设计了一种基于扫描线的移动动态窗口分类方法,实现不同道路环境下路面与路边自动提取。

    • 首先,根据车载移动测量系统记录的激光点反射角度建立双向扫描线索引;然后,依据扫描线上不同地物目标点云的空间分布特征,采用移动动态窗口分类法分类路面和路边点;最后,对路边点进行聚类去噪,保留真实路边点。数据处理流程如图 1

      图  1  数据处理流程图

      Figure 1.  Flow Chart of Data Processing

    • 车载移动测量系统在数据采集过程中记录了激光点的扫描角度、扫描时间等信息,根据相邻两个扫描点的时间差或角度差可以将原始离散点云数据分割为一系列按照时间排序的扫描线,文献[13]对扫描线索引生成做了详细描述,在此基础上,建立适合本文算法的双向扫描线索引。具体流程如下。

      1) 根据式(1)计算相邻两个扫描点的角度差,设置扫描仪扫描角度范围的1/2作为分割阈值Δθ,把原始数据中的扫描点分割为一系列按照时间排序的二维扫描线,扫描线上的激光点按照角度大小顺序排列。

      $$({{\theta }_{n+1}}-{{\theta }_{n}})>\Delta \theta $$ (1)

      式中,θnθn+1为相邻激光点的扫描角度值; Δθ为分割阈值。

      2) 根据扫描仪的安装位置,确定测量车行驶轨迹位置的激光点扫描角度,本文称之为“角度分割点”,由于该点可能为噪声点,需要根据扫描仪到路面实际距离判断是否为路面点,如果为噪声点,继续判断该点的相邻点,直到搜索到路面点,作为角度分割点。如图 2所示,将每条扫描线从角度分割点分开,建立双向扫描线索引。

      图  2  双向扫描线索引示意图

      Figure 2.  Diagram of Two Direction Scan Line Index

      进一步分析发现,单条和相邻多条扫描线上激光点云分布具有连续性和空间一致性,分布特征如下。

      1) 单条扫描线上,平滑路面上相邻点高程稳定,高差较小,水平投影距离从中间向两侧逐渐增加;对于粗糙路面,相邻点高差变化大,坡度不稳定;路缘石、台阶及其他立面地物激光点(如汽车侧面)的高程变化大,相邻点水平投影距离小;

      2) 相邻扫描线上相同角度激光点若为同一规则地物上的点,则激光点的高程和距离角度分割点水平距离均相近;不规则地物或不同地物对象表面点的高程与水平距离变化较大。

    • 道路路面粗糙度、路缘石高度与倾斜角度均不同,地物环境差异大,传统基于扫描线的分类方法通常仅考虑了扫描线上相邻点空间关系,本文引入面向对象分类思想,通过判断地物对象聚类点集合的类型实现点云分类。算法首先根据扫描线上相邻点空间关系进行激光点生长聚类,形成完整的地物目标点集窗口;然后,根据窗口内点集的几何特征因子判断点集类型(路面点、路边点或独立地物点);按照双向扫描线索引从角度分割点向两侧进行移动动态窗口分类,直到发现非路面点;最后,根据行驶方向上路边点空间分布关系,采用扫描角度与距离一致性原则进行去噪。

    • 点集合聚类生长因子包括相邻点高差和相邻点水平距离因子。道路路面与路边环境主要包括路面、路缘石(一般高度为10~20 cm)、绿地和独立地物(垃圾桶、广告牌和汽车等),由于扫描距离和角度差异,扫描线上不同目标的完整点集合数量不同,即需要通过聚类生长动态调整窗口大小。如图 3,待生长点坐标为Pk(xk,yk,zk),角度分割点P0(x0,y0,z0),相邻点高差hk=Zk-Zk-1,水平距离${{d}_{k}}=\sqrt{{{\left( {{x}_{k}}-{{x}_{k-1}} \right)}^{2}}+{{\left( {{y}_{k}}-{{y}_{k-1}} \right)}^{2}}}$。

      图  3  扫描线点生长示意图

      Figure 3.  Diagram of Point Growth of Scanning Line

      1) 聚类生长参数估计。将扫描线上不同目标剖面点云抽象为水平、倾斜、垂直和不规则4种基础形态。如图 3所示,根据扫描仪的角度分辨率a、目标点距离角度分割点的距离Sk和扫描仪高度Hscan,估算扫描线上目标点Pk位置的相邻点的最大水平投影距离Dk和最大垂直立面高差Hk;根据几何关系分析,倾斜形态位置的相邻点水平投影距离小于Dk,高差小于Hk;不规则形态位置则与DkHk偏差较大。以角度分割点向两侧一定范围内相邻点的高差均值表示路面粗糙度HR。本文设定目标点集窗口初始为3个点。计算初始窗口内相邻点最大高差Δh=max(Z1-Z2Z2-Z3),窗口水平投影距离$\Delta d=\sqrt{{{\left( {{x}_{3}}-{{x}_{1}} \right)}^{2}}+{{\left( {{y}_{3}}-{{y}_{1}} \right)}^{2}}}$。

      2) 点集合生长。

      (1) 当初始窗口内高差Δh小于路面粗糙度HR,且窗口水平距离Δd与2Dk相近,不需要点生长,直接以初始3个点作为目标点集合;

      (2) 当满足式(2)时,即Δh大于HR且小于2HR,窗口水平距离Δd与2Dk相近,判定为疑似粗糙路面点,需要进行扫描点聚类生长。当生长到图 3中虚线框A位置时,待生长点PkPk-1满足式(3),即高差hk稳定且较小,距离dkDk相近,则停止生长;

      $$\left\{ \begin{array}{*{35}{l}} \Delta h>{{H}_{R}},\Delta h<2{{H}_{R}} \\ \Delta d\cong 2{{D}_{k}}~ \\ \end{array} \right.$$ (2)
      $$\left\{ \begin{array}{*{35}{l}} {{h}_{k}}\cong {{h}_{k-1}},{{h}_{k}}<{{H}_{R}} \\ {{d}_{k}}\cong {{D}_{k}} \\ \end{array} \right.$$ (3)

      3) 对于路缘石或独立地物,虽然不同道路路缘石的高度形状差异较大,但均与路面存在明显高差,路缘石的顶部较平坦。即当满足Δh大于2HR,窗口水平距离Δd小于2Dk,需要进行扫描点聚类生长,当生长到图 3中虚线框B位置时(即路缘石情况),若待生长点PkPk-1满足式(3),则停止生长;否则继续生长直到hk大于Hk,距离dk大于Dk

      4) 对于其他无路缘石路边点(如绿地、边沟),当相邻点高差hk变化较大或者距离dk相差较大时,即满足式(4),停止生长。

      (4)
    • 在窗口点集生长完成之后,根据窗口点集的高度差异、水平投影距离两种几何特征因子确定点集类型。

      1) 窗口高程差异因子

      扫描线上路面、路缘石、绿地和立面地物的窗口高差存在明显不同,如图 4所示。当窗口移动到P2P4点时,路面点高差小于绿地点;点生长后,两者小于路缘石和立面地物高差;为进一步区分路缘石和立面地物,进行点生长,其中粉色线P3P5为路缘石侧面点,当生长到P7时,从图中发现两者的窗口高差发生变化,当将窗口生长至P8时,差值更大。依据这一规律,即可分类出路缘石点。

      图  4  扫描线不同地物剖面点高程分布

      Figure 4.  Elevation Distribution of Different Object Profile Points

      2) 窗口水平投影距离因子

      图 5为扫描线上相邻两点的水平投影距离变化情况,蓝色线为路面点P1P8的相邻点水平投影距离,随着与角度分割点距离的增加,相邻点水平距离也逐步增加;绿色线为绿地表面,水平投影距离波动变化;红色与黄色线上,P2点为路缘石或地物立面上的底部边缘点,P2P3水平投影距离变小,当到P6P7时,由于路缘石上面通常为人行道或草地地面,其水平投影距离差值将明显大于立面地物。

      图  5  扫描线不同地物剖面点水平投影距离分布

      Figure 5.  Horizontal Distance Distribution of Different Object Profile Points

    • 窗口移动判断过程如图 6所示。由窗口点集类型确定窗口内第一点Pk是否为路面点,若为路面点则移动窗口,从Pk+1开始构建新的窗口,重复上述过程。当检测到粗糙度大的路面点,如图中紫色点,需按条件进行点生长聚类和几何特征因子判断,若为路面点则继续移动窗口直到检测到非路面点,根据两种几何特征因子进一步判定是路缘石点、绿地边缘点或立面地物点等,保留路缘石和绿地位置边界点。

      图  6  窗口移动示意图

      Figure 6.  Diagram of Window Moving

      根据窗口高差与水平投影距离因子确定分类准则:路面点符合式(5);路缘石路边点符合式(6);绿地路边点符合式(7)。

      $$\left\{ \begin{array}{*{35}{l}} {{h}_{w}}\le 2{{H}_{R}} \\ {{d}_{w}}\cong \left( n-1 \right){{D}_{k}} \\ \end{array} \right.$$ (5)
      $$\left\{ {{h}_{w}}\cong \frac{\left( n-1 \right)}{2}2{{H}_{k}}~{{d}_{w}}<\frac{\left( n-1 \right)}{2} \right.{{D}_{k}}$$ (6)
      $$\left\{ \begin{array}{*{35}{l}} 2{{H}_{R}}<{{h}_{w}}<\frac{\left( n-1 \right)}{2}{{D}_{k}} \\ \frac{\left( n-1 \right)}{2}{{D}_{k}}<{{d}_{w}}<\left( n-1 \right){{D}_{k}} \\ \end{array} \right.$$ (7)

      式(5)~式(7)中,hw为窗口高差,dw为窗口水平投影距离,n为窗口点数,Dk为相邻点的水平投影距离,Hk为相邻点立面投影高差,HR为路面粗糙度。

    • 经过上述算法处理,大部分属于栏杆、墙、汽车的伪路边点在初次分类中被去除,但还会包含少量离散分布的伪路边点。如图 7,根据相邻多条扫描线的路边点分布特征设定3个聚类因子:行驶方向相邻两个路边点的水平投影距离D,扫描角度θ,角度分割点的水平距离S。依据θS一致性和距离D较小原则进行路边点聚类,通过判断聚类点集特征去噪,步骤如下。

      图  7  路边点去噪

      Figure 7.  Roadside Point Devoicing

      1) 计算聚类因子。根据扫描线索引,获得每一条扫描线的角度分割点和疑似路边点,计算相邻路边点的θS的差值,同时计算两点之间的水平投影距离D;

      2) 路边点聚类。根据扫描频率和行驶速度确定扫描线间距Dline,若两个点的θS差值较小,D小于2×Dline,则归为一组连续路边点,继续判断下一个点;当角度差值大于Δθ,距离差值大于ΔS,或者D大于阈值时停止聚类。根据一般道路弯道设计要求确定Δθ和ΔS。然后以停止的路边点为起点,开始新的点聚类生长;

      3) 去噪。确定聚类点集路边长度阈值Lline,根据Lline=Dline*(num-1)计算点集数量阈值num;由于非路边点集的点数较少,当点集数量小于阈值num时去除。

    • 本文利用C++实现了§1中算法,采用车载移动测量系统提供的两处比较典型的道路点云数据进行实验,路段1为城市主干道,路面点云密度300个/m2,道路长度1.5 km,宽度12 m,包含大型公交车、轿车、行人等大量干扰目标,路面较平整,路缘石分布规则。路段2为高速公路,路面点云密度200个/m2,道路长度2 km,宽度15 m,路面粗糙,行驶方向左侧为倾斜路缘石,右侧路边位置为绿地和边沟。两段道路剖面形态如图 8所示。

      图  8  路段1与路段2道路剖面

      Figure 8.  Road Profile of Road One and Road Two

    • 实验中激光扫描仪的扫描点角度分辨率为0.5°,角度范围为-5°~185°,根据扫描仪安装位置,确定双向扫描线的分割角度为90°,生成左右两侧以角度分割点为起点的双向扫描线索引。在数据处理时,根据§1.2.1 聚类生长参数估计方法,自动计算每条扫描线路面粗造度阈值HR和每个激光点对应的理论DkHk

      路段1为街区主干道,路缘石高度小于0.2 m,路面从中间到两边相邻点水平距离Dk从0.035 m逐渐增加到0.15 m。计算扫描线上路边位置点的DkHk阈值约为0.15 m和0.04 m,路面粗糙度HR约为0.03 m。由于路面较平整,路缘石分布规则,以式(3)作为点集合聚类判断条件,以式(6)识别路边点。在路边点去噪时,设置扫描角度差值为1.5°和距离差值为0.1 m,点集长度阈值为1m,扫描线间距0.08 m,确定点集数量阈值num为12。

      路段2为高速公路,左侧路缘石与路面呈60°夹角,高度小于0.15 m,路面从中间到两边相邻点水平投影距离Dk从0.035 m逐渐增加到0.2 m,计算路边位置点的DkHk阈值分别约为0.2 m和0.06 m,路面粗糙度HR约为0.04 m。由于路面粗糙,右侧路边无路缘石,以式(4)作为点集合聚类判断条件,以式(7)识别路边点。在路边点聚类去噪时,设置扫描角度差值为1.5°和距离差值为0.2 m,点集长度阈值为2 m,扫描线间距0.1 m,确定点集数量阈值num为20。

      实验分析中将路边点、路面点和原始数据进行叠加显示。同时与扫描线高差斜率法(设置扫描线上相邻点的高差阈值为0.05,斜率阈值为1)提取结果进行对比。

      图 9为主干道路面、路边结果与原始数据叠合显示及与高差斜率法对比图。在初次分类后,采用相同的路边聚类去噪方法处理。由于路边停放多辆公交车和小轿车,导致路缘石部分遮挡较严重。通过与高差斜率法提取的结果进行目视对比,发现本文方法能有效去除路面上不同干扰目标粗差点,保留准确的路边点,以图 9(1)与图 9(A)对比为例,本方法能有效去除路边整齐排列的多辆公交车侧面底部干扰点,而传统方法在初次滤波时未能去除连续规则分布的干扰点,在后期去噪时,由于公交车侧面底部干扰点集形态符合路边条件,无法有效去除。

      图  9  路段1结果与高差斜率法对比显示

      Figure 9.  Result Display and Comparison with the Elevation and Slope Method of Road One

      图 9中的红色虚线框内存在路边点错误分类,这主要是因为此处路面车辆处于与测量车并行的运动状态或位于情况较复杂的路口交汇处,地物粗差点形态与实际路缘石较相似,根据几何特征因子不易判断,从图中可以看出一般此类粗差点集较小,可在路边去噪时适当增大路边长度阈值进行过滤。

      图 10为高速公路路面、路边分类结果与地面数据叠合显示,同时与高差斜率法进行对比。为直观体现算法在倾斜路缘石和绿地边缘位置的分类效果,路边初次分类结果未进行去噪处理。图 10(1)、图 10(2)为局部放大图,两侧不同条件下提取的路边轮廓比较清晰,由于路右侧为绿地,路边点排列没有左侧路缘石路边整齐,同时由于路边部分绿地较平整,造成一些绿地点错误分类为路面点。通过与高差斜率法提取的相应结果图 10(A)、图 10(B)进行目视对比,发现本文方法能较好地适应不同粗糙度的路面,能够搜索不同路缘石形状或绿地相邻的路边点。以图 10(1)与图 10(A)对比为例,由于道路路面粗糙,相邻两点的高差与斜率不稳定,出现随机跳跃,若只采用单一高程或斜率阈值难以提取完整路面点。

      图  10  路段2结果与高差斜率法对比显示

      Figure 10.  Result Display and Comparison with the Elevation and Slope Method of Road Two

    • 在实验中,借鉴文献[13]的评估方法,对算法提取路面与路边的数据质量进行评估,主要包括完整率分析和准确率分析。

      路面完整率(PIR)定义为CP/RP100%,RP表示实际路面面积,CP表示正确提取的路面面积;路边完整率(SIR)定义为CS/RS100% ,RS表示实际路边长度,CS表示正确提取的路边长度。通过人工测量获得实际路面面积和路边长度。

      路面准确率(PAR)定义为TP/(TP+FP)100%,粗差率(PER)定义为FP/(TP+FP)100%,其中TP表示提取正确的路面点面积,FP表示路面粗差点面积。路边准确率(SAR)定义为TS/(TS+FS)100%,粗差率(SER)定义为FS/(TS+FS)100%,其中TS表示提取正确的路边点长度,FS表示路边粗差点长度。

      通过两份激光扫描点云数据进行实验,路段1共40余辆车,其中25辆公交车,其路面与路边完整率大于91.2%、81.3%,准确率大于99.5%、99.7%;路段2的路边由倾斜路缘石和绿地构成,本文方法提取了更加完整的路面与路边,完整率达到97.5%、90.6%,由于路段1路面车辆较多,造成路面和路边完整率降低。与扫描线高差斜率法相比,本文方法有效降低车辆、行人、植被等干扰物影响,能够较好地适应不同道路环境,路边提取准确率有明显提高,达到98.5%以上,粗差率显著降低;路面提取准确率达到98%以上,粗差率降低。

      表 1  路面与路边完整率分析

      Table 1.  Integrity Rate Analysis of Pavement and Side

      路段 路面 路边
      RP/m2 CP/m2 PIR/% RS/m CS/m SIR/%
      路段1 17 555.9 16 007.6 91.2 2 499.1 2 032.2 81.3
      路段2 20 015.3 19 507.4 97.5 4 009.4 3 632.6 90.6

      表 2  路面与路边准确率分析与对比

      Table 2.  Accuracy Analysis and Comparison of Pavement and Side

      处理算法 路面 路边
      TP/m2 FP/m2 PAR/% PER/% TS/m FS/m SAR/% SER/%
      高差斜率法 路段1 16 039.3 186.6 98.8 1.2 2 057.7 186.9 91.7 8.3
      路段2 17 554.3 362.5 98.0 2.0 3 045.5 256.3 92.2 7.8
      本文方法 路段1 16 007.6 81.6 99.5 0.5 2 032.2 5.6 99.7 0.3
      路段2 19 507.4 340.5 98.3 1.7 3 632.6 54.6 98.5 1.5
    • 本文以车载激光扫描点云数据为研究对象,提出一种不同道路环境下的路面与路边点云数据自动提取方法,算法主要参数均通过实时计算获得,具有较高的自适应能力。在两份实验数据中,分别将路面、路边分类点云与原始点云进行叠加显示,定性评价提取结果的准确性;定量评价路面提取平均完整率和准确率分别为94.4%和98.9%,路边分别为86%和99.1%。实验结果表明,无论从定性还是定量指标评价,本文方法能够从不同道路环境的车载激光点云数据中提取出路面及路边点,解决了传统方法难以处理不同路面粗造度和不同路边条件下的道路点云分类提取问题。

参考文献 (13)

目录

    /

    返回文章
    返回