EN中文

热带地理 >

2020 , Vol. 40 >Issue 5: 893 - 902

DOI: https://doi.org/10.13284/j.cnki.rddl.003263

论文

基于三维激光点云的复杂道路场景杆状交通设施语义分类

  • 汤涌 , 1 ,
  • 项铮 2 ,
  • 蒋腾平 3
展开
  • 1. 速度时空信息科技股份有限公司，南京 210000
  • 2. 南京国图信息产业有限公司，南京 210000
  • 3. 江苏省地理信息资源开发与利用协同创新中心，南京 210023

汤涌（1990—），男，安徽芜湖人，工程师，主要研究方向为三维激光点云数据处理，（E-mail）。

收稿日期: 2020-03-08

  修回日期: 2020-04-19

  网络出版日期: 2020-10-10

基金资助

江苏省研究生科研与实践创新计划项目(KYCX18_1206)

收起

Semantic Classification of Pole-Like Traffic Facilities in Complex Road Scenes Based on LiDAR Point Cloud

  • Yong Tang , 1 ,
  • Zheng Xiang 2 ,
  • Tengping Jiang 3
Expand
  • 1. Speed Space-Time Information Technology Co. , Ltd. , Nanjing 210000, China
  • 2. Nanjing Guotu Information Industry Co. , Ltd. , Nanjing 210000, China
  • 3. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China

Received date: 2020-03-08

  Revised date: 2020-04-19

  Online published: 2020-10-10

Fold

本文亮点

文章提出一种完整的全自动化处理框架，基于三维激光点云数据对高速公路和城市道路场景的杆状目标进行了检测和分类，主要包括3个步骤：数据预处理、杆状目标检测和分类。其中，在数据预处理阶段，采用基于布料模拟滤波算法自动分离地面点和非地面点，然后基于欧氏距离聚类方法对非地面点进行快速聚类，以及采用迭代图割算法进一步分割目标对象；在目标检测阶段，集成先验信息、形状信息和位置导向搭建滤波器，对杆状目标进行检测；在对象分类过程中基于多属性特征，利用随机森林分类器对目标的特征进行计算和分类。并使用3个道路场景数据集进行测试，结果显示，3个数据集的整体MCC系数为95.6%，分类准确率为96.1%。这说明文章所构建方法具有较高性能。另外，该方法还可以鲁棒地检测杆状目标的重叠区域，较为适应复杂程度不同的道路场景。

本文引用格式

汤涌 , 项铮 , 蒋腾平 . 基于三维激光点云的复杂道路场景杆状交通设施语义分类[J]. 热带地理, 2020 , 40(5) : 893 -902 . DOI: 10.13284/j.cnki.rddl.003263

Highlights

Pole-like objects are commonly occurring features on roads, and their identification in photographs is essential to the management and mapping of road information. In particular, mobile laser scanning systems comprise one of the most accurate and efficient techniques to gather road-related geospatial information. The automatic detection and classification of pole-like objects based on the point cloud data gathered by such systems enable significant reduction in costs and improvement in efficiency of mapping functions. This paper proposes a complete, fully automated processing framework that detects and classifies pole-like objects appearing in images of highways and urban streets based on the associated point cloud data. The primary workflow of the framework includes three steps: data preprocessing, detection, and classification of pole-like objects. During data preprocessing, an advanced filtration algorithm is used to automatically separate ground points from non-ground points. Subsequently, the non-ground points are clustered and overlapping clusters are further separated via a collaborative iterative graph cutting algorithm. During object detection, all available information, including shape information and position guidance, are integrated to detect pole-like objects. During object classification, the multiple aggregation levels of features and the contextual features corresponding to each object are calculated and transmitted into a random forest classifier to classify the detected pole-like structures. The proposed method was tested on three road scene datasets. The overall MCC coefficient corresponding to all three datasets was observed to be 95.6% during detection, and the overall classification accuracy corresponding to the three datasets was 96.1% during classification. Further, comparative experiments with respect to existing techniques were conducted, and the results demonstrated that the proposed method significantly improves the recognition of road facilities.

在道路基础设施中，包括路灯、电线杆和交通标志杆等在内的杆状设施极其重要，它们具备夜间照明、电力输送和引导行人、车辆的功能。因此在道路信息管理中，杆状目标信息必不可少。对于大规模的杆状目标数据，通过人工目测的传统方法效率低且成本高昂。为减少人工检查次数，并且能够自动获取杆状目标信息，部分研究人员采用基于影像的杆状道路目标提取方法，但是光学系统图像缺乏深度信息，难以获取地理信息位置，而且容易受光照、噪声和遮挡等的影响，因此基于影像的杆状目标识别有着一定局限性。
相比于传统被动式的光学成像系统，车载移动激光扫描系统能够有效快速地获取高分辨率、高精度城市三维点的几何属性信息等，并且由于采用主动式激光测量方式，数据的采集不会受光照条件的影响且在白天或夜晚均可以进行数据扫描采集（Zhu et al., 2011）。同时车载移动激光扫描系统还可以避免由于镜头以及由于光照条件所引起的影像变化问题。因此，车载移动激光扫描数据被广泛应用于智能交通系统中。
目前，基于车载移动激光点云的杆状目标分类已经取得了一些进展，但由于缺乏公开的大场景数据集，基于点云中杆状对象语义分类进展依然缓慢。同时由于点云数据量大、目标间遮挡严重、点密度不均匀、同类杆之间的差异性（如尺寸、空间结构的不同以及是否有附属物）、不同类物体之间的相似性（如路灯杆和较高的电线杆）等问题，目前大部分点云杆状设施的提取算法受到极大限制，从而影响了点云杆状对象分类算法的稳定性。同时由于三维点云数据往往缺少纹理信息以及数据之间的拓扑结构信息，仅依靠三维空间坐标信息和反射强度信息提取杆状设施依然面临较大挑战。
近年来，多种基于三维点云杆状对象语义标记的算法被提出，比如基于形状特征、先验知识、形状模板匹配的算法和机器学习算法等。如Golovinskiy等（2009）首先过滤掉路面点，接着运用K近邻算法对非路面点进行聚类，然后对聚类后的物体进行定位，借助定位信息运用最小割（min cut）算法分割物体，最后使用事先训练好的分类器进行分类从而得到路灯杆，但该算法的时间复杂度过高。董震等（2015）首先把点云进行多层次超体素分割，接着利用K近邻域和主成分分析算法计算特征值，最后根据事先设定好的语义规则提取杆，但该方法在计算特征值时会受遮挡情况的干扰。Yu等（2015）首先滤除路面点，根据空间几何距离进行初步聚类，再使用图割算法进行重叠区域分离，最后使用事先选定好的杆模板进行匹配，从而提取出杆。该算法需要人工判断是否进行分割，且分割的算法时间复杂度过高。张西童等（2016）先通过人机交互提取路灯样本参数，再根据数学形态学闭运算提取粗略路灯位置，然后进行样本和疑似目标物匹配，最后实现路灯判读和提取；但该算法只能完成单一种类杆状目标的识别。王鹏等（2017）提出一种基于扫描线聚类判别的杆状目标自动提取方法，该方法根据不同地物在扫描线数据中的形态，设计了从单条扫描线到多条扫描线的数据处理流程，但提取结果容易受临近地物影响。Zheng等（2017）以欧几里德距离聚类算法对原始场景进行聚类，并结合空间信息、路灯杆的形状和点的强度信息来制定能量函数，最后引入一种基于高斯混合模型的方法来从候选聚类中识别路灯杆。蒋腾平等（2018）提出了一种基于逻辑关系和功能性规则对道路设施点云进行语义标注，但应用场景有限。
在具体处理过程中，人们往往不再使用单一的特征类型，而是将不同类型的特征组合在一起，为不同的杆状对象点云生成鲁棒的、差异的特征描述。如Yokoyama等（2013）基于形状特征和上下文特征对电线杆、灯柱和街道标志进行分类，首先滤除地面点，再使用K近邻算法对点云进行分割，然后使用拉普拉斯算子对分割后的点云进行平滑处理以除去噪点的影响，最后使用主成分分析对点云进行分类提取出杆状物体。Wu等（2017）结合局部特征和全局特征，采用支持向量机和随机森林对路灯进行分类。董亚涵等（2019）先根据杆状地物形态特点进行顶和杆的分离，再构建9种特征向量组成的特征矩阵，然后利用SVM进行训练并建立分类模型，最后通过分类模型对测试集进行分类。杨洲等（2020）先基于体素提取杆状地物，再进行形态学分析，将ESF（Ensemble of Shape Function）特征描述子、几何特征和附属物拓扑特征作为特征向量集，最后根据随机森林分类器进行重要性分析构建最优特征子集对杆状地物进行精细分类。Wang等（2020）在采用多层次特征提取目标后，通过后处理优化来获取更好的结果。
综上所述，目前基于激光点云杆状信息识别算法仍在一定问题：1）算法的处理方式是逐点进行的，由于激光点云数量庞大，算法运行起来比较慢；2）对遮挡类似的复杂场景，算法的鲁棒性不够高；3）算法的自动化程度不够高，需要一定人工交互式干预。鉴于此，本文拟提出一种完整的鲁棒、全自动、高效的杆状道路设施的目标检测和分类框架。以期高效提取杆状交通设施信息，有利于城市部件调查和城市运营维护，满足自动驾驶领域对高精度驾驶地图的需求。

1 研究方法

本文方法由3个主要步骤组成：1）预处理，对原始点云进行地面点自动滤除，然后对非地面点进行聚类和粗分割；2）根据先验信息、形状信息和位置导向对杆状对象进行目标检测；（3）根据属性和上下文特征对杆状目标进行比较，最后利用随机森林分类器提取杆状目标并标记。

1.1 预处理

点云预处理的目的是将无序的点云聚类分割，对各个对象进行简单分析，以及提取重叠区域的杆状物体。主要步骤分为地面点滤除、非地面点聚类和分割。

1.1.1 地面点滤除

三维激光点云数据包含大量的地面点，而这些地面点并不是处理的对象，本文工作主要提取杆状的非地面物体。此外，如果对象数据包含地面点，那么非地面点的分割处理将比较棘手。因此，采用基于布料模拟（Zhang et al., 2016）的滤波算法自动滤除地面点，示例见图1所示。
图1 原始点云数据（a）和地面滤除后的非地面点（b）

Fig.1 Raw point cloud(a) and off-ground points after ground removal(b)

1.1.2 非地面点聚类和分割

三维激光扫描数据中点与点之间不存在拓扑关系的特性，场景中属于同一语义目标的非地面点仍然处于孤立和无组织状态。本文采用欧氏距离聚类方法（Yu et al., 2015）对非地面点进行三维点云语义目标快速分割，将其组织成具有一定空间拓扑结构的三维点云语义目标，从这些离散、无组织的非地面点中检测出特定的三维目标。欧氏距离聚类通过相邻点之间的欧氏距离关系将离散的点集按一定的距离尺度划分成一系列的点簇。如图2所示，非地面点聚类得到多个不同对象，本文采用一种迭代最小割算法（Pan et al., 2016）对重叠部分进行分割，自动检测及进一步分割包含杆状目标的重叠部分。
图2 非地面点的聚类结果

Fig.2 Clustering result of off-ground points

直接检测各个重叠部分比较困难，需要引进规则辅助，以有效地区分出包含杆状物体的重叠部分。杆状道路设施相对于邻近的一般地物较高，而且重叠部分点云XY平面面积也相对较大。将城市道路规范规定的杆状设施最低高度作为目标检测的高度阈值，再人工挑选几处明显的重叠区域计算XY平面面积，取平均值作为底面面积阈值。如果聚类点云块中含有Z值大于高度阈值（hz）的点，且XY平面面积大于Sxy，则认定该点云块包含杆状物体的重叠部分。
对所有的点计算最近邻域，迭代地连接两处距离最近的点云，得到点与点之间具备拓扑关系的“K-最近邻域图”。然后根据点与点之间的欧氏距离对拓扑连接关系赋予合适的权值，最终构造一个3D加权图G（V，E），其中V表示顶点，E表示顶点之间的边。最小割算法的主要目的是使边与边之间的权值之和最小，因此定义一个背景罚函数，对前后背景连接关系较弱处进行平滑分割，最小化平滑成本及背景罚函数。在对象位置的先验知识约束下，分割出具体目标类簇。当重叠部分被分割为2个新的类簇，再将新的类簇作为重叠部分进行检测，直到新的类簇不再满足重叠区域的设定阈值后，停止迭代过程，最终得到需要的杆状类簇。图3是对聚类结果进一步分割得到的示例结果。
图3 最小割算法对重叠部分进一步分割的示例结果

Fig. 3 Segmentation results obtained using the min-cut segmentation method

1.2 杆状道路目标检测

经过一系列预处理后，非地面点被成功分割成多个单独对象。由于对象种类众多、紊乱，需要准确检测出杆状目标，分离出汽车、栏杆、植被和建筑物等非杆状地物。而且，分割后存在许多不同对象的微小碎片也很容易被错误识别为杆状物体。因此，采用先验信息、形状信息和位置导向构建多层次目标检测器，对杆状对象进行目标检测。
杆状道路设施有特定的尺寸规定，所以将目标对象的尺寸大小作为先验信息。将规范中对于杆状物体规定的最低高度作为高度阈值，低于该阈值的对象视为非杆状对象，因此需要计算每个对象的高度值，以便于对每一个对象的大小进行描述。
与其他物体相比，杆状物体具备垂直结构，且趋于规则和平坦；而树木等干扰性物体是不规则和分散的，所以将杆状物体的特定结构形状作为形状信息。利用协方差矩阵的截面分析和最小归一化特征值描述具体物体的形状。首先将对象分成水平切片，进行横截面分析，计算每个切片的对角线长度，通过长度比较计算相邻切片之间的差值。设定一个长度差阈值dl，如果计算得到的长度差值小于该阈值，则2个切片增长聚类为一个切片。对于任何一个增长聚类得到的切片，如果平均对角线长度小于阈值dt，且垂直高度满足之前先验信息约束下的高度阈值，则该对象被视为杆状对象。对于具体对象的每一个点，先计算协方差矩阵；再计算协方差矩阵的特征值（λ 1>>λ 2>>λ 3），然后通过公式（1）获取特征值的线性组合，最后用最小的归一化散射特征值表示对象的离散程度。散射性越大，物体越不规则，根据计算得到的散射值SCt区分杆状道路设施和树木。
l i n e a r i t y p l a n a r i t y s c a t t e r i n g = λ 1 - λ 2 / λ 1 λ 2 - λ 3 / λ 1 λ 3 / λ 1
位置导向分割主要分成2个步骤，先进行竖杆提取，再提取杆状物体的顶端部件。通常情况下，杆状物体是垂直于路面的，并且一定邻域内点的Z值几乎一样。所以可根据公式（2）得到杆状类簇重心g到检测位置lk的距离 d i s ( g , l k )（Wu et al., 2017）。
d i s g , l k = x g - x l k 2 + y g - y l k 2
式中： x g , y g和 x l k , y l k分别是类簇重心g和检测到的位置 l k的平面坐标。
根据不同杆状物体的构造可以得出，顶端部件离物体的竖杆很近，并且高度值大于杆。首先在位置 l k上计算出杆状物体的顶点 p e的坐标值 x e , y e , z e，然后在该顶点的一定范围内（其值为该顶点到边界点距离的最大值）搜索得到重心g。选中的点作为种子点 s s e e d被添加进队列Q，添加的顺序由重心到顶点的距离决定，距离越小，添加顺序越靠前，队列Q里的首元素作为新的种子点被移出队列。通过新的种子点进行区域增长，从而聚类获得其一定邻域内的点，成为新的簇类。聚类的条件有3个：1）邻近点云块的最低点Z值加上重心Z值要大于种子点Z值；2）邻近点云块的最高点Z值小于地面高度加上杆状物体高度；3）邻近点云块包围盒的8个角点到检测位置 l k距离的最大值小于公式（2）计算得到的 d i s ( g , l k )值。以上过程重复到队列Q为空为止，从复杂场景检测出的杆状设施结果如图4所示。
图4 杆状道路设施的目标检测结果

注：橘黄色为杆状对象，灰色为非杆状对象。

Fig. 4 Illustration of the results for pole-like objects detection

1.3 杆状道路目标分类

杆状道路目标分类主要通过目标固有的特征表示不同种类的杆状物体，并通过分类器进行正确的标注。包括2个主要步骤：1）特征提取；2）目标分类。

1.3.1 特征提取

结合物体的多种属性特征对杆状道路设施进行特征描述。
点特征描述特定点邻域内的局部特征，目前大多数点特征很容易受点云噪声和点密度的影响。本文采用点特征快速直方图（FPFH）（Rusu et al., 2009）计算点特征。首先对点 p s的k-最近邻域进行遍历搜索；然后将每一个k-最近邻域点 p k和初始点 p s构造一个局部参考帧；接着计算每一个邻域点 p t的特征向量v与其法线向量 N t的夹角 α，主方向和XY平面的夹角 θ，以及初始点 p s的法线向量 N s与点 p s跟邻域点 p t连线之间的夹角；对获取的 α , θ , ϕ进行量化得到点 p s一个简单的点特征直方图；最后计算点 p s的FPFH特征。图5显示了两种代表对象的FPFH特征。
图5 两种典型杆状对象的FPFH特征

Fig. 5 Typical FPFHs of two types of objects

几何特征主要描述对象的形状、大小和方向等。杆状道路设施，如交通标志牌一般由垂直线段、水平线段和平面组成，路灯则是由垂直线段和弧形线段组成。因此，计算对象的几何特征包括以下5个：协方差矩阵、尺寸特征、最小包围盒、法线方向和主方向，用来描述目标对象的形状（线、面和弧线）、大小（长度、宽度和高度）和方向（垂直或水平）。图6显示了不同对象典型的几何特征。
图6 不同对象典型的几何特征

注：各小图中左图为点云，右图为其点云特征表示。

Fig. 6 Typical geometric features of different types of objects

基于对象的结构特征可以有效、简明地描述对象的3D结构，而且不受噪声和点密度变化的影响。但许多主流的结构特征往往忽略形状细节，且需要先验分割予以辅助，不利于从杂乱场景中识别出部分可见或不完整对象。因此，本文利用SHOT特征对每一个对象进行特征描述，SHOT是一种结合几何分布信息以及直方图统计信息的鲁棒性、特异性描述子。根据特征点球邻域信息建立局部参考坐标系LRF，对特征点的球邻域分别沿径向、经度和纬度方向进行区域划分；通常径向划分为2，经度划分为8，纬度划分为2，总共32个小区。然后采用双线性插值统计每个区域中的直方图特征（每个小区域方向量夹角余弦分布情况），方向量划分为11个bin，最终SHOT长度为32 ×11=352。不同对象的SHOT如图7所示。
图7 不同对象的SHOT特征

Fig. 7 Typical SHOTs of different types of objects

1.3.2 分类

分类阶段通过事先训练好的分类器识别杆状目标。将之前计算得到的多层次属性特征和上下文特征的特征向量进行归一化处理，按比例缩小到范围［0，1］。为增加训练数据集的完整性和代表性，从具有变化的点密度、点位置精度和异常值的百分比的数据集中标记候选对象作为训练数据集。随机森林（Yang et al.， 2017）相对其他算法有着很大的优势，具体包括：两个随机性的引入，使得随机森林具有很好的抗噪声能力，不容易陷入过拟合；能够处理很高维度的数据，并且不用做特征选择，对数据集的适应能力强；训练速度快，可以得到特征的重要性排序等。因此，本文选择随机森林分类器用于地物目标的识别。使用人工标记好的数据集对随机森林分类器进行训练。最后使用训练好的随机森林分类杆状物体，提取杆状道路设施。

2 实验与分析

2.1 实验数据

选择3种点密度、精度以及离散点比例皆不同的道路场景对提出的算法进行性能测试与分析，其中数据集Ⅰ是高速公路场景，其整体规划严格按照国家规定，且道路两侧受人为影响较小；数据集Ⅱ是县城及城市郊区商业地带的道路场景，其场景较为复杂，人为影响大；数据集Ⅲ是国内某城市新城区的道路场景，规划完整，目前受人为影响较小，道路场景简单。

2.2 检测结果

使用召回率（recall）、准确率（precision）、F1值和MCC值（Matthews Correlation Coefficient）衡量算法的检测性能。其中，召回率表示正确检测到的杆状目标占所有手工标注目标的比例；精度是正确检测到杆状目标占所有检测到目标的比例；F1值是召回率和精度综合评价指标；MCC本质上是观测值和预测值二进制分类之间的相关系数。计算方法为（Yan et al., 2017）：
r e c a l l = T P T P + F N
p r e c i s i o n = T P T P + F P
F 1 = 2 ∙ p r e c i s i o n ∙ r e c a l l p r e c i s i o n + r e c a l l
M C C = T P ⋅ T N - F P ⋅ F N T P + F P T P + F N T N + F P T N + F N
式中：TP、FN和FP分别表示杆状目标检测结果中正确检测的数量、没有检测到的数量以及错误检测到的数量；TN表示检测正确的非杆状目标的数量。
定量检测结果见表1所示，虽然3个数据集的点密度存在显著差异，但检测结果都达到较高的性能，证明本文方法的鲁棒性。
表1 杆状设施目标检测结果的定量分析

Table 1 Quantitative results of pole-like objects detection

数据集 真实值 TP FP TN FN 召回率/% 准确率/% F1值/% MCC/%
合计 480 459 27 175 676 21 95.6 94.4 95 95.6
Ⅰ 96 94 3 9 617 2 97.9 96.9 97.4 97.4
Ⅱ 215 197 20 156 497 18 91.6 90.1 90.8 95.2
Ⅲ 169 168 4 9 562 1 99.4 97.7 98.5 95.5
所有数据集的总体性能如图8所示，可见本文算法框架对于杆状道路目标的检测是有效的，当然也存在其他一些目标被错误检测到。如有些树干，因为叶子很少与杆状道路物体较为相似，很难将其与杆状道路物体区分开来；部分墙的边缘也被错误地检测出来，因为其在水平方向上太窄，像单独矗立的竖杆。
图8 杆状设施检测结果示例

Fig. 8 The example of detection result for pole-like objects

2.3 分类结果

由表2可知，在数据集Ⅰ中一共检测到94个杆状道路对象，其中被正确标注90个。数据集Ⅱ和数据集Ⅲ分别检测到197、168个以及正确分类186、165个。图9显示了数据集中分类结果的部分例子，对交通标志（悬臂式、柱式）和杆（路灯、电线杆、红绿灯）进行了正确分类。为检验本文方法对多类型杆状道路目标语义分类的精度，对各个目标的准确率、召回率进行计算（见表2）。从表2可以看出3个数据中路灯目标提取的准确率和召回率最稳定且较高，均超过了97%；3个数据集的精度分别是95.7%、94.4%和98.2%，平均精度达到了96.1%。同时对本文方法与现有方法（Yang et al., 2015）的整体精度方面进行了对比，比较结果如表3。结果表明本文方法较现有方法，整体精度提高约4％。
表2 杆状道路设施分类结果定量分析

Table 2 Quantitative results for pole-like road objects classification

数据集 对象 悬臂标志 柱式标志牌 路灯杆 电线杆 红绿灯 其他 准确值/% 召回值/%
数据集Ⅰ 悬臂标志 15 0 0 0 0 0 100 93.8
柱式标志 1 5 0 0 0 0 83.3 100
路灯杆 0 0 59 1 0 0 98.3 98.3
电线杆 0 0 1 8 1 0 80.0 88.9
红绿灯 0 0 0 0 2 0 100 66.7
其他 0 0 0 0 0 1 100 100
总体精度：90/94×100%＝95.7%
数据集Ⅱ 悬臂标志 25 0 0 0 0 0 100 86.2
柱式标志 3 28 1 1 0 0 84.8 100
路灯杆 0 0 111 2 0 0 98.2 97.4
电线杆 0 0 2 16 0 1 84.2 84.2
红绿灯 1 0 0 0 3 0 75.0 100
其他 0 0 0 0 0 3 100 100
总体精度：186/197×100%＝94.4%
数据集Ⅲ 悬臂标志 15 1 0 0 0 0 93.8 100
柱式标志 0 12 0 0 0 1 92.3 92.3
路灯杆 0 0 123 1 0 0 99.2 100
电线杆 0 0 0 9 0 0 100 90.0
红绿灯 0 0 0 0 1 0 100 100
其他 0 0 0 0 0 5 100 83.3
总体精度：165/168×100%＝98.2%
3个数据集平均精度：441/459×100%＝96.1%
图9 杆状设施语义分类结果示例

Fig. 9 Examples of the classification results for pole-like objects

表3 方法对比

Table 3 Compare with other method

方法 整体精度/%
现有方法（Yang et al., 2015） 92.30
本文方法 96.10

3 结论

本文基于移动激光雷达点云的杆状道路设施的检测和分类，提出一个完整的工作流程，包括：1）基于布料模拟算法的地面点自动滤除；2）结合欧氏距离聚类和迭代最小割算法对非地面点数据聚类及进一步分割重叠区域；3）结合先验信息、形状信息和位置导向搭建杆状目标检测器；4）构建正负训练样本，利用随机森林算法对杆状道路设施进行分类。本文方法对3个点密度、场景复杂度不同的数据集进行评估，目标检测的MCC平均值是95.6%，目标分类的整体准确率为96.1%。通过实验发现，本文方法可以鲁棒地检测杆状目标的重叠区域，且较为适应复杂程度不同的道路场景。不过本文方法针对一些遮挡、不完整的小目标的识别精度仍较低，未来考虑结合深度学习的方式进一步加强。同时在今后的工作中，将使用更多、更复杂且不同场景信息的道路点云数据验证本文的方法，获取完整的、多属性的杆状道路对象，构建一个杆状道路对象数据库。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Cabo C, Ordoñez C, García-Cortés S and Martinez J．2014．An Algorithm for Automatic Detection of Pole-Like Street Furniture Objects from Mobile Laser Scanner Point Clouds．ISPRS Journal of Photogrammetry & Remote Sensing, 87: 47-56．

董亚涵，李永强，李鹏鹏，范辉龙．2019．基于车载LiDAR点云的杆状地物分类研究．测绘工程，28（6）：58-63．[Dong Yahan, Li Yongqiang, Li Pengpeng and Fan Huilong．2019．On the Classification of Rod-Shaped Object Based on Point Cloud of Mobile LiDAR．Engineering of Surveying and Mapping, 28(6): 58-63．]

董震，杨必胜．2015．车载激光扫描数据中多类目标的层次化提取方法．测绘学报，44（9）：980-987．[Dong Zhen and Yang Bisheng．2015．Hierarchical Extraction of Multiple Objects from Mobile Laser Scanning Data．Acta Geodaetica et Cartographica Sinica, 44(9): 980-987．]

Golovinskiy A, Kim V and Funkhouser T．2009．Shape-Based Recognition of 3D Point Clouds in Urban Environments. Kyoto, Japan: Processing of the IEEE International Conference on Computer Vision, 2154-2161.

蒋腾平，王永君，陶帅兵，李云莉，刘姗．2018．功能性规则约束下的三维点云道路设施语义标注．南京师范大学学报（工程技术版），18（4）：52-58．[Jiang Tengping, Wang Yongjun, Tao Shuaibing, Li Yunli and Liu Shan．2018．3D Point Cloud Road Facilities Semantic Labeling Constrained by Functional Rules．Journal of Nanjing Normal University (Engineering and Technology Edition), 18(4): 52-58. ]

Pan R and Taubin G．2016．Automatic Segmentation of Point Clouds from Multi-View Reconstruction Using Graph-Cut. Visual Computer, 32(5): 601-609.

Rusu R, Blodow N and Beetz M．2009．Fast Point Feature Histograms (FPFH) for 3D Registration. Kobe, Japan: IEEE International Conference on Robotics and Automation (ICRA), 3212-3217.

Wang Y, Jiang T, Yu M, Tao S, Sun J and Liu S．2020．Semantic-Based Building Extraction from LiDAR Point Clouds Using Contexts and Optimization in Complex Environment. Sensors, 20: 3386.

王鹏，刘如飞，马新江．2017．车载激光点云中杆状目标自动提取．遥感信息，32（5）：52-56．[Wang Peng, Liu Rufei and Ma Xinjiang．2017．Automatic Extraction of Pole-Like Objects from Vehicle Borne Laser Scanning Point Clouds．Remote Sensing Information, 32(5): 52-56．]

Wu F, Wen C, Guo Y, Wang J Wang C and Li J．2017．Rapid Localization and Extraction of Street Light Poles in Mobile LiDAR Point Clouds: a Supervoxel-Based Approach. IEEE Transactions on Intelligent Transportation Systems, 18(2): 292-305.

Yan L, Li Z, Liu H, Tan J, Zhao S and Chen C．2017．Detection and Classification of Pole-Like Road Objects from Mobile LiDAR Data in Motorway Environment. Optics and Laser Technology, 97: 272-283.

Yang B, Dong Z, Zhao Gang and Dai Wenxia．2015．Hierarchical Extraction of Urban Objects from Mobile Laser Scanning Data. ISPRS Journal of Photogrammetry and Remote Sensing, 99: 45-57.

Yang B, Dong Z, Liu Y, Liang F and Wang Y．2017．Computing Multiple Aggregation Levels and Contextual Features for Road Facilities Recognition Using Mobile Laser Scanning Data. ISPRS Journal of Photogrammetry and Remote Sensing, 126: 180-194.

杨洲，康志忠，杨俊涛，周梦蝶，孔民．2020．车载点云中杆状地物的形态学分析与分类研究．测绘科学，45（1）：69-76．[Yang Zhou, Kang Zhizhong, Yang Juntao, Zhou Mengdie and Kong Min．2020．Research on Morphological Analysis and Classification of Pole-Like Objects from Mobile LiDAR Point Clouds．Science of Surveying and Mapping, 45(1): 69-76．]

Yokoyama H, Date H, Kanai A and Takeda H．2013．Detection and Classification of Pole-Like Objects from Mobile Laser Scanning Data of Urban Environments. International Journal of CAD/CAM, 13(2): 31-40.

Yu Y, Li J, Guan H, Wang C and Yu J．2015．Semiautomated Extraction of Street Light Poles from Mobile LiDAR Point-Clouds. IEEE Transactions on Geoscience & Remote Sensing, 53(3): 1374-1386.

Zhang W, Qi J, Wan P, Xie D, Wang X and Yan G．2016．An Easy-to-Use Airborne LiDAR Data Filtering Method Based on Cloth Simulation. Remote Sensing, 8(6): 501.

张西童，刘会云，李永强，黄腾达，李有鹏．2016．车载LiDAR场景中路灯的提取与识别．测绘工程，25（9）：50-54．[Zhang Xitong, Liu Huiyun, Li Yongqiang, Huang Tengda and Li Youpeng．2016．Street Lamp Extraction and Identification from Mobile Lidar Point Cloud Scenes．Engineering of Surveying and Mapping, 25(9): 50-54．]

Zheng H, Wang R and Xu S．2017．Recognizing Street Lighting Poles from Mobile LiDAR Data. IEEE Transaction on Geoscience and Remote Sensing, 55(1): 407-420.

Zhu L, Hyypp J, Kukko A, Kaartinen and Chen R．2011．Photorealistic Building Reconstruction from Mobile Laser Scanning Data. Remote Sensing, 3(7): 1406-1426.

Options
文章导航

/

〈 〉