﻿ 基于无人机的道路点云数据分割提取算法
 计算机系统应用  2020, Vol. 29 Issue (2): 169-174 PDF

Road Point Cloud Data Segmentation and Extraction Algorithm Based on UAV
LUO Lei, MA Rong-Gui, XUE Hao
School of Information Engineering, Chang’an University, Xi’an 710064, China
Foundation item: Technology Innovation Guiding Project of Shaanxi Province (2018XNCG-G-16)
Key words: point cloud processing     point cloud segmentation     clustering algorithm     polynomial fitting     regional growth algorithm     principal component analysis     road extraction

LiDAR测量技术现在广泛用于三维数字城市建设[13]、道路安全设施检测[4,5]、公路勘察设计等方面[6,7], 车载LiDAR测量具有数据采集的高精度、高效率和高密度等特性[8,9], 但是车载LiDAR移动速度较慢, 影响道路使用, 而且当路况不好的时候, 车辆无法驶入, 对于特殊状况想要对道路进行检测则力不从心; 机载LiDAR测量则是有快速度、高效率, 受天气、路况影响小, 数据生产周期短等特性, 该测量方式可分为高空扫描和低空扫描, 相比于高空扫描, 低空扫描点云数据间隙小, 精度更高[10], 更适合用于对道路的养护. 因此本文使用低空飞行的无人机对特定的道路进行扫描.

 图 1 算法流程图

1 丰富点云数据信息

 $\begin{array}{*{20}{c}} {C = {{\left[ {\begin{array}{*{20}{c}} {{p_1} - \overline p }\\ \vdots \\ {{p_k} - \overline p } \end{array}} \right]}^{\rm{T}}}\left[ {\begin{array}{*{20}{c}} {{p_1} - \overline p }\\ \vdots \\ {{p_k} - \overline p } \end{array}} \right],}&{{\text{其中}}\;\overline p = \dfrac{1}{k}\displaystyle\sum\limits_{{p_j} \in {N_k}\left( {{p_i}} \right)} {{p_j}} } \end{array}$ (1)

2 路面及资产分割提取 2.1 多滑动窗口的均值漂移聚类算法确定种子数据

 ${{h_i} = \frac{{{{\rm{z}}_i} - \min (Z)}}{{\max (Z) - \min (Z)}}}, \;\;\;{ {{h_i} \in H}}$ (2)

 $r = \frac{1}{n}\sum\limits_{i = 1}^n {\max ({S_i})}$ (3)

 $\begin{array}{*{20}{c}} {M({c_i}) = \dfrac{1}{{{m_i}}}\displaystyle\sum\limits_{{q_j} \in {S_r}} {({c_i} - {q_j})} },&{i = 1,2,\cdots,10} \end{array}$ (4)

 $c_i^{t + 1} = M_i^{t} + c_i^t$ (5)

2.2 对路面数据动态拟合

 $f(x) = {a_0} + {a_1}x + {a_2}{x^2} + {a_3}{x^3} + {a_4}{x^4}$ (6)

 \begin{aligned} Q({a_0},&{a_1},{a_2},{a_3},{a_4}) \\ & = \sum\limits_{i = 1}^n \left({a_0} + {a_1}{x_i} + {a_2}x_i^2 + {a_3}x_i^3 + {a_4}x_i^4 - {y_i} \right)^2 \\ \end{aligned} (7)

 ${A^{\rm{T}}}A\left( {\begin{array}{*{20}{c}} {{a_0}}\\ {{a_1}}\\ \vdots \\ {{a_4}} \end{array}} \right) = {A^{\rm{T}}}\left( {\begin{array}{*{20}{c}} {{y_1}}\\ {{y_2}}\\ \vdots \\ {{y_n}} \end{array}} \right),{\text{其中}}{{A = }}\left( {\begin{array}{*{20}{c}} 1&{{x_1}}& \cdots &{x_1^4}\\ 1&{{x_2}}& \cdots &{x_2^4}\\ \vdots & \vdots & \ddots & \vdots \\ 1&{{x_n}}& \cdots &{x_n^4} \end{array}} \right)$ (8)

 $\left| {f(x) - y} \right| < a$ (9)

 $a = 2d + \frac{v}{n} \times 11\%$ (10)
 $d = \frac{1}{n}\sum\limits_{i = 1}^n {\max ({D_i})}$ (11)

1) 记前一断面左边人行道数据集合Qleft_old, 右边人行道数据集合Qright_old;

2) 根据集合Qleft_old, Qright_old计算对应的宽度Wleft, Wright, 左边x区间的最小值xleftmin, 右边x区间的最大最xrightmax;

3) 判断左右宽度的比值 $\scriptstyle\omega$ 确定是否需要修正, 如果 $\scriptstyle\omega >\omega'$ , 则认为需要对右边进行修正, 如果 $\scriptstyle\omega < -\omega'$ , 则认为需要对左边进行修正, 利用式计算x, 之后使用人行道的拟合函数f(x)作为修正的y.

 $\omega = \frac{{\left( {{W_{\rm{left}}} - {W_{\rm{right}}}} \right)}}{{max\left( {{W_{\rm{left}}},{W_{\rm{right}}}} \right)}}$ (12)
 $x = \left\{ \begin{array}{ll} {{x_{\rm{leftmin}}} + {W_{\rm{right}}}},&{w < - \omega } \\ {{x_{\rm{rightmax}}} - {W_{\rm{left}}}},&{w > \omega } \\ \end{array} \right.$ (13)

2.3 改进区域生长算法对非路面数据分割

 $K({p_i}) = \frac{1}{{4{A_{\min }}}} \times \sum\limits_{j \in N(i)} {\left( {\cot {\alpha _{ij}} + \cot {\beta _{ij}}} \right)\left( {{p_i} - {p_j}} \right) \times n}$ (14)

 图 2 道路数据拟合图

3 实验结果分析

 图 3 算法对比

4 结语

 图 4 实验结果

 [1] 李杨. 无人机摄影测量及在城市规划中的应用. 冶金与材料, 2018, 38(6): 181-182. DOI:10.3969/j.issn.1674-5183.2018.06.109 [2] 胡世敬. 浅谈无人机遥感技术在智慧城市建设中的应用. 中国新通信, 2019, 21(7): 99. DOI:10.3969/j.issn.1673-4866.2019.07.081 [3] 王浩天. 基于无人机航测技术的城市用地规划模型研究. 北京测绘, 2018, 32(10): 1174-1177. [4] 彭检贵, 马洪超, 高广, 等. 利用机载LiDAR点云数据提取城区道路. 测绘通报, 2012(9): 16-19. [5] 徐景中, 万幼川, 赖祖龙. 机载激光雷达数据中道路中线的多尺度提取方法. 红外与激光工程, 2009, 38(6): 1099-1103. DOI:10.3969/j.issn.1007-2276.2009.06.032 [6] 尹恒, 裴尼松, 余梨. 无人机技术在复杂公路中的应用研究. 中外公路, 2018, 38(2): 1-5. [7] 孙权, 程俊毅, 田绍鸿, 等. 基于无人机LIDAR数据多尺度特征的沥青路面病害提取方法. 石河子大学学报(自然科学版), 2019, 37(1): 1-11. [8] 毛寅睿, 陈雨人, 刘洋东. 基于车载激光点云的道路标线提取方法研究. 公路交通科技, 2019, 36(7): 127-135. [9] 张志伟, 刘志刚, 黄晓明, 等. 基于LIDAR数据的道路平面线形拟合方法研究. 公路交通科技, 2009, 26(12): 17-22. DOI:10.3969/j.issn.1002-0268.2009.12.004 [10] 余飞, 余绍淮, 陈楚江. 机载激光雷达测量技术在高速公路勘察设计中的应用研究. 中外公路, 2016, 36(2): 335-338. [11] 李宝顺, 岑红燕, 包亚萍, 等. 基于平面提取的点云数据分割算法. 计算机应用与软件, 2014, 31(7): 145-148, 176. DOI:10.3969/j.issn.1000-386x.2014.07.037 [12] 宋袁龙, 胡洋. 一种机载激光雷达道路点云的半自动提取方法. 测绘科学, 2015, 40(5): 92-94, 121. [13] Jafarzadegan M, Safi-Esfahani F, Beheshti Z. Combining hierarchical clustering approaches using the PCA method. Expert Systems with Applications, 2019, 137: 1-10. DOI:10.1016/j.eswa.2019.06.064 [14] 王磊, 何辰, 谢江宁. 基于加权PCA分析的三维点云模型对称性检测算法. 山东大学学报(理学版), 2014, 49(9): 166-170. [15] 刘艳菊, 张永德, 姜金刚. 三维点云模糊分类的法向量估值算法. 华中科技大学学报(自然科学版), 2013, 41(8): 50-54. [16] 曹志民, 谷延锋, 吴云. 机载LiDAR点云定量化局部结构信息分析. 地理空间信息, 2016, 14(2): 10-12. DOI:10.3969/j.issn.1672-4623.2016.02.003 [17] 朱东方. 基于复杂拓扑结构点云的曲线拟合研究与应用[硕士学位论文]. 济南: 山东大学, 2015. [18] Zhang J, Xiu XJ. K-d tree based approach for point location problem in explicit model predictive control. Journal of the Franklin Institute, 2018, 355(13): 5431-5451. DOI:10.1016/j.jfranklin.2018.05.040 [19] Lacerda ASM, Batista LS. KDT-MOEA: A multiobjective optimization framework based on K-D trees. Information Sciences, 2019, 503: 200-218. DOI:10.1016/j.ins.2019.07.011 [20] 梁周雁, 邵为真, 孙文潇, 等. 基于PCL的点云数据空间管理及近邻搜索. 北京测绘, 2018, 32(1): 52-57. [21] 汪仁红. 基于聚类分析的数据流处理算法[硕士学位论文]. 重庆: 重庆交通大学, 2013. [22] 张睿, 熊金虎, 汪东兴, 等. 基于体素邻域信息的均值漂移聚类算法检测fMRI激活区. 江苏大学学报(自然科学版), 2016, 37(5): 556-561. [23] 刘风梅, 葛洪伟, 杨金龙, 等. 基于均值漂移聚类的扩展目标量测集划分算法. 计算机工程, 2014, 40(12): 182-187, 194. DOI:10.3969/j.issn.1000-3428.2014.12.034 [24] 李仁忠, 刘阳阳, 杨曼, 等. 基于改进的区域生长三维点云分割. 激光与光电子学进展, 2018, 55(5): 051502.