随着空间信息科学技术的发展, 从遥感数据中识别与获取道路信息已成为该领域研究的重要课题之一。诸多学者在这一问题上提出了多种半自动和全自动的方法, 半自动的方法有Doucette等^[1]利用自组织聚类方法在影像分割的基础上提取出道路中心点, 并利用最小生成树方法连接道路中心点得到道路中心线; Laptev等^[2]利用Ribbon Snake方法连接道路片段, 将道路左右两侧点外部能量项的和作为该点的能量项, 从而使曲线迭代到道路位置; 文贡坚等^[3]首先将影像分块, 在分块中提取直线道路段, 再将其进行编组、连接, 形成道路网, 有良好的稳健性。全自动方法中具代表性的有Hu等^[4]利用高分辨率图像和LiDAR数据结合的方法, 利用迭代Hough变换检测道路基元, 并通过拓扑分析形成道路网络。在半自动方法中, 道路跟踪的起始点或道路方向需要通过人工提供, 且对道路基元的计算过程繁琐、效率低下; 而全自动算法也存在检测率较低、检测结果中存在大量虚警的问题。

LiDAR技术的发展, 为地物信息的提取与识别提供了新的思路。基于LiDAR数据进行的道路研究已有很多, 例如: Roggero^[5]将主成分分析与区域增长方法结合, 能够在含有噪声的机载LiDAR点云数据中实现道路分割与形状识别; Alharthy等^[6]建立了一套通过点云的高程和强度信息移除非道路点的流程, 可穿透的地物被认作是非道路地物, 通过首— 末次回波进行判断和移除; Clode等^[7]基于“ 局部点强度” 的概念, 提高了道路提取质量, 同时提出一种名为“ PCD” (phrase coded disk)的卷积算子进行道路矢量化。上述方法虽然能够实现道路目标识别, 但仍旧遵循图像理解的思路, 从道路边缘和道路基元的提取与组织入手, 没有充分利用LiDAR点云的数据特征和拓扑信息; 而在整体的道路网络提取上, 缺乏对道路交叉口形态和边缘的提取和表达的探讨。

道路交叉口作为多个路段交汇的交通枢纽, 其位置和形态的提取能够为所在地区道路拓扑关系的认知和整体道路网的提取起到关键作用。目前, 单独针对道路交叉口提取的研究较少, 因此, 能够有效利用数据信息, 高精度、高自动化程度的道路交叉口提取方法仍有待研究。

本文在分析LiDAR数据中的道路交叉口的属性与特点的基础上, 首先采用基于角度纹理信息(angular texture signature, ATS)的检测方法进行道路交叉口的粗提取, 基于点密度在噪声的空间数据库中对所提取的结果进行聚类分析(density-based spatial clustering of applications with noise, DBSCAN), 并剔除孤立点, 筛选与验证道路交叉口区域; 然后以筛选后的聚类中心为中心点, 在附近的圆形搜索区内利用环形剖面分割进行直线边缘提取; 最后利用Ziplock Snake方法提取交叉口区域内的曲线边缘; 最终输出道路交叉口处的整体轮廓。

结合ATS和Snake的道路交叉口提取方法, 将道路交叉口轮廓看作由直线形态的道路部分轮廓以及曲线形态的道路相接区域轮廓组成。在确定道路交叉口位置的基础上, 分别采用不同的策略提取不同部分的轮廓, 最终完成道路交叉口处整体轮廓的提取。其技术流程如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 道路交叉口提取技术流程Fig.1 Flow chart of road intersection extraction

1.1 基于ATS的道路交叉口粗提取

ATS首先由Haverkamp^[8]提出, 是在局部范围内以多角度旋转矩形的方式采集的一组纹理信息(图2(左))。本文选用矩形内数据点的高程方差与强度方差的加权平均值作为纹理特征值。根据路面高程和强度在道路延伸方向一般较为均匀的特点, 在所对应的模板内, 方差在以角度索引和角度纹理值绘制的曲线中为区域极小值(谷特征), 该位置所对应的角度即为道路方向。根据观察, 道路交叉口处存在3~4条道路交汇, 因此若在曲线中检测出的明显谷特征个数为3~4个, 则该点为道路交叉口(图2(右))。在检测时所使用矩形区域的宽度应小于道路宽度、长度应大于道路宽度的2倍。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 道路交叉口角度纹理信息Fig.2 Angular texture signature of road intersection

1.2 基于环形剖面的道路边缘提取

基于ATS的道路交叉口粗提取结果完整度较高, 能够覆盖图幅内几乎所有的道路交叉区域; 粗检测后的候选点包括在正确道路交叉口区域聚集的正确点和少量错误点。造成错误的主要原因在于某些建筑物之间的空地, 庭院的道路入口处也会被误认为是道路方向。对于候选点的处理, 首先通过DBSCAN算法对其进行聚类分析, 同时利用稳健的“ 中位数方法” 检测孤立点, 将密度较稀、距离聚类中心较远的错误点剔除, 保留下来的点和聚类可认为是处于正确的道路交叉口区域之中。以聚类中心为中心点建立圆形搜索区, 对区域内的道路交叉口边缘进行检测。

在LiDAR数据中, 道路片段内强度一致性较高, 而强度信息与周围地物形成的边缘特征较为突出, 可作为道路边缘提取的依据。然而传统的线性检测算子在有限的搜索区域内会受到大量噪声的影响, 导致检测率较低。“ 剖面工具” 是机载LiDAR点云数据处理中的常用工具, 其原理为通过将窄条矩形剖面区域内的数据点投影到垂直平面上, 以观察在该横截面上的地形状况; 若剖面区域经过道路面, 则可通过对数据点强度的梯度判断, 检测出道路面段。然而, 由于传统的矩形剖面难以应对多个方向交汇的道路, 故本文首次将环形剖面的方法引入边缘检测算法中, 以粗检测聚类中心为圆心的环形剖面能够观察到周围圆周邻域上的所有地形起伏, 从而对道路交叉口内的道路边缘进行检测。图3(a)为强度梯度图像, 图3(b)为利用环形剖面分割方法对区域内的道路边缘进行分割, 分割过程中需要提取检测点之间强度分布均匀、而在边界点(图3(c)中的红色点)处强度梯度较大的段落。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 环形剖面分割检测道路交叉口直线边缘Fig.3 Line edge detection based on segmentation in loop profile

在基于环形剖面的道路边缘检测过程中, 少数形状规则的建筑物会对检测产生影响, 这时需要借助高程信息进行辅助判断, 将平均高程较高的段落剔除。在已检测到的剖面段落中, 针对段落边界点进行平行线拟合, 所得的“ 平行线对” 即为道路交叉口的直线部分边缘(图3(c))。此外, 针对搜索区内道路平行边缘的检测能够进一步筛选错误候选点。若区域内检测到的平行线对的个数少于3个, 则认为该区域为错误候选点, 可将其所属类别内的所有点删除。

1.3 基于Ziplock Snake方法的道路交叉口边缘提取

在提取出道路交叉口直线部分边缘的基础上, 采用Ziplock Snake的方法进一步提取道路交叉口曲线部分边缘。Snake模型由Kass等^[9]首先提出, 作为能量极小化的样条曲线, 由内力(包括刚力、弹力)约束其形状, 外力(图像力)引导其行为。Snake曲线可表示为

v(s)=\[x(s), y(s)\], (1)

式中: s为曲线中的节点; x(s)和y(s)分别为曲线节点位置的横坐标和纵坐标, 0< s< 1。由此定义Snake能量为

E(v(s))= ∫01E_int[v(s)]+E_ext[v(s)]ds, (2)

式中E_int和E_ext分别为曲线的内部能量和外部能量。

利用“ 有限元差分方法” 再将连续的Snake曲线离散化为一组控制点。对于曲线上任意控制点v_i, 离散化后的内部能量取多项式

E_int(v_i)=α _i|v_i-v_i-1|²+β _i|v_i+1+v_i-1-2v_i|²(3)

的第1, 2项分别代表曲线的刚力和弹力。在本文方法中, Snake外部力取图像的方向梯度在曲线法向量上的投影, 可表示为

E_ext(v)=|▽I(v)|\[n(v)d(v)\], (4)

式中: n(v)为节点所对应的内法线单位向量; d(v)为归一化的图像梯度矢量, 即

d(v)=▽I(v)/|▽I(v)|。 (5)

Snake方法的优势在于能够提取多种形态的目标边缘, 但同时存在需要初始轮廓距离目标较近、否则无法跟踪到目标边缘的缺点。Ziplock Snake方法对此做出了改进^[10], 仅需要满足初始轮廓的两端距离目标较近即可收敛到目标边缘。其具体思路是: 在Snake节点中设定受力边界(图4), 处于受力边界内的点称为“ 锚点” (图4中的红点); 处于受力边界位置上的锚点称为“ 力边界点” , 受内、外部力的共同作用, 在牵引与其相邻的被动点上起到一定作用; 而处于受力边界外的点称为“ 被动点” (图4中的白点), 仅受到内部力的作用。本文将影响Snake能量最小化过程的因素归结为2个: ①曲线内部平滑和均匀所需的内部力; ②图像边缘所引起的外部力。内部力应该影响曲线上的所有节点, 而对受外部力影响节点范围的界定则正是Ziplock Snake方法的特色。在初始状态下, 锚点距离目标较近或已处于目标轮廓之上, 因此在锚点与内部力的共同作用下, 与力边界点相邻的被动点也会在曲线演化中逐步向目标位置靠近; 当受力边界扩张、该被动点被纳入受力边界时, 就能保证其位置在目标附近, 从而增加锚点的数目, 由此整条曲线从两端向中间进行力边界扩张, 完成目标跟踪。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 Ziplock Snake原理Fig.4 Principle of Ziplock Snake

在本文方法中, 面对道路交叉口边缘的曲线部分, 初始轮廓仅以直线连接道路交叉口直线部分边缘的末节点, 但离目标仍有一定的差距(图5(a)); 进一步利用Ziplock Snake方法, 能够提取出完整的曲线边缘(图5(b))。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 道路交叉口曲线部分边缘提取Fig.5 Edge detection of curve portion of road intersection

利用2007年获取的广西南宁市机载LiDAR点云数据进行了实验。实验数据采集于城区, 实验区范围内包含多个建筑物以及大量交错复杂的道路(图6(a))。在获取点云数据的同时, 需要通过内插生成强度图像(图6(b)), 以便在算法中进行强度梯度运算和Snake边缘提取。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 实验用LiDAR点云数据Fig.6 LiDAR point cloud data for experiment

本文方法在基于IDL 8.0和ENVI 4.8的软件环境下设计与实现(图7— 图9)。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 道路交叉口定位Fig.7 Positioning of road intersection

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 道路交叉口轮廓Fig.8 Contour of road intersection

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 提取的道路交叉口轮廓与正射影像图叠置显示Fig.9 Overlapping display of extracted road intersection contour and orthophoto image

图7(a)为基于ATS的道路交叉口粗提取结果, 可以看到粗提取的结果可以覆盖图幅内几乎所有正确的道路交叉区域, 但其中也包含了少量由于地形原因引起的错误点(如处于建筑之间的道路以及庭院入口处的道路)。为了地形显示的需要, 将提取结果与地貌晕渲图叠加显示。图7(b)为经过基于密度的聚类(DBSCAN)和孤立点分离后的聚类中心以及所建立的搜索区域, 可以看到错误点由于点密度较稀或距离聚类中心较远而被剔除, 被保留点的聚类中心为正确的道路交叉口位置。但是, 图7(b)中右下方的3个道路交叉口位置因道路级别较低, 且道路表面材质不同、强度边缘不突出, 故在粗提取之后的候选点密度较稀, 未被作为道路交叉口提取。使用本文方法在图幅内的16个道路交叉口中检测出13个, 检测率达到81.2%。因此, 本文方法具有较高的道路交叉口检测率。

图8为在以聚类中心为中心点的邻域内采用环形剖面分割和Ziplock Snake方法得到的道路交叉口整体轮廓提取结果。绝大多数搜索区内的道路交叉口的精确轮廓被正确提取, 只有极少数交叉口(图8右上方局部放大图)由于树木遮挡严重, 导致其直线轮廓产生偏移, 曲线轮廓未被正确提取。这一缺陷可以通过添加地面或车载激光设备等补充数据予以弥补和解决。

为了定性地检验本文方法提取道路交叉口的精度, 将所提取的道路交叉口轮廓与该地区0.3 m分辨率的正射影像图进行叠置显示(图9)。

精度检验结果表明, 在该图幅内, 除1个因被遮挡而未被正确提取的道路交叉口轮廓外, 其余的道路交叉口轮廓与正射影像图中的正确边缘只相差 0.5~3个像元。为进一步得到定量化的精度评价结果, 采用文献[11]所用的方法, 对本文方法提取道路交叉口的结果与在正射影像图上人工勾勒道路交叉口的结果进行了对比和定量分析(表1)。

表1

Tab.1

表1(Tab.1)

表1 实验结果 Tab.1 Experimental results 道路交叉口提取 人工勾勒 本文方法 交叉口完整度/% - 81.2 边缘完整度/% - 85.3 正确率/% - 92.9 RMS/像素 - 0.8 执行时间/ min 42 16

表1 实验结果 Tab.1 Experimental results

对比分析的结果表明, 本文算法能够较大程度地提高作业效率, 具有较高的道路交叉口和边缘提取的完整度和准确率; 并且平均误差较小, 具有较高精度。

本文设计并实现了基于LiDAR点云数据的道路交叉口轮廓提取方法。基于角度纹理(ATS)信息的道路交叉口粗检测能够大大减少搜索空间, 提高算法效率; 而采用Ziplock Snake方法能够有效地提取交叉口道路相接处的弯曲边缘。本文实验采用完全自主研发平台, 经历较多次实验和改进。实验结果表明, 本文方法对道路交叉口的检测率较高, 对道路轮廓提取的精度较高, 不仅可行, 而且有效。