，，，， ，，

(1.齊魯交通發(fā)展集團有限公司，山東 濟南 250101； 2.齊魯交通發(fā)展集團青臨分公司，山東 濰坊 262500；3.濟南北方交通工程咨詢監(jiān)理有限公司，山東 濟南 250023； 4.山東交通學院 交通與物流工程學院，山東 濟南 250023；5.山東科技大學 測繪科學與工程學院，山東 青島 266590)

路燈是道路環(huán)境中的重要組成部分，道路兩側路燈信息對于智慧城市建設、交通運維和市政管理等具有重要意義[1]。利用傳統(tǒng)測繪技術進行路燈信息采集需要耗費大量人力、物力和財力，且效率低下，更新周期長。車載移動測量系統(tǒng)高度集成了激光掃描儀、全球衛(wèi)星導航系統(tǒng)(global navigation satellite system，GNSS)接收機、慣性測量單元和全景相機等傳感器，可以快速獲取道路及兩側地物高精度、高密度的三維激光點云數據，為路燈信息的快速采集提供了新途徑[2]。

目前對于車載激光點云的研究多集中在道路邊界、路面和建筑物[3-5]的提取，而路燈的提取常歸類為桿狀地物提取[6-8]，關于其精細分類研究較少。針對路燈的精細提取，國內外學者也做了一些研究，主要可分為3類：①基于散亂點云聚類的方法[9-12]，該方法首先通過地面濾波去除地面點的干擾，然后對點云進行聚類得到單體化地物點云，根據地物的幾何特征及圖像分割思想實現路燈的準確提取；這種處理方法雖然可以直接對散亂點進行處理提取出路燈，但數據處理效率難以保障，且提取出路燈單體后并未進行具體類型識別的研究。②基于三維格網進行處理的方法[13-14]，該方法首先對點云數據建立三維格網，然后根據地物的特性分別計算格網內與鄰域格網點云的高度、法向量和強度等特征信息，利用空間上下文語義信息提取出路燈等特征地物；以三維格網的形式管理激光點云，提高了數據搜索和處理效率，且對于數據完整性要求不高，但并未對路燈做具體分類。③基于模板匹配的方法[15-16]，該方法根據路燈外形尺寸及骨架線建立先驗樣本，然后將樣本與候選路燈進行匹配實現路燈的提取與分類；這類方法雖然可以實現不同類型路燈的分類，獲取路燈的位置和尺寸等參數，但對于候選路燈的提取方法研究不足，只在路燈豎直程度較為理想的情況下試驗效果較好，實際上候選路燈的提取是實現路燈精確分類的重要前提。

散亂點云法和三維格網法目前應用較多，但這兩種方法對路燈的分類效果不甚理想；基于模板匹配的方法可達到較好的分類效果，但分類前對路燈的提取只在噪聲地物較少、路燈較為豎直的情況下效果較好。在實際點云數據中，噪聲地物干擾嚴重，路燈存在歪斜情況，上述三類方法在提取時未充分挖掘路燈點云在二維平面及三維空間中呈現的幾何形態(tài)，只針對路燈自身參數進行研究，未分析同一場景中各路燈之間存在的統(tǒng)計規(guī)律，路燈提取準確率總體有待提高。針對上述問題，本研究提出一種車載激光點云中路燈提取方法，充分挖掘路燈自身二三維幾何形態(tài)信息及各路燈特征的統(tǒng)計規(guī)律，實現路燈準確提取與燈頭類型識別。

1 路燈提取方法

如圖1(a)所示，路燈、行道樹和交通信號燈等被統(tǒng)稱為桿狀地物。根據道路照明要求規(guī)范，燈頭長度不大于路燈整體高度的1/4，路燈安裝的整體高度要高于分布在同側的行道樹和交通信號燈等，同時燈頭長度小于交通信號燈橫桿長度[17]。在實際點云數據中，圖1(a)中虛線框中的樹干、燈桿和交通信號燈支撐柱等，具有如圖1(b)或圖1(d)所示的空間柱狀形態(tài)；將柱狀部分點云投影到xoy平面后， 可根據點云平面坐標擬合得到符合情況較好的圓(圖1(c))或外接圓(圖1(e))。本研究將利用燈桿的二三維形態(tài)提取桿目標，并進一步依據路燈燈頭與行道樹樹冠的形態(tài)差異進行候選路燈的提取，去除樹木；最后根據路燈燈頭形態(tài)模板匹配精確提取路燈。主要技術路線如圖2所示。

圖1 圓柱形燈桿二三維形態(tài)分析

圖2 路燈提取技術路線

1.1 路燈粗提取

實際道路環(huán)境中，道路兩側路燈與行道樹、交通信號桿等交錯分布，算法需要從原始點云中提取候選路燈(即人造桿目標)，去除行道樹目標干擾，主要包括3步：地面濾波、桿目標提取和行道樹去除。

1.1.1 地面濾波

原始點云中含有大量的地面點，為了減小數據量，提高數據處理效率，同時削弱地面點對候選路燈提取的影響，首先要對原始點云進行地面濾波，得到非地面點。結合本研究的數據索引方法，采用文獻[18]的算法進行地面濾波。

1.1.2 桿目標提取

桿狀地物區(qū)別于其他地物的重要幾何特性是桿的柱狀形態(tài)，深入分析其三維空間分布形態(tài)與平面投影近似圓弧形態(tài)，提出依據三維空間參數統(tǒng)計規(guī)律進行桿目標提取的方法。

圖3 RANSAC提取的桿目標及上部噪點

首先建立三維格網索引，任意一層格網內的桿點云在xoy平面的投影形態(tài)，如圖1(c)和圖1(e)所示，呈近似圓弧狀(以下簡稱圓弧點集)；每層圓弧點集形態(tài)近似，即圓弧半徑近似相等。

然后采用隨機抽樣一致(random sample consensus，RANSAC)算法[19]進行圓擬合，逐層搜索三維格網中的圓弧狀點集。為了提高圓弧狀點集搜索的準確性和效率，設置最優(yōu)圓弧模型的半徑小于閾值Rabnormal(根據高桿照明設施技術要求，確定Rabnormal為40 cm[20])。其中，桿目標上部的樹冠、交通信號燈橫桿和交通標志牌面等噪聲點中也有少量圓弧狀點集被提取。

最后，通過統(tǒng)計分析進行去噪。如圖3所示，桿目標的圓弧呈豎直或近似豎直排列，上部噪點圓弧與桿目標的圓弧差異大。將圓弧按高程升序排列后，獲取相鄰圓弧間的平面距離Darc、圓弧點集的弦長S、圓弧點集的拱高d。圖4為上述3個空間參數的統(tǒng)計直方圖，圖中3個紅色虛線框內均包含的是桿目標部分的圓弧，其對應的3個參數一致性較高，據此準確提取桿目標：

(1)

2) 獲取圖4(b)中兩虛線框內均包含的圓弧點集，作為桿目標點云，以各圓弧圓心的外包圓圓心O(xp,yp)作為桿目標平面位置。

圖4 圓弧點集參數統(tǒng)計

1.1.3 行道樹去除

提取的桿目標中含有大量樹干噪點，行道樹與路燈的位置關系存在相離、相鄰、燈桿與樹冠相交和燈頭與樹冠相交4種情況，如圖5所示。根據樹冠和燈頭的形態(tài)差異，設計了一種多層環(huán)形鄰域方位覆蓋度判別法去除樹木，提取候選路燈。

首先進行桿目標上部點云聚類，繼續(xù)從桿目標點云上端向上聚類生長，提取上部點云目標，包括樹冠和路燈燈頭；然后將上部點云目標投影到xoy平面，建立二維格網，如圖6所示，以桿目標所在的格網為中心，搜索其多層環(huán)形鄰域中存在點云的格網。統(tǒng)計不同環(huán)形鄰域上8個方位覆蓋度(azimuth coverage，AC)，若某個方位上有點云，則該方位的方位覆蓋度為1，否則為0。對于圖5(a)～(c)所示的情況，樹冠和路燈燈頭相離，樹冠點云至少有4個方位存在點云；路燈燈頭只在單一方位上有分布(雙向路燈在呈180°的兩個方位上有分布)。據此可設置ACn=4，代入公式計算nmax層環(huán)形鄰域方位覆蓋度判斷閾值WACT，若WACWACT，導致路燈被錯分類為樹木。

(2)

其中：nmax為環(huán)形鄰域最大層數，dmin當前桿目標到最近的桿目標距離，dstep為格網尺度，ACn為第n層環(huán)形鄰域的方位覆蓋度。

圖5 路燈與樹木位置關系

圖6 環(huán)形鄰域方位覆蓋度示意圖

1.2 路燈精確提取

去除行道樹后，候選路燈中還包含少量交通信號燈和交通標志牌等偽路燈。根據實際路燈燈頭點云剖面投影形態(tài)建立模板庫，然后通過模板匹配，實現路燈精確提取與類型識別。

1.2.1 模板庫建立

路燈燈頭根據其數量和延展方向一般可分為單向路燈和雙向路燈。如圖7所示，從實際點云數據中提取若干路燈樣本，建立模板庫。如圖8(a)所示，對于每一類路燈，提取其模板參數包括：燈頭高度Hh，燈頭長度Lh，燈頭延伸方向S。然后將燈頭點云投影到S和Z軸所在立面，建立二維格網。如圖8(b)所示，若格網中有點將格網值設為1，否則格網值為0，據此得到路燈模板立面二值格網。

圖7 路燈模板庫點云(部分)

圖8 路燈模板

1.2.2 模板匹配分類

求得燈頭點云x坐標的最大值xmax、最小值xmin，y坐標的最大值ymax、最小值ymin，則燈頭延伸方向S=(xmax-xmin,ymax-ymin)。將燈頭點云投影到S和Z軸所在立面，建立二值格網。以燈桿與燈頭結合點所在格網作為基準，將候選路燈燈頭二值格網與模板MB的二值格網疊加，若重疊度(格網值相同的格網數量與格網總數的比值)大于90%，則認為候選路燈與模板類別相同，否則作為偽路燈去除。

2 實驗分析

采用Vsurs-Q型移動測量系統(tǒng)采集青島市黃島區(qū)渭河路、元寶山路、靈山路和濱海大道的實驗數據。如圖9所示，實驗路段1總長度約3.6 km，包含單向和雙向2類典型路燈。元寶山路中間為綠化帶，雙向路燈分布在綠化帶中；渭河路和靈山路上的單向路燈亦分布在道路兩側的綠化帶中。實驗路段1(圖9)兩側分布有大量行道樹。實驗路段2如圖10所示，總長度約2 km，包含雙向和高桿燈2類路燈，道路中間有護欄，兩側分布有大量行道樹、交通信號燈和交通標志牌，路面車輛和行人多。移動測量系統(tǒng)沿雙向車道行駛采集數據。

圖9 實驗路段1車載激光點云數據

圖10 實驗路段2車載激光點云數據

路段1中路燈提取結果如圖11所示。因為本研究采用自下而上的處理方法，先進行地面濾波再利用RANSAC算法提取桿目標，所以由A、B區(qū)域的局部放大圖可以看出，提取得到的2類路燈形態(tài)完好，未受下部綠化帶的影響。路段2中路燈提取結果如圖12所示。由A、B和C區(qū)域的局部放大圖可以看出，高桿燈和雙向路燈均能被完好地提取出來。圖12中A區(qū)域和C區(qū)域內的雙向路燈燈桿中部安裝有廣告牌，采用RANSAC算法提取廣告牌上方與下方的燈桿，然后將燈頭點云與模板精確匹配，保證路燈的提取與識別不受燈桿上附屬物的影響。

圖11 路段1路燈提取結果

由表1可以看出，路燈提取的召回率低于準確率，主要是因為路燈未被提取數量多于錯誤提取數量。靈山路西側漏提7個路燈，由于該處行道樹茂密，對路燈燈頭遮擋嚴重，獲取的路燈點云燈頭存在嚴重缺失，在進行模板匹配時不滿足要求，無法被提?。晃己勇繁眰嚷┨?個路燈，濱海大道漏提11個路燈，這些路燈距離路邊較遠，且中間有車輛遮擋，導致路燈點云稀疏且燈桿有小部分殘缺，無法通過RANSAC和統(tǒng)計規(guī)律提取出燈桿，造成遺漏。由上可知，路燈點云的完整程度和點云數據的密度直接影響遺漏提取的數量，對召回率產生影響。在實驗路段中，一些枯萎的樹木及旗桿等外形類似于路燈，被錯誤提取，影響提取準確率。

圖12 路段2路燈提取結果

實際路段中3類路燈共228個，正確提取204個。由公式(3)計算準確率(Accuracy)和召回率(Recall)對提取結果進行定量評價(表1)。

(3)

其中：TP為正確提取的數量；FN未被提取的數量；FP為錯誤提取的數量。

表1 提取結果定量分析

從提取結果可以看出，本研究方法對單向路燈提取的準確率為93.94%、召回率為90.29%；雙向路燈提取的準確率為95.28%、召回率為89.38%；對高桿燈提取的準確率和召回率均達到83.33%；對路燈的整體提取準確率為94.01%、召回率為89.47%。

為了驗證方法的有效性，將本研究方法和同樣采用模板匹配的文獻[13]的方法進行了重點對比。通過VC++/Qt編程實現2種算法，運用普通臺式機運行，電腦配置為：Intel Xeon E3-1230 8核處理器、4G獨立顯卡、64位操作系統(tǒng)、8G內存。對4條道路點云數據進行路燈提取，2種算法對路燈提取的準確率、召回率和耗時如表2所示。

結果表明，與文獻[13]的方法相比，本方法對路燈提取在準確率和召回率方面的提高分別大于3%和8%。這主要是由于實際道路環(huán)境中，受自然及人為因素的影響，路燈并不完全豎直，文獻[13]采用單列豎直格網粗定位路燈，容易造成歪斜路燈漏提，影響其召回率；由于原始數據中行道樹高于路燈并遮擋路燈的情況較多，文獻[13]直接提取距離疑似路燈一定范圍內的點云數據作為疑似路燈整體點云，容易提取到臨近樹冠噪點，影響路燈類型判斷，降低其準確率。而本方法利用不同層格網中燈桿圓弧形點云存在的統(tǒng)計規(guī)律將其提取出來，不受燈桿歪斜的影響；同時，設計了“行道樹去除”算法，有效削弱了臨近行道樹對路燈提取的干擾。因此，相對于文獻[13]，本方法在路燈提取的準確率和召回率2個指標上均有提高。此外，將本方法與文獻[9](散亂點云法)和文獻[14](三維格網法)進行了實驗對比，文獻[9]方法對路燈提取的準確率為83.85%，召回率為87.50%，而本方法對路燈提取的準確率和召回率均優(yōu)于文獻[9]；文獻[14]對路燈提取的準確率為91.60%，召回率為92.30%，該方法雖遺漏路燈較少，但提取出了更多的噪聲地物，所以本方法在準確率方面優(yōu)于文獻[14]，召回率略低。

效率方面，本方法比文獻[13]方法耗時減少了約36%。主要是由于文獻[13]在路燈粗提取時運用了數學形態(tài)學閉運算，在匹配提取時進行了緩沖區(qū)分析，耗費了大量時間；而本方法僅需利用格網鄰域關系進行區(qū)域生長粗提取路燈，且在匹配時生成二值圖加快了處理速度，總體耗時較少。

表2 本文方法與文獻[13]方法對比

3 結束語

針對車載激光點云中路燈的提取，充分挖掘了燈桿的三維柱狀特性和二維投影圓弧特性，采用漸進提取分類的策略，首先提取特征較為明顯的桿目標，然后利用上部點云形態(tài)去除樹木干擾，最后根據路燈燈頭局部特征進行模板匹配，精確提取路燈。通過實驗分析，在目標掃描較為完整前提下，本算法對實際道路環(huán)境中常見的單、雙向及高桿路燈均具有較好的提取效果，整體提取準確率、召回率分別達94.01%和89.47%，優(yōu)于其他路燈提取方法。算法直接以散亂點云為處理對象，不需要其他輔助數據，適用性較強。同時，利用格網區(qū)域生長和圖像匹配的方法進行路燈的粗提取和精確匹配，使本算法較同類算法在路燈提取效率方面有大幅提高。在后續(xù)研究中，可通過縮短路燈的掃描距離，保證路燈點云的完整度與密度，以減少遺漏提取的數量；通過引入反射強度等參數進一步區(qū)別路燈與其他桿狀地物，以減少錯誤提取數量。