王 俏，王澤民

(西安工業(yè)大學(xué) 電子信息工程學(xué)院，西安 710021)

近年來隨著自動(dòng)駕駛、高精度地圖制作等領(lǐng)域的發(fā)展，基于車載激光掃描點(diǎn)云的道路提取技術(shù)起著越來越重要的作用。車載激光掃描系統(tǒng)獲取的大范圍城市環(huán)境數(shù)據(jù)，具有場(chǎng)景復(fù)雜、目標(biāo)多樣的特點(diǎn)，不僅包括道路，還包括建筑物立面、樹木、車輛和行人等其他地物。如何從海量復(fù)雜場(chǎng)景的離散點(diǎn)云中精確的識(shí)別并提取道路區(qū)域，目前仍是點(diǎn)云提取方面研究的重點(diǎn)。

根據(jù)道路區(qū)域在點(diǎn)云中的分布特征，研究者提出了一系列從車載激光點(diǎn)云中提取道路的方法，主要分為三類：基于點(diǎn)云投影、基于掃描線以及基于聚類分析的道路提取方法[1-3]?；邳c(diǎn)云投影的道路提取這種方法的總體思想是將散亂不規(guī)則的三維點(diǎn)云通過投影轉(zhuǎn)化為規(guī)則的二維圖像，然后利用圖像處理的方法進(jìn)行道路提取，不同方法主要區(qū)別在投影圖像的生成方式以及圖像處理方法上。文獻(xiàn)[4]提出一種基于最小-最大高度差濾波算法，它首先將點(diǎn)云投影為二維圖像，然后計(jì)算落入每個(gè)投影圖像網(wǎng)格單元內(nèi)激光點(diǎn)高度最大和高度最小點(diǎn)之間的高度差，最后將高度差小于預(yù)定閾值的網(wǎng)格歸類為路面，該算法計(jì)算簡(jiǎn)單，但采用單一參數(shù)閾值使得道路區(qū)域識(shí)別準(zhǔn)確性差。文獻(xiàn)[5]根據(jù)梯度一致性特征分割出地面點(diǎn)，利用路面點(diǎn)與柵格地圖確定候選左右道路邊界點(diǎn)，采用改進(jìn)RANSAC算法進(jìn)行道路邊界的提取。該算法具有較好的抗噪性和實(shí)時(shí)性，但僅利用梯度一致性特征進(jìn)行道路點(diǎn)云分割，準(zhǔn)確性較差。以上基于點(diǎn)云投影的道路提取方法將高精度的點(diǎn)云數(shù)據(jù)轉(zhuǎn)化為二維圖像，在降低了數(shù)據(jù)處理難度的同時(shí)都會(huì)帶來了一定程度的精度損失，影響道路識(shí)別的準(zhǔn)確性?；诰垲惙治龅牡缆伏c(diǎn)云提取方法通過分析點(diǎn)云中地物目標(biāo)局部特征相似的特點(diǎn)，構(gòu)建合適的點(diǎn)云特征，直接對(duì)點(diǎn)云進(jìn)行聚類分析來進(jìn)行道路提取。文獻(xiàn)[6]從鄰近點(diǎn)提取局部點(diǎn)特征，利用歐氏聚類和區(qū)域增長(zhǎng)算法快速分割地面和非地面，但是選取不同種子點(diǎn)將得到不同的分割區(qū)域，導(dǎo)致道路區(qū)域識(shí)別準(zhǔn)確度低。文獻(xiàn)[7]根據(jù)道路點(diǎn)云法向量呈豎直分布的特點(diǎn)，利用局部點(diǎn)云法向量特征進(jìn)行聚類分割，然后使用K均值聚類算法提取道路邊界線。該算法僅使用單一點(diǎn)云法向量特征進(jìn)行分析，對(duì)于道路邊界識(shí)別精度較低?；诰垲惙治龅牡缆伏c(diǎn)云提取方法直接對(duì)原始三維點(diǎn)云數(shù)據(jù)進(jìn)行處理，數(shù)據(jù)精度高，但點(diǎn)云特征眾多，特征的選取復(fù)雜，不適用于大規(guī)模散亂點(diǎn)云環(huán)境下的路面提取。車載激光點(diǎn)云數(shù)據(jù)是由若干掃描線所獲取的點(diǎn)組成的，在前方有障礙物或其他情況下掃描線會(huì)發(fā)生變化?；趻呙杈€的道路提取利用上述特點(diǎn)，通過檢測(cè)掃描線及掃描線之間的變化，實(shí)現(xiàn)檢測(cè)障礙物與路面。文獻(xiàn)[8]采用一種窗口濾波算法，將掃描線上的點(diǎn)分割成若干組連續(xù)的道路橫斷面，通過檢測(cè)到的路緣點(diǎn)對(duì)每組道路橫斷面上的非接地點(diǎn)進(jìn)行濾波，但是該算法參數(shù)值選取尤其是窗口長(zhǎng)度的選取對(duì)濾波效果影響巨大，窗口過小會(huì)出現(xiàn)道路區(qū)域誤提取，窗口過大又會(huì)影響道路邊界的提取精度。文獻(xiàn)[9]分析歸納了三種常見道路類型，利用高程差異、坡度、點(diǎn)云密度三個(gè)指標(biāo)，采用移動(dòng)窗口法精確識(shí)別路坎點(diǎn)云，該方法不僅適用于具有固定寬度的規(guī)則道路提取，同樣適用于無固定寬度的非規(guī)則道路提取，但是固定窗口的方法同樣會(huì)出現(xiàn)道路區(qū)域識(shí)別準(zhǔn)確性差和邊界提取精度低的問題。車載激光掃描數(shù)據(jù)中包含大量道路空間結(jié)構(gòu)信息，這些信息給道路特征的提取帶來了極大的便利。但車載激光點(diǎn)云數(shù)據(jù)量大、點(diǎn)云分布不均、城市場(chǎng)景目標(biāo)多樣、道路路面存在遮擋等特點(diǎn)，給車載激光掃描數(shù)據(jù)處理以及道路路面、路坎、標(biāo)線特征的分類與識(shí)別帶來了很大的困難[10-15]。

鑒于上述分析，文中提出一種新的道路邊界提取算法，在傳統(tǒng)基于掃描線的移動(dòng)窗口道路提取算法的基礎(chǔ)上，構(gòu)建多尺度、多窗口組合的移動(dòng)窗口濾波方法，自適應(yīng)選取窗口的尺寸，避免了固定窗口尺寸帶來的邊界誤提取和識(shí)別精度低的問題，實(shí)現(xiàn)道路區(qū)域的自動(dòng)提取。

1 點(diǎn)云數(shù)據(jù)預(yù)處理

1.1 粗差剔除

由于空氣中可能存在漂浮物、飛鳥等其他運(yùn)動(dòng)物體，物體的存在會(huì)導(dǎo)致在原來并不會(huì)產(chǎn)生數(shù)據(jù)點(diǎn)的位置出現(xiàn)了數(shù)據(jù)點(diǎn)，稱這些點(diǎn)為離群點(diǎn)。同時(shí)，由于周圍環(huán)境、系統(tǒng)誤差或者數(shù)據(jù)處理誤差，車載激光掃描系統(tǒng)獲取的點(diǎn)云難免會(huì)產(chǎn)生一些噪聲。離群點(diǎn)、噪聲點(diǎn)統(tǒng)稱為粗差點(diǎn)，粗差點(diǎn)會(huì)對(duì)點(diǎn)云局部特征的計(jì)算產(chǎn)生較大的影響[16]。文中采取統(tǒng)計(jì)濾波方法剔除離散點(diǎn)云。

讀入原始點(diǎn)云并構(gòu)建k-d樹，逐點(diǎn)計(jì)算當(dāng)前點(diǎn)到其最鄰近k個(gè)點(diǎn)的平均距離u為

(1)

假定u呈高斯分布，計(jì)算其方差s2和標(biāo)準(zhǔn)差σ為

(2)

(3)

給定標(biāo)準(zhǔn)差倍數(shù)，根據(jù)高斯分布的平均值、標(biāo)準(zhǔn)差和給定的標(biāo)準(zhǔn)差倍數(shù)確定標(biāo)準(zhǔn)區(qū)間，當(dāng)某點(diǎn)到其最鄰近k個(gè)點(diǎn)的平均距離落在標(biāo)準(zhǔn)區(qū)間內(nèi)，則保留該點(diǎn)，否則，剔除當(dāng)前點(diǎn)。特征鄰域尺寸k設(shè)置為10，標(biāo)準(zhǔn)差倍數(shù)設(shè)置為1，濾波結(jié)果如圖1所示。由圖1可知，天空中的離散點(diǎn)以及懸浮于道路上方的噪聲點(diǎn)等粗差點(diǎn)均得到了較好的剔除。

圖1 統(tǒng)計(jì)濾波剔除粗差點(diǎn)

1.2 點(diǎn)云掃描線提取

根據(jù)車載激光雷達(dá)的掃描方式[17]，如圖2所示，Si-1、Si、Si+1為系統(tǒng)記錄的3條連續(xù)激光掃描線，ptk,ptk+1為2個(gè)連續(xù)激光腳點(diǎn)的三維坐標(biāo)。

圖2 車載激光雷達(dá)掃描方式示意圖

在對(duì)道路進(jìn)行掃描時(shí)，由于道路環(huán)境頂部多為天空，因此會(huì)出現(xiàn)沒有激光點(diǎn)返回的情況，此時(shí)當(dāng)前掃描線的最后一個(gè)點(diǎn)pti與下一條掃描線的起始點(diǎn)pti+1的掃描角度會(huì)有一個(gè)顯著的變化。

同理，由于車載激光點(diǎn)云的連續(xù)性，這兩個(gè)點(diǎn)的GPS時(shí)間差也會(huì)有一個(gè)顯著的變化。設(shè)置一個(gè)角度閾值Δθ或時(shí)間閾值Δt，利用式(4)檢測(cè)掃描線兩端的斷點(diǎn)，將連續(xù)點(diǎn)云歸于一條掃描線中，從而將離散的掃描點(diǎn)轉(zhuǎn)化成有序的二維掃描線數(shù)據(jù)集。

abs(θi+1-θi)>Δθ，

或 abs(ti+1-ti)>Δt。

(4)

式中：θt+i，θi為激光點(diǎn)掃描角度；ti+1，ti為瞬時(shí)GPS時(shí)間；Δθ，Δt分別為掃描角度差和GPS時(shí)間差，具體取值與車載激光雷達(dá)類型及道路環(huán)境有關(guān)。文中利用連續(xù)點(diǎn)最大GPS時(shí)間差進(jìn)行掃描線提取為Δt為1.42×10-5s，圖3(a)和圖3(b)分別為原始掃描點(diǎn)云和提取的掃描線(為了顯示效果，每隔35條掃描線抽取一條，相鄰掃描線用不同顏色區(qū)分)。

由圖3可知，將離散道路環(huán)境點(diǎn)云轉(zhuǎn)換為按照掃描線方式進(jìn)行提取后，原本散亂無規(guī)則的點(diǎn)云數(shù)據(jù)變得更加清晰、有序，而且一定掃描線范圍內(nèi)不同地物目標(biāo)在掃描線上保持了幾何特征，相鄰掃描線數(shù)據(jù)具有局部相似性。

圖3 點(diǎn)云掃描線提取結(jié)果

2 改進(jìn)移動(dòng)窗口道路點(diǎn)云分割算法

2.1 道路掃描線點(diǎn)云特征分析

由于掃描線沿車輛前進(jìn)方向依次排列，每條掃描線可以當(dāng)作道路環(huán)境的一個(gè)剖面，不同地物目標(biāo)在同一掃描線上表現(xiàn)出不同的空間分布和幾何形狀。圖4為分離出來的一條點(diǎn)云掃描線。

圖4 不同目標(biāo)在掃描線上的空間分布

由圖4可知，道路一般比較平緩，高程差相對(duì)較小且變化不大，在掃描線上多呈水平的線性分布，在道路邊界處會(huì)有一個(gè)局部的高程階躍(圖4中黃色框)；建筑物立面點(diǎn)云，相鄰點(diǎn)在平面方向上相差很小，高程變化比較大，為近似垂直的線性分布(圖4中紫色框)；路燈桿、樹干、豎籬笆等立式地物點(diǎn)云在小范圍內(nèi)呈現(xiàn)垂直線性分布(圖4中綠色框)；樹冠、雜草等不規(guī)則地物的點(diǎn)云在掃描線中分布稀疏，呈離散狀態(tài)(圖4中紅色橢圓)。根據(jù)掃描線中道路高程差小而其他目標(biāo)在局部范圍內(nèi)高程變化較大的空間分布規(guī)律，通過統(tǒng)計(jì)每一條掃描線中的高程變化，即可實(shí)現(xiàn)濾除高程較大的目標(biāo)，保留道路區(qū)域。

2.2 移動(dòng)窗口道路點(diǎn)云分割算法

根據(jù)掃描線特征，為了快速檢測(cè)掃描線中道路區(qū)域，在一條掃描線中設(shè)置三個(gè)連續(xù)的大小為n的濾波窗口，以窗口1的尺寸為步長(zhǎng)對(duì)稱的從兩端向中間逐點(diǎn)分析連續(xù)相鄰窗口的高程差值，以確定地面的兩個(gè)邊界區(qū)域剔除非地面點(diǎn)。窗口1用于快速確定地面邊界點(diǎn)，窗口 2、窗口3用來保證窗口1確定的范圍連接為一段近似水平分布的長(zhǎng)條形線段[1,18]。其原理如圖5所示。

圖5 基于掃描線的移動(dòng)窗口道路點(diǎn)云提取原理示意圖

以掃描線單端為例，假設(shè)窗口尺寸n=5，窗口移動(dòng)過程如圖6所示。尺寸為n的窗口包含n個(gè)激光點(diǎn)S={pt1,pt2,pt3,…,ptn}，其中ptk={xk,yk,zk}，該窗口內(nèi)高程差為

ΔZ=max(z1,z2,z3,…,zn)-

min(z1,z2,z3,…,zn)。

(5)

且3個(gè)連續(xù)窗口內(nèi)高程差為ΔZ1,ΔZ2,ΔZ3則

ΔZ1≤Δhfilter,

(6)

ΔZ2≤Δhpavement,

(7)

ΔZ3≤Δhpavement,

(8)

式中：Δhfilter為道路與非道路區(qū)域高程差；Δhpavement為單個(gè)窗口內(nèi)道路點(diǎn)高程變化最大值，兩者的取值和道路環(huán)境相關(guān)，其中Δhfilter>Δhpavement。窗口尺寸n的取值與點(diǎn)云密度相關(guān)(假設(shè)車載激光的點(diǎn)密度為50點(diǎn)·m-2，則點(diǎn)與點(diǎn)間距為0.02 m，若窗口尺寸n>20，則窗口2和窗口3能確定一條大致為0.8 m的水平線段)。根據(jù)不同的道路環(huán)境，設(shè)置Δhfilter和Δhpavement大小，利用式(6)～(8)可以快速濾除高程變化較大的點(diǎn)，保留高程變化平緩且連續(xù)分布的點(diǎn)云，從而得到道路點(diǎn)云。

根據(jù)道路平均點(diǎn)密度確定移動(dòng)窗口1、2、3的尺寸n為15，以此應(yīng)用移動(dòng)窗口法對(duì)道路分割結(jié)果如圖7所示，圖7(b)為圖7(a)中矩形區(qū)域的局部放大。由圖7可知，該方法可以濾除絕大部分的植被、路燈、電力線、車輛等非路面目標(biāo)，但在上方靠近道路邊界處的部分豎直圍欄以及部分植被被保留了下來，被誤判為道路，如圖7(a)中橢圓區(qū)域；對(duì)于下方道路，盡管提取到了帶有明顯邊界的道路點(diǎn)云，但邊界處有非道路點(diǎn)干擾，如圖7(b)所示，影響了道路提取精度。

2.3 改進(jìn)移動(dòng)窗口道路點(diǎn)云分割算法

分析采用固定尺寸移動(dòng)窗口對(duì)道路提取存在問題[19-20]的原因發(fā)現(xiàn)，根據(jù)激光雷達(dá)的掃描原理，距離越遠(yuǎn)則點(diǎn)云數(shù)據(jù)密度越小，使得即便是同一條掃描線上也會(huì)出現(xiàn)中心區(qū)域密度大，兩端密度低的現(xiàn)象，應(yīng)用固定尺寸的移動(dòng)窗口進(jìn)行道路分割示意圖如圖8所示。

圖6 窗口移動(dòng)過程示意圖

圖7 移動(dòng)窗口道路分割結(jié)果

圖8 固定尺寸移動(dòng)窗口道路分割示意圖

利用固定尺寸移動(dòng)窗口進(jìn)行道路分割，此時(shí)會(huì)出現(xiàn)兩種情況：

1) 窗口尺寸設(shè)置過小，則3個(gè)濾波窗口在水平方向上確定的距離較短，在靠近道路邊界處容易將一些大面積地物上的點(diǎn)云誤判為地面點(diǎn)，如圖8(a)所示。在窗口1、窗口2和窗口3都滿足傳統(tǒng)移動(dòng)窗口分割算法的判斷依據(jù)下，窗口1被誤認(rèn)為是道路邊界點(diǎn)云，窗口2和窗口3確定的局部區(qū)域被誤判為道路區(qū)域。

2) 窗口尺寸設(shè)置過大，又會(huì)將一些較小起伏的地面點(diǎn)云過濾掉，如圖8(b)所示。窗口1為道路邊界點(diǎn)，窗口2和窗口3為大尺寸下得到的真實(shí)道路區(qū)域點(diǎn)云。此時(shí)窗口1中不僅包含邊界點(diǎn)，還有部分非道路干擾點(diǎn)，影響道路邊界的提取精度。

針對(duì)以上情況，文中對(duì)移動(dòng)窗口進(jìn)行了改進(jìn)，根據(jù)不同位置的點(diǎn)密度差異自適應(yīng)確定窗口尺寸，克服原方法采用固定相同濾波窗口帶來的道路區(qū)域和道路邊界處錯(cuò)誤點(diǎn)的提取問題，進(jìn)而改善提取結(jié)果，具體步驟流程如下：

① 設(shè)置窗口1，2，3的初始尺寸n=n0，此時(shí)n0為一個(gè)較小值，利用式(5)計(jì)算得到3個(gè)窗口內(nèi)的高程差分別為ΔZ1,ΔZ2,ΔZ3。

② 從掃描線兩端向中間逐點(diǎn)分析連續(xù)相鄰窗口的高程差值，根據(jù)式(6)～(8)初步確定窗口1的位置，此時(shí)確定的窗口1可能為真實(shí)道路邊界點(diǎn)，也有可能為小尺寸下的虛假道路邊界點(diǎn)(圖8(a)中紅色虛線框)。

③ 固定窗口1位置，以步長(zhǎng)為1開始逐步增大窗口2與窗口3的尺寸，直至隨著窗口尺寸增大，ΔZ2,ΔZ3滿足式(7)與式(8)并不再發(fā)生變化，記錄此時(shí)窗口2與窗口3的尺寸ns；若窗口尺寸增大的過程中出現(xiàn)ΔZ2,ΔZ3不滿足式(7)和式(8)，此時(shí)窗口1為虛假邊界點(diǎn)云，更新窗口1位置到此時(shí)窗口3位置，確定此時(shí)窗口3位置為新的道路邊界點(diǎn)(如圖9(a)所示)，繼續(xù)返回執(zhí)行。

④ 在ΔZ1滿足式(6)的條件下逐次減少窗口1尺寸(圖9(b)綠色框)，直至達(dá)到滿足條件的最小窗口1尺寸nm(圖9(b)紅色框)。因?yàn)樵诓襟E3結(jié)束后，窗口1，2，3的尺寸均為ns，此時(shí)窗口1尺寸較大，窗口1中不僅包含邊界點(diǎn)，還有部分非道路點(diǎn)(如圖8(b)所示)，影響邊界提取精度。

通過上述四個(gè)步驟即可完成對(duì)移動(dòng)窗口1，2，3尺寸自適應(yīng)設(shè)置。改進(jìn)后的移動(dòng)窗口示意圖如圖9所示。通常情況下nm≠ns，即窗口2與窗口3尺寸相同，而窗口1和窗口2與窗口3具有不同的尺寸。利用改進(jìn)移動(dòng)窗口方法進(jìn)行道路分割，初始窗口尺寸設(shè)置為5，通過更新迭代當(dāng)窗口1、2、3尺寸均為18時(shí)，ΔZ2，ΔZ3滿足式(7)與式(8)，分割結(jié)果如圖10所示，圖10(b)為圖10(a)中矩形區(qū)域的局部放大。

由圖10可知，提取結(jié)果中消除了固定移動(dòng)窗口提取被誤判為道路的局部區(qū)域，如圖10(a)中橢圓區(qū)域，但此時(shí)道路邊界處仍存在干擾點(diǎn)，如圖10(b)所示。保持窗口2、3尺寸為18，縮小窗口1尺寸繼續(xù)進(jìn)行迭代，直至窗口1尺寸為10時(shí)達(dá)到滿足式(6)的最小尺寸，此時(shí)道路提取結(jié)果如圖11所示。

由圖11可知，提取結(jié)果中不僅消除了固定移動(dòng)窗口提取被誤判為道路的局部區(qū)域，如圖11(a)中橢圓區(qū)域，而且消除了邊界處的干擾點(diǎn)，如圖11(b)所示，得到了清晰的道路邊界。

圖9 改進(jìn)后的移動(dòng)窗口示意圖

圖10 調(diào)整窗口1、窗口2和窗口3尺寸道路分割結(jié)果

圖11 改進(jìn)的移動(dòng)窗口道路分割結(jié)果

3 實(shí)驗(yàn)結(jié)果分析

3.1 實(shí)驗(yàn)條件與樣本數(shù)據(jù)

實(shí)驗(yàn)環(huán)境是WINDOWS 10操作系統(tǒng)，Intel(R)Core(TM) i7-10710U CPU@ 1.10 GHz 1.61 GHz ，RAM 16.0 GB，Visual Studio 2019+PCL-1.10.1+LAStools環(huán)境，采用C++語言進(jìn)行編寫。實(shí)驗(yàn)采用SSW車載激光掃描系統(tǒng)采集的城市公共區(qū)域和復(fù)雜街區(qū)道路共113份數(shù)據(jù)，其中城市公共區(qū)域道路有53份數(shù)據(jù)，總共包含112 076 160個(gè)激光點(diǎn)；復(fù)雜街區(qū)道路有60份數(shù)據(jù)，總共包含163 905 759個(gè)激光點(diǎn)。數(shù)據(jù)中包含城市環(huán)境中常見的車行道、行道樹、汽車、建筑物、路燈、交通標(biāo)志桿等地物目標(biāo)。實(shí)驗(yàn)數(shù)據(jù)基本信息見表1。

表1 實(shí)驗(yàn)數(shù)據(jù)基本信息

3.2 處理結(jié)果分析

分別利用最小-最大高度差濾波法(文獻(xiàn)[4])、改進(jìn)RANSAC算法(文獻(xiàn)[5])、移動(dòng)窗口算法(文獻(xiàn)[9])與文中提出的改進(jìn)移動(dòng)窗口算法對(duì)點(diǎn)云數(shù)據(jù)中的道路區(qū)域進(jìn)行提取，道路分割結(jié)果如圖12所示。圖12(a)中第一幅為城市區(qū)域道路點(diǎn)云圖，第二幅和第三幅為復(fù)雜街區(qū)道路點(diǎn)云圖。城市區(qū)域道路平坦，兩側(cè)為建筑物，路面上存在汽車等障礙物。復(fù)雜街區(qū)包含大量的高層建筑立面信息，大量人行橫道、行道樹，路燈，護(hù)欄等地物目標(biāo)，同時(shí)道路中間還有汽車、廣告牌，交通控制臺(tái)和花壇，包括彎道和十字路口等道路類型。由于沒有真實(shí)的參考數(shù)據(jù)，文中借助Cloud Compare(CC)軟件人工數(shù)字化標(biāo)定道路區(qū)域作為參考數(shù)據(jù)，分別利用文獻(xiàn)[4-5,9]中方法與文中提出的改進(jìn)移動(dòng)窗口算法得到的道路分割結(jié)果與人工標(biāo)定結(jié)果進(jìn)行對(duì)比。選用準(zhǔn)確率、召回率和綜合評(píng)價(jià)指標(biāo)三個(gè)指標(biāo)對(duì)道路區(qū)域提取結(jié)果精度進(jìn)行評(píng)價(jià)，三個(gè)指標(biāo)的計(jì)算方法為

(9)

(10)

(11)

式中：nTP為正確提取的道路點(diǎn)的個(gè)數(shù)；nFP為錯(cuò)誤提取的道路點(diǎn)的個(gè)數(shù)；nFN為未被提取的道路點(diǎn)的個(gè)數(shù)。為檢驗(yàn)算法提取效果，以圖12(a)中第三幅點(diǎn)云數(shù)據(jù)為例進(jìn)行評(píng)估，四種算法道路提取結(jié)果精度評(píng)價(jià)匯總結(jié)果見表2。

圖12 算法分割結(jié)果對(duì)比圖

表2 道路提取精度評(píng)價(jià)表

由表2來看，與其余三種算法進(jìn)行對(duì)比，文中提出的改進(jìn)移動(dòng)窗口方法對(duì)道路提取誤差評(píng)價(jià)指標(biāo)準(zhǔn)確率P、召回率R和綜合評(píng)價(jià)指標(biāo)F分別為96.42%,90.38%和93.30%。其中，準(zhǔn)確率P和綜合評(píng)價(jià)指標(biāo)F均得到提升，召回率R與文獻(xiàn)[4]中相較稍低，原因是道路中存在汽車遮擋，導(dǎo)致部分道路點(diǎn)未被提取出來。

以綜合評(píng)價(jià)指標(biāo)作為道路樣本識(shí)別準(zhǔn)確度的評(píng)價(jià)指標(biāo)，分別用N90,N80和N70表示F大于等于90%,80%和70%的樣本數(shù)，相應(yīng)的準(zhǔn)確率分別為F90，F(xiàn)80和F70。文中統(tǒng)計(jì)F80的樣本數(shù)作為識(shí)別準(zhǔn)確度衡量標(biāo)準(zhǔn)，圖13為不同算法下的道路識(shí)別準(zhǔn)確度直方圖。

由圖13可知，在城市區(qū)域環(huán)境下，四種算法的識(shí)別準(zhǔn)確率分別為90.57%，94.34%，96.23%和98.11%，在復(fù)雜街區(qū)環(huán)境下，四種算法的識(shí)別準(zhǔn)確率分別為71.67%,75.00%,83.33%和93.33%。在復(fù)雜街區(qū)道路識(shí)別準(zhǔn)確度較其他三種算法有了明顯的提升。綜合實(shí)驗(yàn)結(jié)果表明，文中提出的改進(jìn)移動(dòng)窗口算法有效提高了道路提取結(jié)果的準(zhǔn)確性。

圖13 不同算法下的道路識(shí)別準(zhǔn)確度直方圖

4 結(jié) 論

1) 文中將離散點(diǎn)云轉(zhuǎn)換為按掃描線排列的有序點(diǎn)云，分析不同目標(biāo)在掃描線上的特征，在傳統(tǒng)移動(dòng)窗口方法的基礎(chǔ)上，通過構(gòu)建多尺度、多窗口組合的改進(jìn)移動(dòng)窗口濾波方法，提出一種基于掃描線的移動(dòng)窗口道路區(qū)域識(shí)別方法。

2) 利用改進(jìn)移動(dòng)窗口濾波方法，通過自適應(yīng)確定道路提取濾波窗口尺寸，獲得了更好的道路邊界區(qū)域提取效果。與其他算法相比，文中算法在城市區(qū)域準(zhǔn)確率為98.11%，在復(fù)雜街區(qū)準(zhǔn)確率為93.33%，克服了固定濾波窗口導(dǎo)致的道路邊界處錯(cuò)誤點(diǎn)提取問題，實(shí)現(xiàn)了道路邊界點(diǎn)云的準(zhǔn)確提取。

3) 文中主要利用車載激光點(diǎn)云中的空間幾何信息進(jìn)行道路環(huán)境特征的感知。后續(xù)研究將通過構(gòu)建點(diǎn)云之間的空間拓?fù)潢P(guān)系，完善語義信息和增強(qiáng)紋理特征等，融合點(diǎn)云數(shù)據(jù)和其他輔助數(shù)據(jù)，實(shí)現(xiàn)信息互補(bǔ)，提高點(diǎn)云數(shù)據(jù)處理的效率和道路區(qū)域識(shí)別的精度。