韋 通

（山東省國土測繪院，山東 濟南 250014）

0.引言

2017年11月，原國家測繪地理信息局批復(fù)上海市新型基礎(chǔ)測繪試點項目，道路全息測繪應(yīng)運而生[1]。相較于傳統(tǒng)的數(shù)字測圖技術(shù)，道路全息測繪通過全景相機、激光雷達等先進感知設(shè)備，結(jié)合組合導(dǎo)航定位技術(shù)，使外業(yè)采集數(shù)據(jù)更加便捷、數(shù)據(jù)成果內(nèi)容更加豐富，為城市的數(shù)字化建設(shè)提供了重要保障[2]。但是，這種高效、快速的數(shù)據(jù)采集手段給后續(xù)內(nèi)業(yè)制圖帶來了新的問題：（1）數(shù)據(jù)種類多，點云、全景影像等多種數(shù)據(jù)在成果制作中難以有效融合、利用；（2）數(shù)據(jù)量大，不僅增加了內(nèi)業(yè)人員數(shù)據(jù)處理環(huán)節(jié)，也增加了內(nèi)業(yè)人員的辨識難度；（3）內(nèi)業(yè)采集要素、屬性多，極大地增加了內(nèi)業(yè)編輯人員的工作量、作業(yè)難度。

為此，基于點云數(shù)據(jù)的智能化提取成為當下道路全息測繪研究的熱點之一，國內(nèi)外眾多學(xué)者對此進行了大量研究。馬新江等人針對車載激光點云中道路邊界提取不精確、復(fù)雜度高等問題，提出了一種基于路緣特征的城市道路邊界自動提取方法，通過實驗證明了該方法的可行性和有效性[3]。對于道路標識線等地物要素，范雯等人提出了一種基于空譜特征的車載LiDAR點云道路標識線提取方法，該方法充分考慮了車載激光點云中道路標識線的顏色、空間鄰域和高程等信息，依次對點云數(shù)據(jù)進行自動分類，提取道路標識線[4]。針對城市道路中的桿狀地物，李永強等人先通過改進形態(tài)學(xué)算法一處點云數(shù)據(jù)中的地面點，并通過統(tǒng)計分析移除噪聲點，再根據(jù)預(yù)先建立的桿狀地物樣本訓(xùn)練SVM分類模型，對桿狀地物進行自動化提取[5]。此外，國內(nèi)眾多機構(gòu)也進行了深入研究、探索，研制了相應(yīng)的道路全息測繪制圖軟件，如清華三維的EPS、上海測繪院基于Cloud compare軟件的智能提取模塊。

但上述研究仍然存在著一些問題，如，算法性研究實例數(shù)據(jù)驗證較少，很難快速投入實際生產(chǎn)；各個機構(gòu)開發(fā)的半自動軟件模塊，無法融合全景照片、傳統(tǒng)地形數(shù)據(jù)，以及自動化提取的效果嚴重依賴于點云的質(zhì)量。本文將利用TOPODOT對道路點云進行智能化提取，重點針對多源數(shù)據(jù)融合、地物要素自動化提取、屬性編輯等方面進行研究，并通過具體的工程實例，驗證本文方法的可行性、適用性。

1.全要素地形繪制

道路全息測繪，首先利用車載掃描系統(tǒng)進行外業(yè)數(shù)據(jù)采集，獲取的數(shù)據(jù)包括點云、全景照片、移動端GNSS/IMU數(shù)據(jù)和基站GNSS數(shù)據(jù)；數(shù)據(jù)采集完成后，使用Inertial Explorer（簡稱IE）對基站GNSS數(shù)據(jù)、移動端GNSS/IMU數(shù)據(jù)進行定位測姿數(shù)據(jù)的融合解算，得到車載掃描系統(tǒng)的行車軌跡信息（POS軌跡數(shù)據(jù)），并利用POS軌跡數(shù)據(jù)解算相應(yīng)的點云數(shù)據(jù)；通常初步解算的點云數(shù)據(jù)無法滿足全息測繪的精度要求，需要進行點云糾正，以此修正POS軌跡數(shù)據(jù)；最后根據(jù)修正后的POS軌跡數(shù)據(jù)重新解算點云，并整理全景照片。

1.1 圖形信息提取

全要素地形數(shù)據(jù)制作主要根據(jù)合格的點云、全景照片等數(shù)據(jù)，在內(nèi)業(yè)軟件平臺中對地物要素進行提取，地物要素按照類型可分為點要素、線要素和面要素，地物要素的提取順序可按“線要素—點要素—面要素”進行提取。線要素主要包括范圍分界線、道路邊線、道路標志線、通信線、分隔欄等線狀地物；點要素主要包括行道樹、桿狀物、各類管道設(shè)施、垃圾箱、交通標志等點狀地物；面要素主要包括填充面、網(wǎng)狀線、停車位、候車棚等面狀地物。

1.2 屬性信息編輯

根據(jù)道路全息測繪“應(yīng)采盡采”的準則，全要素地形成果不僅包含各類地物要素的圖形信息，還涵蓋各類地物要素的社會、經(jīng)濟屬性。通常，桿狀地物需要錄入其高度、編號等信息；交通標志牌需要錄入其內(nèi)容、數(shù)值等信息；候車棚需要錄入其車次、站名等信息。

2.工程實例

2.1 工程數(shù)據(jù)

本文以徠卡Pegasus Two Ultimate移動激光掃描系統(tǒng)獲取的廣州某區(qū)域一段335m的單車道路數(shù)據(jù)作為實驗數(shù)據(jù)（如圖1所示）。道路數(shù)據(jù)包括點云數(shù)據(jù)和全景照片數(shù)據(jù)，其中，點云數(shù)據(jù)共18117727個數(shù)據(jù)點，涵蓋道路標志、道路標線、人行橫道線、道路邊線、公路護欄、路燈、指示牌、行道樹和一般公路橋等多類型地物要素；全景照片數(shù)據(jù)共92張，與點云數(shù)據(jù)空間位置相對應(yīng)。

圖1 實驗數(shù)據(jù)

2.2 智能化提取

該段道路中涉及的地物要素，按類型可分為點要素、線要素、面要素，其中，點要素包括路燈、指示牌、行道樹等地物要素；線要素包括道路標線、道路邊線、公路護欄、人行橫道線等地物要素；面要素包括一般公路橋、路面標志等地物要素。

TOPODOT智能提取流程：

（1）對上述點云數(shù)據(jù)，通過調(diào)節(jié)點云的反射強度信息，使地物要素的邊界輪廓更加分明；

（2）根據(jù)入庫標準，在軟件波處理，得到每一列位平臺中定義地物要素圖層、地物要素屬性列表、地物要素圖形符號和智能提取模板，生成地物圖層的*.csv文件、地物要素圖形符號和智能提取模板的*.cell文件，以及地物屬性列表的*.xml文件，便于相同項目直接使用；

（3）利用TOPODOT的智能提取功能對地物要素進行矢量提取，提取結(jié)果（如圖2所示）：

圖2 矢量圖形提取結(jié)果

從圖2可以發(fā)現(xiàn)：TOPODOT很好實現(xiàn)了實驗數(shù)據(jù)的特征點云分離，為后續(xù)智能化提取的準確性提供了先決條件；利用TOPODOT中智能提取功能，結(jié)合自定義的智能提取模板，對斑馬線、桿狀物、路面標線、道路邊線等地物實現(xiàn)了準確提取，且矢量數(shù)據(jù)與路面起伏情況完全貼合。

2.3 屬性編輯

在TOPODOT平臺中，可以在繪制矢量圖形時，使用自定義的地物屬性列表為各個地物附著屬性信息；也可在全部矢量圖形完成后，利用自定義的地物屬性列表按要素編碼類別統(tǒng)一附著屬性信息，結(jié)果（如圖3所示）：

圖3 地物要素屬性成果

從圖3可以看到：雙臂路燈的屬性信息不僅包括其空間位置信息，還包括燈桿高度信息、桿號信息；對于路燈的空間位置信息、燈桿高度信息等數(shù)值信息，可以根據(jù)點云數(shù)據(jù)自動識別，錄入至屬性表相應(yīng)位置；對于路燈的桿號等字符信息，需要根據(jù)外業(yè)綜合調(diào)繪結(jié)果，手動錄入。

3.成果精度分析

為了對TOPODOT軟件智能提取功能進行全面評估，利用網(wǎng)絡(luò)RTK技術(shù)、全站儀技術(shù)在實驗路段采集檢查點，檢查點均勻分布于路面標線、人行橫道線、一般公路橋、交通標志、雙臂路燈等地物要素，檢查結(jié)果（如表1所示）：

從表1可以看出：該實驗道路中線要素、面要素、點要素的點位精度都優(yōu)于0.05m，滿足道路全息測繪的精度需求；線要素中路面標線、人行橫道線的點位誤差為0.03m，說明了TOPODOT在路面標線智能提取的準確性；一般公路橋的點位平面點位誤差不大于0.02m，而點位高程誤差在0.03至0.05m范圍內(nèi)，可能是因為高架橋的震動導(dǎo)致RTK測高不穩(wěn)定；點要素中交通標志的點位誤差較差，是因為空中標志的點云密度較低，TOPODOT提取效果不佳，雙臂路燈點位平面誤差較大，而點位高程誤差較低，可能是因為利用全站儀對雙臂路燈進行偏心測量時，觀測誤差較大。因此，對于道路全息測繪，TOPODOT智能提取在提取精度上可以滿足項目需求；在工作效率方面，若不考慮圖層定義、圖形符號制作、智能提取模板制作和屬性列表定義等前期內(nèi)容，TOPODOT可以實現(xiàn)人機交互式提取，極大降低了矢量圖制作所需人力、時間。

表1 道路要素智能化提取點位精度分析表

4.結(jié)束語

綜上所述，為了更好地解決道路全息測繪智能化提取程度不高、屬性不易擴展的問題，本文采用TOPODOT軟件進行全要素地形繪制，以廣州某道路數(shù)據(jù)為例，并對繪制結(jié)果進行點位精度分析。通過分析，驗證了點要素、線要素和面要素智能提取的準確性，為今后道路全息測繪工作提供了重要的參考數(shù)據(jù)。