基于车载激光扫描数据的城市街道信息提取技术研究
【摘要】:随着激光扫描仪获取高质量点云数据能力的提高,移动激光扫描系统已逐渐被广泛应用于三维城市建模、道路建库及更新研究、安全控制、汽车导航、自动驾驶和林业信息管理。车载激光扫描(MLS)系统,机载激光扫描(ALS)系统和地面激光扫描(TLS)系统的数据在城市场景分析和信息提取中得到了越来越多的应用机会。相对于机载激光扫描数据和地面激光扫描数据,车载激光扫描数据更适合城市场景信息提取,其原因究其根本有两个。首先,与机载激光扫描数据相比,车载激光扫描数据具有较高的密度,并且包含更多的垂直方向上信息,这些因素对于从杆状物和建筑物中提取正面的详细信息非常重要。此外,车载激光扫描系统能比地面激光扫描系统更有效地获取数据,因为后者需要由人工移动测站来完成数据采集。许多研究人员深入研究了城市场景中车载激光扫描数据的应用,包括道路和道路标线检测和识别、建筑物检测与重建、杆状物体检测、行道树检测与建模以及整个城市街道场景分割与分类。从车载点云中提取街道信息是一个复杂的过程,其主要困难有三个来源。第一个困难来自点云数据的本身性质,点云数据特点是无组织结构,密度不均匀和数据量巨大。第二,整个场景的分割的目的是找到一些通用标准来将车载激光点云分割成单个的对象,然而不同对象通常具有不同的大小和形状。最后,由于城市环境的场景复杂性,汽车彼此靠近,树木和杆状物体相互缠结,各种物体可能落在树木和杆下等,这些复杂的情况都增加了街道信息提取的复杂性。因此,解决这些问题,对街道信息进行更加高效的提取,从而促进车载激光点云数据在各个行业的广泛应用有着极为重要的意义。本研究中主要包括了以下几方面内容:(1)回顾和总结了车载激光点云中街道物体的提取和分割方法,并深入分析了区分不同物体的本质线索,再将这些线索分为了三类:欧式距离线索,基于局部领域的几何特征线索和光谱线索,相对于以前学者从方法层面(如基于模型方法、基于区域增长方法、基于聚类方法)进行的总结,这种提取区分物体本质线索的研究将为后续研究者提供重要参考。(2)深入探讨了激光点云的数据预处理方法,特别是基于车载激光点云数据的预处理方法。主要包括建立点云空间索引、原始点云数据去噪、体素化和地面点云数据滤波。这些预处理方法都是后续点云数据使用的重要基础,例如后续道路提取中计算基于局部邻域的几何特征需要用到空间索引方法来计算主方向。(3)提出了一种基于统计特征和图像特征的道路面提取算法。本算法以车载激光扫描数据为研究对象,采用了由粗到细的策略。首先提出了两种不同的策略对非地面点进行粗略的剔除,包括常用的基于直方图的基础阈值处理方法和直方图凹度分析选择阈值的方法。然后,通过对道路面的边界特征进行分析,提出了一种基于道路高程梯度特征分析的道路面精确提取方法。该方法先生成高程梯度特征图像,然后对图像进行二值化处理,在进行形态学的闭操作处理孔洞之后,采用基于轨迹线作为开始种子点的区域增长方法来提取整个道路面。(4)提出了一种基于自适应圆柱模型的杆状物提取方法,算法基于体素化后的数据进行垂直连续性分析和基于自适应半径圆柱的隔离性分析,提高了计算速度,且自适应圆柱模型较之原始双圆柱模型适应性更广。(5)提出了一种基于密度的车载激光点云数据聚类方法,将城市街道场景车载点云数据分割为具有实际意义的街道物体分割块。首先,滤除噪声点后,原始的点云数据集被体素化,并且基于对地面的两个假设来检测出地面体素。在第二阶段,进行核心的密度聚类分析处理步骤。聚类中心基于本算法提出的两个关键参数:局部密度和最小距离。另外,标签处理按照每个体素的局部密度值的降序进行。在最后阶段,首先将合并步骤应用于反算点云以合并在第二阶段中生成的那些过分割聚类块;然后,进行重新分配标签步骤来处理噪声点并生成最终分割结果。
【学位授予单位】:武汉大学
【学位级别】:博士
【学位授予年份】:2017
【分类号】:P225.2