胡 舒，王樹根，王 越，李 欣

（1.武漢大學(xué) 遙感信息工程學(xué)院，湖北 武漢 430079；2.武漢市測繪研究院，湖北 武漢 430022）

隨著科技的發(fā)展，城市中私家車的數(shù)量急劇增加，違規(guī)占道、違章停車等情況層出不窮，導(dǎo)致道路安全形勢日趨嚴(yán)峻。夜間違停亂停導(dǎo)致的道路安全問題越來越受到重視，公眾對公共停車場數(shù)量的需求也越來越大，因此改善當(dāng)前城市夜間道路環(huán)境已刻不容緩。為了獲取城市區(qū)域道路兩側(cè)的夜間停車信息，可利用夜間車流量相對較少、路面狀況較穩(wěn)定的特點開展城市區(qū)域道路兩側(cè)停車調(diào)查工作，為建設(shè)公共停車場以及治理夜間違章停車提供依據(jù)。

車載激光掃描技術(shù)是一種動態(tài)獲取城市三維空間數(shù)據(jù)的新技術(shù)[1]。該技術(shù)已在三維城市建設(shè)、桿狀地物檢測、建筑物立面檢測以及道路安全檢測等領(lǐng)域得到廣泛應(yīng)用。與機載LiDAR相比，車載LiDAR具有掃描頻率高、移動速度快和測量距離近等特點，采集的點云數(shù)據(jù)量大且內(nèi)容豐富，包括道路沿線地物，如樹木、建筑物、行人、線桿、車輛以及其他目標(biāo)等。車載激光掃描技術(shù)不受光照因素的制約，可用來獲取夜間道路兩側(cè)的地物目標(biāo)點云數(shù)據(jù)。

針對基于三維激光點云的目標(biāo)檢測方法，國內(nèi)外已有不少研究，如譚賁[2]、PU S[3]等通過分析車載LiDAR點云中不同地物的掃描點特征來采集點云數(shù)據(jù)塊的各項特征，再進(jìn)行地物的自動識別和分類，但沒有討論車輛目標(biāo)的檢測問題；YANG B S[4]等發(fā)現(xiàn)從點云數(shù)據(jù)中提取車輛目標(biāo)存在一定的困難，由于建筑物陰影、樹木等對車輛的遮擋，導(dǎo)致檢測準(zhǔn)確率降低。然而，基于車載LiDAR點云的車輛目標(biāo)自動檢測問題鮮有研究，因此本文根據(jù)車輛目標(biāo)的點云特征和自然空間特征等，提出了一種基于知識規(guī)則的車輛目標(biāo)自動檢測方法，并通過實測數(shù)據(jù)驗證了該算法的有效性。

1 基于知識規(guī)則的車輛目標(biāo)自動檢測

1.1 點云預(yù)處理

車載激光掃描系統(tǒng)獲取的車載LiDAR點云數(shù)據(jù)量非常龐大，且存在數(shù)據(jù)冗余，為了便于后續(xù)處理，需對點云數(shù)據(jù)進(jìn)行預(yù)處理。本文利用參考文獻(xiàn)[5]的方法分別在水平方向和垂直方向?qū)c云進(jìn)行處理，主要目的是去除地面點云。在水平方向上，根據(jù)道路寬度信息建立緩沖區(qū)，道路兩側(cè)以外的不屬于道路范圍的點云被全部去除；在垂直方向上，結(jié)合POS軌跡數(shù)據(jù)并按高度過濾，提取出地面到掃描中心高度范圍內(nèi)的點云。通過上述預(yù)處理，去除了地面點云，只保留了感興趣的道路范圍內(nèi)的點云數(shù)據(jù)，大大減少了點云數(shù)量，提高了點云的處理效率。

1.2 獨立地物分割

本文采用分割的方法對點云進(jìn)行聚類分析，將點云分割為點云簇；再根據(jù)車輛目標(biāo)的特征，實現(xiàn)城市道路兩側(cè)車輛目標(biāo)的自動檢測。聚類算法主要包括層次聚類方法、劃分方法、基于網(wǎng)格的方法、基于密度的方法以及基于模型的方法[6-8]。除此之外，還可將點云數(shù)據(jù)進(jìn)行投影，并對投影得到的圖像進(jìn)行二值化處理，再利用圖像的聚類方法[9]進(jìn)行聚類分析。

車載LiDAR點云剔除地面點后，路面目標(biāo)點云為獨立分布狀態(tài)，因此本文分別采用基于歐式距離分割的聚類方法和基于密度的DBSCAN聚類方法對車載LiDAR點云數(shù)據(jù)進(jìn)行聚類，并比較兩種算法的性能，進(jìn)而選取最適合本文數(shù)據(jù)的方法進(jìn)行聚類實驗。

1.2.1 基于歐式距離分割的聚類方法

該方法基于歐式距離度量點與點之間的遠(yuǎn)近[10]。在多維空間中，利用點與點之間的幾何距離來表示歐氏距離，如在三維空間中的任意兩點A(XA,YA,ZA)和B(XB,YB,ZB)，其歐式距離可表示為：

針對點云數(shù)據(jù)量龐大、冗余嚴(yán)重且處理效率低下的情況，在進(jìn)行基于歐式距離分割的聚類之前，需先對點云數(shù)據(jù)進(jìn)行體素柵格濾波，以實現(xiàn)體素網(wǎng)格化下采樣，該過程利用PCL庫[11]中的VoxelGrid濾波器實現(xiàn)。由于點云中不可避免的存在大量噪聲干擾，為了減少干擾，利用統(tǒng)計分析技術(shù)對點云進(jìn)行濾波，濾除噪聲點，可大大減少冗余的點云數(shù)據(jù)，使點云形狀特征得以保持，該過程利用PCL庫中的StatisticalOutlierRemoval濾波器實現(xiàn)。

在進(jìn)行基于歐式距離分割的聚類過程中，利用KD Tree算法在多維空間內(nèi)對每個點的最鄰近點進(jìn)行搜索，小于設(shè)定的距離閾值D的點云數(shù)據(jù)被劃分到同一個點云簇。設(shè)定一個點云簇包含點云數(shù)量的最小值（Min_Size）和最大值（Max_Size），只有包含點云數(shù)量在這個范圍之間的點云簇才能被保存下來，其余點云簇則直接濾除，該閾值設(shè)定的目的是濾除分割得到的細(xì)小部件。

1.2.2 基于密度的DBSCAN聚類方法

由于濾除地面點云后，點云密度特征明顯，因此本文同時采用基于密度的方法進(jìn)行聚類。具有噪聲的基于密度的DBSCAN[12]聚類方法是一個典型的基于密度的聚類方法。其核心思想為：在點云數(shù)據(jù)集中選擇任意一個核心對象（即在一定范圍內(nèi)周圍點的數(shù)量大于一定閾值的點）作為種子點，然后向周圍擴展，找到該種子點密度可達(dá)的所有樣本集合，聚類為一個點云簇，重復(fù)上述過程，直到點云數(shù)據(jù)集內(nèi)所有的點都被聚類或被判定為異常點為止。

在聚類過程中，本文采用基于歐式距離分割的聚類方法和基于密度的DBSCAN聚類方法分別對同一組實驗數(shù)據(jù)進(jìn)行聚類實驗。聚類結(jié)果如圖1所示，可以看出，圖1a中下采樣效果以及離群點濾除效果明顯，點云簇邊緣更加光滑；圖1b中點云簇邊緣噪聲點依然存在，且離群點去除效果較差?；跉W式距離分割的聚類方法的聚類結(jié)果明顯優(yōu)于基于密度的DBSCAN聚類方法，如圖1中紅色矩形框所示，基于密度的DBSCAN聚類方法分割嚴(yán)重不足，這是由于該點云數(shù)據(jù)集密度不均勻所導(dǎo)致的，因此本文選擇基于歐式距離分割的方法進(jìn)行聚類。

圖1 兩種聚類方法效果對比

1.3 車輛目標(biāo)的自動檢測

1.3.1 特征提取

對分割后得到的獨立地物點云簇進(jìn)行點云特征的提取，提取的特征應(yīng)能區(qū)別車輛與其他點云數(shù)據(jù)中的地物。根據(jù)車輛的空間拓?fù)湮恢?、物理大小、車輛與地面的關(guān)系以及車輛的幾何特征等，建立車輛目標(biāo)自動檢測的知識規(guī)則，再根據(jù)該規(guī)則實現(xiàn)車輛的自動檢測。知識規(guī)則涉及車輛目標(biāo)的大小、高度、水平投影面積、水平投影外接矩形邊界框的長與寬等。

1）大小是區(qū)分不同地物目標(biāo)的重要特征之一。本文采用每個獨立地物包含的點云數(shù)量來表示地物大小。

2）高度是區(qū)分城市地物的重要特征之一。首先計算獨立地物的最大高度Zmax和最小高度Zmin，再根據(jù)式（2）計算得到獨立地物的高度H。車輛目標(biāo)的平均高度是相似的，約為1.5 m。

3）水平投影面積。車輛在三維、二維空間中的形態(tài)如圖2所示，城市中不同型號車輛在水平面上的投影在面積和形狀上是相似的，因此地物的水平投影面積S，即為物體點云簇在水平面上投影的邊界矩形框面積，計算公式為：

式中，xmax、xmin、ymax、ymin分別為x坐標(biāo)和y坐標(biāo)的最大值與最小值。

4）水平投影外接矩形邊界框的長與寬，描述的是物體的形狀特性。車輛具有相似的形狀，其水平投影外接矩形邊界框的長與寬也相似，邊長過長和過短的地物都不符合車輛的形狀特性。

圖2 車輛在三維、二維空間的示意圖

1.3.2 特征判定與車輛檢測

在圖像處理時，通常采用模板匹配的方法來檢測地物目標(biāo)，但在三維點云數(shù)據(jù)處理時，該方法不適用，因此本文基于上述知識規(guī)則和要素特征，分別計算各獨立地物點云的屬性，為進(jìn)行車輛目標(biāo)的檢測提供基礎(chǔ)知識。

根據(jù)知識規(guī)則定義計算獨立地物的特征向量Vi=[x,y,z,n,h,s,l]，其中x、y、z為空間位置，以獨立地物的質(zhì)心表示；n為大小，以獨立地物點云中所包含的點云數(shù)量來表示；h為高度；s為水平投影面積；l為水平投影外接矩形邊界框的長與寬。結(jié)合車輛目標(biāo)的自然特征和空間幾何特征，與知識規(guī)則建立自然對應(yīng)關(guān)系，計算各獨立地物點云的特征，并得到特征向量；再與建立的車輛目標(biāo)自動檢測知識規(guī)則進(jìn)行匹配，實現(xiàn)車輛目標(biāo)的自動檢測。

基于知識規(guī)則的車輛目標(biāo)自動檢測算法流程如圖3所示。

圖3 基于知識規(guī)則的車輛目標(biāo)自動檢測算法流程圖

2 實驗結(jié)果與分析

本文選取武漢市三環(huán)線內(nèi)某道路的車載LiDAR點云實測數(shù)據(jù)進(jìn)行車輛目標(biāo)檢測實驗，以驗證提出的基于知識規(guī)則的車輛目標(biāo)自動檢測算法的有效性與可行性。

2.1 實驗數(shù)據(jù)

實驗數(shù)據(jù)來源于武漢市三環(huán)線內(nèi)主要道路的夜間停車狀況調(diào)查項目。武漢市三環(huán)線內(nèi)某段道路預(yù)處理后的點云數(shù)據(jù)如圖4所示，呈長條狀分布，全程長約為1.4 km，共包含9 742 560個掃描點。

圖4 武漢市三環(huán)線內(nèi)某段道路的車載LiDAR點云數(shù)據(jù)

2.2 實驗結(jié)果與分析

考慮到點云數(shù)據(jù)量龐大、處理效率低的情況，實驗中將該道路點云分為8個小段，分別進(jìn)行車輛目標(biāo)的自動檢測。首先對點云數(shù)據(jù)進(jìn)行預(yù)處理、下采樣、濾波以及分割等處理；再利用基于知識規(guī)則的車輛目標(biāo)自動檢測算法計算地物目標(biāo)的點云特征、幾何特征以及各項屬性；然后將其與車輛目標(biāo)知識規(guī)則庫進(jìn)行匹配，得到車輛目標(biāo)的檢測結(jié)果。某段道路的檢測結(jié)果如圖5所示，原始點云數(shù)據(jù)在FugroViewer中顯示，其余結(jié)果均在CloudCompare軟件中顯示。

由圖5b可知，基于歐式距離分割的聚類方法能很好地去除離群點和異常點，并將地物目標(biāo)分割成獨立地物點云，地物目標(biāo)的分割效果較好；由圖5c可知，基于知識規(guī)則的車輛目標(biāo)自動檢測算法能有效實現(xiàn)車輛目標(biāo)的自動檢測。

為了驗證本文算法的正確性，實驗過程中對8個路段分別進(jìn)行了車輛目標(biāo)的自動檢測，同時采用人工目視判讀的方法對點云數(shù)據(jù)中的車輛目標(biāo)進(jìn)行統(tǒng)計，并將本文算法得到的檢測結(jié)果與之進(jìn)行比較，結(jié)果如表1所示。

圖5 某段道路車輛目標(biāo)檢測結(jié)果

表1 樣本路段車輛檢測結(jié)果

由表1可知，基于知識規(guī)則的車輛目標(biāo)自動檢測算法能有效檢測車輛目標(biāo)，自動檢測準(zhǔn)確率可達(dá)88.10%，證明該方法是可行且有效的。

該路段某個位置造成的車輛漏檢（紅色框）和錯檢（黃色框）現(xiàn)象如圖6所示。通過分析可以發(fā)現(xiàn)，影響自動檢測準(zhǔn)確率的主要原因一方面是部分車輛目標(biāo)之間存在相互遮擋，導(dǎo)致距離過近、分割不足，或是車輛點云不連貫導(dǎo)致過分割、車輛信息不完整，進(jìn)而導(dǎo)致提取的特征無法與知識規(guī)則匹配；另一方面是由于極少數(shù)地物與車輛目標(biāo)有相似的特征，導(dǎo)致識別困難。

考慮到過分割與分割不足對車輛目標(biāo)檢測精度的影響，可通過優(yōu)化聚類方法達(dá)到對點云數(shù)據(jù)的更優(yōu)分割，從而提高車輛目標(biāo)檢測的準(zhǔn)確率。除此之外，點云密度也是影響檢測精度的因素之一，因此在點云數(shù)據(jù)的獲取上也應(yīng)更加嚴(yán)謹(jǐn)。

圖6 車輛目標(biāo)漏檢結(jié)果示意圖

3 結(jié) 語

本文以武漢市三環(huán)線內(nèi)主要道路的夜間停車狀況調(diào)查項目為依托，采用武漢市三環(huán)線內(nèi)某段道路沿線點云數(shù)據(jù)進(jìn)行車輛目標(biāo)的自動檢測。首先通過點云預(yù)處理移除地面點云，并對非地面點云進(jìn)行下采樣和濾波，以簡化點云并去除離群點與異常點；然后采用基于歐式距離分割的聚類方法將點云數(shù)據(jù)劃分為點云簇；再分析車輛目標(biāo)的點云特征、自然物理特征、空間幾何特征等相關(guān)特點，建立車輛目標(biāo)檢測的知識規(guī)則；最后根據(jù)知識規(guī)則實現(xiàn)車輛目標(biāo)的自動檢測。實驗表明，該方法的準(zhǔn)確率可達(dá)88.10%，減少了人工統(tǒng)計的工作量。在后續(xù)研究中，可進(jìn)一步改進(jìn)聚類算法以及深入挖掘人工智能方法，以便提高車輛目標(biāo)檢測的精度和自動化程度。