劉國棟,劉 佳,劉 浪

(重慶交通大學(xué) 土木工程學(xué)院，重慶 400074)

引 言

山區(qū)道路因存在著樹木遮擋、彎多坡陡的特性，給道路空間信息的獲取帶來了巨大的挑戰(zhàn)。當(dāng)前道路信息獲取方法按照數(shù)據(jù)來源可分為3類：基于浮動(dòng)車軌跡數(shù)據(jù)、基于遙感影像和基于高密度點(diǎn)云數(shù)據(jù)[1]?；诟?dòng)車軌跡數(shù)據(jù)獲取道路利用車輛的低頻低精度全球定位系統(tǒng) (global position system,GPS) 軌跡數(shù)據(jù)作為道路信息提取框架，具有數(shù)據(jù)獲取成本低、現(xiàn)實(shí)性強(qiáng)等優(yōu)點(diǎn)[2]，但是主要應(yīng)用在城市及一些車流量大的區(qū)域，對于山區(qū)道路適用性不大。基于遙感影像獲取道路信息的研究已發(fā)展多年，有些方法還應(yīng)用在了一些商業(yè)軟件上，如：Erdas采用了模板匹配法、eCognition采用了面向?qū)ο蠓╗3]，但是基于遙感影像提取道路仍存在一些局限：樹木遮擋造成的數(shù)據(jù)空白、同譜異物與同物異譜造成的誤判、陰影以及影像的明暗變化造成的誤判等[4]?；诟呙芏赛c(diǎn)云數(shù)據(jù)可以很好地規(guī)避用遙感影像提取道路的問題：由機(jī)載激光雷達(dá) (light detection and ranging,LiDAR) 獲取的點(diǎn)云具有同一性，不會(huì)有遙感影像因陰影以及明暗變化帶來的誤判[5]。機(jī)載LiDAR還具有一定穿透能力可獲得多次回波，能在一定程度上避免由于樹木的遮擋而造成的數(shù)據(jù)空白[6]。因此,利用機(jī)載LiDAR點(diǎn)云的豐富信息提取地形陡峭復(fù)雜、植被茂密且本身蜿蜒曲折的山區(qū)道路引起了眾多研究人員的關(guān)注。

在機(jī)載LiDAR點(diǎn)云數(shù)據(jù)中，道路點(diǎn)有兩個(gè)明顯的特征：(1)因道路路面較為平滑，故路面點(diǎn)云間的高程差異和起伏差異都小于周圍的建筑物、溝坎、植被等地物[4]；(2)因一定區(qū)域內(nèi)的道路一般采用的構(gòu)筑材料一致，獲取的路面點(diǎn)的反射強(qiáng)度具有一致性，與周圍其它地物地面點(diǎn)具有明顯區(qū)別[5]。目前，基于機(jī)載LiDAR點(diǎn)云數(shù)據(jù)提取山區(qū)道路都是基于以上特征進(jìn)行。HE等人[7-9]利用道路的連續(xù)性與局部區(qū)域起伏較小等特性設(shè)定多特征閾值的方法來提取道路點(diǎn)取得了不錯(cuò)的效果，但是在閾值的設(shè)定上需要人為調(diào)試后設(shè)定效率較低，且閾值的普適性也較低。為解決道路提取閾值問題，HUI[10]與SNCHEZ等人[11]引入偏度平衡算法自動(dòng)計(jì)算得到道路強(qiáng)度閾值，在城市等道路區(qū)域占比較大的區(qū)域得到了不錯(cuò)的效果，但是該方法不適合應(yīng)用在農(nóng)村及山區(qū)道路占比較少的地區(qū)。AZIZI等人[12]與FERRAZ等人[13]先將點(diǎn)云轉(zhuǎn)為數(shù)字地面模型(digital terrain model,DTM)再分別引入支持向量機(jī)與隨機(jī)森林機(jī)器學(xué)習(xí)算法，訓(xùn)練影像分類模型從DTM中提取道路柵格進(jìn)而得到道路信息。將點(diǎn)云轉(zhuǎn)為DTM提取道路雖縮短了計(jì)算時(shí)間，但卻降低了道路的辨識(shí)度，最終影響道路提取精度。YUAN等人[14]直接引入了隨機(jī)森林算法從多光譜LiDAR數(shù)據(jù)中提取獲得道路中心線，使用多光譜LiDAR能增加分類特征,提高分類精度,但也同時(shí)增加了模型訓(xùn)練與分類的時(shí)間,降低了效率。

針對從機(jī)載LiDAR數(shù)據(jù)中提取山區(qū)道路閾值設(shè)定難、普適性與提取效率低的問題，本文中直接將隨機(jī)森林分類模型應(yīng)用在濾波后的地面點(diǎn)云中，選用坡度、粗糙度等5類特征提取初始道路點(diǎn)云，再通過基于密度的噪聲應(yīng)用空間聚類算法 (density-based spatial clustering of application with noise,DBSCAN) 聚類精化，最后柵格投影矢量化得到道路中心線。

1 山區(qū)道路提取方法

本文中主要是對參考文獻(xiàn)[13]中的道路提取方法進(jìn)行改進(jìn)，提出一種將隨機(jī)森林分類模型直接應(yīng)用在機(jī)載LiDAR點(diǎn)云中提取山區(qū)道路，具體方法流程如圖1所示。

Fig.1 Flow chart of extraction method

主要分4個(gè)階段進(jìn)行：

(1)數(shù)據(jù)預(yù)處理。點(diǎn)云濾波，道路點(diǎn)歸屬地面點(diǎn)云范疇，從原始機(jī)載LiDAR點(diǎn)云數(shù)據(jù)出發(fā)，濾除房屋、電線、植被等非地面點(diǎn)，濾波獲取取地面點(diǎn)云。

(2)特征計(jì)算。根據(jù)山區(qū)道路特性，除原始機(jī)載LiDAR點(diǎn)云的反射強(qiáng)度信息之外，計(jì)算地面點(diǎn)云各點(diǎn)鄰域特征：坡度、粗糙度、高差方差和點(diǎn)密度，與原反射強(qiáng)度共同組成點(diǎn)云分類的特征集。

(3)道路點(diǎn)云提取。樣本集制作：從特征計(jì)算完成的點(diǎn)云中,手動(dòng)提取道路點(diǎn)與非道路點(diǎn),并賦上類別標(biāo)簽制作成樣本集。模型訓(xùn)練：將樣本集進(jìn)行隨機(jī)森林分類模型訓(xùn)練，得到點(diǎn)云隨機(jī)森林分類模型。初始道路點(diǎn)云提取：把地面點(diǎn)云特征值輸入分類模型中，取得各點(diǎn)的類別標(biāo)簽，按道路類別提取初始道路點(diǎn)云。精化道路點(diǎn)云：采用DBSCAN聚類算法對初始道路點(diǎn)云去噪精化。

(4)矢量化。將精化道路點(diǎn)云格網(wǎng)化重采樣投影到xOy平面生成道路柵格數(shù)據(jù)，再對柵格數(shù)據(jù)矢量化，最終獲得道路中心線。

2 點(diǎn)云特征

為將道路點(diǎn)所具備的連續(xù)性、平滑性及反射強(qiáng)度一致性等特征應(yīng)用到道路提取中來，計(jì)算地面點(diǎn)云各點(diǎn)在鄰域內(nèi)的坡度、粗糙度、高差方差及點(diǎn)密度，與點(diǎn)云的反射強(qiáng)度組成點(diǎn)云的分類特征。

(1)坡度。鄰域點(diǎn)的擬合平面與水平面的夾角。道路區(qū)域在局部鄰域范圍內(nèi)可近似看作為平面，相對于非道路區(qū)域，道路區(qū)域的坡度相對較小且穩(wěn)定?？臻g中，點(diǎn)的法向量是描述點(diǎn)所在面的朝向，可通過先計(jì)算法向量再求得點(diǎn)的坡度值。對每個(gè)離散點(diǎn)的鄰域點(diǎn)進(jìn)行平面擬合，將擬合的平面方程轉(zhuǎn)換為一般式，需滿足下式：

Ax+By+Cz=D,(D≥0,A2+B2+C2=1)

(1)

式中,A，B,C分別為平面的法向量在x,y,z這3個(gè)方向上的分量，D為常數(shù)。為獲取最佳擬合平面，采用最小二乘法求解擬合平面，即保證所有點(diǎn)到平面的距離之和最小。所求的法向量中，z方向的分量表示點(diǎn)鄰域范圍坡度的平緩程度，該分量越大表示越平緩，反之越陡峭，為便于理解將之轉(zhuǎn)化為坡度表示：

(2)

式中，θ為擬合平面坡度。

(2)粗糙度。鄰域內(nèi)所有點(diǎn)的高程標(biāo)準(zhǔn)差。山區(qū)道路具有連續(xù)性，在小區(qū)域范圍內(nèi)路面高程值差異小，不會(huì)出現(xiàn)大的波動(dòng)與突變，計(jì)算的高程標(biāo)準(zhǔn)差可評估局部區(qū)域的異質(zhì)性，值越大表明鄰域內(nèi)高程變化越大，當(dāng)前點(diǎn)屬于道路點(diǎn)的可能性就越小。

(3)高差方差。鄰域內(nèi)所有點(diǎn)與當(dāng)前點(diǎn)的高差方差，用以描述點(diǎn)在鄰域內(nèi)的高差變化的穩(wěn)定性。相對非道路點(diǎn)云，道路點(diǎn)云高程變化緩和，高差方差較小。

(4)點(diǎn)密度。即點(diǎn)鄰域內(nèi)的點(diǎn)個(gè)數(shù)，道路區(qū)域相較于其它地面區(qū)域因地勢平坦、樹木遮擋較少，濾波后的該區(qū)域點(diǎn)較為密集。

(5)反射強(qiáng)度。LiDAR點(diǎn)云對于相同材質(zhì)的地物反射強(qiáng)度具有很強(qiáng)的同一性，利用反射強(qiáng)度特征進(jìn)行道路的提取，這為道路點(diǎn)云的分類提取提供了最重要的特征，也是最有區(qū)別力度的分類特征。

3 山區(qū)道路提取實(shí)驗(yàn)與分析

實(shí)驗(yàn)中所使用機(jī)載LiDAR點(diǎn)云數(shù)據(jù)來源于美國普吉特海灣激光雷達(dá)聯(lián)盟(The Puget Sound LiDAR Consortium,PSLC) 2013 Entiat River LiDAR項(xiàng)目所提供的部分山區(qū)點(diǎn)云數(shù)據(jù)，如圖2所示。數(shù)據(jù)中共計(jì)點(diǎn)2738288個(gè)，平均點(diǎn)密度為13.82/m2，實(shí)驗(yàn)數(shù)據(jù)包含地面、植被、道路、房屋等點(diǎn)，道路位于數(shù)據(jù)中央地勢平緩的溝谷區(qū)域，道路兩側(cè)為山區(qū)常見的陡緩坡交替地形，點(diǎn)云高差達(dá)到205.76m，具有很好的山區(qū)代表性。

Fig.2 Experimental data

3.1 數(shù)據(jù)預(yù)處理

本文中使用LiDAR360點(diǎn)云軟件濾波，考慮山區(qū)地形高差起伏變化較大，采用在山地森林地區(qū)穩(wěn)健性較好的漸進(jìn)加密三角網(wǎng)濾波法[15]對原始LiDAR點(diǎn)云濾波，該方法首先需參考數(shù)據(jù)內(nèi)最大建筑物的邊長劃分虛擬格網(wǎng)，獲取格網(wǎng)內(nèi)最低點(diǎn)作為地面種子點(diǎn)。然后對種子點(diǎn)建立不規(guī)則三角網(wǎng) (triangulated irregular network, TIN) 進(jìn)行迭代加密，迭代過程中，計(jì)算判斷其余點(diǎn)到所對應(yīng)三角形的距離與角度是否滿足閾值，滿足則加入地面點(diǎn)中生成新TIN。迭代過程一直到?jīng)]有點(diǎn)再加入TIN為止，最后TIN中的點(diǎn)即為地面點(diǎn)。濾波結(jié)果如圖3所示，獲取地面點(diǎn)共計(jì)1281419個(gè)，樹木房屋等非地面點(diǎn)基本去除，且道路區(qū)域點(diǎn)云保留良好。

Fig.3 Ground point cloud after filtering

3.2 特征計(jì)算

地面點(diǎn)云特征計(jì)算可根據(jù)點(diǎn)云的密度來設(shè)置鄰域距離，其原則是計(jì)算盡量小的區(qū)域范圍，但需盡可能地減少計(jì)算特征出現(xiàn)空值。本文中數(shù)據(jù)濾波后的平均點(diǎn)密度為6.5/m2，將點(diǎn)鄰域設(shè)置為0.5m來計(jì)算點(diǎn)云特征，對各個(gè)特征進(jìn)行灰度可視化渲染，如圖4所示。

在坡度、粗糙度與高差方差3個(gè)點(diǎn)云特征圖像中，整體道路點(diǎn)云表征明顯，與周圍非道路點(diǎn)云差異較大，特征值主要集中在小數(shù)值上，可以作為道路點(diǎn)分類判斷的重要依據(jù)。在點(diǎn)密度特征圖像中，整體道路點(diǎn)云密度較非道路點(diǎn)云要大，但是某些路段區(qū)域卻出現(xiàn)斷層現(xiàn)象(點(diǎn)密度變小)，分析原因可能是因?yàn)樵技す恻c(diǎn)云采集時(shí)掃描不均勻，導(dǎo)致這些區(qū)域點(diǎn)密度過小。在反射強(qiáng)度特征圖像中，呈現(xiàn)出兩條具有不同特性的道路：其中一條道路點(diǎn)云反射強(qiáng)度值集中在較小數(shù)值上，與周圍非道路點(diǎn)云差異明顯；但另一條道路點(diǎn)云反射強(qiáng)度值與周圍非道路點(diǎn)云差異不大，推斷是因該條道路所用材質(zhì)為沙石泥土所致。為了能夠得到完整的道路點(diǎn)云，在道路點(diǎn)云提取過程中需要將所有道路點(diǎn)云所表現(xiàn)出的點(diǎn)云特征都予以考慮，即在樣本采集時(shí)對密度小的道路斷層區(qū)域與道路反射強(qiáng)度差異小的區(qū)域選擇性采集。

Fig.4 Point cloud characteristics

3.3 道路點(diǎn)云提取

3.3.1 樣本集制作與分析 本文中道路點(diǎn)云提取采用一種監(jiān)督分類的方式，需要對特征計(jì)算完成的地面點(diǎn)云人工采集具有代表性的先驗(yàn)點(diǎn)作為樣本集。樣本類別分為兩類，正樣本即道路點(diǎn)，負(fù)樣本即非道路點(diǎn)。為了結(jié)果能獲取較完整道路點(diǎn)，樣本采集尤為關(guān)鍵，需要遵循代表性、概括性與完整性，根據(jù)山區(qū)道路點(diǎn)云特征，選擇主要依據(jù)可為反射強(qiáng)度值、坡度和地形表面的高程起伏形態(tài)。使用CloudCompare軟件從特征計(jì)算完成的點(diǎn)云中，手動(dòng)提取正負(fù)樣本點(diǎn)，并賦上類別標(biāo)簽。分析山區(qū)道路的分布與計(jì)算完成的分類特征后，最終確定訓(xùn)練樣本集分3個(gè)區(qū)域采集，主要圍繞道路分布在河谷區(qū)域、山腰區(qū)域(樣本集在地面點(diǎn)具體分布如圖5所示)共計(jì)100494個(gè)，道路點(diǎn)(標(biāo)簽值為1)33848個(gè)，非道路點(diǎn)(標(biāo)簽值為0)66646個(gè)。

為分析點(diǎn)類別與點(diǎn)特征的相關(guān)性，繪制樣本集的兩類點(diǎn)在各特征上的分布圖,如圖6所示。縱坐標(biāo)是各個(gè)特征對應(yīng)特征值點(diǎn)云個(gè)數(shù)，橫坐標(biāo)除了圖6a以外，其余都是無量綱量。由圖6可看出，道路點(diǎn)與非道路點(diǎn)在各特征中分布具有明顯差異，在坡度、粗糙度、高差方差特征中，道路點(diǎn)分布聚集且峰值突出并集中在較小的數(shù)值上，而非道路點(diǎn)分布則較為分散，峰值出現(xiàn)在較大數(shù)值上；在點(diǎn)密度與反射強(qiáng)度特征上：道路點(diǎn)密度較非道路點(diǎn)大，而反射強(qiáng)度則較小。因此坡度、粗糙度、高差方差、點(diǎn)密度與反射強(qiáng)度可以作為道路點(diǎn)云判斷分類的重要特征。

Fig.5 Samples point(“1” for road points, “0” for non-road points)

Fig.6 Road points and non-road points are distributed in various features

3.3.2 點(diǎn)云隨機(jī)森林分類模型構(gòu)建 隨機(jī)森林是BREIMAN于2001年提出的一種機(jī)器學(xué)習(xí)預(yù)測分類算法[16]，以決策樹為基本單元，通過將多棵決策樹集成在一起，最終結(jié)果由每棵決策樹結(jié)果綜合投票所得。隨機(jī)森林是以隨機(jī)抽樣方式構(gòu)造出不同訓(xùn)練集，使每棵決策樹之間都沒有關(guān)聯(lián)，從而提高分類模型的外推能力，不易出現(xiàn)過擬合現(xiàn)象，同時(shí)對異常值與噪聲都又很強(qiáng)的容忍度[17]。在面對分類數(shù)據(jù)不平衡時(shí)，如山區(qū)道路點(diǎn)云占地面點(diǎn)云比例非常小，使用隨機(jī)森林可進(jìn)行誤差平衡，做到準(zhǔn)確分類。

把采集制作的樣本集按照7∶3隨機(jī)拆分為訓(xùn)練集與測試集，使用訓(xùn)練集進(jìn)行點(diǎn)云隨機(jī)森林分類模型構(gòu)建。將計(jì)算的5個(gè)點(diǎn)云特征以及樣本集的類別標(biāo)簽作為模型訓(xùn)練構(gòu)建的輸入值，通過Python編程構(gòu)建點(diǎn)云隨機(jī)森林分類模型，構(gòu)建步驟[18]見下：(1)從訓(xùn)練樣本集中有放回的隨機(jī)抽取n個(gè)樣本數(shù)據(jù)，再從所有特征中隨機(jī)抽取m個(gè)特征變量，由此生成新的點(diǎn)云樣本集合，訓(xùn)練生成點(diǎn)云分類決策樹；(2)重復(fù)上述過程生成k棵分類決策樹，每棵決策樹對應(yīng)根節(jié)點(diǎn)儲(chǔ)存抽取的樣本數(shù)據(jù)，從根節(jié)點(diǎn)出發(fā)，按照最小不純度原則尋找最佳特征變量，分裂生成子節(jié)點(diǎn)；(3)對每棵樹遞歸地選擇分裂節(jié)點(diǎn)，直至不能繼續(xù)分裂為止,但在實(shí)際過程中，為加快決策樹的生成與防備過擬合現(xiàn)象發(fā)生，需要設(shè)定額外的限制條件——最大樹深和最小葉節(jié)點(diǎn)，即決策樹在小于最大樹深才能進(jìn)行生長分裂；節(jié)點(diǎn)數(shù)據(jù)量在大于最小葉節(jié)點(diǎn)才能繼續(xù)分裂[19]；(4)將生成的k棵分類決策樹組成隨機(jī)森林，在測試階段，每棵決策樹都對測試樣例進(jìn)行一次投票，最后綜合票數(shù)最多的類別屬性賦值給測試樣例，以實(shí)現(xiàn)隨機(jī)森林分類。

點(diǎn)云隨機(jī)森林分類模型結(jié)構(gòu)如圖7所示。

將測試點(diǎn)云樣本集輸入分類模型中，隨機(jī)抽取點(diǎn)云樣本集輸入給每棵決策樹；每棵決策樹又對輸入的3維點(diǎn)進(jìn)行決策分類，獲得點(diǎn)的類別屬性；最后綜合所有決策樹的分類結(jié)果，對測試樣本集中各點(diǎn)的類別進(jìn)行投票，票數(shù)最多的類別賦值給該點(diǎn)，即得到測試點(diǎn)云樣本集中的模型分類結(jié)果。

Fig.7 Point cloud random forest classification model

引入分類器評價(jià)指標(biāo)[20]可得到模型精度評定,如表1所示。

Table 1 Accuracy evaluation table of point cloud random forest classification model

表1中點(diǎn)云類別0為非道路點(diǎn)，1為道路點(diǎn)；precision為查準(zhǔn)率，是分類模型判定正例中的正樣本比重；recall為查全率，是被預(yù)測正例占總正例的比重；accuracy為準(zhǔn)確率，是分類器對整個(gè)樣本判斷正確的比重;接受者操作特性(receiver operating characteristic,ROC)曲線下面積(area under curve,AUC)，即預(yù)測正確概率值。由表1可知，模型對道路點(diǎn)的預(yù)測分類查準(zhǔn)率達(dá)到89.06%，查全率達(dá)到87.87%，分類模型的預(yù)測分類性也達(dá)到91.16%，說明分類模型能較好預(yù)測點(diǎn)云類別，能夠應(yīng)用于山區(qū)道路點(diǎn)云分類提取。

3.3.3 道路點(diǎn)云分類提取 (1)初始道路點(diǎn)云提取。把地面點(diǎn)云輸入進(jìn)隨機(jī)森林分類模型中進(jìn)行分類預(yù)測，得到每個(gè)地面點(diǎn)的預(yù)測類別標(biāo)簽，將其賦值到地面點(diǎn)云數(shù)據(jù)上，使每個(gè)點(diǎn)都有類別標(biāo)簽，按照道路點(diǎn)類別標(biāo)簽1輸出得到初始道路點(diǎn)云，結(jié)果如圖8a所示。

Fig.8 Road extraction results

初始道路點(diǎn)云共計(jì)點(diǎn)251887個(gè)，由圖8a可以看出，道路的整體基本提取完成，形狀與走向也還是較為明確，但是道路周圍還伴隨著大量非道路噪聲點(diǎn)，部分還聚集成塊狀分布。經(jīng)分析發(fā)現(xiàn)這些噪聲點(diǎn)主要分為兩類：遠(yuǎn)離道路的平緩離散噪聲點(diǎn)和聚集成塊且坡度平緩的河谷區(qū)域。

(2)精華道路點(diǎn)云。為精化分類提取的道路點(diǎn)云，本文中采用DBSCAN聚類算法進(jìn)行去噪處理[9]。聚類參量初次設(shè)置可參考原始點(diǎn)云密度與特征鄰域計(jì)算范圍，然后根據(jù)可視化聚類效果進(jìn)行調(diào)整，如本文中初始參量設(shè)置為:掃描半徑E=0.5m、最小包含點(diǎn)數(shù)M=6。經(jīng)多次調(diào)整試驗(yàn)后，參量設(shè)定為:E=0.8m,M=6，初始道路點(diǎn)云聚簇共有1271簇，將聚類結(jié)果賦色可視化渲染，如圖8b所示，藍(lán)色條帶狀為道路點(diǎn)簇。將道路點(diǎn)簇的點(diǎn)云輸出即得精化道路點(diǎn)云，所得精化道路點(diǎn)云共計(jì)點(diǎn)78209個(gè)，如圖8c所示，相比初始道路點(diǎn)云，噪聲點(diǎn)去除效果顯著，基本去除。

3.4 道路矢量化

為方便道路數(shù)據(jù)管理使用，精化的道路點(diǎn)云需要轉(zhuǎn)化為道路矢量線。使用ArcGIS軟件將精化后的道路點(diǎn)按1m×1m規(guī)格設(shè)定劃分格網(wǎng)，投影到xOy平面，得到道路柵格圖像，再將道路柵格圖像二值化，最后矢量化得到道路中線。把本文中方法提取道路中心線與手動(dòng)提取道路的中心線疊加對比,如圖9所示(紅色為本文中方法提取，黑色為手動(dòng)提取)。由圖9可知，本文中方法提取的山區(qū)道路整體走向基本與手動(dòng)道路重合，證明本文中方法可高精度提取山區(qū)道路。

Fig.9 Road centerline

4 精度評定

為評定道路提取的精度，在缺乏實(shí)驗(yàn)區(qū)域高精度道路信息的情況下，使用手動(dòng)提取道路信息作評定標(biāo)準(zhǔn)，是道路提取精度評定的重要手段[8]。本文中鑒于機(jī)載LiDAR點(diǎn)云在3維空間信息上具有高精度的特點(diǎn)，使用手動(dòng)提取原數(shù)據(jù)中的道路點(diǎn)云作為真值，對文中所述道路提取方法提取到的道路點(diǎn)云通過正確率Ct、完整率Cc和提取質(zhì)量Cq來進(jìn)行精度評定。

(3)

(4)

(5)

式中，Tp為正確提取到的道路點(diǎn)；Fn為未提取到的道路點(diǎn)；Fp為錯(cuò)誤提取到的道路點(diǎn)。

實(shí)驗(yàn)中區(qū)域手動(dòng)提取道路點(diǎn)云為80163個(gè)，視作為真實(shí)道路點(diǎn)云，計(jì)算道路點(diǎn)云提取的完整率、正確率、質(zhì)量3個(gè)指標(biāo)，進(jìn)行提取結(jié)果精度評定。引用參考文獻(xiàn)[9]中的山區(qū)道路提取方法進(jìn)行對比，如表2所示。

Table 2 Accuracy evaluation table of road point extraction

兩種方法道路提取的正確率都較高，達(dá)到95%以上，完整率與提取質(zhì)量也都能達(dá)到86%以上，綜合相比之下，本文中的方法略優(yōu)于參考文獻(xiàn)[9]。在整個(gè)道路提取過程中，本文中方法使用對少量樣本訓(xùn)練獲得的隨機(jī)森林分類模型，能自動(dòng)提取道路點(diǎn)云，人為參與度較少，操作簡便且結(jié)果精度較高。參考文獻(xiàn)[9]中則是通過人為設(shè)定多特征閾值進(jìn)行分類提取道路點(diǎn)云，分類提取時(shí)若其中一個(gè)閾值出現(xiàn)偏差，則會(huì)影響到整體的提取結(jié)果。因此該方法在每個(gè)特征閾值的設(shè)定上，都需要人為多次測試找到最佳閾值，操作過程較為繁瑣，且閾值設(shè)定還都需要考慮數(shù)據(jù)整體效果，在復(fù)雜的場景下將面臨閾值普適性差引起道路點(diǎn)云提取困難的問題。綜合精度與操作簡易因素，選擇本文中的方法用于山區(qū)道路提取更佳。

將兩種方法提取的道路點(diǎn)云與手動(dòng)道路提取道路點(diǎn)云疊加對比，發(fā)現(xiàn)都存在未提取的道路點(diǎn)主要集中在山腰處的道路邊界，錯(cuò)誤提取點(diǎn)集中在河谷道路邊界。經(jīng)分析可知，是因山腰處的道路蜿蜒崎嶇且兩側(cè)點(diǎn)的高程差異大、坡度變化大；河谷處的道路較為平坦，兩側(cè)點(diǎn)的高程差異與坡度變化較小所致。在計(jì)算山腰道路邊界點(diǎn)的分類特征時(shí)，鄰域內(nèi)包含大量非道路點(diǎn)，從而影響計(jì)算的分類特征值易偏向于非道路點(diǎn)造成漏分現(xiàn)象。在計(jì)算河谷道路邊界外點(diǎn)的分類特征時(shí)，鄰域內(nèi)包含大量道路點(diǎn)，使分類特征易偏向于道路點(diǎn)造成錯(cuò)分現(xiàn)象。

5 結(jié) 論

本文中以Entiat River 地區(qū)部分山區(qū)LiDAR點(diǎn)云數(shù)據(jù)為例，驗(yàn)證所提出的使用隨機(jī)森林分類模型提取山區(qū)道路點(diǎn)云再通過聚類精化、柵格矢量化獲得道路矢量線的方法。首先對原始機(jī)載LiDAR點(diǎn)云濾波獲取地面點(diǎn)云，接著計(jì)算地面點(diǎn)的粗糙度、坡度、高差方差和點(diǎn)密度與反射強(qiáng)度組成分類特征值；然后手動(dòng)采集少量正負(fù)樣本訓(xùn)練山區(qū)道路點(diǎn)云隨機(jī)森林分類模型，測試驗(yàn)證模型的分類預(yù)測正確率達(dá)到了91.16%，可用于分類提取山區(qū)道路點(diǎn)云；隨后使用分類模型對地面點(diǎn)云分類提取初始道路點(diǎn)云，經(jīng)DBSCAN聚類去噪獲取精化道路點(diǎn)云，再柵格化、矢量化得到山區(qū)道路中心線;最后用手動(dòng)提取道路點(diǎn)云對本文中方法道路點(diǎn)云提取作精度評定，又引入多特征閾值提取山區(qū)道路方法作比較。結(jié)果表明，使用本文中的方法不需要設(shè)定特征閾值就能高精度提取到山區(qū)道路信息。

使用LiDAR數(shù)據(jù)提取山區(qū)道路有一些需注意的地方：部分路段由于樹木遮擋使原始點(diǎn)云中地面點(diǎn)云過于稀疏，導(dǎo)致提取到的初始道路點(diǎn)云較為稀少，通過聚類精化后就會(huì)出現(xiàn)孔洞、斷截，可在原始激光點(diǎn)云采集時(shí)多角度、多架次進(jìn)行，以提高地面點(diǎn)云密度，減少此類現(xiàn)象發(fā)生。