劉正坤，蔡文婷，李衛(wèi)軍

（1.廣州中科智云科技有限公司，廣東 廣州 510660；2.南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司，廣東 廣州 510660；3.中國能源建設(shè)集團廣東省電力設(shè)計研究院有限公司，廣東 廣州 510663）

車輛監(jiān)測是智能交通管理系統(tǒng)的前提和基礎(chǔ)，現(xiàn)有方法主要包括線圈監(jiān)測、微波監(jiān)測、超聲波監(jiān)測和視頻監(jiān)測等，但這些方法均受布設(shè)地域的限制，只能用于主干道交通監(jiān)控，難以做到大范圍全覆蓋。高分辨率遙感技術(shù)的發(fā)展使得細小地物提取與識別、大范圍動態(tài)監(jiān)測成為可能，逐漸成為車輛監(jiān)測研究新的熱點。國際攝影測量與遙感學(xué)會（ISPRS）于2002年召開了“交通遙感專題”會議，并于2006年出版了“航空與航天交通監(jiān)測”?？痆1]，對基于遙感影像的車輛提取和交通參數(shù)估計等方面的研究成果進行了總結(jié)。然而，可見光遙感只能在白天使用，且易受云、霧等環(huán)境影響，難以實現(xiàn)全天候機動監(jiān)測。機載激光雷達（LiDAR）技術(shù)能快速獲取大范圍地表三維空間坐標(biāo)數(shù)據(jù)，目前已提出了多種機載LiDAR車輛提取方法。Toth C K[2]等首先對點云進行分割，再利用主成分分析方法識別，將LiDAR數(shù)據(jù)與航空影像相結(jié)合，實現(xiàn)了車輛監(jiān)測和車輛速度估計，但該系統(tǒng)僅在高速公路上進行了測試，對于城市環(huán)境的適應(yīng)性還有待進一步研究。YAO W[3-4]等提出了基于網(wǎng)格單元的車輛提取方法和基于三維目標(biāo)點云分析的車輛提取方法，并對這兩種方法進行了比較[5]，前者通過分析車輛與建筑物、樹木、道路、空曠地之間的相互關(guān)系，采用地面分割、缺失數(shù)據(jù)插值、車輛頂部檢測與選擇、車輛分割4個步驟實現(xiàn)了車輛提??；后者直接從散亂點云中提取目標(biāo)，避免了插值引入的信息損失，主要包括均值飄移分割和基于目標(biāo)特征分類兩個步驟。對比實驗表明，基于三維目標(biāo)點云分析的車輛提取方法具有更高的精度，且對運動狀態(tài)和速度信息的提取更加穩(wěn)?。欢诰W(wǎng)格單元的車輛提取方法更適用于靜止車輛的提取。劉珠妹[6]等提出了一種航空影像輔助下的城區(qū)車輛檢測方法，首先利用形態(tài)學(xué)濾波實現(xiàn)地面與地物的分類，再通過歸一化植被指數(shù)（NDVI）特征去掉植被點，最后根據(jù)高程信息和形狀特征實現(xiàn)車輛提取。該方法需要影像數(shù)據(jù)輔助提取，因此限制了其適用性。

機載LiDAR作業(yè)過程中存在數(shù)據(jù)丟失的現(xiàn)象，主要包括3個方面的原因：①航帶間的重疊度太小，飛行平臺較大的姿態(tài)變化將導(dǎo)致航帶間的數(shù)據(jù)缺失；②儀器設(shè)備自身功能缺陷或工作不穩(wěn)定等；③由于地面目標(biāo)的鏡面反射或強吸收，導(dǎo)致激光信號無法返回激光探測單元。前兩種原因可通過精確的航線規(guī)劃、儀器操作和改進儀器性能等措施加以避免[7]，但物體表面特征對掃描信號的影響難以徹底消除，如水體吸收使得激光點密度大幅減小，回波強度減弱[8]。對于大多數(shù)車輛而言，表面較光滑，激光信號易產(chǎn)生鏡面反射而導(dǎo)致車輛點云缺失。常規(guī)的形狀匹配方法難以實現(xiàn)數(shù)據(jù)缺失條件下的車輛提取，因此本文提出了一種基于地物聚類和地面空白區(qū)搜索的車輛聯(lián)合提取方法。

1 車輛提取的主要流程

針對數(shù)據(jù)缺失條件下的車輛提取問題，本文提出的方法主要包括數(shù)據(jù)預(yù)處理和聯(lián)合提取兩大步驟：①數(shù)據(jù)預(yù)處理，首先采用漸進形態(tài)學(xué)濾波方法將原始LiDAR數(shù)據(jù)分類為地物點和地面點，然后分別對地物點和地面點進行聚類和遮擋區(qū)搜索，為聯(lián)合車輛提取提供兩類待分類目標(biāo)；②聯(lián)合提取，首先利用單類支持向量機對聚類和搜索結(jié)果進行分類，提取屬于車輛的點云聚類以及由于車輛遮擋形成的空白區(qū)，然后根據(jù)車輛拓撲結(jié)構(gòu)約束進行聯(lián)合評估，最終實現(xiàn)車輛提取。具體流程如圖1所示，本文重點介紹車輛聯(lián)合提取部分。

圖1 車輛聯(lián)合提取流程圖

2 數(shù)據(jù)預(yù)處理

2.1 漸進形態(tài)學(xué)濾波與去噪

LiDAR濾波算法包括曲面擬合法[9-10]、TIN網(wǎng)格法[11]、坡度閾值法[12]、形態(tài)學(xué)濾波法[13]等，本文采用漸進形態(tài)學(xué)濾波分離地面點和地物點[14]。該算法通過逐漸增加窗口大小并采用不同的高程差閾值實現(xiàn)濾波，能濾除不同尺度的地物[15]，其中每次迭代的濾波閾值dhi，T為：

式中，dh0為初始高程差閾值，一般取0.2～0.3 m；dhmax為最大高程差閾值；s為最大地面坡度；c為網(wǎng)格大??；wi為濾波窗口大小。

由形態(tài)學(xué)濾波特性可知，高程值較大的噪聲能被開運算剔除，但對于高程值比地面低的噪聲，形態(tài)學(xué)濾波無法自動剔除，因此需在濾波后采用孤立點檢測的方法剔除低矮的噪聲點。

2.2 地物點聚類與遮擋區(qū)搜索

漸進形態(tài)學(xué)濾波后的地物包括建筑物、植被、車輛、橋梁、電線等點云，車輛檢測前需先將地物聚類，以便提取各類地物的特征，從而采用分類方法進行提取。DBSCAN算法[14]是一種基于密度的空間聚類算法，聚類速度快且無需設(shè)定聚類個數(shù)，適用于數(shù)據(jù)量較大且分布均勻的點云數(shù)據(jù)聚類。其基本思想是對于一個聚類中的每個點，在給定的鄰域包含的對象個數(shù)不少于給定閾值。該算法需要進行大量鄰域搜索，為提高聚類效率，先對點云進行規(guī)則網(wǎng)格劃分。

濾波后的地面點云中含有大量空白區(qū)，大部分是由建筑物、樹木、車輛等地物遮擋形成的，也有一部分是由物體表面吸收或鏡面反射導(dǎo)致的。對遮擋區(qū)進行搜索，便于在分類時提取遮擋區(qū)特征。本文先將地面點轉(zhuǎn)換為二值圖像，再通過閉運算剔除細小的空白區(qū)，最后采用連通區(qū)搜索方法實現(xiàn)遮擋區(qū)提取。

3 車輛聯(lián)合提取

3.1 地物聚類與地面遮擋區(qū)的支持向量機分類

為實現(xiàn)車輛提取，本文首先分別對地物聚類和地面遮擋區(qū)進行特征提取，再利用支持向量機進行車輛識別。地物聚類特征屬性包括面積、平均高度、高差、長寬比、平面性、圓形度和矩形度，遮擋區(qū)屬性包括面積、長寬比、圓形度和矩形度。各類屬性的具體含義描述為：①面積S，目標(biāo)的平面投影所占面積；②平均高度Ah，目標(biāo)上所有點的高程值與最低點高程值之差的平均值，；③高差dh，目標(biāo)上最大高程值與最小高程值之差，dh=max(h)-min(h)；④長寬比M，目標(biāo)長度與寬度之比，汽車的長寬比一般大于1小于4；⑤平面性P，設(shè)目標(biāo)上所有點的協(xié)方差矩陣的特征值分別為λ1、λ2、λ3，則，該值越大，表明目標(biāo)越接近平面；⑥圓形度E，目標(biāo)與圓形的接近程度，，其中L為目標(biāo)周長，當(dāng)E=1時，目標(biāo)為標(biāo)準(zhǔn)圓形，E越小與圓形的差距越大；⑦矩形度R，目標(biāo)面積S與外接矩形的面積Sr之比，該值為1時為標(biāo)準(zhǔn)矩形，越接近1，表明越接近矩形。

在提取特征后，將特征值歸一化到[-1，1]，再采用單類支持向量機對目標(biāo)進行分類識別。本文選用RBF核函數(shù)，正則化參數(shù)γ和核函數(shù)參數(shù)δ由十折交叉驗證訓(xùn)練得到。

3.2 聯(lián)合提取

設(shè)支持向量機識別的車輛聚類結(jié)果為χ(Oi)∈[-1，1]，其中Oi為聚類點集，χ(Oi)=1表示該點集為車輛點集，否則為非車輛點集；遮擋區(qū)識別結(jié)果為γ(Ψi)∈[-1，1]，其中Ψi為遮擋區(qū)，γ(Ψi)=1表示該空白區(qū)是車輛遮擋形成的。由于地物遮擋形成的空白區(qū)可能與車輛空白區(qū)相似，進而導(dǎo)致支持向量機分類錯誤，因此需進一步結(jié)合該遮擋區(qū)內(nèi)點集的高程信息進行修正。對于?pm，pn，p′g∈P(Ψvi) ，P(Ψvi) 為車輛遮擋區(qū)內(nèi)的點集，修正后的識別結(jié)果為：

式中，dh(pm，pn)為點pm與pn的高程差；dhv為汽車高度閾值，一般為4.5 m；為遮擋區(qū)范圍中心虛擬地面點，其高程由附近地面點插值得到；hv為汽車最高點到地面的距離閾值，一般為4.5 m。

通過式（2）能將大部分與車輛相似的地物遮擋區(qū)剔除。?(Ψvi)=0則表示無法判斷該遮擋區(qū)是否為車輛遮擋區(qū)。

基于地物聚類的車輛提取方法與基于地面遮擋區(qū)的車輛提取方法各有優(yōu)勢，前者對表面反射點較多且分布均勻的目標(biāo)提取效果較好；后者受表面反射點多少與分布影響較小，只與地物的遮擋區(qū)域形狀有關(guān)，對反射點少的目標(biāo)提取效果較好。因此，可將這兩種方法進行聯(lián)合提取，以提高提取的精度和完整度，降低虛警率和漏檢率。

聯(lián)合提取的基本原則為：①地物聚類識別結(jié)果和遮擋區(qū)識別結(jié)果若均為1，則聯(lián)合提取結(jié)果為1，若均為-1，則聯(lián)合提取結(jié)果為-1；②當(dāng)?shù)匚锞垲慄c較少時，以遮擋區(qū)識別結(jié)果為聯(lián)合提取結(jié)果；③當(dāng)?shù)匚锞垲慄c較多時，以地物聚類識別結(jié)果為聯(lián)合提取結(jié)果；④若遮擋區(qū)識別結(jié)果為0或地物聚類識別結(jié)果為1、遮擋區(qū)識別結(jié)果為-1，則聯(lián)合提取結(jié)果為0。

根據(jù)上述原則，地物點聚類識別與遮擋區(qū)識別聯(lián)合提取結(jié)果為：

式中，Num(Oi)為地物聚類Oi的點數(shù)；Nv為其閾值。

4 實驗數(shù)據(jù)與結(jié)果分析

本文通過實驗驗證聯(lián)合車輛提取方法的性能，選用ISPRS提供的用于檢驗城區(qū)地物提取方法的參考數(shù)據(jù)Toronto數(shù)據(jù)集[15]，其中LiDAR數(shù)據(jù)由Optech ALTMORION M機載激光掃描系統(tǒng)于2009年2月采集，飛行高度為650 m，速度為220 km/h，整個數(shù)據(jù)包括6個條帶，點密度為6 pts/m2。本文選取其中具有代表性的3塊數(shù)據(jù)進行實驗，如圖2所示，實驗區(qū)分別包含277輛、275輛和435輛汽車。本文分別對3個實驗區(qū)進行漸進形態(tài)學(xué)濾波與去噪，首先將房屋、樹木和車輛等地物點與地面點分離；然后采用DBSCAN算法對地物進行聚類，并對遮擋區(qū)進行搜索。單類支持向量機的訓(xùn)練數(shù)據(jù)采用人工識別提取，選取不同類型具有代表性的車輛共30輛，分別計算各類屬性特征，統(tǒng)計結(jié)果如表1所示。

表1 訓(xùn)練數(shù)據(jù)屬性統(tǒng)計

圖2 實驗區(qū)原始點云圖

4.1 定性分析

3個實驗區(qū)的車輛提取結(jié)果如圖3～5所示，圖中紅色為地物聚類識別提取的車輛，藍色為遮擋區(qū)識別增加提取的車輛，右側(cè)分別為A、B區(qū)域的原始點云。區(qū)域1的聯(lián)合提取結(jié)果（圖3）中包含正在施工的工地，底部為火車軌道，A為停車場，大部分車輛被正確提取，B為兩棟樓之間的狹長地帶，建筑結(jié)構(gòu)較復(fù)雜，其中的兩輛車均被正確提取。區(qū)域2的聯(lián)合提取結(jié)果（圖4）中包含4條道路，其中一條道路中間有隔離帶，點云分布與車輛較相似，聯(lián)合提取方法能正確地將其與車輛區(qū)分；由右側(cè)原始點云可知，其中有一部分車輛點云較稀疏，有的甚至只有3個點，地物聚類方法未能提取出這部分車輛，而聯(lián)合提取方法對這些表面點稀疏的車輛提取效果較理想。區(qū)域3的聯(lián)合提取結(jié)果（圖5）中包含大量并排停放且靠近建筑物的車輛（A、B區(qū)域），聯(lián)合提取方法能正確提取該類型的車輛，B區(qū)域中有帶樹木的道路，部分車輛被樹木遮擋，僅有部分激光穿透到車輛表面，聯(lián)合提取方法同樣能正確提取這部分車輛。綜上所述，聯(lián)合提取方法在復(fù)雜城區(qū)環(huán)境下的車輛提取效果較理想，能正確區(qū)分類似車輛的地物，在激光穿透率較高的情況下不受樹木遮擋影響，對表面點極為稀疏的車輛提取效果較理想。

圖3 區(qū)域1聯(lián)合提取結(jié)果與A、B區(qū)域原始點云

圖4 區(qū)域2聯(lián)合提取結(jié)果與A、B區(qū)域原始點云

圖5 區(qū)域3聯(lián)合提取結(jié)果與A、B區(qū)域原始點云

4.2 定量分析

為進一步分析聯(lián)合提取結(jié)果，本文采用正確度和完整度兩個指標(biāo)對提取結(jié)果進行定量評價[16-17]。正確度，完整度，其中TP為正確提取的車輛數(shù)，F(xiàn)P為錯誤提取的車輛數(shù)，F(xiàn)N為未被提取的車輛數(shù)。進而可知，虛警率Fa=，漏檢率In。由于該區(qū)域的航空影像與LiDAR數(shù)據(jù)采集的時間不同，且車輛具有流動性，無法將影像直接作為參考對車輛提取結(jié)果進行評判，因此本文采用人工識別方法，將識別的車輛與航空影像進行對比，以排除被錯分的類似車輛的地物。

3個區(qū)域的聯(lián)合提取精度如表2所示，可以看出，地物聚類識別的精度較高但完整度較低，該方法通過提取車輛表面點集特征實現(xiàn)車輛識別，虛警率較低，但對于表面點集較少的車輛，提取的特征不能很好地反映車輛實際特征，因此漏檢率較高；遮擋區(qū)提取結(jié)果的完整度高但精度低，該方法通過提取地物遮擋區(qū)的特征實現(xiàn)車輛識別，一般情況下，車輛都會形成遮擋區(qū)，即使表面點集較少的車輛同樣具有相似的遮擋區(qū)，因此漏檢率低，但該方法易受與車輛遮擋區(qū)特征相似地物的影響，虛警率較高；聯(lián)合提取方法同時具有較高的精度和完整度，綜合了上述兩種方法的優(yōu)點，克服了各自的缺點，提取效果較理想。

表2 聯(lián)合提取結(jié)果

5 結(jié)語

針對沒有影像輔助情況下的機載LiDAR車輛提取問題，本文提出了基于地物聚類與遮擋區(qū)搜索的支持向量機車輛聯(lián)合提取方法。實驗結(jié)果表明：①地物聚類方法受車輛表面點集分布和數(shù)量的影響較大，特別是較難提取表面反射點稀疏的車輛目標(biāo)，因此完整度較低，但該方法精度較高；②基于遮擋區(qū)搜索的提取方法不受表面點集分布和數(shù)量的影響，只與遮擋區(qū)的形狀特征相關(guān)，而一般情況下車輛均能形成相似的遮擋區(qū)，因此該方法的完整度較高，但易將遮擋區(qū)以及與車輛相似的地物識別為車輛，精度較低；③聯(lián)合提取方法綜合了兩種方法的優(yōu)點，較好地避免了稀疏點集與相似遮擋區(qū)地物的影響，同時提高了車輛提取的精度和完整度。