影像与LiDAR数据信息融合复杂场景下的道路自动提取

  本文关键词：影像与LiDAR数据信息融合复杂场景下的道路自动提取，由笔耕文化传播整理发布。

第６期李怡静，等：影像与犔犐犇犃犚数据信息融合复杂场景下的道路自动提取８７１

其应用在近几年发展迅猛，这使得ＬｉＤＡＲ点云的处理和分类研究受到了广泛关注。目前，已有不少学者提出基于ＬｉＤＡＲ数据的道路提取策

略。如文献［１２］提出基于特征约束的道路激光点提取方法，以高程、强度约束道路点云、点密度和区域面积优化结果。文献［１３］针对道路路面扫描点特征，结合点云法向量分布特点，提出一种基于法向量模糊聚类的道路点云数据滤波算法。ＬｉＤＡＲ技术可以避免阴影和部分遮挡对道路提

取的影响，

但大量不规则不连续点云却缺乏影像的光谱和语义信息。文献［１４］结合ＬｉＤＡＲ和高分辨率遥感影像利用ｈｏｕｇｈ变换检测带状道路基元，对城区道路中线进行提取，但该方法受限于格网分布的道路；文献［１５］在动态规划代价函数中引入ＬｉＤＡＲ数据的高程信息，并结合影像提取道路中线，

但该方法需人工输入控制点。相对于地物稀少且道路特征明显的乡村地区，

复杂场景多指城市区域，道路周围地物种类、形状繁多，高楼、树木对路面产生遮挡和大面积阴影，这些因素严重影响了提取工作，且高分辨率影像中的城市道路含有丰富的细节信息，如汽车、分道线等，加大了道路建模的难度。越来越多的道路提取方法在向多信息、多策略相结合的方向发展，但对于高分辨率影像中的复杂场景，目前少有有效的方法提取道路线。

信息融合是指为完成决策和估计任务而利用计算机技术对按时序获得的若干传感器的观测信息在一定准则下加以自动分析、综合的信息处理过程。基于该思想，本文将ＬｉＤＡＲ数据和遥感影像信息融合，自动提取高分辨率影像中复杂场景的道路。具体流程见图１

。

图１　结合两种数据的道路提取流程Ｆｉｇ

．１　Ｆｌｏｗｃｈａｒｔｏｆｒｏａｄｅｘｔｒａｃｔｉｏｎ２　结合犔犻犇犃犚和影像的道路模型

道路作为城市中不可缺少的人工地物有其自身特点，主要表现在：道路高程基本等于或略大于地面高程，

且表面平坦；道路表面灰度差别小，而道路与周边区域灰度差异较大；道路表面材料均匀，，对激光的反射率基本一致；道路都有一定的长度，不会很短且形状平滑等。

这些道路特征分别在ＬｉＤＡＲ数据与高分辨率遥感影像上有不同体现：道路高程近似等于地面高程，

而高于地表面的建筑物和树木可以通过点云滤波区分，

尤其是部分光谱特性与道路极为相似的建筑物屋顶，在遥感影像上会产生异物同谱现象，而在ＬｉＤＡＲ数据中表现为高程差异较大的点云，可较好地分离；道路路面平坦连续，打在路面的激光点云高程变化率较小近似平面；ＬｉＤＡＲ数据的多次回波，

可获取部分被遮挡路面点云，强度信息亦是区分植被、路面等不同材质地物的有效途径，且不受复杂场景中阴影的干扰；高分辨率遥感影像含有道路的丰富光谱信息和细节变化，相对于噪声较大的强度数据，其精度更高，利于道路模型的优化计算。但正因为其丰富的细节，如汽车、分道线、阴影、隔离带等，使得直接在高分辨遥感影像上提取道路困难重重。因此采用分级的思想，以精度不高的点云强度信息获取初级的道路线和关键点，

再引入高分辨率遥感影像的光谱信息与点云强度和离散度融合，进行道路关键点和道路线的优化，可自动获取比较可靠的结果。

２．１　基于点云强度的初始道路中线提取２．１．１　生成地面点强度影像

机载激光扫描数据滤波算法有数学形态学滤波、移动窗口滤波、迭代线性最小二乘滤波、基于

坡度的滤波、启发式滤波和移动曲面滤波［１３］等。本文采用多方向地面点滤波法［１６］，该算法在去除

了局外点并进行格网差值后，通过计算每个点与局部最低点和最邻近点间高差，以及与多个方向上前一点的坡度来实现地面点滤波。

高程滤波难以区分的道路表面和植被具有较大的强度差异，将滤波后地面点强度量化至０～２５５区间，生成地面点强度影像，利于去除植被的干扰，提取初始道路。为突出道路区域，非地面点强度被设置为零，并将量化后的强度像素值取反，则生成的影像中道路表现为较为明亮的带状区

  本文关键词：影像与LiDAR数据信息融合复杂场景下的道路自动提取，由笔耕文化传播整理发布。