OSM辅助车载LiDAR点云三维道路边界精细提取分析

OSM辅助车载LiDAR点云三维道路边界
精细提取分析
摘要：在城市道路规划、道路交通高精度管理工作中，提升道路边界提取工
作精确度，成为一项极为必要的工作。

本文介绍一种利用开源街道地图（OMS），辅助车载激光雷达（LiDAR）点云数据，开展三维道路边界精确提取工作的技术
方法，以期提高道路边界提取准确率与召回率，为智能交通体系的建设提供支持。

关键词：OSM数据；车载LiDAR点云；三维道路边界
引言：三维激光雷达技术作为一种实时获取周边环境信息的重要技术，在对
地观测、目标分类识别等工作中，得到了广泛应用。

现阶段，将三维激光雷达技
术应用到高精度导航地图制作中，不仅可以为我国道路交通管理体系完善提供支持，还能推动智能交通无人驾驶项目的深入研究。

因此，研究此项课题，具有十
分重要的意义。

一、道路边界提取方法
（一）技术流程
在开展道路边界精细化提取工作时，可以综合应用LIDAR点云与OSM数据，
通过分析道路边界的几何结构、位置信息、高度信息等特征的方式，提取三维道
路边界的层次。

在实际提取过程中，首先，可以对车载LiDAR点云数据进行滤波
预处理，在地面点生成数字高程模型，然后以此为基础获取非地面点的相对高程，通过设置高程阈值的方式，去除数据信息中的大量非道路临界点。

其次，以研究
区域OSM道路矢量数据为基础，构建缓冲区获得道路边界的候选点集。

再次，综
合应用OSM节点与相邻路线的角度，对候选点集进行分段处理。

最后，利用RANSAC算法，对分段后的候选点集进行线性拟合分析，提取道路边界点云[1]。

（二）数据预处理
在数据预处理过程中，可以先应用梯度滤波、高程滤波、CSF滤波技术，对原始车载LiDAR点云数据进行滤波预处理，分离数据中的地面点与包含道路边界非地面点集，然后利用地面点生成DEM，完成非地面点集相对高层的获取工作。

在此过程中可以利用道路边界高层阈值，完成建筑物屋顶、电力线、部分树冠等非道路边界点的点集过滤工作，得到道路边界候选点粗集。

（三）道路边界候选点分车带与分段
考虑到在实际道路边界数据提取分析工作中，OSM矢量道路数据分析得到的数据信息的精确度无法满足本次道路边界精细提取工作的需要，并且数据无法进行三维化处理，因此，在道路边界精细化提取分析过程中，可以将这一技术作为LiDAR点云数据分析工作中的辅助手段。

在实际分析过程中，若OSM数据与LiDAR点云数据位置信息匹配差异较小，那么在后续数据处理过程中可以以OSM 道路数据为基础，建立缓冲区，将缓冲区的数据与LiDAR点云道路边界候选点集进行叠加分析处理，完成大量非道路边界节点的分离工作，分离的点集包括点密度相对较大的植被、建筑物墙体等。

在OSM技术应用过程中，道路数据主要用线状完成车道走向与人行道、建筑区分离边界的表达，但考虑到这种表达方式缺少中间分车带的辅助信息，因此在后续数据典型分析过程中，需要对缓冲区内剩余点进行后续分析，完成分车带点集的提取工作[2]。

OSM数据节点信息的应用可以为道路边界点集分段工作提供辅助。

在实际应用过程中，OSM可以将不合适直接利用的直线进行拟合处理，同时在曲率过高的曲线段处理工作中，可以通过将曲线段分割成若干条局部直线段的方式，降低数据分析的难度。

在OSM矢量线段分析过程中，为了提高算法的计算效率，提升道路边界形状的完整性，可以应用道格拉斯—普克算法对道路节点进行筛选。

在实际分析过程中可以设一条OSM矢量道路的起点与结尾点分别为与，对两点间的直线方程进行化简处理，得到公式ax+by+c=0，然后计算道路上每个
节点P i到直线的距离d i=。

通过计算，可以得到最大的节点到直线的距离d max，然后设距离阈值为d，若d max，那么保留d max，并将该点为界点，对道路线进行分段处理，重复上述过程，将保留的点看做是点云的分段节点。

（四）三维道路边界提取
在开展三维道路边界提取工作时，可以将分段后的三维为候选点及投影到二
维平面上，在平面上对投影点进行局部分段处理，并应用RANSAC直线对其进行
拟合，然后设置一个距离阈值，若点到直线的距离小于这一阈值，那么将这一个
点设置为内点，并通过迭代的方式找到一条直线，使内点数量最多。

在对点云数
据进行预处理与分段处理后，得到的候选点集中与道路边界类别相关的点密度最大，此时可以利用RANSAC拟合直线，找出投影平面上偏向于道路边界点所在的
区域中心。

此时设置合适的距离阈值，则可以完成道路边界节点在投影平面上的
范围筛选工作。

最后将筛选得到的内点平面坐标原本三维点的x，y坐标进行比较，若两者数量一致，那么三维点坐标表示的点就是道路边界点。

考虑到道路边
界点集在高程方向上呈连续分布，因此在利用高程滤波对候选点集进行处理后，
可以得到高程方向上的道路边界点。

需要注意的是，在利用平面映射获取三维空
间道路边界点信息的过程中，需要充分考虑平面范围内距离的影响。

在开展不规
则道路边界曲线分析工作时，需要分段思想将LiDAR点云分为连续的局部区域，
然后利用RANSAN直线模型，对直线段进行拟合，拟合工作完成后对其进行整合
处理，从而得到更为完整的道路边界点。

二、技术应用结果
（一）数据源
本文在实验分析过程中主要以A市某条街道为分析对象，该街道属于典型的
城市道路，道路两侧分布着密集的建筑物和植被，零星分布着多种市政基础设施。

为了切实了解综合应用OSM与车载LiDAR点云数据后，城市道路边界信息的提取
效果，选择附近存在墙体一样的道路边界、形状复杂的分车带以及花坛的直道，
作为试验区。

（二）实验结果
对直道区域的数据集进行分析后可以了解到，首先，在以地面点为基础生成DEM获取剩余非地面点相对高程的过程中，由于CSF滤波中的布料模拟存在错误，导致少量点的高程不够精准。

为了提高高程分析的准确度，提升道路边界点及筛
选工作的完整性，可以将相对高层阈值的范围控制在-0.5m—1m之间。

对于以建
筑物墙体为边界的点集，在分析过程中可以将其高程阈值的范围同样设置为-
0.5m—1m，然后将得到的数据信息进行筛选，去除点集中的非道路边界外点。

对
相对高层进行滤波处理后可以发现道路边界结构得到了完整的保留，但道路边界
附近存在大量的噪声点以及一些结构相似的异常点集。

其次，在应用OSM道路矢量线数据建立缓冲区的过程中，可以从道路边界候
选点中分离噪声点，得到可能为道路边界的点集。

在实际点集分析过程中，建立
缓冲区的主要目的在于消除RANSAC拟合过程中产生的非道路边界的墙体密集点
所产生的误差。

最后，应用DP算法对OSM道路矢量数据节点进行简化，并开展分车带节点
的创建工作，在实际分析过程中，可以以拓扑节点为基础，对上述节点进行分析，选择可能的道路边界点集并对其进行分段处理，然后对应用RANSAC算法对分段
点云进行直线拟合处理，并将提取到的结果进行整合。

在完成数据分析工作后，通过人工目视的方法，完成道路边界节点的分类工作，可以发现综合应用OSM与LiDAR点云数据分析方法可以实现道路边界形态、
条数以及空间位置的有效分类与提取，可以满足后续三维建模工作的需要。

结论：总而言之，在道路边界精细化提取分析过程中，综合应用OMS道路矢
量辅助数据域与车载激光雷达点云数据，可以为道路单位矢量化模型的构建提供
支持，切实提高导航地图的绘制工作的精度，为我国道路交通体系的稳定发展打
下坚实的基础。

参考文献：
[1]方莉娜,卢丽靖,赵志远,等.车载激光点云道路边界提取的Snake方法[J].测绘学报,2020,49(11):1438-1450.
[2]游昌斌. 基于多源数据的城市道路边界三维建模[D].厦门大学,2019.。