摘要：移动激光扫描（mobile laser scanning ,MLS）系统可以在高速公路上以前所未有的速度和比传统测量更低的成本直接收集精确的三维信息。这满足了高速增长的交通相关道路测量需求，包括到路面几何和道路环境。道路标记作为交通管理系统的一种道路特征，在给驾驶员和行人指导方面具有重要作用。本文提出了一种逐步识别MLS点云道路标记的方法。为了提高计算效率，我们首先提出了 一种基于路边石的路面提取方法。这个方法首先根据车辆行驶轨迹将原始MLS数据划分为一组轮廓，然后通过坡度和高度差阈值提取轮廓中因约束引起的小高度跳变。接下来利用扩展的逆距离加权（inverse-distance-weighted,IDW）方法，将提取的路面上的点插入到一个地理参考强度图像中。最后，我们动态地将地理参考强度图像分割成具有多个阈值的道路标记候选图像，这些阈值对应于点强度的不同范围。最后采用线性单元的形态学闭合操作，通过去除噪声和提高完整性，用于细化道路标记候选项。在分析参数灵敏度和整体性能的基础上，全面讨论了这种道路标记提取算法。对一组具有实际基准的道路标记进行了实验研究，结果表明，该算法为从MLS数据中提取道路标记提供了一种很有前途的解决方案。
1、介绍
随着人口和城市化的增加导致了对交通运输服务的需求不断增长。因此这些服务需要能够提供有关道路维护、路面状况、公共设施管理、街道夹具升级、安全分析和交通噪音水平的最新信息的工具。这些信息在规划、建造和维护道路基础设施方面的重要性已经刺激了大量用于道路资产清查的专门软件的增加。在遥感数据采集领域中，高效廉价的数据采集技术在道路提取和街道场景对象识别中越来越流行。
路面标记作为道路交通管理系统的重要特征，在位驾驶员和行人提供指导和信息方面具有重要作用。路面标记作为道路交通管理系统的重要特征，在为驾驶员和行人提供指导和信息方面具有重要作用。例如，驾驶员辅助系统需要可靠的环境感知，通过告知驾驶员并防止事故发生来提高交通安全。随着路面状况和路面地形的变化，由于道路自身的原因，路面标志的可见度是造成事故的关键因素 要一个实用的系统来监控道路标记。
许多研究已经从数字图像和视频中识别道路标记。当从数字照片或视频中进行道路标记检测时，精确的几何信息受到以下环境因素的限制:(1)道路标记的形状和类型，如固体连续线、箭头和文字;(2)路面材料，如浅色路面、深色路面或不同路面的组合;(3)天气状况，以及一天中对路面能见度影响最大的时间，(4)来自树木和移动车辆的复杂阴影(McCall和Trivedi, 2006)。尽管从数字照片和视频中进行道路标记检测的工作已经进行了多年，但是完全自动化的道路标记提取仍然是一个挑战.
与摄影测量相比，激光扫描作为一种主动遥感技术，在较短的时间内捕获高密度的高精度点云(Haala et al.， 2008;Chehata等人，2009;Ussyshkin, 2009)。典型的，MLS技术非常适合于栅格映射（corridor mapping），因为它的“drive-by”数据采集模式充分地捕捉了道路环境，包括道路的几何形状和道路标记 。该技术以高速公路的速度和比传统调查成本更低的成本，以前所未有的细节收集精确的三维地理空间数据。在交通规则，MLS比其他数据收集手段更安全，不需要道路封闭和交通中断，从而降低项目的整体风险。最近，由于激光扫描相关组件技术(例如扫描、成像和定位设备)的发展，一些MLS系统已经出现在市场上(Graham,2010)。虽然有许多公司和研究小组提供他们的数据处理服务和解决方案，涉及道路资产清单、管理和维护(Gordon, 2010)， MLS软件和自动化算法。与MLS硬件的发展相比，提取道路特征仍然比较缓慢(Yang et al.， 2013)。
道路标记是漆在道路上的反光表面;目标的反射率的强度可以用来识别道路标记(Chen et al.， 2009)。根据路面和路面标记的强度差异，Toth等将道路标记作为的基准控制（ground control ），用于图片数据的质量评价(quality assessment,QA)或质量控制(quality control,QC)。Smadja等人对强度数据应用一个单一的阈值来提取道路标记。Yang等人(2012)首先对MLS点应用插值法，然后利用强度和海拔差信息对地理参考特征图像进行分割，勾勒出实边线和折线标记。最后，通过整合它们的语义知识(如形状、大小)来估计道路标记。然而，由于大多数算法已经将全局阈值分割应用于MLS点云的强度数据，引入了更多的噪声，使得这种方法在提取道路标记时效率较低。强度数据高度依赖于从扫描仪到物体的范围、激光脉冲的入射角度以及路面的材料特性。因此，在分割前需要对强度数据进行规范化。Jaakkola等人(2008)从FGI Roamer MLS系统获得的强度数据中对道路标记建模：(1)对强度数据进行辐射校正和分割，(2)进行形态学运算得到一组片段，(3)对这些片段进行交叉等性质的分类。然而，该算法只能用于停车线和斑马线。辐射测量校准拟合在扫描中心两侧的峰值之间的二阶曲线。Chen等人(2009)利用自适应阈值定位道路标记候选体，其中阈值与激光束返回的绝对值不变，利用霍夫变换聚类提取道路标记，然后进行轨迹约束和几何检验的细化步骤。由于指定要检测的道路标记的数量，Hough变换用于道路标记提取的使用被削弱了，这是复杂类型的道路标记(如剖面线和文字)的一个限制因素。Vosselman(2009)引入了距离相关强度归一化和连通分量分析来识别道路标记。尽管识别了几种类型的道路标记，但是仔细观察一辆自行车的标记就会发现，提取出来的标记不完整并且带有显著的噪声。用于拟合道路标记部分的预先定义的形状被认为是原因。除了导读标记外，其他高反射性的城市 元素（交通标志、树木和草地）以及花等可能会对道路标记的提取产生负面影响。为了细化提取的道路标识，需要考虑高度信息和形状标准等措施。由于道路标记绘制在路面上，我们提出了一种方案，首先从MLS数据中识别道路表面，然后从识别的道路数据中提取道路标记。在此方案下，道路标记的提取仅限于道路表面，不受其他引起严重失真的物体的干扰。
本文的目的是开发一个用于移动地图系统的道路标记识别框架，并分析它在从RIEGL VMX-450 MLS数据中选择的各种道路标记类型上的性能。第2节描述了从RIEGL VMX-450 MLS系统的研究领域和数据。我们的方法在第3节中提出，目的是提取道路标记。该方法首先基于路边石提取道路，通过检测基于车辆轨迹数据的一组轮廓上的路边石引起的高度跳变，将道路与非道路点分开。这些剖面为从大量的MLS数据中提取路面提供了有效的策略。然后，将分类的道路点插入到一个地理参考的强度图像中。接下来,为了降低噪声，将基于点密度的多阈值分割方法应用于位置参考强度图像中，利用形态学操作识别道路标记。在第4节中对所进行的测试进行了描述和分析。结论见第5节。
3.方法
道路标志线的提取可以视为逐步解释MLS数据的过程，主要步骤如下：
（1）基于路边石的道路提取：原始的MLS数据基于行车轨迹被划分为块和相应的剖面。通过这种方法伪扫描线形成并且检测由路边石引起的高度差。
（2）产生地理参考强度图像。分割的道路点被插值到地理参考强度图像中通过扩展的逆距离权值方法，这一方法综合了局部和全局的强度数据。
（3）道路标识线提取：利用点密度相关的多阈值分割方法对地理参考强度图像进行分割，以识别由形态学闭操作细化的道路标志线。 路边石的作用是在城市场景中将道路和路边分离开 ，路边石高度通常在10cm至20cm之间，取决于特殊的城市街道设计和建筑材料。基于路边石是道路表面边界的假设，我们提出了基于路边石的方法来提取道路表面。
我们使用行车轨迹数据，将原始的MLS数据以Rg为间隔划分成一系列的数据块Blocki(i=0,1,2..N)，当收集激光扫描数据时，RIEGL MLS系统沿着机车移动的方向记录行车轨迹 。在每一个Blocki内，相关的剖面以一定宽度Sg横切。如下图a所示。 图b是原始MLS数据的一个样本，蓝线表示剖面位置。由于RIEGL MLS系统被用于此项研究中，车架被定义为右正交坐标系，其原点在任意的用户定义点。车架的方向是固定的，所以x轴是朝向车辆前部的，y轴是朝向车辆右侧的，z轴是朝向车辆底部的 
从剖面图可以看出路边石几乎垂直于道路表面并且有一定高度跳跃。因此，我们想要通过坡度和高度差阈值估计路边石边角来将道路与非道路点分离。之后，每个剖面首先以Sp的宽度划分成伪扫描线的网格，Sp主要取决于MLS数据的点密度。第二，对每一个单元格采样选择主要点，如图3所示。为了在每个单元格内选择主要点，我们使用了快速排序算法根据他们的海拔高度对网格单元内所有点进行排序。从最低点开始，计算两个连续点之间的高程差
在本研究中，我们的路边石边角检测算法是基于坡度和高度差估计，并以两种相反的方向应用在扫描中心。我们从数学上定义后来产生的伪扫描线内两个连续点之间的坡度，以及扫描线内的点与周围点的高程差。我们使用两个标准来检测一个点是否为路边石边角。
（1）首先，人行道和路面边界间的坡度通常比路面上连续点间的坡度大。
（2）人行道上的点比其临近道路上的点高度大。
坡度标准可以检测出非道路点，如车或者路边石。高程差标准能够从非道路点中检测出路边石。路边石高度大概是10cm至25cm，我们从数学上定义这两个标准为：
3.2产生强度地理参考图像
从MLS数据中提取出道路点之后，我们将道路关键点栅格化为地理强度参考图像，像素灰度值从领域插值使用IDW（inverse-distance-weighted，逆距离加权方法）插值。尽管插值会造成精度上的损失，但使用已建立的图像处理算法来处理大量的MLS数据是非常有效的。我们对Yang提出的IDW插值（IDW interpolation）扩展，产生地理参考的强度图像。图像像素值由点强度所决定，类似于3.1节格网宽度（grid width Sp）。
作为对yang的文章的一种扩展，生成强度图像有以下两个规则：
（1）点的反射强度越大权重就越大
（2）离中心点越远的点权重越小
根据上述两个规则，格网单元灰度值计算如下：
从MLS数据中提取道路点后，
我们将感兴趣的道路点栅格化成一个地理参考的强度图像，其中一个像素的灰度值是用IDW插值从其最近的邻居中插值出来的。虽然插值可能会导致精度损失，但使用已建立的图像处理算法来处理大量的MLS数据是非常有效的。我们扩展了Yang等人(2012)提出的IDW插值，生成了一个地理参考强度图像。图像分辨率(rg)由点密度决定，类似于3.1节的网格宽度。