计算机技术与应用进展2008（1-6页）.doc

基于航拍图像和LiDAR点云的城市道路提取( 朱晓强1 余烨1 刘晓平1 袁晓辉2 Bill P. Buckles2 1 合肥工业大学计算机与信息学院VCC研究室，安徽合肥 230009 2 美国北德克萨斯大学计算机科学与工程系 摘 要：从航空或卫星影像中提取道路一直是研究的热点，基于动态规划的道路提取算法是最有效的算法之一，本文基于LiDAR点云数据特征改进了该算法的代价函数，进而提高了基于动态规划的道路提取算法的鲁棒性。为正确地融合航拍图像和LiDAR点云数据，本文研究了航拍图像和LiDAR点云数据的匹配算法。最后通过试验验证了算法的正确性。 关键词：动态规划LiDAR 点云道路提取航拍图像 1 引 言 从航空或卫星影像中提取道路一直都是一个很具有挑战性的问题。根据道路特征提取的自动化程度，道路特征提取分为自动特征提取和半自动特征提取。自动提取方法包括基于平行线对[1]、基于二值化和知识[2]、基于窗口模型特征[3]等；半自动提取的常用算法有模板匹配[4]、动态规划[6]、可变模型或Snakes方法[7]等。到目前为止，从航空或卫星影像中全自动识别道路仍然处于不成熟的状态[8]，而且在未来的短期时间内也很难开发一套完全脱离人工干预而自动识别道路的系统。在各种半自动道路提取方法中，由于动态规划是一个解决优化问题的稳定算法，能够确保结果的最优性，成为近年来道路半自动提取的首选方法之一。动态规划法首先应用在低分辨率影像提取道路中（Sakoda等，1993；Gruen和Li，1997；Merlet和Zerubia，1996）。Dal Poz等[6]修改了“代价”函数，使之适用于从中高分辨率影像中提取道路。 另一方面，从机载LiDAR（Light Detection And Ranging）数据中提取道路在近年来也有了一定的研究，Hatger和Brenner在文献[10]中结合LiDAR数据和已经存在的数据库信息提取道路的几何属性；在Rieger等人的论文[11]中研究了林区范围内由LiDAR点云提取道路方法； 为充分利用LiDAR数据信息，文献[12]和文献[13]引入了强度信息辅助道路的提取。 由于从航拍图像中提取道路时一些经验条件难以满足，如要求道路的灰度比背景亮，道路的灰度变换不大等，而从 LiDAR数据中提取道路对点的要求比较高，如点集密度高、需要强度信息等，因此，本文融合LiDAR点云和配准的航空图像两种数据源来提取道路，降低了对单一数据源的依赖性。文章首先介绍了现有的基于动态规划的道路提取方法和代价函数的意义；然后对LiDAR点云数据进行重新采样，并根据提取的道路特征对原有代价函数进行扩展；为精确配准航拍图像和LiDAR数据，本文利用局部控制点对当前位置进行插值；最后通过试验对本文算法进行验证。 2 基于动态规划的道路提取及其改进 2.1 现有基于动态规划道路提取方法 2.1.1 在低分辨率航拍图像中的应用 利用动态规划从航拍图像中提取道路首先从较低分辨率的图像中[14]，将道路建立成线状的模型。道路模型中同时考虑道路的几何属性和物理属性（如道路为线状、灰度和宽度变化慢、方向变化平缓等）。由于道路可以用多边形来表达，其中是多边形在图像上的第个定点。则道路模型可以用下面的代价函数和约束不等式表示： (1) (2) 其中，和描述道路的各种几何和物理属性，每个表达式只依赖于连续邻接的两个点和；表示由点和构成的向量方向；为正常数；为和之间的距离；为用户定义的由控制点构成的临近两个向量的方向改变量的上限。 分析(1)式可以知道，代价函数为一系列的加权和，每一个依赖于多边形的三个连续的控制点，即每个点只和它的前一个、后一个点直接相关。这使得可以利用动态规划来该问题，通过一系列的决策过程来达到优化的目的。根据精度要求的不同，迭代的过程可以在原有的控制点之间添加一些额外的辅助控制点。 2.1.2在中、高分辨率航拍图像中的应用 为使(1)式也能适合从高分辨率航空影像中提取道路，文献[6]研究了中等和较高分辨率航空影像中道路中心线的提取方法，将道路的边缘信息和宽度信息融入到(1)式得到了新的代价函数如下： (3) 2.2 代价函数的改进 在(3)式中虽然融入了航空图像中道路的各种属性，但是很多条件是基于经验，当条件改变的时候，该方法很难保证道路提取的正确性，如中假定路面的灰度高于两侧的灰度值[14]，路面的灰度值变化缓慢，这些条件在大多数情况下是成立的，但是不能绝对保证（如斑马线处灰度值变化剧烈等）。为提高算法的鲁棒性，本文中引入了另外一个数据源――LiDAR点云，从而可以为模