基于形状先验的车载LiDAR道路边界精细化提取研究

With the rapid development of national economy, our national highway mileage is sharply increasing. The acquisition of high precision road vector data for city planning, transportation management, road reconstruction and extension is a problem that requires urgent solution in the construction of digital city. To improve the accuracy and robustness of automatic road extraction, this project makes full of shape priors in geometric design of road to address the problem of refining extraction of road boundary from mobile laser scanning point clouds. It includes: 1) robust road boundary point extraction from scanning line data based on boundary features and shape priors of road alignments; 2) road boundary tracing and extraction via multi-model fitting and road alignment priors; 3) refining road boundary via multi-model optimization and road alignment priors. By combing road alignment priors, multi-model fitting with remote singing, this project will enhance the automation level of road extraction, and extend and strengthen the research and application in the field of remote sensing for transportation.

随着国民经济的快速发展，全国道路总里程快速增长，如何快速获取大范围高精度的道路矢量数据服务于城市规划，交通管理，道路改扩建等工作是当前数字城市建设中一个亟待解决的问题。为提高道路矢量边界自动化提取的准确性和可靠性，本项目融合道路设计的形状先验提出了一种基于车载激光点云的道路边界精细化提取理论与方法。具体研究内容包括：1）道路边界点鲁棒检测，即基于路面形状与边界特征，建立鲁棒的车载扫描线道路边界点提取方法；2）道路边界多模型提取，即基于道路线形要素及其组合规则，建立基于多模型优化的道路边界提取方法；3）道路边界多模型精化，即基于道路线形要素，建立基于多模型拟合的道路边界精化方法。本项目旨在将道路形状先验、多模型优化技术与遥感技术相结合，提高道路边界提取的智能化与精细化，拓展与深化我国交通遥感研究与应用的水平。

以道路矢量边界为主的高精度地图是交通基础地理信息的重要内容，也是无人自动驾驶等新兴领域必需的基础数据。为提高车载激光雷达道路信息解译的智能化水平，获取精细化（准确、可靠）的道路矢量，项目主要研究以下内容：（1）复杂环境和低结构化道路的边界点检测，即基于道路路供模型，将边界特征不显著的道路边界检测问题转换为路面识别问题，通过路面模型检测道路边界点；（2）基于道路边线多模型拟合的矢量边线提取，即将道路边界追踪和拓扑构建问题转化为道路边界点的多模型拟合与优化问题，通过最小化能量函数求解道路边线；（3）基于多模型拟合的道路三维边线精化，即基于道路边线平面和纵断面模型从平面和纵断面两个方向精化三维边线。实验结果表明：本项目较好地解决了复杂环境下的低结构化道路边界检测问题，在噪声或外点较多的情况下也能够重建出理想的道路矢量。本项目提出的方法不但适用于半结构化或低结构化的乡村公路，还适用于道路目标复杂的城市道路，研究成果在道路改扩建、三维导航、无人驾驶汽车等领域都有重要的应用前景和价值。