基于车载激光点云的城市道路三维精细重建

Mobile laser scanning systems（MLS）have more advances in large-scale urban scene information acquisition and fine three-dimensional reconstruction of city roads. However, compared with advances in MLS, automated algorithms and software tools for efficiently and accurately extracting road features and reconstructing road geometric models rather fall behind. Using the theory of the object-oriented and machine learning, this proposal aims to extraction and delineate important elements of road—road boundaries and road markings from MLS point clouds based on geometric object recognition. This proposal will study the representation of urban road by fusing the geometric features and semantic description of road elements in order to reconstruct fine three-dimensional road models. The main contributions will provide a good solution for road extraction from MLS point clouds and give a promotion the wide use of Mobile laser scanning systems in many fields, such as smart city, 3D city modeling, and civil engineering.

车载激光扫描系统在大规模城市场景信息获取以及城市道路三维精细重建中具有越来越明显的优势。目前车载激光点云的道路特征提取和三维重构存在智能化程度低、特征提取及几何重构的可靠性不足等技术瓶颈。本项目以智慧城市中重要组成要素--城市街景环境为研究对象，采用面向对象和机器学习的思想，将基于三维点云分类问题转化到基于几何目标识别问题，实现多结构、复杂城市场景的道路边界、交通标线等道路细节要素的感知和稳健提取；实现从数据驱动的道路目标三维表达到几何模型、语义知识驱动的道路多层次三维精细重构的转变。从而在最小人工干预条件下实现稳定、可靠的道路识别与建模，提高车载激光扫描数据的智能化解译程度，推进车载激光扫描系统在智慧城市、城市建模和城市管理等领域的应用。

车载激光扫描系统获取的城市场景数据量大、场景复杂，数据噪声、遮挡等易造成道路结构不连续和不完整，道路细节要素解译比较困难和复杂。针对以上技术瓶颈，本项目重点研究融合多尺度几何形状、空间关系及纹理信息的道路边界/标线的提取模型和特征学习规则，形成稳健的道路边界和交通标线识别方法；探索适合点云分类的深度学习框架，实现路侧多目标的提取与识别；建立基于格式塔（Gestalt）视觉感知理论的道路边界连接与优化方法，实现道路边界矢量化和几何重构，建立融合几何和语义的复杂物体三维重建方法。项目采用不同车载激光扫描系统获取的多组点云数据开展实验，结果表明，采用面向对象的多尺度特征，能够克服点密度分布不均以及数据缺失对道路边界和交通标线提取的限制，能有效识别出精确、可靠道路边界/交通标线，取得较好的实验结果；利用深度学习网络，能够减轻分类器对基础特征依赖，抽取目标的高层次语义、抽象特征，提高目标分类的精度和自动化程度，具有较强的普适性；采用几何模型与语义知识相结合的方法，能够高精度快速实现道路边界和小物件几何重构。. 按照既定的研究计划，项目圆满完成了课题设定的研究内容，实现了预期目标，并在研究的深度和广度上都有了进一步扩展。在项目资助下，项目组发表论文2篇，其中EI1篇；申请发明专利3项目，授权2项，公开1项；申请软件著作权2项；在人才培养方面，项目组培养毕业硕士3名，在读博士1名，在读硕士3名。