關鍵詞：車載光達系統、道路調查、分類、重建
2. 研究方法
2.2 類桿狀道路物件點雲分割 及偵測
本節從點雲資料中，進行點雲分割並偵測類桿 狀道路物件點雲，本研究提出一個多尺度方法執行 點雲分割，包含體元尺度（Voxel-scale）、點尺度
（Point-scale）及混合物件（Overlapped Objects）
分割，最後再進行類桿狀物件點雲偵測，在分割過 程中利用點雲相鄰性（Proximity），以不同尺度的 歐基里德群聚演算法進行點雲分割，以體元結構快 速完成候選物件初始偵測，接著以點雲尺度 CCL 法進行再分割，此架構有效結合體元及 CCL 方法 之優點，而點雲分割過程中不需計算額外資訊如平 坦度、法向量、強度值等同質性（Coherence）資 訊，如此可簡化運算過程，此外，本方法不需預處 理將地面點雲濾除，可改善過去方法之限制。
2.2.1 體元尺度分割
體元尺度物件化以體元空間（Voxel Space）為 基礎，將原始點雲約化並以體元節點（Voxel Node）
相鄰之特性進行類桿狀物件點雲初步偵測，為克服 地面點相鄰之問題，本研究提出不規則的體元空間 對資料進行結構化，再以結構化之節點為單元進行 歐基里德群聚演算法，萃取具有類桿狀物件特徵之 點雲群集。
不規則體元空間之建立將前述步驟產生之三 維道路中心線提供的局部路面高度為基準，將體元
航測及遙測學刊 第二十卷 第二期 民國 105 年 04 月 96 空間分為頂層及底層兩個部分，頂層為類桿狀道路
物件之附屬結構（例如：交通號誌橫桿）；底層則 為物件桿狀物部分，一般來說，附屬結構位於 3 公尺以上位置，因此，本研究以離地高 3 公尺為分 界，垂直距離 3 公尺以內為底層；距離 3 公尺以上 之則為頂層空間，如圖 2 所示。在底層的部分，
水平方向上的體元間距較垂直方向大，使得底層部 分的垂直類桿狀物件能獨立被分割出來，相鄰類桿 狀物件不會被合併；在頂層部分，所選之體元大小 在水平及垂直間距相等，使得類桿狀物之附屬結構 物能夠被保留，增加後續分類時之特徵描述，本文 設定之體元大小如表 1，根據設定可依式 1 進行體 元節點的三維坐標計算，成果如圖 3b 所示，後續 步驟將以體元節點（如圖 2 中及圖 2 右之紅點）
取代原始點雲（如圖 2 中及圖 2 右綠點）進行體 元尺度分割。
{
i
p= int(
xp∆x−x0) j
p= int(
yp∆y−y0) k
p= int(
zp∆z−z0)
(1)
式 1 中，(𝑖𝑝, 𝑗𝑝, 𝑘𝑝)為計算出之體元節點索引 值；(𝑥𝑝, 𝑦𝑝, 𝑧𝑝)為點雲坐標；(𝑥0, 𝑦0, 𝑧0)為計算體元 坐標之原點；(∆𝑥, ∆𝑦, ∆𝑧)為於 x,y,z 方向之體元大 小。
表 1 體元大小選擇 ∆𝑥 ∆𝑦 ∆𝑧 底層(離地高≤3m) 2m 2m 0.5m 頂層(離地高>3m) 1m 1m 1m
將原始點雲轉換為體元節點後，利用體元節點 可進行歐基里德群聚，體元節點水平方向距離如圖 4 所示，群聚之距離門檻值為 1.5 公尺，該門檻值
設定可使節點群聚於底層部分以垂直方向群聚，使 類桿狀物件結構能獨立分離；在頂層部分得以分割 完整附屬結構，以利後續分類之特徵辨識。完成體 元節點之群聚後，可萃取各體元內之點雲。體元尺 度點雲分割示意如圖 3c 所示，由於成果中包含許 多非類桿狀物件特徵之物件，必須將其過濾，保留 具有類桿狀特徵之物件，在此，類桿狀道路物件之 知識可輔助判釋，本文將物件高度低於 2.5 公尺矮 小物件及離地高大於 2 公尺的懸浮物件點雲濾除，
此階段成果如圖 3d 所示。
2.2.2 點尺度分割
在體元尺度點雲分割中，雖然許多類桿狀道路 物件點雲已可正確地被萃取出，仍有其它未被正確 萃取出之物件點雲，主要分為兩種情況，第一種情 況如圖 5a 所示，兩距離較為靠近的類桿狀物件在 體元尺度被分割在同區塊內；另一種情況為受樹木 遮蔽之混和物件。本節將處理第一類情形，混合物 件分割則於 2.2.3 節中論述。
圖 5 左圖之情況是兩鄰近物件點雲被分割入 於同一區塊，此情況使用點尺度分割即可將分兩物 件點雲分離，首先，初始分割的物件點雲包含局部 地面點，將該地面點以 RANSAC 平面點雲分割法 (Fischler and Bolles, 1981; Schnabel et al., 2007)偵 測並濾除，完成濾除後對非路面點雲進行點尺度歐 基里德群聚，群聚距離門檻和點與點之間距有關，
門檻選擇可參考兩掃描線之距離，本研究車載光達 掃描車速控制在每小時 60 公里內，每秒掃描線數 200 條，根據式 2，兩掃描線距離約為 0.08 公尺，
考量局部遮蔽之影響，設定門檻值為 0.15 公尺，
進行點尺度分割（如圖 5 右圖）。
𝑑
𝑠= 𝑣 𝐿𝑃𝑆 ⁄ (2)
其中，𝑑𝑠為兩條掃描線間之距離，𝑣表示系統車速；
𝐿𝑃𝑆為掃描線頻率。
張智安、邱繼珉：以多尺度萃取方法進行車載光達資料之類桿狀道路物件重建 97
圖 2 不規格體元空間，左：點雲，中及右：兩種可能情形(箭頭表示理想群聚方向)
圖 3 體元尺度物件化 (a)原始點雲(依高程上色) (b)體元空間節點(依高程上色) (c)分割成果(依物件編號上 色) (d)類桿狀物件初始偵測(依物件編號上色)
(a)底層體元空間 (b)頂層體元空間 圖 4 體元節點水平方向距離
A A’
(a) (b)
(a) (b)
(c) (d)
航測及遙測學刊 第二十卷 第二期 民國 105 年 04 月 98
圖 5 點尺度物件化示意圖，左：分離前；右：分離後(不同物件上色)
2.2.3 混和物件分割
混合物件係因道路行道樹覆蓋使之無法於點 尺度完成分離，儘管相關研究中，正規化分割(Shi and Malik, 2000; Reitberger et al., 2009)、分水嶺演 算法(Rahman and Gorte, 2009)或是體元成長法(Wu et al., 2013)可應用於混合樹木分離，對於人工物件 及樹木的分離仍存在許多挑戰，因此本研究以較簡 單之方式進行混合物件點雲分割。混合物件分割分 成兩個步驟，首先，位於底層的類桿狀結構較不會 受樹冠點雲覆蓋干擾，可先以底層點雲計算物件混 合區物件數，使用方法為歐基里德群聚法，若偵測 出的桿狀物件數大於一個物件，則判定此為混合物 件點雲（恰為一個則不再分割），混合物件點雲分 割是以底層結構為基礎，底層即為類桿狀結構點雲，
而頂層則是以底層中心為基準，將水平距離 3 公尺 內點雲於同區塊，如圖 6 所示。
圖 6 混合物件案例(a)混合物件點雲(b)底部點雲群 聚(c)混合物件分割
2.2.4 類桿狀道路物件偵測
完成多尺度的點雲分割後，可依照道路知識進 行類桿狀道路物件之偵測，本研究首先利用物件桿 狀結構之點雲橫剖面進行判斷，若橫剖面之面積小 於 1 平方公尺，則該物件被判定為候選物件；再者，
本研究設定物件點雲高度門檻作為類桿狀物件偵 測之約制條件，物件點雲之高度大於 2.5 公尺將通 過判斷；此外，類桿狀物件在道路場景中之相對位 置亦作為判斷標準，包含(1)相對於路面之垂直距 離需在 2 公尺以內，及(2)以中心線提供的道路特 徵資訊為基礎，物件點雲之平面相對位置不得存在 於行車範圍之中。通過類桿狀物件偵測之物件點雲 可用以計算各物件點雲模型參數以進行模型導向 重建，所需之參數包含物件平面坐標、底部高程坐 標、物件方向、物件大小比例及物件類別。平面坐 標計算是以 RANSAC 圓形擬合法(Fischler and Bolles, 1981; Schnabel et al., 2007)計算類桿狀物件 之中心（如圖 7a 所示）；底部高程坐標是採用物件 點雲最低點之高程；物件方向是利用物件頂部附屬 結構點雲之平面方位角統計量計算而得（如圖 7b 所示），於重建時可使物件旋轉至正確方向；物件 大小比例則是物件實際尺寸與模型庫樣板尺寸之 比例，可由物件點雲最高點及最低點之高度差計算 而得；最後，物件類別則是利用物件式分類方法取 得物件類別，將於 2.3 節詳述。
頂層
底層
(a) (b)
(c)
張智安、邱繼珉：以多尺度萃取方法進行車載光達資料之類桿狀道路物件重建 99
。
圖 7 類桿狀物件參數計算 (a)RANSAC 圓形擬合計算位置(b)計算物件方向