資料切割主要目的在於避免一次處理大量點雲資料，研究中將全區的資料在平面方 向上沿著道路中心線切割成「路塊」，並以測繪車 GPS 的天線為原點，保留特定高程的 點雲，將建物、樹等非道路的點濾除低資料量。
平面部分，依照市區道路及附屬工程設計規範(內政部營建署，2009)，在市區的主 要道路其車道數必須要有兩條以上，又主要道路每一汽車道寬度應以 3.5 公尺為原則，
最小不宜少於 3 公尺。因此研究中，以中心線的平面位置為基準，將左右 4 個車道的寬 度以外的點濾除，另外每 50 公尺長的路段切割成一個路塊，並前後增加 5 公尺的重疊 區；高程部分，以圖 3-3 為例，車載光達之座標系統是以 GPS 中心為原點，從該原點 作為起算點至地面的距離約為 1.664m。因此高程方面以車載光達原點向下起算保留在 1.5m 至 2.5m 之間的點雲，以粗略的濾除非路面點。切割後的成果如圖 3-4，圖(a)與圖 (b)分別為平面與高程示意圖，白色部分為原始點雲，橘色部分為切割後的點雲。
圖 3-3、Riegl VMX-250 BODY coordinate system (引用自 Riegl user's manual)
(a) (b)
圖 3-4、資料分割示意圖
3-3 萃取白虛線與斑馬線
白虛線與斑馬線的形狀為長條的矩形，外型較簡單，因此研究先對這兩類的道路標 記進行萃取。首先，人工給定車道線的數量與起始白虛線的位置，接著以形狀幾何萃取 白虛線(或斑馬線)，最後以拓樸資訊將白虛線連結成車道線。各階段獲取的階段性成果 如圖 3-5。
圖 3-5、車道線萃取階段性成果示意圖
細部的流程如下圖 3-6，首先將資料切割後的點雲網格化產生回波影像，並用 Canny Edge Detection(Canny, 1986)萃取回波影像中的邊緣線得到線段點，接著將相鄰的線段點 連結，合併成同一個物件，圖 3-7 左下角所示。Canny Edge Detection 得到的線段點已 被連結成物件，不同的顏色代表不同的物件。之後以形狀幾何約制萃取白虛線。形狀幾 何包括面積、線段長、面積周長比。研究中依據白虛線繪製的規範設定門檻值，將非白 虛線物件濾除，留下可能為白虛線的物件，圖 3-7 右下角即為濾除後的成果。而斑馬線 與白虛線的形狀類似，因此萃取斑馬線時，依照斑馬線繪製的規格改變參數即可。
圖 3-6、車道線萃取細部流程圖
圖 3-7、白虛線萃取之各階段成果
萃取白虛線後，連結白虛線可獲取車道線的資訊。車道線的功用為分離車道。車道 線為道路標記之集合，當一路段中之道路標記其功用包含分離車道之功能，且該標記與 其餘標記在同一條曲線上沿著道路方向排列，則可歸類為同一個車道線。車道線多由白 虛線、白實線與雙白實線之集合組成，其中又以白虛線數量較多，故研究中，將連結白 虛線，得到車道線的資訊。
作業前，使用者必須依據實際的車道線數量，在每一個車道線上給定一個白虛線的 初始位置。如此便可獲取車道線的數量，以及可靠的車道線與道路中心線之距離。以人 工給定的初始值，做為良好的起始資訊，以利後續自動化作業。
方法上，首先藉由計算各個初始白虛線與道路中心線在平面的垂直距離，將其餘的 白虛線分類到所屬的車道線上。圖 3-8 所示，藍點為人工給定的初始白虛線位置，綠線 為道路中心線。Distance_initial 與 Distance_lane 分別為初始白虛線與未分類的白虛線到 道路中心線的垂直距離。當 Distance_lane 與 Distance_initial 之差值小於半個車道寬，且 該白虛線與初始值距離中心點距為最小者，便將該白虛線分類至該車道線(如紅框之白 虛線)，並且做為偵測下一個白虛線之初始值，如此疊代計算至完成搜尋為止。
此外，同一條道路車道數量可能會改變，因此當車道數量改變時，便重新以人工的 方式給定初始值，再進行計算。
圖 3-8、白虛線分類至車道線示意圖
3-4 道路區域萃取
本步驟使用點雲資料、道路中心線以及車道線萃取道路區域內的點雲，並剔除非路 面點，得到道路區域的三維資訊。研究中，首先將資料進行網格化，搜尋每個網格中的 最低點以高程概略濾除非路面點，得到路面點的候選點。接著利用車道線推估道路路肩 的位置，經由搜尋路肩的高差推估道路邊界。最後，基於道路路面為一曲面的特性，以 三次多項式擬合道路面，濾除非路面點得到路面點雲。在研究中，點雲資料經過判斷道 路型態後，可分成一般路段、十字路口，兩種狀況進行處理，其處理的方法有些許的差 異，將在以下做各別的說明。道路區域萃取各階段的成果如圖 3-9 所示。
圖 3-9、道路區域萃取階段性成果示意圖