以場景知識為基礎自動分類車載光達點雲中之圓桿地物 - 政大學術集成

全文

(1)國立政治大學地政學系. 碩士論文. 私立中國地政研究所. 以場景知識為基礎自動分類車載光達點雲中之圓桿地物 Scene Knowledge-based Automatic Classification of Pole-like Objects from Vehicle-based LiDAR Point Cloud. 研究生：吳志文指導教授：邱式鴻中. 華. 民. 國. 一. 百. 零. 三. 年. 七. 月.

(2) 謝誌一年住宿生活，兩年社團活動，三年唱文化盃，四年拉拉美宣，五年地政系排，六年政大生活，而這些日子裡經歷許多難忘的回憶，一路上也感謝許多人的幫助與支持。謝謝邱式鴻老師，如果沒有老師大學時的督促，應該就沒有現在的小三(我) 了，這些年謝謝老師耐心的指導，還有容忍我常常睡過頭的壞習慣，這次真的暫時要離開政大了。謝謝教導過我的黃灝雄老師、林老生老師、詹進發老師、林士淵老師、甯方璽老師，很抱歉我大學時常恍神或睡過頭，但在研究所期間才發現原來以前忽略太多重點，這兩年真的學到很多很多，謝謝老師們。謝謝擔任口委的張智安老師與徐百輝老師，謝謝兩位老師空看我的文章，許多寶貴意見使這本論文更加完整。謝謝教導我程式設計的承一學長與提供實驗資料(和玩樂資訊)的怡和學長，如果沒有你們的幫忙，沒辦法完成這份論文。謝謝敏瑜學姊和翎衣，每次很多事都需要你們的幫忙和提醒，如果沒有你們，大概會一直忘東忘西。謝謝汝晏學姊安排研討會出國的行程，在泰國真的獲益良多。謝謝交大的繼珉，常常可以討論研究該如改進和畢業後的規劃，這份跨校的友誼真的很難得。謝謝研究室的蔡米、惠雅、連吉、宇鴻、芳妤、孟瑄、春華、鈞義和所有碩士班同學，謝謝你們對我的照顧，這兩年真的過得充實又愉快。謝謝學長姊，在我大學時週末幫忙開研究室的門，以及提供許多求學與求職上的經驗和協助。謝謝學弟妹，常常要聽我垃圾話，希望你們不會被我帶壞。謝謝地政系排的大家，這六年充滿許多無可取代的回憶。最後，謝謝我的父母和家人，常常半夜準備水果，注意我的飲食均衡，並且提供我足夠的資源，讓求學過程無後顧之憂，謝謝你們。再次從政大畢業，但與以往不同，不能繼續躲在學生身分的保護傘下，即將成為社會人士的我，很緊張，這次真的要暫時離開了。最後，謝謝再次政大遇到的每個有緣人，謝謝你們。吳志文 2014.10.07. I.

(3) 摘要車載雷射掃描(Vehicle-based Laser Scanning, VLS)系統可以直接獲取路廊的三維點雲(point cloud)資料，因此可用來獲取詳盡的路廊(road corridor)資訊，路廊資訊可進一步應用於噪音模擬、道路安全、道路及相關設施維護、定位服務、汽車和行人導航，甚至發展未來駕駛協助系統(future driver assistance system)，而過去許多研究中提到圓桿地物(如路樹、路燈、交通號誌桿、電力桿、電信桿等)為重要之地物，且已發展某些偵測與萃取方式。然而圓桿地物半徑不一致、傾斜、附著物干擾、地物緊鄰等問題導致其於萃取與偵測過程不易，因此本研究嘗試加入場景知識 (scene knowledge) 與運用 RANSAC(RANdom SAmple Consensus)的概念協助偵測圓桿地物，並加以分類。首先，以車載雷射掃描系統所記錄之車行軌跡為基礎將點雲分離成地面點與非地面點，其後以八分樹 (Octree)結構化與 CCL 演算法(connected-component labeling algorithm)將非地面點雲初步分割成數個點群。完成初步點雲分割後，則濾除鄰地地物點干擾、判斷點群中桿狀物數量以及再分割點群，以解決地物緊鄰之情形。最後，針對經分割後之點群，偵測與定位圓桿地物，並且加以細分成六種類型的圓桿地物。經兩個實驗區成果顯示，本研究藉由場景知識與 RANSAC 概念協助處理圓桿地物偵測與分類，其偵測之漏授率低於 35%，且誤授率為 29%，但受限於點雲密度、地物遮蔽、過多附著物、地物緊鄰等因素，使圓桿地物分類之整體精度仍低於 45%。然而與人工數化成果比較，圓桿地物定位精度在 x 坐標方向 RMSE 約為 0.040 m，在 y 坐標方向 RMSE 約為 0.040 m，半徑 r 的 RMSE 約為 0.020 m，已足夠公路設施基本資料清查規範之精度需求。關鍵字：車載雷射掃描、點雲、圓桿地物、場景知識、地物分類. II.

(4) Abstract Vehicle-based laser scanning (VLS) system can be employed to directly collect huge 3D point clouds for the extraction of detailed road corridor information. The detailed road corridor information can be utilized for noise modeling, road safety, the maintenance of relevant road facilities, location-based services, navigation for cars and pedestrians, even for the development of future driver assistance system. Many past studies mentioned Pole-like Objects (PLOs) are important objects in road corridor information. However, many methods in past studies still cloud not overcome some problems, such as PLOs with different radius, tilt PLOs, attachments on the PLOs and PLOs near other objects. Therefore, this study will introduce scene knowledge and RANSAC method for PLOs detection and classification. First, point cloud will be segmented to ground points and non-ground points through the knowledge of the trajectory of vehicle traveling. Then, connected-component labeling (CCL) algorithm is used for point grouping by initial segmentation from the non-ground points in octree-structured voxel space. After initial segmentation, the near-ground points in each point group will be filtered and the numbers of candidate poles in each point group will be determined for further re-segmentation for extracting the PLOs. Finally, the PLOs will be extracted from the point groups and classified. The result shows the omission of PLOs detection is lower than 35% and the commission of PLOs detection is 29%. However, the overall accuracy of PLOs classification is 45% due to sparse point density, object occlusion, too many attached objects on the PLOs and adjacent objects. Moreover, the circular parameters of vertical PLOs, i.e. the coordinate of circular center and the circular radius, are checked with those measured manually in this study. The RMSEs in X, Y coordinate components are about 0.040m and 0.040m, respectively, and the RMSE of circular radius is about 0.020m. The results show the accuracy is enough for road inventory. Keywords: vehicle-based laser scanning, point cloud, pole-like object, scene knowledge, classification III.

(5) 目錄謝誌.................................................................................................................................I 摘要............................................................................................................................... II Abstract ........................................................................................................................ III 目錄.............................................................................................................................. IV 圖目錄........................................................................................................................ VII 表目錄........................................................................................................................... X 第一章緒論.................................................................................................................. 1 第一節研究動機與目的...................................................................................... 1 第二節論文架構.................................................................................................. 3 第二章文獻回顧.......................................................................................................... 4 第一節雷射掃描原理.......................................................................................... 4 一、. 雷射掃描........................................................................................ 4. 二、. 車載雷射掃描................................................................................ 6. 第二節點雲處理.................................................................................................. 7 一、. 點雲結構化.................................................................................... 7. 二、. 點雲濾除........................................................................................ 9. 三、. 點雲分割........................................................................................ 9. 第三節桿狀物偵測與分類................................................................................ 12 一、. 依據掃描資訊.............................................................................. 13. 二、. 利用桿狀物之點雲特徵.............................................................. 14. 三、. 以機器學習方式.......................................................................... 17. 四、. 加入輔助資訊.............................................................................. 19. 第四節小結........................................................................................................ 19 第三章研究方法........................................................................................................ 21 IV.

(6) 第一節圓桿地物場景知識................................................................................ 22 第二節點雲結構化............................................................................................ 28 一、. 八分樹.......................................................................................... 28. 二、. k 維樹........................................................................................... 29. 第三節地面點與非地面點分離........................................................................ 30 第四節點雲初步分割........................................................................................ 31 第五節桿狀物偵測與點群再分割.................................................................... 33 一、. 鄰地性判斷與非鄰地點分離...................................................... 34. 二、. 鄰地點中非桿狀特徵點濾除與桿狀物數量分析...................... 35. 三、. 點群再分割.................................................................................. 37. 第六節圓桿地物偵測、定位與分類................................................................ 40 一、. 圓桿地物偵測.............................................................................. 41. 二、. 圓桿地物定位.............................................................................. 47. 三、. 圓桿地物分類.............................................................................. 47. 第七節精度評估................................................................................................ 54 一、. 點群分類精度.............................................................................. 54. 二、. 圓桿地物定位精度之評估.......................................................... 55. 第四章實驗成果與分析............................................................................................ 56 第一節實驗區一成果與分析............................................................................ 57 一、. 實驗區與資料介紹...................................................................... 57. 二、. 參數設定說明.............................................................................. 60. 三、. 非地面點分離.............................................................................. 62. 四、. 點雲初步分割之圓桿地物偵測.................................................. 63. 五、. 點雲再分割之圓桿地物偵測...................................................... 65. 六、. 圓桿地物分類.............................................................................. 69 V.

(7) 七、. 圓桿地物定位.............................................................................. 70. 第二節實驗區二成果與分析............................................................................ 72 一、. 實驗區與資料介紹...................................................................... 72. 二、. 參數設定說明.............................................................................. 75. 三、. 非地面點分離.............................................................................. 75. 四、. 點雲初步分割之圓桿地物偵測.................................................. 76. 五、. 點雲再分割之圓桿地物偵測...................................................... 77. 六、. 圓桿地物分類.............................................................................. 79. 七、. 圓桿地物定位.............................................................................. 81. 第三節實驗區比較與分析................................................................................ 81 一、. 圓桿地物偵測.............................................................................. 81. 二、. 圓桿地物分類.............................................................................. 82. 三、. 圓桿地物定位.............................................................................. 84. 第五章結論與建議.................................................................................................... 85 第一節結論........................................................................................................ 85 第二節建議........................................................................................................ 86 參考文獻...................................................................................................................... 88. VI.

(8) 圖目錄圖 1 脈衝式雷射測距說明圖示(Petrie and Toth, 2009)............................................. 5 圖 2 相位式雷射測距說明圖示(Petrie and Toth, 2009)............................................. 5 圖 3 地面雷射掃描系統示意圖.................................................................................. 6 圖 4 點雲網格結構化方式示意圖.............................................................................. 8 圖 5 Lehtomäki et al.(2010)利用掃描剖面偵測車載點雲中之桿狀物圖示 .............. 8 圖 6 點雲分割(林耿帆，2012) ................................................................................. 10 圖 7 不同類型距離之點雲分割(林耿帆，2012) ..................................................... 10 圖 8 k 鄰近搜尋法(賴泓瑞，2009) ........................................................................... 11 圖 9 球鄰近搜尋法(賴泓瑞，2009) ......................................................................... 11 圖 10 預先定義的描述類型(Yokoyama et al., 2013) ............................................... 15 圖 11 研究流程圖 ...................................................................................................... 21 圖 12 車載光達資料的通用分類(Pu et al., 2011) .................................................... 22 圖 13 點群分層資訊說明圖(修改自 Pu et al., 2011) ............................................... 23 圖 14 El-Halawany and Lichti(2011)之點雲分割成果 .............................................. 25 圖 15 點、線、面特徵與特徵值之關係.................................................................. 25 圖 16 反射強度資訊示意圖...................................................................................... 27 圖 17 八分樹結構化與體元說明圖示(王淼，2011) ............................................... 28 圖 18 二維 k 維樹結構化示意圖(演算法筆記，2014) ........................................... 29 圖 19 地面點與非地面點分離之場景知識說明...................................................... 30 圖 20 地面點與非地面點分離流程圖...................................................................... 31 圖 21 點雲初步分割流程圖...................................................................................... 31 圖 22 體元間相鄰關係圖(王淼，2011) ................................................................... 32 圖 23 體元相鄰方式(王淼，2011) ........................................................................... 32 圖 24 分割不足示意圖(colored by clusters) ............................................................. 32 VII.

(9) 圖 25 桿狀特徵偵測與點群再分割流程圖.............................................................. 33 圖 26 鄰地性示意圖.................................................................................................. 34 圖 27 鄰地點中非桿狀特徵點濾除與桿狀物數量分析流程圖.............................. 35 圖 28 二維分析示意圖.............................................................................................. 36 圖 29 三維分析示意圖.............................................................................................. 36 圖 30 桿狀物數量計算示意圖.................................................................................. 37 圖 31 點群再分割之流程圖...................................................................................... 38 圖 32 點群再分割示意圖.......................................................................................... 39 圖 33 圓桿地物偵測、定位與分類流程圖.............................................................. 40 圖 34 圓桿地物偵測示意圖...................................................................................... 41 圖 35 含附著物之圓桿地物(Google Street View, 2012) .......................................... 42 圖 36 圓桿地物偵測流程圖...................................................................................... 42 圖 37 分層 RANSAC 圓面參數計算流程 ............................................................... 43 圖 38 含較少附著物之燈桿不同厚度分層點雲俯視圖.......................................... 44 圖 39 含較多附著物之燈桿不同厚度分層點雲俯視圖.......................................... 45 圖 40 分層圓面約制分析流程.................................................................................. 46 圖 41 分層圓心位置分析流程.................................................................................. 47 圖 42 分類類型示意圖.............................................................................................. 49 圖 43 圓桿地物分類流程圖...................................................................................... 51 圖 44 高反射強度點雲分布二維分析示意圖.......................................................... 52 圖 45 線特徵點雲分布二維分析示意圖.................................................................. 53 圖 46 實驗區一範圍圖示.......................................................................................... 57 圖 47 實驗區一特性說明圖(Google Street View, 取用時間 2012 年 7 月) ........... 58 圖 48 實驗區一點雲資料.......................................................................................... 59 圖 49 實驗區一類型一至類型三特徵散布圖.......................................................... 61 VIII.

(10) 圖 50 實驗區一類型二至類型五特徵散布圖.......................................................... 62 圖 51 實驗區一地面點與非地面點分離.................................................................. 62 圖 52 實驗區一非分地面點之點雲初步分割成果.................................................. 63 圖 53 實驗區一點雲初步分割之分割不足示意圖................................................... 64 圖 54 實驗區一點群之再分割成果.......................................................................... 65 圖 55 實驗區一點雲再分割部分成果...................................................................... 66 圖 56 實驗區一影響偵測圓桿地物精度因素........................................................... 68 圖 57 實驗區一影響分類精度因素之說明圖示....................................................... 70 圖 58 實驗區二範圍圖示.......................................................................................... 72 圖 59 實驗區二特性說明圖(來源：移動測繪系統之影像) ................................... 73 圖 60 實驗區二點雲資料.......................................................................................... 74 圖 61 實驗區二地面點與非地面點分離.................................................................. 75 圖 62 實驗區二非地面點之點雲初步分割成果...................................................... 76 圖 63 實驗區二分隔島上路燈與圓桿地物分割不足說明...................................... 77 圖 64 實驗區二點群之再分割成果.......................................................................... 78 圖 65 實驗區二點雲密度不足(來源：移動測繪系統之影像) ............................... 79 圖 66 實驗區二影響分類精度因素之說明圖示...................................................... 80 圖 67 兩實驗區之圓桿地物偵測比較圖.................................................................. 82 圖 68 兩實驗區之誤判率長條圖.............................................................................. 83 圖 69 兩實驗區之漏判率長條圖.............................................................................. 84. IX.

(11) 表目錄表 1 過去相關研究之限制........................................................................................ 20 表 2 El-Halawany and Lichti(2011)分類準則表 ........................................................ 24 表 3 本研究點位特徵分類準則表............................................................................ 26 表 4 分類類型示意表................................................................................................ 50 表 5 分類類型比較表................................................................................................ 51 表 6 誤差矩陣............................................................................................................ 54 表 7 Riegl VMX-250 原廠規格表 ............................................................................ 56 表 8 實驗區一點雲初步分割之圓桿地物偵測精度(單位：群) ............................. 64 表 9 實驗區一點雲再分割之圓桿地物偵測精度(單位：群) ................................. 67 表 10 實驗區一點雲再分割前後之圓桿地物偵測精度.......................................... 67 表 11 實驗區一圓桿地物分類誤差矩陣(單位：群) ............................................... 69 表 12 實驗區一分類精度(含漏授之圓桿地物) ....................................................... 69 表 13 實驗區一之圓桿地物定位精度...................................................................... 71 表 14 實驗區二點雲初步分割之圓桿地物偵測精度(單位：群) ........................... 77 表 15 實驗區二點雲再分割之圓桿地物偵測精度(單位：群) ............................... 78 表 16 實驗區二點雲再分割前後之圓桿地物偵測精度.......................................... 78 表 17 實驗區二圓桿地物分類誤差矩陣(單位：群) ............................................... 79 表 18 實驗區二分類精度(含漏授之圓桿地物) ....................................................... 80 表 19 實驗區二圓桿地物定位精度.......................................................................... 81 表 20 兩實驗區圓桿地物偵測精度比較表.............................................................. 82 表 21 兩實驗區圓桿地物分類精度比較表.............................................................. 83 表 22 兩實驗區圓桿地物定位精度比較表.............................................................. 84. X.

(12) 第一章第一節. 緒論. 研究動機與目的. 隨著定位定向系統(Position and Orientation System, POS)精度提高，移動式測繪系統(Mobile Mapping System, MMS)發展越趨快速，其中定位定向系統整合慣性導航系統(Inertial Navigation System, INS)與全球衛星定位系統(Global Navigation Satellite System, GNSS)，而移動式測繪系統中則結合前述之定位定向系統與裝載各類感測儀器，蒐集空間資料，而感測儀器包含數位攝影機、相機、多光譜感測器、雷射掃描儀(Laser Scanner)等感測器。其中，裝載雷射掃描儀之車載雷射掃描系統，又稱車載光達(Vehicle-based Light Detection And Ranging, Vehicle-based LiDAR)或車載雷射掃描，可於短時間內獲取大量三維點雲，並透過車載影像之輔助，使其後續發展與應用逐漸受到重視。其中目前已發展的車載光達系統有 Optech Lynx Mobile Mapper V200、StreetMapper 360、 FGI Roamer、Riegl VMX-250 等，其規格分述如下。 Optech Lynx Mobile Mapper V200 由最大掃描頻率(又稱點發射頻率(point repetition frequency, PRF))200 kHz 與最遠掃描距離 200 m 的 1~2 個雷射掃描儀所組成；3D Laser Mapping 公司的 StreetMapper 360 則使用掃描頻率 300 kHz 與最遠掃描距離 200m 的 1~2 個 Riegl VQ-250 雷射掃描儀所組成；芬蘭大地學會(Finnish Geodetic Institute)所發展的 FGI Roamer 則由掃描頻率 120 kHz 的 Faro LS 880 雷射掃描儀以及 NovAtel HG1700 SPAN58 INS 系統所組成 (Kukko et al., 2007)；而 Riegl VMX-250 為一可卸式平台，包括兩部 Riegl 2D 雷射掃描儀 VQ-250、慣性導航系統與全球衛星定位系統，此系統可安裝於任何車輛、船舶快速取得三維坐標資料，其中所裝備之雷射掃描儀 Riegl VQ-250 掃描頻率為 300 kHz，其最大測距 200 m，精度 10 mm，掃描角度 360° (迅聯光電有限 1.

(13) 公司，2010)，關於車載光達系統的回顧文獻可參考 Schwarz and El-Sheimy(2004) 之文章。如同前述，車載光達系統透過結合定位定向系統與雷射掃描儀，將有助於短時間內直接獲取大量目標物之三維點雲，進而可獲取詳盡的路廊資訊，而此路廊資訊對於道路之環境模式化與文件化(documentation)有相當助益。其中，道路環境文件化包含道路幾何和道路環境的文件化。道路幾何則是使用於道路幾何設計的參數，如車速、車道數、車道寬、道路縱橫方向的坡度，道路鋪面材質等等來描述；而道路環境則是指道路兩旁及其鄰近的相關地形地物包含建物、行道樹、電力線、交通號誌、燈桿等(Mumtaz, 2007)。建立完整的路廊資訊可應用於噪音模擬(noise modeling)、道路安全、道路及相關設施維護、適地性服務(location-based services)及汽車和行人導航，甚至發展未來駕駛協助系統 (Brenner, 2009)。然而車載光達系統屬於盲系統(blind system)(林耿帆，2012)，其於掃描過程中並不會針對特定目標掃描，加上其獲取之點雲資料龐大且複雜，因此造成其資料處理不易。而於過去研究中，於桿狀物萃取過程多僅考慮圓桿地物半徑大小不一致與圓桿地物傾斜等問題，較少針對含有附著物之圓桿地物與地物緊鄰之情況加以分析。因此，本研究將針對複雜場景之車載光達點雲，嘗試以場景知識與運用 RANSAC 概念協助偵測、定位與分類圓桿地物，以利於後續加值應用。因此本研究之目標主要有三：一、以場景知識與 RANSAC 的概念偵測車載光達點雲中的圓桿地物，並且定位。二、於圓桿地物偵測過程中，嘗試克服圓桿地物半徑大小不一致、圓桿地物傾斜、圓桿含有附著物、以及圓桿地物與其他地物緊鄰等問題，並透過一個複雜場景與一個簡單場景之車載光達點雲加以探討。三、嘗試將偵測之圓桿地物加以分類，以利於後續加值應用。 2.

(14) 第二節. 論文架構. 本研究將針對車載光達系統提出一套圓桿地物偵測、定位與分類之流程，而圓桿地物中包含有行道樹、燈桿、電力桿、電信桿、交通號誌桿等。本論文各章描述如下：第一章：針對研究動機與目的予以說明。第二章：回顧過去相關研究，並且分成四部分予以回顧，分別為雷射掃描原理、點雲處理、桿狀物萃取與過去研究之小結。第三章：說明研究方法與資料處理流程。第四章：分析實驗成果，並探討其可行性。第五章：總結實驗成果，並提出結論與建議。. 3.

(15) 第二章. 文獻回顧. 本章將針對此研究背景以及過去相關研究予以回顧，因此依序分成四部分。首先，2.1 節介紹雷射掃描及車載雷射掃描原理；由於點雲資料龐大的特性，其後 2.2 節將會回顧點雲前處理方法；緊接著 2.3 節則回顧點雲中圓桿地物萃取與分類等相關文獻；最後於 2.4 節給予小結。. 第一節一、. 雷射掃描原理. 雷射掃描. 由於雷射掃描技術的發展，改變空間資料獲取的方式，也使其發展快速。而雷射最早是在 1960 年代所發明，然而在該時代背景下，缺乏其他技術的支持，使其發展受限。直到 1990 年代中期，隨其他技術的改善下，使雷射掃描相關技術快速發展，並且透過引入直接地理定位技術(direct geo-referencing technology) 使雷射掃描由單點量測的雷射測距逐漸發展成雷射掃描系統(Petrie and Toth, 2009)。雷射掃描系統中雷射測距原理可分成兩種，脈衝式(pulse echo)與相位式 (phase comparison)測距(Petrie and Toth, 2009)。其中，脈衝式測距原理是藉由量測電磁波往返於測站(A)與目標物(B)間之時間差，並且以此時間差計算測站與目標物之斜距，因此其測距精度與時間量測精度有關，如圖 1 所示，其公式如式 1 所示。. 4.

(16) 圖 1 脈衝式雷射測距說明圖示(Petrie and Toth, 2009) R=. v×t 2. 式 1. R：斜距 v：電磁波於大氣中傳播的速度 t：電磁波往返於測站與目標物間之時間差另一種測距方式為相位式，其測距方式則是比對電磁波發射時的波形與經往返目標物後所得之波形，藉由此計算測站(A)與目標物(B)間之相位差，進而推得距離，因此其測距精度與電磁波波長(λ)有關，如圖 2 所示，其計算公式如式 2。然而，此種測距方式僅能測得最後的相位差(Δφ)，若量測距離大於一個整周波時，將無法求得整數週波的數量 M。. 圖 2 相位式雷射測距說明圖示(Petrie and Toth, 2009) R=. M×λ+Δ×λ 2. 式 2. R：斜距 λ：電磁波波長 M：電磁波往返於測站與目標物間之整數週波數 Δλ：不滿一週期的電磁波長度，其計算方式為 Δφ Δλ=λ× 2π Δφ：相位差 5.

(17) 藉由測距與測角設備，可用於計算目標物與測站之平距與垂距。而於雷射掃描系統中透過旋轉稜鏡(rotating mirror)使其可以於短時間內射出大量的雷射光束量，使其可於短時間獲取大量物點坐標，如圖 3 所示 (Petrie and Toth, 2009) 為地面光達系統。然而，其掃描過程中並不會針對特定目標掃描，因此有稱此系統為盲系統(林耿帆，2012)。. 圖 3 地面雷射掃描系統示意圖 (Mike Shand 繪製，收錄於 Petrie and Toth (2009)). 二、. 車載雷射掃描. 車載雷射掃描為一種動態的地面掃描方式(dynamic terrestrial scan)(Petrie and Toth, 2009)，此系統類似於空載雷射掃描(Airborne Laser Scanning, ALS)，除了備有雷射掃描系統外，亦搭載高精度定位定向系統，而定位定向系統合全球衛星定位系統、慣性導航系統、車輪計(Distance Measurement Instrument , DMI) 等，使系統可達直接地理定位的需求。與空載雷射掃描相比，車載雷射掃描其獲取之點雲資訊密度較高，使其足以描述較詳細的路廊資訊以及垂直特徵 (Boulaassal et al., 2007)，但其對地物描述的詳盡程度不如地面雷射掃描。於資料獲取的過程中，車載雷射掃描可由搭載多個掃描儀，以不同角度掃描，進而 6.

(18) 減少使用地面雷射掃描所面臨的遮蔽問題，也因此車載雷射掃描其掃描所需的外業時間較地面雷射掃描短(Tao, 2000; Dold and Brenner, 2006; Vaaja et al., 2011; Puente et al., 2012)。. 第二節. 點雲處理. 前一節介紹雷射掃描原理，可以了解經雷射掃描之點雲資料相當龐大且點位任意地散布於空間之中，使其於辨識物體的過程中更為困難。因此點雲需先經前處理(pre-processing)後，供後續辨認點雲中物件，而前處理過程分別為點雲結構化 (point cloud structurizing) 、點雲濾除 (filtering) 與點雲分割 (segmentation)，將於此節詳細介紹。. 一、. 點雲結構化. 由於點雲資料量龐大，且呈不規則分布，使其於處理過程中易耗費大量時間，為有利於資料搜尋，需先將資料有系統的排列，此過程稱之為點雲結構化，而現今點雲結構化主要有三類，分別為不規則三角網(triangulated irregular network, TIN)、網格式(raster)、掃描關係。其中，不規則三角網通常於處理的過程中不經內插處理，因此較不易喪失其資料精度，然而此方式需另外儲存點、線、面之空間關係，因此使其資料結構較為複雜，亦有處理效率不佳之情形 (Axelsson, 1999) 。而網格式結構化則是將點雲以二維或三維之網格方式記錄其結構化之關係，再依其網格之相鄰性供後續處理。其中，二維網格化之方式為將點雲以 xy 平面將其網格化(Priestnall et al., 2000; Wang and Hsu, 2007)(如圖 4(a))，而三維網格化則可再細分成多層(multi-layer)二維網格處理(Wang et al., 2008)(如圖 4(b))與三維網格經編號後搜尋鄰近點(王淼等，2005；羅英哲及曾義星，2009；王淼， 7.

(19) 2011)。而隨演算法與電腦運算效率改善，漸發展以三維網格為基礎之結構化方式，如：八分樹與 k 維樹(k-Dimensional Tree, k-D tree)(林耿帆，2012) 。. (a)二維網格化. (b) 多層二維網格投影. (修改至林耿帆(2012)). (修改至 Wang et al.(2008)). 圖 4 點雲網格結構化方式示意圖除前述兩種結構化之方式，亦可透過其掃描關係行點雲結構化，如利用掃描剖面或線來記錄點雲中點位之關係(Manandhar and Shibasaki, 2001; Zhao and Shibasaki , 2003; Lehtomäki et al., 2010)，並供後續萃取之應用，如圖 5 所示， Lehtomäki et al.(2010)利用掃描剖面偵測車載點雲中之桿狀物圖示。. (a) 雷射掃描系統. (b) 掃描剖面與車行方向之關係. (c) 掃描剖面與圓桿地物之關係. 圖 5 Lehtomäki et al.(2010)利用掃描剖面偵測車載點雲中之桿狀物圖示. 8.

(20) 二、. 點雲濾除. 在點雲掃描的過程，會掃描與目標無關之資訊(含雜訊)，因此需要將這類點濾除，此過程稱為點雲濾除。以地面雷射掃描為例，於 Douillard et al. (2011) 研究結果顯示，若於點雲分割前先濾除地面點，將有助於後續點雲分割之成果。此外，於空載雷射掃描中，Vosselman(2000)與 Sithole(2001)使用以斜率為基礎的濾除方式(slope based filter)應用於都市區點雲前處理過程之中。而於車載雷射掃描中，Pu et al.(2011)、Yokoyama et al.(2011)、Ishikawa et al.(2013)、Masuda et al.(2013)等研究皆將車載點雲中地面點濾除後，其餘之非地面點供後續圓桿地物偵測與萃取。. 三、. 點雲分割. 由於點雲資料量相當龐大，因此藉由點與點之間的相關性(coherence)與鄰近性(proximity)，將點雲群聚或分割成較小的資料集(dataset)，本文稱為點群，此處理過程稱為點雲分割(王淼，2011；林耿帆，2012)，如圖 6 所示。經分割後之點雲依據其分割後獨立點群特性，可將其應用於後續之分類、萃取與辨識。而影響點雲分割演算法之因素分別為相關性與鄰近性準則、資料結構與處理資料的方法(王淼，2012)。以歐幾里得距離(Euclidean distance)與光譜距離 (spectral distance)進行點雲分割為例，如圖 7 所示，可見於不同準則下將產生不同點雲分割成果。. 9.

(21) (a) 目標物. (b) 點雲資料. (c) 點雲分割. (d)獨立點群. 圖 6 點雲分割(林耿帆，2012). (a)以歐幾里得距離特性分割點雲. (b)以光譜距離特性分割點雲圖 7 不同類型距離之點雲分割(林耿帆，2012) 10.

(22) 根據王淼(2011)文章中將點雲分割的方法分成三大類，分別為群聚法 (clustering)、區域成長法(region growing)、分割與合併法(split-and-merge)。其中，群聚法、區域成長法有相似的策略，皆會計算區域表面的法向量(normal vector)，其中的區域表面則由點位與其鄰近點位決定。為了計算區域表面之鄰近關係，經常使用 k 鄰近搜尋法(k-nearest neighborhood search, k-NN search)與球鄰近搜尋法(fixed distance neighborhood search, FDN search)用於判斷點位之相鄰關係 (王淼，2011；Li, 2013)。其中 k 鄰近法主要是搜尋鄰近 k 個點，並計算對應的局部特徵。此鄰近搜尋的方式較不受點雲密度的影響，如圖 8；而球鄰近法則是給予搜尋半徑，並且將搜尋半徑內之點視為鄰近點，並計算對應的局部特徵，此鄰近搜尋的方式較易受點雲密度的影響，如圖 9。. (a)固定搜尋點數(點密度低). (b)固定搜尋點數(點密度高). 圖 8 k 鄰近搜尋法(賴泓瑞，2009). (a)固定搜尋半徑(點密度低). (b)固定搜尋半徑(點密度高). 圖 9 球鄰近搜尋法(賴泓瑞，2009). 11.

(23) 除計算區域表面之法向量外，分割過程中亦會使用幾何特徵描述點群，如平面(plane)、球面(spherical surface)、圓柱(cylinder)、平滑面(smooth surface)等 (Vosselman and Maas, 2010; 林耿帆，2012)。上述之幾何特徵可使用 3D 霍夫轉換(3D Hough transform)方式獲取，之後藉由表面成長(surface growing)或相鄰元素分析(connected component analysis) 等方法將點雲分割 (Vosselman et al., 2004)。於群聚法中，會於特徵空間(feature space)中將具有相似特徵的點群聚一起 (Filin, 2004)，然而群聚後的點群可能不具相鄰性，因此需要根據相鄰性準則將其分開。區域成長法於處理的過程中，除了點位於特徵空間之相似程度外，亦考慮點位之相鄰特性(Hoover et al., 1996; Vosselman et al., 2004)。此方式透過選取部分具相關性且具鄰近性之點群作為起始種子(seed)並且搜尋其鄰近點位，若鄰近點位滿足所設定的相似準則時，則會與該種子點群群聚，並且重複這樣的步驟直到所有的點位處理完成。第三種方法為分割與合併法(Wang and Tseng, 2010)，此方法不需要設定初始相關性的條件，而在處理的過程中，根據分割與合併的條件設定其相關性與相鄰性準則。於此方法的過程可分成兩個階段，分別為分割處理與合併處理。在分割處理的過程中，會將點雲分割成子資料集(sub-dataset)直到所有點皆滿足分割之條件。接著於合併處理的過程中，先將前述分割後子資料集根據相關性與相鄰性準則，將滿足條件之子資料集予以合併。. 第三節. 桿狀物偵測與分類. 圓桿地物偵測與分類的文獻中，由於圓桿地物分類相關研究相對較少，相關研究僅有 Pu et al.(2011)、Yokoyama et al.(2013)、Yang and Dong(2013)、 Ishikawa et al.(2013)。其中，Pu et al.(2011)則嘗試辨識人造圓桿地物(man-made 12.

(24) pole)與樹幹(tree trunk)；Yokoyama et al. (2013)則是將圓桿地物根據預先定義 (pre-defined) 的幾何描述類型將桿子分類成不同類型之桿狀物； Yang and Dong(2013)則是嘗試分類點雲中的交通號誌、路樹和燈桿；而 Ishikawa et al.(2013)則是嘗試分類點雲中圓桿地物。因此以下主要是針對過去桿狀物偵測相關研究予以探討。於 Yang and Dong(2013)、Yokoyama et al.(2013)、Cabo et al. (2014)皆將過去相關研究予以分類，因此本文經整理後亦分成四大類回顧桿狀物偵測之相關研究，分別為依據掃描資訊偵測 (2.3.1 節)、利用桿狀物之點雲特徵偵測(2.3.2 節)、利用機器學習(machine learning)方式偵測(2.3.3 節)、加入輔助資訊偵測 (2.3.4 節)。. 一、. 依據掃描資訊. 依據掃描資訊偵測桿狀物的過程中，會需要掃描線或掃描剖面等資訊，相關研究有 Manandhar and Shibasaki (2001)、Zhao and Shibasaki (2003)、Lehtomäki et al. (2010)等。 Manandhar and Shibasaki (2001)由垂直掃描線得到的點雲資料中，於個別掃描線上偵測垂直直線段進而偵測垂直桿狀物，所偵測的桿狀物則僅限於不受遮蔽之桿狀物。 Zhao and Shibasaki (2003)以車載雷射掃描點雲資料以階層化方式自動萃取並模塑樹木，幾何模塑時先將每一掃描線上點雲分類成線段，並假設路樹上的量測點通常在連續掃描線上的鄰近點雲間具高分佈變方且因樹木點雲通常產生較大的群聚，因此藉由群聚高分布變方之線段點雲並以小三角形模塑樹木，三角形是由每一點雲隨機產生，其法線必須指向掃描中心且三角形頂點至點距離必須在某一範圍內。 13.

(25) Lehtomäki et al. (2010)提出由車載雷射掃描點雲自動萃取擬桿狀物的演算法，所謂擬桿狀物亦即交通號誌桿、燈柱、及樹幹等。由人工探討該演算法可 77.7%正確發現桿狀物，偵測正確率為 81.0%。該演算法分成四階段，第一階段是掃描線分割，將每一掃描斷面上點雲分成相近的點群，然後移除長點群，留下可能是掃過桿狀物的短點群。第二階段叢集點群產生候選桿叢集(candidate pole clusters)。第三階段則是合併叢集成同一桿狀物。第四階段將候選叢集分類成桿狀物與非桿狀物，使用於分類的特徵包含叢集的形狀、長度、方位和點密度。由上述相關研究可見利用掃描資訊萃取的過程中，除了需要其掃描資訊外，於點雲萃取過程中，可能會受限於掃描方式的不同而不易或無法萃取桿狀物。若車載掃描系統中搭載多個雷射掃描儀時，此方法也將受限。(Li, 2013)。. 二、. 利用桿狀物之點雲特徵. 第二種方法利用桿狀物之點雲特徵偵測，其中點雲中特徵包含有形狀特徵、點密度、相鄰性等，相關研究有 Brenner(2009)、Yokoyama et al.(2011)、Pu et al.(2011)、El-Halawany and Lichti(2011)、Chiu et al.(2013)、Masuda et al.(2013)、 Cabo et al.(2014)等。 Brenner(2009)假設桿狀物是直立桿，掃描點出現在核心區，外側區域則無掃描點。由圓柱堆疊(cylindrical stacks)分析其結構，直立桿則由某數量以上的堆疊圓柱體所構成。為確定每一堆疊圓柱外區域確實無點，執行光線密度分析 (ray density analysis)。堆疊確認後則由核區域的點推估直立桿的真正位置。 Yokoyama et al.(2011) 提出以 Laplacian smoothing 去雜訊後搭配 PCA(principle component analysis)偵測車載點雲之桿狀物。首先會將地面點濾除，其餘非地面點經 k 鄰近搜尋法與設定搜尋半徑方式將點雲分割。由於桿狀物上 14.

(26) 易有雜訊，為降低雜訊對後續桿狀物辨識之影響，因此研究中採用 Laplacian smoothing 的方式將分割後點雲平滑化，其後計算相鄰 k 點之 PCA 值，並將點雲中之離散分成桿狀物點、平面點與其他，最後根據點群之幾何特性與前述 PCA 值萃取桿狀物。其後 Yokoyama et al. (2013)，提出將萃取之桿狀物根據預先定義的幾何描述類型將桿子分類成不同類型，其定義之類型如圖 10 所示。. 圖 10 預先定義的描述類型(Yokoyama et al., 2013) Pu et al.(2011)提出以知識為基礎的方法偵測車載點雲中之基礎結構，其處理流程主要可成三部分，第一步驟會將點雲沿道路方向分段，其後針對各路段使用表面成長法(surface growing algorithm) (Vosselman et al., 2004)將點雲分割，第二步則針對分割後點雲粗略分類，分成地面(ground)、地面上(on-ground)與離地(off-ground)三類。最後，則採用知識為基礎的特徵辨識(knowledge based feature recognition)，而此概念源自於 Pu and Vosselman (2009)，主要可分成幾何性質(geometric attribute)與位相關係(topological relationship)，其中幾何性質包含有大小、位置、方向、形狀、顏色、材質；而位相關係則有相交關係(intersect) 與角度關係。其中，位於地面上之物體與地面有與鄰近物體的關係，稱為相交關係，而人造物之物體間多具有平行或垂直的特性，此物體間之角度關係稱為角度關係。由於桿狀物可能為燈桿或號誌桿等人造物與路樹等非人造物，因此若使用整群分割後之點雲來特徵辨識時，將會導致辨識不易，因此該研究除了引入於桿狀物多位於道路區的空間特性外，亦使用百分比為基礎的桿狀物辨識 (percentile based pole recognition)解決整群點群不易辨識的特性，其中百分比為 15.

(27) 基礎的桿狀物辨識延伸自 Luo and Wang (2008)將古蹟圓柱分層概念，而此研究中則將桿狀物分層，並且計算分層中的長寬資訊與相鄰層的中心關係，藉此判斷該點群是否為一桿狀物，並且嘗試辨識人造圓桿地物與樹幹。 El-Halawany and Lichti(2011)使用 k 維樹作為點雲結構化的方式，並於此結構中以 k 鄰近搜尋法搜尋鄰近的 k 個點並計算其三個正交方向之特徵值，並以此特徵值為基礎將點雲分成線、邊界或邊緣、面、單點或雜訊等四類以完成點雲分割。由於桿狀物具有線特徵的特性，其後針對具有線特徵之點雲以區域成長的方式萃取其桿狀物，而於萃取過程中，為降低雜訊之干擾，此研究採用分析反射強度(intensity)以及分析圓桿半徑與特徵值之關係濾除雜訊。 Chiu et al.(2013)除了萃取桿狀物外，亦計算桿狀物的方向，以達到道路模型 LOD3(Level of Detail)的效果，其方法首先會選取感興趣的區域(Area of Interest, AOI)，且選取的點雲已濾除地面點，其後以體元化方式將其分割成網格，其後將各網格投影至水平面上並統計位於相同水平位置上之垂直網格數量，若垂直網格數數量大於門檻時，則會視為桿狀物的候選位置，其後針對候選位置從底部以區域成長法萃取桿狀物點雲。由於萃取之桿狀物可能含有人造物件與路樹，因此該研究以 echo ratio 的方式計算其回波資訊，藉此分離人造物與路樹，最後將萃取出之桿狀物點雲沿垂直方向分成三層，底部之點雲以 RANSAC 方法計算桿狀物之半徑與位置，而頂部之點雲則用以計算桿狀物所面對之方向。 Masuda et al.(2013)的研究中偵測車載點雲中的桿狀物與板子並且予以模塑，於處理過程中首先會計算地面高程以及掃描點位於掃描線上之斜率以濾除路面點，接者以計算 k 鄰近搜尋法將點雲分割。在偵測桿狀物的過程中，會將分割後之點群投影至水平面或縱向剖面組成 Delaunay 三角網 (Delaunay triangulation)並且計算其三角網之密度，接著藉由以密度為基礎的區域成長法進而萃取桿狀物與板子之點雲。 16.

(28) Cabo et al. (2014)根據過去桿狀物萃取之研究提出四點改善目標，分別考慮桿狀物上含有附著物、不需要訓練資料、對桿狀物無位置假設與不需要考慮掃描方式。其步驟可分成三個部分，依序為體元化(Voxelization)、二維分析與三維分析。此研究方法首先會將原始點雲三維網格化，此過程稱為體元化，其後針對相同高程之網格以二維相鄰的方式分析，並且將二維分析中獨立的網格視為桿狀物候選網格，其後針對桿狀物候選網格分析其垂直相鄰的三維關係，若其垂直相鄰網格大於門檻值時，則視為桿狀物。由上述相關研究可見對於較複雜場景之桿狀物偵測討論較少，包含附著物影響、地物緊鄰等。此外，於處理過中僅保留桿狀物其桿狀部分，將不利於後續桿狀物分類。. 三、. 以機器學習方式. 除上述兩種方法外，亦可加入機器學習方式萃取車載點雲中桿狀物，相關研究有 Golovinskiy et al.(2009)、Yang and Dong(2013)、Ishikawa et al.(2013)等。 Golovinskiy et al.(2009)結合空載光達與地面光達之點雲並且比較不同機器學習的辨識成果，其步驟主要可分成四個部分，依序為定位、分割、特徵萃取、分類。首先，會透過 2D 散布圖(2D scalar image)分析高度分布或局部點密度較高的資訊，找出物件的候選位置，其後針對物件的候選位置以 min-cut 方法將該物件之點雲從點雲中分割出來。經候選位置之點雲分割後，接著計算分割出之物件特徵，於特徵選取應考慮三大因素，分別為形狀特徵(shape feature)、多元分割(multiple segmentation)、語境特徵(contextual feature)，其中形狀特徵包含有點數量、體積、平均高度、高度標準差、水平方向兩個主軸之標準差；此外在點雲分割的過程中其物件的幾何特性會因為分割方式而有所不同，此現象稱為多元分割；而對物件在環境中的位置關係也是一個重要的指標，此概念稱為 17.

(29) 語境特徵。最後，根據前述之特徵以機器學習的方式將點雲分類，於此研究中比較三種方式，分別為 k 鄰近、隨機森林(random forest)、多項式核函數的 SVM(support vector machine)，其中隨機森林的正確率表現較，達 78%，但其偵測率最低僅 50%，而 SVM 雖然正確率僅 58%，但其偵測率最高，其偵測率為 65%，因此表現較其他方法穩定。 Yang and Dong(2013) 將車載點雲以形狀為基礎分割 (shape-based segmentation)，將點雲分類，其過程有三，依序為分類、改正、合併。首先計算點位之區域幾何特徵，其後以核函數為 RBF(radical basis function)的 SVM 將點雲中的點逐點分類成線、面與球。其後透過點位之主軸方向、法向量、反射強度等資訊點雲分割，為了防止過度分割，此研究使用正規化切割(normalized cut)(Shi and Malik, 2000)計算相似度並將過度分割之點群合併。最後，再將相鄰的分割點群合併並且組成具有意義的點群，如交通號誌桿可由線狀構造與面狀構造所組成、樹則由線狀構造與球體所組成，並且藉由此概念分類點雲中的交通號誌、路樹和燈桿。 Ishikawa et al.(2013)提出可偵測傾斜或樹林茂密區內之桿狀物，其主要流程有四，依序為濾除路面、點雲分割、局部罩窗內的特徵萃取、SVM 訓練與分類。首先在濾除路面點的過程中，此研究以網格作為濾除單元，並且計算網格內之點位於垂直方向之變異數，若小於一定門檻則視為路面。其後，將非地面點投影於水平面上並以水平面上之二維網格以 CCL 演算法將點雲分割。最後藉由移動局部罩窗計算罩窗內的特徵，其中特徵包含有罩窗內點數、罩窗內點分布的範圍大小、罩窗內點雲於三軸之變異數、3D 的慣性矩陣張量(intertial moment tensor)、分層的特徵向量比值等，然而直接計算罩窗內特徵可能會因桿狀物傾斜導致特徵值計算有問題，因此須於 xz 平面旋轉，最後再經 SVM 機器學習的方式分類點雲中牆面、圓桿地物與護欄(guardrail)。. 18.

(30) 透過使用此法之相關研究得知若使用機器學習的方式萃取桿狀物，會需要大量的訓練資料。此外，桿狀物上多具有附著物，因此透過此法亦導致於學習或分類的過程易受附著物之雜訊干擾。. 四、. 加入輔助資訊. 由於車載雷射掃描系統中，通常不僅是搭載雷射掃描儀，亦備有其他感測器，如相機，因此可以透過加入輔助資訊的方式萃取桿狀物，如 Chen et al.(2007) 提出由點雲和影像萃取交通號誌(traffic signs and signals)的方法。先將點雲叢集成不同地物並將點叢集投影至垂直面，最後根據變方協變方矩陣(covariance matrix)分解的特徵值所得投影面的延長方向萃取桿狀體。利用此方法可能面臨當輔助資料品質不佳時，如影像過曝或過暗，將不利於後續的桿狀物萃取。. 第四節. 小結. 透過上述相關研究，可見不同方法相關之限制，詳見表 1，因此於桿狀物萃取與分類時，需考慮以下幾點困難：(1)桿狀物半徑大小不同；(2)桿狀物可能有傾斜的情況；(3)含有附著物的桿狀物，如交通號誌等；(4)地物間的緊鄰特性； (5)地物掃描不完全。然而，過去相關研究中仍有部分桿狀物偵測方法可以供本研究使用，如 Pu et al.(2011)利用相關知識偵測圓桿地物、El-Halawany and Lichti(2011)指出桿狀物具有線特徵、Chiu et al.(2013)利用 RANSAC 方式計算圓桿地物之圓面參數以減少雜訊的影響以及 Cabo et al. (2014)利用二維分析與三維分析搭配體元化的方式有助於偵測圓桿地物中桿狀特徵，此外場景知識之引入亦會克服些上述之困難，因此本研究將引入場景知識偵測圓桿地物。. 19.

(31) 表 1 過去相關研究之限制分類. 方法. 限制. 依掃描資訊萃取. Manandhar and Shibasaki (2001). 受限於垂直掃描線的情況，且僅能偵測垂直於地面之桿狀物。此外，此法將不利於含有附著物之桿狀物偵測。. Zhao and Shibasaki (2003). 受限於掃描線的情況，不利於偵測傾斜之桿狀物。此外，此法將不利於含有附著物之桿狀物偵測。. Lehtomäki et al. (2010). 受限於掃描線的情況，不利於偵測傾斜之桿狀物。此外，此法將不利於含有附著物之桿狀物偵測。. Brenner(2009). 此法較無法適用於含有較多附著物之桿狀物偵測。. Yokoyama et al.(2011)、Yokoyama et al.(2013). 此法可以處理附著物之問題，但於平滑化的過程中可能導致部分資訊流失。此外於點雲分割過程中，並未考慮再分割的問題，若分割成果不佳時，將導致後續分類錯誤。. Pu et al.(2011). 將不利於較粗的桿狀物偵測，如路樹，且不易利於有過多附著物之桿狀物偵測。. El-Halawany and Lichti(2011). 點雲分割的過程中，採用特徵值方式，將點雲分成點、線面與邊四類，然而僅針對線特徵桿狀物萃取，將導致桿狀物上部分資訊流失，如交通號誌、樹冠資訊等，不利於後續桿狀物分類。. Chiu et al.(2013). 此法於垂直網格數量統計時，亦受近鄰物體之影響，導致桿狀物的候選位置判斷不易。. Masuda et al.(2013). 雖利用計算三角網密度之方式，偵測桿狀物之位置，但組三角網過程較為費時，因此可能導致運算效率不佳。. Cabo et al. (2014). 此法於處理的過程中，可能於二維分析的過程中，導致桿狀物之上半部點雲被濾除，因此將不利於桿狀物的類別判釋。. Golovinskiy et al.(2009). 對於不同類型的桿狀物偵測成效不佳。. Yang and Dong(2013). 若場景過於複雜時，將不利計算點雲特徵，不利點雲分類。此外過將桿狀物與其桿狀物上附著資訊(如：交通號誌、樹冠等)分離，將不易於後續重建，不易分類桿狀物。. Ishikawa et al.(2013). 此法雖可克服傾斜桿狀物之影響，但僅偵測桿狀物的圓桿部分，因此將不利於後續桿狀物分類。. Chen et al.(2007). 利用此方法可能面臨當輔助資料品質不佳時，如影像過曝或過暗，將不利於後續的桿狀物萃取。. 利用點雲中特徵萃取. 以機器學習方式萃取. 加入輔助資訊萃取. 20.

(32) 第三章. 研究方法. 根據文獻回顧了解桿狀物偵測過程中所面臨之困難，本研究將嘗試以場景知識與 RANSAC 概念自動偵測與分類車載光達點雲中之圓桿地物，而研究流程設計如圖 11 所示，依序為(1)地點與非地面點分離、(2)點雲初步分割、(3) 桿狀特徵偵測與點群再分割、(4)桿狀物定位與分類、(5)精度評估。首先，3.1 節說明圓桿地物之場景知識，並於 3.2 節介紹本研究所使用點雲結構化方式，接著於 3.3 節將說明如何引入場景知識將地面點與非地面點分離，其後於 3.4 節初步分割非地面點雲，然而初步分割之成果可能有部分點雲物件群分割不足，因此於 3.5 節說明如何偵測點群中之桿狀物特徵，並且再分割含有多桿狀特徵之點群，緊接著 3.6 節針對具有桿狀物特徵之點群加以定位與分類，最後 3.7 節則對此成果精度評估。. 圖 11 研究流程圖 21.

(33) 第一節. 圓桿地物場景知識. 場景知識是藉由物空間場景之關係輔助或約制點雲分類與萃取，此概念源自於 Pu and Vosselman(2009)文章中提出以知識為基礎的特徵辨識，並且應用於地面光達之建物表面重建，其後 Pu et al. (2011)於 2011 年將此概念應於車載光達，若以此概念描述地面，可以說明其具有位於較低位置且大面積的特性，此外具有水平的特性，此特性由 Russell and Norvig(2003)撰寫成式 3。 ∀f IsType(f, ground)=IsLowest(f)∧IsLarge(f)∧IsHorizontal(f). 式 3. 而本研究欲使用之圓桿地物場景知識包含有鄰地性關係、高度資訊、點雲. 數量、分層資訊、幾何形狀資訊、反射強度資訊等六項輔助圓桿地物偵測與分類。其中，圓桿地物包含有電桿、電力桿、電信桿、號誌桿等，且其鄰地性關係為地面上物件，其關係如圖 12 所示。除了為地面上物件外，圓桿地物多具有一定高度，因此可以藉由其高度資訊之場景知識加以約制；而圓桿地物之形狀應具有一定之大小，因此該物體之點群也須具有一定點雲數量，而此點雲數量可由點雲三維密度與該物體之大小推算而得。. 圖 12 車載光達資料的通用分類(Pu et al., 2011) 22.

(34) 此外，圓桿地物之場景知識亦可考量其分層資訊，包含分層範圍資訊、分層圓心資訊、分層圓面半徑資訊等，如圖 13 所示。其中，分層範圍資訊為將圓桿地物點雲分層投影，且其分層投影應小於一定之範圍，如圖 13(c)所示；由於圓桿地物其桿狀物大小應落於一定範圍，因此其分層圓面半徑應落於一定範圍，即為分層圓面半徑資訊，如圖 13(d)；分層圓心資訊為圓桿地物經分層投影後，其圓心平面位置應相近，如圖 13(e)所示。. (a). (b). (c). (d). (e). 圖 13 點群分層資訊說明圖(修改自 Pu et al., 2011) 而點群在特徵的定義上可根據明確幾何形狀的方式描述，如點、線、面之特徵萃取，其中在 El-Halawany and Lichti(2011)的研究中，採用以 k 鄰近搜尋法計算局部正規化特徵值(normalized eigenvalues)，其中特徵值計算會先計算由點群坐標組成點群中心的 3×3 變方協變方矩陣，其後計算該矩陣之特徵值與特徵向量，如式 4 與式 5 所示。. 23.

(35) Sx2 k 1 T C3,3= � (r��⃗-r̅ �⃗-r̅ i ⃗)(r i ⃗) = �Sxy k i=1 Sxz det(C-λI) =0. Sxy Sy2. Syz. Sxz. Syz� Sz2. 式 4. 式 5. k：若為計算整體特徵時，則為總點數；若計算局部特徵時，則為 k 個鄰近點之點數量. ri ��⃗：點 i 的位置. r̅⃗：點雲之群聚中心位置S：協變方值(covariance value). 接著藉由所得之特徵值計算正規化特徵值Nλi ，如式 6 與式 7 所示。其後依據表 2 之分類準則，將點雲分成線、邊界或邊緣、面、單點或雜訊等四類以完成點雲分割，稱為以特徵為基礎之分割，El-Halawany and Lichti(2011)研究分之割成果如圖 14 所示，且結果顯示圓桿地物其圓桿狀部分會具有線特徵。. Nλi =. λi λ1 +λ2 +λ3. 式 6. Nλ1 +Nλ2 +Nλ3=1. 式 7. λ1 、λ2 、λ3 ：皆特徵值，且其特徵值關係為λ1 ≤λ2 ≤λ3 表 2 El-Halawany and Lichti(2011)分類準則表 Nλ3 Nλ3 ≥0.8. 類別線. 0.8>Nλ3 >0.7. 邊界或邊緣. 0.7≥Nλ3 >0.3. 面. Nλ3 ≤0.3. 單點或雜訊. 24.

(36) 圖 14 El-Halawany and Lichti(2011)之點雲分割成果因此，本研究將採用以特徵為基礎之分割的概念，以特徵值將點雲物件中之點為分成點、線、面三類，供後續圓桿地物分類使用。其中，點、線、面三類特徵其與特徵值之關係如圖 15 所示，因此本研究使用特徵值比值方式將點分類，其計算如式 8，其分類準則可參見表 3。而圓桿地物中，除了其圓桿狀部分呈現線狀特徵外，若圓桿具附著物(如：交通號誌牌)時，可能多為面狀特徵，因此本研究欲利用此場景知識於圓桿地物之分類。. (a)線特徵. (b)面特徵圖 15 點、線、面特徵與特徵值之關係. 25. (c)點特徵.

(37) λ1 λ3 , λ1 ≤λ2 ≤λ3 λ ⎨Ratio = 2 2 ⎩ λ3 ⎧Ratio1=. 式 8. λ1 、λ2 、λ3 ：皆特徵值，且其特徵值關係為λ1 ≤λ2 ≤λ3 表 3 本研究點位特徵分類準則表 Ratioi準則(α 為門檻值，預設為 0.3) 類別線 Ratio1<α and Ratio2<α (Ratio1<α and Ratio2≥α) or (Ratio2<α and Ratio1≥α) Ratio1 ≥α and Ratio2≥α. 面單點. 將點群中的點分類後，即可計算各類型點於該點群中的比例，其計算方式如式 9。 Ppoint ⎧ Ratiopoint = Ptotal ⎪ ⎪ Pline Ratioline= Ptotal ⎨ Pplanar ⎪ ⎪Ratio planar = ⎩ Ptotal. 式 9. Ppoint ：分類為點特徵的點數 Pline ：分類為線特徵的點數. Pplanar：分類為面特徵的點數 Ptotal ：點雲的總點數除前述圓桿地物相關場景知識外，反射強度資訊亦為點群中重要的特性，透過不同地物對光達反射強度的不同，有助於點群中地物辨識。以車載光達點雲為例，圓桿地物上交通號誌其反射強度相當強，如圖 16 (a)與(b)中白色虛線框所示；而路面的路標線反射強度較周遭強，如圖 16(c)所示。由於圓桿地物上可能會有交通號誌等不同附著物，因此本研究擬藉由交通號誌反射強度之場景知識輔助分類圓桿地物。 26.

(38) (a) 交通號誌一(框選處紅色板子). (b) 交通號誌二(框選處紅色板子). (c) 路標與路面圖 16 反射強度資訊示意圖. 27.

(39) 第二節. 點雲結構化. 由於點雲資料量相當龐大且複雜，因此須將其有序的結構化後，才可利於其資料之搜尋。因此，本研究採用之結構化方式有八分樹結構化與 k 維樹結構化兩種，以下分別說明此兩種方法之概念。. 一、. 八分樹. 八分樹結構化，其概念類似於將點雲分割成數個三維網格，而這些網格又稱為體元。於點雲資料組織成八分樹結構化的過程中，會先以原始點雲資料集為根(root)，若資料集符合分割條件，則判定須再分割，並且分割成八個子資料集，又稱子空間或節點(node)，再依序檢查分割後之子空間中是否需再繼續分割。並且重複此分割程序，直至樹狀結構中的所有節點中之點雲資料皆經判定不需繼續分割為止。由於點雲資料相當龐大導致資料搜尋時相當費時，因此可以將每節點以三維索引的方式減少其搜索的時間，其八分樹之方式結構化與體元之關係圖如圖 17 所示。. 圖 17 八分樹結構化與體元說明圖示(王淼，2011). 28.

(40) 二、. k 維樹. k 維樹結構化為二元樹狀結構(binary tree)，經常用於鄰近點搜尋，如 k 鄰近搜尋法與球鄰近搜尋法。以二維平面點資料為例，二維 k 維樹將依序對 x、y 軸分割成兩等份，並且遞迴運算直到每個區域都只剩一個點為止，如圖 18。在樹狀結構中，除了樹葉(leaf)外，每一節點皆代表資料集中某一點，且該點能平分某一維度的子空間，透過此方式有利於點雲資料的搜尋(El-Halawany and Lichti, 2011)。. (a) 資料坐標與分布、結構化順序. (b) 樹狀結構圖 18 二維 k 維樹結構化示意圖(演算法筆記，2014). 29.

(41) 第三節. 地面點與非地面點分離. Douillard et al.(2011)於其研究中提到於點雲中之地面點與非地面點分離有助於後續點雲處理，且相當多研究將此應用於相關車載光達點雲處理過程中 (Yokoyama et al., 2011; Pu et al., 2011; Ishikawa et al., 2013; Chiu et al., 2013)。此外，根據圓桿地物場景知識，圓桿地物應為一地上物件，因此本研究將引入車載雷射掃描所記錄之車行軌跡，並且依據車行軌跡之場景知識約制將原始點雲資料分離成地面點與非地面點。而根據場景知識，已知地面點(含人行道、路邊石等)應低於車行軌跡一定之高度，因此可藉此關係將地面點與非地面點分離。以圖 19 為例，由車載光達掃描系統之車行軌跡中記錄其車行軌跡點三維坐標(Xi, Yi, Zi)，並藉由已知 GNSS 天線高度 h(即圖 19 中車行軌跡點至地面的垂直距離 h)推算其約略之地面高程 Zground，即 Zground = Zi- h。藉此場景知識約制關係，將地面點與非地面點分離，其中該天線高度 h 可於外業時量測或於內業時由車行軌跡與於點雲中量測得地面高程決定之。. 圖 19 地面點與非地面點分離之場景知識說明由於點雲資料龐大，本研究將原始點雲資料以八分樹結構化成體元，並以體元中心代表該體元內點群，藉此減少待判斷的點數量。然而各體元須搜尋其 30.

(42) 最鄰近之車行軌跡點以利場景知識約制。為利於最鄰近軌跡點搜尋，須將車行軌跡點 k 維樹結構化，其後以場景知識可以將各網格分成地面體元與非地面體元，緊接著獲取體元內之點雲資料，即可將點雲資料分離地面點與非地面點，其流程如圖 20 所示。. 圖 20 地面點與非地面點分離流程圖. 第四節. 點雲初步分割. 經地面點與非地面點分離後，非地面點中可能包含建物、路樹、圓桿、行人等資訊。本研究使用八分樹將非地面點雲結構化，並使用 CCL 演算法(王淼， 2011)將非地面點雲分割成不同點群，其流程如圖 21 所示。. 圖 21 點雲初步分割流程圖 31.

(43) 其中，CCL演算法其概念是將點雲以八分樹結構化後，將分割成數個體元，其後判斷體元間是否具有相鄰性，並將相鄰體元予以群聚。而體元間相鄰關係可分成三種，分別為點相鄰、邊相鄰與面相鄰，如圖 22 所示。根據不同體元間之相鄰關係，可分別為 6 相鄰、18 相鄰、26 相鄰方式，如圖 23 所示，由於 26 相鄰較可考量完整的相鄰關係，故本研究擬採用此方式分割點雲。. (a)面相鄰. (a)6 相鄰. (b)邊相鄰 (c)點相鄰圖 22 體元間相鄰關係圖(王淼，2011). (b)18 相鄰圖 23 體元相鄰方式(王淼，2011). (c)26 相鄰. 然而當面臨地物緊臨時，如圖 24 所示，透過此方法仍會有分割不足的問題，因此本研究會再透過分析點群中桿狀物數量判斷點群是否需要再分割。. 圖 24 分割不足示意圖(colored by clusters) 32.

(44) 第五節. 桿狀物偵測與點群再分割. 完成點雲初步分割後，點群中可能無圓桿地物、或含有單個或多個圓桿地物，因此需偵測點群中需偵測各點群中是否含有桿狀物特徵，若含桿狀特徵時，應了解含有桿狀物的數量以決定是否需要點群再分割，故此步驟引入圓桿地物鄰地性關係、分層資訊、高度資訊等場景知識，其處理流程如圖 25 所示，主要可以分成四部分，依序為(1)鄰地性判斷、(2)鄰地點與非鄰地點分離、(3)鄰地點中非桿狀特徵點濾除、(4)桿狀物數量分析與點雲再分割。. 圖 25 桿狀特徵偵測與點群再分割流程圖 33.

(45) 一、. 鄰地性判斷與非鄰地點分離. 於 3.1 節中提到圓桿地物應為一地上物件，因此本研究將引入此場景知識，藉由判斷點群是否具有鄰地性以辨識該點群是否為一地上物件。其中，鄰地性的判斷可以透過引入車行軌跡點加以判斷，然而部分地物於點雲掃描可能會面臨掃描不完全的問題，進而導致點群鄰地性判斷不易，因此本研究將鄰近地面 2 m 內(約人高上限)之點位皆視為具有鄰地性之點位，其後稱為鄰地點。以圖 26 為例，待判斷之點位應搜尋對應最鄰近之車行軌跡點，並藉由車行軌跡點點高程 Zi 、天線高度 h 與鄰地高度 hnear 三項可推得其鄰地高程 Znear ，即 Znear =Zi-h+hnear。. 圖 26 鄰地性示意圖求得鄰地高程 Znear 後，首先應判斷點群中是否含有鄰地點，即點位高程≦ Znear。若點群中無鄰地點時，該點群則視為非桿狀點，反之，若該點群中含有鄰地點時，則將該點群分離成鄰地點與非鄰地點。其中，鄰地點會供後續非桿狀特徵點濾除；非鄰地點則予以保留，藉此避免於在非桿狀點濾除過程導致資訊流失，如樹冠資訊、交通號誌上半部資訊、燈桿上半部形狀資訊等。. 34.

(46) 二、. 鄰地點中非桿狀特徵點濾除與桿狀物數量分析. 於圓桿地物其鄰地點中，多呈現與其他地物緊臨的情況，如車輛、機車、電箱、行人、花圃等，導致後續圓桿地物辨識與分類不易，故本研究將利用 Cabo et al. (2014)所提出的方式濾除鄰地點中非桿狀特徵點，而處理過程會使用場景知識中的分層資訊與高度資訊。而此步驟流程如圖 27 所示，其主要可以分成四個部分，依序為(1)點雲體元化、(2)二維分析、(3)三維分析、(4)計算桿狀物數量。其中，二維分析與三維分析將濾除點群鄰地點中之非桿狀特徵點，而最後計算桿狀物數量以作為後續點雲再分割之依據。. 圖 27 鄰地點中非桿狀特徵點濾除與桿狀物數量分析流程圖其中，在體元二維分析過程中，會使用到場景知識中的分層範圍資訊。首先，會將三維體元以二維水平八相鄰的方式群聚，如圖 28(a)，緊接著會對各 35.

(47) 個群聚體元其二維分布是否小於指定範圍，如圖 28(b)，若大於指定範圍則視為非桿狀特徵點並且濾除，如圖 28(b)藍色方塊，反之，則視為桿狀特徵點並予以保留，如圖 28(b)綠色方塊。. (a). (b) 圖 28 二維分析示意圖其後，在三維分析過程中，會使用到場景知識中的高度資訊。首先，會將剩餘鄰地性體元以垂直方向群聚，如圖 29(a)，緊接著會對各個群聚體元判斷其高度分布是否大於指定高度，如圖 29(b)，若小於特定高度時則視為非桿狀特徵點並且濾除，如圖 29(b)中紅色方塊，反之，則視為桿狀特徵點並予以保留，如圖 29(b)中綠色方塊。. (a). (b) 圖 29 三維分析示意圖 36.

(48) 完成鄰地點中非桿狀特徵點濾除後，其餘點位群皆視為具有桿狀特徵之桿狀點，並藉由計算桿狀點之群聚中心數可得該點群中所含有之桿狀物數量，並是否有再分割之必要。以如圖 30 為例，所示該點群中應具有兩類圓桿地物，其圓桿物特徵如圖 30 藍色與橘色方塊所示。. 圖 30 桿狀物數量計算示意圖若無任何桿狀點時，則該點群無桿狀特徵，即視為非桿狀點群；若僅有一個桿狀物，無須再分割；若含多個桿狀物時，則需要再分割。. 三、. 點群再分割. 由於圓桿地物點雲中非鄰地點資訊可供後續圓桿地物分類，因此本研究保留非鄰地資訊。此步驟中將針對濾除鄰地點中非桿狀特徵點之點群予以再分割，其流程如圖 31 所示。. 37.

(49) 圖 31 點群再分割之流程圖確定點雲需要再分割時，首先針對該桿狀點三維群聚，其後對各群聚點計算其平均值作為其群聚中心平面為位置。求得群聚中心後，即可將非鄰地點與桿狀點依據各群聚中心分割成數個點群，此時即完成點雲再分割，以解決部分地物緊鄰問題。以圖 32 為例，如圖 32(a)所示為一燈桿與路樹緊鄰之情況，其點雲資料如圖 32(b)，經 3.5.1 節可將點群分成鄰地點與非鄰地點(如圖 32(c))，經 3.5.2 節可求得其鄰地點中之桿狀點，並藉由計算桿狀點群聚中心平面位置，如圖 32(d)，最後將非鄰地點與桿狀點依群聚中心平面位置分割，以圖 32 (e) 為例，最後會再分割成兩個點群。. 38.

(50) (a)燈桿與路樹緊鄰. (b)點雲資料. (d)桿狀點群聚中心. (c)鄰地點判斷. (e)依群聚中心點群再分割圖 32 點群再分割示意圖. 39.

(51) 第六節. 圓桿地物偵測、定位與分類. 經桿狀特徵偵測與點雲再分割(3.5 節)後，可得具桿狀特徵之點群，然而僅透過上述方式偵測圓桿地物仍可能有約制不足之處，因此此步驟將偵測桿狀特徵點群是否為路廊上之圓桿地物，其後定位與分類該圓桿地物，其流程如圖 33。. 圖 33 圓桿地物偵測、定位與分類流程圖於 3.1 節中已詳述圓桿地物之場景知識，且其部分特性(包含鄰地性關係、分層資訊、高度資訊)已使用於先前處理程序中。然而這些特性亦可能適用於其他地物上，如：騎樓的柱子等。因此，偵測圓桿地物過程中，除了引入先前之場景知識外，亦嘗試擬合分層圓面資訊偵測是否為圓桿地物，若為圓桿地物則定位之。此外，於後續圓桿地物分類中，將引入幾何特性與反射強度資訊等場景知識加以輔助分類。 40.

(52) 一、. 圓桿地物偵測. 根據圓桿地物之場景知識，圓桿地物通常具有特定高度，且分層具有圓面的特性，如圖 34 所示，因此本研究除使用高度資訊外，亦會推求分層圓面參數與其分層中心是否相近以偵測點群是否為一圓桿地物，如圖 34(c)與(d)所示。而現實中絕大多數的圓桿地物上仍有其他附著物，導致偵測不易，如圖 35 為一交通號誌的圓桿地物，其中圓桿地物上半部有較多附著物干擾，而下半部則有較少附著物。. (a). (b). (c). 圖 34 圓桿地物偵測示意圖. 41. (d).

以場景知識為基礎自動分類 車載光達點雲中之圓桿地物 - 政大學術集成

以場景知識為基礎自動分類車載光達點雲中之圓桿地物 - 政大學術集成