行政院國家科學委員會專題研究計畫 期末報告
車載雷射掃描點雲資料自動萃取路廊地物之研究
計 畫 類 別 ： 個別型 計 畫 編 號 ： NSC 100-2221-E-004-010- 執 行 期 間 ： 100 年 08 月 01 日至 101 年 12 月 31 日 執 行 單 位 ： 國立政治大學地政學系 計 畫 主 持 人 ： 邱式鴻 計畫參與人員： 碩士班研究生-兼任助理人員：吳志文 碩士班研究生-兼任助理人員：李敏瑜 報 告 附 件 ： 出席國際會議研究心得報告及發表論文 公 開 資 訊 ： 本計畫涉及專利或其他智慧財產權，2 年後可公開查詢中 華 民 國 102 年 03 月 28 日
中 文 摘 要 ： 車載雷射掃描系統可以直接獲取路廊的三維點雲資料，因此 可用來獲取詳盡的路廊資訊，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。由於目前國內較缺 乏以車載雷射掃描點雲自動萃取路廊資訊的相關研究，因此 本計劃原預計執行兩年，國科會僅核准一年經費，因此一年 執行期間重點在於分析車載雷射掃描點雲資料的特性並發展 由點雲自動萃取並模朔路廊中的路面、以及燈柱、電線桿、 及交通號誌中基本結構直立圓桿的演算法。由於車載雷射掃 描點雲資料量相當大且所掃描得到的相關路廊地物點雲眾多 且複雜，因此演算法中將加入物空間中的場景的相關知識 (scene knowledge)與運用強鈍估值法(robust estimation) 的概念協助處理。首先以車載雷射掃描系統所記錄之車行軌 跡為基礎將點雲資料階層式結構化，意即先將點雲分成路段 點雲，再將路段點雲結構化成剖面層(profile layer)點雲。 點雲資料階層式結構化後，先進行路面萃取，由每一剖面層 內的點雲為處理單元，以場景知識將點雲初步分類成路面候 選點雲與非路面點雲，之後進一步由剖面層初步分類的路面 候選點雲中以強鈍估值法擬合二次曲面作為路面，接著以場 景知識協助萃取路邊候選點，再由強鈍估值法擬合各剖面層 所萃取的路邊候選點為直線路邊界，完成路面萃取與模塑。 緊接著，將所有剖面層非路面點雲群聚後，以八分樹及 CCL 群聚演算法，將點雲群組成點群，再由點群資料中藉由直立 圓桿的物空間場景知識辨識直立圓桿候選點，並由直立圓桿 候選點以強頓估值法擬合直立圓桿圓面參數，完成直立圓桿 之萃取及模塑。由實驗結果證實本研究所發展方法的可行 性，未來除提高萃取與模塑基本圓桿比率之外，亦可延續本 研究發展萃取完整路網道路模型的演算法；此外亦可發展由 基本圓柱桿模塑完整路燈、電線桿、及交通號誌的演算法。 後續甚至可以發展自動萃取並模朔路廊中的路旁地物，包含 路樹、建物牆面、柱狀物、門、以及窗戶的演算法。 中文關鍵詞： 車載雷射掃描、點雲、路廊資訊、場景知識、強鈍估值法、 模朔
英 文 摘 要 ： Vehicle-based laser scanning system can be employed to directly 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 reverent road facilities, location-based services, navigation for cars and pedestrians, even for the development of
future driver assistance system. Nowadays, the relevant studies on the automatic extraction and modeling for the terrain object in road corridors are lack in Taiwan, therefore the whole study period is two years for detailed study originally. The study is the first year focuses on the analysis of point
clouds from the vehicle-based laser scanning system and the development of the automatic extraction and modeling for the terrain object on the road surfaces. The terrain objects on the road surface include road surface, pole-like objects (e.g. light lamps and traffic signs). Due to the huge data of point clouds and the complicated terrain objects in the road corridors, the algorithms will employ the relevant object knowledge in the basic processing unit, the profile layer, for point calcification, grouping and clustering. Meanwhile, the concept of robust
estimation for outlier detection will used for the basic feature extraction and classification and for the grouping and clustering point clouds belonging to the same object from the adjacent scan line profiles. It is expected to develop the practical algorithms for the automatic extraction and modeling the terrain objects in the road corridors.
英文關鍵詞： Vehicle-based laser scanning, Point Cloud, Road Corridor Information, Modeling, Robust Estimation
行政院國家科學委員會補助專題研究計畫
□期中進度報告
■期末報告
車載雷射掃描點雲資料自動萃取路廊地物之研究
The Study of Automatic Extraction of Terrain Objects in Road
Corridors from Vehicle-based Laser Scanning Point Data
計畫類別：▉個別型計畫 □整合型計畫
計畫編號：NSC 100－2221－E－004－010
－
執行期間：100 年 8 月 1 日至 101 年 12 月 31 日
執行機構及系所：國立政治大學地政學系
計畫主持人：邱式鴻
共同主持人：
計畫參與人員：吳志文、李敏瑜
本計畫除繳交成果報告外，另須繳交以下
出國
報告：
□赴國外移地研究心得報告
□赴大陸地區移地研究心得報告
■出席國際學術會議心得報告及發表之論文
□國際合作研究計畫國外研究報告
處理方式：除列管計畫及下列情形者外，得立即公開查詢
□涉及專利或其他智慧財產權，□一年▉二年後可公開查詢
中華民國 102 年 03 月 27 日
摘要
車載雷射掃描系統可以直接獲取路廊的三維點雲資料，因此可用來獲取詳盡的路廊資訊， 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。由於目前國內較缺乏以車載雷射掃描點雲自動萃取路 廊資訊的相關研究，因此本計劃原預計執行兩年，國科會僅核准一年經費，因此一年執行期 間重點在於分析車載雷射掃描點雲資料的特性並發展由點雲自動萃取並模朔路廊中的路面、 以及燈柱、電線桿、及交通號誌中基本結構直立圓桿的演算法。由於車載雷射掃描點雲資料 量相當大且所掃描得到的相關路廊地物點雲眾多且複雜，因此演算法中將加入物空間中的場 景的相關知識(scene knowledge)與運用強鈍估值法(robust estimation)的概念協助處理。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資料階層式結構化，意即先將點雲分成路 段點雲，再將路段點雲結構化成剖面層(profile layer)點雲。點雲資料階層式結構化後，先進行 路面萃取，由每一剖面層內的點雲為處理單元，以場景知識將點雲初步分類成路面候選點雲 與非路面點雲，之後進一步由剖面層初步分類的路面候選點雲中以強鈍估值法擬合二次曲面 作為路面，接著以場景知識協助萃取路邊候選點，再由強鈍估值法擬合各剖面層所萃取的路 邊候選點為直線路邊界，完成路面萃取與模塑。緊接著，將所有剖面層非路面點雲群聚後， 以八分樹及 CCL 群聚演算法，將點雲群組成點群，再由點群資料中藉由直立圓桿的物空間場 景知識辨識直立圓桿候選點，並由直立圓桿候選點以強頓估值法擬合直立圓桿圓面參數，完 成直立圓桿之萃取及模塑。由實驗結果證實本研究所發展方法的可行性，未來除提高萃取與 模塑基本圓桿比率之外，亦可延續本研究發展萃取完整路網道路模型的演算法；此外亦可發 展由基本圓柱桿模塑完整路燈、電線桿、及交通號誌的演算法。後續甚至可以發展自動萃取 並模朔路廊中的路旁地物，包含路樹、建物牆面、柱狀物、門、以及窗戶的演算法。 關鍵字：車載雷射掃描、點雲、路廊資訊、場景知識、強鈍估值法、模朔Abstract
Vehicle-based laser scanning system can be employed to directly 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 reverent road facilities, location-based services, navigation for cars and pedestrians, even for the development of future driver assistance system. Nowadays, the relevant studies on the automatic extraction and modeling for the terrain object in road corridors are lack in Taiwan, therefore the whole study period is two years for detailed study originally. The study is the first year focuses on the analysis of point clouds from the vehicle-based laser scanning system and the development of the automatic extraction and modeling for the terrain object on the road surfaces. The terrain objects on the road surface include road surface, pole-like objects (e.g. light lamps and traffic signs). Due to the huge data of point clouds and the complicated terrain objects in the road corridors, the algorithms will employ the relevant object knowledge in the basic processing unit, the profile layer, for point calcification, grouping and clustering. Meanwhile, the concept of robust estimation for outlier detection will used for the basic feature extraction and classification and for the grouping and clustering point clouds belonging to
the same object from the adjacent scan line profiles. It is expected to develop the practical algorithms for the automatic extraction and modeling the terrain objects in the road corridors. Keywords: Vehicle-based laser scanning, Point Cloud, Road Corridor Information, Modeling,
一、 研究動機與研究問題
隨著 POS(Position and Orientation System)定位定向系統精度的提高，移動式測繪系統 (Mobile Mapping System, MMS)的發展越趨快速。定位定向系統是慣性導航系統（inertial navigation system, INS）及全球衛星定位系統（global positioning system, GPS），MMS 中結合 POS 並裝載各種感測儀器，進行空間資料蒐集的遙測感測器，包含數位攝影機或相機、多光 譜感測器、雷射掃描儀等影像感測器。其中又以裝載雷射掃瞄儀的車載雷射掃瞄系統能同時 獲取大量點雲的 3D 坐標，使得後續發展與應用越受重視。如 Optech Lynx Mobile Mapper V200 由具最大 200kHz 點發射頻率(point repetition frequency , PRF) 與最遠掃描距離 200m 的 1~2 個掃描儀所組成；3D Laser Mapping 公司的 StreetMapper 360 則使用具 300kHz PRF 與最 遠掃描距離 300m 的 1~2 個 Riegl’s VQ-250 掃描儀所組成；芬蘭大地學會(Finnish Geodetic Institute)所發展的 FGI Roamer 則由具 120kHz 量測頻率的 Faro LS 880 掃描儀以及 NovAtel HG1700 SPAN58 INS 系統所組成 [Kukko et al., 2007]；以及 RIEGL 最新發表的行動掃描系統 『VMX-250』，強調其堅固耐用、是易於安裝的整合系統，車頂上方的平台包括兩台 RIEGL 2D 雷射掃描儀 VQ-250、慣性導航裝置、全球衛星定位裝置，此系統可安裝於任何車輛、船 舶快速取得三維坐標資料。RIEGL VQ-250 掃描儀雷射發射頻率為 300,000 點/秒，為全波形 的雷射掃描儀器可進行 360 度掃瞄且能即時進行波形分析獲取多回波資訊，其最大測距 500 m，精度 10 mm，掃描角度 360 度 [迅聯光電有限公司，2010] 。西元 2004 年關於車載雷射 掃描系統的回顧文獻可參考[Schwarz and El-Sheimy, 2004]，相關原理則可參閱[Petrie and Toth, 2009]。 車載雷射掃描儀系統可以直接獲取目標物三維點雲資料，因此可獲取詳盡的路廊(road corridor)資訊，對於道路環境的模式化與文件化(documentation)有相當助益。而所謂道路環 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、樹木、植栽、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、定位服務(location-based services)及汽車和行人導航，甚至發展未來駕駛協 助系統(Future Driver Assistance System) [Brenner, 2009]。
二、 文獻回顧及探討
如前所述，車載雷射掃描點雲可用於路廊相關地物萃取，而目前國內對於車載雷射掃描 系統點雲資料處理的研究甚少，比較相關的是李育華[2009]於 2009 年分析探討車載移動式製 圖系統之系統率定及其直接地理定位之效能，但也僅就系統建構部分進行研究與探討，且其 架設的感應器是數位相機。因此以下僅能針對國外對於車載雷射掃描點雲資料萃取相關地物 的研究進行文獻回顧。由於車載雷射掃描點雲資料與地面雷射掃描資料均屬於高密度的點雲 資料，雖然對於資料的特性仍有些差異，但由地面雷射掃描點雲萃取相關地物的演算法仍值 得參考，因此以下文獻也會針對地面雷射掃描點雲資料萃取地物研究部分進行回顧。而在本研究中為求方便文字描述，將路廊資訊大致分成路面地物與路旁地物兩大類。路面地物包含 道路面、燈柱、電力桿、電線桿、及交通號誌桿(含紅綠燈)等地物；路旁地物包括路樹、建 物外牆、柱狀物、門、及窗戶。 首先回顧以車載雷射掃描萃取並模塑路面的相關研究。 在路面地物中最重要的道路面，Jaakkola et al.[2008]提出自動分類車載雷射掃描點雲為路 標(road marking)和路邊石(kerbstone)點的方法，並將路面模擬成不規則三角網(triangulated irregular network)。實驗結果顯示自動分類線標和斑馬線(zebra crossings)以及路邊石的平均分 類精度分別是 80.6%、92.3%和 79.7%。該研究中假設道路是由路邊石構成道路兩邊且路面上 會有斑馬線和停車格的直線，應用影像處理處理強度和高度影像可以分割出路邊石和標線， 而路鋪面可以根據萃取出來的點雲由不規則三角網模塑之。首先，依據強度影像分出屬於路 面上標線的點雲，然後依據高度影像找尋屬於路邊石的點雲最後由 TIN 模擬路面。Goulette et al. [2006]則提出車上即時處理執行特定道路特徵物(路面、樹木、垂直面)模塑的自動萃取演算 法，亦即只要一掃描得到斷面點雲即刻在載台上即時處理，其流程大致分成三個步驟首先由 幾何適應滅失法(geometric adaptive decimation)以多邊形近似斷面上的點雲進而進行減少點數； 接著進行點雲分割(segmentation)；最後進行路特徵物萃取與模塑。斷面上進行點雲資料分割 處理時考量地表和路面是由高密度的水平面所組成、建物外觀是由垂直面、以及樹木則是投 影至地面具特定寬度的自由形狀所組成。首先使用點雲高程坐標直方圖的峰值位置進行地面 點偵測和分割，在斷面上各點對應該峰值與其相鄰者則分為地面點，至於路面則從路面點中 由幾何適應滅失演算法萃取得到。對於建物外牆點與樹木點則使用斷面去除地面點之後，由 剩餘點雲之水平坐標的直方圖不連續處分別萃取外牆點、樹木點以及不可確認之點。分析數 個連續斷面上的連續性即可推論並標示地物。地物點標示之後即可執行模擬，道路以使用道 路中心線與邊界的點以不規則三角網表示；建物外觀則以垂直面外層點表示之；以球體模擬 樹葉，以圓錐模擬樹幹，其參數則以點雲求定。依據樹木點雲於地面之水平投影求定球體半 徑，以樹木點雲重心決定球心，圓錐高度等於樹高，圓錐地面半徑由 1/4 球體半徑決定之。 Yu et al. [2007] 以雷射掃描點雲和攝影機(video cameras)影像資料產生詳盡的路面模型，其幾 何精度相當高甚至路面縫隙都能偵測，可達路面裂縫監測之應用。該研究中道路幾何模塑時， 首先由網格化點雲資料得到粗模型，再由保持特徵與幾何細節的演算法平滑和去雜訊得到詳 盡模型。研究中認為每一斷面掃描到點屬於路面、樹木、汽車、路邊(curb)，因此先將斷面分 割忽略不感興趣的點。由於大部分的點是路面點且具類似高程值，因此由高程直方圖的峰值 並設定相關高程、地表面高差變化及法向量臨界值區分路面和非路面點。將斷面上濾除後屬 於路面點的資料，考慮路面平面性和平滑性將掃描資料與 GPS 位置與 IMU 方位資料套準， 接著在斷面上將離散點以三次雲形曲線(cubic spline)內插格點高程並填補路面上之空洞處，接 著以 3*3 中值濾波器(median filter)去除雜點，最後將內插點三角形化並上彩此為粗模型，再 由保持特徵與幾何細節的參數三角形內插演算法( a parametric triangular interpolation scheme) [Mann et al., 1992]平滑和去雜訊得到路面精細模型。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建物、地表、樹木等幾何模型。其中建物面分成垂直 和非垂直建物面，幾何模塑時先將每一掃描線上點雲分類成線段，然後將點根據下列法則進 行點群聚 1.掃描線上屬於直線特徵上的點可能是垂直建物面上的量測點；2.地表通常是平滑 且平坦且車子位置附近的高程值可以使用 GPS 天線高度和導航資訊推論；3.點具小的梯度值 且高程值在某一預計範圍內者可能是地表上的量測點；4.林木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。因此線段萃取成果將點雲分成垂直建物面、地表、非垂直建 物面及樹木四類，由此分類結果作為幾何模塑的起始點並透過量測的幾何特性測試和驗證， 如接近垂直面的點雲分類至垂直建物面的量測點，而點雲中無萃取出垂直面則可將萃取出垂 直線段上的點忽略。垂直建物面之萃取是由垂直建物面點群所製作的 Z 影像中先萃取直線段， 再將屬於該線段上點群群聚並找尋其垂直多邊形定義其邊界。地面萃取則是將地面視為規則 格點，然後以格點附近能對應點雲最低 Z 高程表示規則格點之高程而形程地面高程圖，最後 以 TIN (Triangulated Irregular Network) 模塑地表。至於非垂直建物面則使用 USF 分割演算法 (USF segmentation algorithm) [Hoover, A., et.al., 1996]萃取之。萃取完建物面和地面點後剩餘點 屬於樹木、車輛、電力桿等等，藉由樹木點雲通常產生較大的群聚，因此由 Z 影像中去除獨 立點和小群聚的影像特徵上的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。Abuhadrous et al., [2004] 掃描視角內的路面與交通號誌、樹木及植栽等地物，之後萃取道路邊界與中心線的點雲，最 後以特徵三角形(feature triangulation)模塑路面，其路面模型可以顯示曲線路面。
至於如交通號誌、燈桿等擬桿狀物(pole-like)萃取的研究方面則有 Lehtomäki et al. [2010] 提出由車載雷射掃描點雲自動萃取擬桿狀物(pole-like)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。大部分桿狀 物和樹幹為圓柱或角錐狀則其具圓形橫斷面，因此可用已發展由點雲中自動圓柱體偵測的方 法偵測與萃取[[Marshall and Lukacs, 2001; Lukács, Martin and Marshall, 1998; Rabbani and van den Heuvel, 2005;. Bolles and Fischler, 1981; Chaperon and Goulette, 2001; Schnabel, Wahl and Klein, 2007; Luo 2008]；其中使用 Hough transform [Rabbani and van den Heuvel, 2005]，Ransac [Bolles and Fischler, 1981; Chaperon and Goulette, 2001; Schnabel, Wahl and Klein, 2007]和最小 二乘法擬合求其參數[Marshall and Lukacs, 2001; Lukács, Martin and Marshall, 1998]。此外， 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，另外執行光線密度分析(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。Manandhar and Shibasaki [2001] 由垂直掃描線得到的點雲資料 中由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限於建物前以及地 面上的桿狀物。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(eigenvalue)所得投影面的延長方向萃取桿狀體。 上述是關於以高密度點雲資料自動萃取與模塑路面地物(含道路面、燈柱、電力桿、電線 桿、及交通號誌桿等)的相關文獻回顧。接下來回顧路旁地物(包括路樹、建物外牆、柱狀物、 門、及窗戶)特徵萃取與模塑的相關研究。 首先是 Früh et al. [2005]於正常交通狀況的公路上一系列雷射垂直掃描的 2D 掃描資料， 提出一套資料處理的技術，不僅可以去除建物牆面上的雜訊，亦可填補牆面空洞產生視覺上 吸引人的貼紋理牆面網(textured façade meshes)。其作法是將車行路徑先切成數個直線段路徑，
每段路徑上的垂直掃描資料(也可以併入立體匹配產生的點雲資料)以一系列的位相順序轉成 depth image，由 depth image 偵測顯著的建物結構，並分成前景和背景層，由平面或水平內插 填補由前景層物體遮蔽背景層(建物牆面)形成的大空洞，接著進一步處理 depth image 上獨立 點或填補剩存的小空洞獲取紋理表面網格製成 3D 模型。Rutzinger et al.[2009]發展由車載雷射 掃描點雲自動萃取建物垂直牆面的演算法，由使用 Hough transformation 的區域成長分割法導 出起始分塊(initial segments)，接著依據平面性(planarity)、傾角(inclination)、牆的高度和寬度 進行分類。文中探討自動萃取垂直牆面的平面位置精度和完整性，24 個萃取得到的牆面其 X、 Y 方向的 RMS 分別是 5cm 和 4cm。以地面點雲萃取建物牆面的研究如 Pu and Vosselman [2006] 提出由地面雷射掃描點雲資料自動萃取建物特徵結構(含牆、門、以及窗戶結構、突出物 (extrusion)、內凹物(intrusion))的方法，透過認知建物外觀上牆特徵通常是最大的垂直面、窗 戶特徵位於牆上且具特定面積、屋頂位於牆最上緣且不垂直等等建物的知識，則可發展電腦 自動辨識和模式化這些特徵的方法。研究中先用平面成長演算法(planar surface growing algorithm) [Vosselman et al. 2004]由點雲擷取分塊(segments)大小、位置、方向及位相等重要特 性，最後依據分塊特性並依據建物特徵該有的特徵約制辨識可能的建物特徵。Pu and Vosselman [2007] 於 2007 年續提出由地面雷射掃描點雲自動萃取窗戶結構的方法，首先以分 塊(segmentation)處理將點雲群聚成平面分塊(planar segment)，利用特徵約制偵測牆、門、以 及突出結構物(extrusions)，然後依據窗戶是否被窗簾覆蓋提出兩種策略偵測窗戶結構。若窗 戶未被窗簾覆蓋，則掃描過程將無雷射光反射於牆塊上將產生空洞；若窗戶被窗簾覆蓋，則 掃描得到的點雲雖可偵測到分塊但通常不會與牆塊共面， 因此在牆塊(wall segment) 上將再 產生空洞。所以可由牆上分塊所組成 TIN 尋找最長邊辨識牆上空洞，濾除由門和突出結構所 構成的空洞，剩下的空洞即為窗戶，並將其擬合成矩形表示之。Boulaassal and Landes [2007] 認為大多數建物外觀(façade)是平面，因此利用穩健的 RANSAC paradigm 計算含粗差地面雷 射掃描點雲資料中平面參數，自動偵測和萃取可能的平面區塊，.然後再用人工方式進行品質 評估證實所提方法在質和量上都能獲取令人滿足的平面外觀分塊。Bauer et al. [2005]亦使用 RANSAC 方法偵測與萃取主要建物牆面，還有以地面點雲萃取建物牆面的研究還有 Becker and Halla[2007]以及 Boulaassal et al. [2007]。
而 Luo and Wang [2008]由地面雷射掃描所得之室內點雲資料快速萃取中國古建築的柱狀 體特徵， 其作法是首先將點雲切出數個薄層並由薄層內的點雲辨識柱狀特徵，然後取得柱狀 體之投影參數，接著比較相鄰薄層局部的投影參數並將相似柱狀體參數取得整體的柱狀體投 影參數，最後模塑柱狀體。此可作為萃取模塑路旁建物內柱狀物體的參考文獻。
至於路樹模塑僅有 Rutzinger et al. [2010]等人提出由車載雷射掃描資料進行路樹模塑， Rutzinger et al.所提的方法是由車載雷射掃描資料先進行樹木點雲偵測，以 alpha shape approach 有效減少 95%需處理的資料量且不失樹木模塑視覺化所需的重要形狀參數，再由約 化過的點雲中萃取模塑樹木所需的參數並以 Weber and Penn [1995]方法模塑樹木。樹木是由 樹幹和樹冠的樹枝結構模塑之，內部樹枝結構雖以參數表示但僅有外形跟實際點雲相符，且 由兩測試區顯示其偵測分別達 85%與 78%，產生的模型與相片和原始點雲比較顯示已足夠整 合至 3D 城市模型供視覺應用。詳細的流程可參考[Pratihast, 2010]。以地面點雲萃取與模塑樹 木的研究中則有 Pfeifer and Winterhalder [2004]以自由形狀(free form) 擬合樹幹，Pfeifer et al. [2004]以圓柱擬合模塑樹枝結構 Bucksch and Lindenbergh [2008] 則由地面雷射掃描點雲資料 以八分樹結構(octree structure)發展骨骼化的演算法( skeletonisation approach)導出樹枝位相.
Cote et al. [2009] 同樣由點雲資料萃取樹幹和樹枝模塑結毬果(coniferous)的樹種。由反射強度 區分樹葉和樹枝點雲，由偵測出的樹葉點雲建構圖形(graph)導出數木的骨架。其餘使用地面 雷射掃描點雲資料萃取模塑樹木的文獻如下[ Aschoff and Spiecker, 2004; Bienert et al., 2006; Bienert et al., 2007; Király and Brolly, 2007; Haala et al., 2004; Lalonde et al., 2006; Liang et al., 2008; Liang et al., 2009; Litkey et al., 2008; Munoz et al., 2009]。
上述的方法中，許多演算法均將樹幹水平的橫切面視為圓形，因此演算法嘗試由點雲水 平切片分層資料中偵測圓弧；有的演算法則是分析每個點附近局度的點分布，然後將點雲分 成散佈點(如草地與樹冠)、線形特徵(如小樹幹)和面特徵(如地表)，然後進一步偵測樹幹。
三、 研究方法及步驟
由於車載雷射掃描點雲資料量相當大且所掃描得到的相關路廊地物點雲眾多且複雜，本 計劃原預計執行兩年，國科會僅核准一年經費，因此一年執行期間重點在於分析車載雷射掃 描點雲資料的特性並發展由點雲自動萃取並模朔路廊中的路面、以及燈柱、電線桿、及交通 號誌中基本結構直立圓桿的演算法。 由根據上述文獻回顧，由於車載雷射掃描點雲資料相當龐大，必須循序階層結構化處理， 本研究首先依據車載雷射掃描所記錄之車行軌跡先將路廊點雲資料，分成不同路段的點雲資 料；再將路段內之點雲以具厚度的剖面層(profile layer)結構化，接著依據車行軌跡及物空間的 場景知識(scene knowledge)約制先萃取出路面候選點與非路面點完成初步分類。 初步分類後，路面模塑部分則藉由強鈍估值法(Robust estimation)概念並以二次曲面擬合 各剖面之路面候選點，進而萃取路面點，並偵測路面邊界點；最後將路段內各剖面層偵測出 之路面邊界候選點，同樣以強鈍估值法概念以直線擬合路面邊界線，最後藉由剖面層中含最 豐富路面資訊之點雲所擬合之曲面模塑路面模型。 至於直立圓桿模塑，則是先將初步分類後各剖面環屬於路面以及路面上之點雲(如車輛、 路人等)移除，其後使用八分樹(octree-structured voxel space)將非路面點雲重新結構化，並使 用 CCL(connected-component labeling)演算法 [王淼, 2011] 將非路面點雲群聚成點群，供後 續辨識是否包含直立圓桿點雲。經八分樹分群與 CCL 群聚後，各個點群依據其場景中的物 件知識(object knowledge)與 RANSAC[Fischler and Robert C, 1981]的概念判識該點群是否可能 包含直立圓桿，若判識點群包含直立圓桿則以 RANSAC 計算所得之圓面參數(平面坐標與半 徑)初值，以綜合平差模式結合強鈍估值法概念擬合求得圓面參數，並依據場景之物件知識 以半徑值剔除非直立圓桿之擬合成果，最後依此擬合成果，以及包含該直立圓桿點群中最高 與最低之高程模塑直立圓桿。 綜合上述，本研究方法之處理程序流程圖如圖 1 與圖 2 所示，其後將詳述各步驟資料處 理方式。圖1 初步分類流程圖 初步分類 車載點雲資料 車行軌跡資料 根據車行軌跡將點雲資料階層結構化分 割成路段點雲及剖面層點雲 各剖面層點雲 依據車行軌跡及物空間場景知識 分成路面候選點與非路面點 各個剖面層點雲 剖 面 層 點 雲 １ 剖 面 層 點 雲 ２ 剖 面 層 點 雲 ３ … 剖 面 層 點 雲 Ｎ 各剖面層路面候選點 路 面 候 選 點 群 １ 路 面 候 選 點 群 ２ 路 面 候 選 點 群 ３ … 路 面 候 選 點 群 Ｎ 各個剖面層非路面點群 非 路 面 點 群 １ 非 路 面 點 群 ２ 非 路 面 點 群 ３ … 非 路 面 點 群 Ｎ
圖2 路面與基本圓桿模塑流程圖
4.1. 初步分類
4.1.1. 剖面層結構化處理
依據車載雷射掃描所記錄之車行軌跡先將路廊點雲資料，分成不同路段的點雲資料，若 一次同時處理所有路段點雲資料則相當費時，所以本研究再以連續剖面層方式將點雲結構化， 而剖面層(profile layer)是藉由垂直車行軌跡(以 GPS(i)表示之)與 XY 平面垂直所形成之剖面 (profile)增加一定厚度所組成。如圖 3 所示，剖面層同時會垂直車行方向且垂直於 XY 平面， 此剖面計算如公式(1)所示。 各剖面層路面候選點群 路 面 候 選 點 群 １ 路 面 候 選 點 群 ２ 路 面 候 選 點 群 ３ … 路 面 候 選 點 群 Ｎ 各個剖面層非路面點 非 路 面 點 群 １ 非 路 面 點 群 ２ 非 路 面 點 群 ３ … 非 路 面 點 群 Ｎ 路面點萃取與模塑 以各剖面層之路面候選點 擬合二次曲路面 萃取各剖面層之路面點 偵測各剖面層之路面邊界點 並擬合路面邊界直線 路面模塑 直立圓桿萃取與模塑 各剖面環之非路面點雲群聚 以八分樹與 CCL 演算法 將群聚點點雲分群 以場景物件知識與 RANSAC 概 念判識點群是否包含直立圓桿 擬合直立圓桿圓面參數 若符合半徑則模塑直立圓桿
圖3 由上視圖顯示車行軌跡與剖面之關係 其中 xi, yi, zi : GPS 在時間 i 的三維坐標
xi+1, yi+1, zi+1 : GPS 在時間 i+1 的三維坐標
ai, bi, ci, di : 剖面層之剖面 i 平面參數 …………(1) 得知剖面參數後，如圖 4 所示則可計算點雲中各點(LiDAR(i)表示)至該剖面之垂距，若小 於定義之厚度(本研究設定為 50cm)時，則視該點屬於該剖面層，其取得之剖面層如圖 5 所示， 而不同顏色代表不同之剖面層。 圖4 點與剖面層之關係 圖5 剖面層之說明圖示 4.1.2 路面與非路面候選點分類 針對各剖面層之點雲，依據車行軌跡及物空間場景知識分類萃取路面與非路面候選點。 以圖 6 為例，根據物空間場景知識，得知直立圓桿不會位於路面且應位於人行道上，即為圖 6 中上半部棕色虛線框內，而路面則應位於人行道下方或與人行道高程相近處，即圖 6 中下 半部黑色虛線框內。此外，通常直立圓桿會位於人行道上，道路會位於兩旁人行道之間，且
車行軌跡 GPS(i)一定在路面上。因此，本研究藉由車行軌跡 GPS(i)資料並根據上述物空間場 景知識作為約制條件，可設定約制參數分類萃取路面候選點與非路面點。如圖 7 所示，三個 約制參數，分別為車行軌跡 GPS(i)點至人行道邊界的水平距離(R)決定可能之路面寬度、GPS(i) 點至直立圓桿底部的垂直距離(h1)與 GPS(i)點至路面的垂直距離(h2)決定非路面點與路面點 可能的高程範圍。見圖 7 若點位至車行軌跡 GPS(i)之平距小於 R 且點位之高程低於 Z2(= ZGPS(i)-h2)時，即下圖綠色虛線以下，則視為路面候選點。若點位至車行軌跡 GPS(i)之平距 大於 R 且高程高於於 Z1 (= ZGPS(i)-h1)時，即下圖棕色虛線以上，則視為非路面點，而本研 究之 R、h1、h2 之值目前則是藉由人工量測數個剖面層而得作為物空間場景知識之約制條件。 之所以設定兩不同垂直距離是希望可將非路面點中會連接含直立圓桿點雲的地面(如人行道) 點排除。 圖6 各剖面層以物空間場景知識初步分類示意圖 圖7 初步分類方式說明圖示
4.2. 路面點萃取與模塑 4.2.1. 擬合各剖面層環內之二次曲面 由圖 8 可明顯發現仍有部分非路面點被分為路面候選點，如下圖紅色框選處之人行道， 不同於 Wu and Chio(2012)，假設路面點投影於剖面層之剖面後為直線段，本研究假設此剖面 層內之路面應為二次曲面，其曲面觀測方程式如公式(2)所示。 圖8 路面候選點(含人行道與路面點) ………(2) 其中 xi, yi, zi: 擬合點之三維坐標 a, b, c, d, e, f : 二次曲面參數 vi : 觀測量改正數 上述曲面觀測方程式形成間接觀測平差矩陣型式，如公式(3)所示。 L+V=AX ………(3) 其中 L= V= W= 以間接觀測平差解算，X=(AT WA)-1ATWL 過程中採用強鈍估值法方式調權減少錯誤的影 響，其後將詳述其數學模式，而擬合路面之二次曲面其第一次權值採用等權的方式，迭代終 止條件為單位權中誤差小於 1cm 或迭代 20 次。 由於各剖面層內之點雲數量仍龐大，若全用於擬合區面將減緩擬合速度，故本研究隨機 選取該剖面層內之 1000 個點擬合二次曲面。如前所述，各剖面層內仍含有非路面之點，故本 研究將以強鈍估值法擬合二次曲面期望降低非路面點之影響，強鈍估值法所使用之權函數公 式如下式(4)。
………(4) 其中 權係數 觀測中誤差 i : 第 i 次迭代 vi : 迭代第 i 次的殘差 4.2.2. 濾除非路面點 透過前述步驟，可以求得該剖面層內之二次曲面，如圖 9(a)綠色虛線所示。為了確保萃 取路面之完整性，本研究將該曲面上移一小段距離(約 1cm)，如圖 9(b)棕色虛線所示，並將位 於此棕色虛線下之點雲視為路面點。圖 10 所示即為萃取得到之路面點，而不同顏色代表不同 之剖面層所得的路面點。 (a)平移前 (b)平移後 圖9 路面點萃取示意圖 圖10 路面點萃取之成果 4.2.3. 路面邊界點萃取與擬合 萃取出各剖面層之路面點後，則可以藉由計算該剖面層之路面點至車行軌跡 GPS(i)點之 水平距離以及其位於行進方向之左側或右側，若為該側最遠者則將此點視為該側之路面邊界 點。其路面邊界點萃取成果如下圖 11 所示。
圖11 路面邊界點萃取成果 其後，假設路面邊界為一直線，利用公式(5)之直線觀測方程式予以擬合，其矩陣型式如 式(6)所示。由於仍含有部分非路面點或是路口等影響因素，故將採用 4.2.1 式(4)之權函數調 權方式以強鈍估值法擬合路面邊界直線減少非路面點之影響。 yi +vi =a×xi+b ………(5) 其中 xi, yi :路面點之平面坐標 a, b :直線參數 vi : 觀測量改正數 上述觀測方程式寫成矩陣型式如公式(6)， L+V=AX……….. ………(6) 其中 L= V= W= 以間接觀測平差解算 X=(ATWA)-1ATWL，擬合過程仍採強鈍估值法擬合此直線，期望降 低非路邊界點之影響，迭代第一次權為等權，其後強鈍估值法之權函數公式與 4.2.1 公式(4) 相同，迭代終止條件為單位權中誤差小於 10cm 或迭代 50 次。 4.2.4. 路面模塑 最後，以含最豐富路面資訊之剖面層路面點雲所擬合之曲面及前述路面邊界線之擬合成 果，模塑路面模型。 4.3. 直立圓桿點萃取與模塑 4.3.1. 非路面點群聚與分群 將各剖面層之非路面點群聚，如圖 12 所示，由圖顯示可以發現路面與人行道皆已濾除。
圖12 各剖面層之非路面點群聚成果顯示 其後使用王淼(2011)所提出的八分樹與 CCL 演算法，設定網格大小為 10cm，並採用二十 六相鄰將方式將群聚後之點雲重新分群，其成果如圖 13 所示，不同顏色代表不同的點群。 圖13 經八分樹與 CCL 演算法之分群成果 4.3.2. 直立圓桿點群之辨識 將圖 13 的分群結果依據直立圓桿之物空間物件知識以 RANSAC 判斷該點群是否包含直 立圓桿點群，直立圓桿點群之物空間物件知識包含該點群的點數必須足夠、其高度需夠高、 圓桿半徑在限定範圍。故本研究以此設定直立圓桿之點雲數量必須大於某一門檻值(本研究採 用 50 個點)、直立圓桿之高度須介於 1.5m 至 10m 左右、且其半徑應介於 2cm 到 10cm 之間。
設定好物空間條件後，將點群以每 50cm 為一層之分層概念(Lou and Wang, 2008)，如圖 14(a)所示，並且將每層點雲投影至 XY 平面上，如圖 14(b)所示。以 4m 之燈桿為例，將會分 成 8 層點雲。其後針對投影至 XY 平面上之各層點雲，隨機取三個點，計算其形成圓心與半 徑 5 圓面參數，利用 RANSAC (Fischler and Robert C, 1981)概念重複 61 組的取樣後，將其 61 組所得之值依半徑排序，取半徑中位數與其前後各 10 組，共 21 組計算其半徑、平面坐標 X 與 Y 之標準差，若有一層之點群其三種準準差均於門檻值以內者，則將此點群視為直立圓桿 並進行後續擬合。
(a)將點雲切片分層 (b)分層點雲投影至 XY 平面上 圖14 點群分層概念圖(Lou and Wang, 2008)
前述之直立圓桿點群之物空間知識整理如表 1 所示。 表1 直立圓桿點群物空間知識整理表 點雲數量門檻 應大於 50 個點 直立圓桿高度範圍 介於 1.5m~10m RANSAC 半徑中位數範圍 介於 2cm~10cm RANSAC 半徑標準差 應小於 2cm RANSAC X 坐標標準差 應小於 10cm RANSAC Y 坐標標準差 應小於 10cm 須符合條件之層數 1 層 4.3.3. 以強鈍估值法擬合直立圓桿中圓面參數 採用 Li et al. (2011)所提出的強頓估值法以擬合點雲中直立圓桿之圓面參數，其圓方程式 如式(6)所示，經泰勒級數線性化展開後其式子如式(7)所示。 (Xi-X0)2+ (Yi+Y0)2+r2=0 ………..…(6) 其中 Xi, Yi : 點雲平面坐標 X0, Y0 : 圓心 r : 半徑 線性化後， ……(7) 其中 Xi ,Yi: 觀測值 VXi , VYi: 觀測值改正量 dX0 , dY0: 圓心增量 dr: 半徑增量 F0: 帶入近似值之不符值 上述觀測方程式以矩陣型式表示其綜合平差模型如式(8)式所示。 AV+B△+f=0 ………(8) 其中
觀測值係數矩陣An×2n= 觀測改正數矩陣V2n×1= 未知數係數矩陣:Bn×3= 未知數增量距陣△3×1 帶入近似值之不符值fn×1= 由於線性化的關係，本研究以前一步驟 RANSAC 求得之直立圓桿圓面參數(圓心與半徑) 作為初值，以綜合平差模型解算X=N-1×T，其中 N=BT(A×W-1×AT)-1×B，T=- BT(A×W-1×AT)-1×f， 由於直立圓桿之點雲大都含有許多附著物，擬合過程仍採強鈍估值法擬合，期望降低非直立 圓桿點之影響，其後強鈍估值法之權函數公式與 4.2.1 公式(4)相同，第一次權值則採用點位 至初值圓心的距離與半徑初值絕對值之倒數做為權，其公式如式(9)所示。經迭代計算，若迭 代過程中，單位權中誤差小於 2cm 或迭代 50 次，則視為收斂。此外，最後，根據迭代後半 徑若介於 30cm 以內，則視為直立圓桿。 ………(9) 其中 Xi, Yi :點雲平面坐標 X0, Y0:圓心初值 R0:半徑值初值 然迭代擬合直立圓桿時由於觀測量相當多，因此採用如圖 15 所示之分層策略選取擬合所 需之點資料，亦即依據點群中之最低最高高程將點群分布均勻分成五層且各層厚度為 30 公分， 其中第五層中因位於直立圓桿頂端大多非圓桿形狀因此捨棄不用僅將第一層到第四層所取出 之點資料擬合直立圓桿之圓面參數。 圖15 直立圓桿分層策略選取點雲擬合示意圖
4.3.4. 路面模塑 最後，以強鈍估值擬合之成果並取其點群中最高與最低之高程模塑直立圓桿模型。
四、 研究結果
5.1. 資料取得與測區介紹 利用車載雷射掃描系統取得實驗區之點雲資料，所採用的車載掃描系統為 RIEGL VMX-250。接著取出實驗區中位於政大附近指南路某一路段之點雲資料(如圖 16 所示)進行實 驗。該直線路段點雲資料中含有 22 個直立桿狀物。 圖16 實驗區範圍圖示 5.2. 剖面層結構化成果 由於點雲資料龐大，本研究採用剖面層結構化的方式，將車載雷射掃描點雲予以結構化， 剖面層之厚度為 50cm，剖面層結構化之結果如下圖 17 所示。 (a)俯視圖 (b)側視圖 圖17 路段點雲剖面層結構化成果圖示 5.3. 路面萃取與模塑路面點初步分類所需之場景知識：車行軌跡 GPS 點與路面及圓桿底部之高程差、車行軌 跡 GPS 點與人行道邊界距離於本次研究中均藉由人工於數個剖面層中量測而得，以此作為物 空間場景知識約制條件，經後續分類後，路面點萃取成果如圖 18 所示。經路面邊界點萃取之 成果則如圖 19 所示，可發現其中存在非路面邊界點。 圖18 路面點萃取成果 圖19 路面邊界點萃取成果 經強鈍估值法擬合後，其路邊界成果如下圖 20 所示，圖中的黑點即為萃取出之路面邊 界點，圖中可以發現經強鈍估值法擬合可正確萃取出路邊直線。路面模塑之成果則顯示於圖 21。 圖20 路邊直線擬合成果
(a)俯視圖 (b) 側視圖 圖21 路面模塑之成果 5.4. 直立圓桿萃取與模塑 本次實驗區中更有 22 隻直立圓桿，其分佈如下圖所示。 圖22 直立圓桿分布圖 取得剖面層非道路點雲合併後，以 10 公分網格將點雲進行八分樹分割，其後以二十六相 鄰之 CCL 演算法群聚，其成果如下圖 23 與圖 24 所示。如圖 24 所示，仍有部分直立圓桿因 與廣告招牌、遮雨棚、陽台等物體相鄰，以至於八分樹分割及 CCL 演算法群聚後仍無法將其 有效的分離出來。 圖23 非道路點雲經八分樹與 CCL 演算法群聚之成果
圖24 紅色框選處之直立圓桿未被分離出來 5.4.1. 直立圓桿點群之辨識 經八分樹分割與 CCL 演算法群聚且濾除點小於 50 個點之點群後，可分成 704 個點群。 經物空間知識與 RANSAC 判斷後，有 38 個點群被判斷可能包含直立圓桿，其中有 15 個點群 確實包含直立圓桿，23 個點群不包含直立圓桿為其他地物，7 個點群應包含直立圓桿但漏判。 直立圓桿其漏授率(Omission)為 31.82%，其誤授率(Commission)為 60.53%，整體精度為 95.74%， 其詳細內容可見下表。 表2 經物空間知識與 RANSAC 分類之誤差矩陣 地真資料 直立圓桿 非直立圓桿 總數 誤授率 分類結果 直立圓桿 15 23 38 60.53% 非直立圓桿 7 659 666 1.05% 總數 22 682 704 漏授率 31.82% 3.37% 整體精度 95.74% 漏判之直立圓桿分別為編號 6、7、9、11、15、16、19 共七隻，見圖 25。由圖 25 可明 顯發現，這漏判之 7 直立圓桿，其周圍皆有相鄰之物體，如廣告招牌、遮雨棚、路樹等，因 此導致八分樹分割與 CCL 演算法群聚無法有效將其分離出來。
(a)編號 6 (b)編號 7 (c)編號 9 (d)編號 11 (e)編號 15 (f)編號 16 (g)編號 19 圖25 未被偵測出包含直立圓桿之點群 5.4.2. 直立圓桿圓面參數強鈍估值擬合之成果 將上述結果以強鈍估值方式擬合圓面參數，並將半徑不符之點群剔除，有 18 個點群被判 斷可能為直立圓桿，其中有 12 個點群確實包含直立圓桿，6 個點群不包含直立圓桿，10 個點 群應包含直立圓桿但漏判。因此直立圓桿之漏授率(Omission)為 45.45%，其誤授率(Commission) 為 25.00%，整體精度為 98.01%，其詳細內容可見下表。而透過此數據可以發現誤授率有明 顯的下降 35.53%，但也因此導致漏授率增加 13.64%，而整體精度的部分則是提升 2.27%。
表3 經強鈍估值方式分類之誤差矩陣 地真資料 直立圓桿 非直立圓桿 總數 誤授率 分類結果 直立圓桿 12 4 16 25.00% 非直立圓桿 10 678 688 1.45% 總數 22 682 704 漏授率 45.45% 0.59% 整體精度 98.01% 最後強鈍估值擬合之成果如下表所示。可發現編號 1、2、22 之桿狀物在迭代過程，導致 其半徑呈現負值。而編號 10 其權單位中誤差相較於其他直立圓桿也較大。 表4 強鈍估值擬合之成果 ID E(m) N(m) R(m) S0(m) 1 308152.952 2764537.537 -0.215 0.034 2 308170.816 2764533.182 -0.197 0.035 3 308179.479 2764527.638 0.089 0.028 4 308184.066 2764526.190 0.074 0.017 5 308221.172 2764518.557 0.063 0.011 8 308323.478 2764496.959 0.094 0.021 10 308284.978 2764494.357 0.152 0.128 12 308276.851 2764495.308 0.024 0.004 13 308265.543 2764497.124 0.033 0.012 14 308257.733 2764500.474 0.029 0.006 17 308214.876 2764509.084 0.093 0.018 18 308213.903 2764509.395 0.080 0.012 20 308185.891 2764515.491 0.019 0.018 21 308166.356 2764515.086 0.092 0.038 22 308205.302 2764522.036 -0.001 0.014 與直接由點雲資料中數化直立圓桿圓面參數之比較如下表所示。可發現編號 12 之桿狀物 其在 N 方向之差與半徑之差皆較其他桿狀物大出許多。
表5 直立圓桿圓面參數比較表比較 ID E 坐標差值 (m) N 坐標差值 (m) 半徑 R 差值 (m) 3 0.033 -0.006 -0.012 4 0.004 0.134 0.012 5 0.004 0.021 0.021 8 0.014 0.105 -0.018 10 -0.080 0.291 -0.090 12 -0.055 -0.042 0.061 13 -0.035 -0.046 0.049 14 -0.026 -0.049 0.053 17 0.018 -0.007 -0.023 18 -0.044 -0.010 -0.005 20 -0.027 -0.027 0.015 21 -0.017 -0.117 0.008 RMSE 0.038 0.111 0.041 如圖 26 所示說明編號 10 直立圓桿之擬合成果，圖 26(a)中紅點為強鈍估值擬合時所使用 的點雲，可發現其含大量非該直立圓桿之點雲，此外，由圖 26(b)可知 RANSAC 取得之初值 已不佳，再加上其含有大量之雜點，故導致最後之擬合成果不佳。 (a)點群與擬合所使用之點雲 (b)圓面參數:人工數化、初值與擬合成果之圖示 圖26 編號 10 之直立圓桿擬合成果說明圖示 以下則說明表 4 中強鈍估值擬合編號 1、2、22 之桿狀物在迭代過程，導致其半徑呈現負 值的可能原因。 圖 27 說明編號 1 直立圓桿之擬合成果，圖 27(a)與 27(b)中紅點為強鈍估值擬合時所使用 的點雲，可以發現其含大量非該桿狀物之點雲，此外，由圖 27(c)顯示雖然 RANSAC 取得之 初值尚佳，但因擬合中之雜點過多，故導致最後之成果不如預期。
(a)點群與擬合所使用之 點雲(側視圖) (b)點群與其擬合所使用之點雲 (俯視圖) 圓面參數:人工數化、初值與擬 合成果之圖示 圖27 編號 1 直立圓桿擬合成果說明圖示 圖 28 說明編號 2 直立圓桿之擬合成果，圖 28(a)中紅點強鈍估值擬合時所使用的點雲， 同樣可發現其含大量非該桿狀物之點雲，如交通告示牌等，此外，由圖 28(b)中顯示雖然 RANSAC 取得之初值尚佳，但因擬合之雜點過多，故導致最後之成果不如預期。 (a)點群與其擬合所使用之點雲 (b) 圓面參數:人工數化、初值與擬合成果之圖示 圖28 編號 2 直立圓桿擬合成果說明圖示 圖 29 說明編號 22 直立圓桿之擬合成果，圖 29(a)中紅點為強鈍估值時所使用的點雲，可 以發現其含大量非該桿狀物的點，如交通告示牌等，此外，由圖 29(b)中顯示雖然 RANSAC 取得之初值尚佳，但同樣因擬合之雜點過多，故導致最後之成果不如預期。
(a)點群與其擬合所使用之點雲 (b) 圓面參數:人工數化、初值與擬合成果之圖示 圖29 編號 22 直立圓桿擬合成果說明圖示 由上述分析大多因因擬合之雜點過多，故導致最後之成果不如預期。 透過前述之萃取圓面參數之後，取每點群中最高與最低高程模塑直立圓桿之成果如下圖 所示。 圖30 直立圓桿模塑之成果
五、 結論與建議
本計劃原預計執行兩年，國科會僅核准一年經費，因此一年執行期間重點在於分析車載 雷射掃描點雲資料的特性並發展由點雲自動萃取並模朔路廊中的路面、以及燈柱、電線桿、 及交通號誌中基本結構直立圓桿的演算法。 由於車載雷射掃描點雲資料量相當大且所掃描得到的相關路廊地物點雲眾多且複雜，因 此演算法中將加入物空間中的場景的相關知識(scene knowledge)與運用強鈍估值法(robust estimation)的概念協助處理。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資料階 層式結構化，意即先將點雲分成路段點雲，再將路段點雲結構化成剖面層(profile layer)點雲。 點雲資料階層式結構化後，先進行路面萃取，由每一剖面層內的點雲為處理單元，以場景知 識將點雲初步分類成路面候選點雲與非路面點雲，之後進一步由剖面層初步分類的路面候選 點雲中以強鈍估值法擬合二次曲面作為路面，接著以場景知識協助萃取路邊候選點，再由強 鈍估值法擬合各剖面層所萃取的路邊候選點為直線路邊界，完成路面萃取與模塑。緊接著， 將所有剖面層非路面點雲群聚後，以八分樹及 CCL 群聚演算法，將點雲群組成點群，再由點 群資料中藉由直立圓桿的物空間場景知識辨識直立圓桿候選點，並由直立圓桿候選點以強頓 估值法擬合直立圓桿圓面參數，完成直立圓桿之萃取及模塑。由實驗結果證實本研究所發展 方法的可行性，並可發現利用剖面層結構化路段點雲之方式可以有效的繪製道路邊界線，而 透過濾除路面點後之非路面點經八分樹分割與 CCL 演算法群聚後，大多可以取出含直立圓桿 之點群，除了少部分的含直立圓桿點群因與相鄰之物體太過於接近，導致此演算法不易於分 離。而在本實驗中，使用 RANSAC 萃取出直立圓桿點群的方法，亦萃取出部分路樹，因此可 以針對此部分加以研究。此外本研究中於點群中僅以 RANSAC 之擬合一層滿足直立圓桿物空 間知識即辨識其包含直立圓桿，其條件過鬆，建議可以設定更為嚴苛之條件，如滿足 RANSAC 的層數增加等。而強鈍估值擬合時需要好的初值，而利用 RANSAC 所得之初值大都位於合理 範圍內，但仍有小部分初值不佳，因此未來亦可發展較佳的初值給定模式。除初值外，可發 現若擬合點群之雜訊太多，即便有較佳的初值，其擬合效果也不一定較佳。因此未來除了可 深入了解強鈍估值法可忍受粗差的程度外，亦可朝向其他抗差的擬合模式發展。 本計畫執行已達元計畫目標，未來可延續本研究發展萃取完整路網道路模型的演算法； 此外亦可發展由基本圓柱桿模塑完整路燈、電線桿、及交通號誌的演算法。後續甚至可以發 展自動萃取並模朔路廊中的路旁地物，包含路樹、建物牆面、柱狀物、門、以及窗戶的演算 法。六、 參考文獻
王淼，2011，光達點雲區塊化，國立成功大學測量及空間資訊學系博士論文 李育華，2009，車載移動式製圖系統之系統率定及其直接地理定位之效能分析，國立成功大 學測量及空間資訊學系碩士論文，台南市。 李敏瑜、張瑋、邱式鴻，2011，以權迭代法擬合點雲中直立圓桿之圓面參數，第三十屆測量 及空間資訊研討會論文集、國立中興大學。迅 聯 光 電 有 限 公 司 ， 2010 ， 產 品 世 界 --- 移 動 載 具 型 雷 射 掃 瞄 儀 ， http://www.linkfast.com.tw/product_rieg_c.htm 取用日期：2010 年 12 月 28 日。
Abuhadrous I, Ammoun IS, Nashashibi F, Goulette F, Laurgeau C.,2004,Digitizing and 3D modeling of urban environments and roads using vehicle-borne laser scanner system. In: Proceedings of RSJ, international conference on intelligent robots and systems (IROS’2004), vol. 1(28), 2004. p. 76–81.
Aschoff, T.; Spiecker, H., 2004, Algorithms for the Automatic Detection of Trees in Laser Scanner Data. Int. Arch. Photogramm. Remote Sens. 2004, XXXVI–8/W2, 71-75.
Bauer, J., Karner, K., Schindler, K., Klaus, A. and Zach, C., 2005. Segmentation of building from dense 3D point-clouds. Proceedings of the ISPRS. Workshop Laser scanning 2005, Enschede, the Netherlands, September 12-14, 2005.
Becker, S.; Haala, N., 2007, Combined Feature Extraction for Façade Reconstruction. In Proceedings of the ISPRS Workshop ‘Laser Scanning 2007 and SilviLaser 2007’, Espoo, Finland, 12-14 Sept.2007; Rönnholm, P.; Hyyppä, H.; Hyyppä, J. Eds.; pp. 241-247.
Bienert, A.; Maas, H.-G.; Scheller, S., 2006, Analysis of the Information Content of Terrestrial Laserscanner Point Clouds for the Automatic Determination of Forest Inventory Parameters. In Proceedings of the International Workshop on 3D Remote Sensing in Forestry, Vienna, Austria, 2006; pp. 55-60.
Bienert, A.; Scheller, S.; Keane, E.; Mohan, F.; Nugent, C., 2007, Tree Detection and Diameter Estimations by Analysis of Forest Terrestrial Laserscanner Point Clouds. Int. Arch. Photogramm. Remote Sens. 2007, XXXVI–3/W52, 50-55.
Bolles, R.; Fischler, M. A Ransac-Based Approach to Model Fitting and Its Application to Finding Cylinders in Range Data. In Proceedings of the 7th IJCAI, Vancouver, Canada, 1981; pp. 637-643.
Boulaassal, H.; Landes, T.; Grussenmeyer, P.; Tarsha-Kurdi, F.,2007, Automatic Segmentation of Building Facades Using Terrestrial Laser Data. In Proceedings of the ISPRS Workshop ‘Laser Scanning 2007 and SilviLaser 2007’, Espoo, Finland, 12-14 Sept. 2007; Rönnholm, P.; Hyyppä, H.; Hyyppä, J. Eds.; pp. 65-70.
Boulaassal, H.; Landes, T., 2007, Grussenmeyer, P.; Tarsha-Kurdi, F. Automatic Segmentation of Building Façades Using Terrestrial Laser Data. Int. Arch. Photogramm. Remote Sens. XXXVI–3/W52, 65-70.
Brenner, C.,2009, Extraction of Features from Mobile Laser Scanning Data for Future Driver Assistance Systems, M. Sester et al. (eds.), Advances in GIScience, Lecture Notes in Geoinformation and Cartography, 2009, 25-42, DOI: 10.1007/978-3-642-00318-9_2.
Bucksch, A., Lindenbergh, R. 2008. CAMPINO - A skeletonization method for point cloud processing, ISPRS Journal of Photogrammetry & Remote Sensing, 63, pp. 115-127.
Chaperon, T.; Goulette, F. Extracting Cylinders in Full 3D Data Using a Random Sampling Method and the Gaussian Image. In Proceedings of the Vision Modeling and Visualization Conference, University of Stuttgart, Germany, 2001; pp. 35-42.
Cameras for Urban Spatial Objects Extraction. In Proceedings of the Sixth International Conference on Machine Learning and Cybernetics, Hong Kong, China.
Cote, J-F., Widlowski, J-L., Fournier, R., A., Verstraete, M., M., 2009. The structural and radiative consistency of three-dimensional tree reconstructions from terrestrial lidar. Remote Sensing of Environment, 113, pp. 1067-1018.
Goulette, F.; Nashashibi, F.; Abuhadrous, I.; Ammoun, S.; Laurgeau, C., 2006, An Integrated On-board Laser Range Sensing System for On-the-way City and Road Modelling. In Proceedings of the ISPRS Commission I Symposium, “From Sensors to Imagery”, Paris, 3-5. July 2006; pp. 43:1-43:6.
Früh, C.; Jain, S.; Zakhor, A., 2005, Data Processing Algorithms for Generating Textured 3D Building Façade Meshes from Laser Scans and Camera Images. Int. J. Comput. Vis. 2005, 61, 159-184.
Haala, N.; Reulke, R.; Thies, M.; Aschoff, T., 2004, Combination of Terrestrial Laser Scanning with High Resolution Panoramic Images for Investigations in Forest Applications and Tree Species Recognition. In Proceedings of the ISPRS Working Group V/1 ―Panoramic Photogrammetry Workshop‖, Dresden, Germany, 2004.
Hoover, A., et.al., 1996: An Experimental Comparison of Range Image Segmentation Algorithms, IEEE Trans. on Pattern Analysis & Machine Intelligence, vol. 18(7), pp. 1-17, July 1996. Jaakkola, A.; Hyyppä, J.; Hyyppä, H.; Kukko, A., 2008, Retrieval Algorithms for Road Surface
Modelling Using Laser-Based Mobile Mapping. Sensors, 8, 5238-5249.
Király, G.; Brolly, G., 2007, Tree Height Estimation Methods for Terrestrial Laser Scanning in a Forest Reserve. Int. Arch. Photogramm. Remote Sens. 2007, XXXVI–3/W52, 211-215. Kukko, A.; Andrei, C.-O.; Salminen, V.-M.; Kaartinen, H.; Chen, Y.; Rönnholm, P.; Hyyppä, H.;
Hyyppä, J.; Chen, R.; Haggrén, H.; Kosonen, I.; Čapek, K. Road Environment Mapping System of the Finnish Geodetic Institute – FGI Roamer. In Proceedings of the ISPRS Workshop ‘Laser Scanning 2007 and SilviLaser 2007’, Espoo, Finland, 12-14 Sept. 2007; Rönnholm, P.; Hyyppä, H.; Hyyppä, J. Eds.; pp. 241-247.
Lalonde, J.-F., Vandapel, N., Huber, D. F., Hebert, M., 2006, Natural Terrain Classification using Three-Dimensional Ladar Data for Ground Robot Mobility. Journal of field robotics 23(10), pp. 839-861.
Lehtomäki, Matti, Anttoni Jaakkola , Juha Hyyppä, Antero Kukko and Harri Kaartinen, 2010, Detection of Vertical Pole-Like Objects in a Road Environment Using Vehicle-Based Laser Scanning Data, Remote Sens. 2010, 2, 641-664; doi:10.3390/rs2030641.
Liang, X.; Litkey, P.; Hyyppä, J.; Kukko, A.; Kaartinen, H.; Holopainen, M., 2008, Plot-Level Trunk Detection and Reconstruction Using One-Scan-Mode Terrestrial Laser Scanning Data. In Proceedings of the International Workshop on Earth Observation and Remote Sensing Applications, Beijing, China, 2008; pp. 1-5.
Liang, X.; Litkey, P.; Hyyppä, J.; Kaartinen, H.; Vastaranta, M.; Holopainen, M., 2009, Automatic Stem Location Mapping Using TLS for Plot-Wise Forest Inventory. In Proceedings of the SilviLaser 2009, College station, TX, USA, 2009.
Litkey, P.; Liang, X.; Kaartinen, H.; Hyyppä, J.; Kukko, A.; Holopainen, M., 2008, Single-Scan TLS Methods for Forest Parameter Retrieval. In Proceedings of the SilviLaser 2008, Edinburgh, UK, 2008; pp. 295-304.
Lukács, G.; Martin, R.; Marshall, D. Faithful Least-Squares Fitting of Spheres, Cylinders, Cones and Tori for Reliable Segmentation. In Proceedings of the Fifth European Conference on Computer Vision, Freiburg, Germany, 1998.
Luo, D.; Wang, Y., 2008, Rapid Extracting Pillars by Slicing Point Clouds. Int. Arch. Photogramm. Remote Sens. 2008, XXXVII–B3b, 215-218.
Manandhar, D.; Shibasaki, R., 2001, Feature Extraction from Range Data. In Proceedings of the 22nd Asian Conference on Remote Sensing, Singapore.
Mann S, Charles L, Michael L, Meyers D, Painter J, DeRose T, 1992, A survey of parametric scattered data fitting using triangular interpolants. In: Hagen H, editor. Curve and surface design. Geometric design publications. Philadelphia: SLAM; pp. 145–72.
Marshall, D.; Lukacs, G.; Martin, R. Robust Segmentation of Primitives from Range Data in the Presence of Geometric Degeneracy. IEEE Trans. Pattern. Anal. Mach. Intell. 2001, 23, 304-314.
Matas, J., Chum, O., Urban, M. and Pajdla, T., 2002. RobustWide Baseline Stereo from Maximally Stable Extremal Regions. Proceedings of the British Machine Vision Conference, volume 1, pages 384-393, 2002.
Mumtaz, S.A., 2007, Extracting Physical and Environmental Information for Irish Roads Using Airborne Laser Scanning (ALS).
Munoz, D.; Bagnell, J.A.; Vandapel, N.; Hebert, M., 2009, Contextual Classification with Functional Max-Margin Markov Networks. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), Miami Beach, FL, USA, 2009.
Petrie, G.; Toth, C.K. Terrestrial Laser Scanners. In Topographic Laser Ranging and Scanning, Principles and Processing, Shan, J., Toth, C.K., Eds.; CRC Press: Boca Raton, FL, USA, 2009. Pfeifer, N., Winterhalder, D., 2004. Modelling of tree cross sections from terrestrial laser scanning
data with free-form curves. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Freiburg, Germany, Vol. 36, Part 8/W2, pp. 76-81. Pfeifer, N.; Gorte, B.; Winterhalder, D. Automatic Reconstruction of Single Trees from Terrestrial
Laser Scanner Data. Int. Arch. Photogramm. Remote Sens. 2004, XXXV–B5, 114-119
Pratihast, A., K., 2010. 3D tree modeling using mobile laser scanning data. MSc thesis. ITC Faculty of Geo-Information Science and Earth Observation of the University of Twente, Enschede, The Netherlands, p. 53.
Pu, S., Vosselman, G., 2006. Automatic extraction of building features from terrestrial laser scanning. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. 36, part 5, Dresden, Germany, September 25-27, 5 p. (on CDROM).
http://www.tnet.teagasc.ie/rerc/downloads/EORS/3rd%20session/salman%20ali.pdf, 2007.
ISPRS Workshop ‘Laser Scanning 2007 and SilviLaser 2007’, Espoo, Finland, 12-14 Sept. 2007; Rönnholm, P.; Hyyppä, H.; Hyyppä, J. Eds.; pp. 320-325
Rabbani, T.; van den Heuvel, F. Efficient Hough Transform for Automatic Detection of Cylinders in Point Clouds. Int. Arch. Photogramm. Remote Sens. 2005, XXXVI–3/W19, 60-65.
Rutzinger, M., S. Oude Elberink, S. Pu, and G. Vosselman, 2009,“Automatic Extraction of Vertical Walls from Mobile and Airborne Laser Scanning Data”. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences XXXVIII – 3/W8, pp. 7-11, Paris,
France, 2009.Rutzinger, M., A. K. Pratihast, S. Oude Elberink, G. Vosselman, 2010, DETECTION AND MODELLING OF 3D TREES FROM MOBILE LASER SCANNING DATA, International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXVIII, Part 5 Commission V Symposium, Newcastle upon Tyne, UK.
Schnabel, R.; Wahl, R.; Klein, R. Efficient Ransac for Point-Cloud Shape Detection. Comput. Graph. Forum 2007, 26, 214-226.
Schwarz K.P., El-Sheimy N., 2004. Mobile Mapping Systems – State of The Art and Future Trends, IAPRS, Vol.XXXV, part B5.
Vosselman, G., Gorte, B.G.H., Sithole, G., Rabbani, T., 2004. Recognising Structure in Laser Scanner Point Clouds, International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. 46, part 8/W2, Freiburg, Germany, October 4-6, pp. 33-38.
Weber, J., Penn, J., 1995. Creation and rendering of realistic trees. ACM International Conference on Computer Graphics and Interactive Techniques, New York, United States, pp. 119-128. Yu, S.J.; Sukumar, S.R.; Koschan, A.F.; Page, D.L.; Abidi, M.A., 2007, 3D Reconstruction of Road
Surfaces Using an Integrated Multi-Sensory Approach. Opt. Laser. Eng., 45, 808-818.
Zhao, H.; Shibasaki, R., 2003, Reconstructing a Textured CAD Model of an Urban Environment Using Vehicle-Borne Laser Range Scanners and Line Cameras. Mach. Vis. Appl. 2003, 14, 35-41.
Fischler, Martin A. and Robert C. Bolles, 1981, Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography, Communications of the ACM. Volume 24 Issue 6, June 1981 ,pp. 381–395.
Chih-Wen Wu, Shih-Hong Chio, 2012, Road Surface Modeling from Vehicle-Borne Point Cloud by Profile Analysis, CD Proceedings of The 33nd Asian Conference on Remote Sensing.
Min-Yu Li, Wei Chang, Shih-Hong Chio, 2011, Using Iterative Weighting to Fit the Circular Parameters, Proceedings of the 32nd Asian Conference on Remote Sensing,.
國科會補助專題研究計畫項下出席國際學術會議心得報告
日期：102 年 3 月 27 日
一、參加會議經過
本次會議共有 60 的口頭發表場次及 3 個海報場次。內容包括下述十個方向：(1) Sensor and Platform，(2) Algorithm and Image Processing，(3) Geographic Information Systems (GIS) and Web GIS ， (4) Global Navigation Satellite Systems ， (5) Disaster ， (6) Natural Resources ， (7) Environmental Science，(8) Education and outreach，(9) Health Science，(10) Mapping。
本次大會本校參加人數超過 14 人，論文發表數共 10 篇，其中口頭發表 9 篇，海報發表 1 篇。本校由政治大學地政學系黃灝雄老師領隊，而圖一為抵達會場註冊之情形，圖二則為 學生吳志文於會場前拍攝，圖三與圖四則為於會場發表文章之照片。確定下次會議將於 2013 年 11 月於印尼峇里島舉行，並希望藉由本大會使空間資訊之跨領域特性日益明顯。
本次所發表之文章”Road Surface Modeling from Vehicle-Borne Point Cloud by Profile Analysis”於本次會議中榮獲最佳學生論文獎(Best Student Paper Award)，圖五則為最佳學生論 文獎之獎狀與獎品。
二、與會心得
此次會議主題分佈極廣，可明顯發現除了技術之精進外，也嘗試將相關的技術應用於環 境變遷與糧食議題等，測量及空間資訊除了了解幾何量測資訊外，地物之屬性資訊亦是重要 的一環。而透過會議可以發現需要大量人工介入之作業，已有許多研究員與學者嘗試提出更 便利之方法，以減少人力介入，以自動或半自動達到相同結果。而本會議也嘗試為了鼓勵年計畫編號
NSC 100－2221－E－004－010－
計畫名稱
車載雷射掃描點雲資料自動萃取路廊地物之研究
The Study of Automatic Extraction of Terrain Objects in Road Corridors from Vehicle-based Laser Scanning Point Data
出國人員
姓名
邱式鴻、吳志文
服務機構及職稱
政治大學地政學系 副教授與其學生會議時間
101 年 11 月 26 日至 101 年 11 月 30 日會議地點
泰國
會議名稱
(中文)第 33 屆亞洲遙測學會 (英文)The 33rdAsian Conference On Remote Sensing
發表論文題
目
(中文)
(英文) Road Surface Modeling from Vehicle-Borne Point Cloud by Profile Analysis
輕學子的加入，所以設計學生論文獎的獎項，學生吳志文有幸獲獎。此外，發現他國於此相 關之領域的努力，除了技術上可以相互交流外，也可了解他國目前面臨何種問題需要應用空 間資訊技術去解決，透過了解他國之需求，可以反向省思我國是否有相應之問題或可以應用 相似之技術加以解決。而除了學術上交流外，會議第二晚有舉辦文化之夜(Culture Night)，各 國表演絞盡腦汁，以表現其文化特色，很榮幸，有中央大學與交通大學的同學所組成的表演 團體獲得了第一名。 圖一 註冊會議之情形 圖二 學生吳志文於會場裝飾前拍攝
圖三 於會場發表文章
圖四 於會場發表文章
三、考察參觀活動(無是項活動者略)
四、建議
而於本會議所發表之文章中，所以感興趣的部分，主要有兩部分，分別為光達點雲(LiDAR point cloud)處理與遙測影像之應用。在光達點雲(LiDAR point cloud)處理，多半應用於點雲建 模，或輔助影像建模，而在本次會議則有研究者利用點雲反射強度偵測道路之標線，並於偵 測後，給予其道路方向性，這樣講可減少給予道路方向屬性的時間，以簡化路網分析的前置 作業，將有助於後續之應用。 除了光達點雲處理外，也發現有部分國家利用遙測影像嘗試解決糧食危機的問題，而台 灣雖無糧食危機，但有大量的植被覆蓋，因此可以利用遙測影嘗試偵測台灣的森林變遷，以 了解台灣森林資源的變化。
