CC BY
22
УДК 528.4
ПРОБЛЕМЫ АВТОМАТИЗИРОВАННОГО ОПРЕДЕЛЕНИЯ ХАРАКТЕРНЫХ ЛИНИЙ АВТОМОБИЛЬНЫХ ДОРОГ ПО ДАННЫМ ЛАЗЕРНОГО СКАНИРОВАНИЯ
Максим Александрович Алтынцев
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, доцент кафедры инженерной геодезии и маркшейдерского дела, тел. (383)343-29-66, e-mail: [email protected]
Андрей Михайлович Макаров
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, аспирант кафедры инженерной геодезии и маркшейдерского дела, тел. (923)117-46-91, e-mail: [email protected]
Одной из задач в автодорожной отрасли является определение геометрических параметров автомобильных дорог, для чего необходима векторизация характерных линий. Значительно ускорить и повысить точность процесс поиска таких линий способны данные мобильного лазерного сканирования. В статье проанализированы основные проблемы автоматизированного определения характерных линий по данным мобильного лазерного сканирования.
Ключевые слова: характерные линии, мобильное лазерное сканирование, автомобильная дорога.
CHALLENGES OF SEMI-AUTOMATIC ROAD BREAKLINE DETECTION USING LASER SCANNING DATA
Maxim A. Altyntsev
Siberian State University of Geosystems and Technologies, 10, Plakhotnogo St., Novosibirsk, 630108, Russia, Associate Professor, Department of Engineering Geodesy and Mine Surveying, phone: (383)343-29-66, e-mail: [email protected]
Andrey M. Makarov
Siberian State University of Geosystems and Technologies, 10, Plakhotnogo St., Novosibirsk, 630108, Russia, Ph. D. Student, Department of Engineering Geodesy and Mine Surveying, phone: (923)117-46-91, e-mail: [email protected]
One of the tasks in the road industry is determination of geometry road parameters. Vectorization of breaklines is necessary for searching geometry road parameters. Mobile laser scanning data are dramatically capable to speed up and increase an accuracy of detecting such lines. Basic challenges of semi-automatic road breakline detection using mobile laser scanning data are analyzed.
Key words: breaklines, mobile laser scanning, road.
Для эффективного управления и планирования транспортной инфраструктурой требуется выполнять сбор пространственных данных. Процесс обработки пространственных данных, полученных традиционными способами, является весьма трудоемким и требует серьезных временных и финансовых затрат. Зна-
чительно ускорить процесс сбора таких данных позволяет мобильное лазерное сканирование (МЛС). Пространственные данные при этом представляются в виде массивов точек лазерных отражений (ТЛО). Данные МЛС в этой отрасли применяются для построения продольных и поперечных профилей, определения геометрических параметров дорог и объектов придорожной полосы, создания топографических планов и цифровых моделей поверхности дорожного полотна [1-6]. МЛС также является достоверным и надежным источником данных для контроля строительства новых дорог. МЛС способно выявить все дефекты дорожного полотна [7-9].
Структурные линии дороги задают базовую пространственную геометрию автомобильной дороги и являются первым и важнейшим элементом, который необходимо определять при создании ЭБ-модели дороги. Структурные линии дороги включают в себя осевые линии, кромки проезжей части, бровки, подошвы, границы откосов и насыпей. В настоящее время уже существует ряд алгоритмов и программных продуктов, позволяющих распознавать структурные линии и строить статистически сглаженные пространственные линии по облаку точек. Получаемые структурные линии являются важнейшим элементом модели дороги и используются напрямую современными САПР автомобильных дорог. Следует отметить, что автоматизированное распознавание структурных линий дороги относительно надежно работает только для новых дорог. В остальных случаях точно распознать ось дороги, полузасыпанную кромку, заросшую травой бровку и так далее довольно проблематично - в этом случае на помощь приходит ручная оцифровка структурных линий [10-17].
В работе исследуются вопросы векторизации характерных линий автомобильных дорог, построение цифровой модели поверхности дорожного полотна и модели рельефа придорожной полосы, возможности современных программных комплексов обработки данных МЛС по автоматическому определению характерных линий в массиве точек лазерных отражений, требования современных программных комплексов обработки данных МЛС, предъявляемые к качеству исходных данных.
В рамках исследования были выбраны и рассмотрены следующие программные комплексы (ПК) обработки данных МЛС:
- ШРКОСЕЗБ;
- УигШаЮпё УЯМевИ;
- ТеггаЗоНё.
ПК Rieg1 ШРЕОСЕББ не содержит функций автоматизированного определения характерных линий, но является базовым программным комплексом для системы МЛС Rieg1 УМХ-250 [18]. С помощью данной системы были получены данные для исследований, в качестве которых был выбран участок автомобильной дороги между поселками 8 марта и Верх-Тула в пригороде г. Новосибирска. Настоящий программный комплекс используется для первичной обработки данных МЛС - уравнивания массивов ТЛО, полученных с разных проездов. Уравнивание массивов ТЛО может быть осуществлено как в полностью
автоматическом, так и в ручном режиме с помощью координат опорных и контрольных точек. В процессе уравнивания выполняется перевод массива ТЛО в требуемую систему координат. Так же данный программный комплекс обладает довольно мощными и гибкими функциями фильтрации массива ТЛО, такими как «Off-Terrain Classifier» - определение класса «земли» с достаточно высокой точностью; «Isolated Points Classifier» - фильтрация изолированных, ошибочных, точек или «шумов»; «Terrain filter tool» - фильтрация, по довольно гибким настраиваемым параметрам, различных нежелательных объектов, таких как «тени» движущихся объектов (транспортные средства, люди), деревья, перемещаемые конструкции. Использование функций фильтрации массива ТЛО данного программного комплекса позволяет в значительной степени улучшить результаты последующего автоматизированного извлечения характерных линий в других, рассматриваемых в данной статье, программных комплексах.
VirtualGrid VRMesh - это программный продукт, основным преимуществом которого изначально было построение высокодетализированных поверхностей по данным лазерного сканирования. По мере своего развития программный продукт включил в себя множество различных инструментов, позволяющих решать большинство задач по обработке данных лазерного сканирования. В настоящее время VirtualGrid VRMesh поддерживает работу с большинством распространенных форматов данных лазерного сканирования, позволяет проводить регистрацию и уравнивание массивов ТЛО как в ручном, так и в автоматическом режимах, включает в себя мощные инструменты по автоматизированной фильтрации и классификации ТЛО (рис. 1). Начиная с версии 9.2, в программе появилась функция автоматической трассировки и векторизации характерных линии в массиве ТЛО, таких как границы бордюров, дорожная разметка, границы откосов, головки рельсов и т. д. [19].
Рис. 1. Векторизация бордюров и дорожной разметки в программном продукте УЯМеБИ:
а - автоматизированная векторизация характерных линий бордюра; б - автоматическая векторизация дорожной разметки
При всех своих преимуществах, программный продукт VRMesh также обладает некоторыми существенными недостатками, такими как закрытый исходный код, ограниченный набор параметров для выполнения той или иной процедуры, отсутствие редактора отчетов и отчетных форм [19].
ТеггаБоШ - это универсальный программный комплекс. Преимуществом данного ПК является богатый инструментарий, для большинства функций программы реализован обширный набор настроек. Инструментарий позволяет дорабатывать существующие и создавать свои собственные интегрированные макросы и программные модули, отчетные формы и отчеты.
Автоматизированная векторизация характерных линий была выполнена в среде ПК ТеггаБоНё. Основные этапы автоматизированной векторизации характерных линий участка автомобильной дороги между поселками 8 марта и Верх-Тула в пригороде г. Новосибирска подробно рассматривались в [20]. Целью данной статьи является подробный разбор проблем и особенностей векторизации, с которыми пришлось столкнуться в процессе обработки.
Практически на всех этапах была выявлена такая особенность, как повышенные требования, которые программный комплекс предъявляет к качеству уравнивания массивов ТЛО, фильтрации «ошибочных» ТЛО и различных «шумов». Так же конечный результат в большой степени зависит от качества классификации массива ТЛО, в особенности от качества классификации точек земли.
На этапе автоматического определения и векторизации линии выпуклости поперечного профиля автомобильной дороги, соответствующей изменению направления поперечного уклона (определению и векторизации точек перегиба по оси дороги), был выявлен ряд проблем, таких как наличие разрывов линии выпуклости поперечного профиля в местах, где изменение поперечного уклона слишком мало или четко не дифференцируется в результате структурных изменений или повреждений дорожного полотна (рис. 2, а, б).
На этапе автоматизированного определения дорожной разметки на основе значений интенсивности ТЛО была выявлена проблема наличия одинаковых значений интенсивности у ТЛО дорожной разметки и ТЛО некоторых близлежащих объектов. При наличии таких соседних ТЛО алгоритм векторизации может сработать некорректно, что приводит к искажению линии разметки. Наиболее часто это встречается в районе кромок дорожного полотна, особенно в условиях повышенной загрязненности разметки. Также имеет место быть проблема разрывов или отсутствия линии разметки на непрямолинейных участках автомобильной дороги (рис. Э, а, б).
-------ГНЦ
б
Рис. 2. Разрыв в векторизированной линии выпуклости поперечного профиля дороги:
а - вид сверху; б - поперечный профиль
а б
Рис. 3. Массив ТЛО запыленного участка дорожного полотна, представление по интенсивности:
а - с линией разметки; б - без линии разметки
Из-за недостаточного числа ТЛО, описывающих откосы (вследствие присутствия зон, не попавших в поле зрения лазерных сканеров системы МЛС), неверной приблизительной векторизации линий откосов и неточного задания значений допуска на смещение этих линий при автоматической коррекции положения характерных линий откосов могут возникать ошибки в идентификации бровки и подошвы. На рис. 4 красным цветом обозначены линии бровки и подошвы, полученные при автоматической коррекции положения, бирюзовым цветом - линии бровки и подошвы, полученные в результате приблизительной векторизации.
б
Рис. 4. Результат ошибки при автоматической коррекции положения
характерных линий откоса:
а - вид сверху; б - поперечный профиль
При использовании метода построения ЦМР путем создания регулярной сетки ТЛО с заданным шагом и объединения таких ТЛО с ключевыми ТЛО рельефа удалось избежать грубых ошибок построения характерных линий откосов, но даже при данной методике посторенние характерных линий откосов может быть неточным и в значительной степени зависит от качества исходных данных и построенной на их основе ЦМР (рис. 5, а, б).
б
Рис. 5. Регулярная сетка ТЛО (шаг 20 см) со структурными линиями:
а - изометрическая проекция; б - вид сверху
Таким образом, после подробного анализа результатов автоматизированной векторизации характерных линий участка автомобильной дороги были сделаны следующие выводы и предложены пути решения выявленных проблем:
- ни один из рассмотренных программных комплексов на данный момент не способен обеспечить достаточную степень автоматизации извлечения характерных линий автомобильных дорог из массива ТЛО. Предпочтение было отдано программному комплексу TerraSolid, так как в отличие от остальных он поддерживает возможность создания пользовательских инструментов и процедур на С-подобном языке программирования MDL (MicroStation Development Language), разработка которых может существенно повысить степень автоматизации извлечения характерных линий, а также повысить качество конечных данных;
- точность автоматизированного извлечения характерных линий автомобильных дорог значительно зависит от качества исходных данных, а именно от точности уравнивания массивов ТЛО, результатов выполненной фильтрации «ошибочных» ТЛО, наличия различных «шумов», точности классификации массива ТЛО. Заметного улучшения качества конечных данных можно добиться путем подбора оптимальных параметров фильтрации и классификации массивов ТЛО, использования специализированных инструментов ПО, поставляемого с системой МЛС (в данном случае ПО RiPROCESS, системы Riegl VMX-250), применения инструментов интерактивного редактирования массива ТЛО и полученных на его основе цифровых моделей, то есть необходимо выполнить максимально корректную фильтрацию и классификацию массива ТЛО перед этапом автоматизированного извлечения характерных линий.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Шануров Г. А., Половнев О. В., Манилова А. Д. Способ обработки результатов топографической съемки, выполненной с использованием мобильного сканирующего комплекса // Изв. вузов. Геодезия и аэрофотосъемка. - 2016. - № 3. -С. 42-47.
2. Манилова А. Д. Геодезическое обеспечение топографической съемки, выполняемой с использованием мобильного сканирующего комплекса // Изв. вузов. Геодезия и аэрофотосъемка. - 2017. - №3. - С. 54-57.
3. Середович В. А., Алтынцев М. А. Применение данных мобильного лазерного сканирования для создания топографических планов // Интерэкспо ГЕО-Сибирь-2013. 1Х Между -нар. науч. конгр. : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия» : сб. материалов в 3 т. (Новосибирск, 15-26 апреля 2013 г.). - Новосибирск : СГГА,
2013. Т. 3. - С. 96-100.
4. Деговцев А. А. Технология мобильного лазерного сканирования для выполнения проектно-изыскательских работ // Интерэкспо ГЕО-Сибирь-2012. VIII Междунар. науч. конгр. : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия» : сб. материалов в 3 т. (Новосибирск, 10-20 апреля 2012 г.). - Новосибирск : СГГА, 2012. Т. 3. - С. 140-144.
5. Середович В. А., Востров И. В. Обзор современных программных продуктов для создания и использования трехмерных моделей для проектирования автомобильных дорог // Интерэкспо ГЕО-Сибирь-2012. VIII Междунар. науч. конгр. : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия» : сб. материалов в 3 т. (Новосибирск, 10-20 апреля 2012 г.). - Новосибирск : СГГА, 2012. Т. 3. - С. 115-120.
6. Ковач Н. С., Клименок И. В. Возможности применения мобильного лазерного сканирования для мониторинга дорог и сопутствующей инфраструктуры на основе опыта произведенных работ на участках Октябрьской, Рязанской, Смоленской и Брянской железных дорог // Интерэкспо ГЕО-Сибирь-2012. VIII Междунар. науч. конгр. : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия» : сб. материалов в 3 т. (Новосибирск, 10-20 апреля 2012 г.). - Новосибирск : СГГА, 2012. Т. 3. - С. 92-97.
7. Середович В. А., Попов Р. А., Алтынцев М. А. Выявление изменений в инфраструктуре города по данным мобильного лазерного сканирования // Интерэкспо ГЕО-Сибирь-
2014. Х Междунар. науч. конгр. : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия» : сб. материалов в 2 т. (Новосибирск, 8-18 апреля 2014 г.). - Новосибирск : СГГА, 2014. Т. 2. - С. 156-160.
8. Середович В.А., Алтынцев М.А., Попов Р.А. Выбор методики уравнивания данных мобильного лазерного сканирования в зависимости от качества полученных данных и снимаемой // Интерэкспо ГЕО-Сибирь-2014. Х Междунар. науч. конгр. : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия» : сб. материалов в 2 т. (Новосибирск, 8-18 апреля 2014 г.). - Новосибирск : СГГА, 2014. Т. 2. - С. 142-149.
9. Середович В. А., Алтынцев М.А., Анцифиров Е.С. Исследование точности уравнивания данных мобильного лазерного сканирования // Интерэкспо ГЕО-Сибирь-2013. К Междунар. науч. конгр. : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия» : сб. материалов в 3 т. (Новосибирск, 15-26 апреля 2013 г.). - Новосибирск : СГГА, 2013. Т. 3. - С. 90-95.
10. Сарычев Д.С. Обработка данных лазерного сканирования // САПР и ГИС автомобильных дорог. - №1(2), 2014. - С. 16-19.
11. Yang, B, Liu, Y., Dong, Z., Liang, F., Li, B., Peng, X. (2017). 3d local feature bkd to extract road information from mobile laser scanning point clouds," ISPRS Journal of Photogramme-try and Remote Sensing, vol. 130, 329-343.
12. Yang, B., Liu, Y., Liang, F., Dong, Z. (2016) Using mobile laser scanning data for features extraction of high accuracy driving maps, Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLI-B3, 433-439, https://doi.org/10.5194/isprs-archives-XLI-B3-433-2016.
13. Zai, D., Guo, Y., Li, J., Luo, H. , Lin, Y., Sun, Y., et al. (2016). 3d road surface extraction from mobile laser scanning point clouds, in Geoscience and Remote Sensing Symposium (IGARSS), 2016 IEEE International. IEEE, 1595-1598.
14. Liu, J., Xiao, Z., Chen, Y., Huang, P, Wu, R., Li, J. (2017). Automated extraction of urban roadside trees from mobile laser scanning point clouds based on a voxel growing method. IGARSS 2017, Fort Worth, Taxes, USA, 23-28 July, 1832-1835.
15. Wang, J., Lindenbergh, R., Menenti, M. (2017). 3d feature matching algorithm for automatic street object recognition in mobile laser scanning point clouds. ISPRS Journal of Photo-grammetry and Remote Sensing, vol. 128, 111-129.
16. Zai, D., Chen, Y., Li, J., Yu, Y., Wang, C., Nie, H. (2015). Inventory of 3d street lighting poles using mobile laser scanning point clouds. Geoscience and Remote Sensing Symposium (IGARSS), 2015 IEEE International. IEEE, 573-576.
17. Nurunnabi, A., West, G., Belton, D. (2015). Outlier detection and robust normal-curvature estimation in mobile laser scanning 3d point cloud data. Pattern Recognition, vol. 48, no. 4, 1404-1419.
18. Высокоточная съемка архитектурных памятников Венеции лазерной системой Riegl VMX-250 / Штудницка Н., Зах Г., Амон Ф., Пфеннигбауэр М. // Вестник СГГА. -
2015. - Вып. 2 (15). - С. 16-29.
19. Сайт компании «VRMesh». - [Электронный ресурс]. - Режим доступа: http://www.vrmesh.com.
20. Алтынцев М. А. Автоматизированное определение характерных линий автомобильных дорог по данным мобильного лазерного сканирования // Интерэкспо ГЕО-Сибирь-
2016. XII Междунар. науч. конгр. : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия» : сб. материалов в 2 т. (Новосибирск, 18-22 апреля 2016 г.). - Новосибирск : СГУГиТ, 2016. Т. 2. - C. 109-117.
© М. А. Алтынцев, А. М. Макаров, 2018
