0 引言
随着社会经济的迅速发展，土地资源的稀缺性日益凸显，土地价值亦不断攀升，部分地区出现了非法占用普通干线公路沿线耕地、林地等土地以建设违法建筑的现象。违法建筑的存在一方面影响普通干线公路的通视条件，对行车安全构成潜在威胁，另一方面也导致公路街道化、公路市场化，严重制约普通干线公路的通行效率。传统模式下，普通干线公路违法建筑排查通常采用人工方法，例如由管理部门检测小组组织专门的技术人员对所有路段进行定期定点的检测[1-2]。但是该方法存在耗时长、人员需求大、排查结果准确度有限等缺点[3]，无法适应全省道路大范围的排查需求。因此，研究高效、准确的公路违建自动化排查方法对于提高违建治理效率和水平、维护道路安全具有重要意义。
实现路侧违建自动化排查的重要前提是道路信息的采集，其采集精度直接决定了自动化排查的准确性。遥感技术[4-5]、全景影像[6]等常用于道路信息提取，但都有其局限性。遥感技术能获取丰富的道路图像信息，但提取效果易受树木等遮挡物的影响，且运算速度较慢、成本相对较高[7]，难以满足路域环境复杂、遮挡现象普遍的普通干线公路路侧违建识别需求；全景影像采用间断性定点拍摄模式，所获取的数据具有非连续的特点，且无法直接获得具体的位置信息[8]，给违法建筑物的排查和后续治理工作带来了不便。随着移动车载激光扫描系统的发展和广泛应用，高精度、大范围的道路信息快速自动化采集和道路环境的精细化三维重建已成为可能。相较于遥感技术和全景影像，移动车载激光扫描系统可实现高速移动状态下物体表面三维点云的高精度采集。该系统通过分析点云地物的三维特征信息，可有效排查违法建筑物、上跨管线等，且能通过算法补全遮挡物造成的缺失和非连续点云。目前，激光扫描三维数据的采集方法已在道路几何信息自动化提取、道路交叉口识别等领域得到广泛研究和应用[9⇓-11]，但在违建排查领域的应用仍不足，尚待深入研究。
本文将首先明确普通干线违法建筑自动化排查思路，通过特征融合及贝叶斯参数调优对道路边缘提取算法进行优化；然后，针对违法建筑物点云的提取和识别问题，提出基于网格自适应密度聚类算法（Grid based adaptive DBSCAN, GB-ADBSCAN）的点云聚类技术和基于改进PointNet++模型的违建目标分割技术，以期实现普通干线公路违法建筑的精准、高效排查。
1 基于车载激光点云的普通干线公路违法建筑自动化排查思路
基于车载激光扫描获取的普通干线公路点云数据，是对公路沿线的建筑、树木、电线杆等路侧设施以及路面本身的三维数字化表达[14]。由于点云数据具备空间坐标信息，因此能根据公路建筑控制区相关法规与标准，从海量点云数据中提取公路控制用地范围内的待排查路段有效点云。此外，鉴于点云数据的生成过程受其所属物体的空间结构、表面材质以及测量距离等多种因素的综合影响，导致不同物体的点云数据具有不同的点密度、空间分布和形态特性。因此，本研究借助空间配准、语义分割、目标识别等技术，对点云数据进行深度处理与分析，以获取点云数据所属路段的空间位置，点云所属地物的类型、大小、面积、高度等几何特征以及空间拓扑信息等，为路侧违法建筑的识别提供充分的数据基础。
1.1 普通干线公路违法建筑自动化排查标准
违建设施识别标准的确定是实现违建设施自动化排查的基础，在违建设施识别标准的设定上，虽然不同地区采用不同标准所划定的建筑控制区的范围可能不同，但是其所规定的各种类别的公路建筑控制区范围均不应少于法定标准。因此，本文根据《公路安全保护条例》第十一条中规定的数值划定公路建筑控制区：在公路两侧修建永久性工程设施，其建筑物边缘与公路边沟外缘的间距为：国道不少于20 m，省道不少于15 m，县道不少于10 m，乡道不少于5 m。
1.2 普通干线公路违法建筑自动化排查流程
在确定排查标准后，基于激光点云的普通干线公路违法建筑自动化排查流程为：在准确提取道路边缘线的基础上，根据点云与道路边缘线的距离判断点云是否处于公路建筑控制区内，并据此提取处于控制区内的有效点云；对提取到的有效点云进行滤波处理，并通过聚类分析整合为整体有效点云；在此基础上，进一步将整体点云分割为独立待识别的地物点云，并根据地物点云特征识别违建类型，总体流程如图1所示。
1）道路边缘线提取
道路边缘线精确提取是普通干线公路违法建筑判定的关键前提，本文基于车载激光点云扫描数据，采用特征融合的思路构建了混合道路边缘提取算法，该算法基于二维图像特征和三维空间特征对道路边缘线进行识别，并引入贝叶斯优化方法对参数进行优化，以提高识别精度和鲁棒性。
2）违建物整体点云聚类
在道路边缘线提取的基础上，通过计算建筑物/构筑物点云与道路边缘线的相对距离，提取处于公路及公路建筑控制区范围内的激光点云，并通过滤波进行去噪以提高点云数据的纯净度；采用GB-ADBSCAN方法进行点云聚类，实现整体点云待识别物的粗提取。
3）违建单体点云分割识别
通过调整特征数量、引入并行对称函数对PointNet++深度网络进行改进。基于改进的PointNet++网络，训练违法建筑点云分割模型，以实现对聚类后的非地面点云进行分割和类别判断，输出独立待识别点云组和违建类型。
2 基于特征融合的混合道路边缘提取算法
从车载扫描仪提取到的原始点云数据中进行道路边缘线提取，其是实现建筑物与道路边界相对距离计算以及违法建筑判别的基础。考虑到普通干线公路具有里程长、范围广、路况复杂、沿线地形复杂等特点，算法需在保证精度的前提下尽可能提高运行效率，以适应大规模排查的实际应用需求。
2.1 基于特征图像和空间特征融合的道路边缘提取算法
基于激光点云的道路边缘提取算法主要可分为3类：基于扫描线的道路边缘提取算法[15-16]、基于特征图像的道路边缘提取算法[17-18]和基于空间特征的道路边缘提取算法[19-20]。基于扫描线的道路边缘提取算法根据扫描系统在不同扫描线上存在的扫描时间间隔和空间高程差异，将无序点云以扫描线为依据重新组织划分为有序点云数据，从而进行道路边缘线提取。该方法存在计算复杂度高、对光照变化敏感、不适用于复杂场景等缺陷，难以应用于环境复杂条件下的路侧违建排查。基于特征图像的道路边缘提取算法则是将三维点云转换为二维特征图像，实现基于语义知识的道路边缘线提取。这种方法对阈值依赖低，具有广泛的适用性，对于道路细节特别是路段弯道的提取效果好，但是容易出现细节提取过度的问题，导致数据平滑性差且易受噪声影响。基于空间特征的道路边缘提取算法主要聚焦于点云数据的三维特性，通过分析从点云中提取的道路属性特征或数理统计属性（法向量、曲率、法线变化率等），实现对道路边缘线的提取。然而，基于空间特征的算法对细节提取方面的缺失及对噪声的敏感性容易造成线形不完善，使得提取出的边缘线在实际应用中存在缺陷。
由于基于特征图像和基于空间特征的算法在针对的特征维度和提取效果上存在互补，本文基于特征融合的思路，结合二者的特点构建一种混合道路边缘提取算法。特征融合后的算法能基于多种维度特征进行综合判断，避免单一维度噪声和阈值选择的不利影响，从而有效提高道路边缘线的提取精度。混合道路边缘提取算法分为基于二维特征图像模块和基于三维空间特征模块，前者保证细节信息提取的完整性，后者剔除提取的冗余细节并确保整体线形的准确性，最终的提取结果为两个模块对于候选点处理的交集。
基于特征融合的混合道路边缘提取算法的整体流程如图2所示。
1）基于二维特征图像模块
该模块将点云数据投影为二维特征图像，并通过图像处理算法实现基于语义知识的道路区域或道路边缘提取，力求完整地提取道路边缘的细节信息，主要步骤如下。
二维特征图像投影：将点云投影到XOY平面，形成二维点云强度图。应用高斯滤波对图像去噪并对滤波后的强度图像使用Sobel算子进行像素梯度计算。
消除边误检：基于计算得到的像素梯度，使用非最大抑制技术消除边误检，仅保留候选边缘点，从而减少边缘响应图中的冗余信息，获得更清晰和准确的边缘。
道路边缘识别：采用Canny图像识别算法对道路边缘进行识别。Canny算法采用双阈值技术，即设定一个像素上限梯度阈值和像素下限梯度阈值，若图像中的像素点大于像素上限梯度阈值，则认为必然是边缘；若小于像素下限梯度阈值，则认为必然不是边缘；若介于两者之间，则作为候选项，需进行进一步处理：若与确定为边缘的像素点相邻，则判定为边缘，否则为非边缘。
2）基于三维空间特征模块
该模块的主要目标是在保留道路边缘信息的基础上剔除基于二维特征图像模块的冗余信息。本文以法向量作为典型的空间几何特征进行道路边缘提取，核心步骤包括空间邻域构建以及法向量信息提取。
空间邻域构建：在三维点云计算中，为了计算法向量，需进行邻域构建。KD-Tree（K-Dimensional Tree）是一种用于高效组织和搜索k维数据的数据结构[21]，常被用于点云领域中的邻域搜索、最近邻搜索等任务。本文采用KD-Tree建立点云拓扑关系，用最小二乘法将k个邻域点拟合为一个平面，进而估计整个点云数据的表面法线，得到包括点云坐标信息和法线信息的一种新的格式点云数据。
法向量信息提取：在邻域构建的基础上，法向量信息的计算和判断是道路边缘信息提取的核心。道路边缘的法向量与相邻点间一般存在较大夹角，可以作为后续边缘特征判断的依据。在KD-Tree的拓扑结构中，计算k个邻域内的各法线与该点法线的夹角以及标准偏差。标准偏差越大表征周围邻域法线与该点法线偏差程度越大，当其大于法向量阈值则说明该点法线变化较为明显，其所处区域为尖锐区域，即将该点识别为边缘点。
2.2 贝叶斯参数选择优化
混合提取算法中的两个模块分别依据不同特征值进行判断提取，其提取效果依赖于参数的合理性。因此，需对包括像素梯度阈值、邻域半径和法向量阈值在内的参数进行优化。考虑到模型的优化成本和效率的需求及目标函数的非凸特性，贝叶斯优化方法凭借其在较少迭代次数内即可寻得较优解的优势，被引入用于参数优化。该方法利用前序试算结果指导下一轮参数选取[22]，即使随机选择的初始点效果不佳，在后期也能通过采集函数来平衡宽度搜索和深度搜索找到最优参数。
选择高斯过程作为代理模型、预期改进函数作为采集函数。利用贝叶斯优化方法对参数组合进行迭代优化。优化后的主要参数组合表示如下：
式（1）中： 为第t次迭代的参数组合； 为邻域半径； 为像素梯度阈值； 为法向量阈值。
最终得到最优组合为 ，具体优化步骤如下。
步骤1：输入点云数据集x{1∶n}，参数F组合的观测 ，迭代总次数为T。
步骤2：遍历t，基于输入参数 和边缘点提取算法模型计算第t次迭代的提取精度损失 ；经过高斯过程，通过预期改进函数确定下一采样点：
式（2）中： 为第t+1次迭代的参数组合； 为预期改进函数；F为参数组合的观测值；h为待优化的参数组合。
基于新的参数 重新构建提取算法模型并计算新参数下的精度损失 ；将 , 作为新的输入更新高斯过程，进行下一次迭代。
步骤3：经过设定迭代次数T后停止迭代，输出所有迭代过程的结果{h1∶T, m1∶T }。
步骤4：精度最高时提取精度损失mk={m1∶T }，此时最优参数为 。
3 普通干线公路违法建筑点云识别技术
本文采用基于GB-ADBSCAN的点云聚类技术和基于改进PointNet++的点云分割技术进行普通干线公路违建整体点云聚类和违建单体点云分割识别。
3.1 基于GB-ADBSCAN的点云聚类
鉴于路侧设施、草木等地物存在一定的堆叠、排列、局部遮挡等复杂的空间关系，且违建排查点云数据体量庞大，经滤波处理后的点云数据依然存在分割速度慢、分割精度低等问题。通过聚类算法将相似的数据点标记为同一类别，能初步提取待识别的路侧地物点云，为点云数据的快速、准确分割奠定数据基础。常用的聚类算法包括K均值算法、层次聚类算法、密度聚类算法（DBSCAN）、谱聚类算法等，其中DBSCAN[23]以各点的密度可达性作为依据，对任意大小和形状的簇进行划分，且无需提前设置簇的个数，尤其适用于含有噪声、空间密度分布不均的不规则点云聚类，对普通干线公路激光点云数据有一定适应性[24]。然而，DBSCAN算法也存在运算量大、难以发现密度相差较大的簇等局限性[25]。
基于此，本文提出GB-ADBSCAN算法，该算法通过将点云数据集映射至网格空间，根据网格局部密度自适应地选择DBSCAN聚类参数，实现整体点云待识别物的粗分割。具体步骤如下。
步骤1：网格划分与映射。确定点云数据集合 在车辆行进方向、垂直方向、高度方向的三维空间范围，以各维度的固定间距进行等距划分形成网格空间；根据点的三维空间信息，将X的每个元素依次映射至网格空间内， 在第 维的网格索引值 计算公式如下：
式（3）中： 为 在第 维的特征数据； 为第 维的网格间距。
步骤2：参数自适应调整。首先，采用高斯核密度估计方法计算每个网格的密度；其次，根据3个维度的密度分布情形，将网格划分为j个局部密度较低的子区域；然后，根据子区域的长度和位置，自适应调整第j个子区域的邻域搜索半径 和搜索邻域内包含的最小对象数 。
步骤3：点云数据聚类。自每个子区域的最大密度网格起，依次采用DBSCAN进行聚类分析，将具有足够高密度的区域划分为簇，通过添加标签实现点云待识别物体的聚类。
3.2 基于改进PointNet++的点云分割
点云分割是违建提取的重要步骤，其目的是将聚类后的违法建筑整体点云按照一定的规则分割为多个独立的点云组，使得每个点云组作为一个待识别物，进而结合知识库判断该点云的识别结果。PointNet[26]是一个开创性的深度学习框架，其通过空间变换网络和卷积层的最大池化层解决点的旋转问题和无序性问题，实现以原始点云作为输入方式的分割处理[27]。相较于基于体素化、多视图、投影的深度网络分割方法，该方法能最大限度地保留点云的空间特征[28]。但是，PointNet难以捕捉由度量空间引起的局部结构信息，在对局部特征的提取上存在欠缺[29]。基于此，Qi等[30]通过提出密度适应的网络结构PointNet++解决了上述问题，但该分割模型的待分割目标尺寸较小，易受特征极值干扰，多适用于室内场景。
因此，在PointNet++原有框架上，本文通过调整特征数量、引入并行对称函数等以改进PointNet++模型，实现对普通干线公路违建对象的特征提取与分割，技术流程图如图3所示。具体步骤如下。
步骤1：点云映射变换。针对点云数据的几何变换性特征，构建输入变换网络T-Net，对输入的点云数据进行仿射变换，实现点云数据的旋转、平移。
步骤2：点特征提取对齐。通过两层结构的多层感知机（Multilayer Perceptron, MLP），其每层网络的维度为64×64，对映射变换后的点进行信息学习和特征提取，借助特征变换网络T-Net，实现对MLP特征提取后的特征矩阵进行点特征空间的对齐。
步骤3：全局特征提取。在利用最大池化函数（MaxPooling）的基础上，在池化阶段引入平均池化函数，降低全局特征极值对模型精度的影响，从而提取出更具鲁棒性的点云全局特征 。
步骤4：点云地物分类。将全局特征和局部特征进行拼接，得到拼接特征 ，利用全连接层对拼接特征进行降维，以实现逐点分类输出，从而实现违规建筑目标的点云分割。
4 实例验证与结果分析
本文选取河南省国道G207的激光点云数据进行违建自动化排查效果验证，点云数据通过车载激光扫描系统沿公路双向扫描获得。所选路段，总里程约11 000 km，作为沿村镇的路段，其内部存在种类较多的违法建筑待排查对象。验证路段的点云数据示意图如图4所示。
4.1 道路边缘提取结果
参数优化前后的道路边缘线提取效果对比如图6所示。
由图6可知，经贝叶斯优化的二维特征图像模块的提取结果在路缘的提取细节上更精简，对于冗余细节信息和部分噪声数据的剔除更彻底；三维空间特征模块的法向量阈值取值降低，邻域半径取值的改变使得边缘信息更容易被提取。本文提出的混合道路边缘提取算法均衡了两类特征模块的优点，使得提取结果在完整性、连续性、准确度上都有一定改善。
将本文提出的优化算法提取的边缘线结果与基于扫描线、基于特征图像、基于空间特征的3种常用方法结果进行对比，结果如图7所示。根据实际应用需求，将提取线段上距离标准边缘线距离小于0.2 m的部分视为正确提取长度，即TP；反之为错误提取长度，即FP；FN表示未能成功提取的部分。
此外，选择提取效率、完整度和精度作为衡量4种算法性能的评价指标，其定义和计算方法如下。
1）提取效率（Ef）
提取效率即算法执行或者程序运行算法需要的时间（单位：s），是衡量算法性能的关键指标之一。
2）完整度（R）
完整度表示检测结果中被正确检测的正例数量占所有实际正例的比例，旨在衡量算法是否能捕捉到真实边缘的全部信息。完整度作为一种全面性指标，其能有效评估数据完整性的表现。
3）精度（P）
精度表示检测结果中正确识别的对象数量占所有被检测到的数据样本的比例，能衡量检测结果中的误报情况。在完整度达到既定要求的前提下，精度是反映算法提取效果的最重要指标之一。
计算4种算法的各项评价指标，结果如表2所示。
表2 4种算法的评价指标结果 |
| 评价 指标 | 基于扫描线的算法 | 基于特征图像的算法 | 基于空间特征的算法 | 混合道路边缘提取算法 |
|---|---|---|---|---|
| TP | 186.18 | 145.45 | 152.46 | 230.78 |
| FP | 54.71 | 64.56 | 80.19 | 3.15 |
| FN | 1.77 | 22.68 | 0 | 8.72 |
| 提取效率（Ef） | 196.7 | 92.7 | 53.5 | 104.3 |
| 完整度（R） | 0.991 | 0.865 | 1.000 | 0.964 |
| 精度（P） | 0.773 | 0.693 | 0.655 | 0.987 |
由表2可看出，由于计算的复杂性，基于扫描线的算法虽然提取结果与实际路缘接近，但在效率方面存在明显的缺点，在运行时间上的执行约是其他方法的2倍以上；基于特征图像的算法受到道路一侧噪声的严重影响，检测精度低于70%，完整性损失超过10%；基于空间特征的算法虽然运行时间最短，完整度最高，但其精度低于70%，提取出的道路边缘线与实际道路边缘偏离严重。
本文所提出的混合道路边缘提取算法精度为98.7%，显著优于上述3种常用算法，提取的道路边缘线与实际道路边缘吻合，完整度也与其他3种方法接近。提取效率上，优化后的算法由于结合了两种算法的特征，相比于基于特征图像和基于空间特征的算法在时间上略有延长，但仍明显快于基于扫描线的算法。综上所述，优化后的算法在兼顾提取效率的基础上，显著提升了提取精度，对大规模的违建排查具有更好的适应性。
4.2 违法建筑点云识别结果
在道路边缘线提取的基础上，对处于普通干线公路建筑控制区内的违建点云进行分割，并识别出排查范围内违法建筑2 092处，其中路侧违建2 056处，违章上跨管线36处，在整体道路边缘线中分布密度约为0.7处/km。各类违建的排查数量见表3。
表3 违法建筑排查结果 |
| 违建类型 | 地物类型 | 排查数量 |
|---|---|---|
| 路侧违建 | 自建房 | 437 |
| 厂房 | 85 | |
| 围挡 | 1 052 | |
| 广告牌 | 262 | |
| 窝棚 | 108 | |
| 其他 | 112 | |
| 非路侧违建 | 违法上跨管线 | 较大 |
表4 实例路段违法建筑识别结果 |
| 图像识别结果 | 违建类别 | 情况说明 | 识别准确率 | 图片数量/张 |
|---|---|---|---|---|
| 检测出 含有违建 | 自建房 | 识别为违建，且违建类型识别正确 | 97% | 538 |
| 厂房 | 识别为违建，且违建类型识别正确 | 76% | 77 | |
| 围挡 | 识别为违建，且违建类型识别正确 | 62% | 190 | |
| 广告牌 | 识别为违建，且违建类型识别正确 | 50% | 148 | |
| 窝棚 | 识别为违建，且违建类型识别正确 | 81% | 98 | |
| 其他 | 识别为违建，且违建类型识别正确 | 91% | 143 | |
| 上跨管线 | 识别为违建，且违建类型识别正确 | 92% | 202 | |
| 检测出 不含违建 | 无违建 | 图中有路侧树木遮挡 | — | 191 |
| 无违建 | 图中有大型车辆遮挡 | — | 113 | |
| 无违建 | 其他 | — | 34 |
5 结论
为加强对公路违法建筑的治理，提高排查效率和准确性，本文对基于车载激光点云的普通干线公路违法建筑自动化排查方法进行研究，提出基于特征融合的混合道路边缘提取算法、基于GB-ADBSCAN的点云聚类方法和基于改进PointNet++的点云分割技术，并通过河南省国道G207的车载激光点云数据对所提出方法的有效性进行了验证。主要研究结论如下。
1）基于特征融合的混合道路边缘提取算法对道路边缘线进行识别，能有效实现特征因素与空间特征两种方法的优点互补，使得提取的边缘线更准确和完整；利用贝叶斯方法对像素梯度阈值、邻域半径和法向量阈值进行优化对于进一步提高识别精度有重要作用。
2）基于网格划分的局部参数自适应调整使得GB-ADBSCAN弥补了DBSCAN聚类参数难以调整、处理速度较慢的缺点并实现了聚类结果的优化；改进PointNet++分割方法能克服PointNet和PointNet++在局部特征提取和适用范围等方面的局限性，有效提升违建物点云分割的效率和易操作性。
3）经河南省国道G207的激光点云数据验证，本文所提出的混合道路边缘提取算法精度达到98.7%，显著优于其他3种常用算法；基于激光点云的实例路段违建物识别的整体准确率达87%，可满足路侧违建大规模自动化排查的实际工程应用需求。
综上，本研究提出的基于车载激光点云的违建自动化排查方法能实现快速、精确的违法建筑识别，可为违建排查工作的智能化、自动化升级提供技术支撑。然而，本文在对道路边缘提取算法进行构建与优化时，对于其他的特征组合方法并未具体研究，如二维特征图像与曲率、高程等特征融合。后续研究中，可进一步探索不同特征的融合及其对于提取结果的影响，以提升道路边缘提取精度。
