道路网络提取系统

基于激光雷达（LiDAR）扫描数据，自动提取道路网络拓扑结构，包括墙体检测、道路中心线生成和路口识别。

项目概述

本项目实现了从激光雷达点云数据到道路网络拓扑的完整处理流程：

1. 墙体检测：使用 RDP 算法和参数空间 DBSCAN 聚类从点云中提取墙体线段
2. 道路中心线生成：基于左右墙体配对生成道路中心线
3. 路口识别：通过墙体延长线交点法检测路口区域

项目结构

test_online_road/
├── generate_road_line_scan_mode_RDP_DBSCAN.py  # 墙体检测脚本
├── generate_road_centerline.py                  # 道路中心线生成脚本
├── README.md                                    # 本文件
└── extracted_lidar_data_code/                   # 数据目录
    ├── extracted_lidar_data/
    │   ├── laserscan_json/                     # 输入：激光雷达 JSON 数据
    │   └── RDP_DBSCAN_scan/                    # 输出：墙体检测可视化结果
    ├── wall/                                    # 输出：墙体数据 JSON
    ├── wall_batch/                              # 批量处理的墙体数据
    └── road_network/                            # 输出：道路网络数据（中心线+路口）

功能模块

1. 墙体检测 (generate_road_line_scan_mode_RDP_DBSCAN.py)

从激光雷达扫描数据中提取墙体线段。

处理流程

1. 数据加载与预处理

   • 支持 LaserScan JSON 格式和 NPY 点云格式
   • 量程过滤、Z 高度过滤、XY 空间过滤

2. 点云分段

   • Jump-distance 分段：基于扫描顺序的跳变检测
   • RDP 几何简化：使用 Ramer-Douglas-Peucker 算法简化折线

3. 线段拟合

   • PCA 直线拟合
   • RMSE 和长度过滤

4. 墙体聚类与合并

   • 参数空间 DBSCAN：在 (θ, ρ) 空间对线段聚类
   • 1D 区间合并：沿墙体方向合并相邻线段，容忍小间隙

主要参数

# 输入输出
INPUT_PATH = "extracted_lidar_data_code/extracted_lidar_data/laserscan_json/laserscan_000135.json"
OUT_DIR = "extracted_lidar_data_code/extracted_lidar_data/RDP_DBSCAN_scan"
WALL_OUT_DIR = "extracted_lidar_data_code/wall"

# 数据过滤
MAX_RANGE = 50.0        # 最大量程（米）
X_LIMIT = 10.0          # X 方向范围（米）
Y_LIMIT = 5.0           # Y 方向范围（米）

# RDP 算法
RDP_EPSILON = 0.05      # 最大允许偏差（米）

# 墙体聚类
PARAM_DBSCAN_EPS = 0.3  # 聚类半径
GAP_THRESH = 2         # 允许的间隙（米）
MIN_WALL_LENGTH = 0.8   # 最短墙体长度（米）

输出

• 可视化图像：6 子图展示处理流程（原始点云 → 分段 → 聚类 → 最终墙体）
• 墙体 JSON：包含墙体端点、方向、长度、RMSE 等信息

2. 道路中心线生成 (generate_road_centerline.py)

基于墙体数据生成道路中心线并识别路口。

处理流程

1. 墙体配对

   • 平行判定（角度阈值）
   • 距离检查（道路宽度范围）
   • 投影重叠度检查

2. 中心线生成

   • 计算配对墙体的重叠区间
   • 生成中心线起点和终点
   • 计算道路宽度

3. 路口识别

   • 墙体延长线交点法：适用于扫描数据
   • 检测模式：
     • 模式1：1 横墙（对面）+ 2 竖墙（左右）→ T 字路口
     • 模式2：1 竖墙（对面）+ 2 横墙（上下）→ T 字路口
   • 构建路口多边形

主要参数

# 输入输出
WALL_JSON_PATH = "extracted_lidar_data_code/wall/laserscan_000135_walls.json"
OUT_DIR = "extracted_lidar_data_code/road_network"

# 道路配对
MAX_ROAD_WIDTH = 3.0        # 最大道路宽度（米）
MIN_ROAD_WIDTH = 0.8        # 最小道路宽度（米）
PARALLEL_ANGLE_THRESH = 10  # 平行角度阈值（度）
MIN_OVERLAP_RATIO = 0.3     # 最小重叠比例

# 路口识别
WALL_ANGLE_TOLERANCE = 15       # 墙体方向分类容差（度）
MAX_INTERSECTION_WALL_DISTANCE = 6.0  # 组成路口的两墙最大距离（米）
MAX_INTERSECTION_SIZE = 8.0     # 路口多边形最大尺寸（米）

输出

• 可视化图像：展示墙体、中心线和路口
• 道路网络 JSON：包含中心线和路口数据

使用方法

环境要求

pip install numpy matplotlib scikit-learn

步骤 1：墙体检测

python generate_road_line_scan_mode_RDP_DBSCAN.py

修改输入文件：编辑脚本中的 INPUT_PATH 变量，指向你的激光雷达 JSON 文件。

输出：

• extracted_lidar_data_code/extracted_lidar_data/RDP_DBSCAN_scan/ - 可视化结果
• extracted_lidar_data_code/wall/ - 墙体数据 JSON

步骤 2：生成道路中心线

python generate_road_centerline.py

修改输入文件：编辑脚本中的 WALL_JSON_PATH 变量，指向步骤 1 生成的墙体 JSON 文件。

输出：

• extracted_lidar_data_code/road_network/ - 道路网络数据（JSON + 可视化）

数据格式

输入：LaserScan JSON

{
  "laserscan": {
    "angle_min": -3.14159,
    "angle_max": 3.14159,
    "angle_increment": 0.0175,
    "ranges": [1.2, 1.3, ...]
  }
}

输出：墙体 JSON

{
  "walls": [
    {
      "id": 0,
      "p1": [x1, y1],
      "p2": [x2, y2],
      "length": 2.5,
      "direction": [dx, dy],
      "rmse": 0.05
    }
  ],
  "metadata": {...}
}

输出：道路网络 JSON

{
  "centerlines": [
    {
      "id": 0,
      "p1": [x1, y1],
      "p2": [x2, y2],
      "width": 1.5,
      "length": 3.2,
      "wall_pair": [0, 1]
    }
  ],
  "intersections": [
    {
      "id": 0,
      "center": [x, y],
      "connected_centerlines": [0, 1],
      "polygon": [[x1, y1], [x2, y2], ...]
    }
  ],
  "metadata": {...}
}

算法说明

RDP (Ramer-Douglas-Peucker) 算法

用于简化折线，在保证最大偏差不超过阈值的前提下，用尽量少的关键点表示折线。

参数空间 DBSCAN

将线段转换为 Hessian 法线形式 (θ, ρ)，在参数空间进行聚类，将属于同一墙体的线段聚为一类。

墙体配对

• 平行判定：计算方向向量夹角
• 距离检查：计算两面墙之间的平均距离
• 重叠检查：计算墙体在方向上的投影重叠比例

路口识别

基于墙体延长线交点法，检测横墙和竖墙的组合模式，构建路口多边形。

性能优化

• 向量化计算：使用 NumPy 向量化操作加速距离计算
• 递归优化：RDP 算法使用向量化版本
• 时间统计：脚本输出详细的处理耗时统计

注意事项

1. 路径配置：所有路径使用相对路径，基于脚本文件所在目录
2. 参数调整：根据实际场景调整阈值参数（道路宽度、角度容差等）
3. 数据质量：输入点云质量影响最终结果，建议先进行数据清洗

许可证

本项目仅供学习和研究使用。