CN103500338A - 基于车载激光扫描点云的道路斑马线自动提取方法 - Google Patents

Abstract

基于车载激光扫描点云的道路斑马线自动提取方法，涉及公共交通道路斑马线。利用实时记录车辆位置与轨迹的全球定位系统数据对车载激光扫描点云数据提取若干个横截面，通过检测扫描线数据中道路路肩高程突变，实现道路与非道路的分类；然后将三维道路数据转化为具有空间分布特征的强度特征图像，利用激光扫描点正态分布特征动态分割道路斑马线，再次利用GPS轨迹数据计算线性形态学闭运算方向与大小，实现道路斑马线的提取。通过对车载移动扫描数据进行横截面剖分，将检测三维道路表面数据转换到检测二维剖面中道路路肩的高程突变来实现道路与非道路分类，与直接处理海量三维数据相比，计算量少，效率高。

Description

基于车载激光扫描点云的道路斑马线自动提取方法

技术领域

本发明涉及公共交通道路斑马线领域，尤其涉及一种基于车载激光扫描点云的道路斑马线自动提取方法。

背景技术

道路斑马线作为一个交通管理系统中一个关键特征，需要可靠的坏境感知，为行人与车辆驾驶人员提供指引与信息，预防事故的发生，从而来提高交通安全，减少生命与财产的损失。因此道路系统部门也急需一个快速、实时的检测系统能够监控道路斑马线的情况，从而保证道路斑马线符合国家交通的高技术标准。

目前，道路斑马线的提取一般采用基于影像或视频的方法，其主要步骤包括道路斑马线的分割与分类。目前采用的分割方法有多尺度分割、直方图分析等；斑马线分类方法包括模糊集、K最近邻分类、支持矢量机、人工神经网络以及决策树等。然而这些基于影像与视频的方法主要受到几个方面环境的约束：（1）斑马线本身形状和类型的多样性；（2）道路表面材质；（3）数据采集的气候条件与时间；（4）沿路景观树木以及移动车辆所造成的阴影。因此依赖影像或者视频数据很难实现全自动的道路斑马线提取。

激光扫描技术，特别是最近发展的车载移动激光测量系统，由于其快速、精确获取地面三维空间信息的能力，越来越受到人们的高度重视。车载激光扫描系统不仅具备机载LiDAR系统采集大范围数据的特性，而且可以达到地面扫描系统数据精度和点密度。因此，它逐渐成为城市空间数据采集的一种重要技术手段。

然而，如何从处理高密度、大数据量的车载点云数据提取地形、地物特征成为点云后处理软件研发的一个挑战。从大量点云中快速提取精确、有效的道路特征仍然处在起步阶段。

发明内容

本发明的目的是提供一种基于车载激光扫描点云的道路斑马线自动提取方法。

本发明包括以下步骤：

(1)基于车辆全球定位系统（GPS）的轨迹数据，对车载点云进行横截面剖分，生成若干个有一定宽度的横截面数据；

(2)对每个横截面数据格网化，采用主成分点选择，形成扫描线数据；

(3)利用道路路肩的高程突变特性，进行基于坡度的路肩点检测；

(4)依据步骤(3)中所检测到路肩点，采用三次B样条拟合算法获取光滑的道路边界，实现道路数据与非道路数据的分离；

(5)依据步骤(4)中检测出来的道路数据，确定道路扫描点权重，生成车载激光扫描点云的强度特征图像；

(6)基于步骤(5)中已获取的强度特征图像，根据车载激光扫描点云模式的正态分布特征，确定多分割阈值，提取道路斑马线；

(7)为了消除步骤(6)中所分割结果的噪声，根据车辆GPS轨迹数据，确定线性形态学闭运算的方向以及大小，最终实现基于车载数据的斑马线自动提取。

本发明利用全球定位系统对装有扫描仪车辆所实时记录的轨迹路线，也叫车辆GPS轨迹数据，对点云数据进行剖分提取若干个截面，对每个截面数据格网化组成扫描线，通过检测扫描线数据中道路路肩高程突变，实现道路与非道路的分类；将三维道路点云数据转换为二维强度特征图像，利用激光扫描点正态分布特征获取多阈值从而分割道路斑马线，再次利用GPS轨迹数据计算线性形态学闭运算方向与大小，实现道路斑马线的提取。

本发明具有如下优点：1）通过对车载移动扫描数据进行横截面剖分，将检测三维道路表面数据转换到检测二维剖面中道路路肩的高程突变来实现道路与非道路分类，与直接处理海量三维数据相比，计算量少，效率得到了极大提高。2）通过充分利用点云本身内在特性，包括扫描系统或者点云数据特性，减少道路斑马线提取的复杂度，实现道路斑马线的自动提取，大大降低了数据处理时间以及劳动成本，因而具有重要的实践应用价值。

附图说明

图1是本发明中三维点云进行横截面剖分示意图。

具体实施方式

本发明的具体技术方案和实施步骤如下：

步骤一：根据记录装有激光扫描仪车辆位置与轨迹的GPS数据，每隔一定距离（比如3m）对点云数据进行横截取一段宽度大约为30cm的薄剖面。这样沿着车辆行驶的GPS轨迹数据，可获取若干个横截剖面数据，如图1所示。在图1中，箭头表示车辆前进方向。

步骤二：对每个剖面（在图1中，表示为剖面1……剖面i……剖面n），进行栅格化，选择每个格网内的主成分点，组成扫描线。为了确定每个格网内主成分点，对格网内的点云根据其高程进行快速排序。基于假设道路点之间的高程差值要小于道路点与非道路点之间的高程差值，选择格网中最相关的点作为主成分点。

步骤三：依次计算所生成扫描线中相邻两点之间的坡度，如果大于其设定的阈值，则认为是道路路肩。其基本原理在于：在公路设计规范中，人行道一般具有一定的宽度，并且要比道路高出10～20cm，以保护行人的安全。因此在横截面中，道路路肩与人行道之间存在一定的高程突变。尽管在道路上为了排水方便存在一定的倾斜度，但是道路表面基本上是连续平面。因此，基于这样的结构设计，利用坡度阈值检测道路路肩与人行道之间的高程突变，从而提取道路分界点。

步骤四：通过对一定间隔的若干个道路横截剖面处理，检测出道路边缘的分界点。通过三次B样条差值方法将这些边缘点拟合成光滑连续的道路边界线，实现道路与非道路点的分类。

步骤五：步骤四所分类出来的道路点，仍然还有大量的三维点云数据。通过将三维道路数据转化为二维特征图像，实现点云数据的快速处理。同时，道路斑马线是利用高反射率的材质或者颜料涂膜在道路表面，因此可利用其在近红外波段的反射强度特性，从二维强度特征图像上检测道路斑马线。首先将道路点云数据投影在XY平面，并对其进行空间规则网格剖分；对每个最小格网单元，基于两个原则确定单位内所有扫描激光点对单元网格的灰度值的权值贡献大小，从而确定单元网格的灰度值，即生成一幅能反映整个扫描区域点云分布特征的强度特征图像。这两个原则是：（1）激光扫描点离单元格网中心越近，其权值越高；（2）激光扫描点的反射强度越高，其权值也就越高。

$G_{\mathrm{ij}}^I=\left(\underset{k=1}{\overset{n_{\mathrm{ij}}}{\∑}}{W}_k^{\mathrm{ij}}{I}_k^{\mathrm{ij}}\right)/\left(\underset{k=1}{\overset{n_{\mathrm{ij}}}{\∑}}{W}_k^{\mathrm{ij}}\right)$

$\left\{\begin{array}{c}{W}_k^{\mathrm{ij}}=\mathrm{\α}{W}_{k,\mathrm{ij}}^D+\mathrm{\β}{W}_{k,\mathrm{ij}}^I\\ \mathrm{\α}+\mathrm{\β}=1.0\end{array}\right.$

其中，

是格网(i,j)内第k个点的权值,是格网(i,j)内第k个点的强度值,n_ij是格网(i,j)内点的总数.α是β是权值系数,和

分别距离权值和反射强度权值，是规则（1）和（2）数学描述。规则（1）的距离权值

具体表述如下述公式：

$W_{k,\mathrm{ij}}^D=\frac{1}{r_g^2}(\frac{2+r_g^2}{1+D_{k,\mathrm{ij}}^2}-2)$

其中

是格网(i,j)内第k个点到格网中心的距离，r_g是格网大小。规则（2）是反射强度权值

具体表述如下述公式：

$W_{k,\mathrm{ij}}^I=W_{k,\mathrm{ij}}^{I1}\·W_{k,\mathrm{ij}}^{I2}$

$\left\{\begin{array}{c}{W}_{k,\mathrm{ij}}^{I1}=\frac{1}{{(g_{\max }^{\mathrm{ij}}-g_{\min }^{\mathrm{ij}})}^2}(\frac{1+{(g_{\max }^{\mathrm{ij}}-g_{\min }^{\mathrm{ij}})}^2}{1+{\left(I_{k,\mathrm{ij}}^L\right)}^2}-1)\\ W_{k,\mathrm{ij}}^{E2}=\frac{1}{{(I_{\max }-I_{\min })}^2}\left(\frac{1+{(I_{\max }-I_{\min })}^2}{1+{\left(I_{k,\mathrm{ij}}^G\right)}^2}\right)\\ I_{k,\mathrm{ij}}^L=I_{p_k,\mathrm{ij}}-g_{\min }^{\mathrm{ij}}\\ I_{k,\mathrm{ij}}^G=I_{p_k,\mathrm{ij}}-I_{\min }\end{array}\right.$

其中,

和

分别是局部与全局强度阈值，和

分别表示格网(i,j)最大与最小反射强度值，I_max和I_min代表全局道路中最大与最小反射强度值，

和

分别是局部和全局反射强度差值。通过综合局部与全局反射强度将由于入射角度和入射距离所造成的反射强度灰度值不均衡性进行规则化处理，生成强度特征影像。

步骤六：然后对所生成的强度特征图像，进行道路斑马线的分割。尽管在强度特征图像生成过程中已经考虑了强度灰度值规则化，但是由于激光脉冲入射角度和入射距离的影响仍然存在，利用单一阈值所分割的斑马线结果存在很多的噪声。因而，根据车载激光扫描点的正态分布这一特性，自动计算局部分割阈值，动态实现多阈值分割。首先根据高斯正态分布函数

中“68-95-99.7”原则，标准差σ从1到3过程中，将道路横向划成不同小区域，对每个小区域，根据以下强度差值权值计算公式，自动获取该区域内的分割阈值：

$d(i,j)=\frac{\underset{m=-k}{\overset{k}{\∑}}\underset{n=-k}{\overset{k}{\∑}}\[|G_{i+m,j+n}^I-G_{\mathrm{ij}}^I|\·(G_{i+m,j+n}^I-G_{\mathrm{ij}}^I)\]}{\underset{m=-k}{\overset{k}{\∑}}\underset{n=-k}{\overset{k}{\∑}}|G_{i+m,j+n}^I-G_{\mathrm{ij}}^I|}$

其中，d(i,j)为像点(i,j)在2k×2k邻域内的权值，

为像点(i,j)的强度值，

为2k×2k邻域内(i+m,j+n)像点的强度值。这样，由于激光点的分布是对称，因此可计算以扫描车为中心的道路一边的阈值即可。

步骤七：为了消除分割结果的噪声以及弥补分割结果的不完整性，采用了线性形态学闭运算。其卷积核参数主要有：结构模板的尺寸，方向以及卷积中心点。大部分道路斑马线是具有一定面积的高反射表面，因此卷积模板采用水平线性结构，其尺寸具体需要通过实验根据所生成的强度特征图像分辨率来确定，而卷积模板的方向，则仍然通过车辆GPS轨迹线数据来确定。比如，一定范围内道路方向可通过车辆起点和终点GPS时间对应的位置数据计算该道路的方向，从而也就是卷积核的方向。

至此通过车辆GPS轨迹数据辅助获取若干个横截面，对每个横截面栅格化组成扫描线；通过给定坡度阈值，从每根扫描线上检测道路路肩与人行道的高程突变实现道路与非道路的分类；通过给定格网尺寸，构建道路点云的强度特征影像，利用扫描点云的正态分布模式，完成多阈值的道路斑马线分割，利用车辆GPS轨迹线数据以及格网尺寸，确定线性形态学闭运算卷积核，最终实现道路斑马线的提取。

Claims (1)

1.基于车载激光扫描点云的道路斑马线自动提取方法，其特征在于包括以下步骤：

(1)基于车辆GPS轨迹数据，对车载点云进行横截面剖分，生成若干个有一定宽度的横截面数据；

(2)对每个横截面数据格网化，采用主成分点选择，形成扫描线数据；

(3)利用道路路肩的高程突变特性，进行基于坡度的路肩点检测；

(4)依据步骤(3)中所检测到路肩点，采用B样条拟合算法获取光滑的道路边界，实现道路数据与非道路数据的分离；

(5)依据步骤(4)中检测出来的道路数据，确定道路扫描点权重，生成车载激光扫描点云的强度特征图像；

(6)基于步骤(5)中已获取的强度特征图像，根据车载激光扫描点云模式的正态分布特征，确定多分割阈值，提取道路斑马线；

(7)为了消除步骤(6)中所分割结果的噪声，根据车辆GPS轨迹数据，确定线性形态学闭运算的方向以及大小，最终实现基于车载数据的斑马线自动提取。

Images