CN105069395B

CN105069395B - 基于地面三维激光扫描技术的道路标线自动识别方法

Info

Publication number: CN105069395B
Application number: CN201510251540.1A
Authority: CN
Inventors: 王金; 李响; 和士辉; 梁婧轩; 庞佳骏; 于泉
Original assignee: Beijing University of Technology
Current assignee: Beijing University of Technology
Priority date: 2015-05-17
Filing date: 2015-05-17
Publication date: 2018-10-09
Anticipated expiration: 2035-05-17
Also published as: CN105069395A

Abstract

基于地面三维激光扫描技术的道路标线自动识别方法涉及测绘科学技术领域。该方法包括以下步骤：a.采用地面三维激光扫描仪作为数据采集工具，对待测目标进行数据采集，获取三维激光扫描点云数据；b.对获取的地面三维激光扫描点云数据进行预处理；c.基于预处理后的三维激光扫描点云数据，通过灰度值限定提取道路标线数据；d.通过对道路标线数据的划分区块、多函数拟合处理，得出不同道路标线类型所表现出的函数特征值；e.通过特征值在特征值库中的对应识别和道路宽度的计算，输出道路标线的识别结果以及道路及车道宽度。本发明适用于对道路的高效、准确、自动化的标线识别和车道宽度计算。

Description

基于地面三维激光扫描技术的道路标线自动识别方法

技术领域

本发明涉及测绘科学技术领域，具体涉及一种基于地面三维激光扫描技术的道路标线自动识别方法。

背景技术

对于道路宽度及道路标线功能等信息的精确提取是道路仿真建模的重要前提。三维激光扫描技术的出现，为道路特征信息提取提供了一种新的全自动高精度立体扫描技术手段，它可直接从实物中进行快速的逆向三维数据采集及模型重构，从而完整地、高精度地重建扫描实物及快速获得原始测绘数据。获取的道路数据点的坐标信息、颜色RGB值与道路标线分布特征、位置等对道路特征信息自动化提取、识别具有重要意义。

目前对于激光扫描技术的数据处理，主要运用数学形态学、阈值分割、Hough变换、连通区域检测等方法,但大部分限于对道路周围建筑物的立面信息，道路附属设施(路灯)以及道路的提取。对于道路宽度提取、车道标线特征信息提取以及车道功能判别等精细信息提取的研究较少。基于激光扫描技术的道路自动建模技术尚处于起步阶段。如吉林科技大学开发的JUTIV—II系统采用的线性车道算法、Carnegie Mellon University(CMU)的RALPH系统采用的平行车道算法等存在着对外界光线敏感的不足的问题；如立体视觉匹配算法Sum of Absolute Dif-ferences(SAD)，可靠性较高，但算法运算量巨大且速度慢，在通用计算机如PII450上处理512×512的图像需要10分钟。另外，目前视频只能适应特定的道路或气候条件，这也是制约其发展的一个重要因素。

近年来，三维激光扫描技术的应用领域日益广泛，如制造业、文物保护、逆向工程、电脑游戏业、工程变形监测等，特别在大范围数字高程模型的高精度实时获取、城市三维模型重建、局部区域的地理信息获取等方面表现出强大的优势，成为测绘遥感领域重要的技术手段和研究内容之一。

地面三维激光扫描仪相比车载扫描仪和机载雷达，具有数据精度和密度等更高的优势，因此，本技术提出一种基于地面三维激光扫描技术对道路宽度提取、道路标线功能识别的自动化方法。

基于地面三维激光扫描技术的道路标线自动识别方法，其特征在于，包括以下步骤：

a.采用三维激光扫描仪作为数据采集工具，对待测路段进行数据采集，获取三维激光扫描点云数据；

b.对获取的三维激光扫描点云数据进行预处理；

c.基于预处理后的三维激光扫描点云数据，通过灰度值限定提取道路标线数据；

d.通过对道路标线数据的划分区块、多函数拟合处理，得出不同道路标线类型所表现出的函数特征值；

e.通过特征值在特征值库中的对应识别和道路宽度的计算，输出道路标线的识别结果以及道路和车道宽度。

进一步，步骤b中，对数据进行预处理的方法包括利用AutoRecap或GeoMagicStudio进行裁剪处理、在AutoRecap或GeoMagic Studio软件中对数据进行坐标转换处理和点云数据灰度值的计算；如果仪器厂商导出的颜色信息是RGB，需要进行灰度值计算；否则，则忽略灰度值计算步骤。

进一步，步骤c中，推导灰度值动态阈值算法，以实现对不同状况路面数据的道路标线提取。

进一步，步骤d中，运用统计模型，将各个道路标线划分为独立的区块；在每个区块中，对道路标线数据进行多次函数的拟合，通过对道路标线数据的划分区块、多函数拟合处理，得出不同道路标线类型所表现出的函数特征值，以识别不同种类的道路标线。

进一步，步骤e中，利用步骤d中获得的各个道路标线所对应的多种函数参数，将获得的函数参数在函数参数特征值库中进行对应，实现道路标线的识别。

进一步，步骤c中，通过推导灰度值动态阈值算法，实现对不同状况路面数据的道路标线提取，具体如下：

通过分析数据中标线占整个道路量化比例，得出第一次迭代的更正系数；以二次中值迭代法为基础进行改进，得到第一次迭代的计算公式；并结合数据，得到了可计算动态灰度阈值的迭代算法：

第二次迭代中继续使用更正系数第二次调整灰度阈值，得到第二次迭代公式：

结合数据，得到了可计算动态灰度阈值的迭代算法：

第一次迭代：

第二次迭代：

T——第一次迭代标线灰度阈值；

n——数据中点的个数；

sum_g——数据中所有点灰度值的和；

T1——标线颜色在第一次迭代中的标准值；

T2——路面颜色在第一次迭代中的标准值；

sum_w——数据中灰度t大于等于T的点灰度的和；

sum_b——数据中灰度t小于T的点灰度的和；

n1——数据中灰度t大于等于T的点的数量；

n2——数据中灰度t小于T的点的数量；

T’——第二次迭代标线灰度阈值；

在数据处理软件中，根据所得到的阈值对数据进行筛选，拾取符合条件的道路标线点，得到道路标线点云数据。

本发明所要解决的技术问题是：提出一种基于三维激光扫描技术的道路标线识别方法，实现高效、快速、准确、自动化的标线识别和路宽计算。其包括以下步骤：

b.利用AutoRecap、Geomagic Studio等软件，对获取的三维激光扫描点云数据进行预处理，主要包括裁剪处理和数据坐标转换处理；

c.基于预处理后的三维激光扫描点云数据，在数据处理软件中，推导灰度值动态阈值算法，以实现对不同状况道路的处理。通过此算法，限定区别路面与道路标线的灰度阈值，以提取道路标线数据；

d.运用统计模型，将各个道路标线划分为独立的区块。在每个区块中，对道路标线数据进行多次函数的拟合，通过对道路标线数据的划分区块、多函数拟合处理，得出不同道路标线类型所表现出的函数特征值；

e.通过特征值在特征值库中的对应和道路宽度的计算，输出道路标线的识别结果以及车道宽度。

本发明的有益效果是：三维激光扫描仪具有采样速率快、精度和分辨率高、无接触测量等优势，利用其作为数据采集工具在道路标线识别领域具有明显的优势，并能提高效率、节约成本、实现自动化，并够提供比较准确的识别和计算结果。总体来说，基于三维激光扫描技术的道路标线识别方法实现了识别道路标线以及计算车道宽度，并且具有高效、精确、自动化的特点。

附图说明

图1为本发明流程图

图2为三维激光扫描仪所获取的点云数据整体效果图

图3为三维激光扫描仪所获取的点云数据道路标线效果图

图4为点云数据进行裁剪、坐标转换处理之后的效果图

图5为点云数据经过灰度值计算并添加的结果

图6为利用动态灰度迭代公式限制，得到的道路标线数据效果图

图7为道路标线数据在x轴上的点数统计图

图8为道路标线识别结果对应图

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

包括如下步骤：

b.对获取的三维激光扫描点云数据进行预处理；

e.通过特征值在特征值库中的对应和道路宽度的计算，输出道路标线的识别结果以及道路宽度。

其中，步骤b中，对数据进行预处理。

首先，利用AutoRecap或Geomagic Studio进行裁剪处理，然后在Geomagic Studio中对数据进行坐标转换处理。最后，利用编写的算法实现点云数据中每一点的灰度值计算，完成对点云数据的预处理。

裁剪处理中主要对数据中无关杂点和可能干扰识别、计算结果的数据删除，得到以路面数据为主的点云数据；

坐标轴转换处理中，主要对数据的坐标轴进行调整，使适当的坐标轴与道路标线方向呈平行或垂直状态。

点云数据灰度值计算主要是根据点云数据中每一点的RGB数据,计算出相对应的灰度数据，以便于减少运算量。计算公式如下：

Gray——计算得到的灰度值；

R、G、B——分别代表红绿蓝各个指标值。

步骤c中，主要通过推导灰度值动态阈值算法，实现对不同状况路面数据的道路标线提取。

通过分析数据中标线占整个道路量化比例，得出第一次迭代的更正系数。以二次中值迭代法为基础进行改进，得到第一次迭代的计算公式。并结合数据，得到了可计算动态灰度阈值的迭代算法：

结合数据，得到了可计算动态灰度阈值的迭代算法：

第一次迭代：

第二次迭代：

T——第一次迭代标线灰度阈值；

n——数据中点的个数；

sum_g——数据中所有点灰度值的和；

T1——标线颜色在第一次迭代中的标准值；

T2——路面颜色在第一次迭代中的标准值；

sum_w——数据中灰度t大于等于T的点灰度的和；

sum_b——数据中灰度t小于T的点灰度的和；

n1——数据中灰度t大于等于T的点的数量；

n2——数据中灰度t小于T的点的数量；

T’——第二次迭代标线灰度阈值。

步骤d中，运用二维统计模型，在x坐标上规定Δx，分别统计x+Δx中Δx中的点数，并根据x坐标进行横向计数。

得到了统计结果后，运用了限值其极值的方法，将每组数据中的每个道路标线划分为了独立的区块。

首先，确定数据中x坐标中最小点及最大点，将其分别命名为x_min和x_max，将x_min作为起点，一般在[0.01,0.1](m)区间内选取初始Δx，以x至x+Δx作为区间，统计其中点的数量，统计至x坐标中最大点x_max，得到道路标线数据点数统计图。

再根据数据所选用的三维激光扫描仪扫描数据的点密度，对Δx进行调整，以肉眼可根据道路标线数据点数统计图分辨区块为准。本例中将Δx设定为0.05(m)。

然后，根据该统计图中纵坐标的最小峰值，即当有连续两点点数为零，同时相邻两点点数不为零时，作为区块的分界点。

以此方法，将所有数据划分为各个独立的区块，每一区块只包含单独的道路标线数据。

在每一独立区块中，对各个道路标线进行多函数拟合。

首先，根据x坐标上每一区块中最大值x_max与最小值x_min的差值对“直行”和“分道线”标线进行识别。

然后，对其余每一个道路标线点云数据分别进行一次函数y＝kx+b和二次函数y＝ax²+bx+c的拟合，得到各组道路标线数据拟合为不同函数时，所对应的函数参数信息。

最后，通过道路标线在拟合过程中表现出的特征，建立函数参数特征库，限定不同函数特征，以实现对不同道路标线进行特征识别。

道路标线拟合函数参数特征库主要表现为：

当x坐标上每一区块中最大值x_max与最小值x_min的差值≤0.5(m)时，识别结果输出为“分道线”标线；

当x坐标上每一区块中最大值x_max与最小值x_min的差值＞1.2(m)时，识别结果输出为“直行”标线；

当x坐标上每一区块中最大值x_max与最小值x_min的差值在(0.5,1.2)时，同时满足一次拟合函数参数k＜0，且二次拟合函数参数a＜0时，识别结果输出为“左转”标线；

当x坐标上每一区块中最大值x_max与最小值x_min的差值在(0.5,1.2)时，同时满足一次拟合函数参数k＞0，且二次拟合函数参数a＜0时，识别结果输出为“右转”标线；

当x坐标上每一区块中最大值x_max与最小值x_min的差值在(0.5,1.2)时，同时满足一次拟合函数参数k＞0，且二次拟合函数参数a＞0时，识别结果输出为“直行左转”标线；

当x坐标上每一区块中最大值x_max与最小值x_min的差值在(0.5,1.2)时，同时满足一次拟合函数参数k＜0，且二次拟合函数参数a＞0时，识别结果输出为“直行右转”标线。

表1：道路标线拟合函数参数特征库

将拟合过程中得到的函数参数对应至特征库中，得到道路标线的识别结果并进行输出。

基于对道路标线的识别结果，选出与道路宽度计算有关的标线类型，利用坐标关系，计算出车道宽度并进行输出。

经统计计算，本研究在实验数据中的判别结果正确率约为88％，路宽计算结果精度约为92.51％。

我们以北京园博西一路与长顺一路和长顺二路的两个交叉口机动车道为例，因为这两个交叉口的车流量很少，车道标线保存完整，符合我们的标线提取的可识别要求。

其中园博西一路与长顺二路的交叉口由东南向西北方向的机动车道功能由左到右依次为左转、直行和直行右转(直右)车道，并均具有相应的道路标线。园博西一路与长顺一路的交叉口机动车道由东南到西北方向的机动车道功能由左到右分别为直行左转(直左)、直行以及右转，且都具有相应的车道标线。

于是，应用于本技术的识别样本标线分别为：直行、直行左转、直行右转、左转、右转、分道线这六种标线。

为了获取密度高、精度高的数据，采用的扫描仪器为固定架设的LeicaP20地面三维激光扫描仪。

将P20分别架设在长顺一路、长顺二路的路面上，对含有标线的部分进行扫描，得到与车载扫描仪的扫描结果相似的数据。

利用我们发明的算法对数据进行处理，从而识别出各标线，从而使计算机获知标线对应的车道的功能以及车道的宽度。

Claims

1.基于地面三维激光扫描技术的道路标线自动识别方法，其特征在于，包括以下步骤：

b.对获取的三维激光扫描点云数据进行预处理；

e.通过特征值在特征值库中的对应识别和道路宽度的计算，输出道路标线的识别结果以及道路和车道宽度；

步骤c中，通过推导灰度值动态阈值算法，实现对不同状况路面数据的道路标线提取，具体如下：

结合数据，得到了可计算动态灰度阈值的迭代算法：

第一次迭代：

第二次迭代：

T——第一次迭代标线灰度阈值；

n——数据中点的个数；

sum_g——数据中所有点灰度值的和；

T1——标线颜色在第一次迭代中的标准值；

T2——路面颜色在第一次迭代中的标准值；

sum_w——数据中灰度t大于等于T的点灰度的和；

sum_b——数据中灰度t小于T的点灰度的和；

n1——数据中灰度t大于等于T的点的数量；

n2——数据中灰度t小于T的点的数量；

T’——第二次迭代标线灰度阈值；

2.根据权利要求1所述的基于地面三维激光扫描技术的道路标线自动识别方法，其特征在于：步骤b中，对数据进行预处理的方法包括利用AutoRecap或GeoMagic Studio进行裁剪处理、在AutoRecap或GeoMagic Studio软件中对数据进行坐标转换处理和点云数据灰度值的计算；如果仪器厂商导出的颜色信息是RGB，需要进行灰度值计算；否则，则忽略灰度值计算步骤。

3.根据权利要求1所述的基于地面三维激光扫描技术的道路标线自动识别方法，其特征在于：步骤c中，推导灰度值动态阈值算法，以实现对不同状况路面数据的道路标线提取。

4.根据权利要求1所述的基于地面三维激光扫描技术的道路标线自动识别方法，其特征在于：步骤d中，运用统计模型，将各个道路标线划分为独立的区块；在每个区块中，对道路标线数据进行多次函数的拟合，通过对道路标线数据的划分区块、多函数拟合处理，得出不同道路标线类型所表现出的函数特征值，以识别不同种类的道路标线。

5.根据权利要求1所述的基于地面三维激光扫描技术的道路标线自动识别方法，其特征在于：步骤e中，利用步骤d中获得的各个道路标线所对应的多种函数参数，将获得的函数参数在函数参数特征值库中进行对应，实现道路标线的识别。