CN106067003A - 一种车载激光扫描点云中道路矢量标识线自动提取方法 - Google Patents

Abstract

本发明公开了一种车载激光扫描点云中道路矢量标识线自动提取方法，该方法根据原始道路激光扫描点云数据生成的基于强度的特征图像，通过基于道路空间形态的自适应阈值分割、方向约束的膨胀腐蚀、细化等图像处理方法提取出当前图像中道路矢量标识线的骨架；采用面向对象的方法提取道路矢量标识线，结合标线的几何特征进行道路矢量标识线的提取；根据ransac算法的原理用单条线段来表示较短的道路矢量标识线，用多条连续的折线段表示长的道路矢量标识线，提取出道路矢量标识线的位置。本发明在不影响交通情况下快速获取道路及两侧海量激光扫描点云数据，从中提取出道路矢量标识线信息，记录道路矢量标识线所在的三维空间坐标，操作简单、可行性高。

Description

一种车载激光扫描点云中道路矢量标识线自动提取方法

技术领域

本发明属于车载激光扫描点云数据处理技术领域，具体涉及一种车载激光扫描点云中道路矢量标识线自动提取方法。

背景技术

道路矢量标识线的提取是车辆智能驾驶、交通管理和道路环境三维建模等领域的关键技术之一。目前的研究主要集中在从视频图像中检测与跟踪车道线，但是这种从图像中检测出来的道路矢量标识线主要记录的是标线的二维平面信息而非三维信息，已经无法满足智能车辆辅助驾驶和交通管理等方面的需要。车载移动激光测量系统作为一种先进的测量手段，具有快速、不与测量物接触、实时、动态、主动、高密度及高精度等特点，车载移动激光测量系统在不影响交通情况下能快速获取道路及两侧海量激光扫描点云数据。系统不仅能快速获取被测目标表面的三维空间点坐标，同时还记录目标对激光的反射强度信息，为提取高精度的三维道路标识线信息提供了一种可靠的数据源。目前，对车载激光扫描数据的处理主要集中在建筑物的立面信息提取，对道路交通矢量标识线的提取大部分基于道路整体强度图像分割技术，未系统的分析考虑道路及路面标识线的空间形态特征，相关研究较少，尚未形成成熟的提取方法。由此可见，现有技术需要进一步改进。

发明内容

本发明的目的在于提出一种车载激光扫描点云中道路矢量标识线自动提取方法，便于从海量激光扫描点云数据中快速、自动提取道路矢量标识线信息。

为了实现上述目的，本发明采用如下技术方案：

一种车载激光扫描点云中道路矢量标识线自动提取方法，包括如下步骤：

a、根据原始道路激光扫描点云数据，经过投影生成基于强度的特征图像；

b、采用基于道路空间形态的自适应阈值法对特征图像进行图像分割，将道路背景与道路矢量标识线目标分割开；

c、对分割后的特征图像进行方向约束的膨胀腐蚀，将分割导致的断裂的道路矢量标识线连接起来；

d、对膨胀腐蚀后的特征图像进行细化处理，提取图像中道路矢量标识线的骨架；

e、用局部区域生长方法对细化后的特征图像提取得到面向对象的单条道路矢量标识线；

f、对提取出的单条道路矢量标识线对象进行分析，通过计算其轮廓面积与圆形度信息，过滤掉明显不符合道路矢量标识线特征的对象；

g、对符合道路矢量标识线特征的对象进一步处理，通过求其外接最大矩形、检测边缘点连通性求出道路矢量标识线的两个端点；

h、根据ransac原理，用连续的折线段来表示车载激光扫描点云中的道路矢量标识线。

优选地，所述步骤b具体为：

b1基于道路空间形态的自适应阈值法对特征图像进行二值化处理：

首先根据特征图像中道路矢量标识线的实际像素宽度，来确定单个像素点的阈值化邻域范围；设定道路矢量标识线的实际像素宽度为n像素，则选取单个像素至少n邻域范围内的像素矩阵，来确定当前像素的二值化阈值；其中，n是指自然数；

b2通过统计特征图像中像素分布的情况，先粗略检测出道路方向，根据道路方向构造与道路方向平行的n邻域探测矩阵，根据当前基于道路空间形态的像素矩阵，统计其灰度中间值作为中心像素点的分割阈值；

每个像素位置的二值化阈值是由其周围邻域范围内像素的亮度分布决定的，亮度高的区域内二值化阈值较高，反之阈值相适应的变小；将道路矢量标识线从道路背景中分割出来。

优选地，所述步骤c具体为：

c1通过统计特征图像中像素分布的情况，先粗略检测出道路方向，然后构造与道路方向一致的膨胀腐蚀算子；

c2首先对特征图像整体做膨胀操作，把目标像素边界向外扩大一个像素，使得两个像素以内的二值化导致断掉的道路矢量标识线重新连接起来；

c3然后对特征图像整体做腐蚀操作，把目标像素边界向内缩小一个像素，使得道路矢量标识线还原且连接起了断掉的道路矢量标识线。

优选地，所述步骤f中道路矢量标识线的判断方法为：

f1、计算面积判断是否为道路矢量标识线

分析单条道路矢量标识线对象，计算其面积area，如果面积area小于道路矢量标识线的实际像素面积的1/10，则认为该对象不是道路矢量标识线，将此对象排除；

f2、计算圆形度判断是否为道路矢量标识线

分析单条道路矢量标识线对象，计算其周长perimeter，其圆形度roundDegree为：

$roundDegree=\frac{4*\mathrm{\π}*area}{{\mathrm{perimeter}}^2};$

其中，π是圆周率，如果计算出的圆形度roundDegree>0.4，则认为该对象不符合道路矢量标识线特征，将此对象排除。

优选地，所述步骤h具体为：

h1、用折线表示道路矢量标识线

设道路矢量标识线的起点坐标为P₁(P_1x,P_1y)，终点为P_N(P_Nx,P_Ny)，在有序的坐标序列表示的道路矢量标识线中，根据实际道路矢量标识线的长度，等距离间隔取N个点，设依次为P₁、P₂、P₃……P_N作为折线段来表示道路矢量标识线；

h2、折线段拟合

设P₁P_N的一般式方程为：Ax+By+C＝0；

则：A＝P_Ny-P_1y；B＝P_1x-P_Nx；C＝P_Nx*P_1y-P_1x*P_Ny；

依次计算点P_i(P_ix,P_iy)到直线P₁P_N的垂距d_i，其中，i取2到N-1中的数值；

$d_i=\left|\frac{A*P_{ix}+B*P_{iy}+C}{\sqrt{A^2+B^2}}\right|;$

根据实际道路矢量标识线宽度像素设定拟合阈值，通过将上述垂距d_i与拟合阈值比较，若d_i大于拟合阈值，则保留P_i，否则将P_i从有序的坐标序列中排除掉；

依次计算即可得到该段道路矢量标识线的拟合线段，即提取出了该条道路矢量标识线。

本发明具有如下优点：

本发明根据原始道路激光扫描点云数据生成的基于强度的特征图像，通过基于道路空间形态的自适应阈值分割、方向约束的膨胀腐蚀、细化等图像处理方法，提取出当前图像中道路矢量标识线的骨架；采用面向对象的方法提取道路矢量标识线，结合标线的几何特征进行标线的提取；根据ransac算法的原理，用单条线段来表示较短的道路矢量标识线(如车道线、人行横道线等)，用多条连续的折线段表示长的道路矢量标识线(如车行道分界线、边缘线、疏流岛等)，提取出道路矢量标识线的位置。本发明在不影响交通情况下能快速获取道路及两侧海量点云数据，从中提取出道路矢量标识线信息，记录标示线对象所在的三维空间坐标，操作简单、可行性高、大大提高了提取道路矢量标识线的效率与准确性。

附图说明

图1为本发明中车载激光扫描点云中道路矢量标识线自动提取方法的流程示意图。

具体实施方式

本发明的基本思想是：根据车载激光扫描点云的空间分布特征和强度信息，采用图像处理的方法，运用面向对象提取的思想，结合标线的几何特征进行标线的提取。

结合图1所示，一种车载激光扫描点云中道路矢量标识线自动提取方法，包括如下步骤：

a、根据原始道路激光扫描点云数据，经过投影生成基于强度的特征图像；

b、采用基于道路空间形态的自适应阈值法对特征图像进行图像分割，将道路背景与道路矢量标识线目标分割开。

其中，基于道路空间形态的自适应阈值法对特征图像的分割过程具体如下：

b1基于道路空间形态的自适应阈值法对特征图像进行二值化处理：

首先根据特征图像中道路矢量标识线的实际像素宽度，来确定单个像素点的阈值化邻域范围；设定道路矢量标识线的实际像素宽度为n像素，例如可以是5像素，则选取单个像素至少5邻域范围内的像素矩阵，来确定当前像素的二值化阈值；其中，n是指自然数；

b2通过统计特征图像中像素分布的情况，先粗略检测出道路方向，根据道路方向构造与道路方向平行的5邻域探测矩阵，根据当前基于道路空间形态的像素矩阵，统计其灰度中间值作为中心像素点的分割阈值；每个像素位置的二值化阈值是由其周围邻域范围内像素的亮度分布决定的，亮度高的区域内二值化阈值较高，反之阈值相适应的变小；从而消除强度图像的灰度不均匀的影响，将道路矢量标识线从道路背景中分割出来。

c、对分割后的特征图像进行方向约束的膨胀腐蚀，将分割导致的断裂的道路矢量标识线连接起来。该步骤c具体包括如下三个子步骤：

c1通过统计特征图像中像素分布的情况，先粗略检测出道路方向，然后构造与道路方向一致的膨胀腐蚀算子；

c2首先对特征图像整体做膨胀操作，把目标像素边界向外扩大一个像素，使得两个像素以内的二值化导致断掉的道路矢量标识线重新连接起来；

c3然后对特征图像整体做腐蚀操作，把目标像素边界向内缩小一个像素，使得道路矢量标识线还原且连接起了断掉的道路矢量标识线。

d、对膨胀腐蚀后的特征图像进行细化处理，提取图像中道路矢量标识线的骨架。

例如，本发明可以采用一种基于边界特性与连通性的图像细化算法，对二值图像进行细化，将原始图像像素简化为单像素相连接的二值图像。

该算法对二值图像中的像素点进行逐个判断。

设目标道路矢量标识线的亮度为1，背景为0，count＝0。对该像素点进行以下判断：

1.判断该像素点的亮度是否为1；如果是，则说明该点位于目标道路矢量标识线上，count＝count+1；

2.统计该像素点周围八邻域有多少个亮度为1的点，设周围八邻域内亮度为1的点的个数为domainN，如果2≤domainN≤6，则该点有可能是道路矢量标识线边缘的点，count＝count+1；

3.统计该像素点的上下左右四个邻域中，有任意两个相邻邻域亮度为0，则count＝count+1；同时满足以上三个条件，即count＝3，则说明该像素位于目标道路矢量标识线的边缘处，将该点坐标记录到边缘点坐标集中。

然后重置count与domainN，再对下一个点进行判断；

对整个图像的像素判断完成后，将记录下的边缘点置为背景色，再对整幅图像进行下一次图像细化判断，循环该步骤，直到边缘点坐标集中不再增加新的像素点为止。

经过以上方法对二值图像进行细化，提取出道路矢量标识线的骨架。

e、用局部区域生长方法对细化后的特征图像提取得到面向对象的单条道路矢量标识线。

用面向对象的方法对将细化后的道路矢量标识线进行局部的区域生长，提取出每条细化后的道路矢量标识线，得到有序的、用像素点坐标序列表示的道路对象。

f、对提取出的单条道路矢量标识线对象进行分析，通过计算其轮廓面积与圆形度信息，过滤掉明显不符合道路矢量标识线特征的对象；

其中，道路矢量标识线特征的判断方法为：

f1、计算面积判断是否为道路矢量标识线

分析单条道路矢量标识线对象，计算其面积area，如果面积area小于道路矢量标识线的实际像素面积的1/10，则认为该对象不是道路矢量标识线，将此对象排除；

f2、计算圆形度判断是否为道路矢量标识线

分析单条道路矢量标识线对象，计算其周长perimeter，其圆形度roundDegree为：

$roundDegree=\frac{4*\mathrm{\π}*area}{{\mathrm{perimeter}}^2};$

其中，π是圆周率，如果计算出的圆形度roundDegree>0.4，则认为该对象不符合道路矢量标识线特征，将此对象排除。

g、对符合道路矢量标识线特征的对象进一步处理，通过求其外接最大矩形、检测边缘点连通性求出道路矢量标识线的两个端点；

具体的，分析单条道路矢量标识线对象，通过求其最大外接矩形，求出该道路矢量标识线的端点，进一步判断其连通性：如果其邻域范围内7个以下背景色点，则说明该点位于有排除边缘点的影响，最后得到道路矢量标识线的两个起止端点。

h、根据ransac原理，用连续的折线段来表示车载激光扫描点云中的道路矢量标识线。

其具体步骤如下：

h1、用折线表示道路矢量标识线

设道路矢量标识线的起点坐标为P₁(P_1x,P_1y)，终点为P_N(P_Nx,P_Ny)，在有序的坐标序列表示的道路矢量标识线中，根据实际道路矢量标识线的长度，等距离间隔取N个点，设依次为P₁、P₂、P₃……P_N作为折线段来表示道路矢量标识线；

h2、折线段拟合

设P₁P_N的一般式方程为：Ax+By+C＝0；

则：A＝P_Ny-P_1y；B＝P_1x-P_Nx；C＝P_Nx*P_1y-P_1x*P_Ny；

依次计算点P_i(P_ix,P_iy)到直线P₁P_N的垂距d_i，其中，i取2到N-1中的数值：

$d_i=\left|\frac{A*P_{ix}+B*P_{iy}+C}{\sqrt{A^2+B^2}}\right|;$

根据实际道路矢量标识线宽度像素设定拟合阈值，假设道路矢量标识线的实际像素宽度为5像素，则阈值可设置为3，如果d_i>3，则保留P_i，否则将P_i从有序的坐标序列中排除掉。

依次计算即可得到该段道路矢量标识线的拟合线段，即提取出了该条道路矢量标识线。

当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (5)

1.一种车载激光扫描点云中道路矢量标识线自动提取方法，其特征在于，包括如下步骤：

a、根据原始道路激光扫描点云数据，经过投影生成基于强度的特征图像；

b、采用基于道路空间形态的自适应阈值法对特征图像进行图像分割，将道路背景与道路矢量标识线目标分割开；

c、对分割后的特征图像进行方向约束的膨胀腐蚀，将分割导致的断裂的道路矢量标识线连接起来；

d、对膨胀腐蚀后的特征图像进行细化处理，提取图像中道路矢量标识线的骨架；

e、用局部区域生长方法对细化后的特征图像提取得到面向对象的单条道路矢量标识线；

f、对提取出的单条道路矢量标识线对象进行分析，通过计算其轮廓面积与圆形度信息，过滤掉明显不符合道路矢量标识线特征的对象；

g、对符合道路矢量标识线特征的对象进一步处理，通过求其外接最大矩形、检测边缘点连通性求出道路矢量标识线的两个端点；

h、根据ransac原理，用连续的折线段来表示车载激光扫描点云中的道路矢量标识线。

2.根据权利要求1所述的一种车载激光扫描点云中道路矢量标识线自动提取方法，其特征在于，所述步骤b具体为：

b1基于道路空间形态的自适应阈值法对特征图像进行二值化处理：

首先根据特征图像中道路矢量标识线的实际像素宽度，来确定单个像素点的阈值化邻域范围；设定道路矢量标识线的实际像素宽度为n像素，则选取单个像素至少n邻域范围内的像素矩阵，来确定当前像素的二值化阈值；其中，n是指自然数；

b2通过统计特征图像中像素分布的情况，先粗略检测出道路方向，根据道路方向构造与道路方向平行的n邻域探测矩阵，根据当前基于道路空间形态的像素矩阵，统计其灰度中间值作为中心像素点的分割阈值；

每个像素位置的二值化阈值是由其周围邻域范围内像素的亮度分布决定的，亮度高的区域内二值化阈值较高，反之阈值相适应的变小；将道路矢量标识线从道路背景中分割出来。

3.根据权利要求1所述的一种车载激光扫描点云中道路矢量标识线自动提取方法，其特征在于，所述步骤c具体为：

c1通过统计特征图像中像素分布的情况，先粗略检测出道路方向，然后构造与道路方向一致的膨胀腐蚀算子；

c2首先对特征图像整体做膨胀操作，把目标像素边界向外扩大一个像素，使得两个像素以内的二值化导致断掉的道路矢量标识线重新连接起来；

c3然后对特征图像整体做腐蚀操作，把目标像素边界向内缩小一个像素，使得道路矢量标识线还原且连接起了断掉的道路矢量标识线。

4.根据权利要求1所述的一种车载激光扫描点云中道路矢量标识线自动提取方法，其特征在于，所述步骤f中道路矢量标识线的判断方法为：

f1、计算面积判断是否为道路矢量标识线

分析单条道路矢量标识线对象，计算其面积area，如果面积area小于道路矢量标识线的实际像素面积的1/10，则认为该对象不是道路矢量标识线，将此对象排除；

f2、计算圆形度判断是否为道路矢量标识线

分析单条道路矢量标识线对象，计算其周长perimeter，其圆形度roundDegree为：

$roundDegree=\frac{4*\mathrm{\π}*area}{{\mathrm{perimeter}}^2};$

其中，π是圆周率，如果计算出的圆形度roundDegree>0.4，则认为该对象不符合道路矢量标识线特征，将此对象排除。

5.根据权利要求1所述的一种车载激光扫描点云中道路矢量标识线自动提取方法，其特征在于，所述步骤h具体为：

h1、用折线表示道路矢量标识线

设道路矢量标识线的起点坐标为P₁(P_1x,P_1y)，终点为P_N(P_Nx,P_Ny)，在有序的坐标序列表示的道路矢量标识线中，根据实际道路矢量标识线的长度，等距离间隔取N个点，设依次为P₁、P₂、P₃……P_N作为折线段来表示道路矢量标识线；

h2、折线段拟合

设P₁P_N的一般式方程为：Ax+By+C＝0；

则：A＝P_Ny-P_1y；B＝P_1x-P_Nx；C＝P_Nx*P_1y-P_1x*P_Ny；

依次计算点P_i(P_ix,P_iy)到直线P₁P_N的垂距d_i，其中，i取2到N-1中的数值；

$d_i=\left|\frac{A*P_{ix}+B*P_{iy}+C}{\sqrt{A^2+B^2}}\right|;$

根据实际道路矢量标识线宽度像素设定拟合阈值，通过将上述垂距d_i与拟合阈值比较，若d_i大于拟合阈值，则保留P_i，否则将P_i从有序的坐标序列中排除掉；

依次计算即可得到该段道路矢量标识线的拟合线段，即提取出了该条道路矢量标识线。