CN106503678A - 基于移动激光扫描点云的道路标线自动检测和分类方法 - Google Patents

Abstract

本发明公开了基于移动激光扫描点云的道路标线自动检测和分类方法，包括以下步骤：S1、对原始点云数据进行路面分割，得到路面点云数据；S2、利用入射角对所述路面点云数据进行强度修正；S3、对所述路面点云数据进行二值化处理，并提取出道路标线点；S4、对所述道路标线点进行分割，分离出彼此独立的道路标线目标；S5、计算所述道路标线目标的特征参数；S6、利用特征参数构造决策树，对所述道路标线目标进行分类。本发明能够快速、准确地从移动激光扫描点云中进行道路标线的自动检测和分类，大大降低了数据处理的时间及劳动成本，有效保证了交通的安全性和智能驾驶的可靠性。

Description

基于移动激光扫描点云的道路标线自动检测和分类方法

技术领域

本发明涉及智能交通系统以及智慧城市建设领域，尤其涉及基于移动激光扫描点云的道路标线自动检测和分类方法。

背景技术

无人驾驶汽车是当前智慧交通领域的研究热点。无人驾驶汽车的信息来源主要有两类，一类是相机、雷达等传感器所感知的周围环境信息，另一类是预先制作的高精度道路地图。在进行改变车道等机动动作的时候，无人驾驶汽车必须预先知道另一条车道的存在，还需要知道该车道的车道类型、宽度、限速等信息。因此，高精度道路地图对无人驾驶汽车是必不可少的。

车道的信息主要通过道路标线进行表示，因此高精度道路地图的构建需要对道路标线进行检测和分类。目前，道路标线的检测与分类主要基于影像或视频数据。天气、光照等因素对影像和视频的影响较大，并且得到的道路标线不包含地理坐标信息。

近几年，移动激光扫描技术发展十分迅速。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。激光扫描不受天气、光照等因素的影响，并且获得的点云数据中包含有地理坐标信息。移动激光扫描逐渐成为城市空间信息采集的一种重要技术手段。

然而，如何从高密度、高精度的海量移动激光扫描点云数据中自动提取地形、地物特征是点云后处理技术研发面临的一个挑战。从海量点云中快速、自动地提取和分类地物还处于起步阶段。

发明内容

本发明的目的在于提供基于移动激光扫描点云的道路标线自动检测和分类方法。

为实现上述目的，本发明采用以下技术方案：

基于移动激光扫描点云的道路标线自动检测和分类方法，包括以下步骤：

S1、对原始点云数据进行路面分割，得到路面点云数据；

S2、利用入射角对所述路面点云数据进行强度修正；

S3、对所述路面点云数据进行二值化处理，并提取出道路标线点；

S4、对所述道路标线点进行分割，分离出彼此独立的道路标线目标；

S5、计算所述道路标线目标的几何特征参数；

S6、利用特征参数构造决策树，对所述道路标线目标进行分类。

优选地，所述步骤S1具体包括以下分步骤：

S11、将原始点云数据划分为体素，然后进行向上区域生长，直至点云的上边界，从而将原始点云聚类成若干个树结构；

S12、若某个树结构的上边界点的高程超过第一预设阈值，就将该树结构从原始点云中删除；

S13、采用逆距离插值法，将剩余的点云转化成数字地形模型；

S14、对数字地形模型进行高通滤波；

S15、去除高通滤波结果中超过第二预设阈值的点；

S16、从剩余的点中选取最大连通区域作为道路提取结果。

优选地，所述步骤S2具体包括以下分步骤：

S21、对路面点云的激光反射强度值和激光入射角的余弦值进行线性拟合；

S22、利用拟合结果对路面点云的激光反射强度值进行修正，消除入射角的影响；

S23、对修正后的路面点云激光反射强度进行高通滤波。

优选地，所述步骤S3具体包括以下分步骤：

S31、采用OTSU二值化方法对路面点云进行二值化处理，并提取出道路标线点；

S32、利用中值滤波去除小面积的噪声。

优选地，所述步骤S4具体包括以下分步骤：

S41、对路面点云进行区域生长，分离出独立的道路标线目标；

S42、利用邻点计数法分离出彼此邻接的道路标线目标。细道路标线、粗道路标线、标线邻接区域的邻点计数结果不同，因此利用邻点计数法可以分离出细道路标线、粗道路标线和标线邻接区域。

优选地，所述步骤S5具体包括以下分步骤：

S51、对每个道路标线目标，计算其面积、周长、最小包围矩形；

S52、计算每个道路标线目标的最小包围矩形与激光扫描设备轨迹线的夹角；

S53、按照下式计算每个道路标线目标的近似宽度：

近似宽度＝2×面积/周长

优选地，所述步骤S6具体包括以下分步骤：

S61、利用近似宽度、最小包围矩形的长度和宽度、最小包围矩形与激光扫描设备轨迹线的夹角四个参数构造决策树；

S62、利用最小包围矩形与激光扫描设备轨迹线的夹角将道路标线目标分为纵向标线目标和横向标线目标；

S63、将横向标线目标分为停止线和横向减速线；

S64、利用近似宽度将纵向标线目标分为细标线和粗标线；

S65、利用最小包围矩形将细标线分为斑马线、虚线和连续线；

S66、利用最小包围矩形将粗标线分为箭头和非箭头。

采用上述技术方案后，本发明与背景技术相比，具有如下优点：

1、本发明能够快速、准确地对道路标线进行检测和分类，大大降低了数据处理的时间及劳动成本，为智能驾驶提供可靠的数据支撑。

2、基于激光入射角对路面点云数据强度进行校正，解决了激光点云数据强度受激光束的入射角与目标距离影响的问题，有效地提高了道路标线提取的质量。

3、利用道路标线目标几何形状的先验知识构造决策树，对道路标线目标进行分类，避免了常规的机器学习分类算法中的训练样本收集以及分类器训练等步骤。

附图说明

图1为本发明的工作流程示意图；

图2是数字地形模型生成结果；

图3是3×3高通滤波器；

图4是路面提取结果；

图5是点云强度值和激光入射角余弦值进行线性拟合的结果；

图6是路面点云强度修正结果；

图7是道路标线提取结果；

图8是道路标线目标的最小包围矩形；

图9是用于道路标线目标分类的决策树。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

请参阅图1，本发明公开了基于移动激光扫描点云的道路标线自动检测和分类方法，其包括以下步骤：

S1、路面点云数据分割

道路标线仅存在于路面上，而原始点云中包含大量的非路面点。为了减小后续处理的数据量，首先对路面点云进行分割。该步骤具体通过以下步骤实现：

S11、将原始点云数据划分为边长为5厘米的体素，然后进行向上区域生长，直至点云的上边界，从而将原始点云聚类成若干个树结构。所谓向上区域生长，是指在生长过程中，每个体素只能生长到其上方的九个相邻体素。

S12、分别对每个树结构进行判断。若某个树结构的上边界点与下边界点的高度差超过0.3米，就将该树结构从原始点云中删除。这样可以将点云中的树木、车辆、路灯杆、行人等非地面目标去除。

S13、采用逆距离插值法，将剩余的点云转化成数字地形模型。取数字地形模型的网格尺寸为5厘米，对于每个网格点，按照下式进行逆距离插值，获得其高程值：

其中z_k是网格内各激光扫描点的高程值，w_k是其权重，d_k是该扫描点与网格中心的距离。生成数字地形模型的结果参考图2。

S14、对数字地形模型进行高通滤波。路面是平坦且连通的区域，而非路面区域通常比路面更粗糙。经过高通滤波后，路面区域的滤波结果较小，非路面区域的滤波结果较大。这里我们采用3×3的高通滤波器，见图3。

S15、对高通滤波的结果进行二值化，阈值为0.04米。小于阈值的区域记为1，大于阈值的区域记为0。

S16、从标记为1的区域中选取最大连通区域作为路面提取结果(参考图4所示)。

S2、点云数据强度修正

激光扫描点的反射强度与激光入射角有关。路面上各点的激光入射角不同，导致反射强度也不同，无法使用单一阈值进行道路标线提取。因此，利用激光入射角信息对路面点云数据进行强度修正。该步骤具体通过以下步骤实现：

S21、对路面点云的激光反射强度值和激光入射角的余弦值进行线性拟合，获得二者之间的关系。线性拟合结果参考图5，从图中得到反射强度与入射角余弦之间的关系为：

I(θ)＝15115·cosθ+24794.

其中θ是激光入射角，I是扫描点的反射强度。

S22、利用拟合结果对路面点云的激光反射强度值进行修正，消除入射角的影响。

S23、对修正后的路面点云激光反射强度进行31×31高通滤波。点云强度修正结果参考图6。

S3、提取道路标线

对修正后的路面点云数据进行二值化处理，并提取出道路标线点。该步骤具体通过以下步骤实现：

S31、采用OTSU二值化方法对路面点云进行二值化处理，将强度值高于OTSU阈值的区域作为道路标线。

S32、利用中值滤波去除道路标线中的小面积噪声。道路标线提取结果参考图7。

S4、道路标线目标分割

将S3步骤中提取的道路标线，分割为彼此不重叠的若干个道路标线目标，以便进行分类。该步骤具体通过以下步骤实现：

S41、对路面点云进行4-邻域区域生长，分离出彼此不邻接的道路标线目标。

S42、对于彼此邻接的道路标线目标，无法通过区域生长法进行分割。利用邻点计数法分离彼此邻接的道路标线目标。对于道路标线中的每个点，统计其半径25厘米的邻域内的邻点数目。邻点数目超过200的区域是粗道路标线的邻接区域，利用邻接区域可以把彼此邻接的粗道路标线分隔开；邻点数目在80到200之间的区域是粗道路标线；邻点数据小于80的区域是细道路标线。

S5、计算道路标线目标的特征参数

对每个道路标线目标，计算其几何特征参数，以便进行分类。包括面积、周长、方向和近似宽度四种特征参数。该步骤具体通过以下步骤实现：

S51、对每个道路标线目标，计算其面积、周长、最小包围矩形(参考图8)。

S52、计算每个道路标线目标的最小包围矩形与激光扫描设备轨迹线的夹角，从而获得道路标线目标的方向。

S53、按照下式计算每个道路标线目标的近似宽度：

近似宽度＝2×面积/周长

S6、道路标线目标分类

利用S5步骤中获得的几何参数，构造分类决策树，实现对道路标线目标的分类。该步骤具体通过以下步骤实现：

S61、利用近似宽度、最小包围矩形的长度和宽度、最小包围矩形与激光扫描设备轨迹线的夹角四个参数构造决策树(参考图9)。

S62、夹角小于45度的道路标线目标为纵向标线目标，大于等于45度的道路标线目标为横向标线目标。

S63、并列多条横向标线为减速线，只有一条的横向标线为停止线。

S64、对于纵向标线目标，近似宽度小于70厘米的为细标线，大于等于70厘米的为粗标线。

S65、利用最小包围矩形将细标线分为斑马线、虚线和连续线。其中，斑马线有两种：

45厘米×300厘米

45厘米×600厘米

虚线有四种：

15厘米×200厘米

15厘米×600厘米

45厘米×100厘米

45厘米×200厘米

连续线有两种：

宽度15厘米至20厘米，长度大于600厘米

宽度45厘米，长度大于600厘米

S66、利用最小包围矩形将粗标线分为箭头和非箭头。其中，箭头分为三种：

直行和转向箭头：185厘米×650厘米

调头/左/右转箭头：133厘米×585厘米

直行箭头：90厘米×600厘米

非箭头分为两种：

菱形：140厘米×270厘米

字符：100厘米×240厘米

经过上述步骤后，即可实现对道路标线的自动检测和分类。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.基于移动激光扫描点云的道路标线自动检测和分类方法，其特征在于：包括以下步骤：

S1、对原始点云数据进行路面分割，得到路面点云数据；

S2、利用入射角对所述路面点云数据进行强度修正；

S3、对所述路面点云数据进行二值化处理，并提取出道路标线点；

S4、对所述道路标线点进行分割，分离出彼此独立的道路标线目标；

S5、计算所述道路标线目标的几何特征参数；

S6、利用特征参数构造决策树，对所述道路标线目标进行分类；

其中，步骤S2具体包括以下分步骤：

S21、对路面点云的激光反射强度值和激光入射角的余弦值进行线性拟合；

S22、利用拟合结果对路面点云的激光反射强度值进行修正，消除入射角的影响；

S23、对修正后的路面点云激光反射强度进行高通滤波。

2.如权利要求1所述的基于移动激光扫描点云的道路标线自动检测和分类方法，其特征在于：所述步骤S1具体包括以下分步骤：

S11、将原始点云数据划分为体素，然后进行向上区域生长，直至点云的上边界，从而将原始点云聚类成若干个树结构；

S12、若某个树结构的上边界点的高程超过第一预设阈值，就将该树结构从原始点云中删除；

S13、采用逆距离插值法，将剩余的点云转化成数字地形模型；

S14、对数字地形模型进行高通滤波；

S15、去除高通滤波结果中超过第二预设阈值的点；

S16、从剩余的点中选取最大连通区域作为道路提取结果。

3.如权利要求1所述的基于移动激光扫描点云的道路标线自动检测和分类方法，其特征在于：所述步骤S3具体包括以下分步骤：

S31、采用OTSU二值化方法对路面点云进行二值化处理，并提取出道路标线点；

S32、利用中值滤波去除小面积的噪声。

4.如权利要求1所述的基于移动激光扫描点云的道路标线自动检测和分类方法，其特征在于，所述步骤S4具体包括以下分步骤：

S41、对路面点云进行区域生长，分离出独立的道路标线目标；

S42、利用邻点计数法分离出彼此邻接的道路标线目标。细道路标线、粗道路标线、标线邻接区域的邻点计数结果不同，因此利用邻点计数法可以分离出细道路标线、粗道路标线和标线邻接区域。

5.如权利要求1所述的基于移动激光扫描点云的道路标线自动检测和分类方法，其特征在于：所述步骤S5具体包括以下分步骤：

S51、对每个道路标线目标，计算其面积、周长、最小包围矩形；

S52、计算每个道路标线目标的最小包围矩形与激光扫描设备轨迹线的夹角；

S53、按照下式计算每个道路标线目标的近似宽度：

近似宽度＝2×面积/周长。

6.如权利要求1所述的基于移动激光扫描点云的道路标线自动检测和分类方法，其特征在于：所述步骤S6具体包括以下分步骤：

S61、利用近似宽度、最小包围矩形的长度和宽度、最小包围矩形与激光扫描设备轨迹线的夹角四个参数构造决策树；

S62、利用最小包围矩形与激光扫描设备轨迹线的夹角将道路标线目标分为纵向标线目标和横向标线目标；

S63、将横向标线目标分为停止线和横向减速线；

S64、利用近似宽度将纵向标线目标分为细标线和粗标线；

S65、利用最小包围矩形将细标线分为斑马线、虚线和连续线；

S66、利用最小包围矩形将粗标线分为箭头和非箭头。