CN107679458A - 一种基于K‑Means的道路彩色激光点云中道路标线的提取方法 - Google Patents

Abstract

本发明公开了一种基于K‑Means的道路彩色激光点云中道路标线的提取方法，该方法如下：将输入的道路相关的彩色激光点云数据，提取出X、Y、Z、R、G、B六个属性值，进行数据清洗，在XYZ坐标空间进行三维和二维邻域搜索，按照平均高程差筛选出道路点云，按照其RGB色彩空间进行归一化处理，以其R、G、B三个特征值作为三个空间维度，运用K‑Means聚类算法，对道路彩色激光点云数据进行分类，得到道路的道路标线点。本发明提出在道路彩色激光点云的RGB色彩空间进行K‑Means聚类，自动提取出精准的道路标线点，具有较高的覆盖率。

Description

一种基于K-Means的道路彩色激光点云中道路标线的提取 方法

技术领域

本发明涉及车载激光点云数据处理，尤其涉及一种基于K-Means的道路彩色激光点云中道路标线的提取方法。

背景技术

在道路安全评价及仿真领域，车载激光点云测量系统已经得到了广泛的应用。基于360°全景照片制作的实景场景，使得道路环境可视化更加真实，而道路彩色激光点云数据的匹配融合，则造就了道路可视化环境的可量测。在这其中，道路中标线的提取有助于在可量测的360°实景中进行贴图、分析以及安全评价。然而，目前的点云数据格式不一，大多数需要依赖昂贵的测量设备，从设备的设计上着手设计足够多的获取参数，这增加了问题的复杂度。快速有效的从点云的常规数据中提取出道路标线数据，成为当下亟待解决的问题。

目前针对道路标线的提取大致可以分为两类：一类是以点云的反射强度信息为基础，辅助设计一些其他方法结合起来进行提取。例如文献1(参见：李明辉,田雪冬,胡维强.基于车载三维激光扫描的道路线提取研究[J])中提出了利用点云数据空间分布特征和反射强度信息，结合道路标线的几何特征，对道路标识进行提取，但是该方法对点云连续性要求比较高，需要手动设置一些经验参数，相对复杂。

第二类是以多阈值的条件约束方法，对道路标线进行提取。例如文献2(参见：Yongtao Yu,Jonathan Li.Learning hierarchical features for automatedextraction of road markings from 3-D mobile LiDAR point clouds[J])中提出了一种基于约束、多阈值和空间密度过滤的方法，对道路标线进行提取。这种方法一次性提取的道路线会有很多杂点，需要设置空间密度阈值进滤波。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于K-Means的道路彩色激光点云中道路标线的提取方法，该方法简单实效，抗干扰性强，能有效提高提取的精度。

本发明解决其技术问题所采用的技术方案是：一种基于K-Means的道路彩色激光点云中道路标线的提取方法，包括以下步骤：

1)采集道路大场景彩色激光点云数据，对采集的道路大场景彩色激光点云数据进行属性选取，选取其中的基本属性值X(对应纬度)、Y(对应经度)、Z(对应高程)、R、G、B，并进行数据清洗；

2)对清洗后的彩色激光点云数据，在三维空间对每个点的领域进行搜索，进行高程差过滤，得到点的领域内高程变化较低的点，然后将点投影到XOY平面，在二维平面对每个点进行领域搜索，得到点的二维领域内高程差变化较低的点(变化小于设定值的点)，即得到了路面彩色点云；

3)对路面彩色点云数据的R、G、B三个属性值分别归一化处理；

4)以R、G、B三个属性值为三个空间维度，运用K-Means算法对点云进行聚类，得到道路标线点。

按上述方案，所述步骤1)中数据清洗为删除缺少任一一个属性值的点数据。

按上述方案，所述步骤2)中，首先建立点云数据的K-D树三维检索数据结构，加快搜索速度，在三维空间针对点进行K个近邻进行搜索，计算每个邻近点和主点之间的高程差，然后取平均值，计算公式如下：

其中，K为近邻的个数，Z为主点的高程值，Z_i为第i个近邻的高程值，difZ为高程差的平均值；

在上述中取出difZ<σ(σ为一个设定系数值，根据道路的平整度来设定)的点之后，将这些点投影到XOY平面，在平面中再找每个点的K个近邻，计算每个邻近点和主点之间的高程差，然后取平均值，计算公式如下：

其中，K为在投影平面XOY内近邻的个数，Z为主点所对应的投影之前的高程值，Z_i为第i个近邻投影之前的高程值，difZ为高程差的平均值，取出difZ′<σ(σ为一个设定系数值，根据道路的平整度来设定)的点得到道路点。

按上述方案，所述步骤4)中对得到的道路彩色点云进行K-Means聚类算法如下：

(1)随机选取k个聚类质心点为ρ₁,ρ₂,…,ρ_k∈Rⁿ；

(2)重复下面的过程直到质心ρ_j的变化差值小于0.000001；其中；

对于每一个样例i，计算其应该属于的类，

对于每一个类j，j为分类的类别，j＝C⁽ⁱ⁾，重新计算该类的质心，

其中，C⁽ⁱ⁾表示某一类别，x⁽ⁱ⁾＝{rⁱ,gⁱ,bⁱ,}为某一个道路点云坐标，ρ_j＝{r^j,g^j,b^j,}为质心坐标，m为某个类中的点的个数。

本发明产生的有益效果是：

1)与现有技术相比，本发明的具有简单稳定高效的特点，改善了现有技术中初次提取杂点过多的问题；

2)本发明只用到了点云的基本数据，提高了道路标线提取算法的适用性。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明实施例的流程图；

图2为三维空间点与8个近邻间高程差均值示意图；

图3为投影到XOY平面中点与8个近邻间高程差均值示意图；

图4为提取出的路面彩色点云数据展示图；

图5为道路彩色点云以RGB为三个维度的空间展示图；

图6为按照实施例流程提取出的道路标线展示图。

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用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例具体步骤为：

步骤1，对获得的初始道路大场景彩色激光点云数据进行属性选取，只选取其中的基本属性值X(对应纬度)、Y(对应经度)、Z(对应高程)、R、G、B，并进行数据清洗。点云数据的原始属性为纬度、经度、高程，然后通过坐标转换为(X，Y，Z)。

在实施例中，彩色激光点云数据为车载LiDAR系统沿路测量出来的数据，坐标系为大地投影坐标系，选择其中基本的数据X(对应纬度转换过来的值)、Y(对应经度转换过来的值)、Z(对应高程值)、R、G、B，对数据中存在的一些任何缺少任一一个属性值的点进行删除操作(可以很容易的在编程中处理)。

步骤2，针对步骤1处理后的彩色点云数据，在三维空间对每个点的领域进行搜索，进行高程差过滤，得到点的领域内高程变化较低的点，然后将点投影到XOY平面，在二维平面对每个点进行领域搜索，得到点的二维领域内高程差变化较低的点，即得到了路面彩色点云。

实施例中，为了方便直观展示，利用OpenGL编写了一个3D展示软件(也可以不需要)，同时为了提高对点进行邻域搜索的速度，对点云数据进行K-D树三维检索数据结构的建立，在三维空间利用K-D树快速对每个点进行K个近邻的搜索，实施例中K取值为8个，如图2所示，取点P₀的8个近邻{P₁,P₂,P₃,P₄,P₅,P₆,P₇,P₈}，然后计算每个近邻点到P₀的高程差，如下：

difZ_i＝|z_i-z₀|

然后取平均值，公式为：

依次求出每个点的difZ，根据道路平整度，设定一个阈值σ，本实施例取0.02，取出difZ<σ的点，之后将取出来的点投影到XOY平面，如图3所示，在平面XOY中找出点P₀的K个近邻点，本实施例中K取值8，即{P₁′,P₂′,P₃′,P₄′,P₅′,P₆′,P₇′,P₈′}，利用每个近邻点在三维空间的高程值，与P₀点在三维空间的高程差做差值，如下：

difZ_i′＝|z_i′-z₀′|

然后取平均值，公式为：

同样，依次求出每个点的difZ′，根据道路平整度，设定一个阈值τ，本实施例取0.02，取出difZ′<τ的点，即得到了道路路面点，如图4所示。

步骤3，将步骤2中得到的道路彩色激光点云数据的R、G、B三个属性值分别归一化处理。

由于实际数据可能不在0～255之间，需要对RGB值进行归一化处理，实施例中采用的归一化公式如下：

其中，{R₀，G₀，B₀}为实际的点云的RGB值，{R_min,G_min,B_min}为所有点中最小的RGB值，{R_max,G_max,B_max}为所有点中最大的RGB值，{R′,G′,B′}为归一化之后在最终值。

步骤4，以R、G、B三个属性值为三个空间维度，如图5所示，运用K-Means算法对点云进行聚类，得到道路标线点。

实施例中，对得到的道路彩色点云进行K-Means聚类算法如下：

(1)随机选取k个聚类质心点为ρ₁,ρ₁,…,ρ_k∈Rⁿ，实施例中k取值为2；

(2)重复下面的过程直到质心ρ_j的变化差值小于0.000001

对于每一个样例i，计算其应该属于的类

对于每一个类j，重新计算该类的质心，并更新

其中，C⁽ⁱ⁾表示某一类别，x⁽ⁱ⁾＝{rⁱ,gⁱ,bⁱ,}为某一个道路点云坐标，ρ_j＝{r^j,g^j,b^j,}为质心坐标，m为某个类中的点的个数。

实施例采用的道路彩色点云数据，按照以上实施步骤得到道路标线，本发明在实际生产数据上表现良好，能够精确的提取出道路标线，如图6所示。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (5)

1.一种基于K-Means的道路彩色激光点云中道路标线的提取方法，包括以下步骤：

1)采集道路大场景彩色激光点云数据，对采集的道路大场景彩色激光点云数据进行属性选取，选取其中的基本属性值纬度对应值X、经度对应值Y、高程对应值Z、R、G、B，并进行数据清洗；

2)对清洗后的彩色激光点云数据，在三维空间对每个点的领域进行搜索，进行高程差过滤，得到点的领域内高程变化较低的点，然后将点投影到XOY平面，在二维平面对每个点进行领域搜索，得到点的二维领域内高程差变化较低的点，即得到了路面彩色点云；

3)对路面彩色点云数据的R、G、B三个属性值分别进行归一化处理；

4)以R、G、B三个属性值为三个空间维度，运用K-Means算法对点云进行聚类，得到道路标线点。

2.根据权利要求1所述的道路彩色激光点云中道路标线的提取方法，其特征在于，所述步骤1)中数据清洗为删除缺少任一一个属性值的点数据。

3.根据权利要求1所述的道路彩色激光点云中道路标线的提取方法，其特征在于，所述步骤2)中，首先建立点云数据的K-D树三维检索数据结构，加快搜索速度，在三维空间针对点进行K个近邻进行搜索，计算每个邻近点和主点之间的高程差，然后取平均值，计算公式如下：

<mrow> <mi>d</mi> <mi>i</mi> <mi>f</mi> <mi>Z</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>K</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <mo>|</mo> <msub> <mi>z</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>z</mi> <mn>0</mn> </msub> <mo>|</mo> </mrow>

其中，K为近邻的个数，Z为主点的高程值，Z_i为第i个近邻的高程值，difZ为高程差的平均值；

在上述中取出difZ<σ的点之后，将这些点投影到XOY平面，在平面中再找每个点的K个近邻，计算每个邻近点和主点之间的高程差，然后取平均值，计算公式如下：

<mrow> <msup> <mi>difZ</mi> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <mfrac> <mn>1</mn> <mi>K</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <mo>|</mo> <msubsup> <mi>z</mi> <mi>i</mi> <mo>&amp;prime;</mo> </msubsup> <mo>-</mo> <msubsup> <mi>z</mi> <mn>0</mn> <mo>&amp;prime;</mo> </msubsup> <mo>|</mo> </mrow>

其中，K为在投影平面XOY内近邻的个数，Z为主点所对应的投影之前的高程值，Z_i为第i个近邻投影之前的高程值，difZ为高程差的平均值，取出difZ′<σ的点得到道路点。

4.根据权利要求3所述的道路彩色激光点云中道路标线的提取方法，其特征在于，σ为设定系数值，根据道路的平整度设定。

5.根据权利要求1所述的道路彩色激光点云中道路标线的提取方法，其特征在于，所述步骤4)中对得到的道路彩色点云进行K-Means聚类算法如下：

(1)随机选取k个聚类质心点为ρ₁,ρ₂,…,ρ_k∈Rⁿ；

(2)重复下面的过程直到质心ρ_j的变化差值小于0.000001；

对于每一个样例i，计算其应该属于的类

<mrow> <msup> <mi>C</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>:</mo> <mo>=</mo> <munder> <mi>argmin</mi> <mi>j</mi> </munder> <mo>|</mo> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>-</mo> <msub> <mi>&amp;rho;</mi> <mi>j</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow>

对于每一个类j，重新计算该类的质心

<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&amp;rho;</mi> <mi>j</mi> </msub> <mo>:</mo> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> <mi>m</mi> </mfrac> </mrow> </mtd> <mtd> <mrow> <mo>(</mo> <mi>j</mi> <mo>=</mo> <msup> <mi>C</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> </mtd> </mtr> </mtable> </mfenced>

其中，C⁽ⁱ⁾表示某一类别，x⁽ⁱ⁾＝{rⁱ,gⁱ,bⁱ,}为某一个道路点云坐标，ρ_j＝{r^j,g^j,b^j,}为质心坐标，m为某个类中的点的个数。