CN108831146A - 生成三维高清道路图交叉路口行车线的半自动点云方法 - Google Patents
生成三维高清道路图交叉路口行车线的半自动点云方法 Download PDFInfo
- Publication number
- CN108831146A CN108831146A CN201810394474.7A CN201810394474A CN108831146A CN 108831146 A CN108831146 A CN 108831146A CN 201810394474 A CN201810394474 A CN 201810394474A CN 108831146 A CN108831146 A CN 108831146A
- Authority
- CN
- China
- Prior art keywords
- point
- lane
- voxel
- node
- intersection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
Abstract
本发明公开了一种生成三维高清道路图交叉路口行车线的半自动点云方法,包括:S1、从原始点云中提取地面点;S2、以轨迹点和路缘石为先验知识,利用体素作为区域生长和计算的处理单元,对道路交叉场景进行路面点检测;S3、对提取到的路面点进行路面标识的提取与优化;S4、基于获得的道路标识点提取车道标识;S5、基于提取的车道标识生成行车线。本发明将轨迹点作为先验知识并将体素作为区域生长算法的数据结构,能对交叉路口进行路面检测;利用基于体素的区域生长算法除去非地面点,提高路面检测的精度和计算效率;以路面标识和轨迹点作为输入数据,建立路面标识点间的拓扑关系并标记语义标签,提高道路交叉口处行车线的提取精度和效率。
Description
技术领域
本发明涉及无人驾驶汽车导航领域,具体涉及一种生成三维高清道路图交叉路口行车线的半自动点云方法。
背景技术
无人驾驶汽车利用车载传感器来感知车辆周围环境,并根据感知所获得的道路、车辆位置和障碍物信息,控制车辆的转向和速度,从而使车辆能够安全、可靠地在道路上行驶。而现有的路面检测算法主要针对直行道路和弯道提出,难以准确的检测道路交叉口处路面。
发明内容
本发明的目的在于克服现有技术的不足,提供一种生成三维高清道路图交叉路口行车线的半自动点云方法,其可快速准确地生成点云数据中道路交叉口处的行车线。
为实现上述目的,本发明采用以下技术方案:
生成三维高清道路图交叉路口行车线的半自动点云方法,包括以下步骤:
S1、从原始点云中提取地面点;
S2、以轨迹点和路缘石为先验知识,利用体素作为区域生长和计算的处理单元,对道路交叉场景进行路面点检测;
S3、利用多阈值算法从路面点中提取候选道路标识点,利用密度滤波算法去除候选道路标识点中的噪声,获得道路标识点;
S4、基于道路标识设计参数对获得的道路标识点进行几何滤波以获得车道标识点;
S5、以车道标识点与轨迹点为输入,构造节点结构,基于生成的节点,利用样条曲线算法生成行车线。
进一步地,所述步骤S1包括以下分步骤:
S11、在XOY坐标平面中,将原始点云按照宽度Wb分割成一个点云块集合Bi,i=(1,2,3,…,Nb);
S12、利用向上生长法对所得点云块进行体素分割,得到位于分割顶部的体素Vh和位于分割底部的体素Vl,定义局部高度Hl为Vh和Vl的高度差,定义全局高度Hg为Vh与整体点云中最低点的差;
S13、设置一个局部地面波动阈值Tl和一个全局地面波动阈值Tg,若某一体素的Hg小于Tg且Hl小于Tl,则将这个体素标记为地面体素,否则,将其标记为非地面体素,从而实现地面点的提取。
进一步地,所述步骤S2包括以下分步骤:
S21、将地面点和轨迹点网格化并分入长方体型的体素中,并且使这些体素的高度与点云空间相同,从而通过构造这些体素使地面点和轨迹点被联系起来,选择至少包含一个轨迹点和地面点的体素作为原始种子体素;
S22、利用BFS搜索算法进行体素生长,标记包含路面点的体素,获得路面点。
进一步地,步骤S22具体为:利用BFS搜索算法逐一搜索某一个原始种子体素V0的8个邻接体素V1到V8,若其中任意一个邻接体素符合包含路缘石的体素检测标准,则该体素被标记为路面体素,并且保存在一个队列中;当8个邻接体素都被搜索和标记结束后,则在队列中选择下一个体素作为种子体素,重复相同的搜索步骤;
所述包含路缘石的体素检测标准为:
(1)高度跳跃标准
若部分路缘石被一个体素所覆盖,则该体素内的高度跳跃应该满足:Tcurb_min≤Emax-Emin≤Tcurb_max
其中,Emax和Emin是体素内最大高度和最小高度,Tcurb_min和Tcurb_max代表高度跳跃的阈值,由当地道路设计准则决定;
(2)斜率标准
斜率标准的定义为:
其中,(xi,yi,zi)和(xi+1,yi+1,Zi+1)是体素内两个相邻点的坐标,Tslope是斜率的阈值,由当地道路设计准则决定。
进一步地,步骤S2中,若队列中不存在种子体素,则停止体素生长;若搜索体素和原始种子体素的距离大于预定义的阈值,则停止体素生长。
进一步地,步骤S3包括以下分步骤:
S31、通过多尺度分割将路面点云分割成多个点云集合;
S32、根据道路标识点与非道路标识点强度阈值的不同,利用Otsu阈值转换法确定每个点云集合的强度阈值并且提取出候选道路标识点;
S33、根据道路标识点与噪声的空间密度的不同,利用空间密度滤波消除所述候选道路标识点中的噪声。
进一步地,步骤S33具体为:对于每个候选道路标识点p(x,y,z),搜索其在Rt范围内的邻近点,假设邻近点的数目是k,则p的空间密度D(p)被定义为:
式中(xi,yi,zi)为邻近点的坐标;由于道路标识点具有比噪声更高的空间密度,定义空间密度阈值即可消除所述候选道路标识点中的噪声。
进一步地,步骤S4包括以下分步骤:
S41、对道路标识点进行条件欧氏距离聚类,获得若干个点簇;
S42、为每个点簇导出最小的边界矩形,以提取其几何特征,根据道路标线涂装标准提取车道标识点。
进一步地,步骤S5包括以下分步骤:
S51、构造节点结构:
S511、以轨迹点为输入,以时间间隔T对轨迹点进行重采样并生成一个点集Tj,将点集Tj分块并设置阈值TB限制分块的长度;对于每一块,其坐标系都是确定的,X轴指向车辆前方,Y轴指向车辆左侧,Z轴指向车辆上方,坐标原点位于连接Tj和Tj+1的线段的中点;
S512、以车道标识点为输入,将车道标识点投影到YOZ平面,通过搜索投影的车道标识点,计算车道标识的中心线:若一个车道标识段的宽度大于阈值TM,则将其标记为停止线;通过计算车道中心点MPk和MPk+1的中点生成候选车道中心线节点,若MPk和MPk+1之间的范围小于阈值RT,则删除通过计算他们得到的候选车道中心线节点;
S513、利用最小二乘拟合算法从生成的节点中生成车道中心线,若车道中心线是带有停止线的交叉路口,则将其标记为出口车道,并将其顶点标记为出口节点;否则,将车道标记为入口车道,其顶点标记为入口节点;最后,根据交通规则,利用Gift Wrapping算法为一个道路交叉口的每一个出口车道搜索合适的入口车道;
S52、采用三次Catmull-Rom样条算法生成配对节点的行车线。
进一步地,道路交叉口包括包含四条支路的正常道路交叉口与包含三条支路的T字形道路交叉口;
对于正常道路交叉口:将其四条支路上的入口节点和出口节点分别记为G1,G2,G3和G4,首先由Gift Wrapping算法生成四组凸包,为它们建立拓扑关系;其次,算法在G1中搜索出口节点ExPi,1≤i≤3;在G2、G3和G4搜索所有入口节点EnPi,1≤i≤6;出口节点ExP3和ExP2的对应入口节点EnP3和EnP4分别位于非相邻节点组G2中;最后,从最右边的出口节点ExP3到入口节点EnP1以及从最左边的出口节点ExP1到入口节点EnP6生成额外的链接;以相同的模式处理G2,G3和G4中的出口节点;
对于T形道路交叉口:其两条具有相同方向的分支道路遵循与正常道路交叉口处的分支道路相同的配对规则,对于不能直行的那条分支道路,首先,将分支道路的“出口”节点标记为实体点ExPj,1≤j≤2;入口节点标记为点EnPj,1≤j≤4;最后,从最右边的出口ExP2到入口节点EnP1以及从最左边的出口ExP1到入口顶端EnP4构建链接。
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、本发明将轨迹点作为先验知识并将体素作为区域生长算法的数据结构,因此使算法能够对T型交叉路口和十字交叉路口进行路面检测。
2、本发明利用基于体素的区域生长算法除去非地面点,减少路边物体对检测路缘石产生干扰,并且移除原始点云的异常点,从而提高路面检测的精度和计算效率。
3、本发明利用路面标识和轨迹点作为输入数据,提出一种节点构造算法建立路面标识点间的拓扑关系并标记语义标签,从而能够有效提高道路交叉口处行车线的提取精度和效率。
附图说明
图1为本发明生成三维高清道路图交叉路口行车线的半自动点云方法的工作流程图;
图2(a)为本发明对原始点云数据示意图;图2(b)为分割得到的点云块的示意图;
图3为本发明利用向上生长法对所得点云块进行体素分割的示意图;
图4(a)为本发明将地面点和轨迹点网格化分入长方体型的体素中的示意图;图4(b)为本发明选取包含至少一个轨迹点和路面点的体素作为原始种子体素的示意图;
图5为本发明利用多尺度分割将路面点云分割成多个点云集合的示意图;
图6(a)及图6(b)为本发明对道路标识点进行条件欧氏距离聚类的结果示意图,其中(a)为T字道路交叉口,(b)为正常道路交叉口;
图7(a)为本发明生成行车线的示意图,图7(b)为生成中心点的示意图。
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
本实施例的流程示意图请参阅图1,本发明提供了一种生成三维高清道路图交叉路口行车线的半自动点云方法,包括以下步骤:
S1、从原始点云(原始移动激光扫描点云,简称原始点云)中利用基于体素的向上生长算法从原始点云数据中提取地面点。
该步骤具体通过以下步骤实现:
S11、首先,在XOY坐标平面中,将原始点云按照宽度Wb分割成一个点云块集合Bi(i=1,2,3,…,Nb),分割结果可参考图2所示;
S12、然后,利用向上生长法对所得点云块进行体素分割(参考图3所示),得到位于分割顶部的体素Vh和位于分割底部的体素Vl,定义局部高度Hl为Vh和Vl的高度差,定义全局高度Hg为Vh与整体点云中最低点的差;
S13、最后,设置一个局部地面波动阈值Tl和一个全局地面波动阈值Tg,若一个体素的Hg小于Tg,Hl小于Tl,则将这个体素标记为地面体素(包含地面点的体素)。否则,将其标记为非地面体素(不包含地面点的体素)。
S2、对S1提取出的地面点进行路面点检测
将轨迹点数据(即车辆运行轨迹)和路缘石作为先验知识,利用体素作为区域生长和计算的处理单元,对道路交叉口场景进行路面点检测。
该步骤具体通过以下步骤实现:
S21、首先,将地面点和轨迹点网格化分入长方体型的体素中,并使这些体素的高度与点云空间相同(参考图4(a)所示)。通过构造这些体素将路面点和轨迹点联系起来,将至少包含一个轨迹点和路面点的体素作为原始种子体素(参考图4(b)所示);
S22、然后,利用Breath-first搜索算法进行体素生长,标记包含路面点的体素。一个种子体素V0有8个邻接体素,分别为V1,…,V8。BFS算法逐一搜索V1到V8,若其中任意一个体素符合下文中的判断标准,则该体素就被标记为路面体素,并且保存在一个队列中。当8个体素都被搜索和标记结束后,则在队列中选择下一个体素作为种子体素,并且重复相同的搜索步骤。
包含路缘石的体素检测标准:
(1)高度跳跃标准
若部分路缘石被一个体素所覆盖,则该体素内的高度跳跃应该满足:Tcurb_min≤Emax-Emin≤Tcurb_max
其中,Emax和Emin是体素内最大高度和最小高度。Tcurb_min和Tcurb_max代表高度跳跃的阈值,该阈值由当地道路设计准则决定。
(2)斜率标准
斜率标准的定义为:
其中,(xi,yi,zi)和(xi+1,yi+1,Zi+1)是体素内两个相邻点的坐标,Tslope是斜率的阈值。为了提高算法对噪声的鲁棒性,该方程在单个体素中应该至少被满足10次。
停止体素生长的标准:(1)队列中不存在种子体素,这一步标志着搜索完成;(2)搜索体素和原始种子体素的距离大于预定义的阈值,该阈值限制BFS算法的搜素半径。由于存在路面波动,所以必须限制高度较高的原始种子体素的生长,从而使高度较低的路缘石能够被检测到。
S3、从对S2中检测到的路面点进行路面标识提取和优化。
该步骤具体通过以下步骤实现:
S31、首先,通过多尺度分割将路面点云分割成多个点云集合(参考图(5)所示);
S32、根据道路标识点与非道路标识点强度阈值的不同,利用Otsu阈值转换法确定每个点云集合的强度阈值并且提取出候选道路标识点,该算法彻底搜索最大化类间方差(或最小化类内方差)的阈值。强度的大小应该归一化到0-255。等级i的点数由ni表示,点的总数为N=n0+n1+…+n255。
S33、最后,利用密度滤波优化提取出的候选路面标识点
S4、基于道路标识设计参数对获得的道路标识点进行几何滤波以获得车道标识点;该步骤具体通过以下步骤实现:
S41、提取的道路标识点是孤立的,没有拓扑关系。为了从道路标识点提取车道标记点,应该进行聚类。通过假定附近的点属于相同的道路标识,采用条件欧几里德聚类。最初,所有道路标识点都被标记为非聚类点,并且根据点云的密度确定欧几里得距离阈值dT。算法从随机选取一个未标记的点作为种子点开始,以范围dT为中心的种子点构建一个三维搜索空间。搜索空间内的邻近点被标记并推入队列。当搜索到所有附近的点时,该算法将拾取队列中的下一个点,并使用相同的过程对其进行处理。当队列中没有点时,会生成一个集群。然后,算法随机选择另一个点作为新的种子点,并生成下一个聚类。因此,语义道路标识簇被生成。如图6所示是聚类结果示意图。
S42、为每个点集合导出最小的边界矩形,以提取其几何特征;当道路标识点被聚类时,可以计算点段的几何特征并将其用于车道标记提取。一般来说,测试数据集中有五种类型的道路标识:实线,虚线,斑马线,汉字和转向箭头。根据“城市道路交通标志设计规范(GB51038-2015)”中的道路标线涂装标准,生成最小的边界矩形以提取每个道路标识簇的范围。根据最小边界的几何参数(长度和宽度)提取车道标记。
S5、生成行车线。
该步骤具体通过以下步骤实现:
S51、构造节点结构:通过车道标记节点结构生成和“出口”和“入口”节点配对的组合来构造表示道路交叉口中的车道几何结构的节点结构。
其具体包括:
S511、以时间间隔T对轨迹点进行重采样并生成一个点集Tj,将点集Tj分块并设置阈值TB限制分块的长度;对于每一块,其坐标系都是确定的,X轴指向车辆前方,Y轴指向车辆左侧,Z轴指向车辆上方,坐标原点位于连接Tj和Tj+1的线段的中点。
S512、将点云块Blocki中的车道标识投影到YOZ平面,通过搜索投影的车道标识点,计算车道标识的中心线;若一个车道标识段的宽度大于阈值TM,则将其标记为停止线;通过计算车道中心点MPk和MPk+1的中点生成候选车道中心线节点,若MPk和MPk+1之间的范围小于阈值RT,则删除通过计算他们得到的候选车道中心线节点。
S513、利用最小二乘拟合算法从生成的节点中生成车道中心线,若车道中心线是带有停止线的交叉路口,则将其标记为出口车道,并将其顶点标记为出口节点;否则,将车道标记为入口车道,其顶点标记为入口节点;最后,根据交通规则,利用Gift Wrapping算法为一个道路交叉口的每一个出口车道搜索合适的“入口”车道。
S52、采用三次Catmull-Rom样条算法生成配对节点的行车线。
为了根据交通规则搜索在道路交叉口的“出口”车道的所有“入口”车道,采用GiftWrapping算法。
对于正常道路交叉口,其四条支路上的“入口”节点和“出口”节点分别记为G1,G2,G3和G4。首先由Gift Wrapping算法生成四组凸包,为它们建立拓扑关系。然后,算法在G1中搜索“出口”节点(ExPi(1≤i≤3)),在G2、G3和G4搜索所有“入口”节点(EnPi(1≤i≤6))。“出口”节点ExP3和ExP2的对应“入口”节点EnP3和EnP4分别位于非相邻节点组G2中。从最右边的“出口”节点ExP3到“入口”节点EnP1以及从最左边的“出口”节点ExP1到“入口”节点EnP6生成额外的连接。该算法以相同的模式处理G2,G3和G4中的“出口”节点。
在T形道路交叉口,两条具有相同方向的分支道路遵循与正常道路交叉口处的分支道路相同的配对规则。但是,对于其他分支路的配对规则应该加以讨论,因为车辆在这条分支路上不能直行。分支道路的“出口”节点标记为实体点ExPj(1≤j≤2),“入口”节点标记为点EnPj(1≤j≤4)。链接从最右边的“出口”ExP2到“入口”节点EnP1以及从最左边的“出口”ExP1到“入口”顶端EnP4构建。通过Gift Wrapping算法,可以在T形和普通道路交叉口处确定适合“出口”车道的“入口”车道。
S52、采用三次Catmull-Rom样条算法生成配对节点的行车线。
为了生成从“出口”节点到“入口”节点的安全路径并保持节点处的连续性,采用三次Catmull-Rom样条算法。如图7(a)所示,连接车道a和b的行车线Lab上的5个控制点0(0≤k≤4)。通道a的“出口”节点ExPa设置为“入口”节点EnPb设置为中间点mab被设置为 被设置为使得线平行于车道a的位置,以确保在处的连续性,因为在三次Catmull-Rom样条上的控制点处的切线向量由两个相邻控制点定义它的边。最终控制点根据车道b按照相同的模式设置。
确定中间点以完成转换线的生成。如图7(b)所示,交点的中心点O通过对所有“出口”节点(图中a所示)和“入口”节点(图中b所示)进行平均来计算。对于左转行车线,中间点由和之间的角平分线中的偏移距离DL定义。右转行车线的中间点是以相同的模式确定的。对于直线行车线,中间点定义为线段的中点。根据行车线的类型,定义不同的中间点来生成它们。
Claims (10)
1.生成三维高清道路图交叉路口行车线的半自动点云方法,其特征在于,包括以下步骤:
S1、从原始点云中提取地面点;
S2、以轨迹点和路缘石为先验知识,利用体素作为区域生长和计算的处理单元,对道路交叉场景进行路面点检测;
S3、利用多阈值算法从路面点中提取候选道路标识点,利用密度滤波算法去除候选道路标识点中的噪声,获得道路标识点;
S4、基于道路标识设计参数对获得的道路标识点进行几何滤波以获得车道标识点;
S5、以车道标识点与轨迹点为输入,构造节点结构,基于生成的节点,利用样条曲线算法生成行车线。
2.如权利要求1所述的生成三维高清道路图交叉路口行车线的半自动点云方法,其特征在于,所述步骤S1包括以下分步骤:
S11、在XOY坐标平面中,将原始点云按照宽度Wb分割成一个点云块集合Bi,i=(1,2,3,…,Nb);
S12、利用向上生长法对所得点云块进行体素分割,得到位于分割顶部的体素Vh和位于分割底部的体素Vl,定义局部高度Hl为Vh和Vl的高度差,定义全局高度Hg为Vh与整体点云中最低点的差;
S13、设置一个局部地面波动阈值Tl和一个全局地面波动阈值Tg,若某一体素的Hg小于Tg且Hl小于Tl,则将这个体素标记为地面体素,否则,将其标记为非地面体素,从而实现地面点的提取。
3.如权利要求1所述的生成三维高清道路图交叉路口行车线的半自动点云方法,其特征在于,所述步骤S2包括以下分步骤:
S21、将地面点和轨迹点网格化并分入长方体型的体素中,并且使这些体素的高度与点云空间相同,从而通过构造这些体素使地面点和轨迹点被联系起来,选择至少包含一个轨迹点和地面点的体素作为原始种子体素;
S22、利用BFS搜索算法进行体素生长,标记包含路面点的体素,获得路面点。
4.如权利要3所述的生成三维高清道路图交叉路口行车线的半自动点云方法,其特征在于:步骤S22具体为:利用BFS搜索算法逐一搜索某一个原始种子体素V0的8个邻接体素V1到V8,若其中任意一个邻接体素符合包含路缘石的体素检测标准,则该体素被标记为路面体素,并且保存在一个队列中;当8个邻接体素都被搜索和标记结束后,则在队列中选择下一个体素作为种子体素,重复相同的搜索步骤;
所述包含路缘石的体素检测标准为:
(1)高度跳跃标准
若部分路缘石被一个体素所覆盖,则该体素内的高度跳跃应该满足:
Tcurb_min≤Emax-Emin≤Tcurb_max
其中,Emax和Emin是体素内最大高度和最小高度,Tcurb_min和Tcurb_max代表高度跳跃的阈值,由当地道路设计准则决定;
(2)斜率标准
斜率标准的定义为:
其中,(xi,yi,zi)和(xi+1,yi+1,zi+1)是体素内两个相邻点的坐标,Tslope是斜率的阈值,由当地道路设计准则决定。
5.如权利要求4所述的生成三维高清道路图交叉路口行车线的半自动点云方法,其特征在于:步骤S2中,若队列中不存在种子体素,则停止体素生长;若搜索体素和原始种子体素的距离大于预定义的阈值,则停止体素生长。
6.如权利要求1所述的生成三维高清道路图交叉路口行车线的半自动点云方法,其特征在于:步骤S3包括以下分步骤:
S31、通过多尺度分割将路面点云分割成多个点云集合;
S32、根据道路标识点与非道路标识点强度阈值的不同,利用Otsu阈值转换法确定每个点云集合的强度阈值并且提取出候选道路标识点;
S33、根据道路标识点与噪声的空间密度的不同,利用空间密度滤波消除所述候选道路标识点中的噪声。
7.如权利要求6所述的生成三维高清道路图交叉路口行车线的半自动点云方法,其特征在于:
步骤S33具体为:对于每个候选道路标识点p(x,y,z),搜索其在Rt范围内的邻近点q(xi,yi,zi),假设邻近点的数目是k,则p的空间密度D(p)被定义为:
由于道路标识点具有比噪声更高的空间密度,定义空间密度阈值即可消除所述候选道路标识点中的噪声。
8.如权利要求1所述的生成三维高清道路图交叉路口行车线的半自动点云方法,其特征在于,步骤S4包括以下分步骤:
S41、对道路标识点进行条件欧氏距离聚类,获得若干个点簇;
S42、为每个点簇导出最小的边界矩形,以提取其几何特征,根据道路标线涂装标准提取车道标识点。
9.如权利要求1所述的生成三维高清道路图交叉路口行车线的半自动点云方法,其特征在于,步骤S5包括以下分步骤:
S51、构造节点结构:
S511、以轨迹点为输入,以时间间隔T对轨迹点进行重采样并生成一个点集Tj,将点集Tj分块并设置阈值TB限制分块的长度;对于每一块,其坐标系都是确定的,X轴指向车辆前方,Y轴指向车辆左侧,Z轴指向车辆上方,坐标原点位于连接Tj和Tj+1的线段的中点;
S512、以车道标识点为输入,将车道标识点投影到YOZ平面,通过搜索投影的车道标识点,计算车道标识的中心线:若一个车道标识段的宽度大于阈值TM,则将其标记为停止线;通过计算车道中心点MPk和MPk+1的中点生成候选车道中心线节点,若MPk和MPk+1之间的范围小于阈值RT,则删除通过计算他们得到的候选车道中心线节点;
S513、利用最小二乘拟合算法从生成的节点中生成车道中心线,若车道中心线是带有停止线的交叉路口,则将其标记为出口车道,并将其顶点标记为出口节点;否则,将车道标记为入口车道,其顶点标记为入口节点;最后,根据交通规则,利用Gift Wrapping算法为一个道路交叉口的每一个出口车道搜索合适的入口车道;
S52、采用三次Catmull-Rom样条算法生成配对节点的行车线。
10.如权利要求9所述的生成三维高清道路图交叉路口行车线的半自动点云方法,其特征在于:
道路交叉口包括包含四条支路的正常道路交叉口与包含三条支路的T字形道路交叉口;
对于正常道路交叉口:将其四条支路上的入口节点和出口节点分别记为G1,G2,G3和G4,首先由Gift Wrapping算法生成四组凸包,为它们建立拓扑关系;其次,算法在G1中搜索出口节点ExPi,1≤i≤3;在G2、G3和G4搜索所有入口节点EnPi,1≤i≤6;,出口节点ExP3和ExP2的对应入口节点EnP3和EnP4分别位于非相邻节点组G2中;最后,从最右边的出口节点ExP3到入口节点EnP1以及从最左边的出口节点ExP1到入口节点EnP6生成额外的链接;以相同的模式处理G2,G3和G4中的出口节点;
对于T形道路交叉口:其两条具有相同方向的分支道路遵循与正常道路交叉口处的分支道路相同的配对规则,对于不能直行的那条分支道路,首先,将分支道路的出口节点标记为实体点ExPj,1≤j≤2;入口节点标记为点EnPj,1≤j≤4;最后,从最右边的出口ExP2到入口节点EnP1以及从最左边的出口ExP1到入口顶端EnP4构建链接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810394474.7A CN108831146A (zh) | 2018-04-27 | 2018-04-27 | 生成三维高清道路图交叉路口行车线的半自动点云方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810394474.7A CN108831146A (zh) | 2018-04-27 | 2018-04-27 | 生成三维高清道路图交叉路口行车线的半自动点云方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108831146A true CN108831146A (zh) | 2018-11-16 |
Family
ID=64155712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810394474.7A Pending CN108831146A (zh) | 2018-04-27 | 2018-04-27 | 生成三维高清道路图交叉路口行车线的半自动点云方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108831146A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456792A (zh) * | 2019-08-06 | 2019-11-15 | 清华大学 | 动态环境下的多智能体群系统导航与避障方法及装置 |
CN110873571A (zh) * | 2018-08-30 | 2020-03-10 | 北京嘀嘀无限科技发展有限公司 | 一种路口停车线数据采集方法、系统和装置 |
CN111339802A (zh) * | 2018-12-19 | 2020-06-26 | 长沙智能驾驶研究院有限公司 | 实时相对地图的生成方法及装置、电子设备和存储介质 |
WO2020154967A1 (en) * | 2019-01-30 | 2020-08-06 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Map partition system for autonomous vehicles |
CN112561944A (zh) * | 2020-11-27 | 2021-03-26 | 中央财经大学 | 一种基于车载激光点云的车道线提取方法 |
CN114038203A (zh) * | 2022-01-12 | 2022-02-11 | 成都四方伟业软件股份有限公司 | 一种交通仿真中两点路口车道的曲线拟合方法及装置 |
CN116153057A (zh) * | 2022-09-12 | 2023-05-23 | 东北林业大学 | 基于激光雷达点云估算车道宽度的方法 |
CN111771206B (zh) * | 2019-01-30 | 2024-05-14 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶车辆的地图分区系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105788274A (zh) * | 2016-05-18 | 2016-07-20 | 武汉大学 | 基于时空轨迹大数据的城市交叉口车道级结构提取方法 |
CN106157219A (zh) * | 2016-06-30 | 2016-11-23 | 北京工业大学 | 基于车载扫描系统的道路中心线提取方法和装置 |
CN106503678A (zh) * | 2016-10-27 | 2017-03-15 | 厦门大学 | 基于移动激光扫描点云的道路标线自动检测和分类方法 |
CN106780524A (zh) * | 2016-11-11 | 2017-05-31 | 厦门大学 | 一种三维点云道路边界自动提取方法 |
-
2018
- 2018-04-27 CN CN201810394474.7A patent/CN108831146A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105788274A (zh) * | 2016-05-18 | 2016-07-20 | 武汉大学 | 基于时空轨迹大数据的城市交叉口车道级结构提取方法 |
CN106157219A (zh) * | 2016-06-30 | 2016-11-23 | 北京工业大学 | 基于车载扫描系统的道路中心线提取方法和装置 |
CN106503678A (zh) * | 2016-10-27 | 2017-03-15 | 厦门大学 | 基于移动激光扫描点云的道路标线自动检测和分类方法 |
CN106780524A (zh) * | 2016-11-11 | 2017-05-31 | 厦门大学 | 一种三维点云道路边界自动提取方法 |
Non-Patent Citations (4)
Title |
---|
HAIYAN GUAN ET AL.: "Automated Road Information Extraction From Mobile Laser Scanning Data", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
YONGTAO YU ET AL.: "Learning Hierarchical Features for Automated Extraction of Road Markings From 3-D Mobile LiDAR Point Clouds", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
张达等: "基于车载激光扫描的城市道路提取方法", 《测绘通报》 * |
赵成伟: "地面激光点云分割技术的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110873571A (zh) * | 2018-08-30 | 2020-03-10 | 北京嘀嘀无限科技发展有限公司 | 一种路口停车线数据采集方法、系统和装置 |
CN111339802B (zh) * | 2018-12-19 | 2024-04-19 | 长沙智能驾驶研究院有限公司 | 实时相对地图的生成方法及装置、电子设备和存储介质 |
CN111339802A (zh) * | 2018-12-19 | 2020-06-26 | 长沙智能驾驶研究院有限公司 | 实时相对地图的生成方法及装置、电子设备和存储介质 |
US11468690B2 (en) | 2019-01-30 | 2022-10-11 | Baidu Usa Llc | Map partition system for autonomous vehicles |
KR20200096726A (ko) * | 2019-01-30 | 2020-08-13 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량을 위한 맵 파티셔닝 시스템 |
CN111771206A (zh) * | 2019-01-30 | 2020-10-13 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶车辆的地图分区系统 |
KR102334641B1 (ko) | 2019-01-30 | 2021-12-03 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량을 위한 맵 파티셔닝 시스템 |
WO2020154967A1 (en) * | 2019-01-30 | 2020-08-06 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Map partition system for autonomous vehicles |
CN111771206B (zh) * | 2019-01-30 | 2024-05-14 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶车辆的地图分区系统 |
CN110456792A (zh) * | 2019-08-06 | 2019-11-15 | 清华大学 | 动态环境下的多智能体群系统导航与避障方法及装置 |
CN112561944A (zh) * | 2020-11-27 | 2021-03-26 | 中央财经大学 | 一种基于车载激光点云的车道线提取方法 |
CN114038203A (zh) * | 2022-01-12 | 2022-02-11 | 成都四方伟业软件股份有限公司 | 一种交通仿真中两点路口车道的曲线拟合方法及装置 |
CN116153057A (zh) * | 2022-09-12 | 2023-05-23 | 东北林业大学 | 基于激光雷达点云估算车道宽度的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108831146A (zh) | 生成三维高清道路图交叉路口行车线的半自动点云方法 | |
CN109059944B (zh) | 基于驾驶习惯学习的运动规划方法 | |
CN111079611B (zh) | 一种道路面及其标志线的自动提取方法 | |
CN106780524A (zh) | 一种三维点云道路边界自动提取方法 | |
CN108171131B (zh) | 基于改进MeanShift的Lidar点云数据道路标识线提取方法 | |
US9563808B2 (en) | Target grouping techniques for object fusion | |
JP6197393B2 (ja) | レーン地図生成装置及びプログラム | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
CN105667518A (zh) | 车道检测的方法及装置 | |
CN108898672A (zh) | 一种制作三维高清道路图车道线的半自动点云方法 | |
CN109256028B (zh) | 一种用于无人驾驶的高精度路网自动生成的方法 | |
US20220282994A1 (en) | Variable header and object payload | |
CN101916373B (zh) | 基于小波检测和脊线跟踪的道路半自动提取方法 | |
CN114419152B (zh) | 一种基于多维度点云特征的目标检测与跟踪方法及系统 | |
CN103206957B (zh) | 车辆自主导航的车道线检测与跟踪方法 | |
CN104007760A (zh) | 一种自主机器人视觉导航中的自定位方法 | |
JP2023106536A (ja) | 画像分析に基づく車両ナビゲーションのためのシステム | |
CN114488073A (zh) | 激光雷达采集到的点云数据的处理方法 | |
Li et al. | Topology reasoning for driving scenes | |
CN115435798A (zh) | 无人车高精地图路网生成系统及方法 | |
Qian et al. | Hy-Seg: A hybrid method for ground segmentation using point clouds | |
Xu et al. | A real-time complex road AI perception based on 5G-V2X for smart city security | |
CN115308770A (zh) | 一种基于拟合图形的动态障碍物检测方法 | |
Guo et al. | Curb detection and compensation method for autonomous driving via a 3-D-LiDAR sensor | |
JP5888275B2 (ja) | 道路端検出システム、方法およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |