CN110188664B - 一种基于Snake的车载激光点云矢量道路边界精细提取方法 - Google Patents

Abstract

本发明涉及一种基于Snake的车载激光点云矢量道路边界精细提取方法，包括以下步骤：步骤S1：采集伪轨迹点数据；步骤S2：根据伪轨迹点数据，确定多类型道路边界的初始化选择策略；步骤S3：逐点分析局部邻域内的空间分布特征，进而获取梯度信息；步骤S4：基于离散道路边界点构建Snake模型，提取闭合、非闭合道路边界；步骤S5：对Snake结果进行是否存在道路出入口决策，优化Snake结果；矢量化输出Snake结果，实现道路边界精细提取。本发明能直接面向三维激光点云构建Snake模型实现闭合、非闭合等多类型道路边界的提取，解决了被车辆、行人等地物遮挡、噪声、点密度不均等因素造成道路边界提取不完整的问题，能够得到精确表达道路边界形状的矢量化道路边界信息。

Description

一种基于Snake的车载激光点云矢量道路边界精细提取方法

技术领域

本发明涉及车载激光扫描点云数据处理领域，尤其涉及一种车载激光扫描数据的道路边界提取和矢量化方法。

背景技术

道路边界作为约束道路与道路附属设施分布范围的地物，是重要和基础的交通信息。准确、高精度的道路信息对于智能交通、城市规划以及导航与定位等应用具有重要作用。车载激光扫描系统能够快速获取道路及两侧地物的三维坐标信息，但车载激光点云数据具有数据量大、空间分布不均匀的特点，使提取的道路边界多为离散无序且高度冗余的点集，未形成精确表达道路边界形状的矢量道路边界信息。道路边界不仅包括道路两侧非闭合型的路坎，还包括大量闭合型的环岛、绿化带、花坛等边界。因此，如何矢量化提取车载激光复杂异形道路边界点云是当前道路边界提取的重要难题。

目前，基于车载激光点云数据提取道路边界的算法主要有两种：一是基于激光点云的道路边界提取，这类算法一般是使用道路边界特征来检测、提取道路边界。常用的方法是通过逐点获取的道路边界特征(高程、点密度、法向量等)，利用支持向量机、随机森林或K-means等分类器提取道路边界。但提取结果仍为离散无序且高度冗余的点云集。于是，有学者在利用移动窗口法或高斯滤波法获取候选道路边界点的基础上，结合随机抽样一致(RANSAC)或三次贝塞尔曲线 (Cubic Bezier)算法拟合出道路边界。但该类方法在面对不规则道路边界(绿化带、环岛等)的情况时，很难获取准确的道路边界结果。二是基于特征图像的道路边界提取，这类算法一般是将三维点云转化为二维特征图像，然后从特征图像中去检测、提取道路边界。多数研究是通过分析车载激光点云的高程阶跃，利用图像处理算子检测道路边界位置。一些学者是结合点云的高程、反射强度、脉冲宽度等属性采用主动轮廓模型(Snake模型)、Hough变换等图像处理方法提取道路边界。但这类方法存在精度损耗的问题，因为在转换过程中不可避免的存在格网剖分或数据内插，剖分尺度的设定或内插的过程直接导致了数据精度的耗损及降低。

发明内容

有鉴于此，本发明的目的在于提供一种基于Snake的车载激光点云矢量道路边界精细提取算法，能直接面向三维激光点云构建Snake模型实现闭合、非闭合等多类型道路边界的提取，解决了被车辆、行人等地物遮挡、噪声、点密度不均等因素造成道路边界提取不完整的问题。

为实现上述目的，本发明采用如下技术方案：

一种基于Snake的车载激光点云矢量道路边界精细提取方法，包括以下步骤：

步骤S1：采集伪轨迹点数据；

步骤S2：根据伪轨迹点数据，确定多类型道路边界的初始化选择策略；

步骤S3：逐点分析局部邻域内的空间分布特征，进而获取梯度信息；

步骤S4：基于离散道路边界点构建Snake模型，提取闭合、非闭合道路边界；

步骤S5：对Snake结果进行是否存在道路出入口决策，优化Snake结果；矢量化输出Snake结果，实现道路边界精细提取。

进一步的，所述步骤S1具体为：提取扫描线上分布最密集的点作为车载激光扫描系统作业时的行驶路径，并通过等间距采样获得伪轨迹点。

进一步的，所述步骤S2具体为：

步骤S21：对伪轨迹点数据，采用三次样条插值生成初始曲线v₀(s)＝ (x(s)，y(s)，z(s))，0＜s＜1，s为归一化弧长。

步骤S22：基于初始曲线，引入道路宽度信息w(s)＝(w_l(s)，w_r(s))，初始化多类型道路边界轮廓线：

v(s)＝{v_line(s)，v_closed(s)}，0＜s＜1

其中，非闭合型轮廓线v_line(s)定义为：

式中，

为轮廓线单位法向量，v_r(s)、v_l(s)为非闭合轮廓线左右条带； w_l(s)、w_r(s)分别为非闭合轮廓线距离左右条带v_l(s)、v_r(s)的宽度值；

闭合型轮廓线v_closed(s)：判断初始曲线在半个道路宽度范围内相交于道路边界的点数，将点数大于一定数量的初始曲线点v_b(s)的左右条带v_br(s)、v_bl(s)，结合左右条带始末点插值得到的闭合曲线v₁(s)、v₂(s)定义闭合型轮廓线 v_closed(s)：

v_closed(s)＝(v_bl(s)，v₂(s)，v_br(s)，v₁(s))。

进一步的，所述步骤S3具体为：根据局部邻域内各点的空间分布，将离散的道路边界点P_i(i＝1，2，…，M)的梯度信息(u_p，v_p)描述为道路边界点P_i与局部邻域内各点Q_q(q＝1，2，…，N)在(x，y)方向上同向差值较多的平均值：

式中，u_q、v_q分别为道路边界局部邻域内各点Q_q到中心点Pi于x、y方向上的差值；

分别为x方向u_q的正、负值；u⁺、u^-分别为u_q正、负值的个数；

分别为y方向v_q的正、负值；v⁺、v^-分别为v_q正、负值的个数。

进一步的，所述步骤S4具体为：

步骤S41：基于确定的多类型道路边界Snake的初始位置，构建适合离散道路边界点的Snake模型能量函数，定义如下：

式中，E_int表示模型内部能量，控制曲线的平滑性和连续性；E_ext表示模型的外部能量，吸引Snake向着道路边界处延伸或伸缩；E_con表示模型的约束能量，限制Snake演变的能量；

步骤S42：基于离散点的Snake模型的内部能量E_int表示为：

式中，第一项|v_s(s)|²是Snake轮廓线的一阶导数；第二项|v_ss(s)|²是Snake 轮廓线的二阶导数；α和β为权重参数；

步骤S43：基于离散点的Snake模型的外部能量E_ext表示为：

式中，ω为权重参数，

为Snake曲线中离散点的梯度值；

将左右条带的梯度投影到

上：

其中，Snake各点的梯度值

定义为局部邻域内各点p_j(j＝1，2，…，J) 同向梯度值较多的平均值：

式中，f_x、f_y分别为Snake点在x、y方向上的梯度值；

分别为局部邻域内x方向u_p的正、负值；

分别为u_p正、负值的个数；

分别为局部邻域内y方向v_p的正、负值；

分别为v_p正、负值的个数；

步骤S44：基于离散点的Snake模型的约束能量E_con表示为：

E_con＝E_width+E_ball

式中，E_width为模型宽度约束；E_ball为模型外部方向约束；

其中，E_width是将左右宽度w_l(s)和w_r(s)的一阶导数作为Snake的宽度约束，定义如下：

式中，λ为权重参数；

E_ball作为Snake的外部方向约束力，表示为：

式中，κ为控制约束力方向的参数，取正值或负值使轮廓线具有膨胀或收缩的能量。

步骤S45：最小化Snake模型能量函数驱使非闭合型、闭合型轮廓线收敛于道路边界，得到闭合、非闭合Snake结果。

进一步的，所述步骤S5具体为：

步骤S51：逐点获取Snake结果邻域点集构建协方差矩阵，分解协方差矩阵获得特征值(λ₁≥λ₂≥λ₃)及其特征向量

根据最大特征值λ₁对应的特征向量

即邻域点的主方向，计算主方向与(x，y)方向的夹角u_x、u_y和线性指数L_λ：

选取满足预设条件的Snake点根据索引号的连续性进行分段，计算各分段的长度值d，筛选d满足道路出口宽度的Snake分段点；

步骤S52：计算Snake各分段均值点，以均值点为垂足，结合宽度信息作各分段的垂线；以各分段长度值d定义每段垂线的左右宽度值，获取垂线的左右条带作为道路出入口处拐角的初始轮廓线。

步骤S53：基于确定的拐角初始轮廓线，最小化Snake模型能量函数得到优化后的Snake结果，将矢量化的各类型Snake结果分别输出，实现道路边界的精细提取。

本发明与现有技术相比具有以下有益效果：

本发明能直接面向三维激光点云构建Snake模型实现闭合、非闭合等多类型道路边界的提取，解决了被车辆、行人等地物遮挡、噪声、点密度不均等因素造成道路边界提取不完整的问题，能够得到精确表达道路边界形状的矢量化道路边界信息。

附图说明

图1是本发明的方法流程图；

图2是本发明实施例中初始曲线图；

图3是本发明实施例中非闭合型轮廓线图；

图4是本发明实施例中点阵搜索区域图；

图5是本发明实施例中闭合型轮廓线图；

图6是本发明实施例中拐角轮廓线图；

图7是本发明实施例中Snake结果图；

图8是本发明实施例中矢量道路边界结果图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

请参照图1，本发明提供一种基于Snake的车载激光点云矢量道路边界精细提取方法，包括以下步骤：

步骤A：结合伪轨迹点数据，确定多类型道路边界(闭合、非闭合)的初始化选择策略；

步骤A1：基于车载激光扫描系统的扫描特性实现一维离散点到二维扫描线的转化。由于距离扫描中心越近，扫描线上的点分布越密集，因此，提取扫描线上分布最密集的点作为车载激光扫描系统作业时的行驶路径，并通过等间距采样获得伪轨迹点；针对伪轨迹点，采用三次样条插值(Cubic Spline Interpolation) 生成初始曲线v₀(s)＝(x(s)，y(s)，z(s))，0＜s＜1，s为归一化弧长，该步骤具体通过以下分步骤实现：

步骤A1-1：根据车载激光扫描系统记录点时存在的GPS时间差提取点云扫描线，将每条扫描线上分布最密集的点作为车载激光扫描系统作业时的行驶路径 (如图2(a))，对行驶路径上的点进行等间距采样获得伪轨迹点(如图2(b))；

步骤A1-2：对伪轨迹点进行三次样条插值(Cubic Spline Interpolation)得到初始曲线v₀(s)＝(x(s)，y(s)，z(s))，0＜s＜1，s为归一化弧长(如图2(c))。

步骤A2：对靠左/右行驶路径获取的初始曲线进行预处理。基于初始曲线，结合道路宽度信息w(s)＝(w_l(s)，w_r(s))，初始化多类型道路边界轮廓线，具体包括以下步骤：

步骤A2-1：计算初始曲线的单位法向量

以初始曲线为中心线初始化左右条带，即非闭合型轮廓线(如图3)：

步骤A2-2：以初始曲线各点为中心，分别生成半个道路宽度范围的点阵搜索区域(如图4)；判断点阵搜索区域内每条点线相交于道路边界的点数，此处将两点间距离小于搜索半径r的点视为相交点，r取0.2米；将点数大于一定数量的初始曲线点作为初始化闭合轮廓线的闭合初始曲线v_b(s)(如图5(a))；

步骤A2-3：根据单位法向量与道路宽度得到闭合初始曲线的左右条带(如图5(a))：

以左右条带初始点和末位点分别进行Spline插值得到闭合曲线v₁(s)、v₂(s) (如图5(b))；将得到的曲线按顺序组合即闭合型轮廓线(如图5(c))：

v_closed(s)＝(v_bl(s)，v₂(s)，v_br(s)，v₁(s))

以上，确定了多类型道路边界的初始轮廓线：

v(s)＝{v_line(s)，v_closed(s)}，0＜s＜1

步骤B：逐点分析局部邻域内的空间分布特征，进而获取梯度信息；

步骤B1：通过分析局部邻域内各点的空间分布，将离散的道路边界点P_i，(i＝ 1，2，…，M)梯度(u_p，v_p)信息描述为道路边界点P_i与局部邻域内各点Q_q，(q＝ 1，2，…，N)在(x，y)方向上同向差值较多的平均值；具体为：

步骤B1-1：利用离散的道路边界点构建KD树，逐点P_i以r为半径进行局部邻域搜索，将搜索到的邻域内各点Q_q的(x，y)坐标值与中心点P_i作差：

式中，u_q、v_q分别为道路边界局部邻域内各点Q_q到中心点P_i于x、y方向上的差值。

步骤B1-2：通过分别判断(x，y)方向u_q、v_q正、负值个数，计算同向较多的u_q、 v_q平均值作为离散点在(x，y)方向上增加或减少的大小，即离散点的梯度值：

式中，

分别为x方向u_q的正、负值；u⁺、u^-分别为u_q正、负值的个数；

分别为y方向v_q的正、负值；v⁺、v^-分别为v_q正、负值的个数。

步骤C：基于离散道路边界点构建Snake模型，提取闭合、非闭合道路边界。

步骤C1：基于确定的多类型道路边界Snake的初始位置，设计适合离散道路边界点的Snake模型能量函数，定义如下：

式中，E_int表示模型内部能量，控制曲线的平滑性和连续性；E_ext表示模型的外部能量，吸引Snake向着道路边界处延伸或伸缩；E_con表示模型的约束能量，限制Snake演变的能量。

步骤C2：基于离散点的Snake模型的内部能量E_int表示为：

式中，第一项|v_s(s)|²是Snake轮廓线的一阶导数，控制Snake轮廓线的连续性；第二项|v_ss(s)|²是Snake轮廓线的二阶导数，控制Snake轮廓线光滑性；α和β为权重参数，决定Snake在某点的延伸和弯曲程度，若α＝0时，该点不连续，可出现断点；若β＝0时，该点不平滑，可出现角点。

步骤C3：基于离散点的Snake模型的外部能量E_ext，具体通过以下分步骤实现：步骤C3-1：利用道路边界点与Snake点构建KD树，以每个Snake点为中心，r 为半径进行搜索，将搜索到的局部邻域内除Snake点外的各离散点p_j(j＝1，2，…，J) 梯度值，进行正、负值个数比较，取同向梯度值较多的平均值作为Snake各点的梯度值

式中，f_x、f_y分别为Snake点在x、y方向上的梯度值；

分别为局部邻域内x方向u_p的正、负值；

分别为u_p正、负值的个数；

分别为局部邻域内y方向v_p的正、负值；

分别为v_p正、负值的个数。步骤C3-2：基于离散点的Snake模型外部能量E_ext具体表示为：

式中，ω为权重参数。

为了使非闭合型轮廓线的左右条带有效地收敛到道路边界两侧，将左右条带的梯度投影到

上：

步骤C4：E_con定义为对Snake的限制能量，具体表示为：

E_con＝E_width+E_ball

式中，E_width为模型宽度约束；E_ball为模型外部方向约束。

其中，E_width是将左右宽度w_l(s)和w_r(s)的一阶导数作为Snake的宽度约束，定义如下：

式中，λ为权重参数。

E_ball作为Snake的外部方向约束力，具体表示为，具体表示为：

式中，κ为控制约束力方向的参数，取正值或负值使轮廓线具有膨胀或收缩的能量。

步骤C5：最小化Snake模型能量函数驱使非闭合型、闭合型轮廓线收敛于道路边界，得到闭合、非闭合Snake结果。求解过程是一个常见的变分问题，具体包括以下步骤：

步骤C5-1：初始轮廓线离散形式为：

步骤C5-2：为了得到能量函数最小值，可使用Euler-Lagrange偏微分方程进行求解，用有限差分近似估计轮廓线的各阶导数，可得到求解方程的离散形式：

式中，宽度约束能量E_width仅对v_i中的

进行约束，气球约束力E_ball与内部能量E_int仅对v_i中的x_i、y_i进行约束，外部能量E_exy对v_i中各元素均起作用，因此，使用v＝{v_i}，i＝{1，2，…，n}表示x_i、y_i，w＝{w_i}，i＝{1，2，…，n}表示

将上述方程转为分别求解以下两个离散Euler-Lagrange偏微分方程：

步骤C5-3：首先，对第一个方程进一步求解，得到下式：

步骤C5-4：用f_v(i)表示

e_v(i)表示

以v分组参数：

(β_i-1)v_i-2+(-α_i-2β_i-1-2β_i)v_i-1+(α_i+α_i+1+β_i-1+4β_i+β_i+1)v_i+ (-α_i+1-2β_i-2β_i+1)v_i+1+(β_i+1)v_i+2+f_v(i)+e_v(i)＝0

从上述可以看出，为保持轮廓线连续平滑，轮廓线上各点均与之前两个点和之后两个点存在线性关系。将上式表示成矩阵形式，变量v的系数构成一个五对角带状矩阵，如下所示：

C_-2v_i-2+C_-1v_i-1+C₀v_i+C₊₁v_i+1+C₊₂v_i+2+f_v(i)+e_v(i)＝0

注意，除闭合型轮廓线外，构建五对角带状矩阵时，需将第一个和最后一个点的α、β设为零值，第二个和倒二个点的β设为零值，以满足非闭合条件。

步骤C5-5：用A表示五对角带状矩阵，则矩阵形式表示为：

Av+f(v)+e(v)＝0

此时矩阵A是奇异且不能倒转，通过迭代步长γ和负时间t倒数的乘积求解：

Av_t+γ(v_t-v_t-1)＝-(f(v_t-1)+e(v_t-1))

(A+γI)v_t＝γv_t-1-(f(v_t-1)+e(v_t-1))

v_t＝(A+γI)^-1(γv_t-1-(f(v_t-1)+e(v_t-1)))

步骤C5-6：求解第二个方程：

步骤C5-7：类似地，用f_w(i)表示

以w分组参数，将上式表示成矩阵形式，变量w的系数构成一个三对角带状矩阵，

-λw_i-1+2λw_i-λw_i+1+f_w(i)＝0

步骤C5-8：用L表示三对角带状矩阵，则矩阵形式表示为：

Lw+f(w)＝0

通过迭代步长γ和负时间t倒数的乘积求解：

Lw_t+γ(w_t-w_t-1)＝-f(w_t-1)

(L+γI)w_t＝γw_t-1-f(w_t-1)

w_t＝(L+γI)^-1(γw_t-1-f(w_t-1))

步骤C5-9：通过求解能量函数最小值问题，得到闭合环型与非闭合型道路边界的Snake结果。

步骤D：对Snake结果进行是否存在道路出入口决策，优化Snake结果；矢量化输出Snake结果，实现道路边界精细提取；

步骤D1：逐点获取Snake结果邻域点集构建协方差矩阵，分解协方差矩阵获得特征值(λ₁≥λ₂≥λ₃)及其特征向量

根据最大特征值λ₁对应的特征向量

即邻域点的主方向，计算主方向与(x，y)方向的夹角u_x、u_y和线性指数L_λ：

选取满足预设条件(40≤u_x≤60&30≤u_y≤50&0.4≤L_λ≤0.8)的Snake点根据索引号的连续性进行分段，计算各分段的长度值d，筛选d满足道路出口宽度的Snake分段点(如图6(a))。

步骤D2：计算Snake各分段均值点，以均值点为垂足，结合宽度信息作各分段的垂线；以各分段长度值d定义每段垂线的左右宽度值，获取垂线的左右条带作为道路出入口处拐角的初始轮廓线(如图6(b))。

步骤D3：基于确定的拐角初始轮廓线，采用步骤C5所述的Snake模型最小化求解方法得到优化后的Snake结果(如图7)。

最后，将优化后的Snake结果分别输出，实现道路边界的精细提取(如图8)。从实验结果可以看出，道路边界精细提取结果优化了离散道路边界中存在断裂与噪声点等现象，且实现了闭合与非闭合型矢量道路边界的精细提取。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (4)

1.一种基于Snake的车载激光点云矢量道路边界精细提取方法，其特征在于，包括以下步骤：

步骤S1：采集伪轨迹点数据；

步骤S2：根据伪轨迹点数据，确定多类型道路边界的初始化选择策略；

步骤S3：逐点分析局部邻域内的空间分布特征，进而获取梯度信息；

步骤S4：基于离散道路边界点构建Snake模型，提取闭合、非闭合道路边界；

步骤S5：对Snake结果进行是否存在道路出入口决策，优化Snake结果；矢量化输出Snake结果，实现道路边界精细提取；

所述步骤S4具体为：

步骤S41：基于确定的多类型道路边界Snake的初始位置，构建适合离散道路边界点的Snake模型能量函数，定义如下：

式中，E_int表示模型内部能量，控制曲线的平滑性和连续性；E_ext表示模型的外部能量，吸引Snake向着道路边界处延伸或伸缩；E_con表示模型的约束能量，限制Snake演变的能量；

步骤S42：基于离散点的Snake模型的内部能量E_int表示为：

式中，第一项|v_s(s)|²是Snake轮廓线的一阶导数；第二项|v_ss(s)|²是Snake轮廓线的二阶导数；α和β为权重参数；

步骤S43：基于离散点的Snake模型的外部能量E_ext表示为：

式中，ω为权重参数，

为Snake曲线中离散点的梯度值；

将左右条带的梯度投影到

上：

其中，Snake各点的梯度值

定义为局部邻域内各点p_j(j＝1，2，…，J)同向梯度值较多的平均值：

式中，f_x、f_y分别为Snake点在x、y方向上的梯度值；

分别为局部邻域内x方向u_p的正、负值；

分别为u_p正、负值的个数；

分别为局部邻域内y方向v_p的正、负值；

分别为v_p正、负值的个数；

步骤S44：基于离散点的Snake模型的约束能量E_con表示为：

E_con＝E_width+E_ball

式中，E_width为模型宽度约束；E_ball为模型外部方向约束；

其中，E_width是将左右宽度w_l(s)和w_r(s)的一阶导数作为Snake的宽度约束，定义如下：

式中，λ为权重参数；

E_ball作为Snake的外部方向约束力，表示为：

式中，κ为控制约束力方向的参数，取正值或负值使轮廓线具有膨胀或收缩的能量；

步骤S45：最小化Snake模型能量函数驱使非闭合型、闭合型轮廓线收敛于道路边界，得到闭合、非闭合Snake结果；

所述步骤S5具体为：

步骤S51：逐点获取Snake结果邻域点集构建协方差矩阵，分解协方差矩阵获得特征值(λ₁≥λ₂≥λ₃)及其特征向量

根据最大特征值λ₁对应的特征向量

即邻域点的主方向，计算主方向与(x，y)方向的夹角u_x、u_y和线性指数L_λ：

选取满足预设条件的Snake点根据索引号的连续性进行分段，计算各分段的长度值d，筛选d满足道路出口宽度的Snake分段点；

步骤S52：计算Snake各分段均值点，以均值点为垂足，结合宽度信息作各分段的垂线；以各分段长度值d定义每段垂线的左右宽度值，获取垂线的左右条带作为道路出入口处拐角的初始轮廓线；

步骤S53：基于确定的拐角初始轮廓线，最小化Snake模型能量函数得到优化后的Snake结果，将矢量化的各类型Snake结果分别输出，实现道路边界的精细提取。

2.根据权利要求1所述的一种基于Snake的车载激光点云矢量道路边界精细提取方法，其特征在于，所述步骤S1具体为：提取扫描线上分布最密集的点作为车载激光扫描系统作业时的行驶路径，并通过等间距采样获得伪轨迹点。

3.根据权利要求1所述的一种基于Snake的车载激光点云矢量道路边界精细提取方法，其特征在于，所述步骤S2具体为：

步骤S21：对伪轨迹点数据，采用三次样条插值生成初始曲线v₀(s)＝(x(s)，y(s)，z(s))，0＜s＜1，s为归一化弧长；

步骤S22：基于初始曲线，引入道路宽度信息w(s)＝(w_l(s)，w_r(s))，初始化多类型道路边界轮廓线：

v(s)＝{v_line(s)，v_closed(s)}，0＜s＜1

其中，非闭合型轮廓线v_line(s)定义为：

式中，

为轮廓线单位法向量，v_r(s)、v_l(s)为非闭合轮廓线左右条带；w_l(s)、w_r(s)分别为非闭合轮廓线距离左右条带v_l(s)、v_r(s)的宽度值；

闭合型轮廓线v_closed(s)：判断初始曲线在半个道路宽度范围内相交于道路边界的点数，将点数大于一定数量的初始曲线点v_b(s)的左右条带v_br(s)、v_bl(s)，结合左右条带始末点插值得到的闭合曲线v₁(s)、v₂(s)定义闭合型轮廓线v_closed(s)：

v_closed(s)＝(v_bl(s)，v₂(s)，v_br(s)，v₁(s))。

4.根据权利要求1所述的一种基于Snake的车载激光点云矢量道路边界精细提取方法，其特征在于，所述步骤S3具体为：根据局部邻域内各点的空间分布，将离散的道路边界点P_i(i＝1，2，…，M)的梯度信息(u_p，v_p)描述为道路边界点P_i与局部邻域内各点Q_q(q＝1，2，…，N)在(x，y)方向上同向差值较多的平均值：

式中，u_q、v_q分别为道路边界局部邻域内各点Q_q到中心点P_i于x、y方向上的差值；

分别为x方向u_q的正、负值；u⁺、u^-分别为u_q正、负值的个数；

分别为y方向v_q的正、负值；v⁺、v^-分别为v_q正、负值的个数。

Images