CN111079611B - 一种道路面及其标志线的自动提取方法 - Google Patents
一种道路面及其标志线的自动提取方法 Download PDFInfo
- Publication number
- CN111079611B CN111079611B CN201911251529.XA CN201911251529A CN111079611B CN 111079611 B CN111079611 B CN 111079611B CN 201911251529 A CN201911251529 A CN 201911251529A CN 111079611 B CN111079611 B CN 111079611B
- Authority
- CN
- China
- Prior art keywords
- point
- road surface
- line
- points
- road
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及移动激光雷达数据处理领域,公开了一种通用的移动激光雷达数据道路面的自动提取方法,包括:步骤1,利用统计滤波法剔除离群点,并根据轨迹数据和高程信息从激光雷达数据中提取道路面候选点;步骤2,沿着车辆前进方向,将候选点分割成若干条伪扫描线,并将点云的坐标系统转换为基于伪扫描线的局部坐标系统;步骤3,通过检测道路面与路缘石或排水沟之间的高度突变,实现道路面提取。本发明还公开了一种道路面标志线的自动提取方法。本发明综合利用了轨迹数据,点云的三维坐标、强度信息和强度梯度信息,对不同类型的移动激光雷达数据实现了有效地组织,及道路面与标志线自动化地提取,普适于不同类型的移动激光雷达系统。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种通用的道路面及其标志线的自动提取方法。
背景技术
道路面与标志线是城市空间数据库的重要元素,在高精度定位、环境感知、路径规划以及仿真实验中发挥着重要作用,是智慧城市和智慧交通发展所必需的空间数据。
随着城市数字化进程加快,传统测绘手段已无法满足现代空间数据的快速获取与更新。移动激光雷达技术作为一种主动遥感技术,通过发射激光脉冲和接收回波信号,能在行驶过程中快速地获取高精度的道路场景数据。目前,商业领域可用于获取高精度数据的移动激光雷达系统分为两大类:单线移动激光系统(简称单线系统)和多线移动雷达系统(简称多线系统)。
单线系统采集到的点云具有精度高、内部一致性好和结构简单等特点,如图2中所示。多线系统能采集比单线系统更稠密的点云,但多线系统点云精度较低、内部一致性极其复杂且存在更多的噪声点,如图3中所示。由于两种类型的点云具有不同的内部结构,国内外的相关解译算法主要针对单一类型的数据,尤其是单线系统点云。研究一种通用的移动激光雷达数据道路面与标志线自动提取方法,这对推动移动激光雷达技术的大规模普及,和加快智慧城市、智慧交通的发展具有重要意义。
现有移动激光雷达数据的道路面提取方法主要基于道路面的几何特征和材料特征,包括平面特征、局部高程和路沿检测等。Yuan(2008)等基于最大熵理论的模糊聚类方法将点云聚类成扫描线,根据坡度信息提取近似的水平直线作为路面点云。刘如飞(2015)运用近似平面约束法、有序最小二乘坡度估计法和多尺度窗口迭代分析法提取道路面种子点,然后基于局部坡度滤波提取路面点。方莉娜(2013)利用时间戳将点云分割成不同的扫描线,并根据局部高程、密度和坡度等特征检测路沿,最后通过聚类、去噪和优化提取道路面。
现有移动激光雷达数据的道路面标志线提取方法主要分为两类:(1)基于强度特征图像的标志线提取;(2)直接从3D点云中提取标志线。Yang(2012)利用反距加权插值算法将点云投影成地理参考强度特征图像,然后利用高差信息分割地理参考特征图像,最后通过语义信息提取标志线的轮廓。Soilán(2017)将点云投影成二值图像,然后根据像素分布和几何特征计算道路标线的特征,最后通过前馈网络实现标志线分类。Jung(2019)采用拉普拉斯方程生成栅格图像,然后用期望最大化算法对标志线进行提取。虽然利用成熟的图像处理技术能快速地提取标志线,但3D点云转换为2D图像的过程可能会导致精度损失。为了避免精度损失,部分研究员致力于从3D点云中直接提取标志线。Chen(2009)等沿着轨迹将点云分割成扫描线,然后利用一个基于轮廓线的强度分析方法从扫描线中直接提取道路标线点。Yan(2016)等根据扫描角度将点云分离成扫描线,然后利用强度梯度检测标志线的边缘点。
虽然现在有上述诸多道路面提取方法和道路面标志线提取方法,但是目前仍然存在以下难以克服的问题:
(1)道路面与标志线提取方法大多数还是基于单线系统数据。由于两种系统的点云具有不同的结构特征,因此现有的提取算法并不能通用于不同系统的点云。且由于现有移动激光雷达采集技术的限制,多线系统不同的激光束在不同的时间点采集数据,导致无法利用时间戳、聚类和扫描角度等方式将离散的多线系统点云组织形成扫描线结构;
(2)标志线的提取主要还是基于强度特征图像,但在3D点云转换为2D图像的过程中,会导致精度损失。从激光雷达数据中提取标志线主要仍然是基于标志线的反射强度,但点云的强度信息容易受到扫描距离、扫描角度和材料性质等因素的影响,且多线系统点云的强度信息更为复杂。
发明内容
本发明提供了一种道路面自动提取方法,以解决现有道路面自动提取方法过于依赖单线系统数据而无法通用的问题。
本方案中的道路面自动提取方法,包括以下步骤:
步骤1,利用统计滤波法从获得的采集数据中剔除离群点,并基于获得的轨迹数据和点云的高程信息剔除非地面点,得到候选点集合;
步骤2,沿着车辆行驶方向,将轨迹划分成具有一定宽度的轨迹片段,然后根据候选点集合在轨迹上的垂足点,分别将候选点集合分割成不同的伪扫描线,并将伪扫描线内候选点的坐标系统转换为基于伪扫描线的局部坐标系统;
步骤3,在分割的伪扫描线中,采用移动最小二乘直线拟合获取道路点的拟合直线,并通过计算点到直线的距离,来检测路缘石与道路面之间的高度突变特征,实现道路面提取。
本方案的优点在于:
先通过统计滤波法和高程信息去除掉离群点和非地面点,得到候选点集合,减少需要处理的点云的体积,同时为提取的精确性做了前期准备。然后,根据垂足点将候选点集合分割成不同的伪扫描线,并将通过现有技术获得的三维坐标点都转换为以伪扫描线为基础建立的坐标体系当中,能够有效屏蔽掉现有采集技术中的不足,实现了将不同结构的点云数据组织成扫描线结构的目的。使无论是多线系统还是单线系统采集到的数据,都能够被本方法进行精确处理,这也是本方法能够具有通用性的关键点之一。
此外,通过种子点的定义和路缘石的检测,利用了道路面的几何结构,更加准确直观地完成了道路面的自动提取。
本方案有效解决了现有方法不具通用性的缺点,能够很好的适应各种现有技术采集提取到三维数据完成道路面的自动提取。
通过这个判断方法,快速进行离群点筛选和剔除。
进一步,在步骤一中,根据轨迹高程ZPOS、轨迹高度HPOS和点云高程Zpt,判断每个点的ZPOS-Zpt-HPOS的绝对值是否小于预设的高度阈值,若绝对值小于预设高度阈值则该点被视为候选点保留,反之则视为非地面点剔除。
通过这个判断方法,快速确定候选点集合。
进一步,在步骤2中,首先沿着车辆行驶方向构建轨迹直线,然后利用预设的宽度阈值wth将该直线划分为等宽的连续片段集合;再分别将候选点集合投影在轨迹直线上形成垂足点集合,最后将不同片段内的垂足点集合所对应的候选点集合分割成不同的伪扫描线。
通过此方法,在每个候选点集合片段中形成伪扫描线,便于后面的三维点的坐标变换。
进一步,在步骤2中,将每条伪扫描线内候选点的坐标系统转换为,以该伪扫描线对应的轨迹片段中心为原点的局部右手坐标系,并根据极角θi将点云按逆序排序。
后续的道路面与标志线提取,均基于此局部坐标系统。
进一步,在步骤3中,在每条伪扫描线内,定义轨迹正下方的一个道路点为种子点,沿着种子点到伪扫描线两端,分别移动窗口逐点检测路缘石。
先定义相当于位于道路中间的道路上的三维点为种子点,然后再分别向两侧扫描检测路缘石,能够缩短找到路缘石的时间。
进一步,首先基于最小二乘直线拟合依次拟合移动窗口内的道路点,然后计算候选点到拟合直线的距离d,如果距离d大于预设距离阈值dth,则该点被视为非道路点;当连续的两个候选点被判定为非道路点时,移动窗口停止检测。
在没有路缘石的情况下通过找到非道路点来区分道路边缘界限,方便对道路面的自动提取。
基于上述方法,本发明还提供了一种道路面标志线的自动提取方法,以解决现有标志线提取方法过于依赖强度特征图像精准度不高的问题。
本方案中的道路面标志线自动提取方法,包括以下步骤:
步骤1,利用统计滤波法从获得的采集数据中剔除离群点,并基于获得的轨迹数据和点云的高程信息剔除非地面点,得到候选点集合;
步骤2,沿着车辆行驶方向,将轨迹划分成具有一定宽度的轨迹片段,然后根据候选点集合在轨迹上的垂足点,分别将候选点集合分割成不同的伪扫描线,并将伪扫描线内候选点的坐标系统转换为基于伪扫描线的局部坐标系统;
步骤3,在分割的伪扫描线中,采用移动最小二乘直线拟合获取道路点的拟合直线,并通过计算点到直线的距离,来检测路缘石与道路面之间的高度突变特征,实现道路面提取;
步骤4,在提取的道路面中,采用基于局部密度的自适应窗口中值滤波器平滑道路面的强度信息;
步骤5,在平滑后的道路面中,采用多约束方法检测道路和标志线之间的边缘点,实现标志线提取;
步骤6,在提取的标志线中,基于标志线的结构特征和维度特征,优化道路标志线。
本方案的优点在于:现有技术中,Yan(2016)等使用强度梯度检测单线系统点云中的标志线边缘,由于多线系统点云的复杂性,标志线内部的点云强度值,波动非常剧烈且不具有规律性,如图5所示。使用一对非零正负梯度值的方法可能会将噪点错误地检测为标志线边缘点。Wang(2018)等在提取的道路面上,根据强度的分布特征使用直通滤波器提取标志线,但其不能提取低强度的标志线点云,尤其是标志线边缘点云。
而本方案为了处理不同系统的点云,且能有效提取低强度的标志线边缘点。在提取的道路面上,先是通过基于局部密度的自适应窗口中值滤波器平滑道路面的强度信息,有效抑制了扫描距离、扫描角度和材料性质对点云强度值的影响,增强了算法的稳健性;然后通过多约束方法来检测道路面和标志线之间的边缘点,进而达到提取直接标志线的目的。在提取标志线的同时,基于标志线的结构特征和维度特征,优化道路标志线,剔除提取成果中的非标志噪点,使标志线提取得更加精准。本方案克服了现有标志线提取过于依赖强度特征图像的问题,有效避免了将3D点云转换为2D图像的过程中造成精度损失。且能有效从不同系统的点云中提取标志线,实现了对不同系统的通用化处理。
进一步,在步骤4中,在每条伪扫描线内,构建k-d树索引每个道路点的邻域并统计最近邻点的数量,基于不同的局部密度自动选择不同尺寸的滤波窗口;在滤波窗口中,将窗口的强度中值替代窗口中心的强度值。从而达到平滑强度噪声的目的。
沿着种子点到道路面边缘,由于道路点的局部密度逐渐变得稀疏,使用一个固定尺寸的滤波窗口,可能会导致稀疏区域的标志边缘点的强度值被过滤,还可能导致稠密区域的标志线平滑效果不足。为了达到有效地抑制道路面的强度噪声,同时保护标志边缘点的强度值,而本方案采用了一种基于局部密度的自适应窗口中值滤波器,根据不同的局部密度,自动选择不同尺寸的窗口。这样,达到最佳的道路面平滑效果,使得后续处理中计算强度梯度和建立强度统计直方图变得更加稳健可靠。
进一步,在步骤5中,首先在每条平滑后的伪扫描线内,计算每个点云的强度梯度;然后根据平滑后的道路面的强度统计直方图,计算标志线强度特征;通过结合强度梯度和标志线强度特征检测道路与标志线之间的边缘点,并直接提取标志线。
由于多线系统点云的复杂性,即使道路面经过平滑处理,仍有小部分噪点没有被彻底地抑制,如果只使用强度梯度检测标志线边缘点,这些噪点很可能会被错误地检测为标志线边缘点。为了准确地检测伪扫描线中标志线的边缘点,本方案基于强度梯度和强度值统计直方图的多约束边缘检测方法,能够克服掉过度依赖强度特征图像的缺点,实现了对不同类型点云的道路面和标志线边缘精确检测,并直接提取标志线。
在步骤6中,首先基于欧式聚类法将点云分割成单独的类,根据标志线的结构特征剔除被错误提取的非标志点;然后构建k-d树计算每个点云的维度特征,进一步剔除非标志点。
通过这些方法进一步精确标志线,提高标志线自动提取的精准度。
综上,本发明具有如下优点:
(1)基于垂足点使点云分割成了伪扫描线,实现了对不同类型的数据进行有效地组织;(2)伪扫描线是一种简单的线性数据结构,处理的点云数据量更少,且能运用并行运算,处理效率得到了加大提高;(3)利用自适应窗口中值滤波器平滑道路面强度信息,克服了强度噪声影响,有效地提升了该发明的抗噪能力;(4)基于强度梯度和强度值统计直方图的检测策略,能有效地从不同类型的数据中直接提取标志线。
本发明中,获得的采集数据可以是移动激光雷达数据、也可以是其他采集技术采集出来的三维数据,路面数据的获取仪器不局限于汽车、推车或摩托车等移动载体,也可以是无人机、直升机等现有的其他采集设备。本发明中的道路面自动提取方法具有通用性,适用于现有的各种采集设备和采集场景。同样的,提取标志线的方法也不局限于移动采集设备,也可以是其他现有的采集设备,该方法同样具有通用性。
附图说明
图1是本发明实施例一的流程图;
图2是本发明实施例一的单线系统数据的示意图;
图3是本发明实施例一的多线系统数据的示意图;
图4是本发明实施例一中的基于伪扫描线的局部坐标系统示意图;
图5是本发明实施例一平滑前局部的标志线点云强度值示意图;
图6是本发明实施例一平滑后局部的标志线点云强度值示意图;
图7是本发明实施例一中的非标志点示意图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一
本实施例提供的技术方案能够使用已有技术手段利用计算机语言实现道路面和标志线的自动提取,道路面及其标志线的自动提取方法流程如图1所示,包括以下步骤:
步骤1:从现有的采集设备中获得道路采集数据,可以是从移动激光雷达采集系统中获取移动激光雷达数据(可以是单系统数据,也可以是多系统数据),也可以是其他现有采集设备/系统中获得的采集数据,利用统计滤波法剔除离群点,并根据GNSS(所有国家的卫星)轨迹数据和高程信息从激光雷达数据中选取道路面候选点;
本步骤具体实施如下:
步骤1.2,根据轨迹高程ZPOS、轨迹高度HPOS和点云高程Zpt,建立判别方程式:ZPOS-Zpt-HPOS,若判别式的绝对值小于高度阈值,则该点被视为候选点,给予保留。高度阈值根据经验取值,一般设置为0.6m。
步骤2:利用GNSS轨迹数据和点云在轨迹上的垂足点,将候选点分割成伪扫描线;
本步骤具体实施如下:
步骤2.1,首先沿着车辆行驶方向构建轨迹直线,然后利用宽度阈值wth将该直线划分为宽度约0.05m的片段集合并进行编号。再分别将候选点集合投影在直线上,根据垂足点坐落的片段编号,将垂足点对应的候选点分割为不同的伪扫描线。
步骤2.1,为了简化后续处理,如图4所示,将每条伪扫描线内候选点的GNSS坐标系统转换为,以片段中心为原点的局部右手坐标系统,并根据极角θi将点云按逆序排序。后续的道路面与标志线提取,均基于此局部坐标系统。
步骤3:利用道路面与路缘石(或排水沟)之间的高度突变,实现道路面提取;
为了保护道路面,路缘石(或排水沟)被修建在道路边界,道路面低于路缘石且高于排水沟。因此,在伪扫描线的横截面中,道路面与连接物之间存在一定的高度差异。基于道路面的几何结构,通过检测路缘石即可提取完整的道路面。
本步骤具体实施如下:
步骤3.1,在每条伪扫描线内,定义轨迹正下方的一个道路点为种子点。
步骤3.2,沿着种子点到伪扫描线两端,移动窗口逐点检测路缘石。首先基于最小二乘直线拟合依次拟合移动窗口内的道路点,见公式(1),然后计算候选点到拟合直线的距离d,见公式(2)。如果距离d大于距离阈值dth,则该点被视为非道路点。当连续的两个候选点被判定为非道路点时,移动窗口停止检测。距离阈值根据经验取值,一般设置为0.04m。
公式(1)中,k为拟合直线的斜率;b为拟合直线的截距xi和yi是移动窗口内第i个点的2D坐标,i=1,2,...,n;n为移动窗口的尺寸,根据经验取值,一般设置为20;
公式(2)中,A、B和C为拟合直线的回归系数,xp和yp为候选点的2D坐标。
步骤4:采用基于密度的自适应窗口中值滤波器平滑道路面的强度信息;
沿着种子点到道路面边缘,由于道路点的局部密度逐渐变得稀疏,使用一个固定的滤波窗口,可能会导致稀疏区域的标志边缘点的强度值被过滤,还可能导致稠密区域的标志线平滑效果不足。为达到最佳的平滑效果,我们采用了一种基于局部密度的自适应窗口中值滤波器。
本步骤具体实施如下:
步骤4.1,在伪扫描线内,构建k-d树索引每个道路点的邻域并统计最近邻点的数量,基于不同的局部密度选择不同尺寸的窗口,见公式(3):
公式(3)中,Sw为中值滤波窗口的尺寸;Smax为最大窗口尺寸,根据经验取值,一般设置为7;ζ为偶系数,根据经验取值,一般设置为2;pn为局部点云的数量,根据经验取值,N1和N2一般设置为5和10。
步骤4.2,在滤波窗口中,将窗口的强度中值替代窗口中心的强度值,从而达到平滑强度噪声的目的。在密度稀疏区域,选择小尺寸滤波窗口;在密度稠密区域,选择大尺寸滤波窗口。这样,根据不同的局部密度,自动选择不同的窗口尺寸,即可有效地抑制道路面的强度噪声,又保护标志边缘点的强度值,使得后续处理中计算强度梯度和构建强度统计直方图变得更加稳健。如图5和图6所示,伪扫描线内点云的强度值经自适应窗口中值滤波后,强度噪声被有效抑制,同时标志线边缘点的强度值被保护。
步骤5:采用多约束方法检测道路和标志线之间的边缘;
经过基于局部密度的自适应窗口中值滤波器处理后,标志点的强度值变得较为平滑。如图6所示,由于多线系统点云的复杂性,即使道路面经过平滑处理,仍有小部分噪点没有被彻底地抑制,实用强度梯度的方法依旧可能会将这些噪点错误地检测为标志线边缘点。为了准确地检测伪扫描线中标志线的边缘点,我们提出了一种基于强度梯度和强度统计直方图的多约束检测方法。
步骤5.1,在平滑后的伪扫描线中,计算各道路点的强度梯度,见公式(4),并根据平滑后的道路面的强度值构建强度统计直方图。
Gi=Ii-Ii-k (4)
公式(4)中,Gi为第i个点的强度梯度;Ii和Ii-k为第i和第i-k个点的平滑后的强度值,i=1,2,...,n;k为梯度的尺寸,根据经验取值,一般设置为3;
步骤5.2,沿着伪扫描线从左到右,进入标志线的边缘被定义为左边缘,离开标志线的边缘被定义为右边缘。基于强度梯度和强度统计直方图的多约束方法,标志边缘点被逐点检测,见公式(5):
公式(5)中,pth为非零正梯度阈值;nth为非零负梯度阈值;ξth为从强度统计直方图提取的强度阈值,其表征了大多数标志线的强度值;由于不同激光雷达系统采集的数据,其强度值量级具有非常大的差异性,pth、nth和ξth应根据采集数据的强度特征进行设置。
在每条伪扫描线中,左边缘的点为标志线点,其强度梯度大于非零正值,且强度值接近大多数标志线的强度值;右边缘的点是非标志线点,其强度梯度小于非零负值,且强度值小于大多数标志线的强度值。通过检测成对的左右边缘点,并提取左右边缘之间的点云即为标志线点,因此通过逐伪扫描线检测,所有的标志线能够被直接提取。
在该方案中我们使用了多个约束条件,即强度提取和标志线强度特征。强度梯度能有效检测强度值突变的点云,但容易受到噪点的干扰。为了准确探测真实的标志线边缘点,还使用了标志线强度特征。由于数据的复杂性,标志线的强度值是不统一的。一个恒定的强度阈值,无法适应不同的系统数据,因此我根据统计学原理,计算不同系统数据标志线的强度特征,提取道路点与标志线之间的边缘点强度特征。通过结合强度梯度和标志线强度特征精确地检测标志线边缘点,避免了标志线内部噪点的干扰,普适于具有不同强度值量级的标志线。
步骤6:基于标志线的结构特征和维度特征剔除非标志点;
由于道路面和标志线强度的相似性,提取的标志线中存在小部分非标志点。这些噪点表现为两种形式:(1)标志线外的离散段,如图7中#1所示;(2)标志线内的线性段,如图7中#2所示。
本步骤具体实施如下:
步骤6.1,基于欧式距离聚类,将标志点分割成单独的标志类。标志线能被分割成多条伪扫描线,而离散段通常只能被分割成少量的伪扫描线。根据该结构特征,如果标志类被分割成伪扫描线的数量小于数量阈值则该标志类被判断为噪点,给予剔除。计算该数量阈值,见公式(6):
步骤6.2,在邻域范围内,真实的标志点构成二维平面,而噪点构成一维线段。构建k-d树索引每个点云的邻域,并计算该点的线性度,见公式(7):如果该点的线性度大于特征阈值lth,则该点被判定为噪点,给予剔除。根据经验取值,lth一般设置为0.95。
公式(7)中,linearity为线性度;λ1、λ2和λ3是协方差矩阵的三个特征值,且λ1≥λ2≥λ3≥0。
本实施例针对不同类型的移动激光雷达数据(即:单线系统点云和多线系统点云),公开了一种通用的道路面与标志线自动提取方法。利用统计滤波法、GNSS轨迹数据和点云的高程选取道路面候选点,减少点云体积;根据轨迹直线和点云的垂足点分割候选点成不同的伪扫描线,实现点云的有效组织;根据道路面和路缘石(或排水沟)的几何特征,实现道路面提取;采用基于密度的自适应窗口中值滤波器平滑道路面的强度信息,增强算法的稳健性;通过强度梯度和强度统计直方图的多约束方法,避免了扫描距离和扫描角度对点云强度值的影响,实现标志线直接提取;基于标志线的结构特征和维度特征,剔除标志线中的非标志点,最终实现了道路面与标志线的自动提取。
实施例二
本实施例与实施例一的区别在于,采用北斗卫星导航系统获取轨迹数据和点云数据。
实施例三
本实施例与实施例一的区别在于,在实现道路面的提取步骤中,对道路面与道路面边缘的高度差进行定义。道路面边缘包括但不限于,道旁树、地砖、盲道、路灯等。
每个高度差对应至少一种道路面预设宽度范围。在道路面提取过程中,通过对道路面与道路面边缘的高度差计算,提取该高度差对应的道路面预设宽度范围,将该道路面预设宽度范围与已经测得的道路面边缘之间的距离进行比较,在比较时,通过同一段道路的至少三个点进行比较。若道路面边缘之间的距离小于道路面预设宽度范围,则判断该道路面是否被道路边缘遮挡,如果判断是被遮挡,则将前后一定长度内的道路边缘点拟合成两条光滑曲线,再通过聚类和追踪的方法连接这两条曲线,使局部的道路面边缘形成一条完整曲线,并自动通过预设密度范围对路面的缺口进行补偿,将补偿后的道路面作为被提取的道路面。
本实施例把路旁常见的道旁树、地砖、盲道、路灯等相关要素作为边界标示,结合具体区域的参考数据(如路灯距离路肩的距离),来进行特定环境的路面提取。还可以解决路旁停车遮挡路肩等问题。
实施例四
本实施例与实施例一的区别在于,在实现标志线的提取步骤中,对标志线的类型进行定义。标志线的类型包括但不限于,矩形标志、箭头标志等。
每个标志线至少对应一种预定义标志线类型。在提取标志线的过程中,通过欧式距离聚类的方法,将提取的标志线点聚类成单独的标志类。首先,将标志线不同边缘的点拟合成直线;然后,计算每条拟合边缘的趋向,并计算依次两相邻拟合边缘之间的夹角。如该标志线任意两条相邻边缘的趋向和夹角,呈近似垂直状态,则判定其为矩阵标志。此外,将该矩形标志的重心坐标,与道路面预设网格坐标范围比较,根据重心坐落的区域,将该标志分类为道路中心线、道路边界线或车道分界线等。如该标志线的任意两条相邻边缘的趋向和夹角,存在非垂直状态,则判定其为箭头标志。此外,结合语义知识该标志线被进一步分类,若存在圆弧边缘,则分类为掉头线;若存在钝角转折边缘,则分类为转弯线等,根据其他几何特征箭头标志被分类但不局限于掉头线、转弯线、出口线或方向线等。
本实施例把道路面中常见的矩形、箭头标志等相关要素作为分类表示,结合具体几何特征,来进行特定类型的标志线提取。还可以解决标志线功能分类等问题。
以上说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (9)
1.一种道路面的自动提取方法,其特征在于,包括以下步骤:
步骤1,利用统计滤波法从获得的采集数据中剔除离群点,并基于获得的轨迹数据和点云的高程信息剔除非地面点,得到候选点集合;
步骤2,沿着车辆行驶方向,将轨迹划分成具有一定宽度的轨迹片段,然后根据候选点集合在轨迹上的垂足点,分别将候选点集合分割成不同的伪扫描线,并将伪扫描线内候选点的坐标系统转换为基于伪扫描线的局部坐标系统;
步骤3,在分割的伪扫描线中,采用移动最小二乘直线拟合获取道路点的拟合直线,并通过计算点到直线的距离,来检测路缘石与道路面之间的高度突变特征,实现道路面提取;
5.根据权利要求1所述的道路面的自动提取方法,其特征在于,在步骤3中,在每条伪扫描线内,定义轨迹正下方的一个道路点为种子点,沿着种子点到伪扫描线两端,分别移动窗口逐点检测路缘石。
7.一种道路面标志线的自动提取方法,其特征在于,包括以下步骤:
步骤1,利用统计滤波法从获得的采集数据中剔除离群点,并基于获得的轨迹数据和点云的高程信息剔除非地面点,得到候选点集合;
步骤2,沿着车辆行驶方向,将轨迹划分成具有一定宽度的轨迹片段,然后根据候选点集合在轨迹上的垂足点,分别将候选点集合分割成不同的伪扫描线,并将伪扫描线内候选点的坐标系统转换为基于伪扫描线的局部坐标系统;
步骤3,在分割的伪扫描线中,采用移动最小二乘直线拟合获取道路点的拟合直线,并通过计算点到直线的距离,来检测路缘石与道路面之间的高度突变特征,实现道路面提取;
步骤4,在提取的道路面中,采用基于局部密度的自适应窗口中值滤波器平滑道路面的强度信息;
步骤5,在平滑后的道路面中,采用多约束方法检测道路和标志线之间的边缘点,实现标志线提取;
步骤6,在提取的标志线中,基于标志线的结构特征和维度特征,优化道路标志线;
8.根据权利要求7所述的道路面标志线的自动提取方法,其特征在于,在步骤4中,在每条伪扫描线内,构建k-d树索引每个道路点的邻域并统计最近邻点的数量,基于不同的局部密度自动选择不同尺寸的滤波窗口;在滤波窗口中,将窗口的强度中值替代窗口中心的强度值。
9.根据权利要求7所述的道路面标志线的自动提取方法,其特征在于,在步骤5中,首先在每条平滑后的伪扫描线内,计算每个点云的强度梯度;然后根据平滑后的道路面的强度统计直方图,计算标志线强度特征;通过结合强度梯度和标志线强度特征检测道路与标志线之间的边缘点,并直接提取标志线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251529.XA CN111079611B (zh) | 2019-12-09 | 2019-12-09 | 一种道路面及其标志线的自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251529.XA CN111079611B (zh) | 2019-12-09 | 2019-12-09 | 一种道路面及其标志线的自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079611A CN111079611A (zh) | 2020-04-28 |
CN111079611B true CN111079611B (zh) | 2021-03-30 |
Family
ID=70313587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911251529.XA Active CN111079611B (zh) | 2019-12-09 | 2019-12-09 | 一种道路面及其标志线的自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079611B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862054B (zh) * | 2020-07-23 | 2021-09-28 | 南京航空航天大学 | 一种铆钉轮廓点云提取方法 |
CN111881817A (zh) * | 2020-07-27 | 2020-11-03 | 北京三快在线科技有限公司 | 一种提取特定区域的方法、装置、存储介质及电子设备 |
CN112686089B (zh) * | 2020-10-10 | 2023-06-13 | 星际空间(天津)科技发展有限公司 | 道路信息智能化自动提取方法 |
CN112285734B (zh) * | 2020-10-30 | 2023-06-23 | 北京斯年智驾科技有限公司 | 基于道钉的港口无人集卡高精度对准方法及其对准系统 |
CN113218310B (zh) * | 2021-04-16 | 2022-08-12 | 华中师范大学 | 基于三维激光点云的尾矿库干滩重要参数提取方法及系统 |
CN113252027B (zh) * | 2021-06-21 | 2021-10-01 | 中南大学 | 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质 |
CN113378800B (zh) * | 2021-07-27 | 2021-11-09 | 武汉市测绘研究院 | 基于车载三维点云的道路标志线自动分类与矢量化方法 |
CN114003042B (zh) * | 2021-11-02 | 2023-05-12 | 福建省海峡智汇科技有限公司 | 一种基于强化学习的移动机器人路径跟踪方法 |
CN114119998B (zh) * | 2021-12-01 | 2023-04-18 | 成都理工大学 | 一种车载点云地面点提取方法及存储介质 |
CN114463521B (zh) * | 2022-01-07 | 2024-01-30 | 武汉大学 | 一种面向空地影像数据融合的建筑目标点云快速生成方法 |
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 |
CN116363159B (zh) * | 2023-04-19 | 2024-05-03 | 济南大学 | 一种基于多窗口差分阈值滤波法的点云道路边界提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2889641A1 (en) * | 2013-12-27 | 2015-07-01 | Ricoh Company, Ltd. | Image processing apparatus, image processing method, program and image processing system |
CN106525000A (zh) * | 2016-10-31 | 2017-03-22 | 武汉大学 | 基于激光扫描离散点强度梯度的道路标线自动化提取方法 |
CN107356933A (zh) * | 2017-06-23 | 2017-11-17 | 南京理工大学 | 一种基于四线激光雷达的非结构化道路检测方法 |
CN108062517A (zh) * | 2017-12-04 | 2018-05-22 | 武汉大学 | 基于车载激光点云的非结构化道路边界线自动提取方法 |
CN108845569A (zh) * | 2018-04-27 | 2018-11-20 | 厦门维斯云景信息科技有限公司 | 生成三维高清道路图水平弯道行车线的半自动点云方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201116959D0 (en) * | 2011-09-30 | 2011-11-16 | Bae Systems Plc | Vehicle localisation with 2d laser scanner and 3d prior scans |
-
2019
- 2019-12-09 CN CN201911251529.XA patent/CN111079611B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2889641A1 (en) * | 2013-12-27 | 2015-07-01 | Ricoh Company, Ltd. | Image processing apparatus, image processing method, program and image processing system |
CN106525000A (zh) * | 2016-10-31 | 2017-03-22 | 武汉大学 | 基于激光扫描离散点强度梯度的道路标线自动化提取方法 |
CN107356933A (zh) * | 2017-06-23 | 2017-11-17 | 南京理工大学 | 一种基于四线激光雷达的非结构化道路检测方法 |
CN108062517A (zh) * | 2017-12-04 | 2018-05-22 | 武汉大学 | 基于车载激光点云的非结构化道路边界线自动提取方法 |
CN108845569A (zh) * | 2018-04-27 | 2018-11-20 | 厦门维斯云景信息科技有限公司 | 生成三维高清道路图水平弯道行车线的半自动点云方法 |
Non-Patent Citations (2)
Title |
---|
Road Surface Recognition Using Laser Radar for Automatic Platooning;Masahiko Aki et al;《IEEE Transactions on Intelligent Transportation Systems》;20160404;第2800-2810页 * |
车载激光扫描数据城市道路及交通标线提取方法研究;满丹;《中国优秀硕士学位论文全文数据库基础科学辑(月刊)》;20180615;第1-55页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111079611A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079611B (zh) | 一种道路面及其标志线的自动提取方法 | |
CN109858460B (zh) | 一种基于三维激光雷达的车道线检测方法 | |
CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
CN106951879B (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
CN109188459B (zh) | 一种基于多线激光雷达的坡道小障碍物识别方法 | |
CN106022381B (zh) | 基于车载激光扫描点云的路灯杆自动提取方法 | |
CN103778429B (zh) | 一种车载激光扫描点云中道路信息自动提取方法 | |
CN103077384B (zh) | 一种车标定位识别的方法与系统 | |
CN108519605A (zh) | 基于激光雷达和摄像机的路沿检测方法 | |
CN108062517A (zh) | 基于车载激光点云的非结构化道路边界线自动提取方法 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN112200171B (zh) | 一种基于扫描线的道路点云的提取方法 | |
Ibrahim et al. | Curb-based street floor extraction from mobile terrestrial LiDAR point cloud | |
CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
CN109870458B (zh) | 一种基于三维激光传感器及包围盒的路面裂缝检测与分类方法 | |
JP4946175B2 (ja) | 走路境界検出装置および走路境界検出方法 | |
CN112561944A (zh) | 一种基于车载激光点云的车道线提取方法 | |
KR20110001427A (ko) | 관심영역 추출에 의한 차선 고속검출 방법 | |
CN110532963B (zh) | 一种车载激光雷达点云驱动的道路标线精准提取方法 | |
CN116203587A (zh) | 一种用于无人车的坑洼检测系统及方法 | |
Yao et al. | Automatic extraction of road markings from mobile laser-point cloud using intensity data | |
CN113516853B (zh) | 一种针对复杂监控场景的多车道车流量检测方法 | |
CN116402994A (zh) | 基于激光雷达和视频图像融合的铁路危情监测方法 | |
CN114063107A (zh) | 一种基于激光束的地面点云提取方法 | |
CN109191473A (zh) | 一种基于对称分析的车辆粘连分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |