CN112131963A - 一种基于行驶方向结构特征约束的道路标识线提取方法 - Google Patents

一种基于行驶方向结构特征约束的道路标识线提取方法 Download PDF

Info

Publication number
CN112131963A
CN112131963A CN202010891655.8A CN202010891655A CN112131963A CN 112131963 A CN112131963 A CN 112131963A CN 202010891655 A CN202010891655 A CN 202010891655A CN 112131963 A CN112131963 A CN 112131963A
Authority
CN
China
Prior art keywords
point cloud
road
marking line
pavement
identification
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.)
Granted
Application number
CN202010891655.8A
Other languages
English (en)
Other versions
CN112131963B (zh
Inventor
刘如飞
卢秀山
李国玉
马新江
刘硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Xiushan Mobile Surveying Co ltd
Original Assignee
Qingdao Xiushan Mobile Surveying Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Xiushan Mobile Surveying Co ltd filed Critical Qingdao Xiushan Mobile Surveying Co ltd
Priority to CN202010891655.8A priority Critical patent/CN112131963B/zh
Publication of CN112131963A publication Critical patent/CN112131963A/zh
Application granted granted Critical
Publication of CN112131963B publication Critical patent/CN112131963B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于行驶方向结构特征约束的道路标识线提取方法，属于移动测量系统路面信息采集技术领域。本发明实施过程如下：将路面点云旋转至以沿道路行驶方向为Y轴，沿道路横断面为X轴；按照点云密度相同的原则将路面点云划分为多个区域；利用点云生成强度特征图像，对每个区域进行二值化处理并进行形态学去噪；根据行驶方向道路标识线的空间形态和几何特征，设计一种多约束条件的几何特征语义识别模型，对二值图像中的前景对象提取外接矩形，计算该前景的几何特征数据；与识别模型进行对比判别，设定判别阈值范围，实现不同标识线类型的分类；从模板库调用标准矢量数据，按外接矩形轮廓覆盖区域进行依比例缩放，生成路面标识线成果。

Description

一种基于行驶方向结构特征约束的道路标识线提取方法
技术领域
本发明公开了一种基于行驶方向结构特征约束的道路标识线提取方法，属于移动测量系统路面信息采集技术领域。
背景技术
道路标识线是重要的交通标志，具有分离道路区域、规定行进走向、为行人提供引导信息等作用。道路标识线是绘制高精度地图的重要部分，在无人驾驶技术中起到关键作用。车载激光扫描作为重要的三维空间数据获取技术，能够快速获取道路及周边地物的高精度三维激光点云，是道路标线信息快速获取的重要方式。目前，国内外对于道路标识线的测量提取正在实现由人工测量到车载移动测量的转变。这种转变大大减少了外业工作强度，可以在不影响行车安全的情况下快速获取海量路面点云数据，为道路标识线提取提供数据支撑。
现有技术存在如下不足：现有道路标识线自动提取算法提取出道路标识线后不能将其充分分类并识别，后续需要人工分类不同标识线。
发明内容
本发明公开了一种基于行驶方向结构特征约束的道路标识线提取方法，以解决现有技术中，道路标识线自动提取算法提取出道路标识线后不能将其充分分类并识别，后续需要人工分类不同标识线的问题。
一种基于行驶方向结构特征约束的道路标识线提取方法，包括以下步骤：
S1.以路面点云中心为原点，按顺时针方向每次1°旋转点云，旋转至路面行驶方向与Y轴平行；对路面点云数据横截面点云密度分布进行分析，设置1米宽度区间，获取路面点云密度分布直方图；按照密度相同原则划分路面点云，利用积分原理求划分参数；
S2.获取点云数据X、Y方向最大值和最小值，以0.05m为边长建立格网，统计每个格网中点云强度值，计算平均强度值作为该格网的灰度值，将点云数据生成强度特征图像；对强度特征图像进行强度分布直方均衡化；
S3.分析每个区域强度图像的强度分布直方图，使用OTSU算法对图像进行二值化处理；使用形态学运算去除噪点，先进行开运算去除细小噪点，再进行闭运算，除去空洞并优化标识线边界；
S4.建立标识线模板库，提取直行、直行转向、转向、直行双向转向箭头和短标线的几何特征；提取二值图像前景外接矩形，判别标识线类型；从模板库调用标准矢量数据，按外接矩形轮廓覆盖区域进行依比例缩放，生成路面标识线成果。
步骤S1包括如下子步骤：
S1.1.读取路面点云边界坐标，拟合一个平面矩形路面轮廓，以矩形点云中心点为原点，按顺时针方向每次旋转1°，旋转至以道路前进方向为Y轴，沿道路横断面为X轴的方向，截取道路数据横截面，以1米宽度为区间统计密度；
S1.2.积分法求直方图面积，依次累加面积，直到面积为总面积的1/(n+1)时停止，记录横坐标位置，依次类推得到n个位置，将路面纵向划分为n+1份，n为分布图像中极大值个数；密度分布沿行车方向大体均匀，将路面横向平均划分n+1份。
步骤S4包括如下子步骤：
S4.1.创建标准模板库，提取标识线模板的几何结构特征：各类标识线的标识线与矩形框面积比例α，矩形框面积范围S，标识线起始位置Q与矩形框底边中点Z的关系，最大横截面宽度位置D；
S4.2.在二值图像上获取每个前景的外接矩形，通过获取外接矩形内的像素强度与位置信息，计算各类标识线的标识线与矩形框面积比例α，矩形框面积范围S，标识线起始位置Q与矩形框底边中点Z的关系，最大横截面宽度位置D；
S4.3.以标识线模板数据为标准创建判别公式，对每个外接矩形的结构特征进行比对，判断其符合哪种标识线类型；
S4.4.从模板库调用标准矢量数据，按外接矩形轮廓覆盖区域进行依比例缩放，生成路面标识线成果。
与现有技术相比，本发明的有益效果是：
(1)将道路点云数据预处理成道路特征图像，变离散点云为连续图像，通过图像处理的方法，根据道路标识性几何结构特征对标识线进行匹配提取，克服了点云数据提取成果不连续的问题；
(2)图像处理技术比点云处理技术更加成熟，二维图像计算速度比三维点云计算速度更加快速，采用图像处理技术从离散点云中提取道路标识线信息算法更加稳健，克服了海量点云数据处理速度慢的问题。
附图说明
图1为技术路线图；
图2为路面点云密度分布直方图；
图3为区域强度图像的强度分布直方图；
图4为路面二值化图像；
图5为地理空间坐标系与图像素坐标系示意图；
图6为道路标识线模板库示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明：
一种基于行驶方向结构特征约束的道路标识线提取方法，技术路线图如图1所示，包括以下步骤：
S1.以路面点云中心为原点，按顺时针方向每次1°旋转点云，旋转至路面行驶方向与Y轴平行；对路面点云数据横截面点云密度分布分析，设置1米宽度区间，获取路面点云密度分布直方图，如图2所示；按照密度相同原则划分路面点云，利用积分原理求划分参数；
S2.获取点云数据X、Y方向最大值和最小值，以0.05m为边长建立格网，统计每个格网中点云强度值，计算平均强度值作为该格网的灰度值，将点云数据进一步生成强度特征图像；对强度特征图像进行强度分布直方均衡化，使强度图像对比度增大；
S3.分析每个区域强度图像的强度分布直方图，如图3所示，使用OTSU算法对图像二值化，如图4所示；使用形态学运算去除噪点，先进行开运算去除细小噪点，再进行闭运算，除去空洞并优化标识线边界；
S4.建立标识线模板库，提取直行、直行转向、转向、直行双向转向箭头和短标线的几何特征；提取二值图像前景外接矩形，判别标识线类型；识别出标识线类型后，从模板库调用标准矢量数据，按外接矩形轮廓覆盖区域进行依比例缩放，生成路面标识线成果。
步骤S1包括如下子步骤：
S1.1.读取出路面点云边界坐标，拟合出一个平面矩形路面轮廓，以矩形点云中心点为原点，按顺时针方向每次旋转1°，旋转至以道路前进方向为Y轴，沿道路横断面为X轴的方向，截取道路数据横截面，以1米宽度为区间统计密度；
S1.2.积分法求直方图面积，依次累加面积，直到面积为总面积的1/(n+1)时停止，记录横坐标位置，依次类推，得到n个位置，将路面纵向划分为n+1份，n为分布图像中极大值个数；密度分布沿行车方向大体均匀，将路面横向平均划分n+1份。
步骤S2中，通过正射投影生成强度特征图像，获取道路点云平面正射投影范围，即由xmin、ymin、xmax、ymax确定的最小外接矩形，交互输入像素分辨率Pixr和Pixc，其中Pixr和Pixc分别为图像沿行和列方向的分辨率，计算图像尺寸公式如下：
Figure BDA0002657211330000031
预设一张尺寸为Row行，Col列的空白图像，遍历计算点云各点在图像中的位置，并将一个像素对应的多个路面点最小相对高程拉伸到uint8(0～255)灰阶上，作为该像素的灰度值。空间地理坐标系和图像素坐标系如图5所示，点云到像素的坐标计算公式如下：
Figure BDA0002657211330000041
计算对应图像位置像素的灰度值公司如下：
Figure BDA0002657211330000042
步骤S4实施过程如下：
建立道路标识线模板库如图6所示，道路上主要的标识线包括箭头类的直行、直行转向、转向、直行双向转向箭头和短标线，以行驶方向作为矩形框纵坐标的方向，生成外接矩形。
道路标识线的长宽间隔大致相同且指向方向为平行关系，设矩形框面积为S，不同类型标识线矩形框面积范围如表1所示，使用D、L和QZ等值建立判别条件，进一步分类不同类型标识线，判别条件如表1所示。
对匹配目标矩形进行比对，以判别其为哪种标识线。各类型标识线均不符合条件则标为噪点。识别出标识线类型后，从模板库调用标准矢量数据，按外接矩形轮廓覆盖区域进行依比例缩放，生成路面标识线成果。
表1道路标识线几何语义描述
Figure BDA0002657211330000043
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (3)

1.一种基于行驶方向结构特征约束的道路标识线提取方法，其特征在于，包括以下步骤：
S1.以路面点云中心为原点，按顺时针方向每次1°旋转点云，旋转至路面行驶方向与Y轴平行；对路面点云数据横截面点云密度分布进行分析，设置1米宽度区间，获取路面点云密度分布直方图；按照密度相同原则划分路面点云，利用积分原理求划分参数；
S2.获取点云数据X、Y方向最大值和最小值，以0.05m为边长建立格网，统计每个格网中点云强度值，计算平均强度值作为该格网的灰度值；将点云数据生成强度特征图像，对强度特征图像进行强度分布直方均衡化；
S3.分析每个区域强度图像的强度分布直方图，使用OTSU算法对图像进行二值化处理；使用形态学运算去除噪点，先进行开运算去除细小噪点，再进行闭运算，除去空洞并优化标识线边界；
S4.建立标识线模板库，提取直行、直行转向、转向、直行双向转向箭头和短标线的几何特征；提取二值图像前景外接矩形，判别标识线类型；从模板库调用标准矢量数据，按外接矩形轮廓覆盖区域进行依比例缩放，生成路面标识线成果。
2.根据权利要求1所述的一种基于行驶方向结构特征约束的道路标识线提取方法，其特征在于，所述步骤S1包括如下子步骤：
S1.1.读取路面点云边界坐标，拟合一个平面矩形路面轮廓，以矩形点云中心点为原点，按顺时针方向每次旋转1°，旋转至以道路前进方向为Y轴，沿道路横断面为X轴的方向，截取道路数据横截面，以1米宽度为区间统计密度；
S1.2.积分法求直方图面积，依次累加面积，直到面积为总面积的1/(n+1)时停止，记录横坐标位置，依次类推得到n个位置，将路面纵向划分为n+1份，n为分布图像中极大值个数；密度分布沿行车方向大体均匀，将路面横向平均划分n+1份。
3.根据权利要求1所述的一种基于行驶方向结构特征约束的道路标识线提取方法，其特征在于，所述步骤S4包括如下子步骤：
S4.1.创建标准模板库，提取标识线模板的几何结构特征：各类标识线的标识线与矩形框面积比例α，矩形框面积范围S，标识线起始位置Q与矩形框底边中点Z的关系，最大横截面宽度位置D；
S4.2.在二值图像上获取每个前景的外接矩形，通过获取外接矩形内的像素强度与位置信息，计算各类标识线的标识线与矩形框面积比例α，矩形框面积范围S，标识线起始位置Q与矩形框底边中点Z的关系，最大横截面宽度位置D；
S4.3.以标识线模板数据为标准创建判别公式，对每个外接矩形的结构特征进行比对，判断其符合哪种标识线类型；
S4.4.从模板库调用标准矢量数据，按外接矩形轮廓覆盖区域进行依比例缩放，生成路面标识线成果。
CN202010891655.8A 2020-08-31 2020-08-31 一种基于行驶方向结构特征约束的道路标识线提取方法 Active CN112131963B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010891655.8A CN112131963B (zh) 2020-08-31 2020-08-31 一种基于行驶方向结构特征约束的道路标识线提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010891655.8A CN112131963B (zh) 2020-08-31 2020-08-31 一种基于行驶方向结构特征约束的道路标识线提取方法

Publications (2)

Publication Number Publication Date
CN112131963A true CN112131963A (zh) 2020-12-25
CN112131963B CN112131963B (zh) 2023-09-01

Family

ID=73847621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010891655.8A Active CN112131963B (zh) 2020-08-31 2020-08-31 一种基于行驶方向结构特征约束的道路标识线提取方法

Country Status (1)

Country Link
CN (1) CN112131963B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112700455A (zh) * 2020-12-28 2021-04-23 北京超星未来科技有限公司 一种激光点云数据生成方法、装置、设备及介质
CN113158976A (zh) * 2021-05-13 2021-07-23 北京纵目安驰智能科技有限公司 地面箭头的识别方法、系统、终端及计算机可读存储介质
CN113674259A (zh) * 2021-08-26 2021-11-19 中冶赛迪重庆信息技术有限公司 一种皮带机打滑检测方法、系统、电子设备及介质
CN113807309A (zh) * 2021-09-28 2021-12-17 北京石油化工学院 一种基于深度学习的果园机械行走路线规划方法
CN114004951A (zh) * 2021-10-29 2022-02-01 武汉大学 联合点云强度和几何结构的道路标志提取方法及系统
CN114851786A (zh) * 2022-04-28 2022-08-05 山东玲珑轮胎股份有限公司 一种智能轮胎偏磨预警方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067003A (zh) * 2016-05-27 2016-11-02 山东科技大学 一种车载激光扫描点云中道路矢量标识线自动提取方法
CN108984599A (zh) * 2018-06-01 2018-12-11 青岛秀山移动测量有限公司 一种利用行驶轨迹参考的车载激光点云路面提取方法
CN110210415A (zh) * 2019-06-05 2019-09-06 福州大学 基于图结构的车载激光点云道路标线识别方法
WO2019174682A1 (de) * 2018-03-13 2019-09-19 Continental Teves Ag & Co. Ohg Verfahren und vorrichtung zur erkennung und bewertung von fahrbahnzuständen und witterungsbedingten umwelteinflüssen

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067003A (zh) * 2016-05-27 2016-11-02 山东科技大学 一种车载激光扫描点云中道路矢量标识线自动提取方法
WO2019174682A1 (de) * 2018-03-13 2019-09-19 Continental Teves Ag & Co. Ohg Verfahren und vorrichtung zur erkennung und bewertung von fahrbahnzuständen und witterungsbedingten umwelteinflüssen
CN108984599A (zh) * 2018-06-01 2018-12-11 青岛秀山移动测量有限公司 一种利用行驶轨迹参考的车载激光点云路面提取方法
CN110210415A (zh) * 2019-06-05 2019-09-06 福州大学 基于图结构的车载激光点云道路标线识别方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112700455A (zh) * 2020-12-28 2021-04-23 北京超星未来科技有限公司 一种激光点云数据生成方法、装置、设备及介质
CN113158976A (zh) * 2021-05-13 2021-07-23 北京纵目安驰智能科技有限公司 地面箭头的识别方法、系统、终端及计算机可读存储介质
CN113158976B (zh) * 2021-05-13 2024-04-02 北京纵目安驰智能科技有限公司 地面箭头的识别方法、系统、终端及计算机可读存储介质
CN113674259A (zh) * 2021-08-26 2021-11-19 中冶赛迪重庆信息技术有限公司 一种皮带机打滑检测方法、系统、电子设备及介质
CN113674259B (zh) * 2021-08-26 2024-03-05 中冶赛迪信息技术(重庆)有限公司 一种皮带机打滑检测方法、系统、电子设备及介质
CN113807309A (zh) * 2021-09-28 2021-12-17 北京石油化工学院 一种基于深度学习的果园机械行走路线规划方法
CN114004951A (zh) * 2021-10-29 2022-02-01 武汉大学 联合点云强度和几何结构的道路标志提取方法及系统
CN114004951B (zh) * 2021-10-29 2024-07-12 武汉大学 联合点云强度和几何结构的道路标志提取方法及系统
CN114851786A (zh) * 2022-04-28 2022-08-05 山东玲珑轮胎股份有限公司 一种智能轮胎偏磨预警方法及装置

Also Published As

Publication number Publication date
CN112131963B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN112131963B (zh) 一种基于行驶方向结构特征约束的道路标识线提取方法
CN107045634B (zh) 一种基于最大稳定极值区域与笔画宽度的文本定位方法
CN111563412B (zh) 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法
CN102629322B (zh) 一种基于边界点笔画形状的字符特征提取方法及应用
CN103310211B (zh) 一种基于图像处理的填注标记识别方法
CN110349260B (zh) 一种路面标线自动提取方法及装置
CN102693423A (zh) 一种在强光条件下车牌精确定位的方法
CN103116751A (zh) 一种车牌字符自动识别方法
CN107895151A (zh) 一种强光照条件下基于机器视觉的车道线检测方法
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN113516853B (zh) 一种针对复杂监控场景的多车道车流量检测方法
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
CN112184725B (zh) 一种沥青路面图像的结构光光条中心提取方法
CN115797813B (zh) 基于航拍图像的水环境污染检测方法
CN112435272A (zh) 一种基于图像轮廓分析的高压输电线连通域去除方法
CN110516666B (zh) 基于mser和isodata相结合的车牌定位方法
CN116052152A (zh) 一种基于轮廓检测和深度神经网络的车牌识别系统
CN108256385A (zh) 基于视觉的前方车辆检测方法
CN111860531A (zh) 一种基于图像处理的扬尘污染识别方法
Gu et al. Vision-based multi-scaled vehicle detection and distance relevant mix tracking for driver assistance system
CN109271882A (zh) 一种区分颜色的手写体汉字提取方法
CN103971376A (zh) 应用程序执行方法和装置
CN111985482B (zh) 一种基于深度学习的多模式多场景的自动车牌识别方法
CN111241862B (zh) 基于边缘特性的条形码定位方法
CN115187744A (zh) 一种基于激光点云的机柜识别方法

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