CN112733696B - 一种基于多模型拟合的车载lidar道路边线提取方法 - Google Patents

Abstract

本发明提供一种基于多模型拟合的车载LIDAR道路边线提取方法，包括以下过程：包括以下过程：拟合得到扫描线直线段模型L_i；利用扫描线直线段模型L_i中直线段的空间拓扑和几何特征提取道路扫描线数据SP_i上的扫描线边界点集合P_i，重复本步骤得到道路边界点集合P；假设道路边线包括直线和圆曲线，经过计算生成道路边界点的初始模型集合L；将初始模型集合L中的直线和圆曲线作为初始模型，对道路边界点进行多模型拟合和优化，得到道路边线模型；计算道路边线模型集合中相交直线或圆曲线的交点，得到矢量化的道路边界。采用本发明，可快速、稳健地得到精细化的道路矢量边线，在三维导航、无人驾驶等智能交通应用领域中具有重要应用价值。

Description

一种基于多模型拟合的车载LIDAR道路边线提取方法

技术领域

本发明属于地理信息系统技术与智能交通领域，具体属于一种基于多模型拟合的车载LIDAR道路边线提取方法。

背景技术

以矢量边线为主的道路信息是交通基础地理信息的重要组成，准确、可靠的道路边线信息对道路改扩建工程、无人驾驶汽车、交通规划与道路安全等具有重要价值与意义。车载激光探测与测量(LIDAR)技术依靠激光测距原理，可以快速、安全地获取道路表面密集采样点的高精度三维坐标信息，为大范围、经常性的道路信息生产提供了一种准确而可靠的自动化手段。当前基于车载LIDAR道路信息提取方法主要分为两大类：基于道路区域特征的方式和基于道路边界特征的方式。第一类是从道路激光点云的平面几何特征出发，利用点云分类、区域增长和模型拟合等方式识别出路面区域，进而提取路面边界信息作为道路边线；第二类是从道路边界点云的空间分布和统计特征出发，假设道路边界存在路缘石等指示物，利用阈值分割和数据聚类等方式提取出高程跃迁、坡度或密度变化点作为道路边界。然而，道路场景目标多样、形态结构复杂，且受噪声、点云密度变化和数据遮挡等因素的影响，基于道路区域特征的方式难以提取出完整和可靠的路面区域信息；而基于道路边界特征的方式受部分道路场景边界特征不明显(如平缘石路段)或其它特征相似目标(如车辆轮胎)的影响，也往往容易检测失败。

总体而言，受道路场景目标复杂与数据不完备的影响，从车载LIDAR数据中准确、高效地提取出道路边线信息仍然存在问题。近几十年来道路提取方面的研究成果表明：模型形状先验可以提高道路目标解译的准确性和可靠性。道路边线内在的几何模型对准确、高效地提取出道路矢量信息具有重要指导意义。目前，如何利用道路边线的几何先验模型来提高道路边线提取的准确性和鲁棒性的方法还是相当稀缺的。

发明内容

为了解决现有技术中存在的问题，本发明提供一种基于多模型拟合的车载LIDAR道路边线提取方法，解决目前如何实现利用道路边线的几何先验模型来提高道路边线提取的准确性和鲁棒性的问题。

为实现上述目的，本发明提供如下技术方案：一种基于多模型拟合的车载LIDAR道路边线提取方法，包括以下过程：拟合得到扫描线直线段模型L_i；利用扫描线直线段模型L_i中直线段的空间拓扑和几何特征提取道路扫描线数据SP_i上的扫描线边界点集合P_i，重复本步骤得到道路边界点集合P；假设道路边线包括直线和圆曲线，经过计算生成道路边界点的初始模型集合L；将初始模型集合L中的直线和圆曲线作为初始模型，对道路边界点进行多模型拟合和优化，得到道路边线模型；计算道路边线模型集合中相交直线或圆曲线的交点，得到矢量化的道路边界。

进一步的，所述扫描线直线段模型L_i，通过道路扫描线数据SP_i进行直线模型拟合得到。

进一步的，所述道路扫描线数据SP_i的获取步骤如下：

根据测量车轨迹线T，每间隔距离s插值生成路线采样点t_i(i＝1，2，3，...，Nt)；采集道路激光点云并计算道路激光点云在t_i点的道路横断面模型CS_i(i＝1，2，3，...，Nt)，然后在道路激光点云中搜索到CS_i平面几何距离小于s/2的激光脚点并投影到该平面，得到道路扫描线数据SP_i。

进一步的，道路扫描线数据SP_i进行直线模型拟合得到扫描线直线段模型L_i的具体步骤如下：道路扫描线数据SP_i组成道路扫描线数据集合SP＝{SP₁，SP₂，SP₃，...，SP_Nt}，遍历道路扫描线数据集合SP，将道路扫描线数据SP_i中的激光脚点进行排序，得到有序点云集合SP_i’；初始化点到直线的最大距离参数Δdmax，对SP_i’中的数据点进行直线拟合，得到扫描线直线段模型L_i＝{l₁，l₂，l₃，...，Nl_i}，其中Nl_i为道路扫描线数据SP_i的数据点拟合得到的直线段模型个数。

进一步的，采用道格拉斯-普克算法对SP_i’中的数据点进行直线拟合。

进一步的，利用扫描线直线段模型L_i中直线段的空间拓扑和几何特征提取道路扫描线数据SP_i上的扫描线边界点集合P_i的具体步骤如下：

扫描线直线段模型L_i组成得到扫描线直线段模型集合SL＝{L₁，L₂，L₃，...，L_Nt}，遍历扫描线直线段模型集合SL，初始化max_slope，剔除L_i中坡度大于max_slope的直线段，得到线段集合LS_i，在线段集合LS_i中搜索位于采样点t_i正下方的直线段I，直线段I∈LS_i，根据直线段I中拟合数据点的平均高程H_i、初始化的路缘石外露高度的最大值h_max和最小值h_min，剔除线段集合LS_i中拟合数据点平均高程大于H_i+h_max的直线段和跃迁关系中邻接端点高差大于h_min的直线段；

初始化坡差阈值slope_diff，将线段集合LS_i中路面曲线为凹且坡差大于slope_diff的数据点，以及LS_i中两侧直线段最外侧极值点作为提取的边界点添加到扫描线边界点集合P_i中，重复本步骤，计算得到道路边界点集合P＝P₁∪P₂∪P₃∪，...，∪P_Nt。

进一步的，假设道路边线包括直线和圆曲线，经过计算生成道路边界点的初始模型集合L的具体步骤如下：

假设道路边线包括直线和圆曲线，初始化模型拟合距离Δd和模型最少数据点个数阈值n，从道路边界点集合P中分别拟合出圆曲线模型集合LC和直线模型集合LL，则道路边界点的初始模型集合L＝LC∪LL。

进一步的，采用RANSAC算法从道路边界点集合P中拟合出圆曲线模型集合LC和直线模型集合LL。

进一步的，将初始模型集合L中的直线和圆曲线作为初始模型，对道路边界点进行多模型拟合和优化，得到道路边线模型的具体步骤如下：

将初始模型集合L中的直线和圆曲线作为初始模型，建立多模型拟合与优化的能量函数E(f)，最小化能量函数E(f)后，利用边界点对拟合得到的直线和圆曲线模型进行参数精化，并将这些模型重新作为初始模型，继续利用能量函数E(f)进行多模型拟合优化，直至能量函数E(f)不再减少为止，则得到道路边线模型。

进一步的，计算道路边线模型集合中相交直线或圆曲线的交点，得到矢量化的道路边界的具体步骤如下：道路边线模型组成得到道路边线模型集合，计算道路边线模型集合中相交直线或圆曲线的交点，生成道路矢量边线，剔除长度较短且孤立的道路矢量边线，得到矢量化的道路边界。

与现有技术相比，本发明至少具有以下有益效果：

本发明提供一种基于多模型拟合的车载LIDAR道路边线提取方法，发展了基于扫描线的道路边界点检测方法，利用拟合线段的拓扑关系和几何特征来检测边界点，可解决道路目标复杂和边界特征不明显下的边界点检测问题，提高了道路边界点检测的准确性和完整性；而且构建了道路边界点多模型拟合的能量函数，将道路边线的提取问题转换为道路边线直线和圆曲线组合模型的多模型拟合与优化问题，可解决数据局部遮挡和缺失下的道路边界提取问题，提高了道路边线提取的精确性和鲁棒性。采用本发明，可快速、稳健地得到精细化的道路矢量边线，在三维导航、无人驾驶等智能交通应用领域中具有重要应用价值。

附图说明

图1为本发明的流程示意图；

图2为本发明扫描线直线段的空间关系示意图；

图3为本发明边线多模型拟合优化的初始模型示例图；

图4为本发明初始边线模型的拟合优化结果示例图；

图5为本发明边线模型后处理的结果示例图；

图6为本发明另一实施例中道路边界点的提取结果图；

图7为本发明另一实施例中道路边线的提取结果图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步的说明。

如图1所示，本发明提供一种基于多模型拟合的车载LIDAR道路边线提取方法，包括以下步骤：

步骤1：提取道路LIDAR点云的道路扫描线数据SP_i，

根据测量车轨迹线T，每间隔距离s插值生成路线采样点t_i(i＝1，2，3，...，Nt)，其中Nt为轨迹线上采样点的个数，s是沿路线方向的扫描线步长(间隔)参数，取决于该方向的道路激光脚点密度；

车载LIDAR采集道路激光点云，然后计算道路激光点云在t_i点横向剖切(道路横断面)的平面模型CS_i，然后在道路激光点云中搜索到CS_i距离小于s/2的激光脚点并投影到该平面，得到扫描线数据SP_i；

具体的：

输入道路LIDAR点云和测量车轨迹数据T，道路扫描线数据提取方式如下：

步骤1.1：根据道路路线方向的激光脚点间距，初始化扫描线步长参数即间隔距离s＝0.2m。

步骤1.2：在移动测量车轨迹线T上每间隔0.2m，插值生成路线采样点集合ST＝{t₁，t₂，t₃，...，t_Nt}，其中采样点个数Nt由轨迹线T的长度除以间隔距离s计算得到。

步骤1.3：遍历采样点集合ST，计算轨迹线上采样点t_i(i＝1，2，3，...，Nt)的切向量，并将切向量投影到XY平面，得到向量集合TV＝{tv₁，tv₂，tv₃，...，tv_Nt}，其中tv_i为t_i点切向量在XY平面上的投影。

步骤1.4：遍历采样点集合ST和向量集合TV，利用平面点法式方程(平面点为t_i，法向量为tv_i)计算t_i点的道路横断面模型CS_i(i＝1，2，3，...，Nt)，然后在道路激光点云中搜索到CS_i平面几何距离小于0.1m的激光脚点并投影到CS_i。重复上述过程，计算得到道路扫描线数据集合SP＝{SP₁，SP₂，SP₃，...，SP_Nt}。

步骤2：对道路扫描线数据SP_i(i＝1，2，3，...，Nt)进行直线模型拟合，得到扫描线直线段模型L_i；

具体的：

遍历道路扫描线数据集合SP，对道路扫描线数据SP_i(i＝1，2，3，...，Nt)上的激光脚点进行直线模型拟合，具体为：将道路扫描线数据SP_i中的激光脚点从左到右进行排序，得到有序点云集合SP_i’；初始化点到直线的最大距离参数Δdmax＝0.03m，使用道格拉斯-普克(Douglas-Peucker)算法对SP_i’中的数据点进行直线拟合，得到扫描线直线段模型L_i＝{l₁，l₂，l₃，...，Nl_i}，其中Nl_i为道路扫描线数据SP_i的数据点拟合得到的直线段模型个数；重复上述过程，计算得到扫描线直线段模型集合SL＝{L₁，L₂，L₃，...，L_Nt}。

步骤3：利用扫描线直线段模型L_i(i＝1，2，3，...，Nt)中直线段的空间拓扑和几何特征提取扫描线数据SP_i上的扫描线边界点集合，简述为：

剔除L_i中坡度大于max_slope的直线段，得到线段集合LS_i，其中max_slope为百分比法表示的道路最大横坡值；

搜索采样点t_i正下方的直线段I(I∈LS_i)，将该直线段拟合数据点的平均高程H_i作为当前扫描线的路面高程；根据道路工程中路缘石外露高度的最小值h_min和最大值h_max，分别剔除LS_i中拟合数据点平均高程大于H_i+h_max的直线段和跃迁关系中邻接端点高差大于h_min的直线段；

将线段集合LS_i中路面曲线为凹且坡差大于slope_diff的数据点，以及LS_i中两侧直线段最外侧极值点作为提取的边界点添加到扫描线边界点集合P_i中，其中slope_diff为扫描线上相邻直线段的坡差阈值；

重复上述步骤，计算得到道路边界点集合P＝P₁∪P₂∪P₃∪，...，∪P_Nt。

具体的：

步骤3.1：初始化max_slope＝10％，遍历扫描线直线段模型集合SL中的直线段，剔除坡度值大于max_slope的直线段，得到线段集合LS_i；

步骤3.2：在线段集合LS_i中搜索位于采样点t_i正下方的直线段I，计算扫描线数据SP_i中隶属直线段I的激光脚点的平均高程H_i；初始化路缘石最大高度阈值即路缘石外露高度的最大值h_max＝25cm，计算LS_i中直线段激光脚点的平均高程，剔除平均高程大于H_i+25cm的直线段；

步骤3.3：初始化路缘石最小高度阈值即路缘石外露高度的最小值h_min＝10cm，根据LS_i剩余直线段的空间位置关系(参见图2)，计算两跃迁(相离)直线段的邻接端点高差，剔除端点高差大于10cm中较高的直线段；重复上述步骤，直至LS_i中无相离的直线段或跃迁直线段端点高差均小于10cm；

步骤3.4：初始化坡差阈值slope_diff＝4％，将线段集合LS_i中交点为凹且线段坡差大于4％的数据点，以及LS_i中两侧直线段最外侧的极值点作为检测的边界点添加到扫描线边界点集合P_i；重复步骤3.1-3.4，得到道路边界点集合P＝P₁∪P₂∪P₃∪，...，∪P_Nt。

步骤4：假设道路边线由直线和圆曲线组成，使用RANSAC(随机抽样一致性)算法生成道路边界点的初始模型集合L，具体为：根据模型拟合距离Δd和模型最少数据点个数阈值n，分别使用RANSAC算法从道路边界点集合P中拟合出圆曲线模型集合LC和直线模型集合LL，则道路边界点的初始模型集合L＝LC∪LL；

具体的：

步骤4.1：初始化模型拟合距离阈值Δd＝0.1m和模型最小数据点个数阈值n＝4，使用RANSAC算法从道路边界点集合P中拟合出内点最多的圆曲线模型，对圆曲线模型的内点进行连通性分析，将最大连通区域内的边界点(个数大于n)从道路边界点集合P中剔除；重复上述步骤，迭代使用RANSAC对道路边界点集合P中剩余的数据点进行圆曲线模型拟合，得到圆曲线模型集合LC；

步骤4.2：恢复步骤4.1道路边界点集合P中剔除的数据点，使用RANSAC算法从道路边界点集合P中拟合出内点最多的直线模型，对直线模型的内点进行连通性分析，将最大连通区域内的边界点(个数大于n)从道路边界点集合P中剔除；重复上述步骤，迭代使用RANSAC对边界点集合P中剩余的数据点进行直线模型拟合，得到直线模型集合LL，则道路边界点的初始模型集合L＝LC∪LL，实施例参见图3。

步骤5：将初始模型集合L中的直线和圆曲线作为初始模型，对道路边界点集合P中的道路边界点进行多模型拟合与优化，建立多模型拟合与优化的能量函数：

该能量函数由数据代价(data cost)和平滑代价(smooth cost)组成，使用图割(Graphcuts)算法可最小化该能量函数。其中，N为道路边界点的邻域关系集合，f是道路边界点到其拟合模型标号一个映射；D_p(f_p)表示边界点p距其标号f_p的模型距离；δ(f_p≠f_q)为指示函数，取值{0，1}；N为道路边界点的领域关系集合，w_pq为邻域集合中邻接边界点p和q的距离权值；

最小化能量函数E(f)后，利用边界点对拟合得到的直线和圆曲线模型进行参数精化，并将这些模型重新作为初始模型，利用公式(1)进行多模型拟合优化；重复上述过程，直至函数能量值不再减少为止，则M＝{f_p|p∈P}即为拟合得到的道路边线模型；

具体的：

建立基于图割(Graphcuts)的多模型拟合优化的能量函数(公式1)。其中，数据代价

Δd为步骤4.1中的模型拟合的距离阈值，dist(p，f_p)为边界点p到其拟合模型(标号)f_p的几何距离；标号(拟合)模型为直线时，给定平面直线方程ax+by+c＝0(a²+b²＝1)，其参数向量为(a，b，c)，边界点到其拟合模型几何距离的计算公式为：

标号模型为圆曲线时，给定圆曲线模型半径r和圆心坐标p₀，边界点到其拟合模型几何距离的计算公式为：

其中，l_outlier为噪声数据的模型标号，边界点到噪声标号模型几何距离的计算公式为：

dist(p，l_outlier)＝3Δd (5)

多模型拟合优化的第二项为平滑代价，邻域点对p和q的权值w_pq与它们的欧式距离成反比，计算公式为：

w_pq＝exp(-||p-q||) (6)

最小化能量函数后，使用最小二乘法精化直线和圆曲线的模型参数，并将精化后的模型作为新的初始模型，继续对边界点进行多模型拟合优化；重复上述过程，直至能量函数不再减少为止，则M＝{f_p|p∈P}即为拟合得到的道路边线模型，实施例参见图4。

步骤6：计算道路边线模型集合M中相交直线或圆曲线的交点，生成道路矢量边线，剔除长度较短且孤立的道路矢量边线，得到矢量化的道路边界；

具体的：

根据轨迹线方向道路边界点的前后关系，计算边线模型集合M中邻接直线或圆曲线的交点，将交点或模型起终点间的道路边界点投影到拟合的集合模型上，生成道路矢量边线；剔除长度较短且孤立的道路矢量边线，实施例参见图5。

采用上述初始化阈值和参数，本发明方法在道路平交口附近的道路边界点提取和多模型拟合的实施例参见图6和图7。对于缺乏高差特征的道路平缘石边界路段，本发明也能够较好地提取出边界点(参见图6道路转弯处的边界点)；同时对于一些因目标遮挡导致边界点局部缺失的路段，本发明基于多模型拟合的方法也能够较好地提取出道路边线(参见图6和图7)。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求所述的保护范围为准。

Claims (6)

1.一种基于多模型拟合的车载LIDAR道路边线提取方法，其特征在于，包括以下过程：拟合得到扫描线直线段模型L_i；利用扫描线直线段模型L_i中直线段的空间拓扑和几何特征提取道路扫描线数据SP_i上的扫描线边界点集合P_i，重复本步骤得到道路边界点集合P；假设道路边线包括直线和圆曲线，经过计算生成道路边界点的初始模型集合L；将初始模型集合L中的直线和圆曲线作为初始模型，对道路边界点进行多模型拟合和优化，得到道路边线模型；计算道路边线模型集合中相交直线或圆曲线的交点，得到矢量化的道路边界；

所述扫描线直线段模型L_i，通过道路扫描线数据SP_i进行直线模型拟合得到；

道路扫描线数据SP_i进行直线模型拟合得到扫描线直线段模型L_i的具体步骤如下：道路扫描线数据SP_i组成道路扫描线数据集合SP＝{SP₁，SP₂,SP₃,…,SP_Nt}，遍历道路扫描线数据集合SP，将道路扫描线数据SP_i中的激光脚点进行排序，得到有序点云集合SP_i’；初始化点到直线的最大距离参数Δdmax，对SP_i’中的数据点进行直线拟合，得到扫描线直线段模型L_i＝{l₁,l₂,l₃,…,Nl_i}，其中Nl_i为道路扫描线数据SP_i的数据点拟合得到的直线段模型个数；

将初始模型集合L中的直线和圆曲线作为初始模型，对道路边界点进行多模型拟合和优化，得到道路边线模型的具体步骤如下：

将初始模型集合L中的直线和圆曲线作为初始模型，建立多模型拟合与优化的能量函数E(f)，最小化能量函数E(f)后，利用边界点对拟合得到的直线和圆曲线模型进行参数精化，并将这些模型重新作为初始模型，继续利用能量函数E(f)进行多模型拟合优化，直至能量函数E(f)不再减少为止，则得到道路边线模型；

计算道路边线模型集合中相交直线或圆曲线的交点，得到矢量化的道路边界的具体步骤如下：道路边线模型组成得到道路边线模型集合，计算道路边线模型集合中相交直线或圆曲线的交点，生成道路矢量边线，剔除长度较短且孤立的道路矢量边线，得到矢量化的道路边界。

2.根据权利要求1所述的一种基于多模型拟合的车载LIDAR道路边线提取方法，其特征在于，所述道路扫描线数据SP_i的获取步骤如下：

根据测量车轨迹线T，每间隔距离s插值生成路线采样点t_i(i＝1，2，3，...，Nt)；采集道路激光点云并计算道路激光点云在t_i点的道路横断面模型CS_i(i＝1，2，3，...，Nt)，然后在道路激光点云中搜索到CS_i平面几何距离小于s/2的激光脚点并投影到该平面，得到道路扫描线数据SP_i。

3.根据权利要求1所述的一种基于多模型拟合的车载LIDAR道路边线提取方法，其特征在于，采用道格拉斯—普克算法对SP_i’中的数据点进行直线拟合。

4.根据权利要求1所述的一种基于多模型拟合的车载LIDAR道路边线提取方法，其特征在于，利用扫描线直线段模型L_i中直线段的空间拓扑和几何特征提取道路扫描线数据SP_i上的扫描线边界点集合P_i的具体步骤如下：

扫描线直线段模型L_i组成得到扫描线直线段模型集合SL＝{L₁,L₂,L₃,…,L_Nt}，遍历扫描线直线段模型集合SL，初始化max_slope，剔除L_i中坡度大于max_slope的直线段，得到线段集合LS_i，在线段集合LS_i中搜索位于采样点t_i正下方的直线段I，直线段I∈LS_i，根据直线段I中拟合数据点的平均高程H_i、初始化的路缘石外露高度的最大值h_max和最小值h_min，剔除线段集合LS_i中拟合数据点平均高程大于H_i+h_max的直线段和跃迁关系中邻接端点高差大于h_min的直线段；

初始化坡差阈值slope_diff，将线段集合LS_i中路面曲线为凹且坡差大于slope_diff的数据点，以及LS_i中两侧直线段最外侧极值点作为提取的边界点添加到扫描线边界点集合P_i中，重复本步骤，计算得到道路边界点集合P＝P₁∪P₂∪P₃∪,…,∪P_Nt。

5.根据权利要求1所述的一种基于多模型拟合的车载LIDAR道路边线提取方法，其特征在于，假设道路边线包括直线和圆曲线，经过计算生成道路边界点的初始模型集合L的具体步骤如下：

假设道路边线包括直线和圆曲线，初始化模型拟合距离Δd和模型最少数据点个数阈值n，从道路边界点集合P中分别拟合出圆曲线模型集合LC和直线模型集合LL，则道路边界点的初始模型集合L＝LC∪LL。

6.根据权利要求5所述的一种基于多模型拟合的车载LIDAR道路边线提取方法，其特征在于，采用RANSAC算法从道路边界点集合P中拟合出圆曲线模型集合LC和直线模型集合LL。