CN114782925B - 一种基于车载lidar数据的高速公路护栏矢量化方法及设备 - Google Patents

一种基于车载lidar数据的高速公路护栏矢量化方法及设备 Download PDF

Info

Publication number
CN114782925B
CN114782925B CN202210682960.5A CN202210682960A CN114782925B CN 114782925 B CN114782925 B CN 114782925B CN 202210682960 A CN202210682960 A CN 202210682960A CN 114782925 B CN114782925 B CN 114782925B
Authority
CN
China
Prior art keywords
guardrail
data
point
points
point cloud
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
Application number
CN202210682960.5A
Other languages
English (en)
Other versions
CN114782925A (zh
Inventor
贾洋
李升甫
廖知勇
刘蕾蕾
孙璐
杨天宇
杨洪
贾鑫
南轲
刘霜辰
许濒支
李艳玲
易菊平
倪愿
罗文韬
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.)
Sichuan Highway Planning Survey and Design Institute Ltd
Original Assignee
Sichuan Highway Planning Survey and Design Institute 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 Sichuan Highway Planning Survey and Design Institute Ltd filed Critical Sichuan Highway Planning Survey and Design Institute Ltd
Priority to CN202210682960.5A priority Critical patent/CN114782925B/zh
Publication of CN114782925A publication Critical patent/CN114782925A/zh
Application granted granted Critical
Publication of CN114782925B publication Critical patent/CN114782925B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T17/30—Polynomial surface description

Abstract

本发明涉及智能交通领域，特别是一种基于车载LIDAR数据的高速公路护栏矢量化方法及设备。本发明通过车载LIDAR（Light detection and ranging，激光探测和测距）对高速公路护栏进行数据提取，可有效地提取护栏数据要素，减少提取过程中出现的噪点误点同时有效保留护栏的整体性。通过对护栏LIDAR扫描数据进行单体对象化处理，能够对高速公路边界护栏、中心护栏进行单体分离式表达，使其具有独立实体信息；通过在三维坐标系中对独立分割护栏数据进行矢量化，有效减少数据的冗余，最后根据拟合处理降低数据冗余的同时使得曲线更平滑、更节省存储空间，有效提高数据拟合的精度，为后续高速公路数字化建设的系列技术实施提供重要基础技术支撑。

Description

一种基于车载LIDAR数据的高速公路护栏矢量化方法及设备
技术领域
本发明涉及智能交通领域，特别是一种基于车载LIDAR数据的高速公路护栏矢量化方法及设备。
背景技术
护栏作为高速公路的基础设施之一，是重要的道路边界约束设施。在智慧高速建设、高速公路高精地图制作等众多交通信息化应用中护栏的空间位置及走向均作为高速公路数字底座的重要边界基准，而现在常规的高速公路护栏数字化主要依靠人工交互矢量化勾绘完成，作业效率低下，且矢量化精度随作业员差异存在水平不一情况，无法适用于高速公路基础设施数字化标准化技术实施。
三维激光扫描作为当前重要的高精实景数据获取手段，利用该技术对高速公路进行大范围数据采集，能够高效获得具有高精度空间位置的高速公路护栏点云数据。由于三维激光点云杂乱无序，且非结构化，无法直接获取护栏空间位置及线性特征，因此，需要基于三维激光点云进一步处理得到护栏目标相关信息。
当前，基于点云数据提取公路护栏信息专利主要为利用车辆行驶时实时获取的毫米波雷达点云直接进行道路护栏曲线拟合，包含两个过程：1、基于障碍物概率判定条件和相对车辆行驶的横向绝对速度判定条件筛选护栏点云数据；2、直接对筛选得到的护栏点云进行曲线拟合计算护栏轨迹（如专利CN113033434A一种道路点云中的护栏提取方法、装置、控制器及汽车）。
但现有方法存在三大弊端：1、实时获取的局部雷达点云数据的计算精度和效率受传感器视野范围影响严重，仅利于行车较短视野范围内的障碍物检测，无法应用于长距离护栏的完整轨迹提取；2、仅基于障碍物概率和相对横向速度的组合判定条件，无法实现道路护栏点云数据的纯净识别和提取，将会大量引入植被及其他静态交安设施等环境噪声点云数据，不利于后续点云数据进一步处理；3、直接对护栏所有点云数据进行曲线拟合计算，将无法得到精准的道路护栏中心线空间位置，进而严重影响护栏线形真实走向的精度，相关计算成果无法用于高速公路高精地图制作、基于轨迹线的真实场景快速三维重建等系列高速公路数字化技术实施。
所以如今需要一种精确度更高的，噪点更少的，能够用于长距离护栏的高速公路护栏矢量化方法。
发明内容
本发明的目的在于克服现有技术中所存在的上述不足，提供一种基于车载LIDAR数据的高速公路护栏矢量化方法。
为了实现上述发明目的，本发明提供了以下技术方案：
一种基于车载LIDAR数据的高速公路护栏矢量化方法，包括以下步骤：
S1：通过车载LIDAR获取护栏扫描点云数据，并对所述护栏扫描点云数据进行预处理；所述预处理为采用RandLA-Net算法对所述护栏扫描点云数据进行语义分割，提取初步护栏点云数据；
S2：对所述初步护栏点云数据进行单体对象化处理，输出独立分割护栏数据；所述单体对象化包括归一化、粗分割以及精分割；
S3：对所述独立分割护栏数据进行矢量化和拟合处理，输出护栏的拟合曲线数据；所述矢量化包括中心点提取、中心点抽稀；所述拟合处理为分段线性拟合。本发明通过车载LIDAR（Light detection and ranging，激光探测和测距）对高速公路护栏进行数据提取，可有效地提取护栏数据要素，减少提取过程中出现的噪点误点同时有效保留护栏的整体性。通过对护栏LIDAR扫描数据进行单体对象化处理，能够对高速公路护栏（如边界护栏和中心护栏）进行单体分离式表达，使其具有独立实体信息；通过在三维坐标系中对独立分割护栏数据进行矢量化，有效减少数据的冗余，最后根据拟合处理降低数据冗余的同时使得曲线更平滑、更节省存储空间，有效提高数据拟合的精度，为后续高速公路数字化建设的系列技术实施（高速公路高精地图制作、基于轨迹线的真实场景快速三维重建等）提供重要基础技术支撑。
作为本发明的优选方案，所述步骤S2包括：
S21：对所述初步护栏点云数据进行归一化处理，输出归一化点云数据；
所述归一化处理为根据时间差对GPS时间信息进行归一化并通过预设的判定阈值对所述初步护栏点云数据进行截断分割，输出包含若干扫描线的归一化护栏LIDAR扫描数据，具体公式如下：
Figure 814690DEST_PATH_IMAGE001
；
Figure 215716DEST_PATH_IMAGE002
；
其中，
Figure 91268DEST_PATH_IMAGE003
表示
Figure 730191DEST_PATH_IMAGE004
点对应的GPS时刻，
Figure 298575DEST_PATH_IMAGE005
为所述LIDAR扫描数据中第一个扫描数据点对应的GPS时刻，
Figure 909599DEST_PATH_IMAGE006
为所述LIDAR扫描数据中最后一个扫描数据点对应的GPS时刻，
Figure 464208DEST_PATH_IMAGE007
为
Figure 347851DEST_PATH_IMAGE004
点GPS时刻归一化处理结果；
Figure 962503DEST_PATH_IMAGE008
为
Figure 806962DEST_PATH_IMAGE009
点GPS时刻归一化处理结果；
Figure 24317DEST_PATH_IMAGE010
表示判定阈值，用于判定当前扫描线的最后一点与下一条扫描线的第一个点的GPS时间；
S22：对所述归一化护栏LIDAR扫描数据进行粗分割，生成初步独立分割护栏数据；所述初步独立分割护栏数据包括各自独立的边界护栏点云数据以及中心护栏点云数据；所述粗分割包括欧氏距离分割以及点云区域增长；
S23：对所述初步独立分割护栏数据进行精分割，生成独立分割护栏数据；所述精分割为对所述初步独立分割护栏数据进行去噪处理。
作为本发明的优选方案，所述步骤S22包括：
S221：利用所述归一化护栏LIDAR扫描数据中扫描线的时间信息以及点云的空间分布形态对所述归一化护栏LIDAR扫描数据进行欧式距离分割，并生成若干子块；
其中，所述欧式距离分割是根据预设的距离阈值，将所述归一化护栏LIDAR扫描数据分割为各个不同护栏的若干子块；所述不同护栏包括若干边界护栏以及若干中心护栏；
S222：建立区域增长约束条件，所述子块依次开始区域增长，当不满足条件时，则该条扫描线增长结束，并剔除已增长完成的点云，当遍历完所有子块后，输出区域增长后的点云数据为初步独立分割护栏数据；所述初步独立分割护栏数据包括边界护栏点云数据以及中心护栏点云数据。
作为本发明的优选方案，所述步骤S222包括：
S2221：从初始子块开始遍历，计算子块l的质心与子块l+1的质心的距离ｄ；当d>dT，进入步骤S2222；当d＜dT，则将子块l与子块l+1聚类为点云集；dT为预设质心阈值，l为子块的序号；
S2222：l=l+1，当所述点云集具备护栏几何特征且元素数量大于预设拟合阈值时，对所述点云集进行最小二乘直线拟合，并进入步骤S2223；否则进入所述步骤S2221；
S2223：根据所述最小二乘直线拟合操作得到直线方程参数k和b，并建立分块增长区域界限，当子块l的点都满足在界限内，则将子块l归类进点云集中，对所述点云集进行最小二乘直线拟合；其中，k为所述直线方程的斜率，b为所述直线方程的y轴截距；
S2224：将得到新的参数kl和bl作为直线方程参数k和b，并进入所述步骤S2223，直至所有子块完成判断；
S2225：输出区域增长后的点云数据为初步独立分割护栏数据。
作为本发明的优选方案，所述步骤S23包括：
S231：通过密度统计滤波方法剔除所述初步独立分割护栏数据中的路面点；其中，所述密度统计滤波方法为对每一个点，计算它到所有临近点的平均距离，当所述平均距离大于预设滤波阈值时，将该点作为地面点，从所述初步独立分割护栏数据中剔除；
S232：通过预设的空间距离阈值，滤除所述初步独立分割护栏数据中的护栏噪点；
S233：输出初步独立分割护栏数据。
作为本发明的优选方案，所述步骤S232包括：
S2321：遍历所述初步独立分割护栏数据中每条扫描线上的点，计算相邻点的斜率和斜率差，计算式如下；
Figure 903411DEST_PATH_IMAGE011
；
Figure 688964DEST_PATH_IMAGE012
；
其中，
Figure 410933DEST_PATH_IMAGE013
为点q与扫描线上后点q+1的斜率，
Figure 41765DEST_PATH_IMAGE014
点q-1与扫描线上后点q的斜率，
Figure 634421DEST_PATH_IMAGE015
表示扫描线上的点q的三个坐标，
Figure 325296DEST_PATH_IMAGE016
表示扫描线上的点q+1的三个坐标，
Figure 675506DEST_PATH_IMAGE017
表示斜率差；
S2322：根据预设的斜率差阈值，令
Figure 375609DEST_PATH_IMAGE017
超过所述斜率差阈值的点为护栏边界点；
S2323：遍历所述初步独立分割护栏数据，将所述护栏边界点外的点作为护栏基座噪点，并进行滤除。
作为本发明的优选方案，所述步骤S3包括：
S31：中心点提取：获取所述独立分割护栏数据中的边界点，并根据所述边界点得到中心点坐标；
S32：中心点抽稀：采用道格拉斯-普克算法对所述中心点坐标进行抽稀处理，输出抽稀后轨迹点；
S33：分段线性拟合：对所述抽稀后轨迹点进行分段线性拟合，输出护栏的拟合曲线数据。
作为本发明的优选方案，所述步骤S32包括：
S321：连接所述中心点坐标中的首尾两点点A和点B；依次计算所述中心点坐标中所有点到点A和点B两点所在直线的距离
Figure 88350DEST_PATH_IMAGE018
；
若该点与点A和点B两点共线，记录
Figure 684547DEST_PATH_IMAGE018
=0；若该点与点A和点B两点不共线，根据下式计算距离
Figure 381108DEST_PATH_IMAGE018
：
Figure 353743DEST_PATH_IMAGE019
；
Figure 186570DEST_PATH_IMAGE020
；
其中
Figure 953669DEST_PATH_IMAGE021
分别为该点与点A和点B两点构成的空间三角形中三条边的长度及周长，u为所述中心点坐标中其余各点的序号；
S322：获取距离
Figure 12892DEST_PATH_IMAGE018
中最大距离
Figure 179431DEST_PATH_IMAGE022
；若
Figure 476551DEST_PATH_IMAGE022
大于预设抽稀阈值，则以所述最大距离
Figure 804764DEST_PATH_IMAGE023
将所述中心点坐标分割成两段，将分割点作为新的点A并记录所述分割点的坐标，进入步骤S321；若
Figure 85704DEST_PATH_IMAGE022
小于预设抽稀阈值，进入步骤S323；
S323：完成抽稀，输出所述分割点以及初始点A和初始点B为抽稀后轨迹点。
作为本发明的优选方案，所述步骤S33包括：
S331：将所述抽稀后轨迹点划分为n-1个子区间，并计算每个区间的步长：hj=xj+1-xj，其中，n为所述抽稀后轨迹点的数量，j为抽稀后轨迹点的序号，第j个抽稀后轨迹点的坐标为(xj，yj，zj)；
S332：计算样条曲线的系数，运算式如下：
Figure 665721DEST_PATH_IMAGE024
；
Figure 207561DEST_PATH_IMAGE025
；
Figure 582041DEST_PATH_IMAGE026
；
Figure 474911DEST_PATH_IMAGE027
；
其中，
Figure 593040DEST_PATH_IMAGE028
为第j个子区间的三次样条函数系数，
Figure 130331DEST_PATH_IMAGE029
为第j个子区间样条曲线方程的解
Figure 800347DEST_PATH_IMAGE030
的二阶偏导值，
Figure 790300DEST_PATH_IMAGE031
为第j+1个子区间样条曲线方程解
Figure 836753DEST_PATH_IMAGE032
的二阶偏导值；
S333：在每个子区间xj≤x≤xj+1中，创建如下方程：
Figure 759710DEST_PATH_IMAGE033
；
其中，
Figure 210414DEST_PATH_IMAGE030
为样条曲线方程解；
并通过所述方程求得每个子区间的三次函数系数，从而获取整条护栏中轴点的分段连续三次样条拟合曲线。
一种基于车载LIDAR数据的高速公路护栏矢量化设备，包括至少一个处理器，与所述至少一个处理器通信连接的采集器以及与所述至少一个处理器通信连接的存储器；所述采集器用于扫描采集护栏点云数据；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。
与现有技术相比，本发明的有益效果：
本发明通过车载LIDAR（Light detection and ranging，激光探测和测距）对高速公路护栏进行数据提取，可有效地提取护栏数据要素，减少提取过程中出现的噪点误点同时有效保留护栏的整体性。通过对护栏LIDAR扫描数据进行单体对象化处理，能够对高速公路边界护栏、中心护栏进行单体分离式表达，使其具有独立实体信息；通过在三维坐标系中对独立分割护栏数据进行矢量化，有效减少数据的冗余，最后根据拟合处理降低数据冗余的同时使得曲线更平滑、更节省存储空间，有效提高数据拟合的精度，为后续高速公路数字化建设的系列技术实施（高速公路高精地图制作、基于轨迹线的真实场景快速三维重建等）提供重要基础技术支撑。
附图说明
图1为本发明实施例1所述的一种基于车载LIDAR数据的高速公路护栏提取方法的流程示意图；
图2为本发明实施例2所述的一种基于车载LIDAR数据的高速公路护栏提取方法的扫面线时间序列提取示意图；
图3为本发明实施例2所述的一种基于车载LIDAR数据的高速公路护栏提取方法中点云区域增长方法示意图；
图4为本发明实施例2所述的一种基于车载LIDAR数据的高速公路护栏提取方法中两种不同的噪点示意图；
图5为本发明实施例2所述的一种基于车载LIDAR数据的高速公路护栏提取方法中噪点剔除示意图；
图6为本发明实施例3所述的一种基于车载LIDAR数据的高速公路护栏提取方法的测试数据示意图；
图7为本发明实施例3所述的一种基于车载LIDAR数据的高速公路护栏提取方法中护栏单体分割结果示意图；
图8为本发明实施例3所述的一种基于车载LIDAR数据的高速公路护栏提取方法中护栏中点提取示意图A；
图9为本发明实施例3所述的一种基于车载LIDAR数据的高速公路护栏提取方法中护栏中点提取示意图B；
图10为本发明实施例3所述的一种基于车载LIDAR数据的高速公路护栏提取方法中护栏矢量线提取示意图；
图11为本发明实施例所述的一种基于车载LIDAR数据的高速公路护栏提取方法的一种设备的结构示意图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
如图1所示，一种基于车载LIDAR数据的高速公路护栏提取方法，包括以下步骤：
S1：通过车载LIDAR获取护栏扫描点云数据，并对所述护栏扫描点云数据进行预处理，输出初步护栏点云数据；所述预处理为采用RandLA-Net算法对所述护栏扫描点云数据进行语义分割，提取初步护栏点云数据；
S2：对所述初步护栏点云数据进行单体对象化处理，输出精准的独立分割护栏数据；所述单体对象化包括归一化、粗分割以及精分割；
S3：对所述独立分割护栏数据进行矢量化和拟合处理，输出护栏的拟合曲线数据；所述矢量化包括中心点提取、中心点抽稀；所述拟合处理为分段线性拟合。
实施例2
本实施例为实施例1所述方法的详细说明，包括：
S1：通过车载LIDAR获取护栏扫描点云数据，并对所述护栏扫描点云数据进行预处理，输出初步护栏点云数据。
利用车载LIDAR实际野外作业获取海量高速公路场景点云数据，涵盖了多种高速公路资产要素，主要有：路面、标牌、护栏、植被等几类，各类要素交错紧密连接，无法有效辨别不同要素，需先对护栏点云进行整体聚类提取，为护栏点云的独立分割以及轨迹曲线拟合提供可靠的数据基础。因此，数据预处理主要为护栏点云的语义分割，实验结果表明RandLA-Net在多个大场景点云的数据集上都展现出了非常好的效果以及非常优异的内存效率以及计算效率，且适用于高速公路点云语义分割，针对护栏的分割精度可达到98%，因此，本发明先采用RandLA-Net对道路进行语义分割，提取护栏点云数据。
S2：对所述初步护栏点云数据进行单体对象化处理，输出初步独立分割护栏数据；所述单体对象化包括归一化、粗分割以及精分割：
S21：对所述初步护栏点云数据进行归一化处理，输出归一化护栏点云数据。
根据车载LIDAR的扫描原理可知激光扫描仪是线阵式、连续性扫描。由扫描仪视场角可知扫描棱镜是360度旋转的，但只有视场角范围内有激光信号发射出去。因此，同一条扫描线只有视场角对应的范围内有点云数据，每条扫描线内相邻点的扫描角度差值是固定的，与扫描的角度分辨率相关。
S21：对所述初步护栏点云数据进行归一化处理，输出归一化点云数据。
所述归一化处理为根据时间差对GPS时间信息进行归一化并通过预设的判定阈值对所述初步护栏点云数据进行截断分割，输出包含若干扫描线的归一化护栏LIDAR扫描数据，具体公式如下：
Figure 77876DEST_PATH_IMAGE034
；
Figure 537807DEST_PATH_IMAGE002
；
其中，
Figure 908746DEST_PATH_IMAGE003
表示
Figure 61509DEST_PATH_IMAGE004
点对应的GPS时刻，
Figure 760475DEST_PATH_IMAGE005
为所述LIDAR扫描数据中第一个扫描数据点对应的GPS时刻，
Figure 148731DEST_PATH_IMAGE006
为所述LIDAR扫描数据中最后一个扫描数据点对应的GPS时刻，
Figure 249542DEST_PATH_IMAGE007
为
Figure 432262DEST_PATH_IMAGE004
点GPS时刻归一化处理结果；
Figure 415262DEST_PATH_IMAGE035
为
Figure 216995DEST_PATH_IMAGE036
点GPS时刻归一化处理结果；
Figure 562526DEST_PATH_IMAGE010
表示判定阈值，用于判定当前扫描线的最后一点与下一条扫描线的第一个点的GPS时间。
如图2所示，扫描线 K i －K i + 6 紧密连续分布，一条扫描线结束到另一条扫描线开始前有一个相对较大的时间差，根据时间差对GPS时间信息进行归一化并截断分割，通过实验例证对实验数据
Figure 57093DEST_PATH_IMAGE007
取4位小数可将点云的每条扫描线提取出来，如表1所示：
表1扫描线归一化后的示例数据
X Y Z GPST LINE
-116.2636 119.3023 862.0947 0.3227 line1
-116.2619 119.3112 862.1021 0.3227 line1
-116.2572 119.3234 862.1088 0.3227 line1
-116.2519 119.3365 862.1157 0.3227 line1
-116.3069 119.3363 862.0892 0.3228 line2
-116.3084 119.3431 862.0988 0.3228 line2
-116.3061 119.3528 862.1062 0.3228 line2
-116.3008 119.3655 862.1128 0.3228 line2
-116.2926 119.3807 862.1177 0.3228 line2
-116.3549 119.3735 862.0939 0.3229 line3
-116.3542 119.382 862.1022 0.3229 line3
-116.3492 119.3941 862.1085 0.3229 line3
-116.3419 119.4087 862.1141 0.3229 line3
-116.4009 119.4053 862.0916 0.3230 line4
-116.3987 119.4147 862.0988 0.3230 line4
-116.3968 119.4242 862.1066 0.3230 line4
-116.3903 119.4385 862.1129 0.3230 line4
-116.4454 119.4379 862.0879 0.3231 line5
-116.4443 119.4471 862.0965 0.3231 line5
-116.4437 119.4552 862.1046 0.3231 line5
-116.4371 119.4693 862.1108 0.3231 line5
-116.4276 119.4856 862.1151 0.3231 line5
-116.491 119.4707 862.0876 0.3233 line6
-116.4896 119.4793 862.0953 0.3233 line6
-116.4867 119.49 862.1029 0.3233 line6
-116.4819 119.5018 862.1091 0.3233 line6
-116.4766 119.5145 862.1156 0.3233 line6
-116.5366 119.5031 862.0871 0.3234 line7
-116.5338 119.5129 862.094 0.3234 line7
-116.5331 119.5212 862.1022 0.3234 line7
-116.5285 119.5338 862.1095 0.3234 line7
-116.5209 119.5484 862.1149 0.3234 line7
S22：对所述归一化护栏LIDAR扫描数据进行粗分割，生成初步独立分割护栏数据。所述初步独立分割护栏数据包括各自独立的边界护栏点云数据以及中心护栏点云数据；所述粗分割包括欧氏距离分割以及点云区域增长。
经过上一步的步骤处理得到归一化后扫描线时间信息的点云护栏数据，在此基础上，我们要对点云护栏进行独立分割对象化，首先对其进行粗分割。由于不同条带的护栏具有明显的空间分布特征，相邻两条护栏有较大的距离变化差异，即表现在每一条扫描线上的特征是：当点Pl和点Pl+1有较大的距离变化时，则说明点Pl+1为分界点，点Pl和点Pl+1属于两种不同的地物。因此，利用扫描线时间信息以及护栏点云的空间分布形态进行欧式距离分割，设定距离阈值D＝８m（阈值D可根据路宽来设定），按时间顺序读取点云，将每条扫描线通过阈值D将点云的分割成若干子块，然后从初始子块开始区域增长，建立区域增长约束条件，当不满足条件时，则该条护栏增长结束，剔除已增长完成的护栏点云，最后从剩余护栏点簇中重复上述增长步骤，直到遍历完所有点云子块。由于车载激光移动测量过程中的受到其他车辆的遮挡，造成护栏数据缺失或者断带等，对护栏的区域增长造成一定的影响，点云护栏区域增长的准确度直接影响护栏单体化的精度。因此，本专利建立一种点云区域增长策略，如图3所示。
对点云集进行直线拟合，为提高拟合的直线能够准备表达护栏的分布特征以及增长趋势，计算当前护栏的点云集的每条扫描线点数，求取均值，并设定阈值t（＝5），小于阈值的保留，大于阈值的剔除，然后设置半径r＝2，提取点云集扫描线上距离质心小于半径ｒ的点，进而通过这些点进行直线最小二乘拟合，然后得到直线方程参数k，b，建立分块增长区域界限，判断当子块Kp的点都满足在界限内，则将子块Kp归类进点云集中，并更新取点云集选直线拟合的点，得到新的参数kp，bp，并迭代进行下一子块的判断，直到增长界限内没有新子块满足条件，则停止点云集增长，将点云集标记为1号分割点簇，剩余护栏点云同样采用上述步骤进行点云区域增长，最后遍历计算完所有子块后结束该方法。
由于设定区域增长的边界条件带有一定的缓冲区域，且语义分割后护栏点云伴随一些路面噪点以及其他地物点；通过上述步骤得到初始独立分割后的点云护栏携带部分非护栏点，各护栏还没有完成精细化提取，需要对其去噪，滤除非护栏点。具体步骤如下：
S221：利用所述归一化护栏LIDAR扫描数据中扫描线的时间信息以及点云的空间分布形态对所述归一化护栏LIDAR扫描数据进行欧式距离分割，并生成若干子块。其中，所述欧式距离分割是根据预设的距离阈值D＝８m（阈值D可根据路宽来设定），将所述归一化护栏LIDAR扫描数据分割为各个不同护栏的若干子块；所述不同护栏包括若干边界护栏以及若干中心护栏：
S2221：从初始子块开始遍历，计算子块l的质心与子块l+1的质心的距离ｄ；当d>dT，则说明子块l与子块l+1不同类，进入步骤S2222；当d＜dT，则将子块l与子块l+1聚类为点云集；dT为预设质心阈值，dT=2m，l为子块的序号。
S2222：l=l+1，当所述点云集具备护栏几何特征且元素数量大于预设拟合阈值时，对所述点云集进行最小二乘直线拟合，并进入步骤S2223；否则进入所述步骤S2221。
S2223：根据所述最小二乘直线拟合操作得到直线方程参数k和b，并建立分块增长区域界限，当子块l的点都满足在界限内，则将子块l归类进点云集中，对所述点云集进行最小二乘直线拟合；其中，k为所述直线方程的斜率，b为所述直线方程的y轴截距。
S2224：将得到新的参数kl和bl作为直线方程参数k和b，并进入所述步骤S2223，直至所有子块完成判断。
S2225：输出区域增长后的点云数据为初步独立分割护栏数据。
S222：建立区域增长约束条件，所述子块依次开始区域增长，当不满足条件时，则该条扫描线增长结束，并剔除已增长完成的点云，当遍历完所有子块后，输出区域增长后的点云数据为初步独立分割护栏数据；所述初步独立分割护栏数据包括边界护栏点云数据以及中心护栏点云数据。
S23：对所述初步独立分割护栏数据进行精分割，生成初步独立分割护栏数据；所述精分割为对所述初步独立分割护栏数据进行去噪处理。
经过上一步粗分割后虽然已可以对高速公路各护栏进行单体对象化表达，但是各条护栏携带较多的噪点需要剔除，如图4所示：主要有两种类型噪点：（1）路面点，（2）护栏基座点。
针对路面噪声点，由于护栏板具有明显的几何特征，且点簇聚类按照扫描线排列紧密，路面点分布离散且随机，点间没有规律性，因此本专利采用密度统计滤波方法对其剔除明显离群点。离群点特征是在空间中分布稀疏，考虑到离群点的特征，则可以定义某处点云小于某个密度，既点云无效。对每个点的邻域进行一个统计分析，并修剪掉一些不符合标准的点。
针对护栏基座噪声点，主要是由护栏语义分割过分割导致，护栏基座与护栏面板相连紧密，且空间形态与护栏一样具有明显的几何特征和空间连续性，很容易将其二者聚为一类。为此，本专利通过空间距离阈值的设定，对护栏基座进行剔除。具体剔除方法如下：
S231：通过密度统计滤波方法剔除所述初步独立分割护栏数据中的路面点；其中，所述密度统计滤波方法为对每一个点，计算它到所有临近点的平均距离，当所述平均距离大于预设滤波阈值时，将该点作为路面点，从所述初步独立分割护栏数据中剔除；
即在点云数据中对点到临近点的距离分布的计算，对每一个点，计算它到所有临近点的平均距离（假设得到的结果是一个高斯分布，其形状是由均值和标准差决定），那么平均距离在标准范围之外的点，可以被定义为离群点并从数据中去除。本实施例以标准差作为判断依据，针对上述实验数据，设定滤波参数，knn参数为选择邻近点个数（knn＝20），std参数为设置的标准差阈值（std＝1.0），经实验表明，该方法能够有效地剔除路面点，提高护栏的独立分割精度。
S232：通过预设的空间距离阈值，滤除所述初步独立分割护栏数据中的护栏基座噪点。
S2321：利用护栏点云的三维空间坐标
Figure 855284DEST_PATH_IMAGE015
分割数据，遍历所述初步独立分割护栏数据中每条扫描线上的点，计算相邻点的斜率和斜率差，计算式如下；
Figure 460709DEST_PATH_IMAGE011
（3）；
Figure 536112DEST_PATH_IMAGE012
（4）；
其中，
Figure 326214DEST_PATH_IMAGE013
为点q与扫描线上后点q+1的斜率，
Figure 498787DEST_PATH_IMAGE014
点q-1与扫描线上后点q的斜率，
Figure 766957DEST_PATH_IMAGE015
表示扫描线上的点q的三个坐标，
Figure 696867DEST_PATH_IMAGE016
表示扫描线上的点q+1的三个坐标，
Figure 657870DEST_PATH_IMAGE017
表示斜率差，本发明设定
Figure 306020DEST_PATH_IMAGE017
为0.2，当
Figure 377881DEST_PATH_IMAGE017
超过0.2时，确定点为护栏边界点，即可认为点的类别从护栏变换到护栏基座表面。
S2322：根据预设的斜率差阈值，令
Figure 427877DEST_PATH_IMAGE017
超过所述斜率差阈值的点为护栏边界点；因为同一条扫描线上的相同地物（护栏点群）的斜率基本相同，若由低到高斜率差发生显著变化时，则认为该点是护栏基座边界点。
S2323：遍历所述初步独立分割护栏数据，将所述护栏边界点外的点作为护栏噪点，并进行滤除。通过上述步骤确定护栏边界点后，即确定了提取的护栏下边界，因此继续遍历扫描线上的点，统计所有高于边界点的护栏点，即以边界点的z坐标为边界标准，将z值大于边界点的所有护栏点统计出来即可分割护栏面板与护栏基座。如图5所示，图5a为掺杂路面噪声点和护栏基座噪声点的护栏点云数据示意图，图5b为滤除路面噪声点，仅剩护栏基座噪声点的护栏点云数据示意图，图5c为护栏面板与路面噪声点示意图（a图局部放大示意），图5d为护栏面板与基座噪声点示意图（b图局部放大示意）。
S3：对所述独立分割护栏数据进行矢量化和拟合处理，输出护栏的拟合曲线数据；所述矢量化包括中心点提取、中心点抽稀；所述拟合处理为分段线性拟合。经过护栏板的精分割，已获得完整的护栏数据，但是对于轨迹曲线拟合，整条护栏板数据点过于密集，还需要将护栏板中心点提取出来。具体包括以下步骤：
S31：中心点提取：获取所述独立分割护栏数据中的边界点，并根据所述边界点得到中心点坐标；
即沿x轴根据预设步长将所述独立分割护栏数据细分成多个等长的细条状单元体，然后依次搜寻每个单元体上y坐标值最大和最小的点；得到的两条边界点集1和点集2构成了边界点；点集1中的每个点都能在点集2寻找到与其对应的距离最近的一点，它们构成一对边界点；计算每一对边界点的中点，即可得到护栏中轴点在xoy平面的投影；同理对点云作xoy面投影，得到护栏中轴点在xoy平面的投影，联立可得护栏板中心点的三维坐标；
S32：中心点抽稀：采用道格拉斯-普克算法对所述中心点坐标进行抽稀处理，输出抽稀后轨迹点。
经过上一步的中轴点提取，还需进行轨迹抽稀，既能剔除冗余数据的基础上又能保证轨迹曲线形状大致不变，以道格拉斯-普克算法为基础，针对本发明中的激光点云护栏数据，进一步地设计算法流程。所述点云抽稀流程包括：对中轴线上的首末点虚连一条直线，求所有点与直线的距离，并找出最大距离值
Figure 435147DEST_PATH_IMAGE022
，用
Figure 695227DEST_PATH_IMAGE022
与预设的抽稀阈值CT相比:若
Figure 180566DEST_PATH_IMAGE023
<CT，这条中轴线上的中间点所有舍去；若
Figure 209702DEST_PATH_IMAGE022
≥CT，保留
Figure 387874DEST_PATH_IMAGE022
相应的坐标点，并以该点为界，把中轴线分为两部分，对这两部分反复使用该方法。通过抽稀阈值CT的大小可以控制抽稀的粒度，实施中，设置抽稀阈值CT为0.3m。具体包括以下步骤：
S321：连接所述中心点坐标中的首尾两点点A和点B；依次计算所述中心点坐标中所有点到点A和点B两点所在直线的距离
Figure 135250DEST_PATH_IMAGE018
；
若该点与点A和点B两点共线，记录
Figure 424280DEST_PATH_IMAGE018
=0；若该点与点A和点B两点不共线，根据下式计算距离
Figure 307922DEST_PATH_IMAGE018
：
Figure 922574DEST_PATH_IMAGE037
（5）；
Figure 767033DEST_PATH_IMAGE038
（6）；
其中
Figure 984388DEST_PATH_IMAGE039
分别为该点与点A和点B两点构成的空间三角形中三条边的长度及周长，u为所述中心点坐标中其余各点的序号；
S322：获取距离
Figure 129062DEST_PATH_IMAGE018
中最大距离
Figure 383457DEST_PATH_IMAGE022
；若
Figure 839846DEST_PATH_IMAGE022
大于预设抽稀阈值，则以所述最大距离
Figure 470678DEST_PATH_IMAGE023
将所述中心点坐标分割成两段，将分割点作为新的点A并记录所述分割点的坐标，进入步骤S321；若
Figure 594492DEST_PATH_IMAGE022
小于预设抽稀阈值，进入步骤S323；
S323：完成抽稀，输出所述分割点以及初始点A和初始点B为抽稀后轨迹点。
S33：分段线性拟合：对所述抽稀后轨迹点进行分段线性拟合，输出护栏的拟合曲线数据。对抽稀后的护栏板中轴数据点通过样条函数进行轨迹曲线拟合，本专利以三次样条函数为基础，计算抽稀中轴点步长hj=xj+1-xj，其中j= 0, 1, ..., n-1；即确定抽稀的后点集有n个子区间，每一子区间都是三次多项式函数曲线；对每个分段区间构造三次多项式，将子区间节点和首尾断点条件代入矩阵方程，边界条件为非节点边界(Not-A-Knot)，即指定样条曲线的三次微分相等；解矩阵方程，利用高斯消元法对系数矩阵进行LU分解，最后计算样条曲线的系数，代入函数式中，即可得到整个护栏板的三次分段函数，实现中轴点的轨迹曲线拟合。具体包括以下步骤：
S331：将所述抽稀后轨迹点划分为n-1个子区间，并计算每个区间的步长：hj=xj+1-xj，其中，n为所述抽稀后轨迹点的数量，j为抽稀后轨迹点的序号，第j个抽稀后轨迹点的坐标为(xj，yj，zj)；将每一个子区间节点和首尾断点条件代入矩阵方程；并求解矩阵方程，求得方程解
Figure 19788DEST_PATH_IMAGE030
的二阶偏导值
Figure 369998DEST_PATH_IMAGE029
，利用高斯消元法对系数矩阵进行LU分解，分解为单位下三角矩阵和上三角矩阵。即式7：
Figure 663576DEST_PATH_IMAGE040
（7）；
其中A = LU， L为下三角矩阵，U是上三角矩阵。
S332：计算样条曲线的系数，运算式如下：
Figure 251684DEST_PATH_IMAGE041
（8）；
其中，
Figure 503673DEST_PATH_IMAGE042
为第j个子区间的三次样条函数系数，
Figure 75600DEST_PATH_IMAGE029
为第j个子区间样条曲线方程的解
Figure 48235DEST_PATH_IMAGE043
的二阶偏导值，
Figure 615483DEST_PATH_IMAGE031
为第j+1个子区间样条曲线方程解
Figure 648161DEST_PATH_IMAGE032
的二阶偏导值；
S333：在每个子区间xj≤x≤xj+1中，创建如下方程：
Figure 832018DEST_PATH_IMAGE044
（9）；
其中，
Figure 342765DEST_PATH_IMAGE043
为样条曲线方程解；
并通过所述方程求得每个子区间的三次函数系数，从而获取整条护栏中轴点的分段连续三次样条拟合曲线。
实施例3
本实施例为采用实施例2所述方法的具体实验例，所述实验采用3组不同路段环境的数据集，对本专利提出的方法进行验证分析，如图6所示，三组数据包含典型高速公路场景：弯道场景（如图6a所示）、复杂匝道场景（如图6b所示）以及直线场景（如图6c和图6d所示）。针对这3组数据，利用本专利的方法进行数据验证，评判精度。
实验结果如图7所示，可看出，本专利所提方法在针对弯道（图7a）和匝道区域（图7b）时具有一定的优越性，护栏单体化效果显著；而针对直线路段（图7c和d），各护栏之间界限明确，各条护栏虽然存在数据缺失，但分割精度好，护栏单体化效果显著。
以上过程是对护栏的单体对象化实验分析，在此基础上，为获得护栏的矢量线，还需对单体对象化的实验结果进行中点提取和样条拟合等步骤，中点提取是通过提取护栏板中心点，为护栏曲线拟合提供控制点，样条拟合是对控制点的线性约束，形成护栏的光滑连续的矢量数据。如图8和图9所示，以直线区域为例，提取护栏的中点。
经过上一步中点提取后，为得到光滑且连续的护栏矢量数据，本专利采用三次样条拟合，因为三次样条拟合严格按照控制点进行插值计算，且必经过控制点，因此如图10所示，护栏样条矢量线既光滑连续，同时与护栏点云吻合，使得护栏矢量数据与点云数据相对应，护栏中心点提取实验精度如表2所示。
表2 护栏中心点提取
Figure 30098DEST_PATH_IMAGE045
如表2，针对不同路面的点云护栏中心点提取进行量化分析，三种不同路段的护栏中心点整体提取精度分别为96%，94%，96%，说明本发明方法在提取护栏中心点和护栏矢量化上具有较高的可行性，能够满足数据驱动的高速公路护栏三维重建的工程项目需要。
实施例4
如图11所示，一种基于车载LIDAR数据的高速公路护栏矢量化设备，包括至少一个处理器，与所述至少一个处理器通信连接的采集器以及与所述至少一个处理器通信连接的存储器；所述采集器用于扫描采集护栏点云数据；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述实施例所述的一种基于车载LIDAR数据的高速公路护栏提取方法。所述输入输出接口可以包括显示器、键盘、鼠标、以及USB接口，用于输入输出数据；电源用于为设备提供电能。
本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（Read Only Memory，ROM）、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于车载LIDAR数据的高速公路护栏矢量化方法，其特征在于，包括以下步骤：
S1：通过车载LIDAR获取护栏扫描点云数据，并对所述护栏扫描点云数据进行预处理；所述预处理为采用RandLA-Net算法对所述护栏扫描点云数据进行语义分割，提取初步护栏点云数据；
S2：对所述初步护栏点云数据进行单体对象化处理，输出独立分割护栏数据；所述单体对象化包括归一化、粗分割以及精分割；
S3：对所述独立分割护栏数据进行矢量化和拟合处理，输出护栏的拟合曲线数据；所述矢量化包括中心点提取、中心点抽稀；所述拟合处理为分段线性拟合；
所述步骤S2包括：
S21：对所述初步护栏点云数据进行归一化处理，输出归一化点云数据；
所述归一化处理为根据时间差对GPS时间信息进行归一化并通过预设的判定阈值对所述初步护栏点云数据进行截断分割，输出包含若干扫描线的归一化护栏LIDAR扫描数据，具体公式如下：
Figure 560142DEST_PATH_IMAGE001
；
Figure 18805DEST_PATH_IMAGE002
；
其中，
Figure 455865DEST_PATH_IMAGE003
表示
Figure 304872DEST_PATH_IMAGE004
点对应的GPS时刻，
Figure 23429DEST_PATH_IMAGE005
为所述LIDAR扫描数据中第一个扫描数据点对应的GPS时刻，
Figure 336599DEST_PATH_IMAGE006
为所述LIDAR扫描数据中最后一个扫描数据点对应的GPS时刻，
Figure 115199DEST_PATH_IMAGE007
为
Figure 779399DEST_PATH_IMAGE004
点GPS时刻归一化处理结果；
Figure 98385DEST_PATH_IMAGE008
为
Figure 407006DEST_PATH_IMAGE009
点GPS时刻归一化处理结果；
Figure 481141DEST_PATH_IMAGE010
表示判定阈值，用于判定当前扫描线的最后一点与下一条扫描线的第一个点的GPS时间；
S22：对所述归一化护栏LIDAR扫描数据进行粗分割，生成初步独立分割护栏数据；所述初步独立分割护栏数据包括各自独立的边界护栏点云数据以及中心护栏点云数据；所述粗分割包括欧氏距离分割以及点云区域增长；
S23：对所述初步独立分割护栏数据进行精分割，生成独立分割护栏数据；所述精分割为对所述初步独立分割护栏数据进行去噪处理；
所述步骤S23包括：
S231：通过密度统计滤波方法剔除所述初步独立分割护栏数据中的路面点；其中，所述密度统计滤波方法为对每一个点，计算它到所有临近点的平均距离，当所述平均距离大于预设滤波阈值时，将该点作为路面点，从所述初步独立分割护栏数据中剔除；
S232：通过斜率计算公式及预设的斜率差阈值，滤除所述初步独立分割护栏数据中的护栏基座噪点；
S233：输出精确的独立分割护栏数据。
2.根据权利要求1所述的一种基于车载LIDAR数据的高速公路护栏矢量化方法，其特征在于，所述步骤S22包括：
S221：利用所述归一化护栏LIDAR扫描数据中扫描线的时间信息以及点云的空间分布形态对所述归一化护栏LIDAR扫描数据进行欧式距离分割，并生成若干子块；
其中，所述欧式距离分割是根据预设的距离阈值，将所述归一化护栏LIDAR扫描数据分割为各个不同护栏的若干子块；所述不同护栏包括若干边界护栏以及若干中心护栏；
S222：建立区域增长约束条件，所述子块依次开始区域增长，当不满足条件时，则该条扫描线增长结束，并剔除已增长完成的点云，当遍历完所有子块后，输出区域增长后的点云数据为初步独立分割护栏数据；所述初步独立分割护栏数据包括边界护栏点云数据以及中心护栏点云数据。
3.根据权利要求2所述的一种基于车载LIDAR数据的高速公路护栏矢量化方法，其特征在于，所述步骤S222包括：
S2221：从初始子块开始遍历，计算子块l的质心与子块l+1的质心的距离ｄ；当d>dT，进入步骤S2222；当d＜dT，则将子块l与子块l+1聚类为对应护栏的点云集；dT为预设质心阈值，l为子块的序号；
S2222：l=l+1，当所述点云集元素数量大于预设拟合阈值时，对所述点云集进行最小二乘直线拟合，并进入步骤S2223；否则进入所述步骤S2221；
S2223：根据所述最小二乘直线拟合操作得到直线方程参数k和b，并建立分块增长区域界限，当子块l的点都满足在界限内，则将子块l归类进点云集中，对所述点云集进行最小二乘直线拟合；其中，k为所述直线方程的斜率，b为所述直线方程的y轴截距；
S2224：将得到新的参数kl和bl作为直线方程参数k和b，并进入所述步骤S2223，直至所有子块完成判断；
S2225：输出区域增长后的点云数据为初步独立分割护栏数据。
4.根据权利要求1所述的一种基于车载LIDAR数据的高速公路护栏矢量化方法，其特征在于，所述步骤S232包括：
S2321：遍历所述初步独立分割护栏数据中每条扫描线上的点，计算相邻点的斜率和斜率差，计算式如下；
Figure 976845DEST_PATH_IMAGE011
；
Figure 925953DEST_PATH_IMAGE012
；
其中，
Figure 885819DEST_PATH_IMAGE013
为点q与扫描线上后点q+1的斜率，
Figure 6221DEST_PATH_IMAGE014
点q-1与扫描线上后点q的斜率，
Figure 645013DEST_PATH_IMAGE015
表示扫描线上的点q的三个坐标，
Figure 243485DEST_PATH_IMAGE016
表示扫描线上的点q+1的三个坐标，
Figure 385753DEST_PATH_IMAGE017
表示斜率差；
S2322：根据预设的斜率差阈值，令
Figure 942636DEST_PATH_IMAGE017
超过所述斜率差阈值的点为护栏边界点；
S2323：遍历所述初步独立分割护栏数据，将所述护栏边界点外的点作为护栏基座噪点，并进行滤除。
5.根据权利要求1所述的一种基于车载LIDAR数据的高速公路护栏矢量化方法，其特征在于，所述步骤S3包括：
S31：中心点提取：获取所述独立分割护栏数据中的边界点，并根据所述边界点得到中心点坐标；
S32：中心点抽稀：采用道格拉斯-普克算法对所述中心点坐标进行抽稀处理，输出抽稀后轨迹点；
S33：分段线性拟合：对所述抽稀后轨迹点进行分段线性拟合，输出护栏的拟合曲线数据。
6.根据权利要求5所述的一种基于车载LIDAR数据的高速公路护栏矢量化方法，其特征在于，所述步骤S32包括：
S321：连接所述中心点坐标中的首尾两点点A和点B；依次计算所述中心点坐标中所有点到点A和点B两点所在直线的距离
Figure 803145DEST_PATH_IMAGE018
；
若该点与点A和点B两点共线，记录
Figure 267624DEST_PATH_IMAGE018
=0；若该点与点A和点B两点不共线，根据下式计算距离
Figure 874186DEST_PATH_IMAGE018
：
Figure 228069DEST_PATH_IMAGE019
；
Figure 451240DEST_PATH_IMAGE020
；
其中
Figure 570692DEST_PATH_IMAGE022
分别为该点与点A和点B两点构成的空间三角形中三条边的长度及周长，u为所述中心点坐标中其余各点的序号；
S322：获取距离
Figure 469378DEST_PATH_IMAGE018
中最大距离
Figure 773320DEST_PATH_IMAGE023
；若
Figure 782865DEST_PATH_IMAGE023
大于预设抽稀阈值，则以所述最大距离
Figure 691915DEST_PATH_IMAGE023
将所述中心点坐标分割成两段，将分割点作为新的点A并记录所述分割点的坐标，进入步骤S321；若
Figure 620556DEST_PATH_IMAGE023
小于预设抽稀阈值，进入步骤S323；
S323：完成抽稀，输出所述分割点以及初始点A和初始点B为抽稀后轨迹点。
7.根据权利要求5所述的一种基于车载LIDAR数据的高速公路护栏矢量化方法，其特征在于，所述步骤S33包括：
S331：将所述抽稀后轨迹点划分为n-1个子区间，并计算每个区间的步长：hj=xj+1-xj，其中，n为所述抽稀后轨迹点的数量，j为抽稀后轨迹点的序号，第j个抽稀后轨迹点的坐标为(xj，yj，zj)；
S332：计算样条曲线的系数，运算式如下：
Figure 818320DEST_PATH_IMAGE024
；
Figure 729425DEST_PATH_IMAGE025
；
Figure 696244DEST_PATH_IMAGE026
；
Figure 467891DEST_PATH_IMAGE027
；
其中，
Figure 277584DEST_PATH_IMAGE028
为第j个子区间的三次样条函数系数，
Figure 363351DEST_PATH_IMAGE029
为第j个子区间样条曲线方程的解
Figure 309311DEST_PATH_IMAGE030
的二阶偏导值，
Figure 720700DEST_PATH_IMAGE031
为第j+1个子区间样条曲线方程解
Figure 752110DEST_PATH_IMAGE032
的二阶偏导值；
S333：在每个子区间xj≤x≤xj+1中，创建如下样条曲线方程：
Figure 438307DEST_PATH_IMAGE033
；
其中，
Figure 379718DEST_PATH_IMAGE030
为样条曲线方程解；
并通过所述方程求得每个子区间的三次函数系数，从而获取整条护栏中轴点的分段连续三次样条拟合曲线。
8.一种基于车载LIDAR数据的高速公路护栏矢量化设备，其特征在于，包括至少一个处理器，与所述至少一个处理器通信连接的采集器以及与所述至少一个处理器通信连接的存储器；所述采集器用于扫描采集护栏点云数据；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的方法。
CN202210682960.5A 2022-06-17 2022-06-17 一种基于车载lidar数据的高速公路护栏矢量化方法及设备 Active CN114782925B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210682960.5A CN114782925B (zh) 2022-06-17 2022-06-17 一种基于车载lidar数据的高速公路护栏矢量化方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210682960.5A CN114782925B (zh) 2022-06-17 2022-06-17 一种基于车载lidar数据的高速公路护栏矢量化方法及设备

Publications (2)

Publication Number Publication Date
CN114782925A CN114782925A (zh) 2022-07-22
CN114782925B true CN114782925B (zh) 2022-09-02

Family

ID=82421375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210682960.5A Active CN114782925B (zh) 2022-06-17 2022-06-17 一种基于车载lidar数据的高速公路护栏矢量化方法及设备

Country Status (1)

Country Link
CN (1) CN114782925B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490888A (zh) * 2019-07-29 2019-11-22 武汉大学 基于机载激光点云的高速公路几何特征矢量化提取方法
CN111696210A (zh) * 2020-04-22 2020-09-22 北京航天控制仪器研究所 一种基于三维点云数据特征轻量化的点云重构方法及系统
CN112330604A (zh) * 2020-10-19 2021-02-05 香港理工大学深圳研究院 一种从点云数据生成矢量化道路模型的方法
CN112560747A (zh) * 2020-12-23 2021-03-26 苏州工业园区测绘地理信息有限公司 基于车载点云数据的车道边界交互式提取方法
CN112595258A (zh) * 2020-11-23 2021-04-02 扆亮海 基于地面激光点云的地物轮廓提取方法
CN112686909A (zh) * 2020-12-28 2021-04-20 淮阴工学院 基于异质多区域ct扫描数据处理的多相隐式曲面重建方法
CN113870123A (zh) * 2021-08-19 2021-12-31 中国铁路设计集团有限公司 基于车载移动激光点云的接触网导高与拉出值自动检测方法
CN114119863A (zh) * 2021-11-09 2022-03-01 南京市测绘勘察研究院股份有限公司 一种基于车载激光雷达数据自动提取行道树目标及其林木属性的方法
CN114463425A (zh) * 2022-01-26 2022-05-10 武汉理工大学 一种基于概率Hough直线检测的工件表面无特征点定位方法
CN114549879A (zh) * 2022-04-25 2022-05-27 四川省公路规划勘察设计研究院有限公司 一种隧道车载扫描点云的标靶识别及中心点提取方法
CN114581492A (zh) * 2022-05-07 2022-06-03 成都理工大学 融合道路多元特征的车载激光雷达点云非刚性配准方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10657390B2 (en) * 2017-11-27 2020-05-19 Tusimple, Inc. System and method for large-scale lane marking detection using multimodal sensor data

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490888A (zh) * 2019-07-29 2019-11-22 武汉大学 基于机载激光点云的高速公路几何特征矢量化提取方法
CN111696210A (zh) * 2020-04-22 2020-09-22 北京航天控制仪器研究所 一种基于三维点云数据特征轻量化的点云重构方法及系统
CN112330604A (zh) * 2020-10-19 2021-02-05 香港理工大学深圳研究院 一种从点云数据生成矢量化道路模型的方法
CN112595258A (zh) * 2020-11-23 2021-04-02 扆亮海 基于地面激光点云的地物轮廓提取方法
CN112560747A (zh) * 2020-12-23 2021-03-26 苏州工业园区测绘地理信息有限公司 基于车载点云数据的车道边界交互式提取方法
CN112686909A (zh) * 2020-12-28 2021-04-20 淮阴工学院 基于异质多区域ct扫描数据处理的多相隐式曲面重建方法
CN113870123A (zh) * 2021-08-19 2021-12-31 中国铁路设计集团有限公司 基于车载移动激光点云的接触网导高与拉出值自动检测方法
CN114119863A (zh) * 2021-11-09 2022-03-01 南京市测绘勘察研究院股份有限公司 一种基于车载激光雷达数据自动提取行道树目标及其林木属性的方法
CN114463425A (zh) * 2022-01-26 2022-05-10 武汉理工大学 一种基于概率Hough直线检测的工件表面无特征点定位方法
CN114549879A (zh) * 2022-04-25 2022-05-27 四川省公路规划勘察设计研究院有限公司 一种隧道车载扫描点云的标靶识别及中心点提取方法
CN114581492A (zh) * 2022-05-07 2022-06-03 成都理工大学 融合道路多元特征的车载激光雷达点云非刚性配准方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
《Fast Filtering of LiDAR Point Cloud in Urban Areas Based on Scan Line Segmentation and GPU Acceleration》;Xiangyun Hu等;《IEEE Geoscience and Remote Sensing Letters》;20130331;第10卷(第2期);第308-312页 *
《出租车轨迹数据的道路提取》;胡瀚;《测绘通报》;20180725(第07期);第53-57页 *
《基于S-G滤波与包络提取算法的半导体激光器自混合干涉微位移测量》;李思嘉;《机械与电子》;20220424;第40卷(第04期);第13-19页 *
《基于Terrasolid的机载激光雷达点云去噪研究》;倪愿 等;《测绘与空间地理信息》;20210125;第44卷(第01期);第204-206页 *
《基于机载LiDAR的像控点自动提取方法研究》;周文明;《铁道勘察》;20201215;第46卷(第06期);第98-103页 *
《基于车载LIDAR数据的建筑物立面重建技术研究》;杨洋;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120315(第03期);第I138-1995页 *

Also Published As

Publication number Publication date
CN114782925A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN111192284B (zh) 一种车载激光点云分割方法及系统
Zai et al. 3-D road boundary extraction from mobile laser scanning data via supervoxels and graph cuts
CN108062517B (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
Wang et al. Speed and accuracy tradeoff for LiDAR data based road boundary detection
CN108765961B (zh) 一种基于改进型限幅平均滤波的浮动车数据处理方法
CN110363771B (zh) 一种基于三维点云数据的隔离护栏形点提取方法及装置
CN112561944A (zh) 一种基于车载激光点云的车道线提取方法
EP4120123A1 (en) Scan line-based road point cloud extraction method
CN114488194A (zh) 一种智能驾驶车辆结构化道路下目标检测识别方法
Zhao et al. Rapid extraction and updating of road network from airborne LiDAR data
WO2023216470A1 (zh) 一种可行驶区域检测方法、装置及设备
CN111580131A (zh) 三维激光雷达智能车在高速公路上识别车辆的方法
CN114359876B (zh) 一种车辆目标识别方法及存储介质
CN116628455B (zh) 一种城市交通碳排放监测与决策支持方法及系统
CN110033482A (zh) 一种基于激光点云的路沿识别方法和装置
Ariyachandra et al. Digital twinning of railway overhead line equipment from airborne lidar data
CN114648654A (zh) 一种融合点云语义类别和距离的聚类方法
CN112379393A (zh) 一种列车碰撞预警方法及其装置
Deng et al. A novel fast classification filtering algorithm for LiDAR point clouds based on small grid density clustering
CN114782925B (zh) 一种基于车载lidar数据的高速公路护栏矢量化方法及设备
CN116188334B (zh) 一种车道线点云自动修补方法及装置
CN111861946A (zh) 自适应多尺度车载激光雷达稠密点云数据滤波方法
Wang et al. Research on 3D point cloud data preprocessing and clustering algorithm of obstacles for intelligent vehicle
CN114063107A (zh) 一种基于激光束的地面点云提取方法
CN112581521A (zh) 一种磁浮轨道中心线提取方法

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