CN114863376A - 一种基于车载激光点云数据的道路标线分割方法及系统 - Google Patents

Abstract

本发明涉及一种基于车载激光点云数据的道路标线分割方法及系统，所述方法步骤包括：对车载激光雷达采集的路面点云数据实施降噪处理，获得去噪路面点云数据；对所述去噪路面点云数据进行K‑Means聚类处理获得标线点云簇；根据各所述标线点云簇利用欧式聚类法则进行一次分类获取箭头特征点云聚落；利用预设模板库对各所述箭头特征点云聚落进行二次分类获得目标道路标线信息。本发明技术方案较好地完成了对传统摄像头无法采集的模糊道路标线的识别和分类作用，标线采集识别过程受光照条件的影响较小，工作效率高。

Description

一种基于车载激光点云数据的道路标线分割方法及系统

技术领域

本发明涉及人工智能车联网技术领域，尤其涉及一种基于车载激光点云数据的道路标线分割方法及系统。

背景技术

无人驾驶汽车技术是如今很热门的技术之一。随着5G通信技术的发展，大数据的实时通信变为可能，同时随着人工智能技术的发展，对于各种数据的处理能力得到进一步的提升，这些都促使着无人驾驶技术的进一步发展，随着越来越多的研究者开始参与其中，无人驾驶技术也因此成为许多国内外各大汽车企业与科技公司争相研究的热点。目前，除了像特斯拉之类的传统汽车企业，以谷歌、华为和百度等大型科技公司为代表的非汽车企业也开始布局无人驾驶汽车相关产业。

在无人驾驶技术中，除去复杂的传感器外，高精度地图便是无人驾驶车辆最核心的技术之一。高精度地图是实现L3级别及以上的自动驾驶的必备条件，并且随着无人驾驶技术体系的不断完善，高精度地图已逐渐成为无人驾驶方案能否最终落地的关键因素。

与普通导航电子地图相比，高精度地图有以下两大亮点：一是拥有高精度的绝对坐标。目前国内普通导航电子地图的绝对坐标精度与GPS定位系统的精度绝大多数在10米左右，再加上普通导航电子地图也就是给驾驶员起一个辅助导航的作用，因此10米的精度可以满足人们的日常需求。而10米的精度用在无人驾驶领域是远远不够的，为了使无人驾驶车辆沿着道路行驶，需要实时获知无人驾驶车辆行驶在哪个车道上，这要求高精度地图的精度在厘米级。二是高精度地图含有详细精确的道路以及周围静态设施信息，如道路、交通灯、道路交通标线以及每个车道的坡度、曲率、高程等信息。普通导航电子地图是道路级的地图，而高精度地图是车道级的地图，它包含每个车道以及车道周围许多设施的详细信息属性。

道路标线作为无人驾驶技术中高精度地图的核心要素，其快速、准确的识别对车道保持辅助系统、车道偏离警示系统和自主导航系统都起到关键作用，对无人驾驶技术具有重要的意义。传统的道路标线信息获取方式为人工测量或者摄影测量。由于道路标线数据量大，传统的人工测量方式成本高且效率低，同时难以保障测量人员的安全。摄影测量通过识别图像来获取道路标线的信息，速度相对于人工测量提升较大，但图像的获取受光照条件的影响较大。随着无人驾驶技术的发展，这两种测量方式已经无法满足无人驾驶对道路标线信息快速获取与更新的需求。

发明内容

针对上述现有技术的不足，本发明提供一种基于车载激光点云数据的道路标线分割方法及系统。

本发明解决上述技术问题的技术方案如下：

第一方面，本发明提供了一种基于车载激光点云数据的道路标线分割方法，所述方法包括如下步骤：

对车载激光雷达采集的路面点云数据实施降噪处理，获得去噪路面点云数据；

对所述去噪路面点云数据进行K-Means聚类处理获得标线点云簇；

根据各所述标线点云簇利用欧式聚类法则进行一次分类获取箭头特征点云聚落；

利用预设模板库对各所述箭头特征点云聚落进行二次分类获得目标道路标线信息。

具体地，所述对车载激光雷达采集的路面点云数据实施降噪处理，获得去噪路面点云数据包括如下步骤：

根据直通滤波法去除所述车载激光雷达采集的路面点云数据中超高程的环境噪点获得第一预处理点云数据；

对所述第一预处理点云数据在XOY平面投影获得二值化图像，并利用Log算子检测出图像边缘并利用Hough变换提取路缘边界；

利用所述路缘边界对应点云范围剔除所述车载激光雷达采集的路面点云数据在边界范围外的点云数据作为所述去噪路面点云数据。

具体地，所述根据各所述标线点云簇利用欧式聚类法则进行一次分类获取箭头特征点云聚落包括如下步骤：

按照欧式聚类法则按照预设聚类半径对各所述标线点云簇进行聚类获取每一点所述标线点云簇的最小外接矩形的长、宽以及长宽比；

将长、宽以及长宽比不符合预设排除范围的所述标线点云簇设为箭头特征点云数据。

具体地，所述预设排除范围包括：实线排除范围：长＞8m；4.5m＜长≤8m且长宽比＞20；虚线排除范围：1.8m＜长＜4.4m且0.1m＜宽＜0.2m。

具体地，所述利用预设模板库对各所述箭头特征点云聚落进行二次分类获得目标道路标线信息包括如下步骤：

选取所述车载激光雷达采集的路面点云数据中各类箭头标线对应的样本点云数据作为模板点云；

Sa.利用Alpha-shape算法获取各所述模板点云的边界及所述箭头特征点云数据的边界，并将所述模板点云的边界点及对应箭头类别数据集作为所述预设模板；

Sb.对所述箭头特征点云数据的边界与所述模板点云的边界点集利用ICP配准方法一一匹配，选择匹配度最高的模板对应箭头类别作为该道路标线的类别。

具体地，所述对所述箭头特征点云数据的边界与所述模板点云的边界点集利用ICP配准方法一一匹配，选择匹配度最高的模板对应箭头类别作为该道路标线的类别步骤之后还包括如下步骤：

再次选取所述车载激光雷达采集的路面点云数据中各类箭头标线对应的样本点云数据作为更新模板点云；

利用各更新模板点云迭代重复步骤Sa和Sb并统计各更新模板点云下箭头特征点云数据的类别占比，选取占比最高的类别占比作为该箭头特征点云数据对应的道路标线的类别。

具体地，所述对车载激光雷为车载LiDAR系统。

第二方面，本发明提供了一种基于车载激光点云数据的道路标线分割系统，包括：

降噪模块，用于对车载激光雷达采集的路面点云数据实施降噪处理，获得去噪路面点云数据；

聚类模块，用于对所述去噪路面点云数据进行K-Means聚类处理获得标线点云簇；

第一分类模块，用于根据各所述标线点云簇利用欧式聚类法则进行一次分类获取箭头特征点云聚落；

第二分类模块，用于利用预设模板库对各所述箭头特征点云聚落进行二次分类获得目标道路标线信息。

本发明的基于车载激光点云数据的道路标线分割系统及方法的有益效果是：本发明技术方案通过对车载激光雷达采集的路面点云数据实施降噪处理，获得去噪路面点云数据；对所述去噪路面点云数据进行K-Means聚类处理获得标线点云簇；根据各所述标线点云簇利用欧式聚类法则进行一次分类获取箭头特征点云聚落；利用预设模板库对各所述箭头特征点云聚落进行二次分类获得目标道路标线信息。多梯度地对车载激光雷达采集的路面点云数据进行去噪及分类，利用欧式聚类法则和预设模板的协同作用，较好地完成了对传统摄像头无法采集的模糊道路标线的识别和分类作用，标线采集识别过程受光照条件的影响较小，工作效率高。

附图说明

图1为本发明实施例提供的一种基于车载激光点云数据的道路标线分割方法的流程示意图；

图2为本发明实施例提供的一种基于车载激光点云数据的道路标线分割系统的模块示意图；

图3为本发明实施例提供的预设模板的边界点集的示意图；

图4为本发明实施例提供的某个道路标线的配准结果图；

图5至图9为本方面实施例中5组道路完成分类的数据效果展示图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，本发明实施例提供的一种基于车载激光点云数据的道路标线分割，所述方法包括如下步骤：

S1，对车载激光雷达采集的路面点云数据实施降噪处理，获得去噪路面点云数据。

本步骤中，车载激光雷达由车载系统和激光雷达测量系统组成，其中车载系统包括：车载中央控制系统、系统平台、车载多源数据采集系统、车载供电系统和显示系统。车载中央控制系统直接控制着整个系统的启动和关闭，车载多源数据采集系统负责整个系统的数据采集和存储的功能，而车载供电系统则负责给整个系统提供电力。激光雷达测量系统一般包括三维激光扫描装置、全球导航定位模块、惯性测量单元、360°全景相机等。差分GPS的实时定位精度在0.05m到0.1m,相比传统的GPS10m的定位精度，有着巨大的优势。因此在系统工作的过程中，使用差分GPS处理差分基准站和车载GPS的信号，可以获取到移动车辆每时每刻的坐标。惯性测量单元由X、Y、Z三个方向的加速器和陀螺仪组成，通过计算速度和加速度，可以积分得到采集车辆的瞬时行驶姿态俯仰角、航向角和翻滚角，除此之外，惯性测量单元还能通过与GPS坐标内插得到多组轨迹坐标。全景相机能够记录行驶路段的影像信息和地物的纹理信息，在后期的测图或者建模后的纹理贴图上起着重要的作用。为了保证激光在发射的过程中不被采集车辆自身遮挡，激光雷达一般会倾斜45度安装在测量设备的顶端，然后在采集车辆的匀速行驶下逐行扫描路面及其两侧的信息，计算扫描到的目标到激光雷达的角度和距离。激光雷达测量系统是一种多传感器系统，在设备随着采集车辆进行移动的过程中，若传感器之间出现了相对移动，则会影响数据采集的精度，因此该系统集成在一个紧凑且易拆卸的刚体云台中。本步骤中所述降噪处理可以为直通滤波处理和条件滤波处理、模型滤波等，采用直通滤波可以直接滤除超高程范围的点云数据，适合高架桥等路面周围自然物较少的路面，条件滤波适合于路边有较多不规则杂物的路面、模型滤波适合于滤除路面规则物，如路钉、下水井盖等规则物体点云，本步骤中，所述降噪处理可以根据不同路面状况自动切换滤噪方法或者同时综合采用多种滤噪方式取综合滤噪结果。

S2，对所述去噪路面点云数据进行K-Means聚类处理获得标线点云簇。

本步骤中所述去噪路面点云数据的基于K-means的聚类算法选用，效率较高，能快速高效地初步获取标线点云相关点簇，便于后续精确分类标线具体类别，大大加快了数据处理的效率。

S3，根据各所述标线点云簇利用欧式聚类法则进行一次分类获取箭头特征点云聚落。

本步骤中，根据点云之间欧氏距离的不同，将各所述标线点云簇划分为不同的簇。让表示待聚类的点集，参数表示聚类半径。欧氏聚类的具体步骤如下：

(1)从点集中取任意点，将点放入点集簇中。

(2)设为圆，圆心为点，半径为，将圆C内的点放入第一步定义的点集簇中。

(3)以点集簇中的其他点代替点为圆心，重复第二步的操作直到没有新的点加入到点集簇中。

(4)使用点集中剩余的点重复第一步到第三步的操作来生成新的点集簇。

S4，利用预设模板库对各所述箭头特征点云聚落进行二次分类获得目标道路标线信息。

本步骤中在获取各所述箭头特征点云聚落后，将各所述箭头特征点云聚落边界点与预设模板库中的模板一一匹配，选择匹配度最高的模板类别作为该道路标线的类别。在模板匹配前，由于不同类别的标线边界点数差距较大，可能对后面的匹配带来不便。可对每个道路标线的边界点进行等间距取点，使得每个道路标线的边界点点数基本保持一致。由于预设模板库中的模板是随机选取的，其与需要进行匹配的各所述箭头特征点云聚落边界点在空间坐标上存在较大的差异，若直接将预设模板库中的模板与各所述箭头特征点云聚落边界点进行配准，将会耗费大量时间进行配准，并且还可能在指定迭代次数内配准效果较差。对此，本步骤中首先获取预设模板库中的模板与各所述箭头特征点云聚落边界点的包围盒中心点，以两者中心点的坐标之差作为配准的初始平移矩阵，这样可以大大减少配准的时间同时能提高配准的准确度，随后便使用ICP配准算法进行配准。ICP配准的原理是假设两个点云数据集合M和N，对于每次旋转平移变换后计算M的所有采样点到N对应最近点的距离，用最小二乘法求出误差，当误差小于设定的值时(或迭代次数达到上限)，则计算结束，否则继续进行迭代。

在ICP配准过后可以获得最佳旋转平移矩阵，通过矩阵变换将各所述箭头特征点云聚落边界点与预设模板库中的模板放在同一坐标系下，计算两者的重叠率，从预设模板库中选取重叠率最高的一类，若重叠率高于一定阈值，则认为该所述箭头特征点云聚落为此类模板对应标线类型。

本发明的基于车载激光点云数据的道路标线分割方法的有益效果是：本发明技术方案通过对车载激光雷达采集的路面点云数据实施降噪处理，获得去噪路面点云数据；对所述去噪路面点云数据进行K-Means聚类处理获得标线点云簇；根据各所述标线点云簇利用欧式聚类法则进行一次分类获取箭头特征点云聚落；利用预设模板库对各所述箭头特征点云聚落进行二次分类获得目标道路标线信息。多梯度地对车载激光雷达采集的路面点云数据进行去噪及分类，利用欧式聚类法则和预设模板的协同作用，较好地完成了对传统摄像头无法采集的模糊道路标线的识别和分类作用，标线采集识别过程受光照条件的影响较小，工作效率高。

具体地，在本发明的优选实施例中，所述对车载激光雷达采集的路面点云数据实施降噪处理，获得去噪路面点云数据包括如下步骤：

根据直通滤波法去除所述车载激光雷达采集的路面点云数据中超高程的环境噪点获得第一预处理点云数据。

本步骤中通过直通滤波法可以快速高效地去掉车载激光雷达采集的路面点云数据中超高程的数据，可通过设置直通滤波的高程维度参数方便实现，例如将高程范围设置在0.2m-0.3m，可将最高点超高程的点簇迅速排除，能够快速排除树木、电线杆等超高程点簇，方便识别出高程范围在0.2m-0.3m的路缘点云簇。

对所述第一预处理点云数据在XOY平面投影获得二值化图像，并利用Log算子检测出图像边缘并利用Hough变换提取路缘边界。

本步骤中，首先对所述第一预处理点云数据在XOY平面投影获得二值化图像进行最佳平滑处理,最大程度地抑制噪声,再对平滑后的图像求取边缘。由于所述第一预处理点云数据在XOY平面投影的噪声点对边缘检测有一定的影响，log算子把Gauss平滑滤波器和Laplacian锐化滤波器较好地综合应用起来，平滑过滤掉了噪声后实现边缘检测。在第一预处理点云数据提取出边缘点后，利用Hough变换可以方便的得到第一预处理点云数据边界曲线而将不连续的，如路缘磕碰处对应的像素边缘点连接起来。便于后续精确设定精确分类范围，提高分类效率。

利用所述路缘边界对应点云范围剔除所述车载激光雷达采集的路面点云数据在边界范围外的点云数据作为所述去噪路面点云数据。

本步骤中，在上一步获取了路缘边界范围，可以较好地排除路缘外侧的不相关点云，将所述去噪路面点云数据范围限定在路缘内侧数据，保证了所述去噪路面点云数据的针对性和数据有效性，减小了后续分类的运算量。

具体地，本发明的进一步实施例中，所述根据各所述标线点云簇利用欧式聚类法则进行一次分类获取箭头特征点云聚落包括如下步骤：

按照欧式聚类法则按照预设聚类半径对各所述标线点云簇进行聚类获取每一点所述标线点云簇的最小外接矩形的长、宽以及长宽比。将长、宽以及长宽比不符合预设排除范围的所述标线点云簇设为箭头特征点云数据。

为了得到各所述标线点云簇一些属性特征，需要计算得到每个所述标线点云簇的最小边界矩形(MBR)。根据每个簇的MBR的一个或者多个属性特征，可以从所有簇中检测出实线和虚线。由于每种道路标线具有固定的规格，因此可以通过标线的长、宽对标线进行一个粗略的分类。将不符合预设排除范围的所述标线点云簇设为箭头特征点云数据。

具体地，本发明的进一步实施例中所述预设排除范围包括：实线排除范围：长＞8m；4.5m＜长≤8m且长宽比＞20；虚线排除范围：1.8m＜长＜4.4m且0.1m＜宽＜0.2m。

经过查询与测量，虚线的长边处在2米到4米的长度，实线的长边长度必然大于虚线，这两者的短边基本一致，大约为0.15米。若简单以长宽作为实线和虚线的识别，则会出现许多标线箭头被识别为实线，这并不是我们期待的结果。由于箭头类的标线的长度都为6米，其长度处在实线的长度范围内，因此需要一个额外的属性特征区分出箭头类标线。通过测量得知直行箭头宽度为0.9m，左右拐箭头宽为1.5米，直行左拐或直行右拐箭头的宽度为1.8米，这些箭头的长宽比大致处于3到6的范围，远远小于实线的长宽比，因此选用长宽比作为区分实线和箭头的特征。当点云聚类特征属性满足或者且时认为是实线，当点云聚类特征属性满足且时认为是虚线，当点云聚类特征属性不满足以上两种情况时则认为是箭头类标线。

具体地，本发明的进一步实施例中，所述利用预设模板库对各所述箭头特征点云聚落进行二次分类获得目标道路标线信息包括如下步骤：

选取所述车载激光雷达采集的路面点云数据中各类箭头标线对应的样本点云数据作为模板点云。

本步骤中所述模板点云数据可以通过人为标引的方法将车载激光雷达采集的路面点云数据中较清晰的各类箭头标线对应的样本点云数据进行标引作为所述模板点云。

Sa.利用Alpha-shape算法获取各所述模板点云的边界及所述箭头特征点云数据的边界，并将所述模板点云的边界点及对应箭头类别数据集作为所述预设模板。

本发明实施例通过使用该算法来获取非规则道路标线的边界点，然后经过Alpha-shape算法获取边界，将这几个边界点集作为模板匹配的模板库。如图3所示为本发明实施例所述预设模板的边界点集的示意图；Alpha-shape算法是一种简单且有效的快速提取边界点的算法，它能够从一堆无序的点集中获取点集的边界点。其基本思想是，假设有一个半径可以人为设定的圆形围绕着无序点集滚动，在使用时需要根据数据点集的不同选取适合的半径值，因为若半径太小，圆滚动到点集的内部使得点云中的所有点都被当做边界点；若半径太大，点集边界凹陷处的细节将会被忽略。当半径合适时，该圆绕无序点集滚动一周后，与圆有过接触的点即为该无序点集的边界点。本发明经过一系列的参数试验后最终选择半径为10厘米。Alpha-shape算法对于凸多边形形状的点集提取效果较好，因为只要能够保证半径足够大以至于圆不会滚进点集的内部，那样便可很好的得到边界点。

Sb.对所述箭头特征点云数据的边界与所述模板点云的边界点集利用ICP配准方法一一匹配，选择匹配度最高的模板对应箭头类别作为该道路标线的类别。

本步骤中，ICP配准的原理是对于所述箭头特征点云数据的边界M和模板点云的边界点集N，对于每次旋转平移变换后计算箭头特征点云数据的边界M的所有采样点到模板点云的边界点集N对应最近点的距离，用最小二乘法求出误差，当误差小于设定的值时(或迭代次数达到上限)，则计算结束，否则继续进行迭代直至误差小于设定值。在ICP配准过后可以获得最佳旋转平移矩阵，通过矩阵变换将箭头特征点云数据的边界与模板点云的边界点集放在同一坐标系下，计算两者的重叠率，从模板库中选取重叠率最高的一类，若重叠率高于一定阈值，则认为标线为此类模板点云的边界点集对应箭头类型。如图4所示，为某个道路标线的配准结果图如下所示，浅灰色点云为模板点云，白色点云为待分类的标线边界，从图中可以看出该标线与直行箭头模板几乎重合，而与其他几个模板偏差较大，因此该标线被分为直行箭头。配准后分别计算标线边界点与各模板的重叠率，根据重叠率最高的一类来决定标线的类别。由于左转箭头在三维空间中可以通过旋转变换变成右转箭头，因此在精分类中将左转和右转箭头分为一类，称为单向转弯箭头，而直行左转和直行右转箭头同理分为一类，称为多向转弯箭头。

具体地，本发明实施例中，所述对所述箭头特征点云数据的边界与所述模板点云的边界点集利用ICP配准方法一一匹配，选择匹配度最高的模板对应箭头类别作为该道路标线的类别步骤之后还包括如下步骤：

再次选取所述车载激光雷达采集的路面点云数据中各类箭头标线对应的样本点云数据作为更新模板点云；

利用各更新模板点云迭代重复步骤Sa和Sb并统计各更新模板点云下箭头特征点云数据的类别占比，选取占比最高的类别占比作为该箭头特征点云数据对应的道路标线的类别。

所述各类箭头标线对应的样本点云数据各更新选择及多次分类求取箭头特征点云数据最高分类占比的设置，减小了单次模板点云的随机选择计算带来的误差，保证了分类的可靠性。

具体地，本发明实施例中，所述对车载激光雷为车载LiDAR系统。所述车载LiDAR系统由车载系统和激光雷达测量系统组成，其中车载系统包括：车载中央控制系统、系统平台、车载多源数据采集系统、车载供电系统和显示系统。车载中央控制系统直接控制着整个系统的启动和关闭，车载多源数据采集系统负责整个系统的数据采集和存储的功能，而车载供电系统则负责给整个系统提供电力。激光雷达测量系统一般包括三维激光扫描装置、全球导航定位模块、惯性测量单元、360°全景相机等。差分GPS的实时定位精度在0.05m到0.1m,相比传统的GPS10m的定位精度，有着巨大的优势。保证了本方法实施的可行性。

如图5至图9所示，为本发明5组完成分类的数据效果展示图，整体看上去道路标线基本都分类正确，根据最小外接矩形的几何特征能够将绝大多数实线和虚线正确分类，少数不满足分类条件的短标线大多数也能根据最接近的道路标线进行正确分类，然而存在部分破损的实线，如数据2(图6)，数据3(图7)和数据4(图8)中分别有一处被误分为虚线的边界实线，由于破损实线的长度处于虚线的长度范围内，所以出现误分类的情况。箭头类标线在基于点云配准的模板匹配下全部正确分类，即使像数据5(图9)中提取的箭头类标线存在少量缺失的情况下，本文的模板匹配仍能正确的分类，若有其他复杂类型的标线进行识别，只需在模板库中添加相应的模板边界便能进行通过模板匹配进行分类。

为了定量的评价本文的分类方法，根据正确提取的实线长度与手工提取的实线长度的比值来评价实线提取正确率，而箭头类以及虚线类标线则根据正确提取的段数与手工提取的段数的比值进行评价，结果如下表所示。

因为本文分类的精度指标是以第四章标线提取的结果作为标准的，因此这里看起来指标整体偏高。由表可知，箭头类标线在模板匹配下三项指标高达100％，而实线和虚线由于标线破损，容易出现实线与虚线的误判，所以指标略低一点。但整体上，标线分类的指标值都比较高，表明了本发明算法的有效性。

进一步，如图2所示，本发明实施例还提供的一种基于车载激光点云数据的道路标线分割系统，包括：

降噪模块，用于对车载激光雷达采集的路面点云数据实施降噪处理，获得去噪路面点云数据；

聚类模块，用于对所述去噪路面点云数据进行K-Means聚类处理获得标线点云簇；

第一分类模块，用于根据各所述标线点云簇利用欧式聚类法则进行一次分类获取箭头特征点云聚落；

第二分类模块，用于利用预设模板库对各所述箭头特征点云聚落进行二次分类获得目标道路标线信息。

本发明的基于车载激光点云数据的道路标线分割系统的有益效果是：本发明技术方案通过降噪模块对车载激光雷达采集的路面点云数据实施降噪处理，获得去噪路面点云数据；通过聚类模块对所述去噪路面点云数据进行K-Means聚类处理获得标线点云簇；通过第一分类模块根据各所述标线点云簇利用欧式聚类法则进行一次分类获取箭头特征点云聚落；通过第二分类模块利用预设模板库对各所述箭头特征点云聚落进行二次分类获得目标道路标线信息。系统多梯度地对车载激光雷达采集的路面点云数据进行去噪及分类，利用欧式聚类法则和预设模板的协同作用，较好地完成了对传统摄像头无法采集的模糊道路标线的识别和分类作用，标线采集识别过程受光照条件的影响较小，工作效率高。

以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于车载激光点云数据的道路标线分割方法，其特征在于，包括如下步骤，

对车载激光雷达采集的路面点云数据实施降噪处理，获得去噪路面点云数据；

对所述去噪路面点云数据进行K-Means聚类处理获得标线点云簇；

根据各所述标线点云簇利用欧式聚类法则进行一次分类获取箭头特征点云聚落；

利用预设模板库对各所述箭头特征点云聚落进行二次分类获得目标道路标线信息。

2.根据权利要求1所述的基于车载激光点云数据的道路标线分割方法，其特征在于，所述对车载激光雷达采集的路面点云数据实施降噪处理，获得去噪路面点云数据包括如下步骤：

根据直通滤波法去除所述车载激光雷达采集的路面点云数据中超高程的环境噪点获得第一预处理点云数据；

对所述第一预处理点云数据在XOY平面投影获得二值化图像，并利用Log算子检测出图像边缘并利用Hough变换提取路缘边界；

利用所述路缘边界对应点云范围剔除所述车载激光雷达采集的路面点云数据在边界范围外的点云数据作为所述去噪路面点云数据。

3.根据权利要求1所述的基于车载激光点云数据的道路标线分割方法，其特征在于，所述根据各所述标线点云簇利用欧式聚类法则进行一次分类获取箭头特征点云聚落包括如下步骤：

按照欧式聚类法则按照预设聚类半径对各所述标线点云簇进行聚类获取每一点所述标线点云簇的最小外接矩形的长、宽以及长宽比；

将长、宽以及长宽比不符合预设排除范围的所述标线点云簇设为箭头特征点云数据。

4.根据权利要求3所述的基于车载激光点云数据的道路标线分割方法，其特征在于，所述预设排除范围包括：实线排除范围：长＞8m；4.5m＜长≤8m且长宽比＞20；虚线排除范围：1.8m＜长＜4.4m且0.1m＜宽＜0.2m。

5.根据权利要求3所述的基于车载激光点云数据的道路标线分割方法，其特征在于，所述利用预设模板库对各所述箭头特征点云聚落进行二次分类获得目标道路标线信息包括如下步骤：

选取所述车载激光雷达采集的路面点云数据中各类箭头标线对应的样本点云数据作为模板点云；

Sa.利用Alpha-shape算法获取各所述模板点云的边界及所述箭头特征点云数据的边界，并将所述模板点云的边界点及对应箭头类别数据集作为所述预设模板；

Sb.对所述箭头特征点云数据的边界与所述模板点云的边界点集利用ICP配准方法一一匹配，选择匹配度最高的模板对应箭头类别作为该道路标线的类别。

6.根据权利要求5所述的基于车载激光点云数据的道路标线分割方法，其特征在于，所述对所述箭头特征点云数据的边界与所述模板点云的边界点集利用ICP配准方法一一匹配，选择匹配度最高的模板对应箭头类别作为该道路标线的类别步骤之后还包括如下步骤：

再次选取所述车载激光雷达采集的路面点云数据中各类箭头标线对应的样本点云数据作为更新模板点云；

利用各更新模板点云迭代重复步骤Sa和Sb并统计各更新模板点云下箭头特征点云数据的类别占比，选取占比最高的类别占比作为该箭头特征点云数据对应的道路标线的类别。

7.根据权利要求1至6任一项权利要求所述的基于车载激光点云数据的道路标线分割方法，其特征在于，所述对车载激光雷为车载LiDAR系统。

8.一种基于车载激光点云数据的道路标线分割系统，其特征在于，包括，

降噪模块，用于对车载激光雷达采集的路面点云数据实施降噪处理，获得去噪路面点云数据；

聚类模块，用于对所述去噪路面点云数据进行K-Means聚类处理获得标线点云簇；

第一分类模块，用于根据各所述标线点云簇利用欧式聚类法则进行一次分类获取箭头特征点云聚落；

第二分类模块，用于利用预设模板库对各所述箭头特征点云聚落进行二次分类获得目标道路标线信息。

Images