CN117115012A - 一种道路路面点云标线分割去噪方法 - Google Patents

一种道路路面点云标线分割去噪方法 Download PDF

Info

Publication number
CN117115012A
CN117115012A CN202310918214.6A CN202310918214A CN117115012A CN 117115012 A CN117115012 A CN 117115012A CN 202310918214 A CN202310918214 A CN 202310918214A CN 117115012 A CN117115012 A CN 117115012A
Authority
CN
China
Prior art keywords
point
point cloud
points
intensity
particles
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.)
Pending
Application number
CN202310918214.6A
Other languages
English (en)
Inventor
刘冰
张晓鹏
刘如飞
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202310918214.6A priority Critical patent/CN117115012A/zh
Publication of CN117115012A publication Critical patent/CN117115012A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T17/005—Tree description, e.g. octree, quadtree
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种道路路面点云标线分割去噪方法，属于激光点云处理领域，包括针对于车载道路激光点云数据，对道路点云进行OTSU阈值分割得到标新点云，继而采用基KD‑Tree进行粗差剔除，利用数学形态法操作对标线点云进行去噪。本发明通过使用OTSU算法自动寻找最佳阈值，使用KD‑Tree进行粗差剔除，通过临近点搜索，根据距离和点密度的生长准则，可以更准确地去除不符合特征条件的点，从而保留了标线的完整性和形状特征；通过数学形态滤波方法进行去噪处理，能够更有效地去除噪声同时保留标线的形状特征，可以更好地平衡去噪和标线保留之间的效果，从而得到较为完整的标线点云。

Description

一种道路路面点云标线分割去噪方法
技术领域
本发明涉及一种道路路面点云标线分割去噪方法，属于激光点云处理技术领域。
背景技术
道路标线在日常生活中为驾驶人员和行人提供丰富的引导信息。为了保障交通安全，道路养护部门使用道路标线信息及时对损坏的道路标线进行维护和更新；道路标线信息也是高级辅助驾驶系统和无人驾驶技术中使用的车道级导航地图的核心要素。传统方法采用全站仪或GPS等测量方式获取道路标线信息，该类方法获取的道路标线几何精度高，但该类方式作业效率较低，难以满足道路标线信息快速获取的需求。从影像或视频中自动提取道路标线是一种更高效的方式，但影像和视频容易受到光照条件的影响，增加道路标线提取难度。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的三维激光点云，是道路标线信息快速获取的重要方式。现有的从道路路面中分割出道路标线点云的方法，主要分为以下两类：第一类是从道路路面点云投影的特征图像中提取。该种方法只能对于简单的标线点云进行分割，无法分割出比较复杂的道路标线，并且特征图像得到的结果是二维形式的标线，缺乏高程信息，不够精确。第二类是直接从道路点云中直接分割道路标线，通过多阈值分割的方法，该方法是得到的是三维形式的标线，但容易漏提取强度较低的道路标线。
发明内容
针对现有技术的不足，本发明提供一种道路路面标线点云分割去噪方法，针对于车载道路激光点云数据，对路面点云进行OTSU阈值分割处理，根据给定的目标数量来自动寻找最佳阈值，并将像素分为目标与背景两类，从而将标线分割出来，对分割出的点云首先用KD-Tree进行粗差剔除，最后通过数学形态滤波对标线点云进行去噪。本发明可以解决由于数学形态法滤波造成点云缺失的问题，通过KD-Tree临近点搜索，设置距离以及密度为生长准则，判断种子点的邻域点是否属于同一特征条件，从而对种子点进行生长，从而标线完整的效果。
本发明采用如下技术方案：
一种道路路面点云标线分割去噪方法，包括如下步骤：
S1：收集车载道路激光点云数据；
S2：将步骤S1获得的车载道路激光点云数据进行布料模拟滤波，从而获得道路路面点云数据；
S3：对步骤S2得到的道路路面点云数据进行OTSU阈值分割，自动寻找最佳阈值，从而将标线从路面中提取出来；
S4：构建KD-Tree三维空间索引，通过KD-Tree将分割之后的点云进行粗差去除；
S5：对分割后的点云进行数学形态滤波操作，从而更好地对分割出的标线达到良好的去噪效果，提高点云数据的质量。
优选的，步骤S2包括以下子步骤：
S21：对车载道路激光点云数据进行垂直方向的翻转；
S22：在计算图形学中，可以将一块布料认为由具有质量和互连的粒子组成的网络，设置网格的大小，初始化虚拟的布料，布料位置需要在翻转后点云中最高点的上方；
S23：将点云与布料粒子投影到同一平面，搜索粒子的最近邻点云并储存其高程值h；
将点云与布料粒子投影到同一平面的方法如下：
①使用原始的XY平面作为点云和布料粒子的公共平面；
②对于点云数据，将每个点的三维坐标映射到公共平面上，布料粒子同理；
③确定投影后的坐标系方向和比例系数，通过平移旋转与缩放操作，将点云与布料粒子投影到同一平面。
S24：布料粒子能够模拟成包含若干质点的栅格，这些质点之间相互联系且具有质量属性，质点通过重力作用下进行移动，而当质点移动到地面时则不可移动，计算可移动粒子在重力作用下的位移，布料粒子在重力作用下的位移计算公式为：
式中，m代表粒子的质量，可设置为1，Δt表示时间步长；G表示计算常数；X表示在时间t时的质点位置；
将可移动粒子在重力作用下的位移与对应最近邻点云的高程值h比较，若可移动粒子在重力作用下的位移小于或等于h则将粒子高度设为h，再将粒子设为不可移动；
当粒子大于h时，就要粒子跨越最邻近点云并更新高程。将粒子高度设为h+Δh，其中Δh为合适的增量，表示粒子越过最邻近点云的高程。根据线性插值算法，通过最邻近点的高程值h和周围点云的高程信息估计粒子在跨越最邻近点云的高度；
S25：计算各布料粒子受内部驱动力因素影响下的位移，计算公式为：
式中，d表示粒子的位移质量；b表示参数常数，当粒子为可移动时，其值等于1，当粒子为不可移动时，其值等于0；p0表示准备移动的粒子位置；pi表示与准备移动粒子相邻的粒子位置；表示垂直方向上的归一化向量；
S26：重复步骤S24与S25，当所有粒子的高度变化小于设定阈值或迭代次数达到最大时停止；
重复执行计算布料粒子在重力作用下的位移与计算受到内部驱动力因素影响下的位移，使得布料粒子在前后两次的高度差小于设定阈值时停止迭代，当原始路面数据为缓坡时，前后两次的迭代中所有粒子的高度差小于或等于1mm时停止迭代。迭代次数则达到100次时强制停止迭代。
S27：计算车载道路激光点云与粒子之间的高度差，公式如下：
其中，N表示车载道路激光点云和虚拟布料中的点数(此处点云与点数是一致的)，hi为第i个虚拟粒子的高度，zi为与其最近邻的车载道路激光点云的高程值；D表示车载道路激光点云与粒子之间的高度差；
S28：若点云与粒子间高度差小于设定阈值，则认为是地面点，否则是非地面点；
当粒子高度范围在0-10米之间，地面的真实高度在0-2米之间，就应该将阈值设定在0.3米或者更小，这个值应该是充分大到不会误认其他物体为地面，同时有足够小到能够有效的区分地面点和非地面点。
优选的，步骤S3包括以下子步骤：
S31：读入步骤S2得到的道路路面点云数据，遍历点云数据获得强度最大值Imax与最小值Imin，并记录点云总个数N0，将强度分为L个强度级，统计各强度级出现的点云个数ni，则点云中每个强度级出现的概率可以表示为：
S32：假设以强度值k(Imin<k<Imax)为阈值将原始点云分为标线点C0与路面点C1两部分，则两部分点云出现的频率为：
强度平均值分别为：
其中μT为点云总体平均强度；ω0表示原始点云中标线点云出现的概率；ω1表示原始点云中路面点云出现的概率；P(C0)表示标线点云C0中所有强度级点云出现的概率之和；P(C1)表示路面点云C1中所有强度级点云出现的概率之和；w(k)表示强度值k的点云出现的概率；u0表示分配到C0的像素的平均灰度值(平均灰度值指的是图像中所有像素的平均数，而强度平均值指的是点云中所有点的强度值得平均数。二者的关系就是一个代表的是图像，一个是点云)；u1表示分配到C1的像素的平均灰度值；μ(k)表示强度分割阈值k的平均灰度值；P(i/C0)表示强度为i的点云在C0中出现的概率；P(i/C1)表示强度为i的点云在C1中出现的概率；
S33：参照S32中的公式，计算分割后的道路标线点云与路面点云之间的强度类间方差并记录；
强度类间方差计算公式：
式中ω1表示为前景强度点数概率，μ0表示为前景平均强度值；
S34：从点云强度中随机选取新的强度分割阈值k(当前景和背景之间的类间方差σ2最大时，说明框选出的点云前景和背景之间的强度值差异性最明显)，重复上述步骤S31～S33，当类间方差取得最大值时即可得到最优强度分割阈值T，将点云中强度值大于T的点保留为道路标线点，将强度值小于T的点判定为路面点进行去除，从而得到分割后的标线点云。
优选的，步骤S4包括以下子步骤：
S41：利用KD-Tree建立点云数据的三维空间索引；
S42：对任意一个点P，采用KD-Tree最近邻搜索其k个最邻近点，并分别计算P点与k个最邻近点的距离，求出距离的平均值M和标准差S，若M>3S，即P与邻近k个点的距离平均值大于其3倍标准差，则认为P点为粗差点，故应剔除。
本发明采用粗差剔除，能够避免粗差点对后续滤波的影响；由于粗差点与周围正常点的距离相对较远，其与邻近k个点的平均距离也明显大于一个正常点与邻近k个点的平均距离，此距离(粗差点与其邻近k个点的平均距离)为三维空间中的两个点的距离。
优选的，步骤S41中利用KD-Tree建立点云数据的三维空间索引的过程为：
(1)选取第1个分割位，此处选择将点云数据按照x坐标进行分割；
(2)找到第1个分割点，根据选中的坐标轴，找到所有点中的中位数，并将该点作为当前根节点；
(3)将点集划分成左右两部分，把比中位数小的所有点放在左边，比中位数大的所有点放在右边，中位数所在位置是根节点；
(4)对两个子节点重复步骤(1)～(3)，直到每个子节点只剩下一个点时终止，这时所有非叶子节点的左右节点都为单个数据点。
优选的，所述步骤S5包括如下子步骤：
S51：使用建立的KD-Tree点云数据的三维空间索引结构，将其划分为局部区域，每个区域包含一个中心点以及临近点集合；
S52：距离阈值是指任意激光点P与k个最邻近点的距离，根据距离阈值搜索临近点的密度以及分布规律，得到该局部区域的特征信息，包括：临近点数量、距离、法向量等；
S53：生成适当大小和形状的结构元素，用于数学形态学滤波处理，结构元素大小和形状取决于局部的特征和距离阈值；
在选择结构元素大小和形状时，需考虑局部特征的方差、斜率等参数，以确保结构元素足够大，并且能充分覆盖具有相似特征的数据点；同时考虑距离阈值、确保结构元素不会包含过多的远离目标点的数据点。
S54：对于每个局部区域，将其包含的点集做数学形态滤波操作，以去除噪声和离群点，即进行开运算，先腐蚀，后膨胀；
f(x,y)为输入图像，b(x,y)为结构元素，定义如下：
膨胀：结构元素b对f进行了灰度膨胀记为定义为
Df和Db分别是f和b的定义域，s、t表示输出图像的位置坐标，膨胀运算是由在结构元素确定的域中，选取的最大值；
腐蚀：结构元素b对f进行灰度腐蚀记为
腐蚀是由结构元素确定的域中选取的的最小值；
开运算，用b开运算f，记为定义为
将结构元素内的所有数据填充为区域最小值，然后再填充为该区域的最大值；
将结构元素内所有的数据填充为最小值，可以将所有可能是噪声或者离群点的数据都设置为最小值，这样可以有效地去除这些干扰点。将区域内所有数据填充为区域最大值，则可以将所有局部数据中的最大值填充到整个区域内，保持点云数据的形状和拓扑结构，这样可以填补一些小的空洞和裂缝，使得整个点云数据更加连通。
如果直接将结构元素内的所有数据填充为最大值，会导致点云数据和拓扑结构发生变化，从而可能导致错误结果的产生。如在处理边缘区域时，直接填充为最大值会导致边缘数据丢失和变形。
对于每个P点，根据其临近点的特征信息和结构元素进行数学形态学滤波处理，并将处理后的点P’加入到新的点云中；
S55：重复上述步骤S52～S54，直到所有的局域区域都被处理完成，最终得到的点云即为数学形态学滤波处理的结果。
优选的，对于滤波后出现的过腐蚀的情况，通过KD-Tree建立的三维空间索引，设置好生长准则，分别为距离与点的密度两个条件，判断种子点的邻域点是否与邻域点属于同一特征条件；
在对散乱点云进行点云区域生长分割之前，首先需要用KD-Tree算法建立三维点云的空间关系，以便能够快速地找到一个点周围的邻域点，然后，在确定种子点后，可以采用距离和反射强度两个条件来判断其领域点与邻域点是否属于同一特征条件。
对于距离条件，可以设定一个阈值，当种子点与其邻域点之间的距离小于该阈值时，就将该邻域点加入到当前正在生长的区域中。这样做的原理是，距离较近的点通常意味着它们在空间上比较接近，有可能属于同一物体或同一部分。
对于反射强度条件(在点云区域生长中，点的密度是通过种子点周围领域内点的数量来确定，较高密度的点云代表密集的点云区域，在道路环境中，一般而言，较高的反射将强度会使该区域的强度值也会更大)，可以将反射强度值作为点的一个属性，然后设定一个反射强度差异阈值。当种子点与邻域点之间的反射强度差异小于该阈值时，就将该邻域点加入到生长区域中。这个判断方式的本质是认为同一物体的表面反射强度较为相似，因此反射强度较为相似的点有可能属于同一物体或同一部分。
采用距离与点密度两个条件来判断种子节点的领域点是否与领域点属于同一特征，如果满足该条件将该点作为种子点继续生长，否则不加入，以此类推，将所有满足特征条件的邻域点划入到同一区域内，直到生长结束，从而得到完整的标线。
优选的，步骤S51中，对于地面道路点云数据的处理，可以将车载设备附近的点划分为局部区域，进行局部区域划分时，按照以下步骤进行：
A、根据数据特征确定局部区域的中心点，可以选择在数据中心或者某些关键位置附近进行划分；
B、利用KD-Tree进行相邻点的搜索和分类，将与局部区域中心点距离较近的点划分为一类，即临近点集合，使用最邻近搜索来确定每个点与中心点之间的距离和相对位置，以此进行分类。
优选的，步骤S52中，对于临近点数量与距离，可以先在KD-Tree中搜索到目标点周围一定范围内的所有数据点，然后对这些数据点进行统计与计算，在搜索时记录下目标点距离在一定范围内的所有数据点的数量，或者计算这些点的到目标点的距离平均值、最大值、最小值等的距离特征。
对于法向量，可以通过计算目标点周围点云的法向量获取局部区域的法向量，从与目标点距离在一定范围内的数据点集合中，选取一个子集作为样本点集，通过主成分分析来计算该点集的法向量，从而获取整个局部区域的法向量。
本发明未详尽之处，均可参见现有技术。
本发明的有益效果为：
本发明引入了一种基于道路标线点云分割去噪方法，通过使用OTSU算法自动寻找最佳阈值，能够更加准确地将路面点云分割成目标和背景两类，这样可以有效的避免了人为设置阈值可能带来的不确定性和主观性，提高了标线分割的准确性。
在传统的去噪方法中，常常会出现滤波造成点云缺失的问题，本发明使用KD-Tree进行粗差剔除，通过临近点搜索，根据距离和点密度的生长准则，可以更准确地去除不符合特征条件的点，从而保留了标线的完整性和形状特征。
与数学形态滤波进行结合，通过数学形态滤波方法进行去噪处理，能够更有效地去除噪声同时保留标线的形状特征，与传统地数学形态滤波方法相比，可以更好地平衡去噪和标线保留之间的效果，从而得到较为完整的标线点云。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本发明的道路路面点云标线分割去噪方法流程图。
具体实施方式：
为了使本技术领域的人员更好的理解本说明书中的技术方案，下面结合本说明书实施中的附图，对本发明书实施例中的技术方案进行清楚、完整的描述，但不仅限于此，本发明未详尽说明的，均按本领域常规技术。
实施例1
一种道路路面点云标线分割去噪方法，如图1所示，包括如下步骤：
S1：收集车载道路激光点云数据；
S2：将步骤S1获得的车载道路激光点云数据进行布料模拟滤波，从而获得道路路面点云数据；
S21：对车载道路激光点云数据进行垂直方向的翻转；
S22：在计算图形学中，可以将一块布料认为由具有质量和互连的粒子组成的网络，设置网格的大小，初始化虚拟的布料，布料位置需要在翻转后点云中最高点的上方；
S23：将点云与布料粒子投影到同一平面，搜索粒子的最近邻点云并储存其高程值h；
将点云与布料粒子投影到同一平面的方法如下：
①使用原始的XY平面作为点云和布料粒子的公共平面；
②对于点云数据，将每个点的三维坐标映射到公共平面上，布料粒子同理；
③确定投影后的坐标系方向和比例系数，通过平移旋转与缩放操作，将点云与布料粒子投影到同一平面。
S24：布料粒子能够模拟成包含若干质点的栅格，这些质点之间相互联系且具有质量属性，质点通过重力作用下进行移动，而当质点移动到地面时则不可移动，计算可移动粒子在重力作用下的位移，布料粒子在重力作用下的位移计算公式为：
式中，m代表粒子的质量，可设置为1，Δt表示时间步长；G表示计算常数；X表示在时间t时的质点位置；
将可移动粒子在重力作用下的位移与对应最近邻点云的高程值h比较，若可移动粒子在重力作用下的位移小于或等于h则将粒子高度设为h，再将粒子设为不可移动；
当粒子大于h时，就要粒子跨越最邻近点云并更新高程。将粒子高度设为h+Δh，其中Δh为合适的增量，表示粒子越过最邻近点云的高程。根据线性插值算法，通过最邻近点的高程值h和周围点云的高程信息估计粒子在跨越最邻近点云的高度；
S25：计算各布料粒子受内部驱动力因素影响下的位移，计算公式为：
式中，d表示粒子的位移质量；b表示参数常数，当粒子为可移动时，其值等于1，当粒子为不可移动时，其值等于0；p0表示准备移动的粒子位置；pi表示与准备移动粒子相邻的粒子位置；表示垂直方向上的归一化向量；
S26：重复步骤S24与S25，当所有粒子的高度变化小于设定阈值或迭代次数达到最大时停止；
重复执行计算布料粒子在重力作用下的位移与计算受到内部驱动力因素影响下的位移，使得布料粒子在前后两次的高度差小于设定阈值时停止迭代，当原始路面数据为缓坡时，前后两次的迭代中所有粒子的高度差小于或等于1mm时停止迭代。迭代次数则达到100次时强制停止迭代。
S27：计算车载道路激光点云与粒子之间的高度差，公式如下：
其中，N表示车载道路激光点云和虚拟布料中的点数(此处点云与点数是一致的)，hi为第i个虚拟粒子的高度，zi为与其最近邻的车载道路激光点云的高程值；D表示车载道路激光点云与粒子之间的高度差；
S28：若点云与粒子间高度差小于设定阈值，则认为是地面点，否则是非地面点；
当粒子高度范围在0-10米之间，地面的真实高度在0-2米之间，就应该将阈值设定在0.3米或者更小，这个值应该是充分大到不会误认其他物体为地面，同时有足够小到能够有效的区分地面点和非地面点。
S3：对步骤S2得到的道路路面点云数据进行OTSU阈值分割，自动寻找最佳阈值，从而将标线从路面中提取出来；
S31：读入步骤S2得到的道路路面点云数据，遍历点云数据获得强度最大值Imax与最小值Imin，并记录点云总个数N0，将强度分为L个强度级，统计各强度级出现的点云个数ni，则点云中每个强度级出现的概率可以表示为：
S32：假设以强度值k(Imin<k<Imax)为阈值将原始点云分为标线点C0与路面点C1两部分，则两部分点云出现的频率为：
强度平均值分别为：
其中μT为点云总体平均强度；ω0表示原始点云中标线点云出现的概率；ω1表示原始点云中路面点云出现的概率；P(C0)表示标线点云C0中所有强度级点云出现的概率之和；P(C1)表示路面点云C1中所有强度级点云出现的概率之和；w(k)表示强度值k的点云出现的概率；u0表示分配到C0的像素的平均灰度值；u1表示分配到C1的像素的平均灰度值；μ(k)表示强度分割阈值k的平均灰度值；P(i/C0)表示强度为i的点云在C0中出现的概率；P(i/C1)表示强度为i的点云在C1中出现的概率；
S33：参照S32中的公式，计算分割后的道路标线点云与路面点云之间的强度类间方差并记录；
强度类间方差计算公式：
式中ω1表示为前景强度点数概率，μ0表示为前景平均强度值；
S34：从点云强度中随机选取新的强度分割阈值k(当前景和背景之间的类间方差σ2最大时，说明框选出的点云前景和背景之间的强度值差异性最明显)，重复上述步骤S31～S33，当类间方差取得最大值时即可得到最优强度分割阈值T，将点云中强度值大于T的点保留为道路标线点，将强度值小于T的点判定为路面点进行去除，从而得到分割后的标线点云。
S4：构建KD-Tree三维空间索引，通过KD-Tree将分割之后的点云进行粗差去除；
S41：利用KD-Tree建立点云数据的三维空间索引；
步骤S41中利用KD-Tree建立点云数据的三维空间索引的过程为：
(1)选取第1个分割位，此处选择将点云数据按照x坐标进行分割；
(2)找到第1个分割点，根据选中的坐标轴，找到所有点中的中位数，并将该点作为当前根节点；
(3)将点集划分成左右两部分，把比中位数小的所有点放在左边，比中位数大的所有点放在右边，中位数所在位置是根节点；
(4)对两个子节点重复步骤(1)～(3)，直到每个子节点只剩下一个点时终止，这时所有非叶子节点的左右节点都为单个数据点。
S42：对任意一个点P，采用KD-Tree最近邻搜索其k个最邻近点，并分别计算P点与k个最邻近点的距离，求出距离的平均值M和标准差S，若M>3S，即P与邻近k个点的距离平均值大于其3倍标准差，则认为P点为粗差点，故应剔除。
本发明采用粗差剔除，能够避免粗差点对后续滤波的影响；由于粗差点与周围正常点的距离相对较远，其与邻近k个点的平均距离也明显大于一个正常点与邻近k个点的平均距离，此距离(粗差点与其邻近k个点的平均距离)为三维空间中的两个点的距离。
S5：对分割后的点云进行数学形态滤波操作，从而更好地对分割出的标线达到良好的去噪效果，提高点云数据的质量；
S51：使用建立的KD-Tree点云数据的三维空间索引结构，将其划分为局部区域，每个区域包含一个中心点以及临近点集合；
步骤S51中，对于地面道路点云数据的处理，可以将车载设备附近的点划分为局部区域，进行局部区域划分时，按照以下步骤进行：
A、根据数据特征确定局部区域的中心点，可以选择在数据中心或者某些关键位置附近进行划分；
B、利用KD-Tree进行相邻点的搜索和分类，将与局部区域中心点距离较近的点划分为一类，即临近点集合，使用最邻近搜索来确定每个点与中心点之间的距离和相对位置，以此进行分类。
S52：距离阈值是指任意激光点P与k个最邻近点的距离，根据距离阈值搜索临近点的密度以及分布规律，得到该局部区域的特征信息，包括：临近点数量、距离、法向量等；
对于临近点数量与距离，可以先在KD-Tree中搜索到目标点周围一定范围内的所有数据点，然后对这些数据点进行统计与计算，在搜索时记录下目标点距离在一定范围内的所有数据点的数量，或者计算这些点的到目标点的距离平均值、最大值、最小值等的距离特征。
对于法向量，可以通过计算目标点周围点云的法向量获取局部区域的法向量，从与目标点距离在一定范围内的数据点集合中，选取一个子集作为样本点集，通过主成分分析来计算该点集的法向量，从而获取整个局部区域的法向量。
S53：生成适当大小和形状的结构元素，用于数学形态学滤波处理，结构元素大小和形状取决于局部的特征和距离阈值；
在选择结构元素大小和形状时，需考虑局部特征的方差、斜率等参数，以确保结构元素足够大，并且能充分覆盖具有相似特征的数据点；同时考虑距离阈值、确保结构元素不会包含过多的远离目标点的数据点。
S54：对于每个局部区域，将其包含的点集做数学形态滤波操作，以去除噪声和离群点，即进行开运算，先腐蚀，后膨胀；
f(x,y)为输入图像，b(x,y)为结构元素，定义如下：
膨胀：结构元素b对f进行了灰度膨胀记为定义为
Df和Db分别是f和b的定义域，s、t表示输出图像的位置坐标，膨胀运算是由在结构元素确定的域中，选取的最大值；
腐蚀：结构元素b对f进行灰度腐蚀记为
腐蚀是由结构元素确定的域中选取的的最小值；
开运算，用b开运算f,记为定义为
将结构元素内的所有数据填充为区域最小值，然后再填充为该区域的最大值；
将结构元素内所有的数据填充为最小值，可以将所有可能是噪声或者离群点的数据都设置为最小值，这样可以有效地去除这些干扰点。将区域内所有数据填充为区域最大值，则可以将所有局部数据中的最大值填充到整个区域内，保持点云数据的形状和拓扑结构，这样可以填补一些小的空洞和裂缝，使得整个点云数据更加连通。
如果直接将结构元素内的所有数据填充为最大值，会导致点云数据和拓扑结构发生变化，从而可能导致错误结果的产生。如在处理边缘区域时，直接填充为最大值会导致边缘数据丢失和变形。
对于每个P点，根据其临近点的特征信息和结构元素进行数学形态学滤波处理，并将处理后的点P’加入到新的点云中；
S55：重复上述步骤S52～S54，直到所有的局域区域都被处理完成，最终得到的点云即为数学形态学滤波处理的结果。
对于滤波后出现的过腐蚀的情况，通过KD-Tree建立的三维空间索引，设置好生长准则，分别为距离与点的密度两个条件，判断种子点的邻域点是否与邻域点属于同一特征条件；
在对散乱点云进行点云区域生长分割之前，首先需要用KD-Tree算法建立三维点云的空间关系，以便能够快速地找到一个点周围的邻域点，然后，在确定种子点后，可以采用距离和反射强度两个条件来判断其领域点与邻域点是否属于同一特征条件。
对于距离条件，可以设定一个阈值，当种子点与其邻域点之间的距离小于该阈值时，就将该邻域点加入到当前正在生长的区域中。这样做的原理是，距离较近的点通常意味着它们在空间上比较接近，有可能属于同一物体或同一部分。
对于反射强度条件(在点云区域生长中，点的密度是通过种子点周围领域内点的数量来确定，较高密度的点云代表密集的点云区域，在道路环境中，一般而言，较高的反射将强度会使该区域的强度值也会更大)，可以将反射强度值作为点的一个属性，然后设定一个反射强度差异阈值。当种子点与邻域点之间的反射强度差异小于该阈值时，就将该邻域点加入到生长区域中。这个判断方式的本质是认为同一物体的表面反射强度较为相似，因此反射强度较为相似的点有可能属于同一物体或同一部分。
采用距离与点密度两个条件来判断种子节点的领域点是否与领域点属于同一特征，如果满足该条件将该点作为种子点继续生长，否则不加入，以此类推，将所有满足特征条件的邻域点划入到同一区域内，直到生长结束，从而得到完整的标线。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种道路路面点云标线分割去噪方法，其特征在于，包括如下步骤：
S1：收集车载道路激光点云数据；
S2：将步骤S1获得的车载道路激光点云数据进行布料模拟滤波，从而获得道路路面点云数据；
S3：对步骤S2得到的道路路面点云数据进行OTSU阈值分割，自动寻找最佳阈值，从而将标线从路面中提取出来；
S4：构建KD-Tree三维空间索引，通过KD-Tree将分割之后的点云进行粗差去除；
S5：对分割后的点云进行数学形态滤波操作，从而更好地对分割出的标线达到良好的去噪效果，提高点云数据的质量。
2.根据权利要求1所述的道路路面点云标线分割去噪方法，其特征在于，步骤S2包括以下子步骤：
S21：对车载道路激光点云数据进行垂直方向的翻转；
S22：设置网格的大小，初始化虚拟的布料，布料位置需要在翻转后点云中最高点的上方；
S23：将点云与布料粒子投影到同一平面，搜索粒子的最近邻点云并储存其高程值h；
S24：布料粒子能够模拟成包含若干质点的栅格，这些质点之间相互联系且具有质量属性，质点通过重力作用下进行移动，而当质点移动到地面时则不可移动，计算可移动粒子在重力作用下的位移，布料粒子在重力作用下的位移计算公式为：
式中，m代表粒子的质量，设置为1，Δt表示时间步长；G表示计算常数；X表示在时间t时的质点位置；
将可移动粒子在重力作用下的位移与对应最近邻点云的高程值h比较，若可移动粒子在重力作用下的位移小于或等于h则将粒子高度设为h，再将粒子设为不可移动；
S25：计算各布料粒子受内部驱动力因素影响下的位移，计算公式为：
式中，d表示粒子的位移质量；b表示参数常数，当粒子为可移动时，其值等于1，当粒子为不可移动时，其值等于0；p0表示准备移动的粒子位置；pi表示与准备移动粒子相邻的粒子位置；表示垂直方向上的归一化向量；
S26：重复步骤S24与S25，当所有粒子的高度变化小于设定阈值或迭代次数达到最大时停止；
S27：计算车载道路激光点云与粒子之间的高度差，公式如下：
其中，N表示车载道路激光点云和虚拟布料中的点数，hi为第i个虚拟粒子的高度，zi为与其最近邻的车载道路激光点云的高程值；D表示车载道路激光点云与粒子之间的高度差；
S28：若点云与粒子间高度差小于设定阈值，则认为是地面点，否则是非地面点。
3.根据权利要求1所述的道路路面点云标线分割去噪方法，其特征在于，步骤S3包括以下子步骤：
S31：读入步骤S2得到的道路路面点云数据，遍历点云数据获得强度最大值Imax与最小值Imin，并记录点云总个数N0，将强度分为L个强度级，统计各强度级出现的点云个数ni，则点云中每个强度级出现的概率表示为：
S32：假设以强度值k(Imin<k<Imax)为阈值将原始点云分为标线点C0与路面点C1两部分，则两部分点云出现的频率为：
强度平均值分别为：
其中μT为点云总体平均强度；ω0表示原始点云中标线点云出现的概率；ω1表示原始点云中路面点云出现的概率；P(C0)表示标线点云C0中所有强度级点云出现的概率之和；P(C1)表示路面点云C1中所有强度级点云出现的概率之和；w(k)表示强度值k的点云出现的概率；u0表示分配到C0的像素的平均灰度值；u1表示分配到C1的像素的平均灰度值；μ(k)表示强度分割阈值k的平均灰度值；P(i/C0)表示强度为i的点云在C0中出现的概率；P(i/C1)表示强度为i的点云在C1中出现的概率；
S33：参照S32中的公式，计算分割后的道路标线点云与路面点云之间的强度类间方差并记录；
强度类间方差计算公式：
式中ω1表示为前景强度点数概率，μ0表示为前景平均强度值；
S34：从点云强度中随机选取新的强度分割阈值k，重复上述步骤S31～S33，当类间方差取得最大值时即可得到最优强度分割阈值T，将点云中强度值大于T的点保留为道路标线点，将强度值小于T的点判定为路面点进行去除，从而得到分割后的标线点云。
4.根据权利要求3所述的道路路面点云标线分割去噪方法，其特征在于，步骤S4包括以下子步骤：
S41：利用KD-Tree建立点云数据的三维空间索引；
S42：对任意一个点P，采用KD-Tree最近邻搜索其k个最邻近点，并分别计算P点与k个最邻近点的距离，求出距离的平均值M和标准差S，若M>3S，即P与邻近k个点的距离平均值大于其3倍标准差，则认为P点为粗差点，故应剔除。
5.根据权利要求4所述的道路路面点云标线分割去噪方法，其特征在于，步骤S41中利用KD-Tree建立点云数据的三维空间索引的过程为：
(1)选取第1个分割位，此处选择将点云数据按照x坐标进行分割；
(2)找到第1个分割点，根据选中的坐标轴，找到所有点中的中位数，并将该点作为当前根节点；
(3)将点集划分成左右两部分，把比中位数小的所有点放在左边，比中位数大的所有点放在右边；
(4)对两个子节点重复步骤(1)～(3)，直到每个子节点只剩下一个点时终止，这时所有非叶子节点的左右节点都为单个数据点。
6.根据权利要求4所述的道路路面点云标线分割去噪方法，其特征在于，所述步骤S5包括如下子步骤：
S51：使用建立的KD-Tree点云数据的三维空间索引结构，将其划分为局部区域，每个区域包含一个中心点以及临近点集合；
S52：距离阈值是指任意激光点P与k个最邻近点的距离，根据距离阈值搜索临近点的密度以及分布规律，得到该局部区域的特征信息，包括：临近点数量、距离、法向量；
S53：生成适当大小和形状的结构元素，用于数学形态学滤波处理，结构元素大小和形状取决于局部的特征和距离阈值；
S54：对于每个局部区域，将其包含的点集做数学形态滤波操作，以去除噪声和离群点，即进行开运算，先腐蚀，后膨胀；
f(x，y)为输入图像，b(x，y)为结构元素，定义如下：
膨胀：结构元素b对f进行了灰度膨胀记为定义为
Df和Db分别是f和b的定义域，s、t表示输出图像的位置坐标，膨胀运算是由在结构元素确定的域中，选取的最大值；
腐蚀：结构元素b对f进行灰度腐蚀记为
(f⊙b)(s，t)＝min{f(s+t，t+y)+b(x，y)|(s+x)，(t+y)∈Df，(x，y)∈Db}
腐蚀是由结构元素确定的域中选取的的最小值；
开运算，用b开运算f，记为定义为
将结构元素内的所有数据填充为区域最小值，然后再填充为该区域的最大值；
对于每个P点，根据其临近点的特征信息和结构元素进行数学形态学滤波处理，并将处理后的点P’加入到新的点云中；
S55：重复上述步骤S52～S54，直到所有的局域区域都被处理完成，最终得到的点云即为数学形态学滤波处理的结果。
7.根据权利要求6所述的道路路面点云标线分割去噪方法，其特征在于，对于滤波后出现的过腐蚀的情况，通过KD-Tree建立的三维空间索引，设置好生长准则，分别为距离与点的密度两个条件，判断种子点的邻域点是否与邻域点属于同一特征条件；
采用距离与点密度两个条件来判断种子节点的领域点是否与领域点属于同一特征，如果满足该条件将该点作为种子点继续生长，否则不加入，以此类推，将所有满足特征条件的邻域点划入到同一区域内，直到生长结束，从而得到完整的标线。
8.根据权利要求6所述的道路路面点云标线分割去噪方法，其特征在于，步骤S51中，对于地面道路点云数据的处理，将车载设备附近的点划分为局部区域，进行局部区域划分时，按照以下步骤进行：
A、根据数据特征确定局部区域的中心点，选择在数据中心或者关键位置附近进行划分；
B、利用KD-Tree进行相邻点的搜索和分类，将与局部区域中心点距离近的点划分为一类，即临近点集合，使用最邻近搜索来确定每个点与中心点之间的距离和相对位置，以此进行分类。
9.根据权利要求6所述的道路路面点云标线分割去噪方法，其特征在于，步骤S52中，对于临近点数量与距离，先在KD-Tree中搜索到目标点周围一定范围内的所有数据点，然后对这些数据点进行统计与计算，在搜索时记录下目标点距离在一定范围内的所有数据点的数量，或者计算这些点的到目标点的距离平均值、最大值、最小值的距离特征；
对于法向量，通过计算目标点周围点云的法向量获取局部区域的法向量，从与目标点距离在一定范围内的数据点集合中，选取一个子集作为样本点集，通过主成分分析来计算该点集的法向量，从而获取整个局部区域的法向量。
CN202310918214.6A 2023-07-25 2023-07-25 一种道路路面点云标线分割去噪方法 Pending CN117115012A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310918214.6A CN117115012A (zh) 2023-07-25 2023-07-25 一种道路路面点云标线分割去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310918214.6A CN117115012A (zh) 2023-07-25 2023-07-25 一种道路路面点云标线分割去噪方法

Publications (1)

Publication Number Publication Date
CN117115012A true CN117115012A (zh) 2023-11-24

Family

ID=88810038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310918214.6A Pending CN117115012A (zh) 2023-07-25 2023-07-25 一种道路路面点云标线分割去噪方法

Country Status (1)

Country Link
CN (1) CN117115012A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576087A (zh) * 2024-01-15 2024-02-20 海克斯康制造智能技术(青岛)有限公司 基于点云法线的物体表面凹凸性的检测方法
CN117808703A (zh) * 2024-02-29 2024-04-02 南京航空航天大学 一种多尺度大型部件装配间隙点云滤波方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576087A (zh) * 2024-01-15 2024-02-20 海克斯康制造智能技术(青岛)有限公司 基于点云法线的物体表面凹凸性的检测方法
CN117808703A (zh) * 2024-02-29 2024-04-02 南京航空航天大学 一种多尺度大型部件装配间隙点云滤波方法
CN117808703B (zh) * 2024-02-29 2024-05-10 南京航空航天大学 一种多尺度大型部件装配间隙点云滤波方法

Similar Documents

Publication Publication Date Title
CN112070769B (zh) 一种基于dbscan的分层点云分割方法
CN106022381B (zh) 基于车载激光扫描点云的路灯杆自动提取方法
CN106780524B (zh) 一种三维点云道路边界自动提取方法
Vosselman et al. Recognising structure in laser scanner point clouds
CN112465948B (zh) 一种保留空间特征的车载激光路面点云抽稀方法
CN117115012A (zh) 一种道路路面点云标线分割去噪方法
CN109584294B (zh) 一种基于激光点云的路面点云提取方法和装置
CN106548520A (zh) 一种点云数据去噪的方法和系统
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
CN108074232B (zh) 一种基于体元分割的机载lidar建筑物检测方法
Börcs et al. Fast 3-D urban object detection on streaming point clouds
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
CN111783722B (zh) 一种激光点云的车道线提取方法和电子设备
CN115063555A (zh) 高斯分布区域生长的车载LiDAR点云行道树提取方法
CN116109601A (zh) 一种基于三维激光雷达点云的实时目标检测方法
Yao et al. Automated detection of 3D individual trees along urban road corridors by mobile laser scanning systems
Chang et al. Automatic classification of lidar data into ground and non-ground points
WO2023060632A1 (zh) 基于点云数据的街景地物多维度提取方法和系统
CN114170149A (zh) 一种基于激光点云的道路几何信息提取方法
Zhan et al. Hierarchical image object-based structural analysis toward urban land use classification using high-resolution imagery and airborne LIDAR data
CN117706577A (zh) 基于激光雷达三维点云算法的船舶尺寸测量方法
CN117132508A (zh) 基于gis+bim技术的数字孪生数据驱动方法及系统
Omidalizarandi et al. Segmentation and classification of point clouds from dense aerial image matching
CN115810153B (zh) 一种基于相对熵和语义约束的高速公路点云提取方法
CN111861946A (zh) 自适应多尺度车载激光雷达稠密点云数据滤波方法

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