一种基于车载激光点云的道路标线自动化提取和识别方法

摘要

本发明涉及一种基于车载激光点云的道路标线自动化提取和识别方法，该方法采集车载激光点云，使用基于积分图的自适应阈值分割算法提取道路标线点云，对提取的所述道路标线点云进行欧式聚类，根据聚类获得的点云聚落的宏观特征实现对道路标线的识别。与现有技术相比，本发明具有识别准确率高，效率高等优点。

权利要求

1.一种基于车载激光点云的道路标线自动化提取和识别方法，其特征在于，该方法采集车载激光点云，使用基于积分图的自适应阈值分割算法提取道路标线点云，对提取的所述道路标线点云进行欧式聚类，根据聚类获得的点云聚落的属性特征实现对道路标线的识别；

所述根据聚类获得的点云聚落的属性特征实现对道路标线的识别具体包括：

601)求取每个点云聚落的最小外接矩形；

602)根据最小外接矩形的属性特征识别道路标线的类别，所述类别包括虚线和实线，具体地，当点云聚落的属性特征满足以下公式时识别为虚线：当点云聚落的属性特征满足以下公式时识别为实线：其中，lengthbrokenline、widthbrokenline表示虚线对应的标准线段长宽，a、b分别为最小外接矩形的长边和短边，α3为点云面积，α4为矩形度，widthsolidline为实线的标准宽度，α1为长宽比，β1、β2、β3、β4、β5为限制系数，其中，β1、β2反映点云聚落与设计尺寸长度、宽度上允许的差异，β3表示对标线最小面积的限制，β4表示对点云聚落矩形度的限制，β5表示对长宽比做出的限制。

2.根据权利要求1所述的基于车载激光点云的道路标线自动化提取和识别方法，其特征在于，该方法包括以下步骤：

1)根据相邻点之间的点间距跳跃从所述车载激光点云中提取扫描线；

2)根据道路边缘几何形态的突变从扫描线中提取路面点云；

3)利用反距离加权插值对路面点云进行强度插值生成强度栅格图像；

4)使用基于积分图的自适应阈值分割算法从强度栅格图像中提取道路标线点云；

5)对提取的道路标线点云进行欧式聚类；

6)根据聚类获得的点云聚落的宏观特征对道路标线进行识别。

3.根据权利要求2所述的基于车载激光点云的道路标线自动化提取和识别方法，其特征在于，所述提取扫描线具体包括：

101)在两个相邻点之间的空间距离既大于前一个距离又大于后一个距离时，将这两个相邻点标记为扫描关键点；

102)判断各相邻扫描关键点及该相邻扫描关键点之间的点依次连接形成的线是否同时满足最少点个数和扫描线最小长度要求，若是，则将该相邻扫描关键点作为扫描线边界点；

103)提取两相邻扫描线边界点之间的点即形成一扫描线。

4.根据权利要求2所述的基于车载激光点云的道路标线自动化提取和识别方法，其特征在于，所述提取路面点云具体为：

201)判断扫描线上的各点是否满足以下条件之一：A)dsi>cH,dxyi＝o

B)dsi＞cH，dxyi≠0，slopi＞mSC)dsi＞cH，dxyi≠0，dhi＞fH若是，则将对应的点i标记为路面关键点；

其中，dhi表示相邻点之间高差，dxyi表示相邻点之间的平面距离，dsi表示相邻点之间的空间距离，slopi表示相邻点之间的坡度，cH、mS、fH分别为距离阈值、夹角阈值和高程波动阈值；

202)统计相邻路面关键点之间的非关键点个数，提取连续非关键点个数最多的那一组为路面点云。

5.根据权利要求2所述的基于车载激光点云的道路标线自动化提取和识别方法，其特征在于，所述步骤3)中，以分辨率Rpixel、插值半径RIDW生成强度栅格图像。

6.根据权利要求5所述的基于车载激光点云的道路标线自动化提取和识别方法，其特征在于，所述插值半径RIDW为3Rpixel～4Rpixel。

7.根据权利要求2所述的基于车载激光点云的道路标线自动化提取和识别方法，其特征在于，所述步骤4)具体包括：

401)利用基于积分图的自适应阈值分割算法对强度栅格图像进行二值化处理；

402)将灰度值为1的像素内所包含的点云提取为道路标线点云。

8.根据权利要求1所述的基于车载激光点云的道路标线自动化提取和识别方法，其特征在于，所述属性特征包括长宽比、矩形面积、点云面积和矩形度。

说明书

一种基于车载激光点云的道路标线自动化提取和识别方法

技术领域

[0001] 本发明属于测绘科技技术领域，涉及一种车载激光点云数据处理方法，尤其是涉及一种基于车载激光点云的道路标线自动化提取和识别方法。

背景技术

[0002] 车道标线的位置和语义信息是自动驾驶技术中高精度地图基本组成要素，比如实线和虚线的绝对位置。对于道路标线的自动化提取，早期人们从光学影像中通过图像识别的方法获取道路标线信息，然而由于现实中的成像环境往往复杂多变，如天气变化、树木阴影、汽车遮挡等因素给图像处理增加了不少难度，目前要实现完全自动化的标线信息提取仍然有一定困难，而且从二维影像中也无法直接获取物体的三维空间信息。从激光点云中提取道路标线主要是依据点云的强度差异进行的，激光扫描仪通过发射电磁波信号并接收由周围物体反射回来的信号进行测量，由于不同表面材质的物体对于电磁波的反射能力不同，所以可以通过电磁波的回波强度来区分不同地物，沥青路面对于激光的反射率较低，而路面上的标线则具有较高的反射率，因此可以通过点云的强度信息来提取道路中的标线。如果采取人工标注的方法从海量点云数据中提取地面标线将极其耗时耗力，所以需要对道路标线进行自动化提取和识别。现有技术一般是对根据标线点云和周围地面的强度差异进行阈值分割，进而提取出道路标线，但是同一种标线点云的强度值并不是不变的，而是会随着激光束的入射角和激光点到被照射物体的距离发生变化，所以利用单一阈值无法准确提取道路标线，而且会引入一些不必要的噪声。

发明内容

[0003] 本发明的目的在于克服上述现有技术存在的缺陷而提供一种基于车载激光点云的道路标线自动化提取和识别方法。

[0004] 本发明的目的可以通过以下技术方案来实现：

[0005] 一种基于车载激光点云的道路标线自动化提取和识别方法，该方法采集车载激光点云，使用基于积分图的自适应阈值分割算法提取道路标线点云，对提取的所述道路标线点云进行欧式聚类，根据聚类获得的点云聚落的宏观特征实现对道路标线的识别。

[0006] 进一步地，该方法包括以下步骤：

[0007] 1)根据相邻点之间的点间距跳跃从所述车载激光点云中提取扫描线；

[0008] 2)根据道路边缘几何形态的突变从扫描线中提取路面点云；

[0009] 3)利用反距离加权插值对路面点云进行强度插值生成强度栅格图像；

[0010] 4)使用基于积分图的自适应阈值分割算法从强度栅格图像中提取道路标线点云；

[0011] 5)对提取的道路标线点云进行欧式聚类；

[0012] 6)根据聚类获得的点云聚落的宏观特征对道路标线进行识别。

[0013] 进一步地，所述提取扫描线具体包括：

[0014] 101)在两个相邻点之间的空间距离既大于前一个距离又大于后一个距离时，将这两个相邻点标记为扫描关键点；

[0015] 102)判断各相邻扫描关键点及该相邻扫描关键点之间的点依次连接形成的线是否同时满足最少点个数和扫描线最小长度要求，若是，则将该相邻扫描关键点作为扫描线边界点；

[0016] 103)提取两相邻扫描线边界点之间的点即形成一扫描线。

[0017] 进一步地，所述提取路面点云具体为：

[0018] 201)判断扫描线上的各点是否满足以下条件之一：

[0019] A)dsi＞cH，dxyi＝0

[0020] B)dsi＞cH，dxyi≠0，slopi＞mS

[0021] C)dsi＞cH，dxyi≠0，dhi＞fH

[0022] 若是，则将对应的点i标记为路面关键点；

[0023] 其中，dhi表示相邻点之间高差，dxyi表示相邻点之间的平面距离，dsi表示相邻点之间的空间距离，slopi表示相邻点之间的坡度，cH、mS、fH分别为距离阈值、夹角阈值和高程波动阈值；

[0024] 202)统计相邻路面关键点之间的非关键点个数，提取连续非关键点个数最多的那一组为路面点云。

[0025] 进一步地，所述步骤3)中，以分辨率Rpixel、插值半径RIDW生成强度栅格图像。

[0026] 进一步地，所述插值半径RIDW为3Rpixel～4Rpixel。

[0027] 进一步地，所述步骤4)具体包括：

[0028] 401)利用基于积分图的自适应阈值分割算法对强度栅格图像进行二值化处理；

[0029] 402)将灰度值为1的像素内所包含的点云提取为道路标线点云。

[0030] 进一步地，所述步骤6)具体包括：

[0031] 601)求取每个点云聚落的最小外接矩形；

[0032] 602)根据最小外接矩形的属性特征识别道路标线的类别，所述类别包括虚线和实线。

[0033] 进一步地，所述属性特征包括长宽比、矩形面积、点云面积和矩形度。

[0034] 进一步地，当点云聚落的属性特征满足以下公式时识别为虚线：

[0035]

[0036] 当点云聚落的属性特征满足以下公式时识别为虚线：

[0037]

[0038] 其中，lengthbrokenline、widthbrokenline表示虚线对应的标准线段长宽，a、b分别为最小外接矩形的长边和短边，α3为点云面积，α4为矩形度，widthsolidline为实线的标准宽度，α1为长宽比，β1、β2、β3、β4、β5为限制系数。

[0039] 针对目前道路标线提取和识别自动化程度不高，需要较多人工参与以及利用单一阈值无法准确提取的问题，本发明提出一种基于车载激光点云的道路标线自动化提取和识别方法。与现有技术相比，本发明具有如下有益效果：

[0040] (1)本发明利用车载激光点云实现对道路标线的自动化提取和识别，识别准确率高，提高车载测绘操作的效率。

[0041] (2)本发明根据道路边缘几何形态的突变从扫描线中提取路面点云，避免了常规方法中使用移动窗口滤波带来的计算效率低下的问题；

[0042] (3)常规方法是利用栅格内点云平均强度值代表栅格的灰度值，容易产生像素空洞，而本发明利用反距离加权插值的方法对路面点云进行强度插值生成强度栅格图像，解决了像素空洞这一问题；

[0043] (4)本发明使用基于积分图的自适应阈值分割方法从强度值分布不均匀的点云图像中对标线进行二值化分割，避免了强度校正模型的求取，简化了标线提取流程，提高了算法运算效率；

[0044] (5)本发明利用点云聚落的最小外接矩形的属性特征对虚线和实线进行语义识别，而一般方法是通过边缘检测的方法提取道路标线，如果标线的残余噪声比较大，这种方法容易造成标线的误提取。

[0045] (6)本发明只用到了车载激光点云的基本数据，具有较高的适用性。

附图说明

[0046] 图1为本发明道路标线自动化提取和识别流程图；

[0047] 图2为实施例中基于断面扫描线的路面点云提取示意图；

[0048] 图3为实施例中强度插值示意图；

[0049] 图4为实施例中原始道路点云；

[0050] 图5为实施例中路面强度图像；

[0051] 图6为实施例中自适应阈值分割示意图；

[0052] 图7为实施例中路面点云二值化；

[0053] 图8为实施例中点云欧式聚类；

[0054] 图9为实施例中标线点云识别。

具体实施方式

[0055] 下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

[0056] 针对目前道路标线提取和识别自动化程度不高，需要较多人工参与以及利用单一阈值无法准确提取的问题，本专利使用基于积分图的自适应阈值分割方法对道路标线进行提取，再对提取的标线点云进行欧式聚类，并在此基础上根据点云聚落的宏观特征对标线点云进行识别。

[0057] 摘要：本发明基于车载激光点云数据实现道路标线的自动化提取和识别，包含以下内容：(1)根据相邻点之间的点间距跳跃从点云中提取扫描线；(2)根据道路边缘几何形态的突变从扫描线中提取路面点云；(3)利用反距离加权插值对路面点云进行强度插值生成强度栅格图像；(4)使用基于积分图的自适应阈值分割从栅格图像中提取道路标线点云；(5)对提取的道路标线点云进行欧式聚类；(6)利用点云聚落的最小外接矩形的属性特征对虚线、实线进行识别。本发明的处理流程图如图1所示，具体步骤如下：

[0058] 1、扫描线提取

[0059] 扫描线提取是根据相邻扫描线点云之间的距离跳跃进行的。集成在移动激光扫描测量系统上的扫描仪大多是断面扫描仪，扫描仪激光头旋转一周可以得到一条扫描线，由于天空中不会出现扫描点，所以一条扫描线上最后一个点和下一条扫描线的第一个扫描点之间必然会有一个较大的距离跳跃。如果两个相邻点之间的空间距离既大于前一个距离，又大于后一个距离，那么将这样的点标记为关键点。事实上，由于距离扫描仪越远的地方点密度越稀疏、个数越少、间隔较大，所以仅用点间隔来判断扫描线容易将一条稀疏的扫描线分割成多条，所以再用另外两个判定条件对扫描线进行限制，即单条扫描线所拥有的最少点个数和扫描线的最小长度。根据道路宽度和扫描点密度设置扫描线最少点个数和最小长度两个阈值参数，满足一定阈值条件的关键点即为扫描线边界点，提取扫描线边界点之间的点即可提取每一条扫描线。

[0060] 2、路面点云提取

[0061] 道路边界在其断面上一般表现为高程、坡度等几何属性的突变，可以利用这些属性信息的变化将边界区分出来，进而提取出路面点云。设扫描线上的点为Pi(Xi，Yi，Hi)，则相邻点之间高差如公式(1)所示：

[0062] dhi＝|Hi‑Hi‑1| (1)

[0063] 相邻点之间的平面距离如公式(2)所示：

[0064]

[0065] 相邻点之间的空间距离如公式(3)所示：

[0066]

[0067] 相邻点之间的坡度如公式(4)所示：

[0068]

[0069] 由于扫描线点密度的不一致性，致使相同的坡度可能对应着不同的距离，相同的距离可能对应着不同的高差，这使得单一属性不能确定断面的几何形态，本专利采用属性组合的方式确定道路边界，首先定义三个阈值cH(curbHeight)、mS(minCurbSlope)、fH(fluctuateH)，其中cH与要检测的路面边界突出物(如路缘石、挡板等)上的扫描点间隔有关，一般设置为比突出物高度值略小，mS决定突出物与路面的夹角，fH反映处理的路面点云的高程波动程度，大于fH值的会认为是边界。当满足公式(5)～(7)任意一个时，将Pi点标记为关键点(如图2中标注的方框点)，记为Keyk＝i，关键点即几何形态发生突变的点，然后统计相邻关键点之间的非关键点个数Nk＝Keyk‑Keyk‑1，由于扫描线的绝大部分点都在路面上，而路面点又是非关键点，所以可以认为连续非关键点个数最多的那一组为路面点，从而提取获得路面点云。

[0070] dsi＞cH，dxyi＝0 (5)

[0071] dsi＞cH，dxyi≠0，slopi＞mS (6)

[0072] dsi＞cH，dxyi≠0，dhi＞fH (7)

[0073] 3、路面点云栅格化

[0074] 在提取出路面点云之后，为了方便应用图像处理的方法从路面点云中提取道路标志标线，需要根据点云的三维坐标和强度信息将点云图像栅格化，本发明利用反距离加权插值法(Inverse Distance Weighted，IDW)实现点云的栅格化。

[0075] 假设道路点云为Pi(Xi，Yi，Zi，Ii)，I为点的激光反射强度，需要以分辨率Rpixel(单个像素所代表的实际大小)、插值半径RIDW生成强度栅格图像，首先将点Pi投影到平面上即(Xi，Yi，Ii)，令minX＝min(Xi)，maxX＝max(Xi)，minY＝min(Yi)，maxY＝min(Yi)，则栅格化后的图像尺寸如公式(8)所示：

[0076]

[0077] 满足公式(9)的点属于以插值像素点Pixel(m，n)为中心在插值半径RIDW内的第k个点：

[0078] {Pk(Xk，Yk，Ik)|RIDW＞d(m，n，k)} (9)

[0079] d(m，n，k)根据公式(10)计算而得：

[0080]

[0081] d(m，n，k)表示点Pk到像素点Pixel(m，n)中心的距离，以d(m，n，k)倒数为权计算插值点Pixel(m，n)强度值如公式(11)所示：

[0082]

[0083] 令minI＝min(Ii)，maxI＝max(Ii)，则归一化后的像素灰度值由公式(12)计算：

[0084]

[0085] 插值示意图如图3所示，为了避免插值后的图像存在空隙，插值半径RIDW应大于点之间的间隔，一般可令像素分辨率Rpixel与点间隔相当，插值半径设置为3Rpixet～4Rpixel，路面点云转换为强度栅格图像的结果如图5所示。

[0086] 4、路面点云二值化

[0087] 为了从提取的路面点云中进一步提取出标线点云，本发明利用自适应阈值分割算法对路面栅格图像进行二值化处理，阈值分割是利用像素点灰度值与其周围矩形区域内像素的平均灰度值进行比较实现的，平均灰度值反映了背景的总体灰度值大小，如果像素灰度值大于其周围像素的平均灰度值一定量，则可以认为其是前景像素，否则认为是背景像素。设某一像素点坐标为Pi(xi，yi)，对应灰度值为 积分图像(指图像中任一点像素值是其对应源图像左上角矩形区域内所有点的灰度值之和)为 定义两个参数s、t分别表示背景半径和分割系数，如图6所示，则以Pi为中心2s+1为边长的矩形区域内的像素灰度值的和可用公式(13)表示：

[0088]

[0089] 当矩形区域超出图像边界时，以图像边界为准，即对于intI(i，j)，i，j的取值由公式(14)和公式(15)计算：

[0090]

[0091]

[0092] 其中Width、Height为图像的宽和高，分割后的灰度图像每个像素的灰度值由公式(16)表示：

[0093]

[0094] 灰度值为1的像素内所包含的点云即为标线点云，灰度值为0的像素内所包含的点云表示路面点云，利用样本数据进行路面点云二值化，结果如图7所示。

[0095] 5道路标线识别

[0096] 从道路面中提取的标线点云还只是一堆离散点，不具备对象级别的信息，还需要对标线的具体类型进行识别。本发明只针对道路标线中虚线、实线进行自动识别，其过程如下：(1)利用欧式聚类的方法对标线点云进行聚类，形成形状和大小各不相同的点云聚落，对样本数据进行点云欧式聚类的结果如图8所示；(2)求取每个点云聚落的最小外接矩形；(3)根据最小外接矩形的属性特征判别标线的具体类别。假设最小外接矩形(minimum bounding rectangle，MBR)的四个顶点为p1，p2，p3，p4，其中长边a＝distance(p1，p2)，短边b＝distance(p2，p3)，面积记为S，对最小外接矩形定义如公式(17)～公式(20)所表示的
4个属性：

[0097] 长宽比(α1)：反应了MBR接近正方形的程度；

[0098]

[0099] 矩形面积(α2)：

[0100] α2＝S (18)

[0101] 点云面积(α3)：nPixel是MBR中包含的点云在栅格图像中所占像素个数，pixelarea是单个像素代表的实际面积；

[0102] α3＝nPixel*pixelarea (19)

[0103] 矩形度(α4)：点云面积与其MBR面积之比，反映了点云形状接近MBR的程度；

[0104]

[0105] 5.1、虚线识别

[0106] 虚线是由具有固定规格的矩形组成的，本发明利用固定规格长和宽的先验知识设置特定的阈值，增加β1、β2、β3、β4是4个限制系数，其中，β1、β2反映了点云聚落与设计尺寸长度、宽度上允许的差异，β3表示对标线最小面积的限制，β4表示了对点云聚落矩形度的限制，对虚线进行自动识别。设虚线对应的标准线段长宽分别为lengthbrokenline、widthbrokenline，则当点云聚落特征属性满足公式(21)时认为是虚线：

[0107]

[0108] 其中4个限制系数具体值的设定与聚落点云密度及标线点云完整程度有关，比如可令系数值分别为0.1、0.2、0.1、0.6。

[0109] 5.2、实线识别

[0110] 实线的识别与虚线识别方法是类似的，不过由于实线对应的点云聚落有宽度相似、长短不一的特点，所以在长度上无法对点云聚落进行过强的限制，而只设置β2宽度、β4矩形度和β5长宽比阈值，设实线的标准宽度为widthsolidline，当点云聚落特征属性满足公式(22)时认为是实线：

[0111]

[0112] β5是对长宽比做出的限制，线状标线的长宽比应设置的大一些，比如令β5＝7，β2，β4的参数设置同虚线识别。

[0113] 6、实验验证

[0114] 本实施例实验数据选择了武汉市二环线一段长62米的道路点云数据，如图4所示，道路上的标线类型涵盖了实线、虚线，标线识别结果如图9所示，可以看出，所有实线和虚线标线均得到正确识别。

[0115] 以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。