CN104850834A - 基于三维激光雷达的道路边界检测方法 - Google Patents

Abstract

本发明公开了基于三维激光雷达的道路边界检测方法。在智能车辆行驶过程中，由车载三维激光雷达采集的点云数据经过栅格化处理，生成二值栅格图；将二值栅格图进行距离变换操作得到距离灰度图，填充距离小于一定阈值的障碍点之间的狭小空间，且保持障碍点的整体轮廓不变，得到障碍区域轮廓图；使用区域生长法，以智能车的位置作为起点向前进行区域生长，获得道路的可通行区域轮廓图，再结合最初的二值栅格图，可以得到路面区域轮廓图；提取路面区域轮廓图两侧的轮廓，进行二次函数拟合，即可得到道路边界。本发明适用于城市道路、乡村道路等多种路况；检测效果受障碍物影响小；时间复杂度低，能实时处理；可以昼夜工作，算法鲁棒性较好。

Description

基于三维激光雷达的道路边界检测方法

技术领域：

本发明主要涉及智能车环境感知领域，尤其涉及一种应用于智能车自主行驶或辅助行驶的基于三维激光雷达的道路边界实时检测方法。

背景技术：

智能车自主驾驶或辅助驾驶的前提之一就是要快速有效地检测出道路区域。当前关于道路检测的研究大部分是基于图像或雷达来进行的。图像展现的是最直接的色彩与纹理信息，且像素间有较好的连贯性，因此基于图像的道路边界检测的研究，大多是根据道路边界的特征来进行的。但图像的缺点也很明显，检测效果受光强、路面材质等因素的干扰较大，且相机的视野有限。雷达的数据反映的是周边障碍物的密集程度，对检测障碍物具有较高的精度，它的缺点也很明显，只有距离信息，并且是一种离散信息，容易受到干扰物的影响。

由CN201110002490“基于红外图像的道路边界检测方法”，可知一种检测道路边界的方法，对采集的红外图像，融合阈值穷举法与二阶微分算子法获得的直线段，完成边界线段的提取，最后能准确的找出红外图像中的道路边界。

由CN201110150818“一种SVM与激光雷达结合检测非结构化道路边界的方法”，可知一种检测道路边界的方法，将三维激光雷达的数据处理成栅格图，然后通过聚类算法将道路两边的障碍物分为两类，再使用SVM训练得到超平面，从而确定道路的方向，最终求取道路边界的直线方程。

上述两个专利中提及的方法都只适用于道路上没有车辆等障碍物的情况，而且CN201110002490只针对结构化道路，对于非结构化道路，这种方法受到了一定的限制；CN201110150818要求栅格图的数据能明显分为两类，因此无法适用于较窄的乡村道路。

发明内容：

针对道路上存在障碍和非结构化道路等难点，本发明提供一种基于三维激光雷达的道路边界检测方法，能快速准确的检测出道路边界，以用于智能车辆的自主行驶或辅助行驶。

本发明是通过以下技术方案实现的：

基于三维激光雷达的道路边界检测方法，其特征在于，包括有以下步骤：

步骤1，将三维激光雷达采集的点云数据利用最大最小值法投影生成二值栅格图；

步骤2，对二值栅格图进行距离变换操作，填充距离小于一定阈值的障碍点之间的狭小空间，得到障碍区域轮廓图；

步骤3，对障碍区域轮廓图使用区域生长法，获得道路路面区域轮廓图；

步骤4，提取道路路面区域轮廓图两侧的轮廓，进行二次函数拟合，得到最终的道路边界图。

基于三维激光雷达的道路边界检测方法，其特征在于，所述步骤1中，通过投影生成二值栅格图的具体方法为：

步骤1.1，将三维激光雷达采集的点云数据在水平面内划分成边长为0.2m的一系列正方形，并将这些正方形一一映射到二值栅格图中，保持正方形在点云数据中的位置关系与在二值栅格图中的位置关系一致，并设定总栅格数的范围；

步骤1.2，用最大最小值法投影生成二值栅格图。计算二值栅格图中的每个栅格所对应的点云数据的最大高度值和最小高度值之差，如果这个差值大于设定的阈值，就设置该栅格为障碍点，标记为1，否则为非障碍点，标记为0，得到二值栅格图，黑色点是障碍点，白色点是非障碍点。

基于三维激光雷达的道路边界检测方法，其特征在于，所述步骤2包括以下步骤：

步骤2.1，生成距离灰度图：利用距离变换法求出二值栅格图中非障碍点到离它最近的障碍点之间的距离，作为该点在距离灰度图中对应点的灰度值，并记障碍点在距离灰度图中对应点的灰度值为0，获得二值栅格图对应的距离灰度图；

步骤2.2，将距离灰度图中灰度值小于一定阈值T的点作为障碍点，其他的点作为非障碍点，得到障碍区域轮廓图。障碍区域轮廓图填充了距离小于阈值T的障碍物数据之间的狭小空间。

基于三维激光雷达的道路边界检测方法，其特征在于，所述步骤2.1中，距离灰度图的获取包括如下步骤：

步骤2.1.1，选取模板：根据智能车的车长与车宽的比近似为2:1，选取3*3的模板，其中模板的中心为0，模板中心的上边与下边为2，模板中心的左边与右边为1，四个角为100；

步骤2.1.2，初始化距离灰度图：距离灰度图的大小和二值栅格图一致，对于距离灰度图中的每个像素，如果该像素在二值栅格图中对应的栅格的值为1，则设置该像素的像素值为0，否则设置该像素的像素值为100；

步骤2.1.3，更新距离灰度图：用选取的模板与初始化后的距离灰度图中的每一个像素进行运算，得到最终的距离灰度图。

基于三维激光雷达的道路边界检测方法，其特征在于，所述步骤3进一步包括以下步骤：

步骤3.1，以智能车的位置作为区域生长的起点，以障碍点作为生长分支的终点，采用自下而上、从中间往两边生长的方式，获得道路的可通行区域；

步骤3.2，求取此可通行区域的外轮廓，将轮廓以链码形式保存下来，形成一个封闭的空间；

步骤3.3，在最初的二值栅格图中提取此封闭空间内的障碍点进行聚类，获得的每个障碍物类即为道路上的实际障碍物；

步骤3.4，道路的可通行区域与道路上的所有障碍物类，组成了道路的路面区域，并最终得到道路路面区域轮廓图。

基于三维激光雷达的道路边界检测方法，其特征在于，所述步骤4进一步包括以下步骤：

步骤4.1，选定需要检测的道路边界的范围，在此范围内从道路路面区域轮廓图中求取左右边界，并将左右边界进行修正，左边界左移阈值T，右边界右移阈值T，阈值T由步骤2.2定义；

步骤4.2，分别对左右边界进行二次函数拟合，获得光滑的道路边界图。

本发明的优点是：

本发明与现有技术相比，其显著优点为：(1)本方法适用于城市道路、乡村道路、越野路等多种路况；(2)能有效过滤道路上的车辆等障碍物，检测效果受障碍物影响小；(3)时间复杂度低，能实时处理，算法只用一次距离变换和一次区域生长就检测出道路边界；(4)可以昼夜工作，算法鲁棒性较好。

附图说明：

图1是本发明的基于三维激光雷达的道路边界检测方法的流程图。

图2是本发明的二值栅格例图。

图3是本发明的经距离变换处理后得到的障碍区域轮廓例图。

图4是本发明的经区域生长法处理后得到的可通行区域轮廓例图。

图5是本发明的提取的道路上的障碍物轮廓例图。

图6是本发明的道路路面区域轮廓例图。

图7是本发明的经二次函数拟合后的光滑的道路边界例图。

具体实施方式：

下面结合实施例对本发明作进一步详细的描述：

基于三维激光雷达的道路边界检测方法，具体为：

步骤1，将三维激光雷达采集的点云数据投影生成二值栅格图；

步骤1.1，将三维激光雷达获得的数据变换到车体坐标系，雷达坐标系下的三维数据点P_v与车体坐标系下的点P_c的转化关系为P_c＝P_vR+t，其中R和t是经标定后得到的外参。

步骤1.2，在车体坐标系原点的前82.4米、后20米以及左右各51.2米的长方形范围内，将点云数据划分成边长为0.2m的一系列小正方形，一个正方形即为一个栅格，获得512*512个栅格，其中车体坐标系的原点在(256,412)；

步骤1.3，计算每个栅格中的点云数据的最大高度值和最小高度值之差，如果这个差值大于设定的阈值，就设置该栅格为障碍点，标记为1，否则为非障碍点，标记为0。图2是采用最大最小值法得到的障碍物的二值栅格图，黑色点是障碍点，白色点是非障碍点。

步骤2，对二值栅格图进行距离变换操作，填充距离小于一定阈值的障碍点之间的狭小空间，得到障碍区域轮廓图。

步骤2.1，选取计算距离灰度图的模板。一个尺寸为n×n的用于计算距离变换的模板可用一个n×n的矩阵M(k，l)表达，其中k、l分别代表矩阵M的行与列，其中每个元素的值表示像素p＝(x_p，y_p)和它的邻接像素q＝(x_p+k，y_p+1)之间的局部距离，其中x_p与y_p分别为像素p的横纵坐标。一般模板以像素p为中心，所

以尺寸n为奇数，下标k和l包含在{-[n/Z]，...，[n/Z]}中。根据智能车的车长与车宽的比例近似是2:1，故选取3*3的模板，其中模板的中心为0，模板中心的上边与下边为2，模板中心的左边与右边为1，四个角为100。

步骤2.2：计算距离灰度图。二值栅格图的边界集合B是值为1的集合，其距离灰度图是一个尺寸为512*512，值为DT(p)的矩阵。首先，初始化距离灰度图：然后，在迭代次数t＞0时，将模板M(k，l)，放在像素p＝(x_p，y_p)处，并用规则 <math><math display = 'block'> <mrow> <msup> <mi>DT</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mi>min</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> </munder> <mo>{</mo> <msup> <mi>DT</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>&amp;minus;</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>q</mi> <mo>)</mo> </mrow> <mo>&amp;plus;</mo> <mi>M</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>;</mo> <mi>q</mi> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>p</mi> </msub> <mo>&amp;plus;</mo> <mi>k</mi> <mo>,</mo> <msub> <mi>y</mi> <mi>p</mi> </msub> <mo>&amp;plus;</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>}</mo> </mrow> </math> 将距离值从像素q＝(x_p+k，y_p+1)传播到p，这个更新过程将持续进行到距离灰度图不再变化而停止。上述各变量的含义与步骤2.1相同。

步骤2.3，考虑智能车身的宽度，可以认为间隔小于一定距离(通常情况下约1.8米)的两个障碍物之间是不可通行的，因此这两个障碍物之间可以用障碍物填充。基于这个思想，将距离灰度图中像素值小于9的点(相当于该点离最近的障碍物点小于1.8米)作为障碍点，其他的点作为非障碍点，获得障碍区域图。障碍区域图填充了二值栅格图中距离小于9个像素的障碍物数据之间的狭小空间。最后提取这个障碍区域图的轮廓，得到障碍区域轮廓图，如图3所示。

步骤3，对障碍区域轮廓图使用区域生长法，获得道路路面区域轮廓图。

步骤3.1，用改进的区域生长法求得道路的可通行区域。首先，选取种子点。智能车中心的位置在障碍区域轮廓图中的坐标点为(256，412)，且这个点的邻近区域内无其它障碍物，即像素值都为0。因此，可以选取此点为种子点。其次，选取感兴趣区域。此处选取车前70米内的区域。也就是说，在障碍区域轮廓图中的区域为从412行到50行。然后，按如下生长步骤往上进行，获得往前的道路区域：(1)创建一个栈，将种子像素S放入栈中；(2)若栈顶元素在100行，则舍弃此元素，若栈为空，则停止生长，否则继续下面的步骤。(3)取出栈顶元素，判断其左右上三邻域像素点是否有像素值为0的，若有，则将其F置为1，并加入到栈中，然后转(2)。图4是使用改进的区域生长法后得到的道路的可通行区域轮廓例图。

步骤3.2，求取此可通行区域的外轮廓，将外轮廓以链码形式保存下来，形成一个封闭的空间，并在最初的二值栅格图中提取此封闭空间内的障碍点进行聚类，获得的每个障碍物类即为道路上的障碍物，最后提取每个障碍物类的轮廓，得到障碍物轮廓图，如图5所示；

步骤3.3，道路的可通行区域反映的是道路上无人车能行驶的区域，即道路除去障碍物的区域，因此道路的可通行区域与道路上的所有障碍物类组成了道路的路面区域。图6是道路路面区域轮廓例图。

步骤4，提取道路路面区域轮廓图两侧的轮廓，进行二次函数拟合。

步骤4.1，提取道路路面区域轮廓图两侧的轮廓。首先，选取感兴趣区域，此处选取车前60米内的区域(对应道路路面区域轮廓图中的从412行到100行的所有像素)。然后，从道路的路面区域中求取左右边界，具体的求解方法为，对道路路面区域轮廓图中的412行到100行进行逐行操作，从每行中找出最左边和最右边的轮廓点，最左边的轮廓点作为左边界的点，最右边的轮廓点作为右边界的点。最后，对左右边界进行修正，因为在步骤2中将障碍物的轮廓扩大了9个像素，因此，左边界需要左移9个像素，右边界需要右移9个像素；

步骤4.2，对左右边界进行二次函数拟合。选取左右边界的种子点，这里采用隔点选取的方式，即每隔五个点选取一个点，分别获得左右边界的点列。再对左右边界的点列分别进行二次函数拟合，获得光滑的道路边界，如图7。这个道路边界线指示了道路的方向，并将路面区域和非路面区域分割开。

本发明未详细阐述部分属于本领域技术人员的公知技术。

Claims (8)

1.基于三维激光雷达的道路边界检测方法，其特征在于，包括有以下步骤：

步骤1，将三维激光雷达采集的点云数据利用最大最小值法投影生成二值栅格图；

步骤2，对二值栅格图进行距离变换操作，填充距离小于一定阈值的障碍点之间的狭小空间，得到障碍区域轮廓图；

步骤3，对障碍区域轮廓图使用区域生长法，获得道路路面区域轮廓图；

步骤4，提取道路路面区域轮廓图两侧的轮廓，进行二次函数拟合，得到最终的道路边界图。

2.根据权利要求1所述的基于三维激光雷达的道路边界检测方法，其特征在于，所述步骤1中，通过投影生成二值栅格图的具体方法为：

步骤1.1，将三维激光雷达采集的点云数据在水平面内划分成边长为0.2m的一系列正方形，并将这些正方形一一映射到二值栅格图中，保持正方形在点云数据中的位置关系与在二值栅格图中的位置关系一致，并设定总栅格数的范围；

步骤1.2，用最大最小值法投影生成二值栅格图。

3.计算二值栅格图中的每个栅格所对应的点云数据的最大高度值和最小高度值之差，如果这个差值大于设定的阈值，就设置该栅格为障碍点，标记为1，否则为非障碍点，标记为0，得到二值栅格图，黑色点是障碍点，白色点是非障碍点。

4.根据权利要求1所述的基于三维激光雷达的道路边界检测方法，其特征在于，所述步骤2包括以下步骤：

步骤2.1，生成距离灰度图：利用距离变换法求出二值栅格图中非障碍点到离它最近的障碍点之间的距离，作为该点在距离灰度图中对应点的灰度值，并记障碍点在距离灰度图中对应点的灰度值为0，获得二值栅格图对应的距离灰度图；

步骤2.2，将距离灰度图中灰度值小于一定阈值T的点作为障碍点，其他的点作为非障碍点，得到障碍区域轮廓图。

5.障碍区域轮廓图填充了距离小于阈值T的障碍物数据之间的狭小空间。

6.根据权利要求3所述的基于三维激光雷达的道路边界检测方法，其特征在于，所述步骤2.1中，距离灰度图的获取包括如下步骤：

步骤2.1.1，选取模板：根据智能车的车长与车宽的比近似为2:1，选取3*3的模板，其中模板的中心为0，模板中心的上边与下边为2，模板中心的左边与右边为1，四个角为100；

步骤2.1.2，初始化距离灰度图：距离灰度图的大小和二值栅格图一致，对于距离灰度图中的每个像素，如果该像素在二值栅格图中对应的栅格的值为1，则设置该像素的像素值为0，否则设置该像素的像素值为100；

步骤2.1.3，更新距离灰度图：用选取的模板与初始化后的距离灰度图中的每一个像素进行运算，得到最终的距离灰度图。

7.根据权利要求1所述的基于三维激光雷达的道路边界检测方法，其特征在于，所述步骤3进一步包括以下步骤： 

步骤3.1，以智能车的位置作为区域生长的起点，以障碍点作为生长分支的终点，采用自下而上、从中间往两边生长的方式，获得道路的可通行区域；

步骤3.2，求取此可通行区域的外轮廓，将轮廓以链码形式保存下来，形成一个封闭的空间；

步骤3.3，在最初的二值栅格图中提取此封闭空间内的障碍点进行聚类，获得的每个障碍物类即为道路上的实际障碍物；

步骤3.4，道路的可通行区域与道路上的所有障碍物类，组成了道路的路面区域，并最终得到道路路面区域轮廓图。

8.根据权利要求1所述的基于三维激光雷达的道路边界检测方法，其特征在于，所述步骤4进一步包括以下步骤：

步骤4.1，选定需要检测的道路边界的范围，在此范围内从道路路面区域轮廓图中求取左右边界，并将左右边界进行修正，左边界左移阈值T，右边界右移阈值T，阈值T由步骤2.2定义；

步骤4.2，分别对左右边界进行二次函数拟合，获得光滑的道路边界图。