CN105488498A - 一种基于激光点云的车道边线自动提取方法及*** - Google Patents

Abstract

本发明所述一种基于激光点云的车道边线自动提取方法及其***，通过在基于移动测量车采集的激光点云进行高精度电子导航地图数据元素生产过程中，根据各个激光点的反射强度，对于无人驾驶非常重要的车道线数据元素以一定的准确度进行自动提取，为后续车道级高精度地图的生产提供基础车道形状数据，从而提升了车道边线数据元素采集和生产的效率和准确度，同时也极大的提升了车道级高精度地图生产的效率。

Description

一种基于激光点云的车道边线自动提取方法及***

技术领域

本发明涉及一种基于激光点云的车道边线自动提取方法及***，属于导航和电子地图的交叉领域。

背景技术

随着汽车的快速普及，每年的交通事故也越来越多，汽车的驾驶安全问题成为一个非常迫切的问题，而在汽车的主动安全技术中，有效利用高精度的空间地图的先验信息，提前避免一些潜在风险，是一个非常重要的主动安全研究和应用方向。同时，面向下一代自动驾驶技术的研究也正在如火如荼的展开，在无人驾驶技术中，引入并应用高精度的地图信息，利用高精度空间地图的先验信息，和其他传感器的信息进行有效融合、互相补充，从而获得更佳的感知能力和路径规划、引导能力，是现在非常重要的一个研究方向。

在上述这些研究中，都非常迫切的需要一种高精度的电子地图信息。在精度上，相比传统电子导航地图的数据精度普遍在1米至10米的精度，这种高精度的电子地图信息在精度上至少要达到分米级。而在模型上，相比传统电子导航地图以道路实体为抽象对象，以描述和表达道路之间的相互关系为主的数据模型，高精度电子地图信息至少要以车道实体为抽象对象，能够描述以车道为主体的各个数据元素之间的关系。

因此，高精度电子导航地图不仅仅表达精度更高，同时，表达的粒度也更细更丰富，所以高精度电子导航地图表达的信息量相比传统电子导航地图会呈现几何级数的增长。在这种情况下，数据采集的难度也会成几何级数的增长。因此，对像车道边线等数据元素的自动提取，就成为一项非常重要的问题。

发明内容

有鉴于此，本发明提供一种能够对车道边线进行自动提取，使高精度电子导航地图的精度更高的基于激光点云的车道边线自动提取方法。

一种基于激光点云的车道边线自动提取方法，所述基于激光点云的车道边线自动提取方法包括以下步骤：

S1、通过移动测量车采集路面信息的三维激光点云，并对激光点云数据进行读取；

S2、根据反射强度将所述激光点云分为不同强度的集合，将对点数小于阈值点数的集合进行过滤，并对集合进行聚类分析，得到有效强度集合；

S3、对有效强度集合中的激光点云点进行连通性识别，找到呈现线状特征的激光点云点的线状连通子集；

S4、判断各个线状连通子集是否为相同线状元素，并将具有相同线状元素的线状连通子集进行融合；

S5、结合相同位置的移动测量车行驶轨迹，对融合后的线状连通子集进行车道线识别。

一种基于激光点云的车道边线自动提取***，所述基于激光点云的车道边线自动提取***包括以下功能模块：

点云数据读取模块、用于通过移动测量车采集路面信息的三维激光点云，并对激光点云数据进行读取；

有效合集获取模块、用于根据反射强度将所述激光点云分为不同强度的集合，将对点数小于阈值点数的集合进行过滤，并对集合进行聚类分析，得到有效强度集合；

线状子集获取模块、用于对有效强度集合中的激光点云点进行连通性识别，找到呈现线状特征的激光点云点的线状连通子集；

线状子集融合模块、用于判断各个线状连通子集是否为相同线状元素，并将具有相同线状元素的线状连通子集进行融合；

车道线识别模块、用于结合相同位置的移动测量车行驶轨迹，对融合后的线状连通子集进行车道线识别。

本发明所述基于激光点云的车道边线自动提取方法及其***，通过在基于移动测量车采集的激光点云进行高精度电子导航地图数据元素生产过程中，根据各个激光点的反射强度，对于无人驾驶非常重要的车道线数据元素以一定的准确度进行自动提取，为后续车道级高精度地图的生产提供基础车道形状数据，从而提升了车道边线数据元素采集和生产的效率和准确度，同时也极大的提升了车道级高精度地图生产的效率。

附图说明

图1是本发明所述基于激光点云的车道边线自动提取方法的流程框图；

图2是图1中步骤S2的流程框图；

图3是图2中步骤S23的流程框图；

图4是图1中步骤S3的流程框图；

图5是图4中步骤S31的流程框图；

图6是图4中步骤S32的流程框图；

图7是图1中步骤S4的流程框图；

图8是图1中步骤S5的流程框图；

图9是本发明所述基于激光点云的车道边线自动提取***的模块框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例提供一种基于激光点云的车道边线自动提取方法，所述基于激光点云的车道边线自动提取方法包括以下步骤：

S1、通过移动测量车采集路面信息的三维激光点云，并对激光点云数据进行读取；

S2、根据反射强度将所述激光点云分为不同强度的集合，将对点数小于阈值点数的集合进行过滤，并对集合进行聚类分析，得到有效强度集合；

S3、对有效强度集合中的激光点云点进行连通性识别，找到呈现线状特征的激光点云点的线状连通子集；

S4、判断各个线状连通子集是否为相同线状元素，并将具有相同线状元素的线状连通子集进行融合；

S5、结合相同位置的移动测量车行驶轨迹，对融合后的线状连通子集进行车道线识别。

所述聚类分析主要是根据激光点的反射强度对点云中的点进行聚类并过滤，从而将不可能存在线性元素的点云作为噪声去除，并为后续车道线的识别提供待选强度类型，具体步骤如图2所示：

所述步骤S2包括以下分步骤；

S21、根据反射强度将所述激光点云分成多个不同强度集合；

S22、设置阈值点数，将各个强度集合的点数与阈值点数进行比较，如果强度集合的点数小于阈值点数，则删除该强度集合，剩余的强度集合为有效强度集合；

S23、设置聚类强度阈值，根据聚类强度阈值对所有有效强度集合进行聚类分析，直至每一个有效强度集合中激光点云的反射强度均小于聚类强度阈值；

S24、设置聚类阈值点数，将进行聚类分析后的有效强度集合中，点数小于聚类阈值点数的有效强度集合删除。

其中，如图3所示，所述步骤S13包括以下分步骤；

S231、设置聚类强度阈值，将所有有效强度集合作为一个待判别子类，计算待判别子类的平均反射强度和反射强度均方差。

S232、如果待判别子类的反射强度均方差大于聚类强度阈值，则将待判别子类中的点按照以反射强度距离中心，和与反射强度距离中心左、右间隔一个反射强度均方差的三个点远近的规则，将待识别子类分为三个子类；

S233、如果待判别子类的反射强度的均方差小于聚类强度阈值，则该待判别子类完成聚类；

S234、直至所有待判别子类的反射强度均小于聚类强度阈值。

具体的，根据步骤S1得到的激光点云数据中，依次遍历所有点，并根据点的反射强度值对点云中的点进行分类，记为PC_i,i＝1,2,…,n，其中，反射强度类PC_i中所有点的反射强度相同。记反射强度类PC_i中的点数为激光点云中全部点数为Num₀。

遍历反射强度类PC_i,i＝1,2,…,n，如果PC_i中的点数小于阈值点数MIN_PT_NUM(MIN_PT_NUM用来描述不能构成道路元素表达的噪声反射点数目，为较小的一个数值阈值，例如但不限于100)，则删除该PC_i中的所有点，并调整待处理点云总点数 ${\mathrm{Num}}_0={\mathrm{Num}}_0-{\mathrm{Num}}_{{\mathrm{PC}}_i}.$

设置聚类强度阈值CLUSTER__INV，将所有有效强度集合作为一个待判别子类，计算待判别子类的平均反射强度AVG_INV和反射强度均方差STDEV_INV。

如果待判别子类的反射强度的均方差大于聚类强度阈值，即STDEV_INV>CLUSTER__INV。则将待判别子类中的点按照反射强度距离AVG_INV-STDEV_INV、AVG_INV、AVG_INV+STDEV_INV最近的原则，将待识别子类分为左(AVG_INV-STDEV_INV)、中(AVG_INV)、右(AVG_INV+STDEV_INV)三个子类。

否则，如果待判别子类的反射强度的均方差不大于聚类强度阈值，即STDEV_INV≤CLUSTER__INV，则该待判别子类完成聚类，

其中CLUSTER__INV为聚类结束的阈值，表示一个子类中所有点的反射强度都比较接近，一般应根据激光反射强度的范围选择合适值，以使得整体聚类数目在十几个左右，例如但不限于，对于反射强度在6万左右的点云，CLUSTER__INV＝1000。

按照上述方法，直至所有待判别子类的反射强度均小于聚类强度阈值，得到的所有子类为CC_i,i＝1,2,…,m，子类CC_i中点的总数为NumC_i，所有子类的总点数为Num₀。

对聚类得到的各个子类进行初步筛选，将不可能是道路线的子类去除，即将所有满足NumC_i＞α*Num₀的子类去除，其中，α为判别非线状元素表达的系数，取值范围为0到1的实数，但一般不应该太小，例如但不限于α＝0.33。

其中，如图4所示，所述步骤S3包括以下分步骤；

S31、对有效强度集合中的点进行连通性识别，建立各个点的连通子集。

S32、对各个激光点云点的连通子集进行曲线拟合，识别是否为线状连通子集。

如图5所示，所述步骤S31包括以下分步骤；

S311、随机选取有效强度集合中一个点，以该点为基础建立一个连通子集；

S312、设置连通阈值，计算该有效强度集合中所有与该点距离小于所述连通阈值的点，并将其加入所述连通子集中；

S313、依次通过连通阈值建立多个连通子集，直至该有效强度集合中所有点均属于其中一个连通子集中。

如图6所示，所述步骤S32包括以下分步骤；

S321、对同属一个连通子集的点进行曲线拟合；

S322、计算该连通子集中的所有点相对拟合曲线的平均距离；

S323、如果平均距离小于连通阈值，则该连通子集为一个线状连通子集，否则，该连通子集不是线状连通子集。

具体的，随机选取有效强度集合中一个未处理的点，记为P₀，并为P₀建立新的连通子集CON_0。

设置连通阈值，计算该有效强度集合中所有与P₀点距离小于连通阈值CONN_THRESHOLD的点{P_j|j＝1,2,…,k}，则将{P_j|j＝1,2,…,k}中所有不在连通子集CON_0中的点加入连通子集CON_0。

对各个连通子集中，同属一个连通子集的点进行曲线拟合，并计算该连通子集中的所有点相对拟合曲线的平均距离，记为AVG_ERROR，如果AVG_ERROR<CONN_THRESHOLD，则该连通子集为一个线状连通子集，否则，该连通子集不是线状连通子集。

其中，如图7所示，所述步骤S4包括以下分步骤；

S41、随机选取有效强度集合中一个基准线状连通子集，在其他连通子集中寻找配对线状连通子集；

S42、所述配对线状连通子集中的点到基准线状连通子集的解析表达式的平均距离小于连通阈值，则配对线状连通子集为基准线状连通子集的一个表达同一形状的线状连通子集。

S43、将所有的配对线状连通子集与基准线状连通子集进行合并，直至所有线状连通子集全部处理完成。

具体的，随机选取有效强度集合中一个未处理的线状连通子集CON_I作为基准线状连通子集，在其他子类中寻找所有满足如下条件的配对线状连通子集CON_J：CON_J中的点到CON_I的解析表达式的平均距离小于CONN_THRESHOLD，CON_J为CON_I的一个表达同一形状的线状连通子集，将所有与CON_I表达同一形状的线状连通子集进行合并。

其中，如图8所示，所述步骤S5包括以下分步骤；

S51、选取一条融合后的线状连通子集，加载相同位置的移动测量车行驶轨迹；

S52、计算该线状连通子集在行驶轨迹线上的投影，并计算投影区域的长度；

S53、设置车道线识别阈值，如果投影区域的长度与该线状连通子集本身拟合曲线长度的比值大于车道线识别阈值，则判断所述线状连通子集为车道线；

S54、对识别为车道线的线状连通子集再次进行曲线拟合，得到该车道线的形状线和宽度。

具体的，选取一条融合后待识别的线状连通子集，加载相同位置的移动测量车行驶轨迹。然后计算该线状连通子集在行驶轨迹线上的投影，并计算投影区域的长度，记为PRJ_LEN。将该线状连通子集本身拟合曲线的长度记为FIT_LEN。如果，PRJ_LEN/FIT_LEN>REC_THRESHOD，则识别为车道线。

其中，所述REC_THRESHOD为车道线识别阈值，表达的是拟合曲线和行驶轨迹的一致性，一般为接近1的实数，例如但不限于REC_THRESHOD＝0.85。

对识别为车道线的线状连通子集再次进行曲线拟合，能够得到该车道线的形状线和宽度。

本发明还提供一种基于激光点云的车道边线自动提取***，如图9所示，所述基于激光点云的车道边线自动提取***包括以下功能模块：

点云数据读取模块10、用于通过移动测量车采集路面信息的三维激光点云，并对激光点云数据进行读取；

有效合集获取模块20、用于根据反射强度将所述激光点云分为不同强度的集合，将对点数小于阈值点数的集合进行过滤，并对集合进行聚类分析，得到有效强度集合；

线状子集获取模块30、用于对有效强度集合中的激光点云点进行连通性识别，找到呈现线状特征的激光点云点的线状连通子集；

线状子集融合模块40、用于判断各个线状连通子集是否为相同线状元素，并将具有相同线状元素的线状连通子集进行融合；

车道线识别模块50、用于结合相同位置的移动测量车行驶轨迹，对融合后的线状连通子集进行车道线识别。

本发明所述基于激光点云的车道边线自动提取方法及其***，通过在基于移动测量车采集的激光点云进行高精度电子导航地图数据元素生产过程中，根据各个激光点的反射强度，对于无人驾驶非常重要的车道线数据元素以一定的准确度进行自动提取，为后续车道级高精度地图的生产提供基础车道形状数据，从而提升了车道边线数据元素采集和生产的效率和准确度，同时也极大的提升了车道级高精度地图生产的效率。

本发明相关名词解释：

1.高精度电子导航地图

相对传统的以道路为基本元素的精度为米级的导航地图，提供的精度为分米甚至厘米级，以车道为基本元素的，面向无人驾驶和主动安全应用功能的下一代电子导航地图。

2.移动测量车

安装有激光扫描仪、全景相机、高精度定位设备和高精度惯导设备，能够提供高精度位置信息的测量车辆。

3.激光点云

移动测量车采集的带有位置信息和反射强度的激光扫描仪扫描得到的激光点云。文中简称为点云。如图2所示。

4.激光点云点

激光点云中的各个点，文中称为激光点云点，也简称为点。

5.车道边线

车道两边印刷的边线，文中也称为车道线，如图3所示。

6.反射强度集合

点云中具有相同反射强度的所有点的集合，称为一个反射强度集合。

7.连通子集

只在点云或点云的一个特定子集(如反射强度集合等)中，相互连通的所有点构成的一个子集。

8.线状连通子集

如果一个连通子集的整体形状呈现出线状特征，即可以看为一条曲线的表达，则称为一个线状连通子集。

以上装置实施例与方法实施例是一一对应的，装置实施例简略之处，参见方法实施例即可。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能性一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应超过本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程ROM、电可檫除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (9)

1.一种基于激光点云的车道边线自动提取方法，其特征在于，所述基于激光点云的车道边线自动提取方法包括以下步骤：

S1、通过移动测量车采集路面信息的三维激光点云，并对激光点云数据进行读取；

S2、根据反射强度将所述激光点云分为不同强度的集合，将对点数小于阈值点数的集合进行过滤，并对集合进行聚类分析，得到有效强度集合；

S3、对有效强度集合中的激光点云点进行连通性识别，找到呈现线状特征的激光点云点的线状连通子集；

S4、判断各个线状连通子集是否为相同线状元素，并将具有相同线状元素的线状连通子集进行融合；

S5、结合相同位置的移动测量车行驶轨迹，对融合后的线状连通子集进行车道线识别。

2.根据权利要求1所述基于激光点云的车道边线自动提取方法，其特征在于，所述步骤S2包括以下分步骤；

S21、根据反射强度将所述激光点云分成多个不同强度集合；

S22、设置阈值点数，将各个强度集合的点数与阈值点数进行比较，如果强度集合的点数小于阈值点数，则删除该强度集合，剩余的强度集合为有效强度集合；

S23、设置聚类强度阈值，根据聚类强度阈值对所有有效强度集合进行聚类分析，直至每一个有效强度集合中激光点云的反射强度均小于聚类强度阈值；

S24、设置聚类阈值点数，将进行聚类分析后的有效强度集合中，点数小于聚类阈值点数的有效强度集合删除。

3.根据权利要求2所述基于激光点云的车道边线自动提取方法，其特征在于，所述步骤S23包括以下分步骤；

S231、设置聚类强度阈值，将所有有效强度集合作为一个待判别子类，计算待判别子类的平均反射强度和反射强度均方差；

S232、如果待判别子类的反射强度均方差大于聚类强度阈值，则将待判别子类中的点按照以反射强度距离中心，和与反射强度距离中心左、右间隔一个反射强度均方差的三个点远近的规则，将待识别子类分为三个子类；

S233、如果待判别子类的反射强度的均方差小于聚类强度阈值，则该待判别子类完成聚类；

S234、直至所有待判别子类的反射强度均小于聚类强度阈值。

4.根据权利要求1所述基于激光点云的车道边线自动提取方法，其特征在于，所述步骤S3包括以下分步骤；

S31、对有效强度集合中的点进行连通性识别，建立各个点的连通子集；

S32、对各个激光点云点的连通子集进行曲线拟合，识别是否为线状连通子集。

5.根据权利要求4所述基于激光点云的车道边线自动提取方法，其特征在于，所述步骤S31包括以下分步骤；

S311、随机选取有效强度集合中一个点，以该点为基础建立一个连通子集；

S312、设置连通阈值，计算该有效强度集合中所有与该点距离小于所述连通阈值的点，并将其加入所述连通子集中；

S313、依次通过连通阈值建立多个连通子集，直至该有效强度集合中所有点均属于其中一个连通子集中。

6.根据权利要求4所述基于激光点云的车道边线自动提取方法，其特征在于，所述步骤S32包括以下分步骤；

S321、对同属一个连通子集的点进行曲线拟合；

S322、计算该连通子集中的所有点相对拟合曲线的平均距离；

S323、如果平均距离小于连通阈值，则该连通子集为一个线状连通子集，否则，该连通子集不是线状连通子集。

7.根据权利要求1所述基于激光点云的车道边线自动提取方法，其特征在于，所述步骤S4包括以下分步骤；

S41、随机选取有效强度集合中一个基准线状连通子集，在其他连通子集中寻找配对线状连通子集；

S42、所述配对线状连通子集中的点到基准线状连通子集的解析表达式的平均距离小于连通阈值，则配对线状连通子集为基准线状连通子集的一个表达同一形状的线状连通子集；

S43、将所有的配对线状连通子集与基准线状连通子集进行合并，直至所有线状连通子集全部处理完成。

8.根据权利要求1所述基于激光点云的车道边线自动提取方法，其特征在于，所述步骤S5包括以下分步骤；

S51、选取一条融合后的线状连通子集，加载相同位置的移动测量车行驶轨迹；

S52、计算该线状连通子集在行驶轨迹线上的投影，并计算投影区域的长度；

S53、设置车道线识别阈值，如果投影区域的长度与该线状连通子集本身拟合曲线长度的比值大于车道线识别阈值，则判断所述线状连通子集为车道线；

S54、对识别为车道线的线状连通子集再次进行曲线拟合，得到该车道线的形状线和宽度。

9.一种基于激光点云的车道边线自动提取***，其特征在于，所述基于激光点云的车道边线自动提取***包括以下功能模块：

点云数据读取模块、用于通过移动测量车采集路面信息的三维激光点云，并对激光点云数据进行读取；

有效合集获取模块、用于根据反射强度将所述激光点云分为不同强度的集合，将对点数小于阈值点数的集合进行过滤，并对集合进行聚类分析，得到有效强度集合；

线状子集获取模块、用于对有效强度集合中的激光点云点进行连通性识别，找到呈现线状特征的激光点云点的线状连通子集；

线状子集融合模块、用于判断各个线状连通子集是否为相同线状元素，并将具有相同线状元素的线状连通子集进行融合；

车道线识别模块、用于结合相同位置的移动测量车行驶轨迹，对融合后的线状连通子集进行车道线识别。