CN112633092B - 基于车载激光扫描点云的道路信息提取方法 - Google Patents

Abstract

本发明公开了基于车载激光扫描点云的道路信息提取方法。本发明充分考虑地面点的邻域高程差和非地面点的邻域高程差有较大差异这一特点，利用邻域点高程特征来实现地面点的分离，同时利用地面起伏及高程差异，较好地实现了道路面精细提取的目的；充分利用道路标线连续固定的形状特征，实现了基于强度特征图像的道路标线精细提取与精化，同时基于点云强度图像统计的方法大大降低了算法的复杂度；基于聚类后的点云成果，分别使用基于邻域分布特征的标线边界点提取的矢量化以及基于Alpha Shape的标线边界点提取的矢量化方法，达到了道路标线提取的较为理想的结果。

Description

基于车载激光扫描点云的道路信息提取方法

技术领域

本发明涉及车载激光扫描点云道路信息的提取方法，属于遥感测绘领域。

背景技术

道路信息指的是道路上的标志线的信息，常见的道路信息包括道路边线、道路短中线以及斑马线等。道路信息是基础地理信息的重要组成部分之一，准确、高精度的道路信息对于城市规划、道路改扩建、交通控制、辅助驾驶以及应急响应等具有重要的作用。但是，道路所处的环境往往非常恶劣，除了要承受车辆的荷载，还要受到实际的气候条件的作用，因此面临老朽和损耗等严重问题，需要经常对道路进行维护。此外，高精度的道路信息也是驾驶地图的核心部分，只有基于厘米级或更高精度的道路信息，才能更好地利用驾驶辅助系统判断出路况并进行智能分析与处理。因此，实现道路信息的高精度、高效率的采集和提取具有重要的现实意义。然而，传统的道路信息获取方法往往是采用人工测量的方式，这种方法成图效率低，更新周期长，难以满足道路信息快速获取和更新的要求，在道路信息获取方面有很大的局限性。

车载激光扫描系统作为当前测绘领域新兴的测量手段和技术，能在短时间获取大面积、高密度和高精度的三维空间数据，测绘速度快，自动化程度高，大大降低了人工成本并减少了人工测量的危险性，已成为1种重要的测绘技术手段。尽管通过车载激光扫描系统扫描获得的点云数据虽然信息量丰富，但它包含了树木、建筑物等非道路信息，数据量大且严重冗余。此外，点云数据是三维空间离散的点的集合，无法直接作为GIS数据使用，需要使用特定的算法从中提取特定的地物信息。

研究如何对扫描点云进行道路信息的提取，是当前国际研究上的热点。车载激光扫描点云数据量大、场景复杂，而道路标线等细小目标形状、位置和特征在海量点云中并不明显，往往需要分步来进行处理和实现。纵观点云的道路信息提取的方法，一般分为以下三步：一是先在初始点云中提取道路面的信息；二是在得到的道路面点云中提取道路标线的信息；三是对提取出来的道路标线进行边界提取和矢量化，从而得到可供实际使用的道路信息。在道路面提取的研究方面，Manandhar D等提出了基于扫描线统计点云高度直方图的方法，Abuhadrous等改进了高度直方图提取的方法，但此类方法比较适用于较为平坦的平面，不适用于地面对象复杂的场景。魏双全等改进了点云的滤波方法，通过道路面的生长来得到道路面，但需要获取行车轨迹等先验信息。在道路标线的提取方面，Yuan等将三维点云投影按强度投影成二维影像，再利用Hough变换在影像上实现道路标线的提取，Yang等提出了一种反距离加权法确定灰度值，再利用形状和排列等先验知识来提取道路标线，但该方法受限于网格大小易造成精度损失。Yu等利用Otsu算法计算多个强度分割阈值，从而实现道路标线的提取，但该方法依赖于反射强度改正方法或阈值估计方法参数的设置，缺乏普适性。在点云的边界提取和矢量化方面，Alrashdan等提出了基于神经网络的边界点提取方法，柯映林等提出了一种点云空间网格划分的方法来提取边界点，Emelyanoy等通过点云三角化的方法提取边界点，但这些方法存在边界点丢失或冗余、复杂度过高等问题，在一定程度上限定了这些方法的应用场景。

目前在海量车载点云场景提取位置和特征并不明显的道路标线等细小目标形状是目前研究的热点和难点，现有技术方案或存在复杂度高、精度损失、依赖过多的先验信息、场景适用性低、流程不完整等缺陷，不能很好地满足基于车载激光扫描点云的道路信息提取的要求。本发明提供了从道路面的提取、道路标线的提取到道路标线的矢量化全流程和解决方案，最终将成果输出成dxf矢量文件，实现道路标线的入库。

综上所述，虽然现在国内外取得了不少针对车载点云道路提取的成果，但都有自己的局限性存在，缺乏完善可行或是高效稳定的解决方案。

发明内容

本发明针对车载激光扫描点云的道路信息提取问题，提出了一套完整的流程和解决方案，实现了车载激光扫描点云的道路信息的快速、高效提取。本发明所要解决的技术问题如下：

(1)改进道路面的提取方法，提高准确性和场景适用性。

(2)改进道路标线的提取，提高效率和普适性。

(3)改进道路标线的矢量化，提高矢量化的精度，降低复杂度。

针对以上问题，本发明提供的解决方法如下：基于车载激光扫描点云的道路信息提取方法，包括如下步骤：

步骤1，使用基于邻域高程特征的方法来提取地面点，包括计算每个点的邻域点高程差，通过邻域点高程差进行判断，实现地面点的提取；再考虑到道路面起伏较小并与其他地面点高程差异较大的特点，利用区域生长的方法提取出道路面；

步骤2，相对于地面点而言，道路标线在三维空间有着相对规则的形状，且道路标线的反射强度往往比周围道路面的反射强度高，针对此特征，提出了基于强度特征图像或直接在三维空间上进行道路标线提取；

步骤3，先利用欧式聚类分析将步骤2提取的道路标线分割成独立的道路标线点云，再基于邻域分布特征的标线边界点提取方法或基于Alpha Shape的标线边界点提取方法实现点云的边界点提取，并将提取的结果矢量化输出。

进一步的，步骤1的具体实现方式如下，

(11)设点云点集为S，在S中选取任意一点p0，对p0进行k近邻搜索，即搜索出距离p0最近的k个点，这k个点的点集称为S2；

(12)在S2中选取任意一点pi，按式(1)计算p0和pi的高程平方差dz_i，n为点集S2中的总点数；

(13)重复(12)直至所有S2中的点计算完，按式(2)计算p0的平均邻域高程差h，将h与阈值h0比较，若得到的高程差小于h0，则p0为地面点，若得到的高程差大于h0，则p0为非地面点；

(14)重复(11)(12)(13)，直至S中所有点都被遍历完；

(dzi)²＝(zp0-zpi)² (1)

至此，地面点的提取已经完成。

进一步的，步骤2中基于强度特征图像的道路标线提取分为三步：一是点云强度特征图像的建立；二是基于边缘检测的道路标线提取；三是道路标线点云的精化；具体实现方式如下：

(21a)点云强度特征图像的建立

(211)对道路面点云点集S’进行遍历，得到点云在X、Y方向的范围，即Xmax、Xmin、Ymax、Ymin；

(212)选择合适的投影网格的大小W，按式(3)和式(4)计算生成的投影图像的宽width和高height；

(213)遍历所有网格，对每一个网格的点云，统计落入网格内的点的数量n和它们的反射强度t，再按式(5)计算这个网格的平均反射强度t0，当该网格没有点落入时，将该网格的平均反射强度设为0；

(214)遍历所有网格得到平均反射强度最大值tmax和tmin，按式(6)对所有网格的平均反射强度进行归一化处理，将它们归算到0-255之间，得到的归一化后的反射强度值为tg，并作为该网格的灰度值；

width＝(Xmax-Xmin)/W (3)

height＝(Ymax-Ymin)/W (4)

tg＝(255-0)*(t0-tmin)/(tmax-tmin) (6)

至此，点云强度特征图像已被建立；

(22b)基于边缘检测的道路标线提取

对点云强度特征图像进行Sobel边缘检测，利用式(7)两个矩阵对图像作平面卷积，得出横向及纵向的灰度差分近似值，利用式(8)来结合每一个像素的横向及纵向梯度近似值，得到每个像素梯度大小G，最终得到的边缘提取图像；

对得到的边缘提取图像进行灰度直方图分析，设定阈值k1、k2，将灰度在k1和k2之间的像素网格判定为道路标线的边缘网格，并记录其索引；

遍历所有边缘网格，如果连续两个网格在X方向上仅相差一到两个网格，则将这两个网格中间的网格也记录，实现点云特征图像上的道路标线的分离，获得分离后的点集S1；

(23c)道路标线的精化

(231)选取合适的邻域大小R，从点集S1中选取任意一点p0，p0的R邻域的点集为S2；

(232)遍历S2里面的所有点，计算p0的平均邻域强度t0，同时比较p0和邻域所有点(p1,p2....，pn)的强度大小，计算出p0的R邻域内比p0强度小的点所占的比例c0；

(233)设定合适的平均邻域强度阈值k3和比例阈值k4，对i0和c0进行判断，若在阈值内，则将p0计为标线点；

(234)遍历所有点集，重复(231)(232)(233)中操作，完成标线点的提取。

进一步的，步骤2中在三维空间直接进行道路标线的提取分为两步：一是基于点的反射强度特征和邻域密度特征的道路标线提取；二是基于统计分析的离群点滤波；具体实现方式如下：

(21e)基于点的反射强度特性和邻域密度特性的道路标线提取

(21e1)设道路面点云点集为S’，在S’中选取任意一点p0，以r为半径，进行r范围搜索，与p0的距离在r内的点的集合称为S2，p0反射强度为t；

(21e2)遍历点集S2，统计S2内点的数目n；

(21e3)设定邻近点密度阈值n1，n2，反射强度阈值t1，t2，若n1<n<n2且t>t1，则判定为远离扫描中心的道路标线点；若n>n2且t>t2，则判定为靠近扫描中心的道路标线点；

(21e4)遍历点集S，重复上述操作，完成所有点的判断，最终分离出道路标线点集；

(21f)基于统计分析的离群点滤波

对最终分离出的道路标线点集中的每个点云，计算它到它的所有临近点的平均距离，假设得到的结果是一个高斯分布，其形状由均值和标准差决定，平均距离在标准范围之外的点，可被定义为离群点并可从数据集中去除掉；然后设定合适的方差阈值，即可将道路标线与噪声分离。

进一步的，步骤3中基于邻域分布特征的标线边界点提取方法的具体实现方式如下，

设道路标线点集为S3，搜索半径为r，具体算法思想如下：

(31a)在点集S3中选取任意一点p0，p0的r邻域内所有点的集合称为S2；

(32a)在S2中选取任意一点p1，按式(9)和式(10)计算p0、p1的x，y坐标差dx,dy；

(33a)重复(32a)直至S2中所有点都计算完毕，按式(11)和式(12)计算所有dx，dy的和sdx，sdy；

(34a)按式(13)计算sdx与sdy的平方和开方值k，与阈值k0比较，小于阈值则将p0判断为边界点；

(35a)在点集S3中选取下一点，重复(31a)(32a)(33a)(34a)操作，直至所有点云都遍历完；

dx＝x_p0-x_p1 (9)

dy＝y_p0-y_p1 (10)

进一步的，步骤3中基于Alpha Shape的标线边界点提取方法的具体实现方式如下，

(31b)设道路标线点集为S3，在点集S3中选取任意一点p1，以p1为中心，半径为2α画圆，在这个半径内的点集称为S2；

(32b)在S2内选取任意一点p2；

(33b)过p1、p2画半径为α的圆，得到圆心p0，判断S2内其余点是否在圆内；

(34b)若其余点全不在圆内，则p1、p2为边界点，存储索引，执行(35b)；

(35b)若有点在圆内，重复(32b)(33b)步骤，直到S2内所有点判断完毕；

(36b)从S3里选下一点，重复上述操作，直至所有点遍历完。

与现有技术相比，本发明的优点和有益效果：1)本发明充分考虑车载激光扫描点云的特点，结合矢量化目标本身的特性，以道路面提取为切入点，构建了整个矢量化提取流程，达到了从复杂的车载点云场景提取道路标线的目的；

2)本发明充分考虑地面点的邻域高程差和非地面点的邻域高程差有较大差异这一特点，利用邻域点高程特征来实现地面点的分离，同时利用地面起伏及高程差异，较好地实现了道路面精细提取的目的；

3)建立点云强度图像，利用点云强度统计信息，充分利用道路标线连续固定的形状特征，实现了基于强度特征图像的道路标线精细提取与精化，同时基于点云强度图像统计的方法大大降低了算法的复杂度；

4)使用欧式距离聚类算法实现了单独道路标线的分离。在此基础上，即基于聚类后的点云成果，分别使用基于邻域分布特征的标线边界点提取的矢量化以及基于AlphaShape的标线边界点提取的矢量化方法，达到了道路标线提取的较为理想的结果。

附图说明

图1为道路生长流程图。

图2为点云强度特征图像(a)和Sobel边缘提取图(b)。

图3为边缘提取图像灰度直方图。

图4为精化后的道路标线示意图。

图5为统计分析滤波示例图。

图6为道路标线滤波前后示意图，其中(a)为道路标线滤波前示意图，(b)为道路标线滤波后示意图。

图7为道路标线的邻域点分布。

图8为Alpha Shape算法原理图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步说明。

本发明实施例提供一种基于车载激光扫描点云的道路信息提取方法，主要内容分为三步，下面将详细介绍每一步的详细流程和算法。

步骤一、道路面的提取

虽然点云在空间的分布是不规则、离散的，但是具有相同特征的点与点之间具有较强的空间一致性，地面点相比于其他地物(建筑、树木)的点而言，它的特点表现为邻域点的高程差异很小。基于此特性，本发明使用了基于邻域高程特征的方法来提取地面点，计算每个点的邻域点高程差，通过邻域点高程差进行判断，实现地面点的提取，再考虑到道路面起伏较小并与其他地面点高程差异较大的特点，利用区域生长的方法提取出道路面。

(一)考虑到地面点的邻域高程差和非地面点的邻域高程差是不同的，地面点的邻域的点往往具有相似的高程，而非地面点邻域点分布较为分散，高程差异较大，可以通过点的邻域点高程特征来实现地面点的分离。设点云点集为S，具体算法思想如下：

(11)在S中选取任意一点p0，对p0进行k近邻搜索，即搜索出距离p0最近的k个点，这k个点的点集称为S2。

(12)在S2中选取任意一点pi，按式(1)计算p0和pi的高程平方差dz_i，zp0，zpi分别表示对应点的高程，n为点集S2中的总点数。

(13)重复(12)直至所有S2中的点计算完，按式(2)计算p0的平均邻域高程差h，将h与阈值h0(h0可以通过比较不同的地物邻域高程差得出)比较，若得到的高程差小于h0，则p0为地面点，若得到的高程差大于h0，则p0为非地面点。

(14)重复(11)(12)(13)，直至S中所有点都被遍历完。

至此，地面点的提取已经完成。

(dz_i)²＝(zp0-zpi)² (1)

(二)由上一步得到的地面点，也是由很多成分组成，包括道路面和道路以外的地面点。通过实际道路情况可以知道，道路面起伏较小，所以道路面上的点与其邻近点的高程差异很小，而道路以外的地面点则与道路上的点高程差异较大。可以通过区域生长的办法，将道路面从地面点云中提取出来。

选取几个道路点作为种子点，以种子点为起始区域，邻近点与起始点的高程差较小作为生长条件，将邻近点与种子点的高程差过大作为道路面生长的终止条件，进行道路面生长，直到没有新的种子点加入为止；其中道路面生长流程如图1所示。

步骤二、道路标线的提取

相对于地面点而言，道路标线在三维空间有着相对规则的形状，且道路标线的反射强度往往比周围道路面的反射强度高，针对此特征，本发明提出了基于特征图像和直接在三维空间进行道路标线提取两种方法，利用图像处理方面的知识结合点云的反射强度和密度特征，对道路标线进行提取。

(一)基于点云强度特征图像的道路标线的提取

考虑基于车载激光扫描点云数据的反射强度特征，标线点往往反射强度较高，此外标线还具有连续固定的形状特征，可以通过投影的方式实现道路标线的提取。

基于强度特征图像的道路标线提取主要分为三步：一是点云强度特征图像的建立；二是基于边缘检测的道路标线提取；三是道路标线点云的精化。

步骤一中得到了路面点，记为【S路】

1、点云强度特征图像的建立

(1)对点云点集S(即【S路】)进行遍历，得到点云在X、Y方向的范围，即Xmax、Xmin、Ymax、Ymin。

(2)选择合适的投影网格的大小W(其大小根据扫描线间隔来确定)，按式(3)和式(4)计算生成的投影图像的宽width和高height。

(3)遍历所有网格，对每一个网格的点云，统计落入网格内的点的数量n和它们的反射强度t，再按式(5)计算这个网格的平均反射强度t0。当该网格没有点落入时，将该网格的平均反射强度设为0。

(4)遍历所有网格得到平均反射强度最大值tmax和tmin，按式(6)对所有网格的平均反射强度进行归一化处理，将它们归算到0-255之间，得到的归一化后的反射强度值为tg，并作为该网格的灰度值。

width＝(Xmax-Xmin)/W (3)

height＝(Ymax-Ymin)/W (4)

tg＝(255-0)*(t0-tmin)/(tmax-tmin) (6)

至此，点云强度特征图像已被建立，点云强度特征图像如图2(a)，网格大小为W＝0.25mm。

2、基于边缘检测的道路标线提取

因为道路标线所在像素点在强度特征图像中灰度值较高，且与周围像素点灰度差别较为明显，所以可以使用边缘检测来获取道路标线的边缘点所在网格，再通过检测出道路标线的两个边缘得到整个标线所在的网格。具体算法步骤如下：

对点云强度特征图像进行Sobel边缘检测，利用式(7)两个矩阵对图像作平面卷积，得出横向及纵向的灰度差分近似值。利用式(8)来结合每一个像素的横向及纵向梯度近似值，得到每个像素梯度大小G，最终得到的边缘提取图像，如图2(b)。

对得到的边缘提取图像进行灰度直方图分析(如图3)，设定阈值k1、k2，将灰度在k1和k2之间(通过直方图的双峰来确定)的像素网格判定为道路标线的边缘网格，并记录其索引。

遍历所有边缘网格，如果连续两个网格在X方向上仅相差一到两个网格，则将这两个网格中间的网格也记录。这样，完整的道路标线所在的网格点就被记录了，即实现了点云特征图像上的道路标线的分离。

3、道路标线的精化

因为点云特征图像是点云在高程方向投影得到的，每一个网格与三维点云空间有唯一的对应的位置关系，所以在已知道路标线所在的网格的情况下，可以通过索引获得道路标线在三维空间中的原点云。

然而，因为网格大小的限制，通过特征图像得到的道路标线点云往往有邻近路面点的存在，这意味着得到的道路标线点云不够精准，需要对其进行精提取，从而得到精确的道路标线。本发明通过选取合适大小的尺度，可以将标线点从邻近地面点中分离出来。具体算法如下：

前面我们实现了点云特征图像上的道路标线的分离，由于分离结果较为粗糙，因此需要将这部分点云提取出来进行精化处理，记这部分点云为【S分离】。

(1)选取合适的邻域大小R，从点集S(前面粗提取的点云结果，即【S分离】)中选取任意一点p0，p0的R邻域的点集为S2。

(2)遍历S2里面的所有点，按式(5)计算p0的平均邻域强度t0，同时比较p0和邻域所有点(p1,p2....pn)的强度大小，计算出p0的R邻域内比p0强度小的点所占的比例c0。

(3)设定合适的平均邻域强度阈值k1和比例阈值k2(通过比较标线点和路面点的平均邻域强度和强度比例得出)，对i0和c0进行判断，若在阈值内，则将p0计为标线点。

(4)遍历所有点集，重复(1)(2)(3)中操作，完成标线点的提取。

提取效果如图4，由图可见，邻近道路点已被滤掉，标线点被提取出来。

(二)三维空间道路标线的直接提取

基于车载激光扫描点云数据的反射强度特征，道路标线点相比于周围的道路表面的点拥有更高的反射强度，但由于距离远近的关系，远离扫描中心的道路标线的反射强度往往比那些靠近扫描中心的道路标线的反射强度要低，需要分开进行提取。此外，基于车载激光扫描点云数据的密度特征，离扫描中心距离越远，邻近点密度也越低，因此远离扫描中心的道路标线位置的邻近点密度比靠近扫描中心的道路标线位置的邻近点密度要低。

结合反射强度和邻域密度特征，本文通过设置多个阈值的方式，将远离扫描中心的道路标线和靠近扫描中心的道路标线进行分开提取，从而实现道路标线点云的直接提取。

在三维空间直接进行道路标线的提取步骤主要分为两步：一是基于点的反射强度特征和邻域密度特征的道路标线提取；二是基于统计分析的离群点滤波。

1、基于点的反射强度特性和邻域密度特性的道路标线提取

(1)设点云点集为S(路面点云点集，即【S路】)，在S中选取任意一点p0，以r为半径，进行r范围搜索，与p0的距离在r内的点的集合称为S2。p0反射强度为t。

(2)遍历点集S2，统计S2内点的数目n；

(3)设定邻近点密度阈值n1，n2，反射强度阈值t1，t2(阈值根据不同位置点云强度和密度的分布情况设定)。若n1<n<n2且t>t1，则判定为远离扫描中心的道路标线点；若n>n2且t>t2，则判定为靠近扫描中心的道路标线点。

(4)遍历点云S，重复上述操作，完成所有点的判断，最终分离出道路标线点集。

2、基于统计分析的离群点滤波

由于背向散射的特点和沥青道路的材料特性，有一些路面点表现出和道路标线相似的反射强度，因此第一步得到的道路标线往往含有一些噪声，相比于道路标线的点，这些点往往表现得离散并且无规律，所以可以利用统计分析的滤波来过滤掉这些点。

统计分析滤波原理如下：

对每个点(即分离出的道路标线点集)，计算它到它的所有临近点的平均距离。假设得到的结果是一个高斯分布，其形状由均值和标准差决定，平均距离在标准范围(由全局距离平均值和方差定义)之外的点，可被定义为离群点并可从数据集中去除掉。统计分析滤波示例如图5。

设定合适的方差阈值(比较不同方差对滤波后结果影响得出)，即可将道路标线与噪声分离。滤波前后效果如图6(a)为滤波前的道路标线，矩形框内即是离群点，(b)为滤波后的道路标线。

步骤三、道路标线矢量化

道路标线点云仍然是离散的、不直接的信息，需要对其进行边界提取和索引构建，本发明首先利用欧式聚类分析将标线点云分割成独立的道路标线点云，再利用标线边界点和内部点邻域点分布差异或Alpha Shape提取算法这两种边界提取方法实现点云的边界点提取，比较分析提取效果，并将提取的结果矢量化输出。

道路标线的矢量化是道路信息提取的关键部分，矢量化的目的，是把难以直接去利用的道路标线点云数据转换为能够被利用的矢量数据。道路标线的矢量化重点在于标线边界点的提取，通过边界点提取，可以得到道路标线的边界轮廓，再进一步计算出边界点之间的拓扑关系，可以实现边界线的生成和矢量化输出。

步骤3.1，欧式距离聚类

由于提取的道路标线点是独立和无组织的点，在进行矢量化之前，需要对其进行聚类，让每一个类代表一个单独的道路标线。

因为每条独立的道路标线都是不连续的，它们间的距离间隔往往较远，可以通过欧式距离聚类的方法，实现单独道路标线的分离。以点与点之间的欧式距离作为测度函数进行判断，遍历点云(这里是指步骤二中提取出的道路标线点云，聚类的时候需要排除其他点的影响)中的所有点，如果点与其邻近点的欧式距离小于阈值时，将其分为同一类，否则就生成新的一类，对不同的类赋以不同的颜色，最终得到聚类后的道路标线点集。

步骤3.2a，基于邻域分布特征的标线边界点提取及矢量化

考虑到道路标线的边界点和内部点邻域分布是不同的(如图7)，边界点的邻域点往往分布在同一侧而标线内部点的邻域点往往分布较为均匀，可以通过道路标线点的邻域特征来进行判断，实现边界点的提取。

设道路标线点集为S3，搜索半径为r，具体算法思想如下：

(1)在点集S3中选取任意一点p0，p0的r邻域内所有点的集合称为S2。

(2)在S2中选取任意一点p1，按式(9)和式(10)计算p0、p1的x，y坐标差dx,dy。

(3)重复(2)直至S2中所有点都计算完毕，按式(11)和式(12)计算所有dx，dy的和sdx，sdy。

(4)按式(13)计算sdx与sdy的平方和开方值k，与阈值k0(k0根据比较内部点和边界点平方和差异得出)比较，小于阈值则将p0判断为边界点。

(5)在点集S3中选取下一点，重复(1)(2)(3)(4)操作，直至所有点都遍历完。

dx＝x_p0-x_p1 (9)

dy＝y_p0-y_p1 (10)

步骤3.2b，基于Alpha Shape的标线边界点提取及矢量化

Alpha Shape算法是一种能有效提取离散点集边缘的算法。它的原理如图8所示，设一组点集S，它的Alpha Shape形状取决于半径参数α，可以想象成半径为α的圆在点集S外滚动，当α足够大时，这个圆不会滚到点集内部，此时这个圆的滚动痕迹就是点集S的边界线。所以Alpha Shape算法的提取效果取决于α的大小，选择合适的参数可以实现较好的边界提取。具体算法思想如下：

(1)在点集S3(即道路标线点集)中选取任意一点p1，以p1为中心，半径为2α画圆，在这个半径内的点集称为S2。

(2)在S2内选取任意一点p2。

(3)过p1、p2画半径为α的圆，得到圆心p0，判断S2内其余点是否在圆内。

(4)若其余点全不在圆内，则p1、p2为边界点，存储索引，执行(5)。

(5)若有点在圆内，重复(2)(3)步骤，直到S2内所有点判断完毕。

(6)从S3里选下一点，重复上述操作，直至所有点遍历完。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (5)

1.基于车载激光扫描点云的道路信息提取方法，其特征在于，包括如下步骤：

步骤1，使用基于邻域高程特征的方法来提取地面点，包括计算每个点的邻域点高程差，通过邻域点高程差进行判断，实现地面点的提取；然后利用区域生长的方法提取出道路面；

步骤2，相对于地面点而言，道路标线在三维空间有着相对规则的形状，且道路标线的反射强度往往比周围道路面的反射强度高，针对此特征，提出了基于强度特征图像进行道路标线提取；

步骤2中基于强度特征图像的道路标线提取分为三步：一是点云强度特征图像的建立；二是基于边缘检测的道路标线提取；三是道路标线点云的精化；具体实现方式如下：

(21a)点云强度特征图像的建立

(211)对道路面点云点集S’进行遍历，得到点云在X、Y方向的范围，即Xmax、Xmin、Ymax、Ymin；

(212)选择投影网格的大小W，按式(3)和式(4)计算生成的投影图像的宽width和高height；

(213)遍历所有网格，对每一个网格的点云，统计落入网格内的点的数量n和它们的反射强度t，再按式(5)计算这个网格的平均反射强度t0，当该网格没有点落入时，将该网格的平均反射强度设为0；

(214)遍历所有网格得到平均反射强度最大值tmax和tmin，按式(6)对所有网格的平均反射强度进行归一化处理，将它们归算到0-255之间，得到的归一化后的反射强度值为tg，并作为该网格的灰度值；

width＝(Xmax-Xmin)/W (3)

height＝(Ymax-Ymin)/W (4)

tg＝(255-0)*(t0-tmin)/(tmax-tmin) (6)

至此，点云强度特征图像已被建立；

(22b)基于边缘检测的道路标线提取

对点云强度特征图像进行Sobel边缘检测，利用式(7)两个矩阵对图像作平面卷积，得出横向及纵向的灰度差分近似值，利用式(8)来结合每一个像素的横向及纵向梯度近似值，得到每个像素梯度大小G，最终得到的边缘提取图像；

对得到的边缘提取图像进行灰度直方图分析，设定阈值k1、k2，将灰度在k1和k2之间的像素网格判定为道路标线的边缘网格，并记录其索引；

遍历所有边缘网格，如果连续两个网格在X方向上仅相差一到两个网格，则将这两个网格中间的网格也记录，实现点云特征图像上的道路标线的分离，获得分离后的点集S1；

(23c)道路标线的精化

(231)选取邻域大小R，从点集S1中选取任意一点p0，p0的R邻域的点集为S2；

(232)遍历S2里面的所有点，计算p0的平均邻域强度t0，同时比较p0和邻域所有点(p1,p2....，pn)的强度大小，计算出p0的R邻域内比p0强度小的点所占的比例c0；

(233)设定平均邻域强度阈值k3和比例阈值k4，对i0和c0进行判断，若在阈值内，则将p0计为标线点；

(234)遍历所有点集，重复(231)(232)(233)中操作，完成标线点的提取；

步骤3，先利用欧式聚类分析将步骤2提取的道路标线分割成独立的道路标线点云，再基于邻域分布特征的标线边界点提取方法或基于Alpha Shape的标线边界点提取方法实现点云的边界点提取，并将提取的结果矢量化输出。

2.如权利要求1所述的基于车载激光扫描点云的道路信息提取方法，其特征在于：步骤1的具体实现方式如下，

(11)设点云点集为S，在S中选取任意一点p0，对p0进行k近邻搜索，即搜索出距离p0最近的k个点，这k个点的点集称为S2；

(12)在S2中选取任意一点pi，按式(1)计算p0和pi的高程平方差dz_i，zp0，zpi分别表示对应点的高程，n为点集S2中的总点数；

(13)重复(12)直至所有S2中的点计算完，按式(2)计算p0的平均邻域高程差h，将h与阈值h0比较，若得到的高程差小于h0，则p0为地面点，若得到的高程差大于h0，则p0为非地面点；

(14)重复(11)(12)(13)，直至S中所有点都被遍历完；

(dz_i)²＝(zp0-zpi)² (1)

至此，地面点的提取已经完成。

3.如权利要求1所述的基于车载激光扫描点云的道路信息提取方法，其特征在于：步骤2中进行道路标线提取还包括在三维空间直接进行道路标线提取，其分为两步：一是基于点的反射强度特征和邻域密度特征的道路标线提取；二是基于统计分析的离群点滤波；具体实现方式如下：

(21e)基于点的反射强度特性和邻域密度特性的道路标线提取

(21e1)设道路面点云点集为S’，在S’中选取任意一点p0，以r为半径，进行r范围搜索，与p0的距离在r内的点的集合称为S2，p0反射强度为t；

(21e2)遍历点集S2，统计S2内点的数目n；

(21e3)设定邻近点密度阈值n1，n2，反射强度阈值t1，t2，若n1＜n＜n2且t＞t1，则判定为远离扫描中心的道路标线点；若n＞n2且t＞t2，则判定为靠近扫描中心的道路标线点；

(21e4)遍历点集S’，重复上述操作，完成所有点的判断，最终分离出道路标线点集；

(21f)基于统计分析的离群点滤波

对分离出的道路标线点集中的每个点云，计算它到它的所有邻近点的平均距离，假设得到的结果是一个高斯分布，其形状由均值和标准差决定，平均距离在标准范围之外的点，可被定义为离群点并可从数据集中去除掉；然后设定方差阈值，即可将道路标线与噪声分离。

4.如权利要求1所述的基于车载激光扫描点云的道路信息提取方法，其特征在于：步骤3中基于邻域分布特征的标线边界点提取方法的具体实现方式如下，

设道路标线点集为S3，搜索半径为r，具体算法思想如下：

(31a)在点集S3中选取任意一点p0，p0的r邻域内所有点的集合称为S2；

(32a)在S2中选取任意一点p1，按式(9)和式(10)计算p0、p1的x，y坐标差dx,dy；

(33a)重复(32a)直至S2中所有点都计算完毕，按式(11)和式(12)计算所有dx，dy的和sdx，sdy；

(34a)按式(13)计算sdx与sdy的平方和开方值k，与阈值k0比较，小于阈值则将p0判断为边界点；

(35a)在点集S3中选取下一点，重复(31a)(32a)(33a)(34a)操作，直至所有点云都遍历完；

dx＝x_p0-x_p1 (9)

dy＝y_p0-y_p1 (10)

5.如权利要求1所述的基于车载激光扫描点云的道路信息提取方法，其特征在于：步骤3中基于Alpha Shape的标线边界点提取方法的具体实现方式如下，

(31b)设道路标线点集为S3，在点集S3中选取任意一点p1，以p1为中心，半径为2α画圆，在这个半径内的点集称为S2；

(32b)在S2内选取任意一点p2；

(33b)过p1、p2画半径为α的圆，得到圆心p0，判断S2内其余点是否在圆内；

(34b)若其余点全不在圆内，则p1、p2为边界点，存储索引，执行(35b)；

(35b)若有点在圆内，重复(32b)(33b)步骤，直到S2内所有点判断完毕；

(36b)从S3里选下一点，重复上述操作，直至所有点遍历完。

Images