本发明涉及无人驾驶汽车导航领域，具体的说是一种生成三维高清道路图水平弯道行车线的半自动点云方法。
背景技术：
近年来，实现无人驾驶相互作用的自动驾驶，一直是人造智能和汽车工程界相当兴趣的对象。自动驾驶车辆依靠动态三维(3D)高清晰度路线图，以支持精确的车辆定位和路线导航服务。与传统的路线图相比，3D高清路线图被用于更精确的交通导航，具有高精度和详细的道路网络信息。在常规导航地图的帮助下，如果交通标志被障碍物阻挡或汽车在高速公路上快速移动，车载传感器难以及时识别交通标志，从而导致潜在的交通风险。
为了获取实时道路信息，为自动驾驶车辆生成3D高清路线图，采用移动激光扫描(MLS)技术获取高分辨率地形数据，构建具有道路基础设施高度敏感信息的三维道路模型。与传统的测量方法相比，MLS系统能够提供高精度，地理参考的数据，具有更高的时间效率同时能够节省成本。此外，考虑到其突出的移动性和灵活性，MLS系统更适合开发3D高清路线图，特别是在高密度交通流量和复杂交通状况的城市道路网络和高速公路环境中。根据使用MLS数据建立的3D高清路线图，生成有效可靠的行车线，自动驾驶车辆可以识别并快速确定正确的车道，通过水平曲线行驶，并能够预测紧急情况。
然而，处理大量3D点云被认为是一个巨大的挑战。因此，它不仅需要高性能计算系统，而且还需要用于道路信息提取的高效率处理算法。另外自动驾驶车辆在包括转弯、曲线、十字路口、迂回和高速公路在内的复杂道路中行驶发生交通事故的概率也大大增加。作为道路设计和施工的重要组成部分，由于驾驶员和车载传感器的曲线方向逐渐变化和视距有限，因此水平弯曲路段对交通安全和效率有重大影响。因此，消除水平弯曲路段上的安全隐患是自动驾驶车辆发展的必然过程。考虑到转弯限制，驾驶车道偏离和车辆处理能力问题，自动驾驶最具挑战性的任务之一是使自动驾驶车辆能够在没有人为操作的情况下在水平弯曲路段上设计最佳有效和最安全的行车线。因此，为了支持3D高清路线图和自动驾驶车辆的开发，开发一种有效可靠的方法，从高密度MLS点云产生水平弯曲的行车线路已经成为一个很大的市场需求。
技术实现要素：
本发明的目的是开发一种半自动算法，用于检测和提取道路标线，特别是在水平弯曲路段的车道线、中心线和边缘线。此外，生成基于高密度MLS点云的水平弯曲的行车线，以支持自动驾驶车辆的开发。
本发明的具体目标如下：
1)提出半自动算法，用于检测和提取大规模MLS数据中的道路标识，特别是对于水平弯曲路段。
2)通过考虑道路设计规定和曲线道路标线的曲线拟合功能，开发半自动算法，生成水平弯曲的行车线。
为实现上述目的，本发明采用以下技术方案：
生成三维高清道路图水平弯道行车线的半自动点云方法，包括以下步骤：
S1、将原始点云数据分割成一系列数据块，各数据块中的相应轮廓具有预定义的宽度；
S2、将每个数据块中的轮廓网格化以产生伪扫描线，然后在每个网格单元中选择主点；
S3、通过分析高度阈值与斜率阈值从原始点云数据中提取路缘点；
S4、采用三次B样条插值算法将提取的路缘点拟合为两条平滑的路边，从原始点云数据中提取路面点；
S5、对提取的路面点执行IDW插值法以产生GRF强度特征图像；
S6、对获得的GRF强度特征图像采用多阈值分割算法进行道路标线的提取，去除噪声后获得离散的道路标记点；
S7、利用条件欧几里得聚类方法将离散的道路标记点分类；
S8、对聚类曲线道路标记进行非线性最小二乘法曲线拟合，获得水平弯曲路段的行车线；
S9、根据现有知识对行车线进行调整：生成的行车线应与道路中心线和边缘线平行；生成的行车线的曲率等于道路中心线或边缘线的曲率，且生成的行车线的中心与中心道路中心线或边缘的中心相同。
进一步地，步骤S1包括以下分步骤：
S11、基于车辆轨迹的点云分析，将原始点云数据划分为指定宽度为Bg的多个数据块；
S12、在每个数据块内，使用给定宽度Pg对相应的轮廓进行分段。
进一步地，步骤S2包括以下分步骤：
S21、将包含在轮廓中的点云被投影到垂直于车辆前进方向的平面上，然后将每个轮廓网格化以生成伪扫描线；
S22、在每个网格单元内确定主点：通过考虑点的高程属性来对该网格单元中的点云进行排序和排列，通过识别最低层内具有最高高度的点来选择每个网格中的一个主点；
所述排序和排列具体为：从高度最低点开始，计算两个相邻点的高度跳跃ΔEi(i＝1,2,3，...，N)，以将这些点划分为不同的层，其中N是每个网格单元中的点数；若两个点之间的高度跳跃ΔEi不超过预定义的阈值ET，则两个连续点被分组成同一层；相反，若两个点之间的高度跳跃ΔEi大于ET，则建立一个新层来分割这两个点。
进一步地，所述步骤S3具体为：
其中Sslope表示两个连续相邻点的斜率，ST表示预定义的斜率阈值，Hi是指定点与其相邻点的高程差，Hmin和Hmax表示最小和最大高度阈值。
进一步地，所述步骤S6包括以下分步骤：
S61、根据扫描距离的范围进行动态多阈值分割算法，在各种扫描距离范围内确定和优化局部多阈值分割参数；
S62、使用基于路缘的提取算法对提取的路面点进行逐块处理，随后，对每个曲线的点密度进行统计分析，确定点密度分布近似于正态分布；
S63、根据所生成的路面数据的车辆轨迹和估计道路宽度D，计算从车辆轨迹到道路左侧DL和道路右侧DR的距离，随后，根据估计的平均μ1和标准偏差σ1确定高斯分布函数的1σ的范围r；
S64、多阈值分割：采用Otsu阈值法提取路标；
S65、使用PCL包中的SOR滤波器去除提取的道路标记点云中的噪声。
进一步地，所述步骤S65具体为：从指定点定义最近的搜索点□的数量，并计算从指定点到其邻居的相应距离；假设所有点的计算平均距离的分布满足具有平均μ2和标准差σ2的高斯正态分布，根据平均μ2和标准差σ2确定阈值间隔，将位于阈值间隔之外的点描述为噪声点，然后从道标标记点中删除。
进一步地，所述步骤S7包括以下分步骤：
S71、根据所产生的道路标记点云的点密度和分辨率，给出预定义的欧氏距离阈值de；
S72、若欧氏距离di小于或等于de，则将两个相邻点分配到同一个群集中；否则，这两个点将被分组成不同的群集。
进一步地，步骤S8中，在最小二乘拟合方法中定义残差δi(i＝1,2,…,m)表示在所有聚集的道路标记点与期望的拟合曲线之间的偏移，则投影在XOY平面上的某个点pi(xi，yi)被赋予如下基本曲线函数：
yi＝f(xi)；
其中i＝(1,2，...，m)是要拟合的聚类道路标记点的总数，则其近似曲线函数为：
yi＝g(xi)；
若近似曲线和基本曲线之间的偏差和方程残差的平方被最小化，其表示为：
假定拟合多项式被呈现以使用以下等式来拟合所有数据点，则有：
y＝a0+a1x+...+akxk；
其中k表示多项式的次数，ak表示k次多项式的系数，然后，通过以下公式计算每个点与建议的多项式曲线之间的距离总和，即残差的平方和：
此外，残差的偏导数对于获得这些系数的值是必不可少的，这些系数用下面简化的矩阵描述：
因此，可以得到系数矩阵A＝[a0 a1 ... ak]T，然后确定聚类道路标记点的相应拟合曲线。
进一步地，所述步骤S9中，相关的水平曲线元素使用以下公式确定：
其中D是曲率；R是曲线半径；L是曲线长度；PC是曲率点，即水平曲线的开始；PT是切点，即水平曲线的结尾；PI是切线交点；Δ是曲线对角；T是切线长度；M是中间坐标；LC是长弦长度；E是外部距离。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：
1、本发明提出的方法能够最大程度地减少对大规模MLS点云的高级处理的手动干预，同时保证处理大容量MLS点云的高度计算性。
2、本发明通过确定弯曲道路标记的最佳拟合函数以协助在水平弯曲的路段产生行车线。并且本发明能够直接利用3D点云有效生成不同水平弯曲路段的曲率的行车线来提高精度。
附图说明
图1为本发明一种生成三维高清道路图水平弯道行车线的半自动点云方法的工作流程图。
图2(a)为本发明原始点云图像，图2(b)为对图2(a)进行路面提取后的示意图。
图3为本发明生成强度图像的示意图。
图4为本发明路面标识提取后的示意图。
图5为本发明对所提取的路面标识去除噪声点后的示意图。
图6为本发明对道路标记聚类后的示意图。
图7为本发明生成行车线的示意图。
图8为水平曲线元素示意图。
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。
实施例
请参阅图1，本发明提供了一种生成三维高清道路图水平弯道行车线的半自动点云方法，包括以下步骤：
S1、原始点云分块
原始测试移动激光扫描数据被分割成一系列数据块，每个数据块中的相应轮廓具有预定义的宽度。该步骤具体通过以下步骤实现：
S11、基于车辆轨迹的点云分析，将原始点云数据划分为指定宽度(Bg)的多个数据块，设置Bg在0.5m和2.0m之间；
S12、在每个数据块内，使用给定宽度(Pg)对相应的轮廓进行分段，其中Pg＝0.25m。
S2、生成伪扫描线并确定主点
每个轮廓被网格化以产生伪扫描线，然后在每个网格单元内选择主点。该步骤具体通过以下步骤实现：
包含在轮廓中的点云被投影到垂直于车辆前进方向的平面上，然后将每个轮廓网格化以生成伪扫描线，并相应地在网格单元内确定主点。为了选择每个网格单元中的主点，执行快速排序算法以通过考虑其高程属性来对该网格单元中的整个点云进行排序和排列。从高度最低点开始，计算两个相邻点的高度跳跃ΔEi(i＝1,2,3，...，N)，以将这些点划分为不同的层，其中N是每个网格单元中的点数。如果这两个点之间的高差不超过预定义的阈值ET(即ΔEi≤ET)，则两个连续点被分组成同一层。相反，如果高度差大于ET(即ΔEi>ET)，则建立一个新层来分割这两个点，设置ET＝0.05m。假设属于路面的3D激光点位于最低层，则通过识别最低层内具有最高高度的点来选择每个网格中的一个主点，同时滤除覆盖路面的绝大多数异常值(例如树木和公用设施点云)。
S3、确定和提取路缘点
通过分析高度阈值与斜率阈值来确定道路边缘点，然后从原始点云数据中提取路面。该步骤具体通过以下步骤实现：
首先，根据坡度检测车辆和路缘石等非道路点；
然后，借助于高度差从非道路点提取路边拐角；
根据许多国家的城市道路网设计和施工标准，路面遏制高度通常在5厘米到30厘米之间，则这两个观察结果在以下等式中定义：
其中Sslope表示两个连续相邻点的斜率，ST表示预定义的斜率阈值，ST>π/3，Hi是指定点与其相邻点的高程差，Hmin和Hmax表示最小和最大高度阈值,设置Hmin＝0.05m，Hmax＝0.3m。
S4、执行三次B样条插值算法以获得平滑的道路边缘
采用三次B样条插值算法将从所有伪扫描线导出的路缘点拟合为两条平滑的路边(如图2(a)所示)，根据提取的路边，从原始点云数据中提取与路面有关的点云(如图2(b)所示)。
S5、生成GRF强度特征图像(请参考图3所示)
为了检测和提取道路标记，执行反距离加权(IDW)插值方法从其最近的邻居内插像素的灰度值，以产生GRF强度特征图像。
尽管插值过程可能会降低精度，但通过使用现有的二维图像处理算法，可以大大提高计算效率，尤其对于大容量的MLS数据。由点密度确定的网格分辨率是存储IDW插值结果的关键参数。确定精细的网格分辨率可以提高道路标记提取的准确性和计算效率。网格尺寸越小，空间分辨率越高，数据量越大，细节越明显。
S6、采用多阈值分割算法来识别路标并去除噪声
采用多阈值分割算法来识别路标，并在PCL包中采用统计异常值去除滤波器(SOR)来去除噪声，提取结果请参照图4所示。该步骤具体通过以下步骤实现：
S61、根据扫描距离的范围进行动态多阈值分割算法，在各种扫描距离范围内确定和优化局部多阈值分割参数；
S62、为了克服车辆轨迹数据的变化，对提取的路面点进行逐块处理，每个数据块都有相应的配置文件。随后，对每个曲线的点密度进行统计分析，确定点密度分布近似于正态分布，因此高斯正态分布适合于获得两个有意义的参数：平均值μ1和标准偏差σ1。此外，生成的强度图像的强度变化遵循高斯分布的“68-95-99.7”规则；
S63、根据所生成的路面数据的车辆轨迹和估计道路宽度(D)，可以计算从车辆轨迹到道路左侧(DL)和道路右侧(DR)的距离。随后，在估计的平均μ1和标准偏差σ1的帮助下，确定高斯分布函数的1σ的范围(r)
S64、多阈值分割：采用Otsu阈值法识别分割路标。假设一个图像是双峰的，并且其照度是一致的，则通过分析表面材料的不同性质来计算双峰亮度。此外，生成的强度图像可以分为两类：作为前景的道路标记和其他(例如路面)作为背景。然后，相应地确定其累积概率和平均水平。通过选择最佳阈值来自动分割强度图像，以最小化类内方差；
S65、尽管所提出的多阈值分割可以有效地提取道路标记，但是不可避免地存在噪声(例如孤立点，异常值)，这会降低分割结果的准确性并影响道路标记的完整性。因此，为了使噪声的影响最小化，使用PCL包中的SOR滤波器来去除提取的道路标记点云中的噪声，提高道路标线的完整性(请参考图5所示)。算法原理如下：
(1)该算法从指定点pi定义最近的搜索点k(k＝20)的数量，并计算其从该定点到其邻居的相应距离。
(2)计算每个点pi(i＝1,2，...，Nm)到其邻居的平均距离di(i＝1,2，...，Nm)，其中Nm是指定点的总点数。
(3)假设所有点的计算平均距离的分布应适合于具有平均μ2和标准差σ2的高斯正态分布，将位于阈值间隔之外的点描述为噪声点，然后从道路标记点。
(4)根据高斯分布中的平均μ2和标准偏差σ2来确定阈值间隔。为了减少时间和空间复杂度，在生成的强度图像中提取道路标记之后应用所提出的图像去噪算法。
S7、利用条件欧几里得聚类方法将离散道路标记点分类(请参考图6所示)
从生成的强度图像中提取道路标记之后，采用条件欧几里得聚类方法，将离散道路标记点分类为一系列基于某一点与其最近邻居之间的距离的有组织的群集。该步骤具体通过以下步骤实现：
S71、首先，考虑到所产生的道路标记点云的点密度和分辨率，给出了预定义的欧氏距离阈值de。
S72、若欧氏距离di小于或等于de，则将两个相邻点分配到同一个群集中。否则，这两个点将被分组成不同的群集。条件欧氏聚类方法的原理如下：
(1)所有道路标记点首先被标记为非聚类点pi(i＝1,2，...，N)，其中表示非聚类点的总数。
(2)随机选择一个点pi作为起始点，并用聚类标识符pLabel分配pi。
(3)pi被定义为球体的中心，其中rc是该球体的半径。
(4)位于球形周边内的所有非聚类点都标记为聚类点，并分配给相同的聚类标识符pLabel作为点pi。
(5)这些聚集选择点作为起始点，以执行条件欧几里得聚类方法，然后重复执行相同的聚类模式。因此，该算法一致地将非聚类点标记为聚类点，并将它们分配给具有相同的聚类标识符pLabel，而这些非聚类点在特定的球面外围。如果在聚类点的球形周边内不能检测到更多的非聚类点，则该重复过程停止。
(6)从其余的非聚集点中选择一个新的起始点，然后执行相同的聚类模式，直到所有非聚集点被标记为聚类点。
(7)标记有相同类别标识符的点被分组到同一个集群中。
S8、使用聚类弯曲道路标记进行非线性最小二乘法曲线拟合
为了确定最佳拟合的数学函数并进一步实施曲线拟合，采用非线性最小二乘曲线拟合算法，使用聚类弯曲道路标记。通过最小化残差的平方和(即偏移量)，该算法能够从聚类道路标记中拟合大量的MLS点，然后对非线性模型进行近似，以构建平面B样条曲线水平曲线通过迭代优化。此外，根据道路设计规范，水平曲线通常设计和建造的曲率较小，以满足最小转弯半径的要求，为道路使用者提供了广阔的视野，降低了水平弯曲路段交通事故的风险。
该步骤具体通过以下步骤实现：
非线性最小二乘曲线拟合算法的原理如下所述：
在最小二乘拟合方法中定义的残差δi(i＝1,2,…,m)表示在本研究中所有聚集的道路标记点与期望的拟合曲线之间的偏移。随后，投影在XOY平面上的某个点pi(xi，yi)被赋予如下函数(基本曲线)：
yi＝f(xi)
其中i＝(1,2，...，m)是要拟合的聚类道路标记点的总数，执行该算法以确定最佳拟合数学函数(近似曲线)为：
yi＝g(xi)
那么，如果近似曲线和基本曲线之间的偏差和方程残差的平方被最小化，其表示为：
接下来，假定拟合多项式被呈现以使用以下等式来拟合所有数据点：
y＝a0+a1x+...+akxk
其中k表示多项式的次数，ak表示k次多项式的系数。然后，通过以下公式计算每个点与建议的多项式曲线之间的距离总和，即残差的平方和：
此外，残差的偏导数对于获得这些系数的值是必不可少的，这些系数用下面简化的矩阵描述：
因此，可以得到系数矩阵A＝[a0 a1 ... ak]T，然后确定聚类道路标记点的相应拟合曲线。
非线性最小二乘曲线拟合算法能够确定大量离散点的最佳拟合曲线。由于这种方法所使用的所有数据点都来自于聚集的道路标记(例如中心线和边缘线)，相关的道路设计和施工标准有助于提供用于计算曲线系数的有用道路信息(例如水平曲率)拟合多项式。此外，为了克服模糊的交通状况和不明确的视觉线索(如水平曲线的可视性差)的挑战，城市街道的水平曲率被调节为小于基于周围地形，道路特征等的预定义阈值(中国建设部，2012)。因此，大多数城市水平曲线都是以圆曲线和椭圆曲线的形式来设计的。在这项研究中，大多数生成的道路车道线，中心线和边缘线属于水平圆形曲线和椭圆曲线。在此基础上，曲线拟合过程既省时又有效。
S9、生成水平弯曲路段的行车线
该步骤具体通过以下步骤实现：
根据道路设计和施工标准，这些弯曲道路标线近似于水平圆形曲线或椭圆曲线。因此，在实现非线性最小二乘曲线拟合算法后，所生成的这些道路标记的最佳拟合数学函数为圆函数和椭圆函数的形式。接下来，根据现有的知识，生成的行车线应该与道路中心线和边缘线平行，以保证行车安全。另外，假定所产生的驱动线的曲率等于道路中心线或边缘线的曲率，然后这些水平曲线的中心应该是相同的。因此，基于该假设，驱动线的最佳拟合数学函数可以通过函数的调整相关系数(例如，水平曲线的半径和中心位置)有效地确定。因此，相关的水平曲线元素可以使用以下公式确定
结合图8所示，式中D是曲率；R是曲线半径；L是曲线长度(沿着中心线测量)；PC是曲率点，水平曲线的开始；PT是切点，水平曲线的结尾；PI是切线交点；Δ是曲线对角(PC到PT)；T是切线长度；M是中间坐标；LC是长弦长度(从PC到PT)；E是外部距离。从而可以获得所生成的最佳拟合水平曲线函数的每个元素(例如，曲率的程度和曲线的长度)。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。