基于激光点云的车道线左右轮廓线交互式提取方法与流程

本发明高精度电子地图领域，特别涉及一种基于激光点云的车道线左右轮廓线交互式提取方法。

背景技术：

近年，自动驾驶技术快速发展。高精度电子地图作为自动驾驶汽车的必要传感器之一，为其提供高精度的车道级道路形状信息，poi信息，adas信息，拓扑信息等。其中道路和poi的形状、位置信息可以用于高精度的定位，并构建拓扑信息和adas信息。道路网的拓扑信息可以用于路径规划，道路与poi的拓扑信息可以用于沿途poi检索，adas信息用于高级驾驶辅助系统。目前高精度地图的道路和poi的形状、位置主要来自于激光点云的提取。激光点云是利用高精度的激光扫描技术，获取目标空间分布和表面特性的海量点的集合。基于激光点云的车道线左右轮廓线提取，是从激光点云中获取车道线的左右轮廓线形状特征点，这些特征点有序、具有真实的位置信息、数据量远远小于原始激光点云的数据量。

车道线采集是高精度电子地图制作过程中一个重要耗时的环节，也是保证地图延续激光点云的高精度的重要步骤。现有的基于激光点云的车道线提取方法，包括纯人工手动采集、将点云转换为图像，利用霍夫变换进行提取、将点云转换为图像，利用深度学习进行提取、基于点云反射强度过滤，再基于连通性识别进行提取等。纯人工手动采集的方法，相对于点云的平面精度高，但是由于采集形点间隔不确定，会引起高程精度的不确定性，且耗时较长，采集的车道线精度与作业人员的责任心有极大关联，成本较高。将点云转换为图像，再在图像上，使用传统的图像识别的边缘检测手段，利用霍夫变换提取车道线的方法，无法有效的应用于弯道上，且图像坐标和点云真实坐标互相转换时，存在一定程度上的精度损失。将点云转换为图像，再利用深度学习的方法提取车道线，对车道线的标注质量有强依赖，需要获取大量的样本，这些样本数据的制作需要大量的人工投入，且无法回避图像坐标和点云真实坐标互相转换时的精度损失问题。直接在点云上，基于反射强度过滤，再基于连通性识别进行提取的方法，获取的车道线在效果好的情况下，提供的是一个车道线宽的精度。

技术实现要素：

有鉴于此，本发明提出一种基于激光点云的车道线左右轮廓线交互式提取方法。

一种基于激光点云的车道线左右轮廓线交互式提取方法，其包括如下步骤：

s1、在激光点云作业平台上，手动指定n个车道线起点，n>＝1，选择手动引导采集或轨迹引导采集；在选择轨迹引导时需要源数据附带有和点云配套的轨迹数据作为引导点集；在选择手动引导采集时需再输入一个沿车道线延伸方向的引导点；

s2、每个起点处，分别依次执行s3～s6；

s3、查找距离起点最近的引导点，获取引导点航向，从起点沿航向向前，垂直航向向左和向右分别计算出左侧引导线和右侧引导线，将左侧引导线和右侧引导线连接成一个多边形，用该多边形分割点云；

s4、对分割后的点云，计算反射强度的概率分布，取一定概率的较大反射强度作为基准反射强度，用来过滤分割后的点云；

s5、遍历左侧引导线和右侧引导线上的形点，分别检索s4步骤得到的分割后点云上的最近点，获取一个车道线上左右侧轮廓线上的点对；结合基准反射强度和标准车道线宽对点对进行坐标的调整；

s6、若采集的车道线左右轮廓线形点数量为0，就结束当前起点对应车道线的计算，开始对下一个起点执行步骤s3～s6直到所有起点计算完毕；否则以当前采集的车道线左右轮廓线尾点对的中点，作为新的起点，继续计算，直到采集的车道线左右轮廓线形点数量为0，并结束当前起点对应车道线的计算，开始对下一个起点执行s3～s6直到所有起点计算完毕；若当前的引导方式为手动引导，则需要将已采集到的左右轮廓线点对的中点集合作为新的引导点集；

s7、对获取的各个车道线左右轮廓线进行平面和高程的平滑，再分别计算左右轮廓线长度，取可信度最高的车道线作为基准，将其他车道线首尾点的位置投影到该车道线上，并截取基准车道线较其他投影长的部分补齐到其他车道线尾端；

s8、计算各个车道线左右轮廓线的尾点的中心点，作为新的起点，执行s2直到各个起点计算出的车道轮廓线中最大长度小于预设长度时终止。

在本发明所述的基于激光点云的车道线左右轮廓线交互式提取方法中，

所述步骤s1包括：

s11、判断当前区域的激光点云是否存在配套的轨迹；若存在且车道线的线形与轨迹相似，即此处道路不存在车道扩充或者车道缩减，此处轨迹不存在变道的情况，选择轨迹引导车道线采集按钮进行轨迹引导采集；若不符合前述条件则选择手动引导车道线采集按钮进行手动引导采集；车道线为n，n>＝1；

s12、在为轨迹引导采集时，在激光点云每个车道线的白线内打一个点；在为手动引导采集时，在激光点云每个车道线的白线内打点，并在最后一个点所在的白线上，沿车道线延伸方向打一个点，并计算最后两个点的航向h。

在本发明所述的基于激光点云的车道线左右轮廓线交互式提取方法中，

所述步骤s3包括：

s31、以输入的起点作为基点p1，查找引导点里距离最近p1的一个引导点g1，获取引导点g1的航向h1；

s32、在p1处垂直航向h1向左和向右距离sd分别计算左侧参考点l1，右侧参考点r1；沿航向h1向前fd计算下一个基点p2，查找引导点里距离最近p2的一个引导点g2，获取引导点g2的航向h2；

s33、按s32的做法依次沿引导点向前执行m次，获得左侧引导线形点l1～lm，右侧引导线形点r1～rm；并将左侧引导线形点按顺序，右侧引导线形点按反序连接在一起，构建多边形polygon；

s34、调用pcl点云处理库，使用polygon分割点云，得到点云polygonpc。

在本发明所述的基于激光点云的车道线左右轮廓线交互式提取方法中，

所述步骤s4包括：

s41、遍历polygonpc的每一个点，统计反射强度在每一个间隔为interval的区间内的数量，除以点的总数，即每个反射强度区间内的概率值；按照统计值，获取概率最大区间，即为道路上非车道线点云的反射强度，取反射强度最大区间起始值为最大反射强度maxi，由反射强度最大区间向最小区间查找，第一个概率大于prob的区间认定为车道线点云的反射强度whitei，取whitei和基点p1的反射强度的较大值作为基准反射强度basei；

s42、调用pcl点云处理库，使用下限basei，上限maxi，对polygonpc进行反射强度的过滤，得到点云intensitypc。

在本发明所述的基于激光点云的车道线左右轮廓线交互式提取方法中，

所述步骤s5包括：

s51、遍历左侧引导线上的形点l1～lm，调用pcl，使用kdtreeflann检索intensitypc上三维空间内的最近点pl1～plm；遍历右侧引导线上的形点r1～rm，调用pcl，使用kdtreeflann检索intensitypc上三维空间内的最近点pr1～prm；

s52、计算点对(pli,pri)，其中i＝1～m，的距离lrwidth，如果lrwidth小于标准车道线宽stdwidth，则计算pli,pri的中心点ci，查找距离ci最近的引导点的航向hi，向垂直航向的左和右分别计算calcpli,calcpri；令pli＝calcpli，pri＝calcpri；

s53、计算pli,pri的中心点ci，若ci的反射强度小于车道线反射强度whitei，则比较pli,pri的反射强度值，若pli的反射强度小于pri的反射强度，则将pli，pri两点向pri的方向移动wdist；若pli的反射强度大于pri的反射强度，则将pli，pri两点向pli的方向移动wdist。

在本发明所述的基于激光点云的车道线左右轮廓线交互式提取方法中，

所述步骤s6包括：

s61、若采集的车道线左右轮廓线形点数量为0，就结束当前车道线的计算，并开始对下一个起点执行步骤s3～s6直到所有起点计算完毕；否则执行s62；

s62、若当前的引导方式为手动引导，则将已采集到的左右轮廓线点对的中点集合作为装入引导点集；若引导方式为轨迹引导，则不需要；

s63、计算当前采集的车道线左右轮廓线尾点对plm,prm的中点cm，将cm作为新的起点，执行s3～s5，直到采集的车道线左右轮廓线形点数量为0，结束当前车道线的计算，并开始对下一个起点执行步骤s3～s6直到所有起点计算完毕。

在本发明所述的基于激光点云的车道线左右轮廓线交互式提取方法中，

所述步骤s7包括：

s71、对获取的各个车道线执行步骤s72；

s72、遍历车道线上的形点，从第二个形点开始，计算与其邻近的上一个形点的平面距离，若小于mindist则剔除当前形点；

s73：遍历s72处理的结果，从第二个形点开始，计算与其邻近的上一个形点，下一个形点分别组成的向量的夹角，若不在区间[π-θ,π+θ]以内，则剔除当前形点；

s74：遍历s73处理的结果，从第二个形点开始，计算与其邻近的上一个形点的z值差，若差值大于zthreshold，则修改当前形点的z，使得差值为zthreshold；

s75：计算各左侧车道线轮廓线的长度，取其中最长的一条为基准线，计算其他车道线的尾点到基准线的投影点，以投影点分割基准线，获取投影点到基准线尾部之间的部分，加上投影点与原尾点的坐标偏移量，拷贝到原车道线尾部。

实施本发明提供的基于激光点云的车道线左右轮廓线交互式提取方法与现有技术相比具有以下有益效果：使用了pcl点云开源库来进行点云的快速运算，可以保证点云运算的高效性，并且不需要将点云转换为图像，可以回避点云与图像互相转换时的精度损失问题。且车道线的左右轮廓线，是反射强度特征变化明显的位置，提取左右轮廓线，对于保证车道线与点云的相对位置有重要意义。

附图说明

图1是基于激光点云的车道线左右轮廓线交互式提取方法流程图；

图2是车道线左右轮廓线及形点示意图；

图3是用户输入点及轨迹引导点示意图；

图4是用户输入点及手动引导点示意图；

图5点云分割多边形及左右侧参考点示意图；

图6是点云上多条车道线左右轮廓线示意图；

图7是车道线左右轮廓线形点微调计算示意图。

具体实施方式

如图1至7所示，一种基于激光点云的车道线左右轮廓线交互式提取方法，其包括如下步骤：

s1、在激光点云作业平台上，手动指定n个车道线起点，n>＝1，选择手动引导采集或轨迹引导采集；在选择轨迹引导时需要源数据附带有和点云配套的轨迹数据作为引导点集；在选择手动引导采集时需再输入一个沿车道线延伸方向的引导点；

s2、每个起点处，分别依次执行s3～s6；

s3、查找距离起点最近的引导点，获取引导点航向，从起点沿航向向前，垂直航向向左和向右分别计算出左侧引导线和右侧引导线，将左侧引导线和右侧引导线连接成一个多边形，用该多边形分割点云；

引导点与相邻下一个引导点构成的向量与正北方向的夹角，即为引导点航向。

s4、对分割后的点云，计算反射强度的概率分布，取一定概率的较大反射强度作为基准反射强度，用来过滤分割后的点云；

一定概率中概率小于50％。

s5、遍历左侧引导线和右侧引导线上的形点，分别检索s4步骤得到的分割后点云上的最近点，获取一个车道线上左右侧轮廓线上的点对；结合基准反射强度和标准车道线宽对点对进行坐标的调整；

s6、若采集的车道线左右轮廓线形点数量为0，就结束当前起点对应车道线的计算，开始对下一个起点执行步骤s3～s6直到所有起点计算完毕；否则以当前采集的车道线左右轮廓线尾点对的中点，作为新的起点，继续计算，直到采集的车道线左右轮廓线形点数量为0，并结束当前起点对应车道线的计算，开始对下一个起点执行s3～s6直到所有起点计算完毕；若当前的引导方式为手动引导，则需要将已采集到的左右轮廓线点对的中点集合作为新的引导点集；

s7、对获取的各个车道线左右轮廓线进行平面和高程的平滑，再分别计算左右轮廓线长度，取可信度最高的车道线作为基准，将其他车道线首尾点的位置投影到该车道线上，并截取基准车道线较其他投影长的部分补齐到其他车道线尾端；

高程是指从激光点云中获取的轮廓线的z值。可信度最高是指取长度最长的车道线作为基准。

s8、计算各个车道线左右轮廓线的尾点的中心点，作为新的起点，执行s2直到各个起点计算出的车道轮廓线中最大长度小于预设长度时终止。预设长度可以为小于1m。

在本发明所述的基于激光点云的车道线左右轮廓线交互式提取方法中，

所述步骤s1包括：

s11、判断当前区域的激光点云是否存在配套的轨迹；若存在且车道线的线形与轨迹相似，即此处道路不存在车道扩充或者车道缩减，此处轨迹不存在变道的情况，选择轨迹引导车道线采集按钮进行轨迹引导采集；若不符合前述条件则选择手动引导车道线采集按钮进行手动引导采集；车道线为n，n>＝1；相似是指规律与点云上的车道印刷线平行。

s12、在为轨迹引导采集时，在激光点云每个车道线的白线内打一个点；在为手动引导采集时，在激光点云每个车道线的白线内打点，并在最后一个点所在的白线上，沿车道线延伸方向打一个点，并计算最后两个点的航向h。

在步骤s12中白线内打一个点是起点，手动引导采集时，除最后一个沿着车道线延伸方向的点，其余均有起点和引导点的双重作用。沿车道线延伸方向打的点和最后一个沿着车道线延伸方向的点用来计算航向h。赋值给每一个起点。每个起点就有了航向属性。

在本发明所述的基于激光点云的车道线左右轮廓线交互式提取方法中，

所述步骤s3包括：

s31、以输入的起点作为基点p1，查找引导点里距离最近p1的一个引导点g1，获取引导点g1的航向h1；

s32、在p1处垂直航向h1向左和向右距离sd分别计算左侧参考点l1，右侧参考点r1；沿航向h1向前fd计算下一个基点p2，查找引导点里距离最近p2的一个引导点g2，获取引导点g2的航向h2；

s33、按s32的做法依次沿引导点向前执行m次，获得左侧引导线形点l1～lm，右侧引导线形点r1～rm；并将左侧引导线形点按顺序，右侧引导线形点按反序连接在一起，构建多边形polygon；

s34、调用pcl点云处理库，使用polygon分割点云，得到点云polygonpc。

在本发明所述的基于激光点云的车道线左右轮廓线交互式提取方法中，

所述步骤s4包括：

s41、遍历polygonpc的每一个点，统计反射强度在每一个间隔为interval的区间内的数量，除以点的总数，即每个反射强度区间内的概率值；按照统计值，获取概率最大区间，即为道路上非车道线点云的反射强度，取反射强度最大区间起始值为最大反射强度maxi，由反射强度最大区间向最小区间查找，第一个概率大于prob(可选地，prob取值为10％)的区间认定为车道线点云的反射强度whitei，取whitei和基点p1的反射强度的较大值作为基准反射强度basei；

s42、调用pcl点云处理库，使用下限basei，上限maxi，对polygonpc进行反射强度的过滤，得到点云intensitypc。

在本发明所述的基于激光点云的车道线左右轮廓线交互式提取方法中，

所述步骤s5包括：

s51、遍历左侧引导线上的形点l1～lm，调用pcl，使用kdtreeflann检索intensitypc上三维空间内的最近点pl1～plm；遍历右侧引导线上的形点r1～rm，调用pcl，使用kdtreeflann检索intensitypc上三维空间内的最近点pr1～prm；

s52、计算点对(pli,pri)，其中i＝1～m，的距离lrwidth，如果lrwidth小于标准车道线宽stdwidth，则计算pli,pri的中心点ci，查找距离ci最近的引导点的航向hi，向垂直航向的左和右分别计算calcpli,calcpri；令pli＝calcpli，pri＝calcpri；

s53、计算pli,pri的中心点ci，若ci的反射强度小于车道线反射强度whitei，则比较pli,pri的反射强度值，若pli的反射强度小于pri的反射强度，则将pli，pri两点向pri的方向移动wdist；若pli的反射强度大于pri的反射强度，则将pli，pri两点向pli的方向移动wdist。

在本发明所述的基于激光点云的车道线左右轮廓线交互式提取方法中，

所述步骤s6包括：

s61、若采集的车道线左右轮廓线形点数量为0，就结束当前车道线的计算，并开始对下一个起点执行步骤s3～s6直到所有起点计算完毕；否则执行s62；

s62、若当前的引导方式为手动引导，则将已采集到的左右轮廓线点对的中点集合作为装入引导点集；若引导方式为轨迹引导，则不需要；

s63、计算当前采集的车道线左右轮廓线尾点对plm,prm的中点cm，将cm作为新的起点，执行s3～s5，直到采集的车道线左右轮廓线形点数量为0，结束当前车道线的计算，并开始对下一个起点执行步骤s3～s6直到所有起点计算完毕。

在本发明所述的基于激光点云的车道线左右轮廓线交互式提取方法中，

所述步骤s7包括：

s71、对获取的各个车道线执行步骤s72；

s72、遍历车道线上的形点，从第二个形点开始，计算与其邻近的上一个形点的平面距离，若小于mindist则剔除当前形点；mindist为当前点到上一个邻近点的距离小于给定阈值时，剔除当前点，可选地，mindist取值可以为1m。

s73：遍历s72处理的结果，从第二个形点开始，计算与其邻近的上一个形点，下一个形点分别组成的向量的夹角，若不在区间[π-θ,π+θ]以内，则剔除当前形点；π是圆周率，θ是一个角度阈值。取值可以为π/6。向量的夹角指当前点与前后两个邻近点组成的向量，夹角超过给定阈值时，认为此处线形有尖角，则剔除当前点。

s74：遍历s73处理的结果，从第二个形点开始，计算与其邻近的上一个形点的z值差，若差值大于zthreshold，则修改当前形点的z，使得差值为zthreshold；zthreshold是一个z值的阈值。当前点与上一个邻近点的z值，超过给定阈值时，修改当前点的z值。

s75：计算各左侧车道线轮廓线的长度，取其中最长的一条为基准线，计算其他车道线的尾点到基准线的投影点，以投影点分割基准线，获取投影点到基准线尾部之间的部分，加上投影点与原尾点的坐标偏移量，拷贝到原车道线尾部。

本发明实施例采取交互式自动提取的方法，是因为现有的全自动提取的方法尚未能在工程项目中大规模的应用起来。道路千变万化，有人工干预的自动提取方法，可以简化车道线提取的运算复杂度，并且辅以灵活的ui交互，可以方便作业员在算法检测效果不理想的位快速修改，实现了人工与算法的高效结合，可以更好的处理实际高精度地图生产中遇到的各种路况。本发明使用了pcl点云开源库来进行点云的快速运算，可以保证点云运算的高效性，并且不需要将点云转换为图像，可以回避点云与图像互相转换时的精度损失问题。且车道线的左右轮廓线，是反射强度特征变化明显的位置，提取左右轮廓线，对于保证车道线与点云的相对位置有重要意义。

可以理解的是，对于本领域的普通技术人员来说，可以根据本发明的技术构思做出其它各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。