基于车载激光点云的非结构化道路边界线自动提取方法

摘要

本发明提供一种基于车载激光点云的非结构化道路边界线自动提取方法，包括扫描线分割，拓扑关系网构建，采用移动窗口法获取地面点，通过K最近邻聚类方法进行分簇，依据点簇中激光点的个数剔除伪地面点簇，获取路面激光点云数据；路面激光点云数据的外轮廓点设定为道路边界线的位置所在，对每条扫描线进行外轮廓边界点提取，取每条扫描线内距离最远的两个地面点，最终获取道路两侧的外轮廓点；进行聚类分析，获取道路左侧轮廓点集及右侧轮廓点集；边界线追踪优化获取最优边界线。本发明直接基于激光点云数据快速实现非结构性道路及道路边界的提取，为非结构化道路边界线自动提取提供了有效的解决方案，提高了道路边界线自动化提取程度。

说明书

技术领域

本发明属于测绘地理信息建设领域，特别是涉及到一种基于车载激光点云的非结构化道路边界线自动提取方法。

背景技术

道路边界信息作为当前测绘地理信息建设的重要组成部分之一，其精细、精确、高效、快速的自动提取技术对于无人驾驶、智慧交通、智能导航、三维地图等新技术、新方向、新领域的快速发展至关重要。道路边界线自动提取包括两种，第一种为结构化道路边界线的自动提取，第二种为非结构化道路边界线的自动提取。针对第一种道路边界线的自动提取，直接将结构化道路自身所有的路缘石或马路牙子作为边界线的附属位置，将道路边界线提取转换为道路路缘石的自动提取即可获取道路边界线的三维信息，目前已有研究者提出相关的提取算法。但是针对第二种道路边界线的自动提取则较困难，因为非结构化道路边界不存在路缘石或马路牙子，道路两侧为戈壁、土地、或草地，没有明显的道路边界附属物可供参考，例如乡村道路，故第二种道路边界线的自动提取具有一定的挑战性，也是当前道路边界线提取的难点所在。

针对非结构道路边界线的自动提取，本专利基于移动测量系统所获取的激光点云来实现道路边界线的自动提取。基于激光点云数据进行道路边界线的自动提取包括两类方法，一种方法为点云转换为特征图像，基于图像处理的一些方法来实现道路边界线的自动提取，另一种为直接基于激光点云数据进行道路边界线的自动提取。目前针对绝大多数道路边界线的自动提取均是基于结构性道路，尤其是规则化的城市道路，对于结构化道路边界线的提取一般采用斜率、点云密度、高差、坡度等参数即可实现。但针对非结构道路边界线的自动提取，Pankaj Kumar等人通过将激光点云转换为特征图像采用参数化主动轮廓模型及图像处理等方法进行提取，基于坡度、脉冲宽度、反射强度等参数实现道路两侧为草地的非结构化道路边界线的自动提取，并且乡村道路的提取结果的准确率较低。基于点云转换的特征图像进行提取的方法精度有损耗，因为在三维点云转换成二维图像的过程中，不可避免的存在数据内插，内插过程直接导致了数据精度的损耗及降低。目前还没有实现直接采用激光点云数据进行非结构化道路边界线的自动提取。

发明内容

本发明基于现有技术缺陷，实现了一种基于车载激光点云的非结构化道路边界线自动提取方法。

本发明提供的技术方案是一种基于车载激光点云的非结构化道路边界线自动提取方法，包括以下步骤：

步骤1，扫描线分割，包括将外业采集获取的激光点云数据依据相邻点间的角度差值或者GPS时间差值分割扫描线；

步骤2，拓扑关系网构建，包括基于分割之后的扫描线，对激光点集构建最近邻的拓扑关系网；

步骤3，采用移动窗口法获取地面点，包括采用高程差之和衡量地面粗糙度的衡量标准，获取窗口内每个邻近点与当前激光点的高程差值之和∑，如果∑小于相应预设阈值，并且满足在预定的高程范围之内，则认为当前激光点为地面点，如果大于相应预设阈值，则认为当前激光点为非地面点；

步骤4，聚类分析，包括基于获取的地面点，通过K最近邻聚类方法进行分簇，依据点簇中激光点的个数剔除伪地面点簇，获取路面激光点云数据；

步骤5，外轮廓点获取，包括将路面激光点云数据的外轮廓点设定为道路边界线的位置所在，对每条扫描线进行外轮廓边界点提取，取每条扫描线内距离最远的两个地面点，最终获取道路两侧的外轮廓点；

步骤6，剔除伪轮廓点，包括基于步骤5所获取的外轮廓点进行聚类分析，获取道路左侧轮廓点集及右侧轮廓点集；

步骤7，边界线追踪优化获取最优边界线，包括基于步骤6中获取的道路边界点，将点连接成线，并进行优化，获取最终高精度的道路边界线。

而且，步骤1中，依据相邻点间的角度差值或者GPS时间差值分割扫描线，实行如下，

GPStime(P_i+1)-GPStime(P_i)＞ΔT(2)

其中，P_i表示当前激光点、下标i表示第i个激光点，分别表示第i个激光点与下一个i+1激光点的扫描角度，GPStime(P_i)、GPStime(P_i+1)分别表示第i个激光点与下一个i+1激光点的GPS时间，Δθ表示相邻激光点的扫描角度之差的阈值，ΔT表示相邻激光点的时间差的阈值。

而且，步骤2中，对激光点集构建最近邻的拓扑关系网时，构建规则为，同一条扫描线上，当前激光点的上一个激光点与下一个激光点定义为当前扫描线的最优邻近点；相邻扫描线之间，定义距离当前激光点欧几里得空间距离最近的点为最优邻近点。

而且，步骤3中，移动窗口尺寸为5×5。

而且，步骤6中，采用均方误差控制的方法进行剔除非边界点，对于相邻扫描线的同侧轮廓点均方误差限定在一定范围之内，如果超过该误差，则认为是伪轮廓点并进行剔除，将剔除之后的同侧轮廓点进行依次连接，获取初始的道路边界线。

而且，步骤7中，采用B-样条差值的方法进行优化处理，获取最终高精度的道路边界线。

针对道路边界线的提取，一些研究者只是针对具有马路牙子的道路边界线信息提出了一些研究方法，但是并没有直接基于激光点云对不含马路牙子且没有明显道路边界附属物的非结构化乡村道路路边线的提取研究，本专利直接基于激光点云数据快速实现非结构性道路及道路边界的提取，并且提取的完整性及准确度均可高达94％以上，同时本专利不仅为非结构化道路边界线自动提取提供了有效的解决方案，而且也提高了道路边界线自动化提取程度，提高了作业效率节省了工作成本，具有重要的市场价值。

附图说明

图1为本发明实施例的整体流程图。

具体实施方式

以下结合附图和实施例详细说明本发明技术方案。

参见图1，本发明实施例提供的基于车载激光点云的非结构化道路边界线自动提取方法包括路面信息提取及路面最优轮廓线提取两个关键性步骤。

第一步：路面信息提取

车载激光点云数据具有海量特性，直接对海量离散三维点云进行处理不仅会造成数据处理过程耗时、繁琐，而且也会造成计算过程对硬件条件要求较高，从而导致硬件成本增高。路面信息提取首先需要对激光点云数据进行预处理，构建点集间的空间拓扑关系，以便于后续激光点云数据的自动提取。故路面信息提取的关键环节即构建拓扑关系网，搜寻每个激光点在相邻扫描线中的最优邻近点。基于预处理中构建的拓扑关系网即可采用移动窗口法实现道路路面信息的自动提取。

(1)预处理

首先进行扫描线分割。

进一步地，将外业采集获取的激光点云数据依据相邻点间的角度差值或者GPS时间差值来分割扫描线，计算采用公式(1)或者公式(2)，其中角度差值阈值与GPS时间差值阈值可以通过随机抽取少量点云样本，生成显示连续激光点的角度或者GPS时间差的曲线图得到，例如激光点的角度范围为[A1,A2]，则角度阈值为(360-A2+A1)。

然后，进行拓扑关系网构建，基于分割之后的扫描线，依据拓扑关系网构建规则对激光点集构建最近邻的拓扑关系网。

进一步地，所搜每个点在相邻扫描线的欧几里得距离最近的点，并将其作为当前激光点的邻近点。点集间这种空间拓扑关系的构建是路面信息提取的依据。

实施例中，为了实现海量点云数据的有效组织管理，本专利采用相邻扫描线间的空间拓扑关系来建立海量点云的索引关系。由于移动测量系统获取激光点云数据采用的线性扫描，并且相邻扫描线间会出现具有一定规律的时间跳跃与角度跳跃现象，故可依据该现象实现激光点云数据的有效分割。如公式1与公式2所示，如果两个相邻激光点的角度差或GPS时间差超过一定的限值，即可认为这两个点一个为当前扫描线的末尾点与下一条扫描线的起始点。

GPStime(P_i+1)-GPStime(P_i)＞ΔT(2)

其中，P_i表示当前激光点、下标i表示第i个激光点、分别表示第i个激光点与下一个i+1激光点的扫描角度，GPStime(P_i)、GPStime(P_i+1)分别表示第i个激光点与下一个i+1激光点的GPS时间，Δθ表示相邻激光点的扫描角度之差的阈值，ΔT表示相邻激光点的时间差的阈值。

基于分割之后的扫描线，建立相邻扫描线间的激光点间的空间拓扑关系，构建规则定义如下：同一条扫描线上，当前激光点的上一个激光点与下一个激光点定义为当前扫描线的最优邻近点；相邻扫描线之间，定义距离当前激光点欧几里得空间距离最近的点为最优临近点，即最优邻近点。基于扫描线的搜索加快了激光点间的空间关系的构建，构建之后的激光点云数据，可用快速获取每个激光点的最优邻近点，基于这些最优邻近点可加速实现路面信息的提取。

(2)路面信息提取

对于非结构性道路信息提取，本专利基于地面粗糙度的方法来实现，针对路面相对于两侧的草地、戈壁、沙滩等地面的粗糙度较低，故可将粗糙度作为分割路面信息与非路面信息的理论依据以实现路面信息的自动提取。

采用移动窗口法获取地面点，地面粗糙度的衡量标准采用高程差之和来衡量，采用公式(3)获取窗口内每个邻近点与当前激光点的高程差值之和(∑)，如果∑小于预设阈值，并且满足公式(4)在一定的高程范围之内，则认为当前激光点为地面点，如果大于预设阈值，则认为当前激光点为非地面点。

其中，路面粗糙度的衡量标准采用当前激光点与周围邻近点的高差之和来衡量，如果高差之和小于给定阈值，并满足在一定的高程范围之内，则认为该点为地面点，否则该点为非地面点。实施例中，移动窗口尺寸为5×5。将当前点与周围24个点共同组建一个5×5的近似方阵，

其中，Z为激光点高程值，下标P₀表示当前点，下标P_i表示周围邻近点，Δz表示高差阈值，z₁与z₂为激光所处位置的高程最小值与最大值，基于公式3获取所有平面信息点集，包括路面点、车顶平面点等，故需要采用公式4通过限制高差来剔除地面平面信息，获取道路路面信息。

第二步：最优轮廓线提取

由于路面粗糙度相对于道路两侧的附属地物的粗糙度较低，故可以基于第一步所述方法快速获取的路面信息，而道路边界线的提取即基于第一步所提取的路面信息提取道路路面的最优外轮廓线。提取步骤包括：聚类分析、获取外轮廓点、剔除杂点、边界线追踪及优化。

聚类分析：基于第一步所获取的路面信息提取结果中，不仅包括道路路面激光点，而且还有零星散布的非地面点，这些点位于道路同一高程范围内，并且粗糙度与道路路面近似，故需要进行聚类分析，剔除非地面点，其中聚类分析采用K最近邻点分析方法进行聚类获取点簇，并将零散的伪地面点通过点个数进行剔除。具体实施时，本领域技术人员可以预设相应点数阈值，实施例中，如果点簇个数小于15个，则认为该点簇为伪地面点进行剔除，保留路面激光点集。

获取外轮廓点：经过聚类分析之后，保留的点为路面信息点，此时将路面点的外轮廓认为是道路边界的所在位置，故在每条扫描线中地面点距离最大的两个点，认为是道路两侧边界点，在处理过程中，依次获取每条扫描线中距离最大的两个点，将这些轮廓点作为候选道路边界轮廓点。

剔除伪轮廓点：基于上一步所获取的外轮廓点，对这些点集再次进行聚类分析，获取道路左侧轮廓点集及右侧轮廓点集。由于在数据采集过程中车辆、行人遮挡的现象会导致数据缺失，从而造成地面点缺失，候选轮廓点中会包含伪轮廓点，本专利采用均方误差控制的方法进行剔除非边界点，对于相邻扫描线的同侧轮廓点均方误差限定在一定范围之内，具体实施时本领域技术人员可以预设相应误差范围，如果超过该误差，则认为是伪轮廓点并进行剔除，将剔除之后的同侧轮廓点进行依次连接，获取初始的道路边界线。

边界线追踪优化：由于初始轮廓线中的点比较密集，故造成线条不够光滑，故对初始轮廓线采用B-样条差值的方法进行优化，以获取最优的道路边界线。B-样条差值的方法为现有技术，本发明不予赘述。

本发明技术方案可采用计算机软件方式支持自动运行流程。

本文中所描述的具体实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。