[发明专利]一种基于K-Means的道路彩色激光点云中道路标线的提取方法

说明书

本发明公开了一种基于K‑Means的道路彩色激光点云中道路标线的提取方法，该方法如下：将输入的道路相关的彩色激光点云数据，提取出X、Y、Z、R、G、B六个属性值，进行数据清洗，在XYZ坐标空间进行三维和二维邻域搜索，按照平均高程差筛选出道路点云，按照其RGB色彩空间进行归一化处理，以其R、G、B三个特征值作为三个空间维度，运用K‑Means聚类算法，对道路彩色激光点云数据进行分类，得到道路的道路标线点。本发明提出在道路彩色激光点云的RGB色彩空间进行K‑Means聚类，自动提取出精准的道路标线点，具有较高的覆盖率。

技术领域

本发明涉及车载激光点云数据处理，尤其涉及一种基于K-Means的道路彩色激光点云中道路标线的提取方法。

背景技术

在道路安全评价及仿真领域，车载激光点云测量系统已经得到了广泛的应用。基于360°全景照片制作的实景场景，使得道路环境可视化更加真实，而道路彩色激光点云数据的匹配融合，则造就了道路可视化环境的可量测。在这其中，道路中标线的提取有助于在可量测的360°实景中进行贴图、分析以及安全评价。然而，目前的点云数据格式不一，大多数需要依赖昂贵的测量设备，从设备的设计上着手设计足够多的获取参数，这增加了问题的复杂度。快速有效的从点云的常规数据中提取出道路标线数据，成为当下亟待解决的问题。

目前针对道路标线的提取大致可以分为两类：一类是以点云的反射强度信息为基础，辅助设计一些其他方法结合起来进行提取。例如文献1(参见：李明辉,田雪冬,胡维强.基于车载三维激光扫描的道路线提取研究[J])中提出了利用点云数据空间分布特征和反射强度信息，结合道路标线的几何特征，对道路标识进行提取，但是该方法对点云连续性要求比较高，需要手动设置一些经验参数，相对复杂。

第二类是以多阈值的条件约束方法，对道路标线进行提取。例如文献2(参见：Yongtao Yu,Jonathan Li.Learning hierarchical features for automatedextraction of road markings from 3-D mobile LiDAR point clouds[J])中提出了一种基于约束、多阈值和空间密度过滤的方法，对道路标线进行提取。这种方法一次性提取的道路线会有很多杂点，需要设置空间密度阈值进滤波。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于K-Means的道路彩色激光点云中道路标线的提取方法，该方法简单实效，抗干扰性强，能有效提高提取的精度。

本发明解决其技术问题所采用的技术方案是：一种基于K-Means的道路彩色激光点云中道路标线的提取方法，包括以下步骤：

1)采集道路大场景彩色激光点云数据，对采集的道路大场景彩色激光点云数据进行属性选取，选取其中的基本属性值X(对应纬度)、Y(对应经度)、Z(对应高程)、R、G、B，并进行数据清洗；

2)对清洗后的彩色激光点云数据，在三维空间对每个点的领域进行搜索，进行高程差过滤，得到点的领域内高程变化较低的点，然后将点投影到XOY平面，在二维平面对每个点进行领域搜索，得到点的二维领域内高程差变化较低的点(变化小于设定值的点)，即得到了路面彩色点云；

3)对路面彩色点云数据的R、G、B三个属性值分别归一化处理；

4)以R、G、B三个属性值为三个空间维度，运用K-Means算法对点云进行聚类，得到道路标线点。

按上述方案，所述步骤1)中数据清洗为删除缺少任一一个属性值的点数据。

按上述方案，所述步骤2)中，首先建立点云数据的K-D树三维检索数据结构，加快搜索速度，在三维空间针对点进行K个近邻进行搜索，计算每个邻近点和主点之间的高程差，然后取平均值，计算公式如下：