[发明专利]基于激光点云的车道线左右轮廓线交互式提取方法

说明书

本发明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，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；S2、每个起点处，分别依次执行S3～S6；S3、用该多边形分割点云；S4、过滤分割后的点云；S5、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。

技术领域

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。

发明内容

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；