[发明专利]一种基于车载激光扫描点云的城区道路标线自动分类方法

摘要

本发明公开了一种基于车载激光扫描点云的城区道路标线自动分类方法，包括以下步骤：S1、基于行车轨迹数据对原始点云数据进行路面分割，得到路面点云数据；S2、对所述路面点云数据进行二值化处理，并提取出道路标线点；S3、对所述道路标线点进行聚类，分离出彼此独立的道路标线目标；S4、根据所述道路标线目标的尺寸，分类出大尺度道路标线和小尺度道路标线；S5、对所述大尺度道路标线进行基于行车轨迹和路沿线的分类处理；S6、对所述小尺度道路标线进行基于深度学习和主成分分析的分类处理。本发明能够快速、准确地提取和分类出城区道路标线，大大降低了数据处理的时间及劳动成本，有效保证了交通的安全性和智能驾驶的可靠性。

主权项

一种基于车载激光扫描点云的城区道路标线自动分类方法，其特征在于，包括以下步骤：S1、基于行车轨迹数据对原始点云数据进行路面分割，得到路面点云数据；S2、对所述路面点云数据进行二值化处理，并提取出道路标线点；S3、对所述道路标线点进行聚类，分离出彼此独立的道路标线目标；S4、根据所述道路标线目标的尺寸，分类出大尺度道路标线和小尺度道路标线，将对角线长度大于8m的道路标线目标标记成大尺度道路标线，将对角线长度小于8m的道路标线目标标记成小尺度道路标线；S5、对所述大尺度道路标线进行基于行车轨迹和路沿线的分类处理，分类出停止线、中心线和边界线；S6、对所述小尺度道路标线进行基于深度学习和主成分分析的分类处理，分类出方向指示标记、行人警告标记、斑马线、中心线和边界线；所述步骤S1具体包括以下分步骤：S11、将原始点云数据沿行车轨迹的方向均匀分割成一组点云块；S12、对于每个点云块，沿垂直于行车轨迹的方向切分出一个点云剖片，并从点云剖片上提取路沿点；S13、对所有路沿点进行拟合，得到路沿线；S14、对原始点云数据沿路沿线进行分割，得到路面点云数据；所述步骤S2具体包括以下分步骤：S21、将所述路面点云数据沿行车轨迹向两侧以某一划分间隔划分成一组路面点云分片，采用OTSU二值化方法对每个路面点云分片分别进行二值化处理，并提取出道路标线点；S22、计算每个道路标线点的空间密度值，若某个道路标线点的空间密度值小于预先设定的噪声临界值时，则将其剔除；所述步骤S5具体包括以下分步骤：S51、对每个大尺度道路标线，若其包含多类道路标线，则执行步骤S52，若其只包含一种类型的道路标线，则将其直接记为道路标线单元；S52、对包含多类道路标线的大尺度道路标线进行基于体元的归一化分割，得到语义上独立的道路标线单元；S53、对每个道路标线单元进行采样，并计算采样点的分布特征，判断符合方向校验条件的采样点数量是否大于第一预设阈值，若是，则将该道路标线单元标记为停止线，若否，则执行步骤S54，所述方向校验条件为采样点的分布特征垂直于行车轨迹的方向；S54、计算道路标线单元上的采样点与路沿线的距离，判断符合位置校验条件的采样点数量是否大于第二预设阈值，若是，则将该道路标线单元标记为边界线，若否，则将该道路标线单元标记为中心线，所述位置校验条件为采样点到路沿线的距离小于1m；所述步骤S6具体包括以下子步骤：S61、利用深度学习方法训练一个包含两层隐藏层的深层波尔兹曼机，并将训练后的深层波尔兹曼机构造成一个多层的分类器；S62、以小尺度道路标线作为多层分类器的输入，多层分类器输出小尺度道路标线的类别信息，所述类别信息包含条状道路标线、方向指示标记、行人警告标记和其他道路标线；S63、对每一条状道路标线P，沿其宽度方向向两侧搜索宽度为wside＝1m的邻域，若其邻域内存在条状道路标线Q，则执行步骤S64，若该邻域内不存在条状道路标线Q，则执行步骤S65；S64、判断条状道路标线P与其邻域内的条状道路标线Q是否满足斑马线判定条件，若满足，则将该条状道路标线P标记为斑马线，若不满足，则执行步骤S65，所述斑马线判定条件为：(vp∥vq)∧(vp⊥vpq)∧(vq⊥vpq)其中，点p为条状道路标线P在XY平面内的几何中心，vp为点p的分布特征，点q为条状道路标线Q在XY平面内的几何中心，vq为点q的分布特征，vpq为点p到点q的方向向量；S65、沿条状道路标线P的长度方向向两侧搜索宽度为wend＝3m的邻域，若其邻域内存在条状道路标线Q，则判断条状道路标线P与其邻域内的条状道路标线Q是否满足间断线判定条件，若满足，则对条状道路标线P进行基于行车轨迹和路沿线的分类处理，将条状道路标线P标记为边界线或中心线，所述间断线判定条件为：(vp//vq)∧(vp//vpq)∧(vq//vpq)其中，点p为条状道路标线P在XY平面内的几何中心，vp为点p的分布特征，点q为条状道路标线Q在XY平面内的几何中心，vq为点q的分布特征，vpq为点p到点q的方向向量。