CN116153057A

CN116153057A - 基于激光雷达点云估算车道宽度的方法

Info

Publication number: CN116153057A
Application number: CN202211106440.6A
Authority: CN
Inventors: 刘诚; 李金阳; 孙远升
Original assignee: Northeast Forestry University
Current assignee: Northeast Forestry University
Priority date: 2022-09-12
Filing date: 2022-09-12
Publication date: 2023-05-23

Abstract

本发明请求保护一种基于激光雷达点云估算车道宽度的方法，属于车道识别算法的技术领域。包括以下步骤：首先，利用车辆轨迹视图数据提取路面；其次，通过识别高强度的点，沿着路面提取车道标记，推导出它们的中心线，用于估计车道宽度；然后，中心线的点在沿着、穿过道路方向聚集，识别出不明确的车道标记；最后，分类为正常的车道标记用于车道宽度估计。本发明以精确的激光雷达点云轨迹视图数据提取路面，进而识别车道标记，得到车道标记中心线来估计车道宽度，具有实时简单、估计准确、不受到车道标记磨损影响的优势。

Description

基于激光雷达点云估算车道宽度的方法

技术领域

本发明涉及车道识别算法的技术领域，具体是一种基于激光雷达点云估算车道宽度的方法。

背景技术

数字地图包括道路标记、车道宽度、坡度、曲率、斜面、路肩宽度和路肩障等道路特征，其中道路宽度对驾驶员辅助系统、道路安全检查、减少交通事故和基础设施监测有重要作用。在实际中，工作区域内的车道标记需要经常改变，改变车道标记的一种常见方法是在现有的车道标记上重新粉刷，并用新的标记替换那些标记。然而，在某些情况下，这种改变可能导致由于地面车道标记不当而导致不符合车道宽度或出现模糊标记的区域，使车道宽度评估是道路安全检查的关键之一，特别是在车道宽度较窄会导致道路容量减少并增加严重事故概率的工作区域，因此需要经常对其进行检测。但手动现场数据收集是一项昂贵、耗时和劳动密集型的任务，此外，它还可能使现场工作人员暴露于危险的道路交通之中。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中车道宽度估计困难，车道标记识别困难的问题，从而提供一种安全、经济有效的、快速收集路面详细信息的，基于激光雷达点云估算车道宽度的方法。

为解决上述技术问题，本发明的一种基于激光雷达点云估算车道宽度的方法，包括如下步骤：首先，利用车辆轨迹视图数据提取路面。接下来，通过识别高强度的点，沿着路面提取车道标记，推导出它们的中心线，用于估计车道宽度。接下来，中心线的点在沿着、穿过道路方向聚集，识别出不明确的车道标记，可能会出现激光雷达点云中模糊的车道标记。最后，分类为正常的车道标记用于车道宽度估计。

进一步的，本发明的道路表面提取过程为：轨迹视图数据记录了车辆的位置和方向信息，利用轨迹视图数据、IMU高度以及预先定义的高度缓冲区，可以得到与路面相关的激光雷达点云。首先，通过设置一个高度阈值(h_IMU)，其等于从IMU车身框架到路面的预期正常距离，由此来提取路面点。这个阈值可以通过随机选择一个轨迹视图数据点，搜索最接近(X， Y)坐标和最小Z坐标的激光雷达点(P_i)使其自动导出；然后对P_i进行k-最近邻搜索来定义一个路面，并采用平面拟合的方法估计路面参数；最后以轨迹视图数据点与拟合平面之间的法线距离，可以得到高度阈值。除了h_IMU，路面提取还需要一个额外的高度缓冲(h_buff)，用于确保适当的排水，考虑到路面有2％坡度。对于12英尺宽的车道，坡度会导致车道内的高度差高达0.24英尺(0.07m)。因此，本发明中的h_buff被预先定义为±0.2m，当激光雷达点位于高度缓冲区内时，可将其视为路面点。

进一步的，本发明的车道标记提取过程为：在提取出路面后，继续提取出车道标记。交通机构在车道标记上使用高度反光的玻璃珠，以提高夜间的能见度，因此在提取的路面中能保持良好反光的车道标记，应为激光雷达点云中的高强度点。一个适当定义的强度阈值(h_I) 将有助于提取代表车道标记的点。为了确定一个合适的h_I值，我们首先构造了一个沿着路面的各点的强度值的频率分布曲线。强度值表示强度分布的前5百分位，达到为h_I的值，即在强度频率分布的前5％的路面点被认为是潜在的车道标记，h_I的值为常数。

进一步的，本发明的车道标记中心线衍生过程为：在上一步中提取的作为潜在候选车道标记的点也可能来自其他特征，如道路标记、路面路面和施工工作区域内的碎石。因此，在进行中心线推导之前，需要删除这些非车道标记点：(1)聚类识别潜在的候选车道标记点； (2)将这些集群划分为子组；(3)删除非车道标记点；(4)生成中心线点。首先利用距离阈值(h_dist)进行基于距离的区域增长，将相邻的高强度点进行聚类。h_dist是根据对沿路面的局部点间距的分析来确定的，当集群中点小于一个阈值h_dist时，根据局部点密度和车道标记的最小面积确定是否将集群视为非车道标记并移除。

进一步的，本发明的车道标记中心线的聚类和插值过程为：首先，聚集中心线段从路面开始的一段开始，确定其方向作为参考，将其与沿参考方向外遇到的下一个段聚在一起。然后，以新添加到集群中的段用来定义新的参考方向，并重复这个过程。最后，在每个导出的簇内插入中心线点，用于沿着驾驶车道进行连续的车道宽度估计。

进一步的，本发明的车道宽度估算过程为：车道宽度为沿着与车道方向垂直的方向，与车道两侧的中心线点之间的距离，车道宽度是在车道一侧间隔为20厘米的每个中心线点上估计的。对于车道一侧的每个中心线点，提取以中心线点为中心的范围内同一侧的所有中心线点(这里，范围选择大小中心线段长度的两倍)；接下来，我们找到另一边最近的中心线点，沿着方向几乎垂直的线；同样，对于这个最近的中心线点，提取范围内的中心线点，并对这个提取的段导出最佳拟合直线，使用直线推导出车道方向；最后，通过计算中心点与其另一侧对应投影之间的距离来估算车道宽度。

本发明的优点及有益效果如下：

本发明提出了一种基于激光雷达点云估算车道宽度的方法。其车道宽度估计策略独立于激光扫描仪的类型和使用方法，仅仅依赖于从三维点云中提前的强度信息以及轨迹信息。所提出的车道宽度估计算法使用基于标准车道宽度，为每个数据集自动确定的阈值，确保所提出的算法是全自动的。能够对不同区域车道宽度准确估计，不受到车道标记上玻璃珠是否均匀分布或车道标记的磨损的影响。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1车道宽度估计策略的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明提供一种技术方案：

如图1所示，利用车辆轨迹视图数据提取路面；然后，通过识别高强度的点，沿着路面提取车道标记，推导出它们的中心线，用于估计车道宽度；其次，中心线的点在沿着、穿过道路方向聚集，识别出不明确的车道标记，可能会出现激光雷达点云中模糊的车道标记；最后，分类为正常的车道标记用于车道宽度估计。

进一步的，进行道路表面提取过程时，轨迹视图数据记录了车辆的位置和方向信息，利用轨迹视图数据、IMU高度以及预先定义的高度缓冲区，可以得到与路面相关的激光雷达点云。首先，通过设置一个高度阈值(h_IMU)，其等于从IMU车身框架到路面的预期正常距离，由此来提取路面点。这个阈值可以通过随机选择一个轨迹视图数据点，搜索最接近(X，Y) 坐标和最小Z坐标的激光雷达点(P_i)自动导出；然后对P_i进行k-最近邻搜索来定义一个路面，并采用平面拟合的方法估计路面参数；最后以轨迹视图数据点与拟合平面之间的法线距离，可以得到高度阈值。除了h_IMU，路面提取还需要一个额外的高度缓冲(h_buff)，用于确保适当的排水，考虑到路面有2％坡度。对于12英尺宽的车道，坡度会导致车道内的高度差高达0.24英尺(0.07m)。因此，本研究中的h_buff被预先定义为±0.2m，当激光雷达点位于高度缓冲区内时，可将其视为路面点。

进一步的，进行车道标记提取过程时，在提取出路面后，继续提取出车道标记。交通机构在车道标记上使用高度反光的玻璃珠，以提高夜间的能见度，因此在提取的路面中能保持良好反光的车道标记，应为激光雷达点云中的高强度点。一个适当定义的强度阈值(h_I)将有助于提取代表车道标记的点。为了确定一个合适的h_I值，我们首先构造了一个沿着路面的各点的强度值的频率分布曲线。强度值表示强度分布的前5百分位，达到为h_I的值，即在强度频率分布的前5％的路面点被认为是潜在的车道标记，h_I的值为常数。

进一步的，进行车道标记中心线衍生过程时，在上一步中提取的作为潜在候选车道标记的点也可能来自其他特征，如道路标记、路面路面和施工工作区域内的碎石。因此，在进行中心线推导之前，需要删除这些非车道标记点：(1)聚类识别潜在的候选车道标记点；(2) 将这些集群划分为子组；(3)删除非车道标记点；(4)生成中心线点。首先利用距离阈值(h_dist) 进行基于距离的区域增长，将相邻的高强度点进行聚类。h_dist是根据对沿路面的局部点间距的分析来确定的，当集群中点小于一个阈值h_dist时，根据局部点密度和车道标记的最小面积确定是否将集群视为非车道标记并移除。由于道路车道可能不是直的，每个集群被分成小段，用多段线表示弯曲的车道标记。首先推导出每个聚类的主要方向，然后每个簇根据固定长度的T_h沿其主方向划分为段。确定T_h的值，使每个分区段可以视为一条直线，每个虚线被划分为单个段。高速公路的标准曲率设计规定，行驶速度为70英里/小时，最小半径为2040 英尺，基于此我们为T_h指定了一个3m的值，它不仅大于一条虚线，而且还可以看作是这个曲率半径的一条直线。弧(曲率半径为2040英尺)与长度为3m的弦的最大距离为0.32cm，在移动映射系统的噪声水平范围内。这些分割的部分可以假定是直的，接下来，随机选择构建模型估计所需的最小数量的数据点数，然后从整个数据集中检查与估计模型一致的点数，检测并删除每个片段的非车道标记点：首先使用两个随机选择的点来定义一条直线；然后计算分割段内剩余点到定义线的法线距离，如果一个点的正常距离大于一个阈值(W_lane)，则它将被视为一个异常值，阈值(W_lane)可根据车道标记的预期宽度来定义，这个过程重复一定的次数；最后将最大共识集视为属于车道标记的点，利用最小二乘调整拟合出该段的中心线参数。

进一步的，进行车道标记中心线的聚类和插值过程时首先，聚集中心线段的概念基础是从路面开始的一段开始，确定其方向作为参考，将其与沿参考方向外遇到的下一个段聚在一起。然后，以新添加到集群中的段用来定义新的参考方向，并重复这个过程。最后，在每个导出的簇内插入中心线点，用于沿着驾驶车道进行连续的车道宽度估计。车道标记中心线聚类算法：从之前划分的3m长的车道标记段开始，其中两个中心线段分别在车道的左右两侧，分别定义为左右车道标记簇的初始段，将显示方向连续性的中心线段聚集在一起；从两个初始段中的一个开始，三个最近的三个相邻段(基于段的质心之间的距离，此后表示为d_c)被确定为候选段；接下来，计算每个候选段的初始段的方向向量与连接初始段和候选段(记为α)的向量之间的夹角；接下来，定义一组条件，以便聚合属于连续车道标记的中心线段，为了集群一个候选段与初始段，他们的直线距离应该小于一个阈值(d_Th)，候选段的方向与初始段必须连续(即角度α应该小于一个阈值(α_Th))；d_Th选择15m的阈值，略大于两个连续的虚线段(12m)的直线距离。α_Th选择1.1°的阈值，在车道上可能有一个或多个缺失的虚线段的情况在绘制路面标记时，标记或玻璃珠分布不当，阈值d_Th和α_Th分别被修改为 40m和10°，这是为最多3个缺失虚线段的车道标记确定的；最后，新添加的候选段将作为新的初始段，重复上述步骤，直到每个段被聚类或分类为模糊车道标记。车道标记中心线点使用移动窗口方法进行连接：首先将一条直线的长度拟合到一个长度为阈值的两倍的窗口内的中心线点；接下来，位于窗口前半部分的中心线点被投影到最佳拟合的线上；然后将窗口向前移动一个窗口长度的一半的步长，重复这个过程。步长导致两个连续窗口之间的重叠区域确保了投影中心线点的连续性。插值：对于属于同一聚类的正常车道标记中心线点，如果两个连续点之间的间隙大于一个阈值，则在两个连续点之间进行线性插值；这个阈值是用户根据用户想要估计车道宽度的期望间距来定义的，同时考虑到沿路面的三维点云的密度，该阈值设置为20cm；最后，对中心线点和插值点进行采样，以20cm的间隔保留点，从而每20cm估计一次车道宽度。

进一步的，进行车道宽度估算过程时，车道宽度为沿着与车道方向垂直的方向，与车道两侧的中心线点之间的距离，车道宽度是在车道一侧间隔为20厘米的每个中心线点上估计的。对于车道一侧的每个中心线点，提取以中心线点为中心的范围内同一侧的所有中心线点 (这里，范围选择大小中心线段长度的两倍)；接下来，我们找到另一边最近的中心线点，沿着方向几乎垂直的线；同样，对于这个最近的中心线点，提取范围内的中心线点，并对这个提取的段导出最佳拟合直线，使用直线推导出车道方向；最后，通过计算中心点与其另一侧对应投影之间的距离来估算车道宽度。一旦建立了车道方向，中心点将沿着垂直于衍生车道方向的方向投影到另一边的最佳拟合线上，通过计算中心点与其另一侧对应投影之间的距离来估算车道宽度。

本发明的主要工作原理为：利用从几何校准的移动映射系统中获得的点云来估计车道宽度，从精确的激光雷达点云出发，利用轨迹视图数据提取路面，根据强度数据识别车道标记；然后，得到车道标记中心线并聚类，以识别有模糊或缺失车道标记的区域；最后，使用正常 (或明确的)车道标记来估计车道宽度。

尽管已经示出和描述了本发明的实施案例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims

1.一种基于激光雷达点云估算车道宽度的方法，其特征在于，包括以下步骤：首先，利用车辆轨迹视图数据提取路面；接下来，通过识别高强度的点，沿着路面提取车道标记，推导出它们的中心线，用于估计车道宽度；接下来，中心线的点在沿着、穿过道路方向聚集，识别出不明确的车道标记；最后，分类为正常的车道标记用于车道宽度估。

2.根据权利要求1所述的一种基于激光雷达点云估算车道宽度的方法，其特征在于，进行道路表面提取过程：首先，通过设置一个高度阈值(h_IMU)，其等于从IMU车身框架到路面的预期正常距离，由此来提取路面点；这个阈值可以通过随机选择一个轨迹视图数据点，搜索最接近(X，Y)坐标和最小Z坐标的激光雷达点(P_i)使其自动导出；然后，对P_i进行k-最近邻搜索来定义一个路面，并采用平面拟合的方法估计路面参数；最后，以轨迹视图数据点与拟合平面之间的法线距离，可以得到高度阈值；除了h_IMU，路面提取还需要一个额外的高度缓冲(h_buff)，将h_buff被预先定义为±0.2m，当激光雷达点位于高度缓冲区内时，可将其视为路面点。

3.根据权利要求1所述的一种基于激光雷达点云估算车道宽度的方法，其特征在于，进行车道标记提取过程：确定一个强度阈值h_I值，首先构造了一个沿着路面的各点的强度值的频率分布曲线，强度值表示强度分布的前5百分位，达到为h_I的值，即在强度频率分布的前5％的路面点被认为是潜在的车道标记，h_I的值为常数。

4.根据权利要求1所述的一种基于激光雷达点云估算车道宽度的方法，其特征在于，进行车道标记中心线衍生过程：在进行中心线推导之前，删除非车道标记点；然后利用距离阈值(h_dist)进行基于距离的区域增长，将相邻的高强度点进行聚类，h_dist是根据对沿路面的局部点间距的分析来确定的，当集群中点小于一个阈值h_dist时，根据局部点密度和车道标记的最小面积确定是否将集群视为非车道标记并移除。

5.根据权利要求1所述的一种基于激光雷达点云估算车道宽度的方法，其特征在于，进行车道标记中心线的聚类和插值过程：首先，聚集中心线段从路面开始的一段开始，确定其方向作为参考，将其与沿参考方向外遇到的下一个段聚在一起；然后，以新添加到集群中的段用来定义新的参考方向，并重复这个过程；最后，在每个导出的簇内插入中心线点，用于沿着驾驶车道进行连续的车道宽度估计。

6.根据权利要求1所述的一种基于激光雷达点云估算车道宽度的方法，其特征在于，进行车道宽度估算过程过程：车道宽度在车道一侧间隔为20厘米的每个中心线点上估计的；对于车道一侧的每个中心线点，提取以中心线点为中心的范围内同一侧的所有中心线点(这里，范围选择大小中心线段长度的两倍)；接下来，找到另一边最近的中心线点，沿着方向几乎垂直的线；同样，对于这个最近的中心线点，提取范围内的中心线点，并对这个提取的段导出最佳拟合直线，使用直线推导出车道方向；最后，通过计算中心点与其另一侧对应投影之间的距离来估算车道宽度。