基于點(diǎn)云特征的城市道路標(biāo)識線提取與分類

鄭帥鋒,王山東,張陳意,王倫煒

(河海大學(xué) 地球科學(xué)與工程學(xué)院,南京 211100,中國)

0 引 言

在自動駕駛所使用的3維高精度地圖中,道路標(biāo)識線是極其重要的核心要素。在城市道路環(huán)境中,通常根據(jù)指導(dǎo)車輛交通的不同功能,在道路路面上采用高反射率的涂料繪制相應(yīng)的文字、符號、圖形、線條等[1]。而3維坐標(biāo)和強(qiáng)度信息是車載激光雷達(dá)(light detection and ranging,LiDAR)點(diǎn)云數(shù)據(jù)的主要屬性信息,地物的表面附帶不同的材質(zhì),而這些材質(zhì)的回波反射強(qiáng)度信息也表現(xiàn)得不同,因此可以參考這一特性提取點(diǎn)云標(biāo)識線[2]。

近些年來,國內(nèi)外學(xué)者以反射強(qiáng)度差異這一特性從車載LiDAR點(diǎn)云中提取標(biāo)識線的方法有兩類:一類是將3維信息壓縮成2維信息,即將3維點(diǎn)云信息轉(zhuǎn)換為2維影像,再分割提取道路標(biāo)識線信息[3-7];另一類是直接利用點(diǎn)云反射強(qiáng)度進(jìn)行提取[8-14]。

基于點(diǎn)云圖像維度轉(zhuǎn)換的方式,對3維點(diǎn)云掃描數(shù)據(jù)進(jìn)行降維處理,保留其某一特性生成2維特征圖像,并結(jié)合圖像處理算法提取點(diǎn)云道路標(biāo)識線。YAO等人[3]根據(jù)道路邊界處的幾何突變從掃描線中提取路面,并將路面點(diǎn)云反距離加權(quán)插值生成柵格圖像進(jìn)行道路標(biāo)識線的精確提取,但此方法未考慮城市道路環(huán)境的影響。GUAN[5]與KUMAR[6]等人結(jié)合道路走向?qū)μ卣鲌D像進(jìn)行分塊、自適應(yīng)閾值處理,實(shí)現(xiàn)標(biāo)識線的提取,但此方法存在標(biāo)識線圖像3維信息缺失的問題。

基于點(diǎn)云反射強(qiáng)度提取道路標(biāo)識線,ZEYBEK[8]利用Alpha shape算法提取3維和2維道路特征,結(jié)合點(diǎn)云反射強(qiáng)度獲得標(biāo)識線結(jié)果,并與手動數(shù)字化參考標(biāo)記進(jìn)行比較,但未考慮到標(biāo)識線的磨損狀態(tài)。YAN等人[9]對每一條掃描線點(diǎn)云進(jìn)行基于移動窗口的強(qiáng)度中值濾波,利用標(biāo)識線點(diǎn)云與路面點(diǎn)的反射強(qiáng)度差異,進(jìn)行標(biāo)識線點(diǎn)的提取。YU[10]與MA[13]等人同樣對道路點(diǎn)云進(jìn)行分塊處理,對每一塊點(diǎn)云進(jìn)行強(qiáng)度閾值判斷,但該類方法的場景受限于彎曲道路中。

綜上所述,點(diǎn)云道路標(biāo)識線的提取精度問題,與車道標(biāo)識線磨損或斷裂等狀況相關(guān),與復(fù)雜環(huán)境中其它要素的影響程度相關(guān)。針對上述問題,本文作者提出了一種改進(jìn)的基于點(diǎn)云多元特征的城市道路標(biāo)識線提取方法,通過結(jié)合點(diǎn)云的強(qiáng)度信息、點(diǎn)密度信息以及高程信息進(jìn)行道路標(biāo)識線的提取,更好地緩解了由車道標(biāo)識線磨損斷裂等情況對精度造成的影響;在不同場景條件下,利用標(biāo)識線的幾何信息和語義信息,結(jié)合臨近點(diǎn)迭代(iterative closest point,ICP)模板匹配,提高算法的泛化性。

1 車載激光點(diǎn)云城市道路標(biāo)識線的自動提取與分類

車載LiDAR數(shù)據(jù)以3維坐標(biāo)及反射強(qiáng)度反映道路環(huán)境及部件材質(zhì)。城市道路標(biāo)識線采用特殊的材料制作,相比于周邊要素,反射強(qiáng)度更強(qiáng),而且沒有突出的空間立體特征城市道路標(biāo)準(zhǔn)線附著于道路表面[12,15]。本文作者基于點(diǎn)云多元特征的地理參考圖像,實(shí)現(xiàn)點(diǎn)云道路標(biāo)識線自動化提取,技術(shù)路線如圖1所示。由于原始點(diǎn)云數(shù)據(jù)存在著一些不規(guī)則分布的離群噪聲點(diǎn),首先基于半徑濾波去除噪聲點(diǎn),并用布料模擬濾波算法濾除非地面點(diǎn);其次將地面點(diǎn)數(shù)據(jù)進(jìn)行格網(wǎng)化處理,去除非路面點(diǎn)的高強(qiáng)度點(diǎn)云和稀疏分布的高強(qiáng)度點(diǎn)云[16];然后通過投影生成點(diǎn)云的高程、強(qiáng)度、點(diǎn)密度特征地理參考圖像,并基于多元特征圖像提取道路標(biāo)識線邊緣范圍;接著利用Ostu算法實(shí)現(xiàn)路面點(diǎn)云標(biāo)識線精提取;最后根據(jù)標(biāo)識線的邊界框信息和ICP模型匹配方案實(shí)現(xiàn)標(biāo)識線的細(xì)分類。

圖1 技術(shù)路線Fig.1 Technical flow chart

1.1 多元特征圖像

分析道路標(biāo)識線的強(qiáng)度特征[17]可知,道路表面的標(biāo)識線通常使用特殊的高反射率的白色或黃色涂料,而路面普遍使用低反射率的混凝土或帶卵石的瀝青鋪就而成,因此兩者強(qiáng)度差異明顯?？紤]到實(shí)際城市道路因部分標(biāo)識線磨損或斷裂導(dǎo)致其反射率下降等情況,采用局部區(qū)域的強(qiáng)度閾值作為判斷依據(jù),結(jié)合點(diǎn)云的高程特征和點(diǎn)密度特征,生成2維地理參考圖像,并進(jìn)行圖像增強(qiáng)[18],凸顯道路標(biāo)識線特征。

道路標(biāo)識線位于道路表面,在局部鄰域內(nèi)高程變化很小,但在實(shí)際的復(fù)雜道路環(huán)境中,不可避免地存在一些與標(biāo)識線強(qiáng)度相似的其它路面噪聲點(diǎn)[19]。通過對地面點(diǎn)云格網(wǎng)化,根據(jù)格網(wǎng)高差大小將點(diǎn)云分離為路面點(diǎn)gcloud與非路面點(diǎn)ngcloud,去除非路面點(diǎn)的高強(qiáng)度點(diǎn)云和稀疏分布的高強(qiáng)度點(diǎn)云,并都投影到水平面XOY上進(jìn)行柵格化處理,生成3個灰度地理參考圖像(高程特征圖像、強(qiáng)度特征圖像和點(diǎn)密度圖像)。

對于點(diǎn)密度特征圖像,其特征值為去噪后的點(diǎn)密度值。對于高程特征圖像,其特征值為ngcloud的平均Z值。在生成點(diǎn)云強(qiáng)度特征圖像時,其格網(wǎng)特征值主要由落入格網(wǎng)內(nèi)部點(diǎn)云的強(qiáng)度信息、與格網(wǎng)中心點(diǎn)的水平距離、點(diǎn)的個數(shù)決定,并根據(jù)每一個點(diǎn)的強(qiáng)度信息與離散分布情況來計(jì)算該點(diǎn)的內(nèi)插權(quán)重。

位于(i,j)的格網(wǎng)強(qiáng)度特征值Fij的權(quán)值Wij,n受兩個影響因素限制:第1個影響因素是Iij,n,即格網(wǎng)中最低強(qiáng)度值與格網(wǎng)內(nèi)所有點(diǎn)之間的強(qiáng)度差異;第2個影響因素是Dij,n(n代表點(diǎn)號,0≤n≤Nij,Nij為格網(wǎng)(i,j)內(nèi)的總點(diǎn)數(shù)),即格網(wǎng)中心點(diǎn)到格網(wǎng)內(nèi)每一個點(diǎn)的水平距離。因此落入第(i,j)個格網(wǎng)中的點(diǎn)的權(quán)值定義為[19]:

(1)

式中:Wij,n,XY、Wij,n,I分別為格網(wǎng)中第n個點(diǎn)與第(i,j)個格網(wǎng)中心點(diǎn)在XOY上的水平距離及其強(qiáng)度的權(quán)重;α和β為這兩部分的權(quán)重,且α+β=1;Imin(ij)、Imax(ij)分別為第(i,j)個格網(wǎng)中所有點(diǎn)的強(qiáng)度最小、最大值;G為網(wǎng)格的長度大小;Ip,max與Ip,min分別為整個點(diǎn)云集p的強(qiáng)度最大值和最小值。根據(jù)式(1)計(jì)算格網(wǎng)(i,j)的強(qiáng)度特征值[19]:

(2)

式中:Iij,n′為格網(wǎng)(i,j)中第n個點(diǎn)的強(qiáng)度值。

在0～255的灰度空間更能體現(xiàn)圖像的對比度,然后將所有格網(wǎng)的強(qiáng)度特征值Fij進(jìn)行歸一化處理,得到點(diǎn)云強(qiáng)度地理參考圖像。

1.2 道路標(biāo)識線邊緣檢測

在強(qiáng)度特征圖像中,低反射強(qiáng)度的路面像素點(diǎn)較為灰暗,高反射強(qiáng)度的標(biāo)識線像素點(diǎn)較為明亮,兩者的灰度值差異明顯[20]。Sobel算子可以更好地識別和提取標(biāo)識線邊緣像素以及非路面點(diǎn)中高程突變的像素,以此生成強(qiáng)度梯度圖像和坡度梯度圖像,并利用最大熵閾值分割法[20]對坡度梯度圖像和點(diǎn)密度特征圖像進(jìn)行二值化,坡度二值化圖像中像素值為0的像素點(diǎn)以及坡度二值化圖像中像素值為1的像素點(diǎn)將被保留,并綜合到點(diǎn)云強(qiáng)度梯度圖像中去,最后對道路強(qiáng)度梯度圖像進(jìn)行二值化,得到道路標(biāo)記邊界像素,處理流程如圖2所示。

圖2 地理參考圖像處理流程圖Fig.2 Georeferenced image processing flow chart

通過計(jì)算圖像中每一個灰度級m(0～255)出現(xiàn)的概率Pm以及相應(yīng)的熵Hm=-PmlgPm,確定圖像的最佳閾值。依次遍歷每一級灰度值T,分別計(jì)算目標(biāo)區(qū)域A的熵HA和背景區(qū)域B的熵HB以及圖像的總熵H(T)[21]:

(3)

式中:PA和PB分別表示目標(biāo)區(qū)域A和背景區(qū)域B中各灰度級出現(xiàn)的概率。最后總熵H(T)取最大值時所對應(yīng)的灰度值作為最佳閾值,并基于該閾值進(jìn)行圖像二值化。

1.3 道路標(biāo)識線連通區(qū)域分析

道路標(biāo)識線擁有規(guī)則的形狀和大小,其二值圖像應(yīng)完整獨(dú)立,而現(xiàn)有二值圖像的像素點(diǎn)各自獨(dú)立,因此,采用種子填充法對二值圖像進(jìn)行連通區(qū)域分析[22],并濾除面積過小的噪聲區(qū)域;同時,對標(biāo)識線內(nèi)部的黑色空洞進(jìn)行填充,得到互相獨(dú)立且分割完成的標(biāo)識線連通區(qū)域。

由于道路標(biāo)識線與路面噪聲點(diǎn)兩者的連通區(qū)域面積相差較大,需統(tǒng)計(jì)所有連通區(qū)域中小于面積閾值的連通區(qū)域并剔除。為盡可能保留標(biāo)識線區(qū)域,防止一個標(biāo)識線區(qū)域被當(dāng)成多個小區(qū)域而誤刪,在進(jìn)行幾何區(qū)域分析時采用8鄰接搜索方式。為去除道路標(biāo)識線內(nèi)部的黑色孔洞,對上述處理后的標(biāo)識線二值圖像取反,進(jìn)行幾何連通區(qū)域分析,除去小于面積閾值的連通區(qū)域。最后基于道路標(biāo)識線邊緣范圍及其面積閾值實(shí)現(xiàn)小區(qū)域的去除和孔洞填充。

1.4 標(biāo)識線點(diǎn)云提取與優(yōu)化

從第1.2節(jié)中點(diǎn)云特征圖像的生成可知,圖像中的所有像素點(diǎn)均與地面點(diǎn)云所處的相應(yīng)格網(wǎng)相對應(yīng)。投影反變換可快速提取點(diǎn)云道路標(biāo)識線,而點(diǎn)云特征圖像受到像素大小的影響,其分辨率相對較低,且當(dāng)點(diǎn)云投影坐標(biāo)系方向與道路標(biāo)識線指向不一致時,得到的點(diǎn)云道路標(biāo)識線其邊緣呈鋸齒狀,含有大量的地面噪聲點(diǎn)[23]。對此,利用Otsu算法[24]對每一個標(biāo)識線點(diǎn)云進(jìn)行強(qiáng)度濾波,保留強(qiáng)度較高的點(diǎn),以此來消除道路標(biāo)識線點(diǎn)云的鋸齒效應(yīng),從而實(shí)現(xiàn)點(diǎn)云道路標(biāo)識線的精提取。

首先,將投影得到的點(diǎn)云的強(qiáng)度歸一化為0～255的灰度范圍,然后利用Ostu算法最大化類間方差與類內(nèi)方差之比,類間方差定義為[24]:

g=ω0ω1(μ0-μ1)2

(4)

式中:ω0和ω1分別為道路標(biāo)識和路面出現(xiàn)的概率;μ0和μ1是相應(yīng)的平均水平。

最后,通過遍歷每塊標(biāo)識線點(diǎn)云計(jì)算出使類間方差g最大時的閾值T,此時T為最優(yōu)閾值。

1.5 道路標(biāo)識線分類

從道路標(biāo)識線的幾何特征和語義特征[15]來看,城市道路上單黃線、單白線、虛線、停止線、箭頭方向線、文字等道路標(biāo)識線在幾何形狀上均有相應(yīng)的標(biāo)準(zhǔn)與規(guī)范,這一約束是道路標(biāo)識線模板匹配的參考依據(jù)之一。

考慮到因標(biāo)識線點(diǎn)云的磨損導(dǎo)致標(biāo)識線的錯誤識別,需對標(biāo)識線點(diǎn)云重新聚類。在不受邊界點(diǎn)輪廓形狀影響的情況下,利用Alpha shape算法[25]提取每一個標(biāo)識線的邊界點(diǎn),提升提取邊界點(diǎn)的效率,并依次統(tǒng)計(jì)其邊界框的邊長和對邊比等信息,以此作為粗分類的準(zhǔn)則,快速提取出道路邊界、車道分界線等規(guī)則道路標(biāo)記,并對剩余不規(guī)則標(biāo)識線與模板中的每一個模型點(diǎn)云通過平移、旋轉(zhuǎn)后進(jìn)行ICP配準(zhǔn),估計(jì)目標(biāo)與每一個模型的最佳重疊率,然后獲取整體最佳重疊率。若整體最佳重疊率小于重疊閾值,則標(biāo)記為未分類道路標(biāo)記;否則,該道路標(biāo)記的類別為獲取整體最佳重疊率時的模型點(diǎn)云的類別。

將實(shí)驗(yàn)數(shù)據(jù)中幾個典型的清晰完整的道路標(biāo)識線邊界點(diǎn)云保存為模型以進(jìn)行配準(zhǔn),如圖3所示。通過ICP配準(zhǔn)算法對所有標(biāo)識線邊界點(diǎn)云與模板進(jìn)行從粗到精的配準(zhǔn),并估計(jì)標(biāo)識線點(diǎn)云與模型的重疊率,如果最高重疊率不超過60%,則目標(biāo)被視為未識別標(biāo)識線,反之則為重疊率最高的模型類別。

圖3 模板點(diǎn)云圖Fig.3 Template point cloud diagram

2 實(shí)驗(yàn)與分析

點(diǎn)云道路標(biāo)識線自動提取及分類實(shí)驗(yàn)是基于Visual Studio 2017 C++集成開發(fā)。實(shí)驗(yàn)平臺配置為2.20 GHz的Intel(R) Core(TM) i7-10870H處理器,32 GB的隨機(jī)存取存儲器(random access memory,RAM)。

2.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)主要采用澳大利亞某城市的復(fù)雜街區(qū)路段,如圖4所示。該點(diǎn)云數(shù)據(jù)主要包含點(diǎn)的3維坐標(biāo)信息與強(qiáng)度信息,全長約379 m,寬度約18 m,點(diǎn)云個數(shù)為79942109個。

圖4 實(shí)驗(yàn)點(diǎn)云數(shù)據(jù)Fig.4 Experimental point cloud data

局部點(diǎn)云按照強(qiáng)度分層顯示的效果如圖5a所示。實(shí)驗(yàn)數(shù)據(jù)中道路表面起伏不大,整體較為平坦,道路寬度基本一致,中間為彎曲路段,并有十字路口、交叉路口等復(fù)雜地形,路面點(diǎn)與道路標(biāo)識線有著明顯的強(qiáng)度差異,完全滿足實(shí)驗(yàn)提取的需要。如圖5b所示,局部點(diǎn)云按照高程顯示可以看出,道路兩邊的路坎近似垂直于路面,并與路面有一定的高度差異。

圖5 點(diǎn)云局部渲染圖Fig.5 Point cloud local rendering map

2.2 實(shí)驗(yàn)結(jié)果與分析

2.2.1 實(shí)驗(yàn)結(jié)果 提取的地面點(diǎn)云仍包含有一些欄桿或者車輛等與地面相交的部分非地面點(diǎn),將地面點(diǎn)云格網(wǎng)化,根據(jù)格網(wǎng)內(nèi)高差大小將點(diǎn)云分離為路面點(diǎn)和非路面點(diǎn)云,并將路面點(diǎn)和非路面點(diǎn)分別投影到格網(wǎng)中。經(jīng)過多次實(shí)驗(yàn),當(dāng)格網(wǎng)間距為0.065 m時,提取效果最佳。

利用點(diǎn)云投影及柵格化處理得到點(diǎn)云多元特征圖像,圖6a和圖6b分別是車載LiDAR點(diǎn)云和強(qiáng)度特征圖像。由圖6a和圖6b可知,強(qiáng)度特征圖像很好地保留了地面的強(qiáng)度信息,但對離散點(diǎn)云進(jìn)行2維投影時,不可避免地會造成一定的精度損失。利用中值濾波對強(qiáng)度特征圖像進(jìn)行處理,極大地減少了椒鹽噪聲對于標(biāo)識線提取的影響,濾波后的效果圖如圖6c所示。

圖6 原始點(diǎn)云與強(qiáng)度特征圖像對比圖Fig.6 Comparison between original point cloud and intensity feature image

利用第1.3節(jié)中的算法對圖像上的特征線邊緣進(jìn)行提取與強(qiáng)化,提取結(jié)果如圖7所示。

圖7 強(qiáng)度二值化Fig.7 Strength binarization

由圖8可知,雖然基于強(qiáng)度特征圖像利用邊緣檢測可以初步確定標(biāo)識線的邊緣位置,但仍有一些高強(qiáng)度稀疏路面噪聲點(diǎn)需要剔除,邊緣二值化可以較好地解決這一問題。

圖8 道路標(biāo)識線邊緣檢測局部圖Fig.8 Local image of road marking line edge detection

在二值圖像的像素點(diǎn)的離散性問題上,通過連通區(qū)域分析濾除面積過小的噪聲區(qū)域,同時對標(biāo)識線內(nèi)部的黑色空洞進(jìn)行填充,得到互相獨(dú)立且分割完成的標(biāo)識線連通區(qū)域,結(jié)果如圖9所示。其中,圖9a為符合要求的標(biāo)識線連通區(qū)域,圖9b為所有標(biāo)識線連通區(qū)域隨機(jī)賦色后的效果。

圖9 連通區(qū)域分析與標(biāo)記局部結(jié)果圖Fig.9 Connected region analysis and marking local result graph

在強(qiáng)度二值化圖像中進(jìn)行連通域分析后,道路標(biāo)識線基本被識別。此時將2維標(biāo)識線投影反變換,得到標(biāo)識線點(diǎn)云,并結(jié)合Ostu算法實(shí)現(xiàn)點(diǎn)云的精細(xì)化處理,最終道路標(biāo)識線分割結(jié)果如圖10所示。

圖10 標(biāo)識線點(diǎn)云提取效果圖Fig.10 Rendering of marking line point cloud extraction

由于提取的標(biāo)識線存在部分單一標(biāo)識線被分割為多個標(biāo)識線的現(xiàn)象,所以對標(biāo)識線點(diǎn)云進(jìn)行歐式聚類,經(jīng)過多次實(shí)驗(yàn),聚類半徑為0.1 m更符合實(shí)際場景,利用Alpha shape對每一個聚類的標(biāo)識線進(jìn)行邊界點(diǎn)的提取,并計(jì)算包圍盒邊長和對邊比信息,以此作為粗分類的準(zhǔn)則,快速提取出道路邊界、車道分界線等規(guī)則道路標(biāo)記,剩下不規(guī)則標(biāo)識線通過模板匹配進(jìn)一步分類,局部分類效果圖如圖11所示。

圖11 標(biāo)識線局部效果圖Fig.11 Partial effect picture of marking line

實(shí)驗(yàn)數(shù)據(jù)中的標(biāo)識線基本都被正確提取和分類,沒有出現(xiàn)大面積的噪聲點(diǎn)和部分標(biāo)識線漏提的現(xiàn)象。但從圖11來看,仍有一些標(biāo)識線類別被誤判,圖11a和圖11c中的標(biāo)識線由于間隔距離太近,多個標(biāo)識線被識別為同一個標(biāo)識線點(diǎn)云,導(dǎo)致標(biāo)識線類別的誤判;圖11b中的標(biāo)識線一方面因?yàn)闃?biāo)識線局部被磨損,導(dǎo)致部分標(biāo)識線點(diǎn)云的強(qiáng)度值較低,被視為地面點(diǎn)或者噪聲點(diǎn)進(jìn)行了剔除,使得被提取的剩余的標(biāo)識線被識別為其它類別的標(biāo)識線;另一方面則是由于采樣點(diǎn)的稀疏,使得標(biāo)識線在進(jìn)行幾何連通時,同一標(biāo)識線被識別為多個標(biāo)識線。

2.2.2 精度分析 為了進(jìn)一步對道路標(biāo)識線提取的結(jié)果進(jìn)行評價,本文中采用人工判讀的方式從標(biāo)識線提取效率中計(jì)數(shù)每一類標(biāo)識線的真正數(shù)(true positive,TP)、假負(fù)數(shù)(false negative,FN)、假正數(shù)(false positive,FP)。采用準(zhǔn)確率指標(biāo)(precision)、召回率指標(biāo)(recall)以及綜合評價指標(biāo)F對道路標(biāo)識線提取結(jié)果進(jìn)行精度評價,結(jié)果如表1所示。

表1 標(biāo)識線提取精度Table 1 Marking line extraction precision

由表1可知,基于多元點(diǎn)云特征的道路標(biāo)識線提取算法所提出的每一類標(biāo)識線的準(zhǔn)確率均超過96%,召回率超過91%,綜合評價指標(biāo)超過94%,表明該算法對于城市道路上絕大部分的道路標(biāo)識線進(jìn)行提取時,能夠取得較好的結(jié)果和精度。

為進(jìn)一步分析本文中標(biāo)識線分類結(jié)果,與YU等人[10]提及的道路標(biāo)識線提取算法進(jìn)行對比,結(jié)果如表2所示。由表2可知,基于多元點(diǎn)云特征的道路標(biāo)識線提取算法對虛線和斑馬線標(biāo)識線的分類精度與YU等人[10]所提出的算法相近,但算法對單向轉(zhuǎn)向箭頭的分類效果相比于參考文獻(xiàn)[10]中的方法取得了較大的提升,這是因?yàn)閰⒖嘉墨I(xiàn)[10]中的方法在進(jìn)行標(biāo)識線細(xì)分類時所構(gòu)建的空間語義結(jié)構(gòu)較為單一,且只適用于線狀標(biāo)識線,但基于ICP配準(zhǔn)進(jìn)行模板匹配的方法不僅有一定的容錯度,而且對存在結(jié)構(gòu)差異的目標(biāo)識別效果也更好。

表2 不同方法標(biāo)識線分類對比精度Table 2 Classification and comparison accuracy of marking lines of different methods

3 結(jié) 論

針對如何從車載LiDAR點(diǎn)云中提取標(biāo)識線的問題,綜合利用道路標(biāo)識線的強(qiáng)度、幾何和語義等特征,設(shè)計(jì)了圖像與點(diǎn)云相結(jié)合的處理算法,整體提升了道路各類標(biāo)識線的提取精度,對城市數(shù)字化建設(shè)具有一定的參考意義。對于道路標(biāo)識線的提取,結(jié)合點(diǎn)云的多元特征信息,能夠更好地輔助標(biāo)識線的提取,這對后續(xù)無人駕駛的研究有著推動作用;對于道路標(biāo)識線的分類問題,基于ICP配準(zhǔn)進(jìn)行模板匹配的方法不僅有一定的容錯度,對存在結(jié)構(gòu)差異的目標(biāo)識別效果也更好。結(jié)果表明,提取的短虛線、斑馬線、箭頭以及長虛線的準(zhǔn)確率均高于96%,召回率均高于91%,精度準(zhǔn)均高于89%,綜合評價指標(biāo)均高于94%。盡管通過實(shí)驗(yàn)和綜合評估證明了所提出方法的可行性和優(yōu)越性,但在道路標(biāo)識線的自動提取方面仍有很大的改進(jìn)空間。未來,將進(jìn)一步研究深度學(xué)習(xí)在道路標(biāo)識線提取上的應(yīng)用。