李曉宇,周梅,王金虎,姚強(qiáng)強(qiáng)

(1 中國(guó)科學(xué)院空天信息創(chuàng)新研究院 中國(guó)科學(xué)院定量遙感信息技術(shù)重點(diǎn)實(shí)驗(yàn)室,北京 100094;2 中國(guó)科學(xué)院大學(xué)光電學(xué)院,北京 100049) (2022年2月17日收稿; 2022年3月28日收修改稿)

路面信息的精確檢測(cè)是自動(dòng)駕駛技術(shù)的重要組成部分[1],其中線型交通標(biāo)識(shí)線(包括車道邊緣線和車道分界線)的檢測(cè)可對(duì)車輛行為起到引導(dǎo)、規(guī)范和禁止作用[2]。車載激光掃描系統(tǒng)是一種集成全球衛(wèi)星導(dǎo)航系統(tǒng)、慣性導(dǎo)航系統(tǒng)、激光掃描儀和數(shù)碼相機(jī)等多種傳感器的移動(dòng)三維激光掃描系統(tǒng)(mobile laser scanning, MLS)[3],該系統(tǒng)不受光照限制,可高效獲取路面高精度稠密三維點(diǎn)云數(shù)據(jù),為線型交通標(biāo)識(shí)線的檢測(cè)提供了可靠數(shù)據(jù)基礎(chǔ)。

當(dāng)前基于點(diǎn)云數(shù)據(jù)的路面交通標(biāo)識(shí)線提取方法可分為兩類:將點(diǎn)云投影為特征圖像再提取的方法;基于離散點(diǎn)云的方法。第1類方法是根據(jù)點(diǎn)云回波強(qiáng)度或空間分布特征將點(diǎn)云投影為特征圖像,再結(jié)合閾值分割[4]、語(yǔ)義分割[5]和神經(jīng)網(wǎng)絡(luò)模型[6]等方法提取路面交通標(biāo)識(shí)線。該類方法提取的路面交通標(biāo)識(shí)線往往缺乏高程信息[7]且將點(diǎn)云投影為圖像的過(guò)程容易造成精度損失。第2類方法直接基于離散點(diǎn)云提取路面交通標(biāo)識(shí)線,Yu等[8]和Kim等[9]提出基于點(diǎn)云回波強(qiáng)度的多閾值分割方法,通過(guò)沿行車軌跡垂直方向分割點(diǎn)云并結(jié)合Otsu[10]方法自適應(yīng)設(shè)定強(qiáng)度閾值提取路面交通標(biāo)識(shí)線,該方法通過(guò)對(duì)點(diǎn)云數(shù)據(jù)分段設(shè)定閾值,減少了掃描距離對(duì)路面交通標(biāo)識(shí)線提取精度的影響,但其中點(diǎn)云分段方法的魯棒性不佳,容易漏提取強(qiáng)度較低的交通標(biāo)識(shí)線。尹輝增和方莉娜[11]對(duì)點(diǎn)云回波強(qiáng)度進(jìn)行直方圖統(tǒng)計(jì),根據(jù)統(tǒng)計(jì)結(jié)果劃定強(qiáng)度閾值提取交通標(biāo)識(shí)線點(diǎn),并結(jié)合交通標(biāo)識(shí)線的幾何、語(yǔ)義特征細(xì)化提取結(jié)果。鄒曉亮等[12]根據(jù)交通標(biāo)識(shí)線點(diǎn)的回波強(qiáng)度分布范圍劃定強(qiáng)度閾值,并利用掃描角和掃描距離等信息判定點(diǎn)的交通標(biāo)識(shí)線類型。上述兩種方法自動(dòng)化程度較低,難以識(shí)別受遮擋或磨損的路面交通標(biāo)識(shí)線。Yan等[13]提出基于掃描線的路面交通標(biāo)識(shí)線提取方法,通過(guò)檢測(cè)每條掃描線內(nèi)相鄰兩點(diǎn)間的強(qiáng)度變化確定交通標(biāo)識(shí)線點(diǎn),該方法精度和自動(dòng)化程度較高,但提取精度易受噪聲影響,此外提取結(jié)果的完整性因點(diǎn)云缺失或交通標(biāo)識(shí)線的磨損而降低。

針對(duì)上述問(wèn)題,提出一種基于鄰域點(diǎn)密度和卡爾曼濾波[14]的路面線型交通標(biāo)識(shí)線提取與補(bǔ)全方法。首先,為避免入射角和掃描距離變化造成的點(diǎn)云密度不均現(xiàn)象對(duì)提取結(jié)果精度的影響,以一階微分算子為卷積模板,根據(jù)單條掃描線內(nèi)每個(gè)點(diǎn)鄰域內(nèi)的點(diǎn)密度分布自適應(yīng)生成對(duì)應(yīng)尺寸卷積核,通過(guò)對(duì)鄰域點(diǎn)的強(qiáng)度值進(jìn)行卷積以提取交通標(biāo)識(shí)線輪廓點(diǎn)。隨后,在輪廓點(diǎn)提取結(jié)果基礎(chǔ)上利用最小二乘算法擬合線型交通標(biāo)識(shí)線輪廓,并結(jié)合卡爾曼濾波算法補(bǔ)全點(diǎn)云數(shù)據(jù)缺失或標(biāo)識(shí)線磨損造成的輪廓提取結(jié)果不完整的區(qū)域,以提高線型交通標(biāo)識(shí)線提取結(jié)果的完整度。

1 方法原理

本文提出的路面線型交通標(biāo)識(shí)線提取算法總體流程如圖1所示,在預(yù)處理模塊,根據(jù)掃描點(diǎn)的時(shí)間信息將路面點(diǎn)云數(shù)據(jù)分割為多條掃描線。隨后在輪廓點(diǎn)提取模塊,計(jì)算掃描線內(nèi)每個(gè)點(diǎn)對(duì)應(yīng)的卷積核,對(duì)點(diǎn)的強(qiáng)度值進(jìn)行自適應(yīng)卷積;根據(jù)每條掃描線卷積結(jié)果生成的閾值和強(qiáng)度變化規(guī)律確定交通標(biāo)識(shí)線輪廓點(diǎn)位置,利用空間密度聚類法(density-based spatial clustering of applications with noise, DBSCAN)[15]剔除輪廓點(diǎn)提取結(jié)果中的噪聲。最后在輪廓擬合與填補(bǔ)模塊中,基于輪廓點(diǎn)提取結(jié)果和最小二乘法擬合標(biāo)識(shí)線輪廓,并結(jié)合卡爾曼濾波算法預(yù)測(cè)缺損區(qū)域的輪廓位置,最終實(shí)現(xiàn)線型交通標(biāo)識(shí)線的完整提取。

圖1 路面標(biāo)識(shí)線提取與填補(bǔ)算法總體流程Fig.1 Overall workflow of the proposed road marking extraction and completion algorithm

1.1 路面交通標(biāo)識(shí)線輪廓點(diǎn)提取

圖2(a)為某城區(qū)路面點(diǎn)云數(shù)據(jù),經(jīng)預(yù)處理后的掃描線分割結(jié)果如圖2(b)所示,其中每條掃描線被隨機(jī)賦色;圖2(c)中紅色線為路面中某條掃描線數(shù)據(jù),矩形框內(nèi)為該掃描線中經(jīng)過(guò)路面標(biāo)識(shí)線的部分,其對(duì)應(yīng)的強(qiáng)度分布曲線如圖2(d)所示,強(qiáng)度曲線中路面交通標(biāo)識(shí)線點(diǎn)回波強(qiáng)度(圖2(d)矩形框內(nèi)點(diǎn))明顯高于瀝青路面點(diǎn)的回波強(qiáng)度,在二者銜接處點(diǎn)的回波強(qiáng)度會(huì)出現(xiàn)明顯的上升或下降。本文以此為依據(jù),提取交通標(biāo)識(shí)線輪廓點(diǎn)(圖2(d)中紅色點(diǎn))。

1.1.1 自適應(yīng)卷積

使用以一階微分算子為模板的卷積核,對(duì)每條掃描線點(diǎn)及其鄰域內(nèi)點(diǎn)的強(qiáng)度值進(jìn)行卷積,卷積結(jié)果中數(shù)值絕對(duì)值較大的極值點(diǎn)對(duì)應(yīng)交通標(biāo)識(shí)線輪廓點(diǎn)。由于一階微分算子對(duì)噪聲敏感,在卷積之前使用高斯濾波器抑制噪聲。如圖3(a)中路面點(diǎn)云數(shù)據(jù)所示,一條掃描線分別經(jīng)過(guò)寬度相同的車行道邊緣線(區(qū)域①)和車道分界線(區(qū)域②),由于掃描距離與入射角度的影響,區(qū)域①中點(diǎn)分布較稀疏,而區(qū)域②中點(diǎn)分布更為密集。若使用單一尺寸的卷積核提取輪廓點(diǎn),容易降低提取結(jié)果的位置精度。為驗(yàn)證不同尺寸卷積核對(duì)輪廓點(diǎn)提取精度的影響,本文采用尺寸為1×5、1×15的卷積核分別對(duì)區(qū)域①和區(qū)域②中掃描線點(diǎn)進(jìn)行卷積,區(qū)域①和區(qū)域②的卷積結(jié)果如圖3(b)、3(c)所示,在區(qū)域①中1×5卷積核卷積結(jié)果的極值點(diǎn)(圖3(b)中三角形)更準(zhǔn)確對(duì)應(yīng)原始強(qiáng)度曲線的標(biāo)識(shí)線輪廓點(diǎn)位置,然而在區(qū)域②中1×15卷積核卷積結(jié)果的極值點(diǎn)(圖3(c)中五角星)更準(zhǔn)確對(duì)應(yīng)原始強(qiáng)度曲線的標(biāo)識(shí)線輪廓點(diǎn)位置。由此可得,在提取輪廓點(diǎn)位置的過(guò)程中,掃描線內(nèi)不同的點(diǎn)密度適用于不同尺寸的卷積核,在密度分布不均的掃描線內(nèi)使用單一尺寸卷積核進(jìn)行卷積,將使得輪廓點(diǎn)定位精度下降。

圖3 路面中某條包含交通標(biāo)識(shí)線的掃描線及其對(duì)應(yīng)的強(qiáng)度卷積結(jié)果Fig.3 A scan line containing multiple road markings and its corresponding intensity convolution result

因此,本文提出一種根據(jù)鄰域點(diǎn)密度自適應(yīng)確定卷積核尺寸的方法,簡(jiǎn)稱為自適應(yīng)卷積。以單條掃描線的卷積過(guò)程為例,具體流程如下所示:

1) 單條掃描線內(nèi)有n個(gè)點(diǎn){p1,p2,…,pn},以其中第i個(gè)點(diǎn)pi為圓心、距離r為半徑,搜索此鄰域內(nèi)的所有點(diǎn){pi1,pi1,…,pin}共m個(gè)。為保證輪廓點(diǎn)提取結(jié)果精度,本文設(shè)定搜索半徑r長(zhǎng)度等于掃描線中標(biāo)識(shí)線寬度。

2) 確定鄰域內(nèi)每個(gè)點(diǎn)的相對(duì)位置

(1)

其中xj為鄰域內(nèi)第j個(gè)點(diǎn)在所有鄰域點(diǎn)中的相對(duì)位置。

3) 將鄰域內(nèi)每個(gè)點(diǎn)的相對(duì)位置代入下式,計(jì)算其對(duì)應(yīng)的初始卷積核數(shù)值

(2)

圖4 掃描線中某點(diǎn)pi處根據(jù)高斯一階導(dǎo)函數(shù)模板生成卷積核的示意圖Fig.4 Schematic diagram of convolution kernel at a point piin a scan line according to the Gaussian first-order derivative function template

4) 為避免卷積核尺寸變化對(duì)結(jié)果的影響,將鄰域內(nèi)點(diǎn)對(duì)應(yīng)的初始卷積核數(shù)值進(jìn)行歸一化,得到點(diǎn)pi鄰域內(nèi)m個(gè)點(diǎn)對(duì)應(yīng)的最終卷積核{(lán)k0,k1,…,km}

(3)

式中kj為kj′歸一化后的結(jié)果。

5) 對(duì)點(diǎn)pi鄰域內(nèi)m個(gè)點(diǎn)的強(qiáng)度值進(jìn)行卷積,得到點(diǎn)pi對(duì)應(yīng)的卷積結(jié)果ci

(4)

式中Ij為鄰域內(nèi)第j個(gè)點(diǎn)的強(qiáng)度值。

6) 重復(fù)上述步驟直至得到掃描線內(nèi)n個(gè)點(diǎn)的卷積結(jié)果{c1,c2,…,cn}。

1.1.2 輪廓點(diǎn)提取

路面交通標(biāo)識(shí)線輪廓點(diǎn)在卷積結(jié)果中表現(xiàn)為數(shù)值絕對(duì)值較大的極值點(diǎn),因此本文通過(guò)設(shè)定閾值在卷積結(jié)果中提取可能的交通標(biāo)識(shí)線輪廓點(diǎn),具體方法如下:

1) 計(jì)算掃描線卷積結(jié)果{c1,c2,…,cn}的均值μ、方差σ2。

2) 由于掃描線卷積結(jié)果近似滿足正態(tài)分布,根據(jù)3σ準(zhǔn)則,本文設(shè)定閾值T=μ+a×σ2,其中常數(shù)a與掃描線內(nèi)標(biāo)識(shí)線點(diǎn)和瀝青路面點(diǎn)的數(shù)量相關(guān)。經(jīng)多次試驗(yàn)發(fā)現(xiàn),當(dāng)掃描線內(nèi)標(biāo)識(shí)線點(diǎn)數(shù)遠(yuǎn)小于路面點(diǎn)數(shù)時(shí),常數(shù)a為3的提取效果最佳。此外可根據(jù)比例關(guān)系適當(dāng)調(diào)整。

3) 若點(diǎn)pi對(duì)應(yīng)的卷積結(jié)果ci大于閾值T,則點(diǎn)pi為可能的交通標(biāo)識(shí)線輪廓點(diǎn)。

經(jīng)上述閾值提取的點(diǎn)為強(qiáng)度發(fā)生明顯變化的點(diǎn),然而該類點(diǎn)中除交通標(biāo)識(shí)線輪廓點(diǎn),還包含如路面裂縫或路面拼接處強(qiáng)度發(fā)生明顯變化的點(diǎn)。因此,本文通過(guò)交通標(biāo)識(shí)線輪廓點(diǎn)的強(qiáng)度變化規(guī)律和空間距離信息進(jìn)一步優(yōu)化提取結(jié)果。如圖2(c)、2(d)所示,每個(gè)交通標(biāo)識(shí)線在掃描線內(nèi)均存在一對(duì)強(qiáng)度的上升點(diǎn)和下降點(diǎn)(圖2(d)中紅色點(diǎn)),在卷積結(jié)果中則對(duì)應(yīng)為一個(gè)極小值和一個(gè)極大值,且一對(duì)強(qiáng)度變化點(diǎn)之間的歐式距離應(yīng)近似等于交通標(biāo)識(shí)線的寬度。經(jīng)上述規(guī)則優(yōu)化后,提取結(jié)果中的點(diǎn)即可基本確定為路面交通標(biāo)識(shí)線輪廓點(diǎn)。最后,為保證提取結(jié)果的精確性,本文選擇DBSCAN算法進(jìn)一步濾除提取結(jié)果中的噪聲點(diǎn)。

1.2 路面交通標(biāo)識(shí)線輪廓擬合與填補(bǔ)

由于路面交通標(biāo)識(shí)線受磨損區(qū)域與瀝青路面的強(qiáng)度對(duì)比度低、物體遮擋造成的路面點(diǎn)云數(shù)據(jù)缺失等原因,路面交通標(biāo)識(shí)線提取結(jié)果往往存在缺失。為提高提取結(jié)果完整性,本文在路面交通標(biāo)識(shí)線輪廓點(diǎn)提取結(jié)果基礎(chǔ)上利用最小二乘算法擬合路面中線型交通標(biāo)識(shí)線輪廓,并結(jié)合卡爾曼濾波算法預(yù)測(cè)缺失區(qū)域的標(biāo)識(shí)線輪廓位置,進(jìn)而提取出缺失區(qū)域的路面交通標(biāo)識(shí)線點(diǎn)。

以圖5(a)的路面點(diǎn)云數(shù)據(jù)為例,路面中的交通標(biāo)識(shí)線包含2條車行道邊緣線和2條車道分界線,按圖中方向自上而下分為4條車道線Line1～Line4。圖5(b)為交通標(biāo)識(shí)線的輪廓點(diǎn)提取結(jié)果,其中Line1、Line2和Line4中存在遮擋或漏提取造成的輪廓點(diǎn)缺失。經(jīng)輪廓擬合后(圖5(c)中黑色矩形框所示),Line1和Line4中的缺失部分可以直接通過(guò)擬合步驟進(jìn)行填補(bǔ),而Line2中缺失的虛線標(biāo)識(shí)(圖5(c)中Mloss所在位置)仍存在缺失。

圖5 路面交通標(biāo)識(shí)線擬合與填補(bǔ)方法示意圖Fig.5 Schematic diagram of road marking fitting and completion

因此本文使用卡爾曼濾波算法進(jìn)行進(jìn)一步填補(bǔ),具體流程如下:

(5)

(6)

(7)

(8)

(9)

5) 重復(fù)步驟2)到4)對(duì)后向搜尋的標(biāo)識(shí)線點(diǎn)集進(jìn)行相同操作,獲取Mloss后向預(yù)測(cè)得到的輪廓角點(diǎn)位置。

6) 按前向和后向迭代預(yù)測(cè)次數(shù)對(duì)前向、后向預(yù)測(cè)的角點(diǎn)位置進(jìn)行加權(quán),獲得最終的缺失區(qū)域標(biāo)識(shí)線輪廓位置。

2 結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

為驗(yàn)證本文提出的線型標(biāo)識(shí)線提取與補(bǔ)全方法的可行性,采用RIEGL VMX-2HA雙掃描儀測(cè)圖系統(tǒng)采集的北京城區(qū)道路點(diǎn)云數(shù)據(jù)進(jìn)行實(shí)驗(yàn)(實(shí)驗(yàn)數(shù)據(jù)由中測(cè)瑞格公司提供),并通過(guò)人工去除部分路面信息后作為原始實(shí)驗(yàn)數(shù)據(jù)(圖6(c)所示)。實(shí)驗(yàn)數(shù)據(jù)的路面全長(zhǎng)約為500 m,寬15 m。數(shù)據(jù)中點(diǎn)密度由路中央向道路兩側(cè)逐漸遞減,在路中央處點(diǎn)密度最高可達(dá)10 000 pts/m2(pts為點(diǎn)的個(gè)數(shù)),而在道路兩側(cè)點(diǎn)密度約為3 000 pts/m2;在單條掃描線內(nèi),點(diǎn)密度在路中央處可達(dá)120 pts/m,在道路兩側(cè)僅為20 pts/m。路面包括車道分界線(虛線)和車道邊緣線(長(zhǎng)實(shí)線),同時(shí)還存在多個(gè)裂縫(如圖6(c)中區(qū)域①)和道路拼接造成的標(biāo)識(shí)線中斷(如圖6(c)中區(qū)域②);在該路面區(qū)域,車道分界線(圖6(c)中區(qū)域③)與車道邊緣線寬度(圖6(c)中區(qū)域④)相同,但車道邊緣線處點(diǎn)云分布更為稀疏。

圖6 實(shí)驗(yàn)數(shù)據(jù)Fig.6 Test data

2.2 實(shí)驗(yàn)結(jié)果分析與精度評(píng)價(jià)

2.2.1 標(biāo)識(shí)線輪廓點(diǎn)提取結(jié)果

圖7(a)為實(shí)驗(yàn)的路面點(diǎn)云數(shù)據(jù),使用大小為1×5、1×15的固定尺寸卷積核和本文提出的基于鄰域點(diǎn)密度的自適應(yīng)尺寸卷積核提取標(biāo)識(shí)線輪廓點(diǎn),提取結(jié)果分別如圖7(b)、7(c)、7(d)所示,并通過(guò)輪廓點(diǎn)提取內(nèi)部標(biāo)識(shí)線點(diǎn)(內(nèi)部標(biāo)識(shí)線點(diǎn)提取效果如圖7(e)所示),以人工提取的標(biāo)識(shí)線點(diǎn)為參考數(shù)據(jù)進(jìn)行精度評(píng)價(jià),以準(zhǔn)確率P、召回率R和F1-Measure作為評(píng)價(jià)指標(biāo),間接評(píng)價(jià)單一尺寸卷積核與自適應(yīng)卷積核提取輪廓點(diǎn)的精度差異(如表1所示)。

表1 基于不同尺寸卷積核的路面交通標(biāo)識(shí)線輪廓點(diǎn)提取精度Table 1 The extraction accuracy of road marking points based on convolutional kernels of different size %

圖7 實(shí)驗(yàn)數(shù)據(jù)的標(biāo)識(shí)線輪廓點(diǎn)提取結(jié)果和標(biāo)識(shí)線點(diǎn)提取效果示意圖Fig.7 Contour points extraction result (blue points in the figure are contour points) and the extracting effect of road marking point

(10)

(11)

(12)

式中,TP為正確提取的標(biāo)識(shí)線點(diǎn)數(shù),FP為錯(cuò)誤提取的標(biāo)識(shí)線點(diǎn)數(shù),FN為未被提取的標(biāo)識(shí)線點(diǎn)數(shù)。

如圖7與表1所示,在使用1×5尺寸卷積核的輪廓點(diǎn)提取結(jié)果中,由于小尺寸的卷積核對(duì)噪聲敏感,因此路中央點(diǎn)分布密集區(qū)域存在大量噪聲點(diǎn),其準(zhǔn)確率僅為63.14%,路面上側(cè)的車道邊緣線點(diǎn)由于分布稀疏而被漏提,召回率(即被正確分類的點(diǎn))僅為55.28%;當(dāng)卷積核尺寸增大為1×15時(shí),噪聲點(diǎn)的減少使得準(zhǔn)確率提升為97.24%,然而尺寸過(guò)大的卷積核使得道路兩側(cè)的車道邊緣線漏提現(xiàn)象更明顯,召回率僅為41.03%;使用自適應(yīng)卷積的輪廓點(diǎn)提取結(jié)果中,在保證準(zhǔn)確率的同時(shí),輪廓點(diǎn)提取結(jié)果的完整性明顯提高,召回率為93.10%,綜合評(píng)價(jià)指標(biāo)F1-Measure可達(dá)到96.03%。

2.2.2 標(biāo)識(shí)線輪廓擬合與填補(bǔ)結(jié)果

在輪廓點(diǎn)提取結(jié)果之上,本文對(duì)標(biāo)識(shí)線輪廓進(jìn)行了擬合與填補(bǔ),如圖8所示,為驗(yàn)證其效果,自上而下分將標(biāo)識(shí)線分為L(zhǎng)ine1～Line4,以標(biāo)識(shí)線中心點(diǎn)偏差ΔL(絕對(duì)誤差)、標(biāo)識(shí)線方向偏差Δd(絕對(duì)誤差)和標(biāo)識(shí)線擬合完整度δ(即標(biāo)識(shí)線擬合長(zhǎng)度與真實(shí)長(zhǎng)度的相對(duì)誤差)作為精度評(píng)價(jià)指標(biāo),對(duì)輪廓擬合(如圖8(a))和填補(bǔ)結(jié)果(如圖8(b))進(jìn)行精度評(píng)價(jià),結(jié)果如表2所示。

表2 標(biāo)識(shí)線輪廓擬合與填補(bǔ)后的精度Table 2 The accuracy of road marking fitting and completion results

藍(lán)色點(diǎn)為標(biāo)識(shí)線輪廓點(diǎn),區(qū)域①～④為需要填補(bǔ)的區(qū)域。圖8 輪廓擬合與填補(bǔ)結(jié)果Fig.8 Contour fitting and completion results

如表2所示,標(biāo)識(shí)線Line1～Line4的輪廓擬合結(jié)果中,平均的中心點(diǎn)偏差約為0.04 m,擬合方向與真實(shí)方向之間平均的方向偏差為0.03°,由于Line1與Line4的缺失區(qū)域可通過(guò)擬合直接填補(bǔ),其標(biāo)識(shí)線擬合完整度達(dá)到99%以上,而Line2與Line3中的擬合完整度僅為91.14%和90.73%。經(jīng)卡爾曼濾波方法填補(bǔ)后,標(biāo)識(shí)線Line1～Line4中平均的中心點(diǎn)偏差為0.04 m,平均的方向偏差為0.04°,無(wú)明顯變化,而Line2與Line3的擬合完整度提升為99.28%和99.68%,總體平均擬合完整度從填補(bǔ)前的95.42%提升至99.69%。為進(jìn)一步驗(yàn)證填補(bǔ)方法的準(zhǔn)確性,將缺失區(qū)域的填補(bǔ)結(jié)果(圖8(b)中區(qū)域①～④所示)和該區(qū)域的真實(shí)路面標(biāo)識(shí)線進(jìn)行比較,如表3所示,在區(qū)域①～④的填補(bǔ)結(jié)果中,平均的中心點(diǎn)偏差和方向偏差分別為0.03 m和0.21°,平均擬合完整度為99.37%。上述結(jié)果表明,經(jīng)過(guò)輪廓擬合和卡爾曼濾波方法填補(bǔ)后的標(biāo)識(shí)線輪廓精度較高,且能夠有效提取缺損區(qū)域的標(biāo)識(shí)線輪廓,減少數(shù)據(jù)缺失對(duì)提取結(jié)果完整性的影響。

表3 標(biāo)識(shí)線缺失區(qū)域的填補(bǔ)精度Table 3 The accuracy of road marking completion results in missing areas

上述實(shí)驗(yàn)通過(guò)對(duì)數(shù)據(jù)中的全部掃描線進(jìn)行處理以提取輪廓點(diǎn),進(jìn)而對(duì)標(biāo)識(shí)線輪廓進(jìn)行擬合與填補(bǔ)。但當(dāng)數(shù)據(jù)量較大時(shí),為保證該方法運(yùn)算效率,可以對(duì)掃描線進(jìn)行抽稀,由于掃描線排列緊密,因此數(shù)據(jù)抽稀后的輪廓點(diǎn)提取結(jié)果對(duì)后續(xù)輪廓擬合與填補(bǔ)精度影響較小。如圖9所示,本文方法運(yùn)算時(shí)間隨著數(shù)據(jù)量的減少而逐漸下降,與對(duì)所有掃描線進(jìn)行處理的時(shí)間相比,每間隔1條和2條掃描線進(jìn)行數(shù)據(jù)抽稀后,其運(yùn)算時(shí)間明顯降低;當(dāng)間隔2條以上掃描線抽稀數(shù)據(jù)后,其運(yùn)算時(shí)間仍隨數(shù)據(jù)量減少而降低,但時(shí)間變化不明顯。因此,在實(shí)際應(yīng)用中為保證運(yùn)算效率,可根據(jù)數(shù)據(jù)量和提取精度的需求對(duì)數(shù)據(jù)進(jìn)行抽稀。

圖9 不同數(shù)據(jù)量的運(yùn)算時(shí)間對(duì)比Fig.9 The comparison of computing time for different data sizes

2.2.3 標(biāo)識(shí)線提取方法對(duì)比分析

本文提出的方法與已有方法的對(duì)比如表4所示。在提取路面標(biāo)識(shí)線前,Cheng等[16]和Ma等[6]提出的方法需要在將路面點(diǎn)云數(shù)據(jù)柵格化為二維圖像,并結(jié)合圖像增強(qiáng)和去噪算法提高圖像對(duì)比度以提取多種路面標(biāo)識(shí),提取結(jié)果的F1-Measure為94.00%和92.43%;Yang等[17]提出的方法需要將路面點(diǎn)云數(shù)據(jù)進(jìn)行體素化,再結(jié)合機(jī)器學(xué)習(xí)分類器進(jìn)行線型標(biāo)識(shí)線的提取,提取結(jié)果的F1-Measure為95.10%;Yang等[18]提出的方法需預(yù)先將路面數(shù)據(jù)分塊,且不同的分塊策略極大影響標(biāo)識(shí)線提取結(jié)果的精度,魯棒性不強(qiáng),文中多種路面標(biāo)識(shí)提取結(jié)果的F1-Measure為95.70%;相比于上述方法,本文提出的方法僅需要對(duì)點(diǎn)云進(jìn)行掃描線分割,實(shí)現(xiàn)簡(jiǎn)單,且對(duì)后續(xù)步驟的提取精度無(wú)影響。Yan等[13]提出的線型標(biāo)識(shí)線提取方法的F1-Measure為94.00%,該方法雖與本文具有相似之處,但本文方法還考慮了點(diǎn)密度分布不均、標(biāo)識(shí)線磨損等因素,適用于多種道路環(huán)境。此外,上述方法未考慮缺損標(biāo)識(shí)線的填補(bǔ)問(wèn)題,且提取的標(biāo)識(shí)線結(jié)果多為像素或點(diǎn)集的形式,而本文提出了缺損標(biāo)識(shí)線填補(bǔ)策略,經(jīng)填補(bǔ)后的最終標(biāo)識(shí)線提取結(jié)果為多個(gè)獨(dú)立的對(duì)象實(shí)體。綜上所述,本文方法具有較強(qiáng)的魯棒性,可在不同質(zhì)量的道路環(huán)境下進(jìn)行標(biāo)識(shí)線的完整提取,具有一定的工程應(yīng)用價(jià)值。

表4 本文方法與已有方法對(duì)比Table 4 Comparison of the proposed method with existing approaches

3 結(jié)論

為降低點(diǎn)云密度不均勻?qū)β访娼煌?biāo)識(shí)線提取精度的影響,本文提出一種新的標(biāo)識(shí)線提取及補(bǔ)全算法。該方法根據(jù)鄰域點(diǎn)密度自動(dòng)生成對(duì)應(yīng)尺寸卷積核,通過(guò)卷積實(shí)現(xiàn)了點(diǎn)云強(qiáng)度變化位置(即標(biāo)識(shí)線輪廓點(diǎn))的檢測(cè);針對(duì)點(diǎn)云數(shù)據(jù)缺失和標(biāo)識(shí)線磨損造成的提取結(jié)果不完整的問(wèn)題,本文在標(biāo)識(shí)線輪廓點(diǎn)基礎(chǔ)上結(jié)合最小二乘方法擬合標(biāo)識(shí)線輪廓,并結(jié)合卡爾曼濾波算法填補(bǔ)缺損標(biāo)識(shí)線信息。經(jīng)驗(yàn)證,本文提出的標(biāo)識(shí)線輪廓點(diǎn)提取方法的準(zhǔn)確率可達(dá) 99.15%,經(jīng)卡爾曼濾波填補(bǔ)后,文章提取的標(biāo)識(shí)線輪廓的平均擬合完整度可達(dá)99.69%,與真實(shí)標(biāo)識(shí)線的中心點(diǎn)位置和方向相比,擬合結(jié)果中平均的中心點(diǎn)偏差和方向偏差僅為0.04 m和0.04°。綜上所述,本文提出的方法有效改善了路面標(biāo)識(shí)線磨損、車輛遮擋、點(diǎn)云密度分布不均等因素對(duì)路面標(biāo)識(shí)線提取結(jié)果精度的影響,實(shí)現(xiàn)了線型路面標(biāo)識(shí)線的快速、精確提取。目前本文僅討論了線型標(biāo)識(shí)線的擬合與填補(bǔ)方法,如何基于標(biāo)識(shí)線輪廓點(diǎn)實(shí)現(xiàn)多種類型的路面標(biāo)識(shí)線擬合與填補(bǔ)有待進(jìn)一步研究。