[发明专利]基于激光点云与影像数据融合的车道线提取方法

说明书

本发明涉及一种基于激光点云与影像数据融合的车道线提取方法，包括以下步骤：步骤1，对原始激光点云进行预处理，提取道路面点云，并对原始影像进行预处理，去除噪声、光照等影响；步骤2，从步骤1中提取出的道路面点云中提取道路边界的点云，利用车道线与道路边界的距离是一定的原理，确定车道线的点云位置；步骤3，对步骤2处理之后得到车道线点云与预处理之后的影像进行配准，粗略确定影像上的车道线大致位置；步骤4，在步骤3确定的影像区域内进行精确的车道线检测。本发明充分利用点云数据和影像数据各自的优势，更加精确和鲁棒的提取出车道线。

技术领域

本发明属于多源数据融合处理与模式识别领域，涉及一种基于激光点云与影像数据融合的车道线提取方法。

背景技术

如今普遍通用的道路级地图数据已经不能满足一些高级驾驶辅助系统(ADAS)和智能车的需要，我们需要使用车道级的信息来辅助路径规划与决策。因而，车道线的提取在高精度地图的制作中就显得尤为重要。

在利用数字图像处理技术来进行车道线的提取这一块，国内外的研究层出不穷，从目前现有的较为成熟的提取方法来看，学者们大多运用基于HIS颜色空间的阈值分割算法和基于改进Hough变换的车道线检测算法，这类方法虽然已经发展地较为成熟，但鉴于实际道路情况的复杂性，车道线出现磨损的情况屡见不鲜，而在磨损的过程中车道线的颜色也非常容易与道路混淆，造成车道线检测率较低、误检、漏检的情况较多。

而在使用激光数据进行车道线检测这一块，已有的研究通常是结合激光点云的回波反射率、扫描角，以及量测距离等特征信息来提取道路标线的属性信息，采用最小二乘线性最优拟合算法对提取的标线点云进行拟合，生成道路标线的CAD轮廓线，实现道路标线的自动化识别，上述方案虽然都有一些初步的特征识别效果，但因其进行车道线检测时所遵循的思路较为单一，或仅关注某些理想条件下的情况，使得算法的通用性、准确性和鲁棒性都远远不够。当应用于实际复杂多变的道路情况，容易受到周围车辆遮挡、车道线磨损等难以避免的情况的干扰，并且单纯使用点云数据可能存在一些因沿途平坦而造成道路无法分离的情况，使得单纯利用激光点云数据往往不能得到较为精细和准确的车道线定位及检测提取效果。

发明内容

本发明的内容是基于多源数据融合的思想，提供了一种结合使用车载激光雷达获取的点云数据和CCD相机获取的影像数据融合处理的方法，来进行车道线的检测与提取，该方法从实际复杂的道路情况出发，综合考虑两种数据的优势与不足，可以更加准确、高效地进行车道线的检测提取，为高精度导航地图的制作提供一种获取更加精细的道路信息的方法，一种基于激光点云与影像数据融合的车道线提取方法，包括以下步骤：

步骤1，对原始激光点云进行预处理，提取道路面点云，对原始影像进行预处理，原始影像预处理包括图像分割、图像去噪和图像增强，去除噪声和光照的影响；

步骤2，从步骤1中提取出的道路面点云中提取道路边界的点云，利用车道线与道路边界的距离是一定的原理，确定车道线的点云位置；具体实现如下，

首先定义扫描行上所有点的梯度为|△z|/|△x|，其中△z和△x分别表示激光坐标系下当前点与后一点的z差值和x差值，对梯度设定阈值，将大于该阈值且为非地面点的点保留下来，得到粗略的道路边界点云集合Q；

然后计算当前点与前一点的x坐标差值|△x1|，如果|△x1|小于点间距/2，将当前点放置同一集合类S1内，否则将当前点放于新建一集合类S2内，若当前点已有多个集合类S，则计算当前点与所有集合类S中首点的最小值|△x|_min，如果|△x|_min小于点间距/2，将当前点放置|△x|_min所对应的集合S_min内，否则将当前点放于新建一集合内；对集合Q中的所有点进行相同的操作，最终得到n个集合类S1～Sn，统计每个集合类的点数PTs＿Num，若PTs＿Num＜5，则将该集合类的所有点从集合Q中剔除；对保留下来的集合类进行一次管道滤波，即从而得到最终的道路边界点云；