[发明专利]基于图结构的车载激光点云道路标线识别方法

权利要求书

1.一种基于图结构的车载激光点云道路标线识别方法，其特征在于，包括以下步骤：

步骤S1：采集路面点云数据，并基于强度校正的标线分割和小尺寸目标提取,基于分割结果提取获得小尺寸标线对象，并作为参考标线对象；

步骤S2：根据获得的小尺寸标线对象，基于标线的形状特征和邻域空间结构构建由参考标线指向邻域对象的空间与语义关系图；

步骤S3：基于空间与语义关系图，自定义图结构节点与边存储编码规则，构建图结构的特征描述子；

步骤S4：根据图结构的特征描述子，构建并训练深度神经网络；

步骤S5:利用训练后的深度神经网络从车载激光点云目标分割结果中直接提取不同类型的标线；

所述步骤S1具体为：

步骤S11：基于强度增强后路面点云数据，采用k均值聚类与距离聚类的方法实现标线点云的分割；

步骤S12:基于步骤S11点云分割结果，通过层次分类法获得小尺寸标线对象，并作为参考标线对象；

所述步骤S2具体为：

步骤S21:基于参考标线对象的最小外接矩形，构建待测参考标线对象的八邻域分区，得到分割后各标线对象的搜索邻域；

步骤S22：以分割后标线对象为单位，提取邻域分区内标线对象的Hu不变矩I、实心形状上下文F_SSC、最小外包矩形面积F_MBR_Area以及延展度F_MBR_U，构建标线对象的形状特征F_shape，以此作为空间与语义关系图G中节点集合V的每一个节点属性

步骤S23：提取邻域分区内各对象相对于参考标线对象的距离Dist_l0、姿态差异Pos_l0，用以构建空间与语义结构信息作为图结构G中边集合E的每一条图边属性

所述步骤S3具体为：

步骤S31：基于生成的空间与语义关系图，为保证输入网络训练的向量维度属性的一致性，创建图结构节点与边的存储编码规则：将标线对象节点属性与边属性编码为0，以左上邻域分区为起始编码1，按照顺时针方向分别对八邻域内所有标线对象节点属性与边属性进行1-8规则编码存储；

步骤S32：采用步骤S31定义的编码规则，融合邻域节点属性和边属性构建综合属性用于编码存储邻域对象所对应节点，描述参考标线对象的邻域空间语义结构特性：

其中k为图节点数目，l为图边数目；

步骤S33：基于步骤S31编码规则及步骤S32所得邻域标线对象特征描述符融合参考标线对象，构建待测参考对象的图结构向量，作为该标线对象的特征描述子。

2.根据权利要求1所述的基于图结构的车载激光点云道路标线识别方法，其特征在于，所述步骤S4具体为：

步骤S41：提取标线点云的训练样本，构建基本的训练样本库；

步骤S42：基于特征描述子和训练样本库，构建并训练深度神经网络。

3.根据权利要求2所述的基于图结构的车载激光点云道路标线识别方法，其特征在于：所述标线点云的训练样本包括：直行箭头、人行横道预告标识线、单向转向箭头、双向转向箭头、虚线型标线、人行横道。