[发明专利]基于图结构的车载激光点云道路标线识别方法

说明书

本发明涉及一种基于图结构的车载激光点云道路标线识别方法，包括以下步骤：步骤S1：基于强度校正的标线分割和小尺寸目标提取,基于分割结果提取小尺寸标线对象；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。本发明能够实现对复杂城市场景中多类型标线的自动识别与精细分类。

技术领域

本发明涉及车载激光扫描点云数据处理领域，具体涉及一种基于图结构的车载激光点云道路标线识别方法。

背景技术

道路交通标线作为典型的人工地物，其形状规则、尺寸规范、分布有序，因此，其形状特征和空间语义信息，被广泛应用于车载激光雷达点云道路标线分类研究。虽然大部分不同类别道路标线形状各异，但是，仍然有部分不同类别道路标线具有相似的几何和形状特征，如直行箭头、虚线型标线和人行横道均整体呈现线状分布，严重影响利用形状特征进行目标分类与识别的精度；此外，目前道路标线空间语义结构依靠辅助数据进行构建，空间结构只适用于某一特定类别标线，难以进行推广；基于语义信息的道路标线分类方法依赖大量人工阈值设定，使得自动化程度较低。因此，如何构建一种能够深层次描述道路标线空间语义结构信息的统一特征模式用于多类标线特征描述，同时实现形状相似标线的自动精细分类，是目前基于车载激光点云数据进行道路交通标线精细分类的难点工作之一。

目前，基于车载激光点云数据识别道路标线的方法主要分为两类：基于单一特征的标线分类方法和结合形状特征与语义信息的道路标线分类方法。基于单一特征的标线分类方法主要依靠某一类特征进行标线识别，如利用Hough变换检测呈现线状空间分布的车道线，或基于邻域空间内标线的排列方式构建语义特征描述斑马线，然而，上述方法仅适用于某一特定标线类别，难以推广到其它标线；一些学者通过构建标线的形状特征，利用模板匹配实现多种标线的分类，该算法对具有显著形状差异的标线类别识别效果较好，但其抑制噪声能力弱，对于形状相似标线的识别精度较低。

目前，结合形状特征与语义信息的道路标线分类方法主要联合形状特征、标线对象与相邻对象的交互关系进行特征描述：如联合形状特征和相邻对象的平行关系，实现斑马线和其它标线的区分；或针对基于形状特征的粗分类结果，根据虚线型标线在同一方向上的等间距排列，精细区分虚线型标线和实线型标线。这些方法的空间语义信息较为单一，只适用于特定标线类别识别。一些学者基于标线与轨迹线间角度关系、相邻标线排列情况精细划分矩形标线，并利用模板匹配细化箭头标线分类结果。这些方法虽然结合了多种语义信息，并引入机器学习方法提高分类精度，但其基于语义特征的分类方法依赖于大量的人工经验阈值，方法自动化程度较低。一些学者提出结合形状特征与标线间交互关系，利用模型和数据驱动马尔科夫链蒙特卡洛算法构建通用的能量函数，实现标线自动分类。但该方法仅仅基于是否重叠这一情况描述标线间交互关系，难以精确刻画标线的空间结构特性。

发明内容

有鉴于此，本发明的目的在于提供一种基于图结构的车载激光点云道路标线识别方法。

为实现上述目的，本发明采用如下技术方案：

一种基于图结构的车载激光点云道路标线识别方法，包括以下步骤：

步骤S1：基于强度校正的标线分割和小尺寸目标提取,基于分割结果提取小尺寸标线对象；

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；