[发明专利]一种激光点云的车道线提取方法及电子设备

说明书

本发明提供了一种激光点云的车道线提取方法及电子设备。该方法包括获取包括车道的激光点云；基于激光点云中各点的高程值从激光点云中剔除非地面点得到地面点云；将地面点云转换为基于灰度值的灰度图像和基于高程值的高程图像，基于灰度图像生成二值图像；根据灰度图像和高程图像对二值图像进行区域增长聚类生成至少一个聚类区域；获取各聚类区域的最小外接矩形的长度和宽度的比值，基于比值从各聚类区域的地面点中提取用于生成车道线的地面点；对用于生成车道线的地面点进行拟合生成车道线，以制作高精地图。该方法可减少地物高亮区域被错误识别为车道线；根据灰度图像和高程图像对二值图像进行区域增长聚类，提高聚类准确率。

技术领域

本发明涉及高精度地图技术领域，特别是一种激光点云的车道线提取方法及电子设备。

背景技术

当前，车道级高精度地图能够提供更多的可帮助车辆定位、导航以及决策判断的道路信息，因此车道级高精度地图广泛地应用于高级驾驶辅助系统中，现有的传统地图已经无法满足高级驾驶辅助系统的需求。车道线是车道级高精度地图的重要组成部分，正确提取车道线是保证车道级地图精度的前提。

在现有技术中，有多种提取车道线的方法。第一种方法，基于深度学习神经网络提取车道线。这种方法主要是根据特征识别出的车道线模型，建立深度学习神经网络，从而实现车道线的提取。但是，基于深度学习神经网络提取出的车道线的精度与训练神经网络的模型精度强相关。为了取得高精度的车道线，需要大量的车道线模型进行训练，训练成本和负荷高。第二种方法，基于图像的车道线提取。这种方法通常采用基于HIS(Hue-Saturation-Intensity，色调-饱和度-亮度)色彩空间的阈值分割方法，但是由于路面的复杂性，车道线会出现磨损，这种情况下很难区分磨损的车道线和路面，而且路面上车辆的遮挡情况也会影响提取的车道线的精度和完整度。第三种方法，人工编辑识别车道线。这种方法主要依靠人工在点云或图像上绘制车道线，效率低、成本高、无法保证准确率、无法进行批量生产。第四种方法，基于点云的车道线提取。这种方法利用点云的回波反射率(灰度值)等特征区分车道线与路面，采用最小二乘拟合对提取出的点进行拟合，实现车道线的自动提取。但是这种方法容易受到噪声的影响，例如，地面上其他高亮的标识(如限速标记、文字等)会被错分为车道线，提取精度低。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的激光点云的车道线提取方法及电子设备。

本发明的一个目的在于提供一种可进行海量数据处理、提取精度高的激光点云的车道线提取方法。

本发明的一个进一步的目的在于进一步提高所提取的车道线的平滑度。

特别地，根据本发明实施例的一方面，提供了一种激光点云的车道线提取方法，包括：

获取包括车道的激光点云；

基于所述激光点云中各点的高程值从所述激光点云中剔除非地面点得到地面点云；

将所述地面点云转换为基于灰度值的灰度图像和基于高程值的高程图像，基于所述灰度图像生成二值图像；

根据所述灰度图像和所述高程图像对所述二值图像进行区域增长聚类生成至少一个聚类区域；

获取各所述聚类区域的最小外接矩形的长度和宽度的比值，基于所述比值从各所述聚类区域的地面点中提取用于生成车道线的地面点；

对所述用于生成车道线的地面点进行拟合生成车道线，以制作高精地图。

可选的，所述基于所述激光点云中各点的高程值从所述激光点云中剔除非地面点得到地面点云，包括：

将所述激光点云投影到空间直角坐标系的XOY平面；

在所述XOY平面建立包括所述激光点云的格网；