本发明专利技术提出一种车载激光扫描点云数据的交通标牌识别方法，该方法包括以下步骤：（一）点云实时预处理；（二）点云结构特征获取；（三）多尺度马尔科夫随机场点云聚类；（四）交通标牌识别。本发明专利技术的优点：强化了点云的“面状”、“线状”、“散乱状”特征，增强了点与点之间的差异性，在避免欠分割的同时，能够快速在交通标牌零部件尺度上合理分割；方便从地物遮挡或地物自遮挡造成的部分交通标牌缺失的点云数据中实现交通标牌的分类和识别；能有效满足当前对城市零部件的快速提取、监测和识别的要求，方便推广到基于计算机视觉的有人或无人导航和避障领域，辅助驾驶员在复杂路况下导航和决策，有效地降低交通事故发生概率。
【技术实现步骤摘要】
本专利技术提出的是车载激光扫描点云数据的交通标牌识别方法，属于遥感科学
技术介绍
在2013年8月29日在京举行的“中国道路交通安全论坛”上，公安部副部长黄明指出，截至2012年底，中国机动车保有量2.4亿辆，机动车驾驶员2亿人，根据《国家公路网规划（2013-2030年）》，2030年末我国公路总里程将达580万公里左右，车辆增多、路况复杂致使交通事故发生频次与日俱增，给我国公民生命财产安全带来巨大威胁，亟需建立完善交通安全管理体制，智能交通系统（Intelligent Transportation System, ITS）就是提高车辆智能、改善交通状况的有效方法之一。ITS 是上个世纪90年代兴起的新一代智能交通系统，它将先进的信息处理技术、导航定位技术、数据通讯技术、物联网技术、计算机网络技术等有效地综合应用于整个交通管理系统，通过加强道路、车辆、驾驶员和管理员之间的联系，实现车辆行驶的“智能化”和道路交通的“自动化”，虽然ITS在一定程度上发挥了智能感知、导航的作用，但是该系统整合的技术较多，尤其是基于视觉的车辆感知技术，往往需多视角光学影像生成三维深度图以辅助车辆分析周围环境，这往往会导致计算量大、耗时且易受到诸如天气、光线等外在因素影响，另外，利用ITS进行智能导航、感知和理解周围环境时，通常过度依靠GNSS（Global Navigation Satellite System, GNSS）和其他基础GIS（Geographic Information System, GIS）数据源，这常常导致以下缺陷：① 实际道路交通标牌零部件数据库与当前车辆GNSS位置时常存在不匹配的现象，传统的市政交通路标、交通指示牌等零部件大多是通过RTK（Real-time kinematic, RTK）或全站仪等传统测量设备获取，其更新频率较低，毁坏、拆除或新建的交通标牌不能实时同步到数据库中，因此进行实时导航时，车辆当前位置与其周围环境中交通设施往往不同步，进而影响实时导航的效率和用户体验；② 当车辆位于高楼耸立的城区或大型商业建筑物内部时（譬如地下停车场），往往会造成GNSS信号失锁，甚至完全失效，此时基于视觉导航就变得十分重要；③ 在高精度动态导航时，GNSS精度将不能满足要求，如巡航导弹对目标精准打击时，最后的精准定位大多都是基于视觉、激光、红外等信息判别目标位置；④ 在某些情况下，单纯利用GNSS导航会变得不现实，如2013年12月2日中国发射的“嫦娥三号”卫星所携带的巡视探测器—玉兔号月球车，其在月球表面进行探测时，GNSS的导航便失去作用，此时需要借助计算机视觉，认知周围地形场景，实现月球车的最优路径选择。因此，要使得智能交通系统ITS更为智能，除了与GNSS、物联网技术、网络通讯技术进行有效结合外，还应赋予车辆更多的智能，令其能够理解自身所处的环境场景，尤其在高速公路和城区主干道环境中，以交通指示牌、电线杆、交通信号灯、公交路牌、路灯等为标识的杆状物尤为常见，它们突显于周围环境，容易被观察者识别，因此经常被作为路标，用于辅助驾驶和导航，对该类路牌路标的快速识别，需要结合计算机视觉技术，利用车辆配备的车载激光雷达扫描系统MLS，实时从三维激光点云中感知物体的位置和空间几何结构信息，提取对交通导航有帮助的交通标牌等杆状物，以期突破利用传统多角度光学影像提取交通标牌时易受天气、光线条件、遮挡等不利因素的制约。交通标牌在几何特征上属于杆状物体，传统的基于光学影像的杆状地物提取方法需要良好的光照条件，不能全天候作业，并且很难提供目标精确的三维几何信息，MLS系统在获取空间信息方面提供了一种全新的技术手段，能够在高速移动状态下获取道路及其两侧建筑物、树木、交通标牌、路灯等地物的三维空间坐标，弥补了传统光学影像数据采集手段的不足，已被广泛运用于数字城市、基础测绘、城市规划、交通、环保等领域，研究基于MLS点云的杆状地物自动提取技术，辅助城市基础设施部件探测和智能车辆导航已成为当前的研究热点。学者Brenner利用“圆柱算法”提取城区环境中的杆状目标，用于汽车辅助驾驶和道路基础设施建库。该类方法根据落入内圆柱和外圆柱内的点数比值来识别杆状地物，“圆柱算法”对外圆柱半径、内外圆柱点数比值等阈值较敏感，并且该方法在杆状物体上有附属结构或杆状物体周围附着有其它物体时容易导致检测失败；学者Golovinskiy 等提出一种从MLS数据中分割汽车、路灯、交通信号杆等地物的方法，该方法通过对物体定位、前景和背景分割、几何和语义特征的提取等系列流程，实现目标监督分类，另外，该方法也融合其他数据源，完善语义特征描述，物体识别率可达65%。但是训练样本选择数量和代表性会极大地影响识别精度，同时大量的样本训练也会降低系统效率，难以做到实时处理；另外，很多学者利用扫描线特征提取城区和林区的杆状地物，该类方法首先基于杆状地物在扫描线上表现出的不同特征，逐条扫描线中识别属于杆状地物的扫描线，然后根据空间相邻性，将候选扫描线合并得到候选杆状区域，再根据杆状地物的语义规则或先验知识，逐次判断候选杆状区域，得到最终的杆状地物，该类方法需要扫描线信息的支持，难以处理散乱的点云数据，并且对传感器的种类和安装方式具有很大的依赖性，适应性较差；学者Pu等提出一种认知MLS点云场景的方法，用于交通安全的监测：首先将点云粗略分为“地面”、“与地面接触的地物”和“与地面非接触地物”三类，然后利用分割单元的尺寸、拓扑、形状、方向等特征进一步将“与地面接触地物”分为交通标牌、树木、建筑、交通围栏等，该方法在不同类型激光脚点的混合区域、杆状物体上有附属结构、杆状物体周围附着有其它物体的复杂情形时，容易导致检测失败，另外，物体的识别效果也受到特征提取、场景复杂度、数据质量等综合因素的影响；学者Yu 等提出一种全自动方法从MLS数据场景中分割地面、建筑、植被等，该方法首先去除地面点，然后通过体素化加速后续地物点的分割，使得后续Mean-shift分割基于较大的分割单元，最后通过MEMS（Manifold Embedded Mode Seeking, MEMS）方法分类体素化后的分割单元，该分割方法对于点云的噪声和均匀程度不敏感，较适合复杂场景的分割，可以分离独立或者地基较小地物，又能保证跨度较大地物（天桥）和面积较大地物（建筑立面）分割的完整性，另外，该方法对具有重复结构单元的建筑墙面具有良好的分割效果。武汉大学杨必胜教授提出Shape-based分割方法，用于MLS数据分割，该方法首先通过确定最优的邻域范围，计算每个点云的几何特征，用于后续的SVM（Support Vector Machine, SVM）点云标号，然后通过定义分类规则对上述标号过的点云进行聚类，并对聚类单元实施图割优化，最后利用合并规则合并分割单元，以实现单个物体的完整分割，该方法具有较好的分割效率，尤其对于杆状物体具有特别好的分割效果。为满足道路交通设施部件调查和管理需求，学者Yokoyama等利用物体几何结构和上下文语义特征，从MLS数据中探测和识别道路两旁的杆状物，并将其细分为灯杆、多功能用途电线杆、交通标牌三类。在杆状物被正确分割的基础上，其正确识别率达到92.本文档来自技高网...
【技术保护点】
车载激光扫描点云数据的交通标牌识别方法，其特征是该方法包括以下步骤：（一）点云实时预处理；（二）点云结构特征获取；（三）多尺度马尔科夫随机场点云聚类；（四）交通标牌识别。
【技术特征摘要】
1.车载激光扫描点云数据的交通标牌识别方法，其特征是该方法包括以下步骤：（一）点云实时预处理；（二）点云结构特征获取；（三）多尺度马尔科夫随机场点云聚类；（四）交通标牌识别。2.根据权利要求1所述的车载激光扫描点云数据的交通标牌识别方法，其特征是所述的点云实时预处理，具体步骤如下：① 剔除视场范围以外的点：通过阈值法，将当前车辆前、左、右、上、下距离阈值d =100 m外的点云剔除；② 地面点剔除方法：将点云栅格化（栅格单元尺寸设置为点云平均密度），将其垂直投影到栅格网，每个非空栅格包含若干个点，保证组成地物点云的完整性；假设将当前栅格及其周围邻域栅格内的最低点设为地面点，逐次比较邻域内最低点和当前栅格内最低点高程，如果存在任意一个邻域栅格最低点高程小于当前栅格最低点高程且超过阈值h1=0.5 m时，则判定当前栅格为地物栅格，否则为地面栅格；栅格判定完成后，在当前地面栅格及其邻域栅格范围内，比当前地面栅格中最低点高程差大于h2=10 cm缓冲带内的点也默认为地面点，需将其剔除；③ 大面积建筑屋顶、建筑立面剔除：借助栅格网，统计分析栅格内点云的数量，如果栅格单元中点的数目大于5且至少存在10个同类型的栅格单元构成连通分量时，这些连通的栅格单元内的点则属于建筑立面，需将其进一步剔除，并且根据建筑立体墙面的位置，将建筑立面后方所有栅格中包含的建筑屋顶点也一并去除。3.根据权利要求1所述的车载激光扫描点云数据的交通标牌识别方法，其特征是所述的点云结构特征获取，其具体方法如下：1）对实时预处理后得到的地物点，借助KNN（K-Nearest Neighbor algorithm, KNN）算法构建k邻近无向图，将无组织点云利用无向图数据结构进行组织；2）逐个对联通分量利用公式（1）进行拉普拉斯平滑： ...
【专利技术属性】
技术研发人员：陈动，杜建丽，史玉峰，郑加柱，史晓云，杨强，王增利，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。