一种基于车载激光点云的道路场景类型识别方法及系统技术方案

本发明专利技术涉及一种基于车载激光点云数据的道路场景类型识别方法及系统，该方法包括以下步骤：S1、基于车载激光点云数据，获取地面点云，进而获取道路边界点云；S2、计算道路边界点的主方向，以车载激光扫描系统行驶方向为轨迹点前进方向，计算当前轨迹点向量，计算主方向与轨迹点向量夹角值，逐轨迹点计算轨迹点邻域内道路边界夹角特征值值，依据夹角值的不同分类出道路直线段与路口段；S3、将路口段聚类为独立对象，采用动态图卷积神经网络DGCNN分类十字路口和T字路口，得到直线段、十字路口和T字路口。该方法及系统有利于识别出不同道路场景类型的道路边界。景类型的道路边界。景类型的道路边界。

【技术实现步骤摘要】
一种基于车载激光点云的道路场景类型识别方法及系统


[0001]本专利技术属于道路场景识别
，具体涉及一种基于车载激光点云的道路场景类型识别方法及系统。

技术介绍

[0002]车载激光扫描系统作为迅速发展的新型测绘技术，能够快速、准确地获取道路场景及周围地物的空间信息，被广泛应用于城市交通管理、智慧交通、高精地图等领域中。高精地图是实现自动驾驶的前提基础，道路边界场景类型作为静态高精地图的重要组成部分，其类型的精确识别有助于辅助自动驾驶汽车行驶路径规划和决策。
[0003]目前，道路场景识别主要分为两种方法：基于图像的道路场景类型识别方法和基于GPS轨迹数据的道路类型识别方法。基于图像的道路场景类型识别方法主要针对图像进行特征抽取、描述、匹配，通过归纳总结不同路口类型语义特征、空间结构以及拓扑形状等，实现路口类型的识别，然而该方法实现的路口类型识别均依赖于人工设计的特征，识别的效果严重依赖于特征项设计的准确度，且基于图像的方法对光照较敏感，难以识别复杂的道路场景类型。基于GPS轨迹数据主要利用车辆时空轨迹数据，基于轨迹数据路口处的转弯角度、速度、停留时长等构建路口特征集合，基于不同路口类型特征分类不同路口类型，该方法使用的GPS轨迹数据依据车辆行驶留下的轨迹区域，对于车辆行驶较少的道路易造成轨迹数据残缺不全，难以精确识别道路场景。
[0004]专利CN108877267A公开了一种基于车载单目相机的交叉路口检测方法，其设计了路口类型分类及距离估计损失函数构建综合损失函数，构建特征编码子网络、路口类型分类子网络及距离分类子网络形成交口路口类型检测网络，以车载单目相机采集的道路彩色图像作为输入网络中，输出道路的交叉口的类型。但该方法基于车载单目相机获取的单目图像获取的分辨率较低且包含信息有限，难以应用到大场景道路场景中。
[0005]专利CN106896353A公开了一种基于三维激光雷达的无人车路口检测方法，其利用无人车装载的激光雷达采集道路场景点云数据，将点云数据转换为栅格图像提取多帧高度信息图，基于高度信息图像素点作为特征向量，基于无人车所在实际位置与真实地图对应查找无人车前方的交叉路口点，最后基于支持向量机输入高度信息图特征向量和交叉路口点，分类出无人车所在位置路口类型。但该方法将点云转换为栅格图像方法，生成的图像仍存在精度损失，且分类的精度依赖于特征的选择，影响道路场景类型分类精度。
[0006]专利CN109271858A公开了一种基于行车轨迹和视觉车道边线数据的路口识别方法，其基于行车轨迹数据提取轨迹速度为零数据轨迹点集合，基于密度聚类算法对轨迹点集合生成路口停止线，基于停止线数据与道路关联的摄像头车道边线数据进行切割，提取出路口位置。但该方法仅能识别出路口区域，未能区分不同的路口类型。
[0007]专利CN110688958A公开了一种基于GoogLeNet神经网络的交叉路口识别方法，其基于路网数据作为路口样本，将路口样本输入GoogLeNet卷积神经网络训练，识别不同路口类别。但该方法识别出的路口仅能识别城市主干道路场景，难以识别高速岔道与非岔道等
类型。
[0008]专利CN109635722A公开了一种高分辨率遥感影像路口自动识别方法，其基于遥感影像进行道路类和非道路类的粗提取，通过提取道路骨架交叉点，作为候选路口坐标，进而识别路口。但该方法仅适用于道路区域特征明显的城区主干道路，对于次干道路处难以识别出路口，且识别出的路口未能识别出路口类型。
[0009]专利CN109815993A公开了一种基于GPS轨迹的区域特征提取、数据库建立及路口识别方法，其基于轨迹数据的速度变化提取移动GPS轨迹，采用特征提取窗口提取道路特征，最后基于滑动窗口的KNN算法识别交叉路口。但该方法对难以识别轨迹数据较少区域，且未能对识别出的路口做类型的区分。

技术实现思路

[0010]本专利技术的目的在于提供一种基于车载激光点云的道路场景类型识别方法及系统，该方法及系统有利于识别出不同道路场景类型的道路边界。
[0011]为实现上述目的，本专利技术采用的技术方案是：一种基于车载激光点云数据的道路场景类型识别方法，包括以下步骤：
[0012]S1、基于车载激光点云数据，获取地面点云，进而获取道路边界点云；
[0013]S2、计算道路边界点的主方向，以车载激光扫描系统行驶方向为轨迹点前进方向，计算当前轨迹点向量，计算主方向与轨迹点向量夹角值，逐轨迹点计算轨迹点邻域内道路边界夹角特征值值，依据夹角值的不同分类出道路直线段与路口段；
[0014]S3、将路口段聚类为独立对象，采用动态图卷积神经网络DGCNN分类十字路口和T字路口，得到直线段、十字路口和T字路口。
[0015]进一步地，所述步骤S1具体包括以下步骤：
[0016]S11、基于车载激光点云数据，采用布料模拟滤波方法获取地面点云；
[0017]S12、基于步骤S11获取的地面点云，采用超体素方法分割地面点云，超体素的每个点具有相同的语义标签，法向相近的道路边界点云被分割在同一语义标签内，该标签内所有的道路边界点云组成一个体素块；
[0018]S13、计算地面点云超体素每个体素块内点云内法向量与点云数据坐标系Z轴的夹角均值Δθ，计算每个体素块内点云的最大高程与最小高程之差Δh，依据体素块法向阈值t
normal
及体素块高程差阈值t
height
，计算满足t
normal
、t
height
的体素块，提取出的体素块即为包含道路边界点云体素块；
[0019]S14、基于车载激光扫描系统轨迹线，保留道路两侧设定范围内的数据点，去除设定范围外的数据点；
[0020]S15、采用欧式聚类对粗提取的道路边界体素块聚类，设定聚类簇点数量阈值t
num
，去除小于阈值数量点的聚类簇，得到去噪后的体素块，即道路边界点云。
[0021]进一步地，所述步骤S2具体包括以下步骤：
[0022]S21、基于获取的道路边界点云，采用主成分分析法计算道路边界点主方向；
[0023]输入道路边界点云，随机选择点云中一点p
i
，检索p
i
邻域r内的点云p1、p2、p3…
p
n
，计算邻域r范围内点云的x、y方向的均值计算邻域点的协方差矩阵C，选择协方差矩阵中最大特征值对应的特征向量作为道路边界点p
i
的x、y方向的主方向满足以下
公式：
[0024][0025][0026][0027][0028]其中，n为点云邻域内点云数量；表示邻域内点x
i
、y
i
方向的平均值，x
i
、y
i
分别表示第i个点云在x方向、y方向上的坐标值；Cov(x,y)表示x、y协方差矩阵；
[0029]S22、以车载激光扫描系统轨迹点t<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车载激光点云数据的道路场景类型识别方法，其特征在于，包括以下步骤：S1、基于车载激光点云数据，获取地面点云，进而获取道路边界点云；S2、计算道路边界点的主方向，以车载激光扫描系统行驶方向为轨迹点前进方向，计算当前轨迹点向量，计算主方向与轨迹点向量夹角值，逐轨迹点计算轨迹点邻域内道路边界夹角特征值值，依据夹角值的不同分类出道路直线段与路口段；S3、将路口段聚类为独立对象，采用动态图卷积神经网络DGCNN分类十字路口和T字路口，得到直线段、十字路口和T字路口。2.根据权利要求1所述的一种基于车载激光点云数据的道路场景类型识别方法，其特征在于，所述步骤S1具体包括以下步骤：S11、基于车载激光点云数据，采用布料模拟滤波方法获取地面点云；S12、基于步骤S11获取的地面点云，采用超体素方法分割地面点云，超体素的每个点具有相同的语义标签，法向相近的道路边界点云被分割在同一语义标签内，该标签内所有的道路边界点云组成一个体素块；S13、计算地面点云超体素每个体素块内点云内法向量与点云数据坐标系Z轴的夹角均值Δθ，计算每个体素块内点云的最大高程与最小高程之差Δh，依据体素块法向阈值t
normal
及体素块高程差阈值t
height
，计算满足t
normal
、t
height
的体素块，提取出的体素块即为包含道路边界点云体素块；S14、基于车载激光扫描系统轨迹线，保留道路两侧设定范围内的数据点，去除设定范围外的数据点；S15、采用欧式聚类对粗提取的道路边界体素块聚类，设定聚类簇点数量阈值t
num
，去除小于阈值数量点的聚类簇，得到去噪后的体素块，即道路边界点云。3.根据权利要求1所述的一种基于车载激光点云数据的道路场景类型识别方法，其特征在于，所述步骤S2具体包括以下步骤：S21、基于获取的道路边界点云，采用主成分分析法计算道路边界点主方向；输入道路边界点云，随机选择点云中一点p
i
，检索p
i
邻域r内的点云p1、p2、p3…
p
n
，计算邻域r范围内点云的x、y方向的均值计算邻域点的协方差矩阵C，选择协方差矩阵中最大特征值对应的特征向量作为道路边界点p
i
的x、y方向的主方向p
ix
、p
iy
，满足以下公式：，满足以下公式：，满足以下公式：，满足以下公式：
其中，n为点云邻域内点云数量；表示邻域内点x
i
、y
i
方向的平均值，x
i
、y
i
分别表示第i个点云在x方向、y方向上的坐标值；Cov(x,y)表示x、y协方差矩阵；S22、以车载激光扫描系统轨迹点t
...

【专利技术属性】
技术研发人员：方莉娜，王康，
申请(专利权)人：福州大学，
类型：发明
国别省市：