基于车载激光点云的道路标线提取方法研究
发布时间：2022-01-15 17:27
车载激光扫描近年来被广泛应用于道路环境信息提取及道路三维模型重建方面等工作,然而由于测量数据中包含目标种类繁多、点云数据量大,仍然需要大量的人工处理步骤以实现道路标线等目标的提取,已有研究所提出的自动化目标提取算法在实用性上仍不成熟。基于车载激光点云,利用标线点云的空间分布特点及反射强度信息,结合行车轨迹及标线的位置、高程特征,提出了一种能快速提取道路标线的方法。首先基于点云反射强度指标建立Logistic回归模型,以选取合适的阈值进行标线点分类。其次,利用行车轨迹及标线点的位置、高程特征建立圆柱体搜索区域,并且进行定步长迭代式的标线点搜索。最后,对搜索结果进行分段式最小二乘法拟合并将其转换为CAD三维多段线,从而得到道路标线提取结果。该方法中采用的Logistic回归模型兼顾了标线点的提取率和误判率两大指标,在保证足够提取率的同时,使得误判率尽量低。所提出的定步长迭代式的搜索方法具有极强的适应性,在标线不清晰甚至较大面积缺失的情况下也能准确地提取出道路标线。以Topcon公司生产的IP-S2移动测绘系统为例的试验结果表明:该算法能高效、稳定地提取道路标线、提取精度,以符合工程实践需要...
【文章来源】：公路交通科技. 2019,36(07)北大核心CSCD
【文章页数】：9 页
【部分图文】：
道路标线提取流程Fig.3Flowchartofroadmarkinglineextraction
Ｖけ晗吣夂闲Ч?。2.1.2模型标定与对比采用Ｒ语言进行Logistic回归模型的建立与参数标定。将数据集分为训练集(80%)和测试集(20%)，用Ｒ语言完成5折交叉验证(5-fold-cross-validation)的Logistic回归分析［12－13］，得到模型参数β0=－13.668，β1=0.0782。为检查模型可靠性，绘制了ＲOC曲线，如图4所示。本研究Logistic回归模型计算得到的AUC为0.8915，交叉验证得到的预测准确率为0.9512，可靠性较高［14］。图4ＲOC曲线Fig.4ＲOCcurve标线点概率阈值的选取对标线点判别有很大影响。多次试验后发现，判别模型应保证至少40%的提取率以保证最小二乘法的样本数量，且误判率应尽量低。为此通过研究提取率和误判率两个指标随不同标线点概率阈值p0的变化趋势(表2)，确定最佳标线点概率阈值。可以看出，随着p0的增大，提取率TPＲ和误判率FPＲ的值都不断下降，当FPＲ为0时，最大的TP在p0=0.50时取到，此时的提取率为0.41。因此，取概率阈值p0=0.5。采用p0=0.5时的Logistic回归模型得到的混淆矩阵表如表3所示。可以看出，此时提取数为2932，且误判数为0，误判率为0。用分位数法算得θ=0.0687，分位数Iθ=160，准确率为93.51%。从混淆矩阵对比表(表4)可以看出，分位数法的提取率较高，但误判率远大于Logistic回归模型，因此Logistic回归模型相比分位数法更具可靠性，故选择Logistic回归模型为标线点判别模型。2.2标线迭代式提取算法反射强度是标线点识别的一个重要指标，但仍需加
户在AutoCAD中选择的标线起点O，后续搜索区域的底面圆心C为上一段标线线段的末端端点;(2)按照前述方法，计算搜索区域位置处的道路切线方向向量S;(3)以S作为搜索区域的中心轴方向向量，以用户指定的基点作为搜索区域的底面圆心，创建一个底面半径r为0.2m，高h为0.5m的圆柱体区域。2.2.3筛除高反射强度的非标线点除道路标线点外，在创建的搜索区域内存在许多高反射强度的非标线点(如车辆外壳及护栏等设施)。根据道路设计标准，其纵坡一般小于8%［16］，图5搜索区域的建立Fig.5Establishmentofsearcharea图6搜索区域Fig.6Searcharea道路标线的高程变化也相对缓慢，据此可以筛除行驶的车辆、路侧护栏等反射强度较高而高程较大的点。记圆柱体搜索区域中心轴的xy平面投影线段长度为hx，标线起始点为点O。设试验路段最大纵坡为imax，如果将搜索区域内点Pi的反射强度代入逻辑回归模型中得到的预测概率大于0.5，且高程hP与基点高程h0之间的高程差符合hPi－h0＜hx×imax的判别条件，则可将其判别为标线点，记标线点集合为{Q1，Q2，Q3，…，Qn}。2.2.4标线拟合算法将搜索区域内判别出的标线点{Q1，Q2，Q3，…，231
【参考文献】：
期刊论文
[1]基于激光雷达的三维车载扫描仪系统研究[J]. 潘明夷,才家华,龙星宇. 科技资讯. 2017(19)
[2]一种用于激光雷达识别车道标线算法[J]. 孔栋,孙亮,王建强,王晓原. 科学技术与工程. 2017(16)
[3]基于车载三维激光扫描的道路线提取研究[J]. 李明辉,田雪冬,胡维强. 测绘与空间地理信息. 2014(04)
[4]空间离散点最小二乘法分段直线拟合的研究[J]. 韩庆瑶,肖强,乐英. 工业仪表与自动化装置. 2012(04)
[5]浅谈道路的纵坡设计[J]. 肖志礼. 黑龙江科技信息. 2011(23)
硕士论文
[1]基于车载激光点云数据的典型地物分类与提取[D]. 唐云龙.北京工业大学 2015
本文编号：3591027
【文章来源】：公路交通科技. 2019,36(07)北大核心CSCD
【文章页数】：9 页
【部分图文】：
道路标线提取流程Fig.3Flowchartofroadmarkinglineextraction
Ｖけ晗吣夂闲Ч?。2.1.2模型标定与对比采用Ｒ语言进行Logistic回归模型的建立与参数标定。将数据集分为训练集(80%)和测试集(20%)，用Ｒ语言完成5折交叉验证(5-fold-cross-validation)的Logistic回归分析［12－13］，得到模型参数β0=－13.668，β1=0.0782。为检查模型可靠性，绘制了ＲOC曲线，如图4所示。本研究Logistic回归模型计算得到的AUC为0.8915，交叉验证得到的预测准确率为0.9512，可靠性较高［14］。图4ＲOC曲线Fig.4ＲOCcurve标线点概率阈值的选取对标线点判别有很大影响。多次试验后发现，判别模型应保证至少40%的提取率以保证最小二乘法的样本数量，且误判率应尽量低。为此通过研究提取率和误判率两个指标随不同标线点概率阈值p0的变化趋势(表2)，确定最佳标线点概率阈值。可以看出，随着p0的增大，提取率TPＲ和误判率FPＲ的值都不断下降，当FPＲ为0时，最大的TP在p0=0.50时取到，此时的提取率为0.41。因此，取概率阈值p0=0.5。采用p0=0.5时的Logistic回归模型得到的混淆矩阵表如表3所示。可以看出，此时提取数为2932，且误判数为0，误判率为0。用分位数法算得θ=0.0687，分位数Iθ=160，准确率为93.51%。从混淆矩阵对比表(表4)可以看出，分位数法的提取率较高，但误判率远大于Logistic回归模型，因此Logistic回归模型相比分位数法更具可靠性，故选择Logistic回归模型为标线点判别模型。2.2标线迭代式提取算法反射强度是标线点识别的一个重要指标，但仍需加
户在AutoCAD中选择的标线起点O，后续搜索区域的底面圆心C为上一段标线线段的末端端点;(2)按照前述方法，计算搜索区域位置处的道路切线方向向量S;(3)以S作为搜索区域的中心轴方向向量，以用户指定的基点作为搜索区域的底面圆心，创建一个底面半径r为0.2m，高h为0.5m的圆柱体区域。2.2.3筛除高反射强度的非标线点除道路标线点外，在创建的搜索区域内存在许多高反射强度的非标线点(如车辆外壳及护栏等设施)。根据道路设计标准，其纵坡一般小于8%［16］，图5搜索区域的建立Fig.5Establishmentofsearcharea图6搜索区域Fig.6Searcharea道路标线的高程变化也相对缓慢，据此可以筛除行驶的车辆、路侧护栏等反射强度较高而高程较大的点。记圆柱体搜索区域中心轴的xy平面投影线段长度为hx，标线起始点为点O。设试验路段最大纵坡为imax，如果将搜索区域内点Pi的反射强度代入逻辑回归模型中得到的预测概率大于0.5，且高程hP与基点高程h0之间的高程差符合hPi－h0＜hx×imax的判别条件，则可将其判别为标线点，记标线点集合为{Q1，Q2，Q3，…，Qn}。2.2.4标线拟合算法将搜索区域内判别出的标线点{Q1，Q2，Q3，…，231
【参考文献】：
期刊论文
[1]基于激光雷达的三维车载扫描仪系统研究[J]. 潘明夷,才家华,龙星宇. 科技资讯. 2017(19)
[2]一种用于激光雷达识别车道标线算法[J]. 孔栋,孙亮,王建强,王晓原. 科学技术与工程. 2017(16)
[3]基于车载三维激光扫描的道路线提取研究[J]. 李明辉,田雪冬,胡维强. 测绘与空间地理信息. 2014(04)
[4]空间离散点最小二乘法分段直线拟合的研究[J]. 韩庆瑶,肖强,乐英. 工业仪表与自动化装置. 2012(04)
[5]浅谈道路的纵坡设计[J]. 肖志礼. 黑龙江科技信息. 2011(23)
硕士论文
[1]基于车载激光点云数据的典型地物分类与提取[D]. 唐云龙.北京工业大学 2015
本文编号：3591027
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3591027.html
