一种基于点云的道路场景地面标识物的提取方法

摘要

本发明涉及一种基于点云的道路场景地面标识物的提取方法。首先将激光点云数据分段，分割出地面点云，接着按预设的分辨率将点云转换成图像，对图像进行目标检测与分类，得到地面标识物的位置和类别，然后利用卷积神经网络提取地面标识物的关键点，用标准的路面标识物关键点与提取出的关键点做尺度、方向和位置匹配，最后根据匹配结果将标准的路面标识物转换到地图坐标系。相比现有方法需要对提取结果进行进一步处理才能在高精度地图中使用，本发明在提取的过程中加入关键点提取和关键点匹配两步，使得最终的提取成果能直接输入高精度地图中，提高了生产效率；提取过程使用深度学习的方法，普适性好，可以处理不同激光设备的数据。

说明书

技术领域

本发明属于移动测量领域，特别是涉及一种基于点云的道路场景地面标识物的提取方法。

背景技术

地面标识物是汽车驾驶过程中必须要遵守的交通规则之一，能为自动驾驶或辅助驾驶提供关键信息，是高精度地图中必不可少的要素。

目前基于点云的地面标识物的提取方法主要可以分为两个方向：基于人工特征的提取方法和基于深度学习的提取方法。基于人工特征的提取方法将点云数据构建人工特征，如点云强度，然后将点云数据进行阈值分割并进行聚类、过滤等操作，提取出地面标识物，该方法优点是处理速度快，但是由于不同的激光设备采集的点云数据强度信息可能差别较大，并且点云密度也不尽相同，因此该方法不能很好地适用各种激光设备；基于深度学习的提取方法先将点云转换成灰度图像，再利用深度学习技术对图像分割，然后将分割结果转换到点云坐标系中得到提取结果，该方法虽然能提取出路面标识物，但输出结果不是高精度地图的标准输入数据格式，还需再进行其他处理才能在高精度地图中使用，或者利用深度学习技术对图像分类，再进行人工标注生成地面标识物，增加了人力成本。

发明内容

本发明针对现有技术的不足，提供一种基于点云的道路场景地面标识物的提取方法。首先将激光点云数据分段，并分割出地面点云，接着按预设的分辨率将点云转换成图像，对图像进行目标检测与分类，得到地面标识物的位置和类别，然后利用卷积神经网络提取出地面标识物的关键点，再用标准的路面标识物关键点与提取出的关键点做尺度、方向和位置匹配，最后根据匹配结果将标准的路面标识物转换到地图坐标系，生成地面标识物部件。

为了达到上述目的，本发明提供的技术方案是一种基于点云的道路场景地面标识物的提取方法，包括以下步骤：

步骤1，对原始激光雷达点云数据进行预处理，分割出地面点云；

步骤2，将步骤1分割出的地面点云按照预设分辨率转换成图像；

步骤3，对步骤2转换成的图像进行目标检测与分类，得到路面标识物的位置和类别；

步骤4，利用卷积神经网络提取路面标识物的关键点；

步骤5，将标准的路面标识物关键点与步骤4提取的关键点做尺度、方向和位置匹配，进行关键点对齐；

步骤6，将标准的路面标识物坐标按照步骤5的匹配结果转换到地图坐标系中。

而且，所述步骤1是首先根据点云长度将原始激光雷达点云数据均匀分为n段，然后选用合适的点云滤波器（如半径滤波）去除原始点云的噪声点，接着根据轨迹的高程Z

而且，所述步骤2是在路面平面内，将步骤1分割出的地面点云按照预设分辨率划分网格，将每个网格中点云的强度信息映射成图像的像素灰度值。如果是彩色点云，可将点云RGB信息映射成图像中像素的RGB信息。没有点云数据的网格，图像灰度设置为0，并记录图像左上角像素点的物理坐标。

而且，所述步骤3是首先利用骨干网络提取步骤2转换得到的图像的特征图，分别在这些特征图上构造不同尺度大小的目标框，然后分别进行检测和分类，生成多个目标框，经过非极大抑制方法去除不正确的目标框，生成最终的检测与分类结果。

而且，所述步骤4是根据步骤3输出的路面标识物的类别，调用适用的卷积神经网络，输入目标图像经过卷积组生成特征图，特征图经过全连接层生成关键点坐标。

而且，所述步骤5是按照步骤3输出的路面标识物的类别，选用对应的标准地面标 识物关键点，与步骤4提取的关键点做尺度、方向和位置匹配，代价函数可以表示为

而且，所述步骤6是利用步骤5匹配完成后得到的s、θ、t三个参数将标准的路面标识物坐标转换到地图坐标系中。

与现有技术相比，本发明的优点和有益效果：相比于现有方法需要对提取结果进行进一步处理才能在高精度地图中使用，本方法在提取的过程中加入关键点提取和关键点匹配两步，使得最终的提取成果能直接输入高精度地图中，减少人工成本，提高了生产效率；提取过程使用深度学习的方法，普适性更好，可以更好的处理不同激光设备的数据，提取精度比使用人工特征的传统方法高，而且精度可以随着样本的增加而提高。

附图说明

图1为本发明实施例路面标识物提取的流程图。

图2为本发明实施例由点云转换成的灰度图像。

图3为本发明实施例目标检测与分类网络流程图。

图4为本发明实施例目标检测与分类结果。

图5为本发明实施例关键点推理示意图。

图6为本发明实施例目标关键点提取结果。

图7为本发明实施例关键点对齐结果。

具体实施方式

本发明提供一种基于点云的道路场景地面标识物的提取方法。首先将激光点云数据分段，并分割出地面点云，接着按预设的分辨率将点云转换成图像，对图像进行目标检测与分类，得到地面标识物的位置和类别，然后利用卷积神经网络提取出地面标识物的关键点，再用标准的路面标识物关键点与提取出的关键点做尺度、方向和位置匹配，最后根据匹配结果将标准的路面标识物转换到地图坐标系，生成地面标识物部件。

下面结合附图和实施例对本发明的技术方案作进一步说明。

如图1所示，本发明实施例的流程包括如下步骤：

步骤1，对原始激光雷达点云数据进行预处理，分割出地面点云。首先根据点云长度将原始激光雷达点云数据均匀分为n段，然后选用合适的点云滤波器（如半径滤波）去除原始点云的噪声点，接着根据轨迹的高程Z

步骤2，将步骤1分割出的地面点云按照预设分辨率转换成图像。在路面平面内，将地面点云按照预设分辨率划分网格，将每个网格中点云的强度信息映射成图像的像素灰度值，如图2所示。如果是彩色点云，可将点云RGB信息映射成图像中像素的RGB信息。没有点云数据的网格，图像灰度设置为0，并记录图像左上角像素点的物理坐标。

步骤3，对步骤2转换成的图像进行目标检测与分类，得到路面标识物的位置和类别。首先利用骨干网络提取特征图，分别在这些特征图上构造不同尺度大小的目标框，然后分别进行检测和分类，生成多个目标框，经过非极大抑制方法去除不正确的目标框，生成最终的检测与分类结果。目标检测与分类网络流程图如图3所示。图4检测出来的路面标识物类别为直行箭头，分类编号为601，检测目标置信度为0.79。

步骤4，利用卷积神经网络提取路面标识物的关键点。根据步骤3输出的路面标识物的类别，调用适用的卷积神经网络，输入目标图像经过卷积组生成特征图，特征图经过全连接层生成关键点坐标。关键点推理过程如图5所示，路面标志直行箭头关键点坐标提取结果如图6所示。

步骤5，将标准的路面标识物关键点与步骤4提取的关键点做尺度、方向和位置匹 配，进行关键点对齐。按照步骤3输出的路面标识物的类别，选用对应的标准地面标识物关 键点，与步骤4提取的关键点做尺度、方向和位置匹配，代价函数可以表示为

步骤6，将标准的路面标识物坐标按照步骤5的匹配结果转换到地图坐标系中。步骤5匹配完成后可以得到s、θ、t三个参数，利用这三个参数将标准的路面标识物坐标转换到地图坐标系中。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。