車載激光掃描數(shù)據(jù)中實線型交通標(biāo)線提取

方莉娜，黃志文，羅海峰，陳崇成

1.福州大學(xué)地理空間信息技術(shù)國家地方聯(lián)合工程研究中心，福建 福州 350002；2.空間數(shù)據(jù)挖掘與信息共享教育部重點實驗室，福建 福州 350002；3.福州大學(xué)數(shù)字中國研究院，福建 福州 350002

實線型交通標(biāo)線主要包括車行道邊緣線和禁止跨越分界線，是重要的道路安全附屬設(shè)施,其所傳達的信息對規(guī)范交通行為、指示道路狀況、保障道路功效、引導(dǎo)行人和安全駕駛等方面具有重要的作用，是交通安全與管理、精確導(dǎo)航和輔助駕駛等應(yīng)用的重要基礎(chǔ)數(shù)據(jù)[1-2]。隨著車載激光掃描系統(tǒng)(mobile lidar system,MLS)的快速發(fā)展，車載激光掃描系統(tǒng)不僅能夠快速獲取道路及其周圍環(huán)境的三維信息，還能提供地物對激光的反射強度信息，為實線型交通標(biāo)線的識別和更新提供了一種新數(shù)據(jù)源。

相較于周圍地面點云，交通標(biāo)線對激光呈高亮反射，具有較大的反射強度值。一些學(xué)者基于三維點云轉(zhuǎn)化獲得的地理參考強度圖像完成標(biāo)線點云分割和提取。如文獻[3—4]基于二維強度特征圖像利用圖像處理相關(guān)技術(shù)，如Ostu、Canny等算子分割和提取標(biāo)線，結(jié)合幾何形狀信息優(yōu)化分割結(jié)果從而完成對標(biāo)線的檢測。文獻[5]針對強度特征圖，考慮到幾何因素對強度的影響，采用基于密度分布的多閾值分割方法實現(xiàn)標(biāo)線的自動分割。為了進一步提高分割精度，文獻[6]提出基于強度特征圖，通過鄰域權(quán)重差異估計獲得自適應(yīng)閾值實現(xiàn)標(biāo)線的粗分割，并利用二維多尺度張量投票機制抑制噪聲從而完成標(biāo)線的精確分割。但這類方法提取交通標(biāo)線的精度易受特征圖像分辨率影響。于是一些學(xué)者則逐點分析局部區(qū)域中地面與標(biāo)線的反射強度差異完成標(biāo)線點云的分割和提取[7-9]。如文獻[9]基于峰值檢測法提取掃描線的強度值作為道路標(biāo)線點。該方法雖然能夠快速提取標(biāo)線，但未考慮強度分布不均情況。文獻[7]則基于分快處理策略，通過多閾值分割和空間密度濾波直接從路面點云中獲得標(biāo)線，并利用標(biāo)線的空間形狀、幾何結(jié)構(gòu)及空間語義結(jié)構(gòu)等信息提取交通標(biāo)線。文獻[10]基于幾何形狀特征與標(biāo)線間交互關(guān)系，利用模型和數(shù)據(jù)驅(qū)動馬爾科夫鏈蒙特卡洛算法構(gòu)建能量函數(shù)，實現(xiàn)標(biāo)線自動分類。但是目前基于車載激光點云的標(biāo)線提取多聚焦于虛線型標(biāo)線，對于實線型標(biāo)線研究較少。相較于虛線型標(biāo)線，實線型標(biāo)線所處的道路環(huán)境、類型更為復(fù)雜，也更易受磨損、遮擋、路口虛線和斑馬線的干擾和影響，實線型標(biāo)線的提取和識別更為困難。

車載激光掃描系統(tǒng)獲取的反射強度信息多為未經(jīng)改正或歸一化的強度信息，反射強度信息不僅與介質(zhì)表面反射率相關(guān)，還受掃描儀特性、幾何結(jié)構(gòu)(掃描距離、激光入射角)、材質(zhì)新舊磨損、行駛環(huán)境等因素影響[11-12]，存在同物異譜和異物同譜現(xiàn)象，直接用于標(biāo)線分割難以得到較高精度。因此，通過強度改正[5，13-15]或強度去噪[16-17]等方法，提升同類地物的強度一致性，增強不同類型地物的強度差異。車載激光點云的強度改正多基于數(shù)據(jù)驅(qū)動，不考慮激光掃描的物理背景，通過擬合強度與各影響因子之間關(guān)系建立模型進行強度改正[11,13-15]。文獻[11]采用數(shù)據(jù)驅(qū)動方法，基于距離-強度關(guān)系，通過對比試驗選擇三次多項式構(gòu)建校正模型，依據(jù)參考距離，利用比值法實現(xiàn)距離的相對校正。文獻[17]則基于入射角-強度關(guān)系，利用車載激光掃描系統(tǒng)自帶的激光掃描角絕對值做入射角，構(gòu)建線性模型擬合二者關(guān)系，以模型值作為校正結(jié)果用于強度校正。這些校正模型能較好減弱掃描距離、入射角等幾何因素對強度的影響，但單一線性關(guān)系或反比例關(guān)系校正模型難以描述和改正其他因素對強度的影響，也無法抑制路面磨損產(chǎn)生的強度噪聲。對于反射強度信息中的高頻噪聲數(shù)據(jù)，目前多采用高斯濾波等圖像濾波方法進行去除，從而平滑強度信息[16-17]。此類方法能夠抑制點云強度中離散分布的噪聲，但難以處理點云密度分布不均以及大面積椒鹽噪聲對強度信息的影響。

針對以上的問題，本文提出一種基于強度增強策略的實線型交通標(biāo)線提取方法。采用多個模型組合的策略逐步改正距離、磨損等因素對地面反射強度的影響，增強標(biāo)線點云的激光強度分布一致性，提升地面和標(biāo)線點云反射強度的差異性?；谠鰪姾蟮姆瓷鋸姸戎担玫孛纥c云和標(biāo)線的局部反射強度、空間分布差異，對標(biāo)線進行分割。融合實線型標(biāo)線的形狀、結(jié)構(gòu)和語義信息，優(yōu)化分割結(jié)果，克服復(fù)雜道路環(huán)境下，斑馬線、虛線型車道線對實線型標(biāo)線識別的干擾，實現(xiàn)車載激光點云中實線型交通標(biāo)線的精確提取和識別。

1 基于車載激光點云的實線型交通標(biāo)線提取

本文方法需要先對點云數(shù)據(jù)進行預(yù)處理，采用基于掃描線方法提取路面點云[18]，計算各激光點與軌跡線的距離R，并根據(jù)軌跡線進行點云分段。然后逐段對路面進行強度增強，消除距離、磨損等因素對反射強度值影響，并集合多濾波器集成的策略進行強度變換和去噪，增強地面點云和標(biāo)線的強度差異；基于增強后的反射強度，采用k均值聚類和連通分支聚類對標(biāo)線進行分割，并利用歸一化圖割方法優(yōu)化實線型交通標(biāo)線與鄰近標(biāo)線形成的欠分割、過分割結(jié)果。最后利用實線型標(biāo)線的語義信息和空間分布特征從分割后標(biāo)線對象中識別實線型標(biāo)線。該方法的主要流程如圖1所示。

圖1 車載激光點云中實線型交通標(biāo)線提取流程Fig.1 The flow of solid traffic lanes extraction from MLS point clouds

1.1 路面點云強度增強

相對于機載和地面激光掃描系統(tǒng)，車載激光掃描系統(tǒng)中掃描距離(入射角)、車速、材質(zhì)新舊磨損程度等因子對點云反射強度的影響更為復(fù)雜，難以用單一的模型確定地物的幾何特性和反射特性。本文融合多個模型逐步改正距離、材質(zhì)、磨損等因素對地面強度的影響，使標(biāo)線點云的激光強度趨于一致，增強地面和標(biāo)線點云反射強度的差異性。

1.1.1 基于距離的點云強度校正

根據(jù)激光反射特性，在一定掃描范圍內(nèi)，車載激光點云的反射強度信息隨著掃描距離的增加而衰減，反射強度值與距離成反比關(guān)系。但是在遠離激光掃描儀的邊緣處，激光強度不與距離平方成反比關(guān)系，采用傳統(tǒng)的比值法容易導(dǎo)致邊緣處過校正。因此本文融合比值法和差值法，采用三次多項式函數(shù)構(gòu)建強度-距離關(guān)系模型(f(R))校正強度，消除掃描距離對反射強度的影響[19]

f(R)=η0+η1R+η2R2+η3R3

(1)

式中，ηi(i=0,1,2,3)為三次多項式的參數(shù)，利用手工提取只包含地面點云的同質(zhì)數(shù)據(jù)(homogeneous reflecting surface data)，即受磨損程度相似的具有相同反射屬性的同材質(zhì)對象點云，采用最小二乘算法求解參數(shù)。

為了避免過校正，本文先采用比值法改正強度[20]，通過計算各激光點校正前后強度差值ΔI，判斷是否過校正：若強度差值ΔI大于閾值θI，則認為強度過校正，對過校正激光點采用差值法[21]進行校正，否則選用比值法進行強度校正；校正公式為

(2)

式中，Rs為參考距離，為等間隔點云片段wd中最小距離；R為各激光點與軌跡線的距離；ΔI=I*f(Rs)/f(R)-I；校正閾值θI設(shè)置過小，易造成欠校正，反之，難以有效處理過校正，故本文設(shè)定θI=max(I)/2，即校正后強度增量不能超過原始點云中最大強度值的1/2。

1.1.2 基于暗通道去霧原理的強度變換

車載激光點云強度數(shù)據(jù)除受距離影響外，還存在大量由路面磨損產(chǎn)生的椒鹽噪聲。這些椒鹽噪聲使得路面點云強度失去高對比度與保真性，同圖像中霧導(dǎo)致的低對比度和弱顏色保真性相似。因此本文將帶有噪聲反射的強度數(shù)據(jù)Ir(x)視作霧，基于暗通道去霧模型[22]，如式(3)

(3)

式中，A為大氣光強度；t(x)為透射率。將其去霧復(fù)原成無霧數(shù)據(jù)J(x)，即強度變換后強度值It。在去霧過程中，透射率t(x)經(jīng)常取值較小，并認為取值越趨近于0時，退化求解的復(fù)原圖像J(x)越接近于無霧圖像。由于直接復(fù)原的無霧圖像存在過飽和現(xiàn)象，一般賦予透射率t(x)一個最小邊界值t0=0.1，使得無霧圖像在輸入圖像濃霧區(qū)域保留一定的霧，呈現(xiàn)較為自然的圖像視覺效果。則暗通道去霧模型修正為

(4)

利用暗通道去霧原理去除噪聲，需要估計透射率t(x)，即估計反射強度數(shù)據(jù)中因磨損等原因形成的噪聲信息。該噪聲信息強度值大、分布廣，本文通過將反射強度劃分為m個區(qū)間，統(tǒng)計各區(qū)間中反射強度的分布頻率p，將強度信息轉(zhuǎn)化成噪聲特征F(F=Ir*p)來計算透射率t(x)=F/max(F)，并認為t值越大，磨損越嚴(yán)重(圖2)。同時以A=min(Ir)作為大氣光強度，確保變換后噪聲點云強度接近正常地面點云強度。

圖2 反射強度數(shù)據(jù)中透射率t(x)分布Fig.2 The distribution of transmittance rate t(x)of intensity data

1.1.3 多濾波器集成強度去噪

經(jīng)過距離校正和基于暗通道去霧的強度變換，可以糾正和增強大部分的反射強度信息，但仍會存在一些孤立噪聲點。在車載激光點云中路面點密度分布不均，針對該情況，需要在濾除噪聲的同時保留相應(yīng)的標(biāo)線點云，而單一濾波器難以同時在不同點密度區(qū)域取得較好的濾波效果。本文通過統(tǒng)計局部區(qū)域內(nèi)點密度，依據(jù)閾值thc，將區(qū)域劃分為高密度和低密度區(qū)域，采用多濾波器集成策略濾除孤立噪聲。

(1)針對高密度區(qū)域噪聲點分布較為集中，分析局部區(qū)域中強度相似性，統(tǒng)計中心點p中鄰域S內(nèi)各點q與其他點的強度差ΔIq之和ΔIsumq，以局部相似度最高即最小ΔIsumq值對應(yīng)的激光點q的強度作為中心點p濾波后的強度If(p)為

(5)

(2)針對低密度區(qū)域中同質(zhì)點云分布較為鄰近，統(tǒng)計中心點p與鄰域S內(nèi)其他點q之間的空間鄰近度和強度相似度，采用雙邊濾波器[23]平滑點云強度并保持標(biāo)線強度特征

GσI(|It(p)-It(q)|)It(q)

(6)

經(jīng)過上述距離改正、強度變換和強度去噪處理，能夠解決車載激光點云中大部分區(qū)域中同質(zhì)區(qū)域強度分布不均問題，提升同質(zhì)點云強度一致性，增強非同質(zhì)點云間強度差異性，有利于后續(xù)標(biāo)線點云精確分割。

1.2 標(biāo)線點云分割

基于增強后的強度信息，利用k均值聚類[24]將標(biāo)線與地面進行分離，并基于連通分支的距離聚類算法[25-26]生成標(biāo)線對象。因空間鄰接的原因，距離分割結(jié)果中存在實線型標(biāo)線與其他對象欠分割的現(xiàn)象，同時存在因遮擋和磨損造成的過分割問題，需進一步優(yōu)化標(biāo)線分割結(jié)果。

1.2.1 實線型標(biāo)線欠分割優(yōu)化

在道路路口區(qū)域中，實線型標(biāo)線與停止線因空間鄰接未分離，需要根據(jù)二者的空間分布特性，利用主方向，基于歸一化割方法(Normalized Cuts)對其再進行分割[7]。

此外，在一些高速路口，實線型標(biāo)線還經(jīng)常與道路出入口標(biāo)線連接在一起(如圖3(a))。針對此類問題，根據(jù)實線型標(biāo)線的空間延續(xù)性，利用掃描線檢測實線型標(biāo)線：

(1)通過構(gòu)建對象最小外接圓，以圓心O0到周邊的線段生成等間隔分布的掃描線，并逐條提取掃描線上兩端點構(gòu)建上下邊界位置(如圖3(b))。

(2)判斷待測點ptk+1與最鄰近點ptk的鄰近關(guān)系，若待測點ptk+1到最鄰近點ptk切線Vk的距離dk不大于標(biāo)線寬度閾值ws，則提取待測點為上下側(cè)實線型標(biāo)線；否則，為道路出入口標(biāo)線(如圖3中(c)和(d))。

圖3 道路出入口標(biāo)線與實線型標(biāo)線分離結(jié)果Fig.3 The segmentation results between entrance markings and solid lanes

1.2.2 實線型標(biāo)線過分割優(yōu)化

由于遮擋或道路磨損，實線型標(biāo)線與道路出入口標(biāo)線還存在過分割問題。針對該問題，本文基于長度將已提取的實線型標(biāo)線劃分為長邊和短邊(如圖4(a))，基于短邊末點pt末的切線V末，構(gòu)建長為2Ls，寬為4ws的感興趣區(qū)域(如圖4(b))。提取與感興趣區(qū)域相交的最鄰近對象作為過分割對象，在待分割對象中提取與前短邊主方向一致的點進行合并，更新短邊并以此為基礎(chǔ)依次合并下一個過分割對象進行優(yōu)化(如圖4(c)和(d))，其中Ls為已獲得出入口標(biāo)線中相鄰目標(biāo)間距的均值。

圖4 過分割優(yōu)化結(jié)果Fig.4 The Over-segmentation optimization results

1.3 實線型交通標(biāo)線提取與識別

在道路環(huán)境中，實線型標(biāo)線的類型多為直線和曲線形狀，本文利用分割后獨立對象的空間分布、形狀和道路場景語義信息提取和識別實線型標(biāo)線，包括以下步驟：

(1)種子對象初始化。由于實線型標(biāo)線長度較長，本文以場景中所有對象長度中值mid_len構(gòu)建閾值ths=2*mid_len，提取長度大于閾值ths的對象作為種子對象。

(2)定義種子對象的吸引區(qū)域和排斥區(qū)域。根據(jù)Stroke原理[27]，為保證線段的延續(xù)性和平滑性，兩個實線型標(biāo)線相連，則待連接對象應(yīng)位于種子對象的延伸方向以保證較小的連接角度。因此，本文預(yù)先定義種子對象的排斥區(qū)域和吸引區(qū)域來連接待連接線段：以線段li中心mi為圓心，半徑ri(ri=‖mi,pt末‖2)的圓形區(qū)域為排斥區(qū)域；以末點pt末的切線Vi為基準(zhǔn)，構(gòu)建寬度為4ws的緩沖區(qū)為吸引區(qū)域(如圖5)。

(3)實線型標(biāo)線連接。根據(jù)實線型標(biāo)線的空間分布特性，若待連接線段位于吸引區(qū)域，不存在排斥區(qū)域中，且其切線方向與種子線段的切線方向夾角τij小于最大連接角度τmax，則被視為連接線段。如圖6中l(wèi)1為種子對象，l2～l5為待測對象，因為l2處于排斥區(qū)域，{l1,l4}的夾角τij大于閾值τmax，因此對象l2與l4不滿足條件；對象l3與l5滿足條件，但{l1,l3}端點連線距離較短，因此對象l3為最佳連接目標(biāo)。并以l3為種子對象用于連接下一個目標(biāo)。

圖5 標(biāo)線段連接示意圖Fig.5 Overview of the road marking segments connection

(4)結(jié)果優(yōu)化。在路口場景中，一些斑馬線和虛線型標(biāo)線因鄰近實線型標(biāo)線，在以上連接過程中，部分斑馬線或虛線型標(biāo)線被誤提取為實線型標(biāo)線。本文利用斑馬線和虛線型標(biāo)線的長度(L)、主方向(v)和規(guī)則間距(G)信息構(gòu)建道路場景語義信息剔除相關(guān)對象，優(yōu)化提取結(jié)果，分別采取如下策略：

斑馬線誤提取場景。根據(jù)GB 5768—2009，若分割后對象p的長度小于7 m且在局部區(qū)域內(nèi)存在與之平行的多個分割對象qi，則該對象p視作斑馬線剔除(式(7))

(Lp<7)∩(vp∥vqi)?斑馬線

(7)

虛線型標(biāo)線誤提取場景。根據(jù)GB 5768—2009，大部分虛線在同一方向上等間隔分布，且長度基本小于7 m。因此，若在同一方向上存在連續(xù)三個分割對象，且長度和間距基本一致，則將其視為虛線剔除(式(8))

(Lp<7)∩(Lp≈Lqi)∩(Gpqi≈Gqiqi+1)?虛線

(8)

式中，Gpqi和Gqiqi+1分別為分割對象qi與相鄰分割對象p以及對象qi+1的間距。

2 試驗與分析

2.1 試驗數(shù)據(jù)

為驗證本文方法提取實線型標(biāo)線可行性，采用4份不同道路場景車載激光點云數(shù)據(jù)進行試驗(如圖6)。其中數(shù)據(jù)1為Lynx Mobile Mapper系統(tǒng)采集的街區(qū)環(huán)境數(shù)據(jù)，場景中標(biāo)線受遮擋較多(如圖6(a)中①)，同時地面存在不同程度磨損(如圖6(a)中②)，且路面強度受距離衰減嚴(yán)重(如圖6(a)中③)，路面強度信息分布不均；數(shù)據(jù)2為StreeMapper系統(tǒng)獲取的高速公路場景，場景為輔道與主道分離區(qū)域，標(biāo)線形狀復(fù)雜，存在大量曲線型實線型標(biāo)線，且路面磨損嚴(yán)重；數(shù)據(jù)3為Trimble系統(tǒng)獲取的街區(qū)場景數(shù)據(jù)，由于地物遮擋以及其他因素影響，數(shù)據(jù)存在多處缺失，影響分割結(jié)果完整性；數(shù)據(jù)4為StreeMapper系統(tǒng)采集的街區(qū)場景數(shù)據(jù)，場景道路為水泥路面，地面與標(biāo)線點云之間強度差異較小，且道路中央存在中間分隔帶，邊緣區(qū)域存在大量虛線型標(biāo)線，不利于實線型標(biāo)線的提取和識別。

圖6 4份不同道路場景的試驗數(shù)據(jù)Fig.6 Overview of the four test data sets road scenes

2.2 試驗結(jié)果分析

為了避免建筑物、植被和交通附屬設(shè)施等地物對目標(biāo)提取的影響，本文先將離散點云生成掃描線，基于掃描線方法確定路面點云[18]?？紤]分塊過小，區(qū)域中無標(biāo)線對象將會影響后續(xù)標(biāo)線分割處理；反之，構(gòu)建的校正模型難以適用整個分塊，并影響算法效率。故本文以15 m作為處理單元(包括至少兩組標(biāo)線)，人工提取受磨損程度相似的地面點云作為同質(zhì)數(shù)據(jù)用于校正模型f(R)構(gòu)建，從而完成路面點云強度增強。綜合考慮算法效率與強度變換效果，在每個分段中設(shè)定強度距離區(qū)間數(shù)m為10；根據(jù)GB 5768—2009中標(biāo)線寬度(0.2 m)設(shè)置格網(wǎng)寬度為0.2 m，距離閾值thd和ws為0.3 m；為了有效濾除高密度區(qū)域噪聲并保留低密度區(qū)域中的標(biāo)線點云，根據(jù)試驗數(shù)據(jù)情況點密度thc取值為8，基于以上研究方法，采用如表1參數(shù)設(shè)置，實現(xiàn)4份試驗數(shù)據(jù)的實線型標(biāo)線分割與提取。

表1 試驗參數(shù)設(shè)置Tab.1 The optimal parameters configuration used in the proposed method

4份數(shù)據(jù)的增強結(jié)果如圖7所示。從中可以觀察到，本文方法能夠消除距離導(dǎo)致的強度衰減問題(如圖7(a)中③)，同時能有效抑制道路磨損產(chǎn)生的強度噪聲(如圖7(a)中①②和(b)中①)。此外，除了能夠增強瀝青路面點云強度(如圖7(c))，同時還能有效提升水泥地面與標(biāo)線點云間強度差異(如圖7(d))。

基于強度增強結(jié)果，采用k均值和歸一化分割方法進行標(biāo)線分割，并基于實線型標(biāo)線形狀、語義結(jié)構(gòu)進行線段連接與優(yōu)化，最后實線型標(biāo)線提取結(jié)果如圖8所示。

試驗數(shù)據(jù)中的絕大部分實線型標(biāo)線均被準(zhǔn)確提取。本文方法不僅能有效提取完整的直線型目標(biāo)(如數(shù)據(jù)3)，同時對于不連續(xù)的直線型目標(biāo)(如數(shù)據(jù)3中①②)和曲線型目標(biāo)(如數(shù)據(jù)2中①)具有較好的識別效果，并對虛線型標(biāo)線具有一定的抗干擾性(如數(shù)據(jù)3中③和數(shù)據(jù)4中②)。

雖然本文方法能夠適用于大部分道路場景，但仍然存在部分誤提取和漏提取實線型標(biāo)線，如因道口磨損嚴(yán)重。盡管經(jīng)過強度增強能糾正大部分的地面信息，但少數(shù)地面信息仍然能導(dǎo)致地面點強度異常被誤識別為標(biāo)線，從而被誤提取(如圖9中場景A、場景E)；由于少數(shù)標(biāo)線點密度稀疏，難以生成完整對象，造成漏提取(如圖9中場景B)；分割后標(biāo)線分布孤立且長度較短，難以被檢測(如圖9中場景C)；同時少數(shù)標(biāo)線與目標(biāo)距離太近產(chǎn)生欠分割，容易被統(tǒng)一識別為實線型標(biāo)線(如圖9中場景D)。

圖7 強度增強結(jié)果Fig.7 The results of Intensity enhancement

圖9 誤提取和漏提取結(jié)果Fig.9 Overview of some subsets of misdetection and error detection

2.3 試驗結(jié)果分析與精度評價

為了分析強度增強算法的有效性，本文統(tǒng)計強度增強前后的強度分布，其中圖10為局部區(qū)域中路面強度分布圖，表2為4份試驗數(shù)據(jù)強度增強前后的統(tǒng)計數(shù)據(jù)表。如圖10所示，增強前，掃描線上標(biāo)線點強度值分布不均，且與地面點云強度分布存在交叉(如圖10中(b))；增強后，掃描線上地面點云強度值分布基本一致，標(biāo)線點強度普遍高于地面點強度，二者交叉重疊現(xiàn)象得到有效抑制(如圖10中(c))。由表2可知，4份數(shù)據(jù)原始點云強度分布較為散亂，其原始地面和標(biāo)線點云強度值標(biāo)準(zhǔn)差均較大。強度增強后，二者強度值標(biāo)準(zhǔn)差均變小，分布更為集中。并且，二者強度分布具有明顯區(qū)分性，如數(shù)據(jù)4中點云經(jīng)過增強后，地面和標(biāo)線點云強度值由原來交叉分布在2500和2800左右，轉(zhuǎn)化到集中分布在75和750左右，強度差異性得到有效提升。在數(shù)據(jù)1中，主要是邊緣處標(biāo)線受距離衰減的影響，其中大部分標(biāo)線點云強度值較大，因此增強前后標(biāo)線點云強度分布基本一致。但標(biāo)線點云強度最小值由58上升為450，說明強度增強消除了距離對強度的衰減影響。此外，數(shù)據(jù)4邊緣區(qū)域標(biāo)線磨損嚴(yán)重，增強后強度值雖然對比地面點云有較大差異，但相較于大部分道路中間區(qū)域的標(biāo)線點云強度值仍然較小，故在400和600附近存在兩個孤立分布。

表2 4份試驗數(shù)據(jù)增強前后點云的強度分布Tab.2 The intensity distribution of four test data sets before and after enhancement

由于沒有真實參考數(shù)據(jù)，本文采用人工數(shù)字化實線型標(biāo)線作為參考數(shù)據(jù)，以其總長度作為試驗結(jié)果質(zhì)量評價參考基準(zhǔn)。同時采用準(zhǔn)確率P、召回率R以及綜合評價指標(biāo)F1-Measure值作為評價指標(biāo)，分析4份試驗數(shù)據(jù)中實線型標(biāo)線的提取精度(表3)

(9)

(10)

(11)

式中，TP為正確提取的長度，F(xiàn)P為錯誤提取的長度，F(xiàn)N為未被提取的長度。

表3 實線型標(biāo)線提取精度Tab.3 The accuracies of the proposed method for solid lanes extraction

從表3中可以看出，數(shù)據(jù)4中實線型標(biāo)線提取的準(zhǔn)確率較高，這是因為其邊緣區(qū)域路面狀況較好，地面與標(biāo)線點云區(qū)分性較好。但由于道路中間有大量的分隔帶，漏提取情況較多，召回率相對較低。數(shù)據(jù)2由于受遮擋情況較少且點密度較大，分割后的標(biāo)線相對完整，故其召回率較高。但由于路面磨損嚴(yán)重，即便經(jīng)過強度增強，依然存在部分地面點被誤提取為標(biāo)線點，導(dǎo)致準(zhǔn)確率較低。整體而言，在4份試驗數(shù)據(jù)中，實線型標(biāo)線提取結(jié)果的準(zhǔn)確率達到95.98%，召回率達到91.87%，F(xiàn)1-Measure值達到95.55%，這表明本文方法能夠從車載激光點云數(shù)據(jù)中精確提取絕大多數(shù)的實線型標(biāo)線，不僅適用于規(guī)則道路環(huán)境，對于復(fù)雜的非規(guī)則道路環(huán)境也能取得較滿意的結(jié)果。

由于目前沒有僅針對實線型標(biāo)線提取的方法，因此本文選取文獻[7]中標(biāo)線處理的相關(guān)研究，采用兩份試驗數(shù)據(jù)(如圖11)與本文方法進行分析對比，試驗結(jié)果精度如表4所示。對于樣本數(shù)據(jù)1，本文方法存在實線型標(biāo)線與停車位標(biāo)線的欠分割問題(圖11(a)中#1)，其準(zhǔn)確率相比文獻方法較低。但文獻方法在道路邊緣區(qū)域的增強效果有限，且只依據(jù)分割后標(biāo)線長度進行目標(biāo)提取，使得漏提取情況嚴(yán)重(如圖11(a)中#3，圖11(b)中#2和#4)。而本文方法在邊緣區(qū)域?qū)姸鹊脑鰪娸^好，并適用于不連續(xù)、殘缺目標(biāo)的提取，其召回率、F1-Measure值均高于文獻方法，進一步驗證了本文方法有效性。

3 結(jié) 論

本文結(jié)合比值法與差值法進行距離校正，消除幾何因素對反射強度值影響。針對城市環(huán)境中，標(biāo)線因長期使用、磨損等原因?qū)е聦す獾姆瓷湎禂?shù)降低，存在與地面強度值接近以及大面積噪聲等情況，采用暗通道去霧原理，并集合多濾波器集成的策略進行強度變換和去噪，增強地面和標(biāo)線點云間強度差異。然后采用k均值聚類和連通分支聚類方法提取標(biāo)線對象，并基于主方向和幾何形狀特征處理實線型交通標(biāo)線與停止線、道路出入口標(biāo)線粘連產(chǎn)生的欠分割、過分割問題。在此基礎(chǔ)上，基于獨立標(biāo)線對象的空間分布特性與場景語義結(jié)構(gòu)信息提取實線型標(biāo)線。本文采用4份不同場景數(shù)據(jù)進行試驗驗證，試驗結(jié)果中實線型標(biāo)線提取的準(zhǔn)確率為95.98%，召回率達到91.87%，綜合評價指標(biāo)F1-Measure值達95.55%。該方法有效改善了受掃描距離、路面磨損以及點密度分布不均等因素影響的強度信息，解決了實線型標(biāo)線與停止線、道路出入口標(biāo)線因空間連接而產(chǎn)生的欠分割、過分割問題，實現(xiàn)了復(fù)雜道路環(huán)境(多車道、斑馬線和虛線型標(biāo)線干擾)下實線型標(biāo)線的精確提取。然而，本文方法對于少數(shù)小斑塊地面磨損區(qū)域處理效果仍然有待提高，且仍然存在因點密度稀疏而導(dǎo)致的部分實線型標(biāo)線誤提取和漏提取問題。在后續(xù)的學(xué)習(xí)工作中將結(jié)合這些問題進一步研究，嘗試增加入射角校正模型，并構(gòu)建適應(yīng)小斑塊的強度改正模型，同時探討標(biāo)線缺失處理方法和適用稀疏標(biāo)線點云的聚類方法，以提高實線型標(biāo)線的提取精度。

表4 本文和文獻[7]實線型標(biāo)線提取對比精度Tab.4 The quantitative evaluation of the solid lines detection performance obtained by the proposed and the reference [7]

圖11 本文和文獻[7]實線型標(biāo)線提取結(jié)果Fig.11 Illustrations of solid lines detection performance obtained by the proposed method and the reference [7]