基于移動(dòng)激光掃描點(diǎn)云數(shù)據(jù)柵格化的交通標(biāo)線分割算法

劉 春，戚遠(yuǎn)帆，李友源，吳杭彬，姚連璧

（同濟(jì)大學(xué) 測繪與地理信息學(xué)院，上海 200092）

隨著自動(dòng)駕駛技術(shù)的迅猛發(fā)展，高精地圖作為自動(dòng)駕駛的關(guān)鍵基礎(chǔ)支撐［1-4］被廣泛應(yīng)用。高精地圖不僅輔助實(shí)現(xiàn)車道級定位，且能輔助車輛根據(jù)交通標(biāo)線信息實(shí)現(xiàn)安全行駛。因此，高精地圖需要具備高精度和豐富語義標(biāo)線信息的車道模型［5］。早期的道路信息及標(biāo)線提取往往是基于光學(xué)影像［6-7］，然而光學(xué)影像易受惡劣天氣影響［8］。而移動(dòng)激光掃描（mobile laser scanning，MLS）系統(tǒng)對光照、天氣等具有更好的魯棒性，能在短時(shí)間內(nèi)連續(xù)、準(zhǔn)確地采集高精度點(diǎn)云［9-10］。因此基于MLS點(diǎn)云開展了大量關(guān)于城市道路的標(biāo)線提取與語義分割的研究。目前相關(guān)的研究可以分為以下兩種：

其一，基于MLS點(diǎn)云直接提取與分割。文獻(xiàn)［11］通過點(diǎn)云強(qiáng)度信息粗篩選出交通標(biāo)線點(diǎn)云，結(jié)合距離閾值精化提取結(jié)果，通過點(diǎn)云的連通性分析提取交通標(biāo)線。文獻(xiàn)［12］利用中值濾波平滑路面點(diǎn)的反射強(qiáng)度，結(jié)合點(diǎn)云強(qiáng)度的梯度特征與幾何特征分割道路點(diǎn)云。文獻(xiàn)［13］直接在每個(gè)點(diǎn)云的鄰域內(nèi)計(jì)算幾何特征，利用支持向量機(jī)（SVM）分類點(diǎn)云。文獻(xiàn)［14］結(jié)合幾何特征提出了二進(jìn)制內(nèi)核描述符（BKD）的局部特征，編碼3D點(diǎn)云的形狀和強(qiáng)度信息，通過隨機(jī)森林分類提取道路特征。文獻(xiàn)［15］通過自適應(yīng)區(qū)塊和多閾值結(jié)合強(qiáng)度的方法提取交通標(biāo)線，采取歸一化互相關(guān)匹配交通標(biāo)線點(diǎn)云與模板。然而文獻(xiàn)［11-14］更側(cè)重于道路環(huán)境整體的語義分割，對于類別多樣的交通標(biāo)線僅粗分為一類，文獻(xiàn)［15］對于多種不同語義信息的箭頭標(biāo)線，也未進(jìn)行精細(xì)化分割。

其二，在MLS點(diǎn)云轉(zhuǎn)換到的柵格圖像中提取與分割。文獻(xiàn)［16］提出與距離相關(guān)的閾值函數(shù)，以選取最佳的閾值提取交通標(biāo)線，但未給交通標(biāo)線賦予語義信息。文獻(xiàn)［17］結(jié)合霍夫變換（HT）使用模糊推理機(jī)制提取交通標(biāo)線。文獻(xiàn)［18］將路面點(diǎn)云投影到正方形格網(wǎng)中，給每個(gè)單獨(dú)標(biāo)線定義了一個(gè)特征向量，利用人工神經(jīng)網(wǎng)絡(luò)分類所有的交通標(biāo)線為人行橫道與箭頭兩類。文獻(xiàn)［19］通過反距離加權(quán)生成二維柵格圖像，利用歐氏聚類從二值圖像中提取標(biāo)線，根據(jù)特征屬性將交通標(biāo)線語義關(guān)聯(lián)。但文獻(xiàn)［16-17］未對類別復(fù)雜的標(biāo)線進(jìn)一步細(xì)化分割，文獻(xiàn)［18-19］雖然開展了標(biāo)線語義分割工作，然而最多分為了三類。深度學(xué)習(xí)作為目標(biāo)檢測與分割中新興的技術(shù)手段，也被用于交通標(biāo)線的提取與分割中，文獻(xiàn)［20］提出一種深度學(xué)習(xí)框架，利用改進(jìn)的U-net網(wǎng)絡(luò)提取標(biāo)線，開發(fā)一種多尺度聚類卷積神經(jīng)網(wǎng)絡(luò)（CNN）分割標(biāo)線，提出生成對抗網(wǎng)絡(luò)（GAN）補(bǔ)全斷裂標(biāo)線。文獻(xiàn)［21］提出一種基于密集特征的金字塔網(wǎng)絡(luò)結(jié)構(gòu)（DFPN）的深度學(xué)習(xí)模型，引入了損失函數(shù)（focal loss）優(yōu)化分割結(jié)果，但僅將7類交通標(biāo)線賦予語義信息。上述基于深度學(xué)習(xí)的方法均依賴于大量數(shù)據(jù)集，且模型設(shè)計(jì)復(fù)雜、可遷移性偏弱。

綜上所述，現(xiàn)有從MLS點(diǎn)云提取城市交通標(biāo)線的研究，存在著未對種類多樣的標(biāo)線進(jìn)行精細(xì)化語義分割，且語義分割模型可解釋性弱，依賴于龐大數(shù)據(jù)集訓(xùn)練的問題。因此，本文基于MLS點(diǎn)云數(shù)據(jù)，提出城市交通標(biāo)線的語義分割方法，通過對激光點(diǎn)云強(qiáng)度數(shù)據(jù)的進(jìn)一步優(yōu)化，提高道路場景的語義分割精度，為自動(dòng)駕駛提供更加豐富的語義信息。

1 城市交通標(biāo)線語義分割方法

本文提出的基于MLS點(diǎn)云進(jìn)行城市交通標(biāo)線語義分割的方法，主要包含道路點(diǎn)云柵格化和交通標(biāo)線語義分割兩步，如圖1所示。其中，道路數(shù)據(jù)柵格化處理是為了將三維點(diǎn)云轉(zhuǎn)化為二維圖像。交通標(biāo)線語義分割則在優(yōu)化柵格數(shù)據(jù)基礎(chǔ)上，完成路面標(biāo)線的識(shí)別、對象化和語義賦值。

圖1 本文算法流程Fig.1 Workflow of proposed method

1.1 標(biāo)線點(diǎn)云提取

為將路面點(diǎn)云柵格化為二維強(qiáng)度圖像，對道路點(diǎn) 云 采 用 反 距 離 加 權(quán) 插 值［22］（inverse distance weighted，IDW），構(gòu)建柵格圖像。柵格圖像各像素灰度值的計(jì)算如式（1）所示：

式中：n為格網(wǎng)中的總點(diǎn)數(shù)；Ik為第k個(gè)點(diǎn)的強(qiáng)度值；，表 示第k個(gè)點(diǎn)到該格網(wǎng)內(nèi)中心點(diǎn)距離的倒數(shù)，即為第k個(gè)點(diǎn)的權(quán)重。其中Xk為第k個(gè)點(diǎn)的橫坐標(biāo)，Yk為第k個(gè)點(diǎn)的縱坐標(biāo)，Xmid為圖像中點(diǎn)的橫坐標(biāo)，Ymid為圖像中點(diǎn)的縱坐標(biāo)。

為從柵格圖像中提取交通標(biāo)線點(diǎn)云，對圖像執(zhí)行二值化和對象化處理?？紤]到點(diǎn)云強(qiáng)度值受到外部因素（例如大氣、熱量等）的影響［15］而偏小。由于局部閾值二值化能依據(jù)每個(gè)像素鄰域中的像素值分布自動(dòng)確定二值化閾值，強(qiáng)度值偏小的道路區(qū)域中的標(biāo)線提取閾值也會(huì)相應(yīng)減小，故本文采取局部閾值二值化的方法提取交通標(biāo)線。

文獻(xiàn)［11］通過比較當(dāng)前像素灰度值與周圍平均灰度值的大小，確定當(dāng)前像素為前景或是背景，具體計(jì)算方式如下式（2）所示，示意圖如圖2所示，圖2中I1為Int(1，1)，I2為Int(x，y-1)，I3為Int(x-1，y)，I4為Int(x，y)。

圖2 圖像積分Fig.2 Image of computed integral

式中：Int(x，y)為點(diǎn)(x，y)的積分；P(x，y)為點(diǎn)(x，y)的像素值。

為計(jì)算局部平均灰度值，如圖3所示，Ri為二值化區(qū)域邊長，以任一像素Pi為中心，按照式（3）計(jì)算平均灰度值，以反映該像素周圍區(qū)域內(nèi)的整體灰度值大小，即道路激光點(diǎn)云中這片區(qū)域的平均強(qiáng)度。

圖3 圖像二值化示意圖Fig.3 Schematic diagram of image binarization

式中：k=(ri-1)/2。將柵格圖像中每個(gè)像素Pi與平均強(qiáng)度Wpi比較大小，判斷出當(dāng)前像素是否為交通標(biāo)線。

基于交通標(biāo)線的二值化信息，采用輪廓跟蹤算法分離各標(biāo)線輪廓，生成由標(biāo)線輪廓點(diǎn)集S={Pi|Pi=P1， }

P2，…，Pn構(gòu)成的標(biāo)線對象。由于實(shí)際道路場景中，部分交通標(biāo)線存在磨損、缺失等情況，標(biāo)線對象結(jié)果偶爾會(huì)過分割。故通過計(jì)算相鄰標(biāo)線對象間的最近距離r優(yōu)化分割結(jié)果，即令小于設(shè)置閾值threshold_r的相鄰對象合并，依次優(yōu)化全部標(biāo)線對象，直至各標(biāo)線對象均滿足閾值要求，由于道路標(biāo)線材料色牢度一般較高，斷裂間距不會(huì)過大，故threshold_r設(shè)置為3。

1.2 基于模板匹配的標(biāo)線點(diǎn)云語義賦值

交通標(biāo)線語義賦值的難點(diǎn)一方面在于數(shù)據(jù)采集時(shí)天氣條件不一、路面材料顏色不同、光照變化明顯等客觀因素影響標(biāo)線提取，另一方面在于交通標(biāo)線種類的繁雜多樣增大了語義賦值的難度。標(biāo)線提取已于1.1節(jié)中闡述，本小節(jié)將基于交通標(biāo)線的先驗(yàn)知識(shí)，根據(jù)交通標(biāo)線的幾何特征進(jìn)行標(biāo)線的語義賦值。首先依據(jù)矩形度將所有交通標(biāo)線分為兩類：符號標(biāo)線對象與非符號標(biāo)線對象；對于矩形度較低的符號標(biāo)線基于國家標(biāo)準(zhǔn)GB5768.3—2009［23］建立了標(biāo)準(zhǔn)模板數(shù)據(jù)集，通過模板匹配實(shí)現(xiàn)更加精細(xì)的語義分割；對于矩形度較高非符號標(biāo)線依據(jù)決策樹進(jìn)行標(biāo)線識(shí)別。且不同于目前標(biāo)線識(shí)別算法的是，本文算法無需深度學(xué)習(xí)的訓(xùn)練過程，且參數(shù)調(diào)節(jié)便利，具有更高的可解釋性。

1.2.1 標(biāo)線對象特征描述

為獲得聯(lián)通區(qū)分割后各標(biāo)線對象更加豐富的語義信息，需要對其特征信息進(jìn)行定量描述，計(jì)算標(biāo)線對象的輪廓凸包與最小外接矩形，通過其長度la、寬度wa（圖4a）、凸包面積S0，最終得出矩形度R如下：

在聯(lián)通區(qū)分割后的標(biāo)線對象可以劃分為符號標(biāo)線對象與非符號標(biāo)線對象。不同于符號標(biāo)線對象，實(shí)線、虛線、斑馬線等非符號對象具有更加簡單的設(shè)計(jì)輪廓與更高的矩形度，因此本文根據(jù)各標(biāo)線對象的矩形度設(shè)置閾值threshold_R1以區(qū)分不同的標(biāo)線對象，進(jìn)一步采用不同的語義分割策略獲得更豐富的語義分割結(jié)果。

1.2.2 符號標(biāo)線模板匹配

對于矩形度較低的符號標(biāo)線對象，考慮到其形狀多樣、輪廓復(fù)雜的設(shè)計(jì)特點(diǎn)，本文根據(jù)國家標(biāo)準(zhǔn)GB5768.3—2009［23］建立了標(biāo)準(zhǔn)模板數(shù)據(jù)集，通過模板匹配的識(shí)別模式對標(biāo)線對象進(jìn)行識(shí)別，從而實(shí)現(xiàn)更加豐富的語義分割。

考慮到構(gòu)成標(biāo)線對象與模板具有不同的尺度與方位，需將標(biāo)線對象中各點(diǎn)Pi(xi，yi)∈S轉(zhuǎn)換至匹配目標(biāo)模板所在基準(zhǔn)下，以統(tǒng)一標(biāo)線對象與模板的尺度和方位。對于匹配目標(biāo)模板k，其輪廓點(diǎn)集為Ck={Pk，j|Pk，j=Pk，1， }

Pk，2，…，Pk，m，轉(zhuǎn)換后的點(diǎn)云輪廓點(diǎn)P'i(x'i，y'i)由Ck的最小外接矩形長度lb（圖4b）確定：

在完成基準(zhǔn)的統(tǒng)一后，轉(zhuǎn)換后標(biāo)線對象的點(diǎn)云輪廓點(diǎn)P'i(x'i，y'i)至標(biāo)線模板k的最小距離dk，i（圖4c、圖4d）可表示為

圖4 模板匹配示意圖Fig.4 Diagram of template matching

當(dāng)標(biāo)線對象與標(biāo)線模板成功匹配時(shí)，標(biāo)線對象的點(diǎn)云輪廓點(diǎn)P'i(x'i，y'i)至標(biāo)線模板點(diǎn)集Ck的距離dk，i較小，本文采用以下指標(biāo)來定量衡量匹配結(jié)果：

考慮到噪聲對象同樣具有不規(guī)則的形狀與較低的矩形度，會(huì)夾雜于標(biāo)線對象中而干擾匹配結(jié)果，因此需要設(shè)置threshold_D來濾除與匹配模板偏差較大的噪聲對象。當(dāng)標(biāo)線對象為路口處T字型欠分割實(shí)線時(shí)，具有較低的矩形度數(shù)值，設(shè)置閾值threshold_R2，將滿足R≤threshold_R2的T型實(shí)線從噪聲對象中分離。

1.2.3 非符號標(biāo)線決策樹篩選

非符號標(biāo)線是多種尺寸不一矩形的集合，由于其幾何結(jié)構(gòu)較為簡單，通過國家標(biāo)準(zhǔn)GB5768.3—2009［23］中標(biāo)準(zhǔn)尺寸規(guī)格建立決策樹的方式可實(shí)現(xiàn)非符號標(biāo)線的語義分割。若非符號標(biāo)線對象所對應(yīng)標(biāo)準(zhǔn)尺寸對象k的長度、寬度分別為lengthk、widthk，則將標(biāo)準(zhǔn)尺寸對象k的語義信息賦值至滿足式（8）的非符號標(biāo)線對象。

式中：threshold_t為尺寸閾值參數(shù)，表示標(biāo)線對象尺寸與標(biāo)準(zhǔn)尺寸偏差的允許范圍，該值過大會(huì)導(dǎo)致其他標(biāo)線被誤分為正確標(biāo)線，過小會(huì)導(dǎo)致輪廓磨損的正確標(biāo)線被誤分，故設(shè)置為1，該參數(shù)的選取實(shí)驗(yàn)于下文2.6節(jié)中有所闡述；length與width為標(biāo)線對象最小外接矩形的長度和寬度，用于反映點(diǎn)云生成的標(biāo)線對象尺寸。

非符號標(biāo)線對象中的實(shí)線，具有寬度固定、長度較長的特點(diǎn)，因此當(dāng)標(biāo)線對象的標(biāo)準(zhǔn)寬度為widthk時(shí)，則認(rèn)為滿足式（9）的標(biāo)線對象為實(shí)線。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)區(qū)域與數(shù)據(jù)

利用華測AS900L移動(dòng)激光掃描系統(tǒng)，采集了上海市浦東新區(qū)八子區(qū)域（圖5）的部分城市道路無序點(diǎn)云開展實(shí)驗(yàn)，移動(dòng)激光掃描系統(tǒng)相關(guān)參數(shù)見表1。實(shí)驗(yàn)區(qū)域道路環(huán)境復(fù)雜，包括車道、行人、建筑、路燈等。本文選取了8處不同道路場景的車載激光點(diǎn)云數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，其中樣本01～07為7片獨(dú)立的實(shí)驗(yàn)區(qū)域，樣本08為一片連續(xù)的、長達(dá)990 m的非直行道，包含一個(gè)完整的交叉口，且有部分標(biāo)線存在斷裂、缺失情況，路況不佳。數(shù)據(jù)中標(biāo)線類別豐富，包含實(shí)線、虛線、斑馬線、箭頭等10類交通標(biāo)線，8片區(qū)域總計(jì)有72條直線，472條虛線，46條箭頭標(biāo)線，60條斑馬線，路段總長為1 703 m，點(diǎn)云密度平均2 706個(gè)·m-2。

表1 移動(dòng)激光掃描系統(tǒng)參數(shù)Tab.1 Parameters of mobile laser scanning system

圖5 測區(qū)位置Fig.5 Location of study area

根據(jù)國家標(biāo)準(zhǔn)GB5768—2009中直行箭頭、轉(zhuǎn)向箭頭、掉頭箭頭等多種符號標(biāo)線構(gòu)建非符號標(biāo)線模板樣本數(shù)據(jù)（表2），并結(jié)合國家標(biāo)準(zhǔn)規(guī)范賦予模板樣本相應(yīng)的語義信息，包括：直行、轉(zhuǎn)向、掉頭、轉(zhuǎn)向后并道、禁止轉(zhuǎn)向（掉頭）、減速慢行等。

表2 匹配模板數(shù)據(jù)集Tab.2 Matching template dataset

本文的算法在配置有Intel（R）Core（TM）i7-10875H的CPU和40 GB內(nèi)存的筆記本電腦上運(yùn)行。如表3所示，處理實(shí)驗(yàn)數(shù)據(jù)所需的總時(shí)間為546.76 s，主要的耗時(shí)在于標(biāo)線提取，而語義賦值的效率較高，即使對于總計(jì)650個(gè)道路標(biāo)識(shí)，耗時(shí)也僅為33 s。

表3 計(jì)算時(shí)間Tab.3 Computing time

2.2 實(shí)驗(yàn)方案

2.2.1 參數(shù)設(shè)置

經(jīng)過實(shí)驗(yàn)，針對本文數(shù)據(jù)選取的合適參數(shù)詳見表4。在本文中參數(shù)二值化區(qū)域邊長R是將該邊長內(nèi)像素進(jìn)行二值化，過大會(huì)導(dǎo)致二值化失敗，過小會(huì)使得標(biāo)線提取缺失，故設(shè)置23。參數(shù)threshold_r是為合并由于磨損而斷裂的標(biāo)線，由于斷裂的標(biāo)線間隔不會(huì)過大，故設(shè)置為3。參數(shù)threshold_R2是為了將T型實(shí)線從噪聲對象中分離，由于T型實(shí)線往往矩形度較低，故設(shè)置為0.1。在本文模型中有幾個(gè)較重要的參數(shù)：匹配閾值threshold_D，矩形度閾值threshold_R1和尺寸閾值threshold_t，它們的取值將在2.6節(jié)中進(jìn)行討論。

表4 本文方法的相關(guān)參數(shù)Tab.4 Related parameters of proposed method

2.2.2 精度評估方法

考慮到所用實(shí)驗(yàn)數(shù)據(jù)沒有真實(shí)的語義信息，通過人工判別的方式為各交通標(biāo)線對象提供真值參考信息。為定量評估第1節(jié)提出算法的可靠性，對語義賦值結(jié)果通過精度P、召回率R和綜合評價(jià)指標(biāo)F進(jìn)行定量評價(jià)，計(jì)算方式見式（10）—（12）：

式中：nTP即被正確識(shí)別的正樣本對象數(shù)量；nFN是被錯(cuò)誤識(shí)別的負(fù)樣本對象數(shù)量；nFP為被錯(cuò)誤識(shí)別的正樣本對象數(shù)量。

2.3 標(biāo)線點(diǎn)云提取結(jié)果

以Sam04為例，原始三維道路點(diǎn)云（圖6）根據(jù)布 料 模 擬 濾 波 算 法［24］（cloth simulation filtering，CSF）提取出路面點(diǎn)云，并依據(jù)路面邊緣鄰接點(diǎn)的平面距離和幾何高差［19］確定道路邊界并提取出道路點(diǎn)云（圖6），依據(jù)IDW法按插值將濾波后的道路點(diǎn)云轉(zhuǎn)化為強(qiáng)度影像數(shù)據(jù)，最后進(jìn)行自適應(yīng)閾值二值化，交通標(biāo)線提取和聯(lián)通區(qū)分割后結(jié)果如圖6所示。從圖中可以發(fā)現(xiàn)經(jīng)過圖像優(yōu)化后提取出的柵格圖像可以較好地通過二值化識(shí)別交通標(biāo)線，聯(lián)通區(qū)分割也成功地將每個(gè)單獨(dú)的標(biāo)線分別提取，便于2.4節(jié)語義識(shí)別工作的展開。

圖6 交通標(biāo)線提取Fig.6 Extraction of traffic markings

2.4 標(biāo)線語義識(shí)別結(jié)果

基于2.3節(jié)標(biāo)線點(diǎn)云提取結(jié)果，開展交通標(biāo)線豐富化語義分割實(shí)驗(yàn)，結(jié)果如圖7所示。

圖7 交通標(biāo)線識(shí)別結(jié)果Fig.7 Results of identification of traffic markings

樣本01-08這8組實(shí)驗(yàn)的分割結(jié)果表明，對于多樣、復(fù)雜的交通標(biāo)線，本文所述方法可有效實(shí)現(xiàn)交通標(biāo)線的語義分割。特別對于符號標(biāo)線，本文的處理策略能夠有效地區(qū)分不同尺寸、不同形狀的多類標(biāo)線，獲取大多數(shù)標(biāo)線的語義信息。

對于存在破損的直行/右轉(zhuǎn)箭頭的區(qū)域1（Sam04）、和存在破損的直行/左轉(zhuǎn)箭頭的區(qū)域2（Sam05），本文提出的分割算法均取得了良好的識(shí)別效果。

采用精度P、召回率R、綜合評價(jià)指標(biāo)F進(jìn)行定量精度評價(jià)，結(jié)果如表5所示。對于本次開展實(shí)驗(yàn)的8組實(shí)驗(yàn)數(shù)據(jù)，上述方法的精度與召回率的平均值分別為96.04 %與96.92 %，綜合評價(jià)指標(biāo)F為96.48%，具有較好的語義分割效果。樣本03和樣本07兩份標(biāo)線輪廓清晰的實(shí)驗(yàn)數(shù)據(jù)，其精度與召回率均為100%。實(shí)驗(yàn)結(jié)果表明，本文所提方法可以有效識(shí)別復(fù)雜多樣的交通標(biāo)線信息，實(shí)現(xiàn)良好的語義分割效果。此外，上述方法對于破損的交通標(biāo)線具有較高的魯棒性，可以適用于部分不規(guī)則的復(fù)雜標(biāo)線數(shù)據(jù)。

表5 交通標(biāo)線對象語義識(shí)別精度Tab.5 Accuracy of traffic markings semantic identification results

2.5 與其他方法對比

在數(shù)據(jù)采集方式、數(shù)據(jù)標(biāo)線類別等方面，本文分析的點(diǎn)云數(shù)據(jù)與部分參考文獻(xiàn)中所使用的實(shí)驗(yàn)數(shù)據(jù)具有相似的數(shù)據(jù)特征，因此可以與目前的研究結(jié)果進(jìn) 行 比 較。表6將 本 文 方 法 的 結(jié) 果 與Yu［25］、SOILáN［18］等方法的結(jié)果進(jìn)行了對比。結(jié)果表明，通過建立了總計(jì)15類的匹配模板數(shù)據(jù)集，本文方法成功識(shí)別了實(shí)驗(yàn)區(qū)域內(nèi)全部的10類標(biāo)線，具有最豐富的標(biāo)線語義分類結(jié)果。同時(shí)本文方法的標(biāo)線識(shí)別準(zhǔn)確性與目前國內(nèi)外先進(jìn)方法相接近，雖然精度P略低于［18］方法，但召回率R與綜合評價(jià)指標(biāo)F均優(yōu)于其他方法。

表6 標(biāo)線分割方法對比Tab.6 Comparison of state of the art methods

2.6 討論

2.6.1 參數(shù)設(shè)置分析

圖8a、圖8b、圖8c分別顯示了匹配閾值threshold_D、矩形度閾值threshold_R1和尺寸閾值threshold_t對實(shí)驗(yàn)的影響，且此處閾值均是基于第2.2.1節(jié)進(jìn)行設(shè)置。當(dāng)匹配閾值threshold_D＜10時(shí)，標(biāo)線點(diǎn)云輪廓的不規(guī)則性會(huì)明顯影響標(biāo)線的識(shí)別效果；矩形度閾值threshold_R1過低會(huì)導(dǎo)致部分符號標(biāo)線點(diǎn)云錯(cuò)誤地識(shí)別為非符號標(biāo)線；矩形度閾值threshold_R1過高會(huì)遺漏輪廓不明顯的非符號標(biāo)線；尺寸閾值threshold_t的選取應(yīng)該由標(biāo)線輪廓的磨損程度決定。結(jié)果表示，當(dāng)threshold_D=10，threshold_R1=0.5，threshold_t=1時(shí)，本文方法具有最優(yōu)的交通標(biāo)線識(shí)別效果。

圖8 各參數(shù)對結(jié)果影響Fig.8 Impacts of parameters

2.6.2 車輛遮擋與禁行區(qū)域分析

在馬路上和移動(dòng)激光掃描數(shù)據(jù)采集車相鄰的車輛往往會(huì)導(dǎo)致標(biāo)線的缺失或者周邊點(diǎn)云密度的降低。本文的算法無法提取出由于遮擋而造成數(shù)據(jù)丟失處的道路標(biāo)識(shí)。圖9顯示了由于車輛造成的遮擋，在數(shù)據(jù)收集過程中選擇車流量較少的時(shí)段可以最大限度地降低車輛遮擋造成點(diǎn)云缺失；對缺失數(shù)據(jù)的路段重復(fù)掃描或者安排尾隨車輛并排行駛以防其他車輛超過移動(dòng)激光掃描車輛也可較好解決點(diǎn)云缺失問題。

圖9 車輛遮擋示例Fig.9 Example of occluded areas by car

本文實(shí)驗(yàn)區(qū)域中不包含禁行區(qū)域，但在日常出行中，交通部門出于合理分配交通流量、緩解交通負(fù)荷的考慮，會(huì)在規(guī)定時(shí)段內(nèi)禁止全部或者部分車輛在禁行區(qū)域內(nèi)通行。與車輛遮擋類似，這也會(huì)造成該區(qū)域內(nèi)的數(shù)據(jù)缺失，可以考慮在通行時(shí)間內(nèi)對原本禁行的區(qū)域中數(shù)據(jù)進(jìn)行采集以補(bǔ)齊缺失的數(shù)據(jù)。

2.6.3 語義賦值錯(cuò)誤分析

在本方法的處理結(jié)果中，雖然絕大多數(shù)交通標(biāo)線能夠被有效識(shí)別，但仍存在部分錯(cuò)誤分類的交通標(biāo)線。有不同的誤差源會(huì)影響本文方法的魯棒性，井蓋等具有高反射性且形狀類似交通標(biāo)線的物體混入在強(qiáng)度圖像中（圖7誤差1區(qū)域），會(huì)被錯(cuò)誤識(shí)別為交通標(biāo)線。同時(shí)部分標(biāo)線由于長期暴露在惡劣天氣下，導(dǎo)致標(biāo)線材料受到磨損失去了反射性或者直接斷裂，因此基于模板的匹配識(shí)別可能會(huì)失敗。例如圖7的誤差2區(qū)域中部分交通標(biāo)線輪廓破損較大，失去了原有設(shè)計(jì)結(jié)構(gòu)。但是在道路檢查維護(hù)中，由于磨損而造成的提取錯(cuò)誤（即假陰性）是有意義的，因?yàn)檫@表明了此處的交通標(biāo)線出現(xiàn)破損需要養(yǎng)護(hù)。

3 結(jié)論

本文提出了一種從移動(dòng)激光掃描點(diǎn)云數(shù)據(jù)中分割交通標(biāo)線的算法。利用反距離加權(quán)法將三維點(diǎn)云轉(zhuǎn)變?yōu)闁鸥駡D像，提高標(biāo)線對象識(shí)別效果。利用自適應(yīng)閾值二值化提取交通標(biāo)線對象，并通過模板匹配和決策樹識(shí)別符號標(biāo)線、非符號標(biāo)線及其語義信息。實(shí)驗(yàn)表明，本文標(biāo)線語義分割精度為96.04%，召回率為96.92 %，綜合評價(jià)指標(biāo)達(dá)96.48 %。在各種道路場景下都取得了穩(wěn)定的識(shí)別結(jié)果，可以為高精地圖的構(gòu)建提供豐富而精細(xì)的交通標(biāo)線信息，輔助自動(dòng)駕駛安全出行與路徑?jīng)Q策。

本文的貢獻(xiàn)主要有二：其一，提出了一套基于模板匹配和決策樹的交通標(biāo)線語義分割方法，在精度和召回率并不落后于現(xiàn)有方法的同時(shí)，包含了更多的語義分類類別；其次，該算法全面基于先驗(yàn)知識(shí)而大幅簡化標(biāo)線識(shí)別的復(fù)雜難度，且避免了機(jī)器學(xué)習(xí)算法繁雜的訓(xùn)練過程。本文方法對于出現(xiàn)斷裂和磨損的交通標(biāo)線會(huì)存在誤分割等問題，這同樣也是目前標(biāo)線識(shí)別過程中的難點(diǎn)問題。下一步的工作應(yīng)當(dāng)著重于將所提出的方法進(jìn)行實(shí)際應(yīng)用。例如，可以通過箭頭標(biāo)線的語義信息來判斷交叉路口以及每條車道的通行方向；或者根據(jù)路網(wǎng)的交通標(biāo)線信息還原出該區(qū)域的路網(wǎng)渠化和拓?fù)浣Y(jié)構(gòu)。此外，可以考慮加入入射角校正模型和強(qiáng)度校正模型，以降低噪聲對標(biāo)線提取的影響，提高語義賦值精度。

作者貢獻(xiàn)聲明：

劉春：確定總體框架，指導(dǎo)實(shí)驗(yàn)設(shè)計(jì)和論文寫作。

戚遠(yuǎn)帆：完成實(shí)驗(yàn)，撰寫與修改論文。

李友源：完成實(shí)驗(yàn)，撰寫論文。

吳杭彬：確定總體框架，指導(dǎo)實(shí)驗(yàn)設(shè)計(jì)和論文寫作。

姚連璧：指導(dǎo)實(shí)驗(yàn)設(shè)計(jì)。