基于車載點(diǎn)云數(shù)據(jù)的道路交通指示標(biāo)志檢測方法

方 猛 鄒亞洲

(浙江省測繪科學(xué)技術(shù)研究院,浙江 杭州 310030)

0 引言

移動(dòng)車載激光掃描技術(shù)是一種能夠在短時(shí)間內(nèi)采集海量空間三維點(diǎn)云數(shù)據(jù)的新型測繪技術(shù),具有全天候、高速度、高密度等顯著特征,為面向智能化的城市空間地物信息提取提供了一種嶄新的技術(shù)手段[1-2]。作為城市道路場景中的重要組成部分,交通指示標(biāo)志內(nèi)包含著道路場景中重要的指示信息[3],用于為駕駛員提供當(dāng)前環(huán)境內(nèi)行駛方向與駕駛行為等關(guān)鍵信息。交通指示標(biāo)志在提升交通道路運(yùn)行效率與運(yùn)行安全起著至關(guān)重要的作用[4-6]。交通指示標(biāo)志顏色較為固定,幾何形狀較為簡單,易于駕駛?cè)藛T分辨。但受光照與天氣等因素影響,導(dǎo)致交通指示標(biāo)志檢測難度較大[7]。為降低道路交通安全事故的發(fā)生概率,需研究高效精度的交通指示標(biāo)志檢測方法,為駕駛?cè)藛T提供精準(zhǔn)的交通指示信息,避免安全事故發(fā)生。例如,尉天成等[8]通過先驗(yàn)知識,確定交通標(biāo)志檢測的目標(biāo)候選框,降低候選框的冗余性,利用多尺度卷積神經(jīng)網(wǎng)絡(luò),處理目標(biāo)候選框,得到交通標(biāo)志檢測結(jié)果。該方法可有效識別小目標(biāo)的交通標(biāo)志。趙樹恩等[9]通過直方圖均衡法,預(yù)處理道路交通圖像,利用輪廓檢測方法,定位預(yù)處理圖像內(nèi)的交通標(biāo)志,將定位結(jié)果輸入深度卷積對抗神經(jīng)網(wǎng)絡(luò)內(nèi),輸出交通標(biāo)志檢測結(jié)果。該方法的檢測精度高達(dá)94.12%。但這兩種方法在復(fù)雜場景下,均存在較大的局限性,且檢測結(jié)果易受天氣與光照等影響,檢測穩(wěn)定性較低。車載點(diǎn)云數(shù)據(jù)是在車輛上搭載車載移動(dòng)測量系統(tǒng),采集代表物體表面三維空間坐標(biāo)信息的激光點(diǎn)云[10-11],因此不受天氣與光照條件影響,具備較高的信息精度。為此,本文研究基于車載點(diǎn)云數(shù)據(jù)的道路交通指示標(biāo)志檢測方法,充分發(fā)揮車載點(diǎn)云數(shù)據(jù)的高精度幾何特征與強(qiáng)度特征,實(shí)現(xiàn)道路交通指示標(biāo)志精準(zhǔn)檢測,為智能化測繪的實(shí)際應(yīng)用、道路高效管理與智能駕駛等領(lǐng)域提供一種新的數(shù)據(jù)獲取路徑。

1 道路交通指示標(biāo)志檢測方法

1.1 道路交通環(huán)境車載點(diǎn)云數(shù)據(jù)采集

利用車載激光掃描系統(tǒng),采集道路交通環(huán)境車載點(diǎn)云數(shù)據(jù),該系統(tǒng)的結(jié)構(gòu)如圖1所示。

圖1 車載激光掃描系統(tǒng)結(jié)構(gòu)圖

該系統(tǒng)利用激光掃描儀(laser scanner,LS)測量道路環(huán)境的空間信息;通過電荷耦合器件(charge coupled device,CCD)攝像機(jī)掃描道路環(huán)境區(qū)域,得到影像數(shù)據(jù);采用全球定位系統(tǒng)(global positioning system,GPS)與慣性導(dǎo)航系統(tǒng)(inertial navigation system,INS)得到掃描點(diǎn)的三維空間坐標(biāo)信息[12]。采集的全部信息均傳輸至計(jì)算機(jī)控制單元,利用計(jì)算機(jī)控制單元對采集的信息進(jìn)行預(yù)處理,獲取道路交通環(huán)境的車載點(diǎn)云數(shù)據(jù)。

令當(dāng)下車載激光掃描系統(tǒng)的掃描點(diǎn)是V;V的坐標(biāo)是V(X,Y,Z);GPS獲取的車輛坐標(biāo)是(XG,YG,ZG);INS獲取的LS與大地坐標(biāo)軸中經(jīng)度、維度、高度間的夾角是(θy,θp,θr);被掃描的道路交通環(huán)境與車載激光掃描系統(tǒng)的相對坐標(biāo)是(Xl,Yl,Zl);LS與道路交通環(huán)境間距離是D;LS的視線角度是γ,高低角度是H;V(X,Y,Z)的計(jì)算公式如下[13-14]:

(1)

(Xl,Yl,Zl)的計(jì)算公式如下:

(2)

1.2 道路交通指示標(biāo)志與其余地物車載點(diǎn)云數(shù)據(jù)分類

首先,按照車載激光掃描系統(tǒng)、存儲的掃描點(diǎn)發(fā)射角度構(gòu)造雙向掃描線索引;其次,通過移動(dòng)動(dòng)態(tài)窗口分類法,分類道路交通指示標(biāo)志與其余地物車載點(diǎn)云數(shù)據(jù)。

(θn+1-θn)>Δθ

(3)

其中,鄰近掃描點(diǎn)的角度值是θn+1、θn。

步驟2,按照LS的安裝位置,確定θ,將其當(dāng)成角度分割點(diǎn)。由于該點(diǎn)可能是噪聲點(diǎn),需按照LS至道路交通環(huán)境間的距離D,分析該點(diǎn)是否是道路交通指示標(biāo)志點(diǎn),若是噪聲點(diǎn),則繼續(xù)分析其鄰近點(diǎn)[18],以全部道路交通指示標(biāo)志點(diǎn)完成搜索為止。利用角度分割點(diǎn),將各條掃描線分開,構(gòu)造雙向掃描線索引。

利用移動(dòng)動(dòng)態(tài)窗口分類算法,結(jié)合雙向掃描線索引,分類處理道路交通指示標(biāo)志與其余地物車載點(diǎn)云數(shù)據(jù),具體步驟如下:

步驟2,按照目標(biāo)點(diǎn)集窗口內(nèi)點(diǎn)集的幾何特征因子,分析點(diǎn)集類型,即道路交通指示標(biāo)志點(diǎn)或其余地物點(diǎn)。

步驟3,依據(jù)雙向掃描線索引,以角度分割點(diǎn)為起點(diǎn),對移動(dòng)動(dòng)態(tài)窗口展開分類,以找到全部道路交通指示標(biāo)志點(diǎn)為止,完成道路交通指示標(biāo)志與其余地物車載點(diǎn)云數(shù)據(jù)分類。

1.3 道路交通指示標(biāo)志邊緣信息提取

在1.2小節(jié)提取的道路交通指示標(biāo)志車載點(diǎn)云數(shù)據(jù)V′內(nèi),利用Canny邊緣檢測算法[21-22]提取邊緣信息,步驟如下:

步驟1,通過高斯平滑濾波器平滑處理V′,公式為

(4)

其中,高斯函數(shù)寬度是σ;卷積操作是*;平滑處理后的交通指示標(biāo)志車載點(diǎn)云數(shù)據(jù)是I;交通指示標(biāo)志車載點(diǎn)云數(shù)據(jù)的像素坐標(biāo)是(x,y)。

步驟2,求解I的梯度幅值M與方向τ,公式為

(5)

其中,I在橫縱方向上的偏導(dǎo)數(shù)是ρ、Q。

步驟3,濾波去噪,隨機(jī)選擇一個(gè)梯度方向τ,卷積處理該方向上的道路交通指示標(biāo)志車載點(diǎn)云數(shù)據(jù)的二維高斯函數(shù),完成濾波去噪。

步驟4,在濾波去噪后的道路交通指示標(biāo)志車載點(diǎn)云數(shù)據(jù)內(nèi),找到最大梯度幅值Mmax,利用Mmax尋找道路交通指示標(biāo)志車載點(diǎn)云數(shù)據(jù)的邊緣,完成邊緣信息提取。

1.4 交通指示標(biāo)志檢測的實(shí)現(xiàn)

利用雙線性卷積神經(jīng)網(wǎng)絡(luò)(bilinear convolutional neural network,BCNN),在1.3小節(jié)提取的道路交通指示標(biāo)志邊緣信息內(nèi),提取道路交通指示標(biāo)志特征,將其作為訓(xùn)練樣本,輸入支持向量機(jī)內(nèi),輸出道路交通指示標(biāo)志檢測結(jié)果。

BCNN模型B的結(jié)構(gòu)由四元組建立而成B=(fα,fβ,O,C),其中,交通指示標(biāo)志特征函數(shù)是fα、fβ;池化函數(shù)是O;檢測函數(shù)是C。利用O池化處理fα與fβ,通過將池化后的fα與fβ映射至樣本標(biāo)記空間。

(6)

(7)

(8)

道路交通指示標(biāo)志檢測具體步驟如下:

步驟1,利用車載激光掃描系統(tǒng),采集道路交通環(huán)境車載點(diǎn)云數(shù)據(jù)。

步驟2,通過移動(dòng)動(dòng)態(tài)窗口分類算法,在采集的車載點(diǎn)云數(shù)據(jù)內(nèi),分類處理道路交通指示標(biāo)志與其余地物車載點(diǎn)云數(shù)據(jù)。

步驟3,采用Canny邊緣檢測算法,在道路交通指示標(biāo)志車載點(diǎn)云數(shù)據(jù)內(nèi),提取道路交通指示標(biāo)志邊緣信息。

步驟4,構(gòu)造道路交通指示標(biāo)志特征提取函數(shù)fα、fβ。

步驟7,BCNN模型通過步驟4與步驟6,完成交通指示標(biāo)志特征提取,將其當(dāng)成訓(xùn)練樣本,訓(xùn)練支持向量機(jī),通過訓(xùn)練完成的支持向量機(jī)處理測試樣本,輸出道路交通指示標(biāo)志檢測結(jié)果。

2 實(shí)驗(yàn)分析

以某城市的某條道路為實(shí)驗(yàn)對象,該條道路的長度大概是17.59 km,整體地勢起伏較小,道路等級為Ⅱ級標(biāo)準(zhǔn),使用年限是12 a,載荷標(biāo)準(zhǔn)是BZZ-100,交通等級是中輕交通。該道路中機(jī)動(dòng)車道與非機(jī)動(dòng)車道各兩條,前者寬度是15 m左右,后者寬度是3 m左右。該條道路上共有6個(gè)交通指示標(biāo)志,分別是最低限速、干路先行、人行橫道、分向行駛車道、機(jī)動(dòng)車車道與非機(jī)動(dòng)車車道。

本文方法利用Rigel-VMX45車載激光掃描系統(tǒng),采集該道路的車載激光點(diǎn)云數(shù)據(jù),部分道路環(huán)境車載激光點(diǎn)云數(shù)據(jù)采集結(jié)果如圖2所示。

圖2 部分道路環(huán)境車載激光點(diǎn)云數(shù)據(jù)采集結(jié)果

根據(jù)圖2可知,本文方法可有效采集道路交通環(huán)境車載激光點(diǎn)云數(shù)據(jù),采集結(jié)果中可清晰呈現(xiàn)道路、地物與交通指示標(biāo)志信息,為后續(xù)交通指示標(biāo)志檢測提供有力的數(shù)據(jù)支持。實(shí)驗(yàn)證明:本文方法具備道路交通環(huán)境車載激光點(diǎn)云數(shù)據(jù)采集的可行性。

利用本文方法對采集的道路交通環(huán)境車載激光點(diǎn)云數(shù)據(jù)進(jìn)行分類,獲取道路交通指示標(biāo)志車載點(diǎn)云數(shù)據(jù),如圖3所示。

圖3 交通指示標(biāo)志車載點(diǎn)云數(shù)據(jù)

由圖3可知,本文方法能夠有效得到后續(xù)交通指示標(biāo)志需要用到的交通指示標(biāo)志車載點(diǎn)云數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明,本文方法具備交通指示標(biāo)志車載點(diǎn)云和數(shù)據(jù)與其余地物車載點(diǎn)云數(shù)據(jù)分類的有效性。

利用本文方法對分類獲取的交通指示標(biāo)志車載點(diǎn)云數(shù)據(jù)進(jìn)行邊緣信息提取,邊緣信息提取結(jié)果如圖4所示。

圖4 交通指示標(biāo)志邊緣信息提取結(jié)果

根據(jù)圖4可知,本文方法可在有效交通指示標(biāo)志車載點(diǎn)云和數(shù)據(jù)內(nèi),提取交通指示標(biāo)志邊緣信息,本文方法提取的邊緣信息,可清晰描繪交通指示標(biāo)志的邊緣幾何形狀信息,很好地保留交通指示標(biāo)志的邊緣信息。實(shí)驗(yàn)結(jié)果表明,本文方法具備較優(yōu)的邊緣信息提取效果。

以完整率與點(diǎn)云貢獻(xiàn)率為評價(jià)指標(biāo),以文獻(xiàn)[8]中的基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的道路交通標(biāo)志識別方法為對比方法,衡量本文方法的邊緣信息提取效果,其計(jì)算過程如下

(9)

完整率代表邊緣信息提取的完整性,計(jì)算提取到的邊緣信息量m′和道路交通環(huán)境原本所具有的邊緣信息量m的比值,其值越接近100%,邊緣信息提取的完整性越佳;點(diǎn)云貢獻(xiàn)率代表邊緣信息提取的有效程度,計(jì)算提取到的邊緣信息量中的有效信息量m0′與道路交通環(huán)境原本所具有的邊緣信息量m的比值,其值越接近1,邊緣信息提取的有效程度越高。分析本文方法和文獻(xiàn)[8]方法在霧天與雨天條件下,提取不同類型交通指示標(biāo)志邊緣信息時(shí)的完整率與點(diǎn)云貢獻(xiàn)率,分析結(jié)果如表1所示。

表1 邊緣信息提取的完整率與點(diǎn)云貢獻(xiàn)率分析結(jié)果 單位:%

由表1可知,在不同天氣條件下,本文方法提取各類型交通指示標(biāo)志邊緣信息的完整率均較高,最低完整率為96.4%;點(diǎn)云貢獻(xiàn)率也均與1較為接近,最低點(diǎn)云貢獻(xiàn)率是0.96%。而文獻(xiàn)[8]方法得到的最低完整率為95.2%,點(diǎn)云貢獻(xiàn)率也與1較為接近,但相比本文方法還是較低,最低點(diǎn)云貢獻(xiàn)率是0.95%。說明在不同天氣條件下,不同交通指示標(biāo)志類型時(shí),本文方法提取邊緣信息的完整率與點(diǎn)云貢獻(xiàn)率均較高,即邊緣信息提取完整性較優(yōu),邊緣信息提取的有效程度較高。

利用本文方法根據(jù)提取的交通指示標(biāo)志邊緣信息,進(jìn)行交通指示標(biāo)志檢測,交通指示標(biāo)志檢測結(jié)果如圖5所示。

圖5 交通指示標(biāo)志檢測結(jié)果

根據(jù)圖5可知,本文方法可有效檢測交通指示標(biāo)志,根據(jù)檢測結(jié)果得知,該部分道路交通環(huán)境中的交通指示標(biāo)志為分向行駛車道,其作用為指示駕駛員前方可分向行駛,駕駛員可根據(jù)分向行駛方向,及時(shí)變更車道,決定需要行駛的道路,降低安全事故發(fā)生概率。

利用一個(gè)用來評價(jià)二分類模型優(yōu)劣的常用指標(biāo)AUC面積衡量本文方法道路交通指示標(biāo)志的檢測效果,即坐標(biāo)圖中曲線下與坐標(biāo)軸圍成的面積,AUC面積與1越接近,說明本文方法的檢測精度越高,在不同光照情況下,本文方法道路交通指示標(biāo)志檢測的AUC值分析結(jié)果如圖6所示。

圖6 不同光照條件下的檢測精度分析結(jié)果

由圖6可知,在不同光照條件下,本文方法檢測道路交通指示標(biāo)志的AUC值,均與1較為接近,說明不同光照條件,對本文方法的影響非常小,原因是本文方法利用車載點(diǎn)云數(shù)據(jù)進(jìn)行道路交通指示標(biāo)志檢測,車載點(diǎn)云數(shù)據(jù)不受光照與天氣等因素影響。實(shí)驗(yàn)證明:在不同光照條件下,本文方法均可精準(zhǔn)檢測道路交通指示標(biāo)志。

3 結(jié)束語

隨著政府高效管理與社會經(jīng)濟(jì)發(fā)展對地理空間數(shù)據(jù)越來越高的要求,測繪新技術(shù)以智能化測繪等相關(guān)概念與實(shí)踐不斷發(fā)展與成熟。智能化測繪在數(shù)據(jù)采集內(nèi)容與信息提取方法上仍然有較大的完善空間,全面反映物理世界的瞬時(shí)變化。為進(jìn)一步探索新型測繪在空間數(shù)據(jù)采集與地物信息提取中的應(yīng)用,本文研究并提出了基于車載點(diǎn)云數(shù)據(jù)的道路交通指示標(biāo)志檢測方法,依據(jù)車載點(diǎn)云數(shù)據(jù)不受光照與天氣等因素影響的優(yōu)勢,提升道路交通指示標(biāo)簽檢測精度,為促進(jìn)交通指示標(biāo)志檢測方法在實(shí)際生活中廣泛應(yīng)用提供幫助。