一种基于三维激光雷达的道路车道线检测方法与流程

本发明属于智能车技术中的交通环境感知领域，具体涉及一种应用于智能车自主行驶或辅助行驶的基于三维激光雷达的道路车道线实时检测方法。

背景技术：

三维激光雷达是智能车获取外部环境信息的重要传感器之一，具有精度高，实时性和可靠性强等优点，激光雷达也被广泛运用于智能车感知环境的研究中。每个激光雷达传感器采集数据的点云数据可以用Point(x，y，z，i)表示，x，y，z表示探测到的环境物体的实际距离，i表示激光雷达对该点的反射强度，大小为0-255，无量纲.三维激光雷达点云数据一周期每秒大约有130万个返回数据点，更新频率可达到5-20HZ。激光雷达的反射强度大小取决于被激光雷达照射物体的材质以及光滑程度，而车道线一般会被刷上一层区别于普通道路的材料，其光滑程度和材质的不同决定了它的反射强度会和普通路面有较大差异。而且激光雷达是一种主动式环境探测传感器，它受环境干扰小、精度高等优点。

车道线检测技术是智能车环境感知一项重要的技术工作，一直以来图像技术通常是研究人员首选的研究方向。车道线检测的关键问题在于如何提取车道线的特征，以及使用何种模型来拟合出车道线。

中国发明专利“一种车道线检测方法”申请号201410065412.3，公布号为CN103839264 A。利用自适应阈值边缘提取算法提取道路图像中的边缘信息。

中国发明专利“一种基于模糊和卡尔曼滤波器的车道线检测方法”申请号201410513200.7，公布号为CN104318258 A。改方法引入时域模糊处理与卡尔曼滤波器预测相结合的检测跟踪方法达到车道线的实时检测与跟踪。

中国发明专利“一种车道线检测方法”申请号201510117857.6，公布号为CN104657727 A。该方法采用车道线宽度标定，对车道线建模，得出检测区域，检测边缘点对得到车道线边缘点对图，对最大的边缘点对图进行最小二乘法，得到车道线拟合。

上述发明中都是采用图像形式对方法进行实施，而图像的获取质量受光照、天气等外界因素影响很大。上述方法中获取图像，一般考虑环境是在良好情况下，或者采用一定的算法降低环境因素带来的影响，这样就给图像方式检测车道线带来了很大影响。

技术实现要素：

针对上述问题，本发明的目的是提供一种基于三维激光雷达的道路车道线检测方法，能够不受天气、光照等外界环境因素影响，快速准确的检测出车道线，以用于智能车辆的自主行驶或辅助行驶。

为实现上述目的，本发明采取以下技术方案：一种基于三维激光雷达的道路车道线检测方法，它包括以下步骤：1)建立检测车辆的雷达坐标系oxyz；2)对雷达点云数据预处理，建立雷达坐标系oxyz下的感兴趣区域，对激光雷达采集到的感兴趣区域数据进行栅格化处理，并选取栅格大小，栅格的尺寸为0.1m×0.1m；3)栅格的内部数据分为最高点数据和最低点数据，需要滤除的栅格为非地面栅格、非车道栅格，根据栅格的内部最高点和最低点数据滤除非地面栅格，并利用最高点数据滤除非车道栅格，经过上述栅格滤除得到待处理的栅格数据，即为栅格内激光雷达反射强度数据；4)求取栅格内激光雷达反射强度数据的平均值，并设定激光雷达采集数据反射强度的阈值，滤除和车道线反射强度差异大于阈值的栅格；5)滤除接近车道线强度信息的孤立或异常栅格；6)将上述滤除得到的栅格数据进行最小二乘法的曲线拟合，得到道路车道线。

所述步骤1)中，所述建立检测车辆的雷达坐标系，是指当检测车辆处于水平路面且静止状态下，检测车辆上安装激光雷达，以安装雷达中心为坐标原点o，x、y、z轴穿过原点o，x轴与地面平行且方向指向检测车辆的车头，y轴垂直于x轴，与地面平行且方向指向检测车辆前进方向的左手方向，z轴垂直于x、y轴，方向垂直于地面向上。

所述步骤2)中，所述点云数据预处理包括以下过程：①在雷达坐标系下建立感兴趣区域，并设定x、y、z的区域范围；

该区域范围为：-40m<x<40m,-10m<y<10m,-10m<z<0m；

②将感兴趣区域的点云数据在水平面内划分成0.1m×0.1m的小方格，将这些小方格一一映射到栅格图中，保持点云数据与栅格内的数据的一一对应，建立的小方格刚好能够容下所有的点云数据。

所述步骤3)中，滤除非车道栅格，包括以下过程：①求取每个栅格数据的z轴方向的最高点云数据和最低点云数据，做差，如果这个差大于预先设定的阈值就滤除该栅格点并标记为0；②对于非道路且属于平面情况，提取每个栅格的z轴方向数据，预先设定一个阈值，滤除非道路栅格数据并标记为0。

所述步骤4)中，滤除与车道线反射强度较大差异栅格点，对步骤3)提取的所有栅格数据，每个栅格内的点云数据求取平均反射强度值，预先设定反射强度阈值，滤除与车道线反射强度差异较大的栅格并标记为0；

所述步骤5)中，滤除接近车道线强度信息的孤立或异常栅格，选用滤波方法，将得到的栅格雷达点云数据中的孤立或异常点噪声滤除。

所述步骤6)中，获取车道线，包括以下过程：①选定需要检测的道路车道线范围，在此范围内提取步骤5)中获取的栅格图；②对选取的栅格区域进行最小二乘法的曲线拟合，获取光滑的道路车道线图。

本发明的优点是：

(1)相比目前大多数图像处理技术，大大减小了由外界天气、光照等环境带来的车道线检测困难；

(2)可昼夜工作，实时为智能车提供车道线检测；

(3)高精度三维激光雷达提供点云数据，可靠性高。

附图说明

图1是本发明的整体流程示意图；

图2是本发明的雷达坐标系示意图；

图3是本发明的滤除普通地面后，车道线栅格示意图；

图4是本发明的滤除孤立点后，车道线栅格示意图；

图5是本发明的提取车道线示意图。

具体实施方式

下面结合附图对本发明做详细说明。

一种基于三维激光雷达的道路车道线检测方法，具体步骤为：

1)建立检测车辆的雷达坐标系oxyz。

如图2所示，雷达坐标系oxyz，是指检测车辆静止的放在地面上，激光雷达安装于检测车辆顶部，以激光雷达中心为原点o，x轴穿过o且水平于地面，方向指向检测车辆的前进方向，z轴穿过o且垂直于地面，方向指向车辆上方，y轴按右手法则，如图2的方向朝纸张里面。

2)对雷达点云数据预处理。

由于激光雷达能够获取环境百米以上的点云数据，而且三维激光雷达的点云数据每秒约130万个点云数据，而对智能车来说不需要处理过多的点云数据，也为了智能车能够更快速获取所需的点云数据，需要对雷达点云数据进行预处理。

①在雷达坐标系下选取感兴趣区域(ROI)，本次发明选取的感兴趣区域为：-40m<x<40m,-10m<y<10m,-10m<z<0m，这样既不丢失有用数据，也提高了计算机的运算效率；

②对所获取的感兴趣区域(ROI)进行水平面方向上栅格化处理，本次发明选取的栅格大小为0.1m×0.1m正方形，每个正方形里面的点云数据与感兴趣区域的点云数据一一对应，总共获得的栅格800×200个。其中车体坐标系为(400，100)。

3)根据栅格内部最高点和最低点数据滤除非地面栅格，并利用最高点数据滤除非道路栅格。

在真实环境中不仅仅有道路返回来的点云数据，还有高于地面的障碍物和非道路内的平面点云数据，本次发明采用滤除这些干扰信息的方法如下。

①对每个栅格内的点云数据求取z轴方向上的最大值和最小值之差，如果这个值大于设定的阈值，就标记障碍物，即噪声，标记为0，否则保留标记为1，白点表示被标记为1，黑点表示被标记为0；

②对每个栅格内的点云数据提取最高点，如果最高点大于设定的阈值，标记为0，否则保留标记为1。

4)求取栅格内激光雷达反射强度数据的平均值，设定激光雷达采集数据反射强度的阈值，滤除和车道线反射强度差异较大的栅格。

利用激光雷达对不同材质返回的反射强度不同来设定一个阈值，这个阈值用于区分车道线和普通路面雷达点云数据。具体方法为：对每个栅格内的所有点云数据求取反射强度平均值，这个平均值和预先设定的阈值来比较，比较所有栅格数据后滤除掉普通地面信息，如图3所示，中间最亮的点表示检测车辆位置。

5)滤除接近车道线强度信息的孤立或异常栅格。

采用滤波算法将雷达栅格云图中的孤立噪声点滤除，具体步骤为：①去雷达数据中的一个栅格如A[x][y]，取数据A[x±i][y±j],其中i,j＝0,1,2。②计算栅格A[x±i][y±j]数据的个数m,如果m<n,(n取值为3)，则将A[x][y]滤除，即标记为0。③A[x][y]的取值遍历整个栅格图，实现对整个激光雷达栅格数据的滤波。如图4所示。

6)将上述得到的栅格进行最小二乘法的曲线拟合，得到道路车道线。

此方法还能够进行多车道提取，具体步骤如下：

①由选定的感兴趣区域按列进行筛选，本方法中列数为200，从左至右分别提取感兴趣区域的车道线轮廓。

②选取其中的一组轮廓提取其中最小二乘法的曲线拟合的备选点，由于备选点比较多，这里可以采用相邻多个点只选其中一点作为备选点，本发明中采用3点选1点方法实现，对这些备选点进行最小二乘法的曲线拟合，即可获取其中一条车道线，依次对所选轮廓进行最小二乘法的曲线拟合，可提取出全部车道线，如图5所示。