一种车道线点云自动修补方法及装置与流程

本发明涉及道路三维场景获取，特别是涉及一种车道线点云自动修补方法及装置。

背景技术：

1、随着信息化的广泛普及，智能建造、5g通信等一流软硬件技术逐步走向商业市场，为自动驾驶提供了技术支撑。因此，如何快速、实时、精准的车道级别定位，保障人员、车辆安全驾驶，高精地图概念应运而生。目前，以高德、百度、腾讯为例的软件服务商各自提供了自己的导航系统。进行车道级别导航需要提供准确实时的车道线信息，如何准确获取其三维的空间位置、形态特征成为了技术的关键。

2、车载激光设备具备空间自动化采集的新型测绘设备，不受夜晚限制，相比摄像头等传感器，激光雷达探测距离可在200～300m+，分辨率更高，在夜晚、雨天等能见度较低的环境下性能更显优势，可显著提升自动驾驶系统的可靠性。从第一届darpa无人驾驶挑战赛逐渐走入大众视野，以法雷奥为领头羊，速腾聚创、览沃（大疆）、图达通、华为、禾赛等众多自助厂商与下游主机厂的不断深度合作，让激光行业市场的激烈内卷，车载激光设备全面加速迭代升级。因此，利用高精度的车载激光扫描设备对道路路面进行扫描，能够长时间续航作业，采集精度优于10cm，对标线的精确提取提供了可靠的数据保证。

3、目前，道路标线的提取主要分为点云特征聚类提取标线，另一种是结合深度学习进行提取，利用深度学习算法不仅需要训练样本，同时需要不断试验迭代获取合适的经验值，导致自动化程度受限，实现流程繁琐；而针对点云特征聚类提取标线技术路线，利用点云强度信息进行聚类，这类方法自动化程度高，但这类方法依赖数据本身质量，如路面强度受到路面噪声的影响，让车载激光数据难以提取高精度的标线特征。

技术实现思路

1、本发明的目的在于，在点云强度信息进行聚类提取标线过程中，点云数据质量不高，影响提取出的车道线质量的问题，提出一种车道线点云自动修补方法及装置。

2、一种车道线点云自动修补方法，包括以下步骤：

3、获取车载激光点云数据，并根据所述车载激光点云数据生成车载轨迹线；

4、在所述车载轨迹线延伸方向的法平面获取若干截面；

5、若当前截面第一个点云强度峰值位置发生变化，并且后续截面第一个点云强度峰值位置恢复原状，则当前截面和后续截面之间车道线缺失，获取缺失的车道线的位置，

6、根据当前截面的前一个截面第一个峰值区间点云强度的均值和后续截面第一个峰值区间点云强度的均值计算出缺失的车道线对应的补充点云强度均值，并以所述补充点云强度均值在所述缺失的车道线的位置补充点云强度。

7、作为优选方案，所述缺失的车道线的位置的计算过程为：

8、缺失的车道线视为与从轨迹点sp到轨迹点sq的轨迹线保持平行，轨迹点至缺失标线中心宽度为固定长度值，根据所述固定长度值和缺失的车道线的长度，得到缺失标线修补范围，所述缺失的车道线由缺失标线的中心位置fm(xm,ym,zm)连接构成。

9、作为优选方案，所述补充点云强度均值的计算步骤为：

10、步骤a，计算当前截面的前一个截面第一个峰值区间点云强度的均值i1，，

11、式中，kp代表轨迹点sp所在截面第一个点云峰值区间点云个数；ii是轨迹点sp所在截面第一个点云峰值区间点云对应的强度值，

12、并且计算后续截面第一个峰值区间点云强度的均值i2，

13、，

14、式中，kq代表轨迹点sq所在截面第一个点云峰值区间点云个数；ij是轨迹点sq所在截面第一个点云峰值区间点云对应的强度值；

15、步骤b，补充点云强度均值im计算公式为：

16、，

17、式中，im是补充点云强度均值，i1是当前截面的前一个截面第一个峰值区间点云强度的均值，i2是后续截面第一个峰值区间点云强度的均值。

18、作为优选方案，还包括车道线提取的方法，包括以下步骤：

19、s1，获取道路路面的激光点云数据；

20、s2，采用梯度滤波方法对所述激光点云数据进行滤波，删除起伏变化大的非路面点云数据，得到点云粗提取数据；

21、s3，用布料滤波方法对所述点云粗提取数据进行滤波，得到点云精提取数据；

22、s4，将所述点云精提取数据依次通过暗通道去噪和k-d树搜索的邻域去噪，得到优化后的车道线点云数据。

23、作为优选方案，步骤s2中，采用梯度滤波方法对所述激光点云数据进行滤波具体包括：对所有激光点云数据三维坐标中的z坐标进行标量，计算所有激光点云数据的梯度值，设定最小梯度值为δ，删除梯度值大于δ的激光点云数据得到点云粗提取数据。

24、作为优选方案，步骤s3中，用布料滤波方法对所述点云粗提取数据进行滤波具体包括以下步骤：

25、s301，设置滤波网格大小，将梯度滤波后的点进行csf布料模拟；

26、s302，对模拟点和激光点进行水平面投影，寻找每个模拟点最邻近的激光点的高程；

27、s303，在重力影响条件下判断布料模拟粒子的高度；

28、s304，计算布料模拟粒子之间的内力作用，根据设置的布料刚性参数，计算其受到内部驱动因素影响所产生的位移；

29、s305，重复步骤s303和步骤s304进行计算，直到迭代次数达到设置的最大迭代次数；

30、s306，比较激光点与模拟点之间的距离差值，当差值小于或等于阈值时，对应的激光点标记为地面点，当差值大于阈值时，激光点则标记为非地面点。

31、作为优选方案，通过暗通道去噪具体包括以下步骤：将挤压受损路面视为有噪声，将点云精提取数据基于暗通道去雾处理，纠正路面强度部分失真的情况；所述基于暗通道去雾处理是将带有噪声反射的强度数据i(x)视作雾，采用暗通道去雾模型计算得到修正后的无雾点强度值，所述暗通道去雾模型为：

32、，

33、其中，i(x)为带有噪声反射的强度数据，t(x)为透射率，a为大气光强度， j(x)是修正后的无雾点强度值。

34、作为优选方案，修正后的无雾点强度值j(x)公式如下：

35、，

36、其中，i(x)为带有噪声反射的强度数据，t(x)为透射率，a为大气光强度， j(x)是修正后的无雾点强度值，t0是透射率最小临界值。

37、作为优选方案，k-d树搜索的邻域去噪具体包括以下步骤：

38、步骤1，进行预设范围内强度均值iavg计算：

39、，

40、其中，ii是激光点云数据中某邻域内部的不同激光点强度值，i是激光点的序号，k是作为某邻域内部搜索范围内激光点的数量；

41、步骤2，进行预设范围内方差计算：

42、，

43、步骤3，进行预设范围内标准差si计算：

44、，

45、步骤4，若si＞is,则对主点范围内的强度值进行排序，强度值最大的点即可认为是路面噪点，进行剔除，is是标准差阈值。

46、基于相同的构思还提出了一种车道线点云自动修补装置，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的一种车道线点云自动修补方法。

47、与现有技术相比，本发明的有益效果：

48、本发明的方法根据当前截面的前一个截面第一个峰值区间点云强度的均值和后续截面第一个峰值区间点云强度的均值计算出缺失的车道线对应的补充点云强度均值，并以补充点云强度均值在缺失的车道线的位置补充点云强度，实现了缺失的车道线的修补。本发明针对高速路车道标线的缺失，给出了针对性的修补方案，该方案还可以推广到其他路段的车道标线修补，修补准确高效。