CN109858460A - 一种基于三维激光雷达的车道线检测方法 - Google Patents

Abstract

本发明涉及一种基于三维激光雷达的车道线检测方法，属于智能交通道路环境感知领域，用于获取道路环境中的车道线，包括步骤：以激光雷达中心为原点建立三维坐标系，设置感兴趣区域；检测出道路路沿，根据路沿的几何特征提取路沿候选点，根据路沿方向一致性的特征去除噪声；由路沿位置确定车道线所在路面的点云数据，根据不同介质的反射强度不同的特征，对扫描线进行分层处理，设置反射强度阈值提取车道线候选点，根据车道线全局连续性的特征进行聚类去噪；使用二项式曲线拟合车道线。本发明使用三维激光雷达传感器检测车道线，解决了传统相机在夜晚、强光等光照条件差的情况下无法识别车道线的问题，检测精度较高，可靠性强。

Description

一种基于三维激光雷达的车道线检测方法

技术领域

本发明属于智能汽车技术中交通道路环境感知领域，涉及一种基于三维激光雷达的车道线检测方法。

背景技术

近年来，我国汽车产业飞速发展，车流量增大的同时也带来了很多交通安全问题。为了解决这些问题，智能汽车辅助驾驶系统应运而生，汽车辅助驾驶系统具有预警功能，常见的预警功能包括障碍物探测、车距测量、车速测量、道路路沿及隔离带识别、车道线识别等。其中道路车道线，路沿以及隔离带等识别可以有效减轻驾驶员负担，减少交通事故的发生。

基于机器视觉的方法最先用在车道线检测中，虽然相机有的价格低等优点，但是相机易受光照、天气等环境因素的干扰，使得检测精度不高。随着传感器技术与雷达技术的发展，基于激光雷达的车道线检测成为研究的热点。激光雷达分为二维激光雷达和三维激光雷达，其中二维激光雷达扫描线较少，只能在较少的固定角度扫描，无法提供丰富的道路环境信息。三维激光雷达能实时精确地提供丰富的道路环境三维数据，具有扫描距离远、探测范围广、检测精度高等优点，因此被广泛应用于智能车的道路环境感知。激光雷达的反射强度大小取决于激光的波长、介质材料以及介质表面的光滑程度。车道线一般会被刷上一层黄色或白色特性涂层，因此道路路面和车道线的反射强度会有较大差异。

在现有的技术中也出现了采用三维激光雷达进行车道线检测的技术，例如中国专利CN106127113A使用栅格图的方法检测车道线，根据栅格内的高度差滤除非地面点，并设置阈值滤除反射强度差异较大的栅格。但是栅格地图的栅格大小远远低于原始三维激光雷达数据距离精度，使检测精度不高，且三维激光雷达点云数据分布较为不均匀，会出现很多栅格没有数据的情况，导致计算和存储资源的浪费。

发明内容

有鉴于此，本发明的目的在于提供一种基于三维激光雷达的车道线检测方法，能在不同光照条件下快速准确检测出车道线。

为达到上述目的，本发明提供如下技术方案：

一种基于三维激光雷达的车道线检测方法，包括以下步骤：

S1：通过三维激光雷达对道路环境进行扫描，获取原始点云数据，并以三维激光雷达中心为原点建立三维坐标系，并建立感兴趣区域，设置x、y、z区域范围；

S2：对所述地面点云数据，根据路沿几何特征进行阈值判断，提取路沿候选点，并根据路沿方向一致性的特征进行聚类并去除噪声，得到路沿点；

S3：由所述路沿点位置确定车道线所在路面点云数据，对扫描线进行分层处理，用局部方差法，设置反射强度阈值进行判断，提取车道线候选点；

S4：根据车道线全局连续性特征进行聚类去噪，得到道路车道线；

S5：对所述得到的车道线点进行二项式曲线拟合，得到道路车道线。

进一步，步骤S1中，三维激光雷达输出的原始数据以笛卡尔坐标系表示，以雷达中心为原点o，x、y、z轴穿过原点且互相垂直，y轴方向指向车辆车头，x轴方向指向车辆车头的右手方向，z轴垂直于地面向上。建立感兴趣区域，设置x、y、z区域范围。

进一步，构建路沿距离比和高度差的几何特征进行阈值判断，将符合距离比阈值和高度差阈值的扫描点作为路沿候选点，对于得到的路沿候选点中，分别保留每条扫描线中距离雷达最近的5个候选点，应用基于密度的聚类算法DBSCAN对所述候选点进行聚类并去除离散噪声，在邻域半径Eps内，核心点MinPts的数量小于设定阈值，则被标记为噪声点；对所述每个簇类的点拟合成直线，根据线段的扫描起始位置和斜率进行对比，如果相邻的两个簇类近似共线，则将这两个簇类中的点合并，并选取较长的簇类作为最终保留的道路路沿。

进一步，根据步骤S2中获取的道路路沿位置，保留左右路沿之间的路面点云数据，为后续检测车道线做准备，由于激光雷达的反射强度值受距离和角度等因素影响，使得不同距离扫描线的反射强度值会有所不同，因此对扫描线进行分层处理，采用局部方差法，连续邻域点集合表示为S＝{p_i-n,…,p_i,…,p_i+n}，对每条扫描线求连续邻域集合中点的方差，若点p_i方差大于给定的阈值，则点p_i为车道线候选点。

进一步，对于得到的车道线候选点，应用DBSCAN算法进行密度聚类并去除离散噪声，对于聚类后的点云，取每个簇类的中心点代表该簇类，计算任意相邻簇类之间的斜率与左右路沿的斜率进行对比，若斜率近似相等，则将这两个簇类归为一类，对重新归类的点拟合成直线，如果相邻的两个簇类近似共线，则合并这两个这两个簇类中的点，并选取较长的簇类作为最终保留的车道线。

本发明的有益效果在于：

(1)使用三维激光雷达对道路环境进行检测，解决了传统相机在夜晚、强光等光照条件差的情况下无法识别车道线的问题，本发明具有更广泛的适用性；

(2)本发明采用的三维激光雷达返回海量点云，数据量大，可以获得水平方向上360°的道路环境信息，因而其可靠性更高；

(3)本发明首先对路沿进行检测，缩小了车道线所在的路面数据的范围；对点云数据进行分层处理，使用局部方差法提取车道线，解决了激光雷达反射强度值受距离影响的问题，提高了检测精度。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1是本发明的整体流程示意图；

图2是本发明中实施例采用的实验场景；

图3是本发明三维激光雷达坐标系示意图；

图4是本发明实施例道路路沿检测的结果图；

图5是本发明实施例道路车道线检测的结果图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

作为一种可选方式，本实施例选用Velodyne16线激光雷达作为传感器，如图1所述，一种基于三维激光雷达的车道线检测方法，实验场景如图2所示，具体步骤为：

S1、通过三维激光雷达对道路环境进行扫描，获取原始点云数据，并以三维激光雷达中心为原点建立三维坐标系，并建立感兴趣区域，设置x、y、z区域范围。

将激光雷达水平安装在车辆顶部，三维激光雷达输出的原始数据以笛卡尔坐标系表示，如图3所示，以雷达中心为原点o，x、y、z轴穿过原点且互相垂直，y轴方向指向车辆车头，x轴方向指向车辆车头的右手方向，z轴垂直于地面向上；VLP-16三维激光雷达在垂直扫描角度为-15°～15°，在垂直扫描范围内发射16根激光线，其中有8条扫描线向下辐射，8条扫描线向上辐射，保留向下辐射的扫描线作为有效数据。由于雷达精度受限，距离越远，单线间距越大，因此选取车辆前后各20m和左右各10m范围作为研究区域，雷达的安装高度为2m，设定z的区域范围为：-1.4m＜z＜-2.2m。

S2、对所述地面点云数据，根据路沿几何特征进行阈值判断，提取路沿候选点，并根据路沿方向一致性的特征进行聚类并去除噪声，得到路沿点。

构建路沿距离比和高度差的几何特征进行阈值判断，将符合距离比阈值和高度差阈值的扫描点作为路沿候选点。同一条激光雷达扫描线旋转一圈所产生的点投影到标准平面上所形成的点云会形成一个圆环，在圆上每个点到圆心的距离相同，而投影到路沿上的点则反映路沿的形状。在同一条扫描线上，位于道路表面上的任意3个点到激光雷达的距离理论上是相等的，当扫描到路沿时受到阻碍，从而到激光雷达的距离发生改变。因此同一条扫描线上点p_i＝(x_i,y_i,z_i)与其邻域点到原点距离比值可以作为提取路沿的一个有效特征。如果邻域点距离比值大于给定的阈值，则点p_i可能为路沿点。相邻点距离比值计算公式为：

在同一条扫描线上，道路表面上的相邻扫描点之间高度变化比较平缓，当扫描到路沿时，高度急剧变化，因此将同一条扫描线上点p_i＝(x_i,y_i,z_i)与相邻点p_i+1＝(x_i+1,y_i+1,z_i+1)的高度差作为有效特征。如果邻域点高度差大于给定阈值，则点p_i可能为路沿点。邻域点高度差计算公式为：

ΔZ＝|z_i-z_i+1| (2)

其中点p_i＝(x_i,y_i,z_i)，i为点云数据中扫描点的序号，x、y、z分别代表各点对应的x轴数值、y轴数值和z轴数值，dist_i为第i个点到雷达的距离，z_i为第i个点的高度。threshold₁为预设的距离比阈值，threshold₂为预设的高度差阈值，若满足D_i＞threshold₁，ΔZ＞threshold₂，则扫描点p_i作为路沿候选点。

进一步的，对于得到的路沿候选点中，分别保留每条扫描线中距离雷达最近的5个候选点，保证能得到道路区域最里层的轮廓。应用基于密度的聚类算法DBSCAN对所述候选点进行聚类并去除离散噪声，若在邻域半径Eps内，核心点MinPts的数量小于设定阈值，则被标记为噪声点；本实施例中，设置Eps为0.4m，MinPts为3，即将在扫描半径Eps为0.4m的邻域内的点的数量小于3的点被标记为噪声。离散的噪声被滤除，点云被聚成不同的类，对所述每个簇类的点拟合成直线，根据线段的扫描起始位置和斜率进行对比，如果相邻的两个簇类近似共线，则将这两个簇类中的点合并，并选取较长的簇类作为最终保留的道路路沿。如图4所示，中间两条灰色的直线为路沿。

S3、由所述路沿点位置，确定车道线所在路面点云数据，对扫描线进行分层处理，用局部方差法，设置反射强度阈值进行判断，提取车道线候选点。

根据获取的道路路沿位置，保留左右路沿之间的路面点云数据，为后续检测车道线做准备。由于激光雷达的反射强度值受距离和角度等因素影响，使得不同距离扫描线的反射强度值会有所不同，因此对扫描线进行分层处理，采用局部方差法，连续邻域点集合可表示为S＝{p_i-n,…,p_i,…,p_i+n},则邻域集合S的反射强度均值和点p_i的方差计算公式为：

对每条扫描线求连续邻域的方差，若点p_i方差大于给定的阈值，则点p_i为车道线候选点。

S4、根据车道线全局连续性特征进行聚类去噪，得到道路车道线。

进一步的，车道线与路沿类似，在道路方向上有全局连续性的特征，对于得到的车道线候选点，应用DBSCAN算法进行密度聚类并去除离散噪声，本实例中，参数Eps同样设置为0.4m，MinPts为3。对于聚类后的点云，取每个簇类的中心点代表该簇类，计算任意相邻簇类之间的斜率与左右路沿的斜率进行对比，若斜率近似相等，则将这两个簇类归为一类，对重新归类的点拟合成直线，如果相邻的两个簇类近似共线，则合并这两个这两个簇类中的点，并选取较长的簇类作为最终保留的车道线。

S5、对所述得到的每一类车道线点进行二项式曲线拟合，得到道路车道线。如图5所示为检测的结果图，中间的三条灰色直线为车道线，准确的检测出了车道线在道路中的位置。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (5)

1.一种基于三维激光雷达的车道线检测方法，其特征在于：包括以下步骤：

S1：通过三维激光雷达对道路环境进行扫描，获取原始点云数据，并以三维激光雷达中心为原点建立三维坐标系，并建立感兴趣区域，设置x、y、z区域范围；

S2：对所述地面点云数据，根据路沿几何特征进行阈值判断，提取路沿候选点，并根据路沿方向一致性的特征进行聚类并去除噪声，得到路沿点；

S3：由所述路沿点位置确定车道线所在路面点云数据，对扫描线进行分层处理，用局部方差法，设置反射强度阈值进行判断，提取车道线候选点；

S4：根据车道线全局连续性特征进行聚类去噪，得到道路车道线；

S5：对所述得到的车道线点进行二项式曲线拟合，得到道路车道线。

2.根据权利要求1所述的基于三维激光雷达的车道线检测方法，其特征在于：步骤S1中，三维激光雷达输出的原始数据以笛卡尔坐标系表示，以雷达中心为原点o，x、y、z轴穿过原点且互相垂直，y轴方向指向车辆车头，x轴方向指向车辆车头的右手方向，z轴垂直于地面向上，建立感兴趣区域，设置x、y、z区域范围。

3.根据权利要求1所述的基于三维激光雷达的车道线检测方法，其特征在于：构建路沿距离比和高度差的几何特征进行阈值判断，将符合距离比阈值和高度差阈值的扫描点作为路沿候选点，对于得到的路沿候选点中，分别保留每条扫描线中距离雷达最近的5个候选点，应用基于密度的聚类算法DBSCAN对所述候选点进行聚类并去除离散噪声，在邻域半径Eps内，核心点MinPts的数量小于设定阈值，则被标记为噪声点；对所述每个簇类的点拟合成直线，根据线段的扫描起始位置和斜率进行对比，如果相邻的两个簇类近似共线，则将这两个簇类中的点合并，并选取较长的簇类作为最终保留的道路路沿。

4.根据权利要求1所述的基于三维激光雷达的车道线检测方法，其特征在于：根据步骤S2中获取的道路路沿位置，保留左右路沿之间的路面点云数据，为后续检测车道线做准备，由于激光雷达的反射强度值受距离和角度等因素影响，使得不同距离扫描线的反射强度值会有所不同，因此对扫描线进行分层处理，采用局部方差法，连续邻域点集合表示为S＝{p_i-n,…,p_i,…,p_i+n}，对每条扫描线求连续邻域集合中点的方差，若点p_i方差大于给定的阈值，则点p_i为车道线候选点。

5.根据权利要求1所述的基于三维激光雷达的车道线检测方法，其特征在于：对于得到的车道线候选点，应用DBSCAN算法进行密度聚类并去除离散噪声，对于聚类后的点云，取每个簇类的中心点代表该簇类，计算任意相邻簇类之间的斜率与左右路沿的斜率进行对比，若斜率近似相等，则将这两个簇类归为一类，对重新归类的点拟合成直线，如果相邻的两个簇类近似共线，则合并这两个这两个簇类中的点，并选取较长的簇类作为最终保留的车道线。