基于高分辨率遥感影像的车道线提取

张世强，王贵山

(北京灵图软件技术有限公司，北京 100193)

随着深度学习、激光雷达、毫米波雷达、SLAM(simultaneous localization and mapping)、AI专用芯片等软硬件技术的进步，自动驾驶技术发展迅速。除了传统的汽车厂商和IT巨头外，国内外出现了数百家自动驾驶技术的初创公司，一些估值超10亿美元的独角兽公司不断涌现。各种媒体轮番炒作，自动驾驶技术及相关主题成为热点，仿佛很快就要进入自动驾驶时代。

任何技术的发展都要经过萌芽期、过热期、低谷期、复苏期、成熟期，自动驾驶也不例外。2018年上半年，自动驾驶技术达到了过热期的顶峰，随着Google的Waymo CEO John Krafcik承认，自动驾驶技术很难，且L5级自动驾驶的终极阶段是一种有点不合理的期望，自动驾驶技术开始回归理性。自动驾驶技术还需要人们不断的努力，一些技术细节还要不断地完善。

自动驾驶及辅助驾驶方案多种多样，但大部分都要涉及定位和路径规划问题。虽然一些厂家的产品，主要依靠激光雷达SLAM或摄像头图像识别来定位和实时判断路况，号称不依赖任何地图，但大部分厂商还是把高精地图纳入系统之中。其中L3以上等级的自动驾驶，某些方案中高精地图是必不可少的。导航地图提供商积极研究制作高精地图产品，一些已经用于测试。由于高精地图数据采集工作量巨大，一些厂商采用了众包的方法，新的制图技术也处于不断探索之中。

高精地图一般包括车道模型、道路部件、道路属性和其他定位图层。车道线是车道模型和道路部件的主要内容之一，不仅用于构建车道中心线及连接关系模型，还可用于辅助定位。车道线识别占高精地图生产工作量的一半以上，本文针对利用高分辨率遥感影像提取车道线进行了探索。

1 车道线获取方法现状

目前，大部分系统是通过单目或多目摄像头及激光扫描雷达[1-2]，采用图像处理算法或深度学习的图像分割识别方法，对获取的图像进行分析来获取道路信息。需要将设备装在采集车上，沿路行驶来获取数据，数据需经软件和人工处理，工作量巨大。

最近几年流行的深度学习算法，一般采用卷积神经网络，在车载摄像头图像识别中得到成功应用，可以分辨几十种不同的地物。结合专门研制的低功耗AI芯片，实时图像分析能力已经达到每秒6帧以上，成功应用于一些L4级别的自动驾驶系统中(如图1所示)。

通过高分辨率的遥感影像提取道路的研究已经很多[3-9]，如何利用高分辨率遥感影像提取更详细的信息，是值得研究的问题。目前，美国已经放开的卫星的分辨率已经达到0.25 m全色和1 m多光谱图像数据，在这一级别的卫星影像上已经能清晰地分辨出车道线、人行横道、减速带、隔离带等，甚至路上的箭头、文字等内容。而航空摄影和无人机摄影可以获得更高分辨率的影像，分辨上述道路要素更加容易。在Google Earth的Level 19影像上，各种车道信息清晰可见，如图2所示(该图像分辨率约0.35 m)。

深度学习用于遥感影像识别[10-15]，还处于探索阶段。DeepGlobe是全球遥感影像智能分析大赛，Uber(优步)、马里兰大学、清华大学等在内的全球顶尖研究团队都参与其中。比赛内容有3项：道路网络识别，建筑物识别和土地用途识别。中国团队在2018年度取得不错的成绩，在其中两项处于领先地位。对于车道线等细小目标的识别，目前还未见报道。

由于遥感影像相对于车载摄像头影像，尺度不一样，视角也不一样，因此大部分目标都比较小，或是目标的宽度比较小，目前的深度学习图像分割识别算法还无法实现。常用的卷积神经网络(CNN)的池化层(Pooling)会使信息量进一步减小，一个24×24的目标经过四层Pooling后只有约一个像素，使得维度过低难以区分。而且，遥感影像上目标的方向不是确定的，使得目标检测更加困难。小目标的检测识别是目前深度学习的研究方向之一。

从遥感影像上提取电子地图的相关处理软件比较成熟。如果采用人机交互采集方式，可以排除一些干扰因素，获取绝大部分车道线的信息。但是人工判读矢量化工作量巨大，成本高昂。美国的一些公司将数据处理工作转包给印度等人工成本比较低的国家，以降低成本。如果能采用自动化图像处理，获取大部分容易获取的车道线信息，再辅以人工编辑，同时参考道路的车载摄像头影像，则可以取得比较好的效果，如图3所示。

2 车道线提取过程

2.1 影像选择

最近几年国内外的遥感卫星和星座，出现了爆发式增长，分辨率提高很快，成像能力有了飞跃式提高。遥感影像来源比较多，选择的标准主要有以下几个方面：

(1) 影像分辨率：影像的分辨率当然是越高越好，但要注意的是，除了理论分辨率以外，影像的光谱特性、清晰程度也很重要。有的理论分辨率高，但影像模糊，实际目标辨识能力不足。

(2) 影像遮挡：由于最新的遥感卫星影像大部分是倾斜摄影，楼房、树木等对路面有遮挡，这就要选择相机倾斜角度小，遮挡少的影像。

(3) 影像成像时间：植被的四季变化，对路面的遮挡情况不同。需要选择植被稀疏时，尽可能是冬季或春秋季节的数据。

(4) 影像色彩：受天气、季节及成像仪光谱特性的影响，同一地区的影像，色彩、清晰度差异较大，要选择道路线清晰的数据。

(5) 获取成本及时效：不同的数据源，价格差距比较大。需要综合平衡价格与质量及数据的新旧程度。

航空摄影及无人机摄影的要求也同样如此。摄影时间、航高、分辨率要满足上述要求。如图4所示，影像的质量很好，提取道路线要容易得多。路灯和道路标识杆的位置也清晰可辨。

2.2 影像预处理

高精地图对定位精度要求比较高，获取的遥感影像必须进行高精度的纠正处理。高精地图的精度包括绝对精度和相对精度。由于国家有关的地图保密政策等原因，对地图的绝对精度有限制，且片面追求绝对精度，成本也难以控制。以惯性导航仪为例，精度不同，价格从几万元到上百万元。不同扫描线数的激光雷达，价格差距也是10倍以上。为应对地图数据偏移，以前的导航软件采用的一些折中方法对高精地图也同样适用，一些公司专门研究了适用于高精地图的车载端保密插件，成功优化了经过非线性保密技术处理后的高精地图数据与保密插件处理后的车载端定位数据的匹配精度。

在数据制作时，在尽可能提高地图的绝对精度的基础上，更重要的是要保证相对精度。在实际使用中，车载仪器会实时地对车辆周围环境进行识别，自动对地图和地理环境进行匹配。实际驾驶过程中，同时使用的地图范围有限，不超过几百米，甚至更小。在小范围内的地图，各要素的相对位置变形误差控制要满足标准要求。

由于目前遥感卫星普遍采用了镜头摇摆成像方式，大部分遥感影像获取的倾角比较大，受地形起伏影响变形也大，进行正射纠正是必需的，控制点的选择和DEM的质量是重点。

图像经纠正处理后，还要进行色彩与对比度的调整。由于遥感影像传感器不同，获取的季节及气象条件不同，造成影像色彩差异很大。处理时一般一批次只处理同一时相或时项相近的影像数据。

由于提取的要素为线状要素，对遥感影像进行适当的线状要素边缘增强处理也是必要的。

2.3 图像分割

在遥感影像上，车道线大多表现为比较亮的白色。图像分割的方法很多，如阈值法、边缘检测法、区域增长法、双聚类法、快速匹配法、分水岭变换法等。采用常用的阈值法，比较简单，能满足需求即可。不同的影像，阈值也有差别，因此需要对阈值作调整，以取得最佳效果。

2.4 噪声去除

影像分割后转变为二值图，但建筑物、空地、车辆等颜色比较亮的要素混杂其中，如何加以去除是处理的关键。

传统导航地图中已有的道路中心线、道路边线等信息，可以起到重要作用。可以利用车道中心线形成的缓冲区域，或者车道边线形成的闭合区域，将路面以外的建筑物等噪声排除。

影像中路面上不可避免出现车辆，特别是颜色浅的车辆，会在图像分割中和车道线一起提取出来。去掉车辆的方法有多种，可以采用面积法，也可以利用车辆识别的方法[16-18]。

利用数学形态学方法去除小的噪声，同时保证线段的连续，如图5所示。

2.5 矢量化

传统导航图中的道路中心线，确定了道路及车道线的大致走向。连续的车道线和断续的虚线，面积大小差异比较大。可以利用方向和面积因子，将不同类型的线提取出来。栅格数据的矢量化在常用GIS软件中是成熟的功能，本文不再赘述。

车道线信息，既可以是矢量形式的，也可以是栅格形式的。栅格数据的车道线与激光点云等信息的融合，在某些自动驾驶系统中已得到应用。

2.6 数据检查和整理

数据的检查和整理需要作业员通过人工交互完成。虽然利用软件和算法尽可能完成大部分工作，但目前还无法完全代替人的智能。这一阶段，可以参考融合车载摄像头、激光雷达等多种数据源，以达到最佳效果。

3 结 语

遥感数据，覆盖范围大，信息丰富。高分辨率遥感影像，是高精度地图信息获取的可靠数据源，与车辆采集的图像及其他信息相结合，可以用于提取车道线等信息。在新修建的道路和比较开阔的新城区和高速公路上，效果良好。该方法可以降低数据采集的成本，提高采集效率。