一种基于结构特征匹配的道路标识线分类方法

刘 硕，刘如飞*，柴永宁

（1.山东科技大学 测绘科学与工程学院，山东 青岛 266590）

道路标识线是重要的交通标志，具有分离道路区域、规定行进走向、为行人提供引导信息等作用[1-2]；也是绘制高精度地图的重要部分，在无人驾驶技术中起到关键作用。作为重要的三维空间数据获取技术，车载激光扫描能快速获取道路及其周边地物的高精度三维激光点云，是道路标识线信息快速获取的重要方式。车载激光点云数据是离散的三维点集，具有三维坐标和反射强度等信息；而道路标识线是道路上的反光涂层，具有强反射性，且为规则的几何图形，因此可利用该特性进行道路标识线的提取。

目前，国内外研究人员已对利用车载激光点云提取道路标识线进行了相关研究，有些研究人员基于高精度图像和视频提取了道路标识线[3-5]，但提取效果受光照等因素干扰较大；YANG B S[6]等对点云进行插值生成强度特征图像，再利用强度和高程差信息提取道路轮廓，最后通过语义特征设立筛选条件，在特征图像中提取道路标识线；GUAN H Y[7]等利用插值的方法生成强度特征图像，再采用多阈值分割方法对强度特征图像进行分割，最后利用形态学闭合操作定义来提取道路标识线；LIN L[8]和YU Y T[9]等重点分析了强度特征图像二值化问题，提出了一种基于大津法改进的二值化方法，使强度特征图像二值化能适应单峰现象，通过划分左右车道进行多阈值二值分割，再利用网格算法提取道路标识线；Veit T[10]和吴哲[11]等在对强度特征图像二值化时采用边缘检测得到了良好双峰性质的图像，再利用大津法对图像进行二值分割得到道路标识线；马浩[12]等直接从点云数据中提取道路标识线，并将三维点云数据进行地面滤波，再根据点云数据反射强度进行聚类，从而提取道路标识线。然而，上述方法在提取出道路标识线后不能对其充分分类并识别，后续需人工分类不同标识线。模板匹配法[13-14]作为一种图像处理的传统方法，对识别道路标识线有可行的效果。针对上述问题，本文提出了一种基于几何特征匹配的道路标识线分类方法。

1 道路标识线提取方法描述

道路标识线提取流程如图1所示，首先将点云数据投影为强度特征图像，并对强度特征图像进行预处理；再按照一定的边长将强度特征图像划分为多个区域，并对每个区域进行二值化；然后根据道路标识线几何特征构建模板匹配模型；最后通过在二值图像上进行模板匹配来提取并分类道路标识线。

图1 道路标识线提取流程图

1.1 路面点云滤波

原始点云包括树木、建筑物、车辆、行人等信息。生成道路强度特征图像前需对原始点云进行滤波处理，去除非道路点云的影响。本文采用参考文献[15]的滤波方法提取路面点云。

1.2 强度特征图像二值化

车载激光点云是离散的三维点集，具有空间属性、强度和颜色属性。本文利用其强度差异，将点云数据投影为二维的强度特征图像。道路标识线一般为白色或黄色的涂料，对激光的反射强度高于路面沥青。

1.2.1 强度特征图像生成与预处理

点云数据不具备规则的组织结构，且数据量庞大、处理效率低；而道路标识线是二维信息，因此可将点云数据转化为强度特征图像，以减少运算数量、提高运算速率。假设强度特征图像的像素分辨率为N，根据式（1）将点云投影到XOY平面中，R、C分别为网格的行数和列数，以每个网格中所有扫描点的平均强度为该网格的灰度值，再将所有网格的灰度值归一化到0～255之间，得到强度特征图像。

大津法[16]是以类别方差为判断依据的，将使类间方差最大和类内方差最小的图像灰度值作为最佳阈值，但只适用于具有良好双峰性质的图像。面对强度不均匀的特征图像时，单纯依靠大津法不能有效二值化图像。为了改善单峰的影响，本文将图像强度分布直方图归一化到0～255之间，在不改变灰度值的前提下，增大图像的对比度。

1.2.2 分区域二值化道路标识线的强度一般由3个因素决定：①激光传感器到目标的扫描范围；②激光束的入射角度；③目标材料的属性。单位角度内扫描仪扫过路边距离长，则点云间隔大；扫过路中心距离短，则点云间隔小。越靠近路中心，点云密度越大；越靠近路边，点云密度越小。路面强度不均导致二值化效果不理想，为了削弱这种影响，本文分析了路面点云密度，并按相同密度原则将其划分。

以图2中道路图像为例，设置路面宽度1 m为一个区间，统计每个区间的点云数量，生成点云密度分布图。路面长度相同，则每个区间面积可代指密度，依次累加面积，直到面积为总面积的1/(n+1)时停止，记录横坐标位置；依此类推，得到n个位置，将路面纵向划分为n+1份，n为分布图像中极大值个数。密度分布沿行车方向大体均匀，故将路面横向平均划分为n+1份。

图2 路面点云密度分布与划分示意图

本文选取图2中a、b、c三个划分区域进行强度分析，并计算自适应阈值。区域强度分析情况如图3所示，可以看出，对区域划分后的每个区域进行二值化，可保留更多的道路信息，得到更清晰的二值图像。

本文利用OTSU法对每个区域进行二值化，再按分割顺序拼接成完整的二值图像，然后对二值图像进行一次开运算再进行一次闭运算，滤除多余噪点和细小空洞。

图3 区域强度分析情况统计

1.3 道路标识线分类

为避免标识线倾斜给模板匹配算法造成干扰，本文采用一种旋转窗口图像校正方法。图像校正方法大体分为透视变换法和控制点变换法两种，本文所用图像全部由点云正射投影生成，只需校正X、Y轴倾斜，因此利用基于控制点变换法的旋转窗口图像校正方法。首先提取出道路标识线的最小外接矩形轮廓，获取矩形轮廓的4个顶点坐标和矩形中心坐标；再利用霍夫直线检测方法检测长边的方程表达式，令斜率为k，即

那么，只有k=0时，该直线会平行或重合于Y轴，因此以矩形框中心点为原点进行旋转，当k=0时停止旋转，得到校正角度；再将矩形框中所有坐标按校正角度进行矩阵变换，得到平行于Y轴的矩形框。

由于得到二值图像后，传统的聚类分割提取标识线的方法不能有效地对道路标识线进行分类，因此本文提出了一种通过几何特征进行模板匹配的提取方法。建立如图4所示的道路标识线模板库，道路上主要的标识线包括箭头类的直行、直行转向、转向、直行双向和短标线。以行驶方向为矩形框纵坐标的方向，生成最小外接矩形。道路标识线的长宽间隔大致相同且指向方向为平行关系。设矩形框面积为S，利用D、L、Q、Z等值建立判别条件，进一步分类不同类型标识线，判别条件如表1所示。

图4 道路标识线模板

表1 道路标识线几何语义描述

2 实验过程与结果分析

2.1 实验过程

实验数据采用车载移动测量系统采集的青岛市某段道路数据（图5），选择标识线种类较多的路段进行对比实验。数据的点云间隔为0.03 m，扫描线间距为0.05 m。对点云数据进行处理，为保证每个格网中都存在点云，设置格网边长为0.05 m，生成强度特征图像。所选路段包含短标线、直行箭头、转向箭头以及其他标线，部分标线有磨损，道路中间平均强度低，道路两侧平均强度高，路面上噪点较多。

图5 实验点云数据

从数据里选取各种类型道路标识线进行分类识别，得到实验结果如图6所示，可以看出，图6a成功将直线标线、斑马线和直行标线分类；图6b分类出3种箭头类标线和直行标线；图6c分类出大部分标线，斑马线有漏提现象；图6d和图6e存在残损标线，说明本文方法在分类残损标线时具有较好的效果。

2.2 精度分析

分别利用本文方法与闫利[1]、YANG B S[6]等提出的方法进行道路标识线提取与分类的对比实验，设置两个精度评定参数，即提取准确率（Precision），提取的标识线不是噪点等物体；识别准确率（Completeness），分类出的标识线的正确率。总体精度（Accuracy）则由这两个参数评定，计算公式为：

图6 实验结果图像

式中，TP、FP和FN分别为真正（提取并识别正确）、假正（提取但识别错误）和假负（漏提、错提）的数量。

精度对比结果如表2所示，可以看出，闫利[1]等提出的方法在该实验数据中的Precision和Completeness均较低，导致Accuracy不理想；YANG B S[6]等提出的方法的Precision最高，为90.35 %，但该方法的Completeness较低，Accuracy为77.62 %；本文方法的Precision为90.01 %，Completeness为82.83 %，Accuracy为86.27%，整体效果在3种方法中最优。闫利[1]等提出的方法仅对道路标识线进行了提取，并未进一步分类；YANG B S[6]等提出的方法提取并分类了标识线，但分类效果不明显；本文方法提取并分类了标识线，且具有较高的精度。

表2 精度对比结果/%

3 结 语

本文提出了一种基于结构特征匹配的道路标识线提取方法。该方法首先将道路划分成多个区域，分别计算分割阈值并优化，再根据道路标识线几何特征建立判别模型来分类道路标识线。与其他根据强度信息提取道路标识线的方法相比，该方法适用于路面强度分布不均匀的道路，能有效剔除噪点并保留标识线。本文通过多个路段进行实验，结果表明，道路标识线的Precision和Completeness分别达到90.01%和82.83%，Accuracy达到86.27%。在提取过程中，该方法出现了少数错提、漏提现象，后期将重点研究更好的判定道路标识线的几何约束条件。