基于車載LiDAR的道路邊界檢測

李會賓，史 云，張文利，項銘濤，劉含海

(1．北京工業(yè)大學 信息學部，北京 100124；2．中國農業(yè)科學院 農業(yè)資源與農業(yè)區(qū)劃研究所，北京 100081)

隨著人們對無人駕駛的日益關注，基于道路的三維信息檢測技術成為自主導航中一項重要技術，其中道路邊界檢測是道路三維信息檢測中的重點。在城市交通環(huán)境中，道路邊界劃分了道路區(qū)域和非道路區(qū)域，同時凸起的道路邊界也是行駛過程中的障礙物[1-2]，檢測道路邊界不僅能夠保證車輛在可行駛區(qū)域內行駛，還可以控制車輛與道路邊界的距離，保障行車安全。

當前多種類型的傳感器被用于道路邊界的檢測，其中包括單目相機或雙目相機、LiDAR或者LiDAR和相機結合的雙傳感器[3]等。基于相機的道路邊界檢測算法中，大多采用基于圖像的邊緣提取技術[4-5]或者從深度圖像的數(shù)字高程模型中提取道路邊界的技術[6]，由于相機易受外界光照影響，會造成圖像模糊和畸變，導致道路邊界誤檢或無法檢測。隨著近年來LiDAR點云數(shù)據(jù)采集技術的發(fā)展，國內外研究者對基于LiDAR的道路邊界檢測技術進行了大量研究，并取得較好結果。文獻[7]和文獻[8]根據(jù)道路邊界高程跳變特性及斜率特征獲取道路邊界點，然后進行道路邊界點跟蹤優(yōu)化去除異常邊界點，最后利用線性分析擬合出道路邊界。文獻[9]根據(jù)距離判別法和霍夫變換法提取激光掃描線中道路邊界點，最后將道路邊界點作為種子點，通過高斯迭代回歸過程擬合出道路邊界。文獻[10]使用道路邊界點的高程跳變、強度特征提取道路邊界點，最后通過道路拓撲特征來優(yōu)化道路邊界點。基于LiDAR和相機雙傳感器結合的方法[11]雖然結合兩者各自的優(yōu)點，但是該類方法將高分辨率的圖像和點云處理數(shù)據(jù)融合時算法復雜，道路邊界的二維邊緣變化特征以及三維結構特征的同時檢測會造成檢測效率低下。

在城市交通環(huán)境中，道路邊界附近往往會存在綠化帶，綠化帶生長過程中會出現(xiàn)遮擋道路邊界的現(xiàn)象，前人基于LiDAR進行道路邊界檢測的算法中較少考慮道路邊界被綠化帶遮擋的情況，如圖1所示，本文主要針對這一情況，提出基于車載LiDAR的道路邊界檢測算法。本文算法主要利用道路邊界的局部三維結構特征和道路邊界分布特征來準確地檢測道路邊界。首先根據(jù)行駛軌跡獲取道路的橫切面，然后通過單線點云獲取道路橫切面輪廓，之后根據(jù)道路橫切面中的高程變化特征、斜率變化特征和道路邊界分布特征來檢測道路邊界點，最后通過回歸擬合的算法獲取完整的道路邊界線。算法流程如圖2所示。

圖1 道路邊界遮擋情況下的檢測模型

圖2 算法流程

1 道路邊界檢測算法

1.1 道路橫切面獲取

如圖3所示，在道路橫切面獲取模型中，道路橫切面由道路初始橫切面與道路垂直相交而形成，道路橫切面能反映地物高程變化的情況。道路初始橫切面中的虛線代表道路橫切面，道路平面和道路凸起處的交線為道路邊界線，道路邊界線上的點為道路邊界點，每個道路初始橫切面上存在一個車輛軌跡點，兩個相鄰車輛軌跡點間的箭頭代表車輛的運動方向。道路橫切面具體獲取方式如下：首先根據(jù)車輛軌跡點獲取道路初始橫切面方向向量；然后根據(jù)方向向量和車輛軌跡點確定道路初始橫切面；在道路初始橫切面前后一定范圍內存在道路上點云數(shù)據(jù)，最后將臨近的點云數(shù)據(jù)向道路初始橫切面垂直投影，最終獲得較為稠密的道路橫切面。

圖3 道路橫切面獲取模型

1.1.1 道路初始橫切面法向量獲取

相鄰兩個軌跡點之間的道路橫切面方向向量算式為

(1)

(xi，yi，zi)和(xi+1，yi+1，zi+1)分別是第i個和第i+1個軌跡點坐標，n(xid，yid，zid)是兩軌跡點之間道路初始橫切面的方向向量。

1.1.2 道路橫切面鄰域點投影

選取道路初始橫切面前后一定范圍內的點云數(shù)據(jù)，向道路初始橫切面上進行垂直投影，獲取道路初始橫切面上的投影點集合形成最終的道路橫切面，本文選取道路初始橫切面前后0.05m范圍內的點云數(shù)據(jù)。

道路初始橫切面的方程為

ax+by+cz+d=0，

d=-(axi+byi+czi).

(2)

a，b和c的值在本文中分別為xid，yid和cid。(xi，yi，zi)為道路橫切面對應的軌跡點。

每個初始三維點的投影算式為

xp=-(axi+byi+czi+d)asabc+xsi，

yp=-(axi+byi+czi+d)bsabc+ysi，

(3)

zp=-(axi+byi+czi+d)csabc+zsi，

式中：(xsi，ysi，zsi)為橫切面鄰域內三維點的坐標；(xp，yp，zp)為(xsi，ysi，zsi)投影后的坐標。

1.2 道路橫切面輪廓獲取

道路邊界檢測的關鍵是道路橫切面中的道路邊界點檢測。在城市道路環(huán)境中，道路邊界附近一般會存在綠化帶等障礙物遮擋道路邊界，導致道路邊界的上平面出現(xiàn)大量雜點。道路邊界結構的變化會嚴重影響道路邊界的高程變化和斜率特征，使得道路邊界點檢測難度大大提升。為了避免綠化帶等對道路邊界遮擋帶來的影響，本文提出通過單線點云自底向上從道路平面底部提取道路橫切面輪廓，然后從道路橫切面輪廓中提取道路邊界點。該方法可以完整地提取道路橫切面的輪廓，在道路邊界存在遮擋的情況下也能保留道路邊界的高程變化和斜率等屬性信息，同時也可去除道路平面以上障礙物信息。

1.2.1 單線點云生成

單線點云上的三維點依次排列，其長度由車輛軌跡點起向左右拓展長度的總和，與道路橫切面共面且位于道路底面下方，單線點云中相鄰點的間隔為dm，單線點云初始狀態(tài)如圖4所示。單線點云生成過程如下：首先獲取單線點云上的初始點，將車輛軌跡點(激光器坐標點)垂直下降(H+h)m后，得到初始點,其中H為激光器距離地面高度，h為初始點相對于地面下降的距離；然后確定單線點云的斜率，由于單線點云的高度值已確定，所以只需確定單線點云在xy方向的斜率，單線點云和道路橫切面屬于同一個平面，則道路橫切面中xy方向的斜率即為單線點云的斜率；之后以初始點為基準，確定單線點云左右拓展的長度；最后根據(jù)單線點云的初始點、斜率、左右拓展的長度和以及相鄰點的間隔獲取單線點云上其他所有點。本文中d，H和h分別為0.02、2.3和0.3。

1.2.2 單線點云定位

本文提出采取單線點云自底向上包圍道路橫切面的方式獲取道路橫切面輪廓。單線點云上升過程中采取“遇則停，停則定位”的策略，如圖4所示，道路橫切面和單線點云分別以星形點和圓形點表示，單線點云垂直上升向道路底面靠近，在上升過程中，利用 kd-tree近似最鄰近鄰域搜索算法[12]，對單線點云中每個點的鄰域進行搜索，查找是否存在道路上地物的點云數(shù)據(jù)，若存在，則停止向下搜索，執(zhí)行定位操作，單線點云上剩余點的繼續(xù)上升搜索，直到所有點都執(zhí)行了定位操作。單線點云每次上升的高度為Hcm，本文中Hc為0.02，通過定位操作使單線點云更加靠近道路橫切面，保證道路輪廓的完整性和平滑性。單線點云定位是將單線點云中的每個點根據(jù)其鄰域點分配新的位置，算式為

(4)

式中：n為單線點云中的每個點鄰域中點的數(shù)量；(xsi，ysi，zsi)為每個點鄰域中三維點的坐標。圖4描述了單線點云逐漸上升獲取道路橫切面輪廓的過程，最終單線點云完整地附著在道路橫切面輪廓的表面，成型后的單線點云即為道路橫切面輪廓。

圖4 道路橫切面輪廓提取

1.3 道路邊界點檢測

道路邊界具有明顯的特征，首先道路邊界區(qū)域內高程變化較大，其次道路邊界點和相鄰的路面點存在較大的斜率[13-14]，最后道路邊界點平滑延伸分布。基于以上發(fā)現(xiàn)，本文選取道路邊界點高程跳變特征、斜率變化特征和道路邊界點的分布特征，然后采用雙窗口法在道路橫切面中對道路邊界點進行檢測，如圖5所示。在窗口1和窗口2雙窗口內，道路上下邊界點存在較大的高程變化和斜率，本文利用這兩個特征檢測出道路下邊界點，然后根據(jù)道路邊界點的分布特征剔除錯誤的道路邊界點。

圖5 雙窗口法檢測道路邊界點

1.3.1 高程跳變

如圖5所示，道路邊界的高程跳變存在兩個窗口中。高程跳變算式為

Δz1=|zmax(win1)-zmin(win1)|，

Δz2=|zmax(win2)-zmin(win2)|，

(5)

Δz12=|zmax(win1)-zmin(win2) |．

其中zmax(win1)和zmin(win1)分別是窗口1中的最大和最小z值，zmax(win2)和zmin(win2)分別是窗口2中的最大和最小z值，Δz1和Δz2分別是窗口1和窗口2存在的最大高程差，Δz12為窗口1與窗口2之間存在的最大高程差，道路邊界的高度設定范圍為H1和H2。如果H1<Δz1

1.3.2 斜率

由圖5可知，由于道路的上邊界點和下邊界點之間存在明顯的高程差且水平方向距離較小，可知道路上下邊界點之間存在較大斜率值。斜率s的算式為

(6)

道路邊界點的斜率閾值為sT，如果s>sT，則所得道路邊界點滿足道路邊界點斜率的特征，同時也驗證了利用高程跳變獲取的道路邊界點的準確性。

1.3.3 道路邊界點的分布

道路邊界具有連續(xù)延伸的特征，相鄰道路橫切面上同側道路邊界點在道路延伸的方向會存在較大的距離，在其它兩個方向的距離較小，如圖3所示：道路邊界點的分布特征為兩個相鄰的邊界點在y方向上存在較大的距離，在x和z方向存在較小的距離，根據(jù)道路邊界點的分布特征來剔除誤差較大的邊界點。

相鄰邊界點y方向的距離算式為

Disy=|yc(i)-yc(i+1)|.

(7)

相鄰邊界點xz方向的距離算式為

Disxz=|xc(i)-xc(i+1)|+

|zc(i)-zc(i+1)|.

(8)

如果Disy>DT1且Disxz

1.4 道路邊界點線性擬合

本算法在道路邊界點檢測的結果中會存在少量外點，所以需要對道路邊界點檢測結果進行優(yōu)化，然后對優(yōu)化后的道路邊界點進行擬合。由于道路形狀多種多樣，本文利用RANSAC算法，對道路邊界點分段優(yōu)化和道路邊界線參數(shù)的獲取。首先將全部道路邊界點進行分段處理，即整條道路劃分為多條較小長度的道路段，這樣道路邊界線可以近似于多條折線段組成，然后對每段道路邊界點進行直線參數(shù)提取并繪制直線，最終形成多條折線段，多條折線段合并可形成較完整的道路邊界。道路邊界點擬合的效果如圖6所示，RANSAC算法成功地排除誤差較大的邊界點，獲取較為完整的道路邊界線。

2 實驗分析

2.1 實驗平臺

本文的實驗數(shù)據(jù)是基于“全景激光測量”車輛實驗平臺獲取的，該平臺主要配備了全景相機、VLP-16LiDAR、慣導系統(tǒng)和GPS天線。LiDAR的測量范圍為0～200 m，測量精度為±0.03 m，每秒鐘可獲取30萬個點。實驗平臺如圖7所示，矩形框內為“全景激光測量”系統(tǒng)。

圖6 道路邊界點擬合結果

圖7 實驗平臺

2.2 實驗數(shù)據(jù)和處理平臺

本文實驗測試數(shù)據(jù)為北京市三環(huán)附近路段，在整個道路環(huán)境內存在大量城市中的地物，例如道路、建筑、電線桿和樹木等其它道路組件，整條道路長約2 km，存在約3 752．7萬個點。道路場景存在2類道路邊界，分別是無綠化帶遮擋的道路邊界和被綠化帶遮擋的道路邊界，如圖8所示。圖8(a)中白色邊框中是無遮擋的道路邊界，即為規(guī)則的道路邊界。圖8(b)白色邊框中，道路邊界的上平面由于雜草覆蓋而存在大量無規(guī)則的雜點。本文中數(shù)據(jù)處理PC配置為Intel Core i5-6500 3．2 GHz處理器、8 GB內存。

2.3 實驗結果和分析

無綠化帶遮擋的道路邊界的數(shù)據(jù)及檢測結果，如圖9所示，圖9(a)中的道路邊界結構完整度高，且沒有雜草覆蓋的影響，圖9(b)中白色直線為檢測到的道路邊界，本文算法對于無遮擋的道路邊界獲取了良好的檢測結果，道路邊界檢測結果準確地與實際道路邊界相統(tǒng)一。

圖8 兩種類型的道路邊界

圖9 無綠化帶遮擋的道路邊界數(shù)據(jù)及檢測結果

存在綠化帶遮擋的道路邊界數(shù)據(jù)及檢測結果，如圖10所示，圖10(a)中道路左邊界完整度高，道路右邊界出現(xiàn)綠化帶遮擋，白框區(qū)域為綠化帶遮擋區(qū)域，存在大量的雜點。雖然右邊道路邊界存在大量的雜點，導致道路邊界上平面的平整性受到破壞，但是道路邊界的下平面形態(tài)仍然保存完整。本文根據(jù)這一特征，通過單線點云從道路平面下方逐漸上升獲取道路的整體輪廓，避免道路上平面出現(xiàn)遮擋時對道路邊界檢測的影響，通過本算法獲取良好的道路邊界檢測結果，道路邊界檢測結果準確地與實際道路邊界相統(tǒng)一，檢測結果如圖10(b)中白線所示。

該路段全部數(shù)據(jù)及檢測結果，如圖11所示，該路段存在綠化帶遮擋的道路邊界區(qū)域和無綠化帶遮擋區(qū)域，如圖11(b)所示，在復雜的道路區(qū)域環(huán)境中，本文算法對道路邊界的檢測結果整體完整度較高，道路邊界的誤檢率較低，但是結果中存在少量雜點，這是一些路口存在類似于道路邊界特征的障礙物引起的，分散性大，較難去除。

為驗證本文算法的性能，本文首先從初始道路數(shù)據(jù)中手工提取了真實的道路邊界作為參考值，將參考值和本文算法、VRMesh軟件中道路邊界檢測算法以及Fang等人[10]算法的道路邊界檢測結果分別從道路邊界完整率、正確率兩個方面進行了對比，評估算法由文獻[15]提出，被廣泛地用于道路邊界檢測結果的評估。實驗對比結果如表1所示。

圖10 綠化帶遮擋的道路邊界數(shù)據(jù)及檢測結果

圖11 全路段數(shù)據(jù)及道路邊界檢測結果

表1 本文算法和VRMesh中道路邊界檢測

初始道路數(shù)據(jù)及三種算法檢測結果，如圖12所示，圖12(a)中道路的左邊界存在綠化帶的遮擋，而右邊界不存在綠化帶的遮擋，F(xiàn)ang等人算法對于較好的道路邊界模型，即需要平整的上下道路邊界平面才能獲取較好的檢測結果，左道路邊界上的綠化帶雜點導致道路邊界的高程發(fā)生無規(guī)則變化，同時雜草的強度值也和路面存在明顯差異，所以該算法在右邊界有較好的檢測結果，但是左邊界檢測結果就存在大量的錯點，如圖12(b)所示。VRMesh中道路邊界檢測算法通過檢測道路邊緣的凸起和路面的交界位置來確定道路邊界，該方法需要人為干預選擇兩個邊界點，然后跟蹤延伸形成道路邊界，該算法受綠化帶遮擋影響較小，但是部分檢測結果和實際道路邊界存在較大的偏移，如圖12(c)所示，并且遇到路口位置會造成道路邊界檢測提前中斷，需要人工多次選擇，才能獲得較好的道路邊界檢測結果。如圖12(d)所示，在道路邊界存在綠化帶遮擋時，本文算法在檢測道路邊界過程中，減小了綠化帶雜點的影響，最終在道路橫切面輪廓中準確地檢測到道路邊界點，并且本文算法在道路邊界無遮擋時也獲得較好的檢測結果。同時如表1所示，對比3個算法檢測結果的完整率和正確率，通過對比發(fā)現(xiàn)本文算法在道路邊界檢測的準確率和完整率上表現(xiàn)較好。

圖12 初始道路數(shù)據(jù)及三種算法道路邊界檢測結果

3 結 論

本文針對道路邊界易受到綠化帶等障礙物遮擋的情況，設計出一種基于車載LiDAR的道路邊界檢測算法。通過實際道路場景的實驗結果，驗證了本文算法在道路邊界無綠化帶遮擋和被遮擋的情況下檢測的準確性和有效性，同時與以往的算法相比，本文算法提高了道路邊界檢測的準確率和完整率，能夠滿足實際工程需要，但是該算法檢測結果還存在少量的誤檢邊界點。