基于幾何特征與三維點云特征的道路邊沿識別算法

陳俊吉 皮大偉 謝伯元 王洪亮 王霞

摘 要：針對目前典型道路邊沿識別算法存在實時性與可靠性難以兼顧的問題，基于多線激光雷達，根據道路邊沿的幾何特征與三維點云特征，提出了一種權衡實時性與可靠性的道路邊沿識別算法。依據多線激光雷達掃描獲取的大量點云數據，基于RANSAC算法的地面分割方法，濾除了預設感興趣區域內的地面數據點，然后將剩余的無序點進行有序柵格化投射處理，根據道路邊沿區域的幾何特征與點云分布特征進行匹配篩選，再融合RANSAC的最小二乘法，以完成道路邊沿曲線的魯棒擬合。實驗表明，算法在直道和彎道場景識別準確率均大于95%，耗時均低于15 ms，具有良好的準確性和實時性。所提算法能有效識別道路邊沿，可為智能車可行駛區域的識別及控制提供理論參考與方法依據。

關鍵詞：傳感器技術;智能車輛;道路邊沿;幾何特征;三維點云;融合RANSAC

中圖分類號：TN958.98 ? 文獻標志碼：A ? doi：10.7535/hbkd.2019yx06002

Abstract：Typical curb recognition algorithms have difficulty in balancing real-time performance and reliability. In this paper， with a multi-line LiDAR used， a curb recognition algorithm based on geometric features and 3D point cloud features of curb areas is proposed， which reaches a tradeoff between real-time performance and reliability. Faced with the large amount of point cloud data， the algorithm firstly proposes a ground segmentation method based on RANSAC algorithm， filtering out the ground points in the preset region of interest， and then the orderly rasterization of the remaining disordered points is carried out for matching and screening curb areas according to the curb's geometric characters and the points' distribution feature. After that， the least square method fused with RANSAC is proposed to achieve the robust fitting of curb curve. Experiments show that the recognition accuracy of the algorithm is more than 95% in both straight and bend scenes， and the time-consuming is less than 15 ms， which indicates the good accuracy and real-time performance of the proposed algorithm.The algorithm can effectively identify road curb， thus providing a theoretical reference and method basis for intelligent vehicle driving area recognition and its' control.

Keywords：sensor technology; intelligent vehicle; curb; geometric characters; 3D point cloud; fusing RANSAC

隨著現代科技的快速發展，汽車產業在智能化方向不斷推陳出新，道路邊沿識別是智能車輛在環境感知環節中的一項重要研究內容。將感知環境分為道路區域和非道路區域，可為車輛可行駛區域劃分及其路徑規劃提供更為準確的道路區間，對減少后續計算量、提高環境感知的實時性能等有著重要意義。

目前，大量傳感器可以用來搜集道路信息，感知智能車輛的行駛環境[1-3]。常用的路沿檢測方法主要有基于視覺傳感器的方法、基于激光雷達的方法、視覺和激光雷達融合的方法。相比之下，視覺傳感器具有低成本和易用性的特點。隨著機器視覺技術的發展，攝像頭被廣泛用于道路邊沿的檢測識別。陳敬義等[4]將CMOS攝像頭獲取的圖像灰度化，通過自適應Otsu法二值化分割出道路信息并利用Canny算子提取道路邊沿;PANEV等[5]用裝有魚眼鏡頭的單目前視相機采集圖像，從中提取HOG特征，利用SVM分類器結合高度和相對車輛的距離等信息來提取道路邊沿，并在時域內進行跟蹤篩選，取得了較好的效果。但視覺傳感器易受環境光線和天氣的影響，對于在室外運作的智能車輛，基于視覺的路沿識別算法穩定性較差。激光雷達受環境和天氣影響較小，同時相對于單線的二維激光雷達，多線的三維激光雷達能夠獲取包括三維坐標在內的更多目標信息，因此三維激光雷達在道路邊沿識別方面的應用也受到了許多研究人員的關注。典型的有動態輪廓模型（active contour model）——Snake模型，其常被用來從圖像或是三維點云投射的圖像中提取道路邊沿[6-8]，但Snake模型中的能量函數需要提供一個輪廓位置，且將三維點云投射之后會損失三維信息而降低提取效果。XU等[9]利用3D激光雷達點云反射強度信息提出用能量函數進行路沿點預選，再利用最低成本路徑模型進行路沿的優化擬合。段建民等[10]基于四線激光雷達數據，利用區間共線點提取算法提取路沿數據點，并改進DPCA算法對路沿數據點聚類，采用最小二乘法線性擬合實際路沿。但基于能量或是基于聚類等的復雜算法通常伴隨著實時性的損失，不利于智能車輛的行駛安全。此外，不少研究根據道路邊沿的高度、寬度、坡度等幾何特征進行識別提取[11-13]，在面對一些復雜的道路環境時，如道路兩旁地勢起伏、植被叢生，即道路兩旁的非路區域也存在相同幾何特征的情況，但是僅基于幾何特征算法的可靠性會大大降低。

2 道路模型

智能車輛行駛道路情況復雜多變，針對目前路沿識別存在的一些問題，本文假設所處理的道路路面滿足以下要求：

1）道路邊界為規則直線或曲線;

2）道路區域路面基本平坦，道路區域的高度一致性大于道路區域和非路區域之間的高度一致性;

3）道路區域與非路區域有一定的高度差，即道路區域與非路區域間有人造路沿、圍墻等明顯界限。

本文實驗選擇的道路場景為園區道路，包含直線路段和彎曲路段，且滿足以上要求。圖2所示為理想直道模型，激光雷達的圓形掃描線在道路邊沿處發生彎折變化，且交界面上的各掃描點間距與路面各點間距不同，其連線的斜率基本一致，即各點基本在同一條線段上。相比之下，圖3所示的彎道模型中，由于道路區域與非路區域交界面為曲面，因此其上各掃描點連線斜率不再保持一致，呈曲線分布。

對于智能車輛實際行駛的園區道路，除了道路區域與非路區域具有高度差、坡度變化等幾何特征，其非路區域的高度一致性也相對較差，地勢起伏和栽種的植被都具有一定的高度差、坡度變化等，但非路區域的不規則起伏或是植被的參差縫隙等都會使得雷達返回點在空間上存在跳躍性，故應將道路邊沿的幾何特征與邊沿面上掃描點的分布特征結合起來，才能較為準確地識別出路沿區域。

3 道路邊沿識別算法

根據道路模型特征，從激光雷達數據預處理后得到的感興趣點云集合中挑選出道路邊沿點，如圖4所示。本文先采用基于RANSAC（random sample consensus）算法的地面分割方法將點云集合中的地面點濾除，再將剩余點投射到柵格空間中。通過對柵格單元簡單幾何特征匹配的初選，得到道路邊沿所在的預選區域。在預選區域中進行點云分布特征的過濾，得到含有極少噪聲點的道路邊沿點，最后結合RANSAC算法和最小二乘法進行道路邊沿的擬合。

3.1 基于RANSAC的地面點過濾

路面暢通、路邊無停駐行人和車輛時，可以直接通過找出地面點，求解其邊緣從而得到道路邊沿。但當路邊有較多行人、車輛等遮擋時，就無法再通過這種方法得到準確的道路邊沿，路面點成了無效的噪聲點。因此，本文首先將感興趣區域內的地面點濾除，進一步縮小了道路邊沿點所在的數據集。RANSAC算法是一種魯棒的模型擬合算法，其通過迭代方式，從一組包含離群點的被觀測數據中估算出數學模型的參數[14-15]。道路面是一個相對平坦的平面，通過RANSAC算法可以較好地實現路面模型提取，算法流程如圖5所示。考慮路面可能存在的小石塊及小坑洼等，取距離閾值dT=0.03 m，通過RANSAC算法篩選出地面距離閾值范圍內的全部局內點，并將其過濾掉。

4 實驗驗證

根據本文所提算法，選擇如圖7所示的直道與彎道場景進行實驗驗證。

在直道實驗中，圖8 a）顯示的原始點云包含了路面點、路沿點、路上行人、周圍樹木、草坪、座椅等，是一個有著大量噪聲點的數據集合。圖8 b）所示點集是根據激光雷達安裝位置通過高度特征（-H±dT）篩選的路面點，圖8 c）是本文基于RANSAC篩選出的路面點，可以看出，本文所提方法在路面分割完整度、準確度及路沿保留完整度方面都優于直接根據高度篩選的結果。圖8 d）為單獨采用最小二乘法對算法所選點進行擬合的結果，其左側由于存在少量沒有過濾完全的噪聲點，左側擬合路沿比實際路沿偏左，最大寬度達8.13 m，準確率為97.17%，耗時6 ms。圖8 e）顯示了應用本文算法對直道路沿識別擬合的結果，可以看到，識別結果與實際左右路沿都具有較高的吻合度，數據顯示擬合的道路寬度為7.78 m，而實際道路寬度為7.90 m，識別準確率為98.48%，在Intel（R） Pentium（R） CPU G3200 @3.00 GHz處理器上單次識別處理耗時7 ms。可見，在直道路沿識別中，本文算法具有更高的準確性，雖然犧牲了一點實時性，但仍能滿足智能車輛的行駛要求。

針對圖7 b）顯示的彎道路沿實驗場景，其左側道路邊沿存在一塊缺角，圖9所示為對應的實驗結果。同樣地，可以看到在圖9 a）原始點云中包含了路面、路沿、行人、灌木、草坪等。圖9 b）和圖9 c）為不同方法下提取地面的效果圖。顯然，在彎道場景下，本文所用的基于RANSAC的地面分割方法在地面識別完整度和準確度方面都高于直接利用高度特征分割的方法。如圖9 d）所示，利用最小二乘法進行道路邊沿擬合，由于要盡量滿足所有篩選出來的路沿點，其中包含了路邊缺角引入的噪聲點，因而所得到的擬合結果與實際路沿有著明顯的偏差，擬合所得道路寬度最大可達9.12 m，準確率為86.62%，處理耗時10 ms。而本文采用融合了RANSAC的最小二乘法擬合出的道路邊沿與實際路沿基本貼合，擬合的道路寬度為8.26 m（實際道路寬度為7.90 m），識別準確率為95.64%，處理耗時12 ms，如圖9 e）所示。相比之下，本文所提算法雖然在融合RANSAC算法進行擬合時消耗了一定的時間，但得到的準確率明顯更高，而所消耗的時間也滿足智能車輛環境感知的實時性要求。

綜合上述實驗可知，相比直接根據高度分割地面的方法，本文所提出的基于RANSAC算法的地面分割方法有著更高的完整度和準確度，所采用的道路邊沿識別及擬合算法在直道和彎道場景下均具有較高的準確性和良好的實時性。尤其在部分路沿不連續的場景下（如本文彎道場景），實際路邊的缺角不連續部分的數據點在采用算法擬合的時候被作為局外點去除，最終得到的道路邊沿準確度明顯優于僅通過最小二乘法擬合的結果，可見本算法具有優良的可靠性。

5 結 語

本文利用三維激光雷達傳感器，基于道路邊沿的幾何特征與激光點云的分布特點，提出了一種道路邊沿識別算法，采用基于RANSAC的地面分割方法濾除感興趣區域內的路面點，有效減少了識別中的噪聲點。通過柵格投射，將無序點變成有序集合單元，通過分析柵格單元的幾何特征及單元中點的分布特點，篩選出道路邊沿區域。通過融合RANSAC的最小二乘法進一步降噪優化，擬合出道路邊沿曲線。本文算法采用了多次降噪篩選，具有較好的魯棒性。同時實驗表明，無論是在直道還是在彎道場景下，本文算法均具有良好的準確性與實時性，符合智能車輛的行駛需求。

本文主要針對平坦的結構化道路進行了道路邊沿識別算法的實現與實驗，未來還需完善更多類型的道路邊沿識別，如起伏道路、非結構化道路等，以提升算法在多場景中的適應性。

參考文獻/References：

[1] LUNDQUIST C， SCHN T B， GUSTAFSSON F. Situational awareness and road prediction for trajectory control applications[J]. Handbook of Intelligent Vehicles， 2012：365-396.

[2] 王科.城市交通中智能車輛環境感知方法研究[D].長沙：湖南大學，2013.

WANG Ke. Environment Perception Method of Intelligent Vehicle in Urban Traffic[D]. Changsha： Hunan University， 2013.

[3] 王俊.無人駕駛車輛環境感知系統關鍵技術研究[D].合肥：中國科學技術大學，2016.

WANG Jun. Research on Technology of Unmanned Vehicle Perception System[D].Hefei： University of Science and Technology of China， 2016.

[4] 陳敬義，方博文，張曉東.直線道路識別實用性的優化分析[J].機械設計與制造，2019（2）：241-244.

CHEN Jingyi， FANG Bowen， ZHANG Xiaodong. The analysis of optimization of utility for linear lane detection[J]. Machinery Design & Manufacture， 2019（2）：241-244.

[5] PANEV S， VICENTE F， FERNANDO D L T， et al. Road curb detection and localization with monocular forward-view vehicle camera[J]. IEEE Transactions on Intelligent Transportation Systems， 2018，99：1-17.

[6] MARIKHU R， DAILEY M N， MAKHANOV S， et al. A family of quadratic snakes for road extraction[C]//Asian Conference on Computer Vision.Heidelberg： Springer， 2007： 85-94.

[7] RODRGUEZ-CUENCA B， GARCA-CORTS S， ORDEZ C， et al. An approach to detect and delineate street curbs from MLS 3D point cloud data[J]. Automation in Construction， 2015， 51：103-112.

[8] KUMAR P， MCELHINNEY C P， LEWIS P， et al. An automated algorithm for extracting road edges from terrestrial mobile LiDAR data[J]. ISPRS Journal of Photogrammetry & Remote Sensing， 2013， 85（11）：44-55.

[9] XU S， WANG R， ZHENG H. Road curb extraction from mobile lidar point clouds[J]. IEEE Transactions on Geoscience & Remote Sensing， 2016， 55（2）：996-1009.

[10] 段建民，李帥印，王昶人，等.基于激光雷達的道路邊界與障礙物檢測研究[J].應用激光，2018，38（6）：1000-1007.

DUAN Jianmin， LI Shuaiyin， WANG Changren， et al. Detection of road boundaries and obstacles based on Lidar[J].Applied Laser， 2018，38（6）：1000-1007.

[11] KELLNER M， HOFMANN U， BOUZOURAA M E， et al. Laserscanner based road curb feature detection and efficient mapping using local curb descriptions[C]//17th International IEEE Conference on Intelligent Transportation Systems （ITSC）. Qingdao： IEEE， 2014： 2602-2609.

[12] 李廣敬，鮑泓，徐成.一種基于3D激光雷達的實時道路邊緣提取算法[J].計算機科學，2018，45（9）：294-298.

LI Guangjing， BAO Hong， XU Cheng.Real-time road edge extraction algorithm based on 3D-Lidar[J].Computer Science， 2018，45（9）：294-298.

[13] 譚寶成，嚴征.基于激光雷達的道路邊界檢測的研究[J].電子設計工程，2015，23（17）：80-82.

TAN Baocheng， YAN Zheng. A study on a road edge detection based on laser radar[J]. Electronic Design Engineering， 2015，23（17）：80-82.

[14] SCHNABEL R， WAHL R， KLEIN R. Efficient RANSAC for point-cloud shape detection[J].Computer Graphics Forum，2007， 26（2）： 214-226.

[15] 周春霖，朱合華，李曉軍.隨機抽樣一致性平面擬合及其應用研究[J].計算機工程與應用，2011，47（7）：177-179.

ZHOU Chunlin， ZHU Hehua， LI Xiaojun. Research and application of robust plane fitting algorithm with RANSAC[J].Computer Engineering and Applications， 2011，47（7）：177-179.

[16] 鄒樂強.最小二乘法原理及其簡單應用[J].科技信息，2010（23）：282-283.

[17] 王曉原，孔棟，孫亮，等.基于32線激光雷達的道路邊界識別算法[J].科技通報，2018，34（9）：148-153.

WANG Xiaoyuan， KONG Dong， SUN Liang， et al. Road boundary identification algorithm based on 32 line laser radar[J]. Bulletin of Science and Technology， 2018， 34（9）： 148-153.

[18] 李強，杜煜.基于3D激光雷達道路邊緣實時檢測算法的研究與實現[J].計算機應用與軟件，2017，34（10）：219-222.

LI Qiang， DU Yu. Research and implementation of real-time road edge detection algorithm based on 3D lidar[J]. Computer Applications and Software， 2017， 34（10）： 219-222.

[19] HATA A Y， OSORIO F S， WOLF D F. Robust curb detection and vehicle localization in urban environments[C]//2014 IEEE Intelligent Vehicles Symposium Proceedings. Dearborn：IEEE， 2014： 1257-1262.

[20] 張永濤，賈延明.最小二乘法中代數多項式曲線擬合的分析及實現[J].計算機與數字工程，2017，45（4）：637-639.

ZHANG Yongtao， JIA Yanming. Analysis and program implementation of least squares polynomial curve fitting[J]. Computer & Digital Engineering， 2017， 45（4）： 637-639.