基于高分辨率遙感影像的車道線提取

張世強，王貴山

(北京靈圖軟件技術有限公司，北京 100193)

隨著深度學習、激光雷達、毫米波雷達、SLAM(simultaneous localization and mapping)、AI專用芯片等軟硬件技術的進步，自動駕駛技術發展迅速。除了傳統的汽車廠商和IT巨頭外，國內外出現了數百家自動駕駛技術的初創公司，一些估值超10億美元的獨角獸公司不斷涌現。各種媒體輪番炒作，自動駕駛技術及相關主題成為熱點，仿佛很快就要進入自動駕駛時代。

任何技術的發展都要經過萌芽期、過熱期、低谷期、復蘇期、成熟期，自動駕駛也不例外。2018年上半年，自動駕駛技術達到了過熱期的頂峰，隨著Google的Waymo CEO John Krafcik承認，自動駕駛技術很難，且L5級自動駕駛的終極階段是一種有點不合理的期望，自動駕駛技術開始回歸理性。自動駕駛技術還需要人們不斷的努力，一些技術細節還要不斷地完善。

自動駕駛及輔助駕駛方案多種多樣，但大部分都要涉及定位和路徑規劃問題。雖然一些廠家的產品，主要依靠激光雷達SLAM或攝像頭圖像識別來定位和實時判斷路況，號稱不依賴任何地圖，但大部分廠商還是把高精地圖納入系統之中。其中L3以上等級的自動駕駛，某些方案中高精地圖是必不可少的。導航地圖提供商積極研究制作高精地圖產品，一些已經用于測試。由于高精地圖數據采集工作量巨大，一些廠商采用了眾包的方法，新的制圖技術也處于不斷探索之中。

高精地圖一般包括車道模型、道路部件、道路屬性和其他定位圖層。車道線是車道模型和道路部件的主要內容之一，不僅用于構建車道中心線及連接關系模型，還可用于輔助定位。車道線識別占高精地圖生產工作量的一半以上，本文針對利用高分辨率遙感影像提取車道線進行了探索。

1 車道線獲取方法現狀

目前，大部分系統是通過單目或多目攝像頭及激光掃描雷達[1-2]，采用圖像處理算法或深度學習的圖像分割識別方法，對獲取的圖像進行分析來獲取道路信息。需要將設備裝在采集車上，沿路行駛來獲取數據，數據需經軟件和人工處理，工作量巨大。

最近幾年流行的深度學習算法，一般采用卷積神經網絡，在車載攝像頭圖像識別中得到成功應用，可以分辨幾十種不同的地物。結合專門研制的低功耗AI芯片，實時圖像分析能力已經達到每秒6幀以上，成功應用于一些L4級別的自動駕駛系統中(如圖1所示)。

通過高分辨率的遙感影像提取道路的研究已經很多[3-9]，如何利用高分辨率遙感影像提取更詳細的信息，是值得研究的問題。目前，美國已經放開的衛星的分辨率已經達到0.25 m全色和1 m多光譜圖像數據，在這一級別的衛星影像上已經能清晰地分辨出車道線、人行橫道、減速帶、隔離帶等，甚至路上的箭頭、文字等內容。而航空攝影和無人機攝影可以獲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，各種車道信息清晰可見，如圖2所示(該圖像分辨率約0.35 m)。

深度學習用于遙感影像識別[10-15]，還處于探索階段。DeepGlobe是全球遙感影像智能分析大賽，Uber(優步)、馬里蘭大學、清華大學等在內的全球頂尖研究團隊都參與其中。比賽內容有3項：道路網絡識別，建筑物識別和土地用途識別。中國團隊在2018年度取得不錯的成績，在其中兩項處于領先地位。對于車道線等細小目標的識別，目前還未見報道。

由于遙感影像相對于車載攝像頭影像，尺度不一樣，視角也不一樣，因此大部分目標都比較小，或是目標的寬度比較小，目前的深度學習圖像分割識別算法還無法實現。常用的卷積神經網絡(CNN)的池化層(Pooling)會使信息量進一步減小，一個24×24的目標經過四層Pooling后只有約一個像素，使得維度過低難以區分。而且，遙感影像上目標的方向不是確定的，使得目標檢測更加困難。小目標的檢測識別是目前深度學習的研究方向之一。

從遙感影像上提取電子地圖的相關處理軟件比較成熟。如果采用人機交互采集方式，可以排除一些干擾因素，獲取絕大部分車道線的信息。但是人工判讀矢量化工作量巨大，成本高昂。美國的一些公司將數據處理工作轉包給印度等人工成本比較低的國家，以降低成本。如果能采用自動化圖像處理，獲取大部分容易獲取的車道線信息，再輔以人工編輯，同時參考道路的車載攝像頭影像，則可以取得比較好的效果，如圖3所示。

2 車道線提取過程

2.1 影像選擇

最近幾年國內外的遙感衛星和星座，出現了爆發式增長，分辨率提高很快，成像能力有了飛躍式提高。遙感影像來源比較多，選擇的標準主要有以下幾個方面：

(1) 影像分辨率：影像的分辨率當然是越高越好，但要注意的是，除了理論分辨率以外，影像的光譜特性、清晰程度也很重要。有的理論分辨率高，但影像模糊，實際目標辨識能力不足。

(2) 影像遮擋：由于最新的遙感衛星影像大部分是傾斜攝影，樓房、樹木等對路面有遮擋，這就要選擇相機傾斜角度小，遮擋少的影像。

(3) 影像成像時間：植被的四季變化，對路面的遮擋情況不同。需要選擇植被稀疏時，盡可能是冬季或春秋季節的數據。

(4) 影像色彩：受天氣、季節及成像儀光譜特性的影響，同一地區的影像，色彩、清晰度差異較大，要選擇道路線清晰的數據。

(5) 獲取成本及時效：不同的數據源，價格差距比較大。需要綜合平衡價格與質量及數據的新舊程度。

航空攝影及無人機攝影的要求也同樣如此。攝影時間、航高、分辨率要滿足上述要求。如圖4所示，影像的質量很好，提取道路線要容易得多。路燈和道路標識桿的位置也清晰可辨。

2.2 影像預處理

高精地圖對定位精度要求比較高，獲取的遙感影像必須進行高精度的糾正處理。高精地圖的精度包括絕對精度和相對精度。由于國家有關的地圖保密政策等原因，對地圖的絕對精度有限制，且片面追求絕對精度，成本也難以控制。以慣性導航儀為例，精度不同，價格從幾萬元到上百萬元。不同掃描線數的激光雷達，價格差距也是10倍以上。為應對地圖數據偏移，以前的導航軟件采用的一些折中方法對高精地圖也同樣適用，一些公司專門研究了適用于高精地圖的車載端保密插件，成功優化了經過非線性保密技術處理后的高精地圖數據與保密插件處理后的車載端定位數據的匹配精度。

在數據制作時，在盡可能提高地圖的絕對精度的基礎上，更重要的是要保證相對精度。在實際使用中，車載儀器會實時地對車輛周圍環境進行識別，自動對地圖和地理環境進行匹配。實際駕駛過程中，同時使用的地圖范圍有限，不超過幾百米，甚至更小。在小范圍內的地圖，各要素的相對位置變形誤差控制要滿足標準要求。

由于目前遙感衛星普遍采用了鏡頭搖擺成像方式，大部分遙感影像獲取的傾角比較大，受地形起伏影響變形也大，進行正射糾正是必需的，控制點的選擇和DEM的質量是重點。

圖像經糾正處理后，還要進行色彩與對比度的調整。由于遙感影像傳感器不同，獲取的季節及氣象條件不同，造成影像色彩差異很大。處理時一般一批次只處理同一時相或時項相近的影像數據。

由于提取的要素為線狀要素，對遙感影像進行適當的線狀要素邊緣增強處理也是必要的。

2.3 圖像分割

在遙感影像上，車道線大多表現為比較亮的白色。圖像分割的方法很多，如閾值法、邊緣檢測法、區域增長法、雙聚類法、快速匹配法、分水嶺變換法等。采用常用的閾值法，比較簡單，能滿足需求即可。不同的影像，閾值也有差別，因此需要對閾值作調整，以取得最佳效果。

2.4 噪聲去除

影像分割后轉變為二值圖，但建筑物、空地、車輛等顏色比較亮的要素混雜其中，如何加以去除是處理的關鍵。

傳統導航地圖中已有的道路中心線、道路邊線等信息，可以起到重要作用。可以利用車道中心線形成的緩沖區域，或者車道邊線形成的閉合區域，將路面以外的建筑物等噪聲排除。

影像中路面上不可避免出現車輛，特別是顏色淺的車輛，會在圖像分割中和車道線一起提取出來。去掉車輛的方法有多種，可以采用面積法，也可以利用車輛識別的方法[16-18]。

利用數學形態學方法去除小的噪聲，同時保證線段的連續，如圖5所示。

2.5 矢量化

傳統導航圖中的道路中心線，確定了道路及車道線的大致走向。連續的車道線和斷續的虛線，面積大小差異比較大。可以利用方向和面積因子，將不同類型的線提取出來。柵格數據的矢量化在常用GIS軟件中是成熟的功能，本文不再贅述。

車道線信息，既可以是矢量形式的，也可以是柵格形式的。柵格數據的車道線與激光點云等信息的融合，在某些自動駕駛系統中已得到應用。

2.6 數據檢查和整理

數據的檢查和整理需要作業員通過人工交互完成。雖然利用軟件和算法盡可能完成大部分工作，但目前還無法完全代替人的智能。這一階段，可以參考融合車載攝像頭、激光雷達等多種數據源，以達到最佳效果。

3 結 語

遙感數據，覆蓋范圍大，信息豐富。高分辨率遙感影像，是高精度地圖信息獲取的可靠數據源，與車輛采集的圖像及其他信息相結合，可以用于提取車道線等信息。在新修建的道路和比較開闊的新城區和高速公路上，效果良好。該方法可以降低數據采集的成本，提高采集效率。