一種基于結構特征匹配的道路標識線分類方法

劉 碩，劉如飛*，柴永寧

（1.山東科技大學 測繪科學與工程學院，山東 青島 266590）

道路標識線是重要的交通標志，具有分離道路區域、規定行進走向、為行人提供引導信息等作用[1-2]；也是繪制高精度地圖的重要部分，在無人駕駛技術中起到關鍵作用。作為重要的三維空間數據獲取技術，車載激光掃描能快速獲取道路及其周邊地物的高精度三維激光點云，是道路標識線信息快速獲取的重要方式。車載激光點云數據是離散的三維點集，具有三維坐標和反射強度等信息；而道路標識線是道路上的反光涂層，具有強反射性，且為規則的幾何圖形，因此可利用該特性進行道路標識線的提取。

目前，國內外研究人員已對利用車載激光點云提取道路標識線進行了相關研究，有些研究人員基于高精度圖像和視頻提取了道路標識線[3-5]，但提取效果受光照等因素干擾較大；YANG B S[6]等對點云進行插值生成強度特征圖像，再利用強度和高程差信息提取道路輪廓，最后通過語義特征設立篩選條件，在特征圖像中提取道路標識線；GUAN H Y[7]等利用插值的方法生成強度特征圖像，再采用多閾值分割方法對強度特征圖像進行分割，最后利用形態學閉合操作定義來提取道路標識線；LIN L[8]和YU Y T[9]等重點分析了強度特征圖像二值化問題，提出了一種基于大津法改進的二值化方法，使強度特征圖像二值化能適應單峰現象，通過劃分左右車道進行多閾值二值分割，再利用網格算法提取道路標識線；Veit T[10]和吳哲[11]等在對強度特征圖像二值化時采用邊緣檢測得到了良好雙峰性質的圖像，再利用大津法對圖像進行二值分割得到道路標識線；馬浩[12]等直接從點云數據中提取道路標識線，并將三維點云數據進行地面濾波，再根據點云數據反射強度進行聚類，從而提取道路標識線。然而，上述方法在提取出道路標識線后不能對其充分分類并識別，后續需人工分類不同標識線。模板匹配法[13-14]作為一種圖像處理的傳統方法，對識別道路標識線有可行的效果。針對上述問題，本文提出了一種基于幾何特征匹配的道路標識線分類方法。

1 道路標識線提取方法描述

道路標識線提取流程如圖1所示，首先將點云數據投影為強度特征圖像，并對強度特征圖像進行預處理；再按照一定的邊長將強度特征圖像劃分為多個區域，并對每個區域進行二值化；然后根據道路標識線幾何特征構建模板匹配模型；最后通過在二值圖像上進行模板匹配來提取并分類道路標識線。

圖1 道路標識線提取流程圖

1.1 路面點云濾波

原始點云包括樹木、建筑物、車輛、行人等信息。生成道路強度特征圖像前需對原始點云進行濾波處理，去除非道路點云的影響。本文采用參考文獻[15]的濾波方法提取路面點云。

1.2 強度特征圖像二值化

車載激光點云是離散的三維點集，具有空間屬性、強度和顏色屬性。本文利用其強度差異，將點云數據投影為二維的強度特征圖像。道路標識線一般為白色或黃色的涂料，對激光的反射強度高于路面瀝青。

1.2.1 強度特征圖像生成與預處理

點云數據不具備規則的組織結構，且數據量龐大、處理效率低；而道路標識線是二維信息，因此可將點云數據轉化為強度特征圖像，以減少運算數量、提高運算速率。假設強度特征圖像的像素分辨率為N，根據式（1）將點云投影到XOY平面中，R、C分別為網格的行數和列數，以每個網格中所有掃描點的平均強度為該網格的灰度值，再將所有網格的灰度值歸一化到0～255之間，得到強度特征圖像。

大津法[16]是以類別方差為判斷依據的，將使類間方差最大和類內方差最小的圖像灰度值作為最佳閾值，但只適用于具有良好雙峰性質的圖像。面對強度不均勻的特征圖像時，單純依靠大津法不能有效二值化圖像。為了改善單峰的影響，本文將圖像強度分布直方圖歸一化到0～255之間，在不改變灰度值的前提下，增大圖像的對比度。

1.2.2 分區域二值化道路標識線的強度一般由3個因素決定：①激光傳感器到目標的掃描范圍；②激光束的入射角度；③目標材料的屬性。單位角度內掃描儀掃過路邊距離長，則點云間隔大；掃過路中心距離短，則點云間隔小。越靠近路中心，點云密度越大；越靠近路邊，點云密度越小。路面強度不均導致二值化效果不理想，為了削弱這種影響，本文分析了路面點云密度，并按相同密度原則將其劃分。

以圖2中道路圖像為例，設置路面寬度1 m為一個區間，統計每個區間的點云數量，生成點云密度分布圖。路面長度相同，則每個區間面積可代指密度，依次累加面積，直到面積為總面積的1/(n+1)時停止，記錄橫坐標位置；依此類推，得到n個位置，將路面縱向劃分為n+1份，n為分布圖像中極大值個數。密度分布沿行車方向大體均勻，故將路面橫向平均劃分為n+1份。

圖2 路面點云密度分布與劃分示意圖

本文選取圖2中a、b、c三個劃分區域進行強度分析，并計算自適應閾值。區域強度分析情況如圖3所示，可以看出，對區域劃分后的每個區域進行二值化，可保留更多的道路信息，得到更清晰的二值圖像。

本文利用OTSU法對每個區域進行二值化，再按分割順序拼接成完整的二值圖像，然后對二值圖像進行一次開運算再進行一次閉運算，濾除多余噪點和細小空洞。

圖3 區域強度分析情況統計

1.3 道路標識線分類

為避免標識線傾斜給模板匹配算法造成干擾，本文采用一種旋轉窗口圖像校正方法。圖像校正方法大體分為透視變換法和控制點變換法兩種，本文所用圖像全部由點云正射投影生成，只需校正X、Y軸傾斜，因此利用基于控制點變換法的旋轉窗口圖像校正方法。首先提取出道路標識線的最小外接矩形輪廓，獲取矩形輪廓的4個頂點坐標和矩形中心坐標；再利用霍夫直線檢測方法檢測長邊的方程表達式，令斜率為k，即

那么，只有k=0時，該直線會平行或重合于Y軸，因此以矩形框中心點為原點進行旋轉，當k=0時停止旋轉，得到校正角度；再將矩形框中所有坐標按校正角度進行矩陣變換，得到平行于Y軸的矩形框。

由于得到二值圖像后，傳統的聚類分割提取標識線的方法不能有效地對道路標識線進行分類，因此本文提出了一種通過幾何特征進行模板匹配的提取方法。建立如圖4所示的道路標識線模板庫，道路上主要的標識線包括箭頭類的直行、直行轉向、轉向、直行雙向和短標線。以行駛方向為矩形框縱坐標的方向，生成最小外接矩形。道路標識線的長寬間隔大致相同且指向方向為平行關系。設矩形框面積為S，利用D、L、Q、Z等值建立判別條件，進一步分類不同類型標識線，判別條件如表1所示。

圖4 道路標識線模板

表1 道路標識線幾何語義描述

2 實驗過程與結果分析

2.1 實驗過程

實驗數據采用車載移動測量系統采集的青島市某段道路數據（圖5），選擇標識線種類較多的路段進行對比實驗。數據的點云間隔為0.03 m，掃描線間距為0.05 m。對點云數據進行處理，為保證每個格網中都存在點云，設置格網邊長為0.05 m，生成強度特征圖像。所選路段包含短標線、直行箭頭、轉向箭頭以及其他標線，部分標線有磨損，道路中間平均強度低，道路兩側平均強度高，路面上噪點較多。

圖5 實驗點云數據

從數據里選取各種類型道路標識線進行分類識別，得到實驗結果如圖6所示，可以看出，圖6a成功將直線標線、斑馬線和直行標線分類；圖6b分類出3種箭頭類標線和直行標線；圖6c分類出大部分標線，斑馬線有漏提現象；圖6d和圖6e存在殘損標線，說明本文方法在分類殘損標線時具有較好的效果。

2.2 精度分析

分別利用本文方法與閆利[1]、YANG B S[6]等提出的方法進行道路標識線提取與分類的對比實驗，設置兩個精度評定參數，即提取準確率（Precision），提取的標識線不是噪點等物體；識別準確率（Completeness），分類出的標識線的正確率。總體精度（Accuracy）則由這兩個參數評定，計算公式為：

圖6 實驗結果圖像

式中，TP、FP和FN分別為真正（提取并識別正確）、假正（提取但識別錯誤）和假負（漏提、錯提）的數量。

精度對比結果如表2所示，可以看出，閆利[1]等提出的方法在該實驗數據中的Precision和Completeness均較低，導致Accuracy不理想；YANG B S[6]等提出的方法的Precision最高，為90.35 %，但該方法的Completeness較低，Accuracy為77.62 %；本文方法的Precision為90.01 %，Completeness為82.83 %，Accuracy為86.27%，整體效果在3種方法中最優。閆利[1]等提出的方法僅對道路標識線進行了提取，并未進一步分類；YANG B S[6]等提出的方法提取并分類了標識線，但分類效果不明顯；本文方法提取并分類了標識線，且具有較高的精度。

表2 精度對比結果/%

3 結 語

本文提出了一種基于結構特征匹配的道路標識線提取方法。該方法首先將道路劃分成多個區域，分別計算分割閾值并優化，再根據道路標識線幾何特征建立判別模型來分類道路標識線。與其他根據強度信息提取道路標識線的方法相比，該方法適用于路面強度分布不均勻的道路，能有效剔除噪點并保留標識線。本文通過多個路段進行實驗，結果表明，道路標識線的Precision和Completeness分別達到90.01%和82.83%，Accuracy達到86.27%。在提取過程中，該方法出現了少數錯提、漏提現象，后期將重點研究更好的判定道路標識線的幾何約束條件。