第36卷第2期 2021年4月
遥感信息
R e m o te S ensing In fo rm a tio n
V o l.36，N o.2
A p r. ,2021
朱二巧
(山东省国土测绘院，济南250013)
摘要：斑马线是城市管理与建设的重要基础设施，斑马线的自动识别与提取在城市基础地理信息更新中具有
重要意义。针对人工测定斑马线角点效率低下的问题，以车载激光扫描点云数据为研究对象，提出了一种基于点
云扫描线的斑马线角点自动提取算法。首先，基于人机交互方式提取目标点云，结合O T S U算法计算最优点云回 波反射强度二值化分割阈值，初步分离出斑马线点云；其次，以扫描线为研究单元，采用直方图统计分析方法筛选
位于斑马线长边边缘处的若干点，对其进行R A N S A C直线拟合，获取长边直线方程；然后，创建移动窗口对扫描
线进行动态检索并设置相应的判别条件，获取斑马线短边直线方程；最后，根据斑马线的矩形特征实现斑马线角
点的精细提取。与传统人工测量方式相比，该算法具有提取精度高和计算时间少的优点。
关键词：点云；扫描线；斑马线；角点提取；直线拟合
doi：10.3969/j.issn.1000-3177. 2021.02. 009
中图分类号：P208文献标志码：A文章编号=1000-3177(2021)02-0059-05
An Algorithm for Extracting Zebra Line Angle from
Mobile Laser Scanner Point Clouds
Z H U E r q ia o
{Shandong Institute o f Land Surveying and M apping ■>犑inan 250013 ■>China)
Abstract：Z e b ra lin e is an im p o rta n t in fr a s tru c tu re fo r u rb a n m a nage m en t and c o n s tru c tio n,and th e a u to m a tic id e n tific a tio n
and e x tra c tio n o f zebra c ro s s in g is o f g re a t s ig n ific a n c e in th e u p d a tin g o f u r b a n b a s ic
in e ffic ie n c y o f m a n u a l d e te rm in a tio n o f zebra p o in t,a zebra p o in t a n g le p o in t a u to m a tic e x tra c tio n a lg o rith m b ased s ca n n in g lin e s p ro p o s e d,ta k in g th e car la se r s ca n n in g p o in t c lo u d data as th e re se a rch o b je c t.F ir s t ly,t h e ta rg e t p o in t c lo u d s
e x tra c te d based o n h u m a n-c o m p u te r in te r a c tio n,w h ic h in c lu d e s th e c o m p le te zebra c ro s s in g p o in t c lo u d and a p a rt o
f n o n-zeb ra
c ro s s in g p o in t c lo u d.A t th e sam e tm e?O T S U a lg o rith m s c o m b in e
d to ca lc u la t
e th e b in a ry s e g m e n ta tio n th re s h o ld o
f th e best
c lo u
d echo r
e fle c tio n in te n s ity，and th e zebra c ro s s in g p o in t c lo u d s m itia lly se p a ra te d.T h e n，E sau
re se a rch u n it to c a lcu la te th e h o riz o n ta l d ista n ce b e tw e e n th e head and ta il zebra c ro s s in g p o in ts o n th e s ca n n in g lin e,and
p e rfo rm h is to g ra m s ta tis tic a l a n a lysis o n th e h o riz o n ta l d ista n ce to screen seve ral p o in ts lo ca te d a t th e edge o f th e zebra cro ssin g
to p r e lim n a r ily re m o ve n o ise.N e x t,g e t th e scan lin e s a t th e le a d in g and tr a ilin g edges o f th e zebra c o rn e r p o in ts o f zebra c ro s s in g.C o m p a re d w ith th e tra d itio n a l m a n u a l m e a su re m e n t m e th o d,th e a lg o rith m has th e advantages
o f h ig h e x tra c tio n a ccu ra cy and less c a lc u la tio n tim e.
Key words：p o in t c lo u d;sca n n in g lin e;z e b ra c ro s s in g；c o rn e r e x tr a c tio n；lin e tit t in g
〇引言
斑马线是城市管理与建设的重要基础设施，斑 马线的自动识别与提取在城市基础地理信息更新中 具有重要意义，可大幅提高数据更新效率，为智慧城市的管理奠定基础[1]。同时，随着无人驾驶技术的发 展，道路标线的自动识别与提取已成为刚需，因此，斑 马线角点的定位与识别就变得至关重要。车载移动 激光扫描系统作为一种新的空间数据采集技术，高度 集成了卫星定位接收机、激光扫描仪、惯性测量单元、
收稿日期=020-05-15 修订日期：2020-07-11
作者简介：朱二巧（1984—）男，本科，高级工程师，主要研究方向为移动测量技术与方法。
E-mail ：*********************
59 一
遥感信息2021年2期
工业相机等传感器，具有实时、动态、主动、高精度和 高密度等特点，能够快速采集大面积的三维空间数 据[2]，为获取道路坑槽信息提供了高精度的数据源。
国内外对于道路标线的检测正在实现由人工测量 到车载移动测量的转变。这种转变大大减少了外业 工作强度，可以在不影响行车安全的情况下快速获取 海量路面点云数据，为公路养护管理提供数据支撑。
目前斑马线的提取与识别方法可以分为3类：一 是图像检测法&4]，此类方法结合数字图像处理技术 分离出斑马线像元，从而对斑马线进行定位，但受制 于图像自身的分辨率，且精度不高；二是点云检测 法[5<，此类方法主要根据斑马线点云自身形态特征 实现提取，提取效果较好，但是需要大量人工干预，自动化程度不高；三是机器学习法[8〜]，该方法基于现 有的机器学习与人工智能算法自动检测出所有符合 斑马线特征的区域，检测速度较快但是极易受到周围 其他地物干扰，影响提取结果，很难适应实际道路环 境下的斑马线的检测。针对现有的点云检测方法的 不足，本文提出了一种基于点云扫描线的斑马线角点 精细提取算法，可快速准确地提取斑马线角点坐标。
1斑马线角点提取算法
激光点云数据是一种高精度、高密度的离散数 据，本文提出应用点云扫描线实现斑马线边缘点的 提取，结合随机抽样一致性算法（r a n d o m s a m p le
c o n s e n s u s,R A N S A C)分别对斑马线的2条长边与 短边进行直线拟合，进而提取出斑马线的4个角点
坐标。算法流程如图1所示。
图1算法流程图
1.1目标点云二值化
人机交互提取的目标点云内包含斑马线点云与 非斑马线点云。为排除非斑马线点云对提取结果的—60—影响，同时提高数据处理效率，本文把数字图像处理 领域内的大津算法[11] (O T S U)引人到点云数据处 理中，计算最优点云回波反射强度二值化分割阈值，区分斑马线点云与非斑马线点云。
不同的车载三维激光扫描系统所获取的点云 强度值存在差异，将所有点云的回波反射强度值归一化至〇〜255强度区间内，归一化计算如式（1)所示。
犓犻=255X犐：犐^ (1)
犐m ax犐m in
式中：犓犻表示第犻个点云的归一化强度值犐表示 第犻个点云的原始强度值d n a x表示点云回波反射强 度最大值犐m n表示点云回波反射强度最小值。
遍历2 55个归一化强度区间所对应的强度值^ 并将其作为临时分割阈值把点云分成2个部分。点云集合内归一化强度值小于f的点云个数记作N。，归一化强度值大于i的点云个数记作N1，根据 O T S U算法原理分别计算上述2部分点云集合所 占的比例、0)1以及平均归一■化强度值&、2，在此 基础上根据式（2)、式（3)计算类间方差尽。
(2)
犵=•（& —&。）2 +• (—&)2(3)当且仅当类间方差犵取得最大值时，其对应的 临时分割阈值i即为所求最优二值化分割阈值了。实际情况下，斑马线为人工刷制的油漆，其点云的强 度值普遍偏大，故对于目标点云集合而言，当某个点 云的回波反射强度值大于T时，则认为是斑马线点 云；反之，认为是非斑马线点云。
1.2斑马线长边获取
遍历所有扫描线的d索引，对同一条扫描线上 点云按照其X坐标或者Y坐标值升序排序。如图2所示，在排序的同时记录下同一条扫描线上相 距最远的2个斑马线点云f!(而，31，21)和P2 (工2，32，Z2)的坐标，以计算二者的水平距离3。若当前 扫描线上不存在或仅有一个斑马线点云时，其对应 的水平距离3为。。
图2水平距离计算
扫描线遍历结束后得到水平距离3的取值范 围：[3m,n，3m ax]，将上述区间等距划分为若干小区间，统计落人各个小区间内的扫描线条数。如图
3
聚类区间
移动窗口
图4移动窗口法示意图
的短边边缘处。如图5所示，随着判定窗口内扫描 线编号i d 的增大，其对应的百分比w 值在整体上呈 单调递增或单调递减的变化趋势，故此处采用三次 多项式曲线拟合算法对f 个离散点进行拟合，得到
拟合曲线函数/G )，如式（5)所示。
f i x ') = a0 + 犪1 狓+ 犪2 狓2 +犪3 狓3
(5)
计算/(狓）的二阶导函数/(狓），并令/(狓）= 〇得到函数拐点横坐标x ，对X 。取整即可获取斑马 线短边边缘处的扫描线索引d ，如式（6)所示。
移动判别窗口遍历结束之后，理论上可以检索
得到2条短边边缘处的扫描线，对这2条目标扫描 线上点云采用R
A N S A C
算法进行直线拟合得到直
线方程L i 、L 2。
[0,10] [10^0] [20,30] [30,40] [40,50] [50,60] [60,70] [70,80] [80,90] [90,100] [100,110]
长度区间
图3频率分布直方图
1.3斑马线短边边缘处扫描线获取
创建扫描线移动判别窗口以遍历所有扫描线， 设置相应的判别条件从而获取斑马线首尾边缘处的 扫描线，并对目标扫描线上的点云进行直线拟合，得 到扫描线直线方程。
如图4所示，以斑马线长边为约束，创建一个包 含々条（5<6<8)相邻扫描线的移动判别窗口，窗口 以是条扫描线为步长并沿着扫描线索引d 增大的 方向移动。在移动过程中，记录窗口内扫描线被 2条斑马线长边所截取部分的点云总数《以及其中 属于斑马线点云的个数，从而计算每条扫 描线上斑马线点云个数占当前扫描线上点云总数的 百分比w ，如式（4)所示。
<j 〇i =—犻 X 100%，i e [1，是]
(4)
狀犻
当扫描线被长边所截取部分的斑马线点云增多 时，w 值变大且无限趋近于1反之，w 值变小且无限 趋近于。。当且仅当百分比w 的最大值与最小值之 差近似为1时，表明该判别窗口已经移动至斑马线
所示，对数据进行直方图统计分析，生成“扫描线条 数-水平距离”频率分布直方图。不难发现j
值在
某个小区间内形成紧密聚类，获取位于该区间内所 有扫描线的d 索引，这些扫描线上首尾两端处的斑 马线点云理论上分布于斑马线长边附近。若直接对 目标点进行直线拟合，极易受到周围噪声点干扰，影 响后续斑马线长边提取效果。为避免上述情况，此 处使用迭代R A N S A C 直线拟合算法进行处理。假 设原始点集为{九，九，…，A —}，经过第一次拟合 后计算所有点到拟合直线的距离/犻，保留/犻小于阈 值的点匕{九，九，…，九)•（狀< —)，对点集f
再次
进行直线拟合并迭代计算，直至点集内所有点到拟 合直线的距离小于阈值则计算完毕。因为R A N S A C 直线拟合算法本身就是一个迭代计算的过程，从而 估计最佳的模型参数，故上述直线模型只需进行若 干次迭代即可收敛，最终得到2条斑马线长边的精 确直线方程S L i 、S L 2。
1 2 3 4 5 6 7 8 9 10 11 12 13
扫描线id
图5
三次多项式曲线拟合结果
1.4斑马线角点坐标提取
考虑到扫描线不完全是垂直于斑马线前进方向 的，因此直线L
i
与L 2不完全与斑马线短边重合，需
要结合上述4条直线的几何关系作进一步判断。如 图6所示，计算直线L
i
与斑马线长边直线S L i 的
2个交点朽（狓1，31)、巧（狓2,32)，计算直线12与斑 马线长边S L 2的2个交点f 3 (狓3,33 )、f *4 (狓4,34)。之后，计算f 1和f 2的中点f 12 (狓^狓2，)以及f 3和f 4的中点P 34 (狓^，
)，分另1J
过
f
12和
f
34作垂直于S
L 1
的直线S S 1S S 2。S S 1
引用格式：朱二巧.一种车载激光点云中斑马线角点提取算法[].遥感信息，2021，36(2):59-63.
9876
54321
1.0.0.0.0.0.0.0.0.0.
5 0 5
3 2 2 1 1
61
遥感信息2021年2期
与s s2均为斑马线短边直线方程，S A与S L2均为 斑马线长边直线方程，上述4条直线两两相交形成 的4个交点即为斑马线的4个角点。
2实验分析
为验证本文算法的准确性，选取了实际道路某一 路段点云作为实验数据，同时以实地人工测量所得的 斑马线角点坐标作为真实值进行对比分析，分别计算 二者之间的点位中误差a与距离均方根误差D R M S，定量分析本文算法的准确性。实验数据如图7所示。
图7实验数据
图8为从实验数据中以红虚线框为界裁切的 待处理点云，其中包含了一部分非斑马线点云，斑马 线轮廓清晰完整，可较为精确提取4个角点坐标。仅对当前目标点云数据进行处理。图9(a)为斑马 线点云提取图。从图中可以看出，根据O T S U算法 计算的点云强度二值化分割阈值可以很好地区分斑 马线点云与非斑马线点云，一定程度上克服了人工 设定二值化分割阈值造成分离结果不稳健的问题。图9(b)中的红虚线S L i、S L2为本算法提取的 2条斑马线长边。结合直方图统计分析可剔除无效 的扫描线，保留了位于斑马线长边之上的点云，对其 进行R A N S A C直线拟合可成功定位斑马线长边。图9(c)中的红虚线L i、L2为本算法提取的斑马线 短边边缘处扫描线。原始点云中斑马线短边边界不 明显，难以直接提取，本文算法基于移动判别窗口来 分析斑马线点云在相邻扫描线上的分布特征，通过设 定相应的判别条件，从而有效提取斑马线短边边缘处 扫描线。图9(d)为上述目标点云中提取的斑马线角 点结果图。从提取图可以看出，本算法提取的斑马线 —62 —角点与实际角点几乎重合，可较
为全面地反映出斑马 线角点的真实坐标。通过结合所获取目标直线的几 何特征进行二次判定，可适应多种行车环境下的斑马 线角点提取，适用于实际道路复杂多变的情况。
图8原始斑马线点云
(a)OTSU二值化分割
(b)斑马线长边提取
(c)斑马线短边边缘处扫描线提取
(d)斑马线角点提取
图9斑马线角点提取流程
图1〇为利用本文算法在实验区域内提取的 10个斑马线角点。以点位中误差与距离均方根误 差为指标验证斑马线角点提取质量，分别将人工提 取结果与本文算法提取结果进行对比分析，分析结 果如表1所示。
图10斑马线角点提取结果
图
引用格式：朱二巧.一种车载激光点云中斑马线角点提取算法[J].遥感信息，2021，36(2)：9-63.
表1斑马线角点提取结果对比
角点序号本文方法(x，：y)/m人工测量（x，：y)/m点位中误差/c m
1 2 3 4 5 6 7 8 9 10(***983. 403>***6 821.287)
(***989. 586,***6 819.709)
(***993.786,***6 814.095)
(***984.113,***6 815.658)
(***982.022,***6 816.366)
(***005. 877,***6 811.852)
(***004. 893,***6 809.534)
(***004. 509,***6 807.823)
(***001. 321,***6 808.448)
(***995. 105,***6 805.842)
(**983. 415，***6 821.279)
(***989.601,***6 819.673)
(***993.780,***6 814.074)
(***984. 135,***6 815.630)
(***982.017,***6 816.359)
(***005.794,***6 811.902)
(***004.863,***6 809.539)
(***004.497,***6 807.818)
(***001.320,***6 808.442)
(***995.120,***6 805.836)
3 9
08
3 0
06距离均方根误差D R M S=3. 7cm
从表1可以看出，大部分经人工测量与本文算 法提取的斑马线角点点位中误差在4 c m之内，整体 的距离均方根误差也达到了 3. 7 c m。针对不同规 格的斑马线，利用本文方法同样可以精确提取出角 点坐标，这是因为点云数据具有高精度的特征，通过 扫描线分析实现斑马线边界直线的确定进而提取角 点坐标的方法具有良好的适应性。对于第6组角 点，点位中误差偏大，这是由于该斑马线磨损程度较 为严重，部分油漆已经缺失无法分辨，造成角点提取 错误。
3结束语
本文以车载激光扫描点云数据为研究对象，针 对城市道路上的斑马线，充分挖掘点云自身属性特 征与三维空间分布特征，提出一种基于点云扫描线
参考文献的斑马线角点精细提取算法。算法对O T S U大津 法加以改进，引人到点云数据处理中，计算最优点云 回波反射强度二值化分割阈值，实现斑马线点云与 非斑马线点云的有效分离，克服了人工设定分割阈 值造成分离结果不稳健的问题。同时以点云扫描线 为基本研究单位，结合频率分布直方图进行统计分 析，剔除了无效的扫描线，最终保留了位于斑马线长 边之上的点云对其进行直线拟合，成功定位斑马线 长边，有效克服了噪声点云干扰的问题。实际道路 的情况复杂多变，车载激光扫描仪在作业过程中产 生的扫描线不一定完全垂直于斑马线前进方向，结 合所获取目标直线的几何特征进行二次判定，可适 应多种行车环境下的斑马线角点提取。实验结果表 明，本文算法能够准确确定斑马线角点坐标，提取结 果与人工测量结果具有高度一致性。
[1]李德仁，姚远，邵振峰.智慧城市中的大数据[J].武汉大学学报（信息科学版），2014,39(6):631-640.
[2]程效军，贾东峰，程小龙.海量点云数据处理理论与技术[M].上海：同济大学出版社，2014:1-2.
[3]闫利，黄亮.街景影像中的斑马线检测与定位[].测绘科学，2015,40(11)：68-171.
[4]SICHELSCHMIDTS，HASELHOFF 八，KUMMERT 八，etal. Pedestrian crossing detecting as a part of an urban
pedestrian safety system[J]. Intelligent Vehicles Symposium, 2010,58(17)：76-85.
[5]Z H O U L，VOSSEL M. Mapping curbstones in airborne and mobile laser scanning data[J]. International Journal of
Applied Earth Observation and Geoinformation,2012,18( 1)；293-304.
[]马浩，王留召.基于车载激光点云的道路边线自动分类与提取[].测绘科学，2014,39(6):126-127.
[7]A H E M D M，KARAGIORGOUST，PFROSERDJ，etal. Acomparisonandevaluationofmapconstructionalgorithms
using vehicle tracking data[J]. Geoinformatica,2015,19(3)： 601-632.
[]熊平，胡彩霞，周欣星.C N N与人工特征提取快速识别斑马线的方法[].电子设计工程，2018,26(3):189-193.
[]彭博，臧笛.基于深度学习的车标识别方法研究[].计算机科学，2015,42(4):268-273.
[0] 李昕蔚，丁正彦，尚岩峰，等.一种针对路口监控图像的区域分割方法[].计算机应用与软件，2020,37(3):236-243.
[1] 李了了，邓善熙，丁兴号.基于大津法的图像分块二值化算法[].微计算机信息，2005(14)76-77.
一63 —
63
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议