基于多损失融合和混洗注意力的车载LiDAR点云道路标线提取方法

道路标线的准确提取在高级辅助驾驶系统和高精度地图的开发中具有重要意义。针对现有的基于阈值的车载激光点云道路标线提取方法在反射强度与点密度分布不均、道路标线与路面对比度低时提取效果较差的问题,本文提出了基于多损失融合和混洗注意力的车载LiDAR点云道路标线提取方法。选取典型高速公路试验样区进行道路标线提取试验,并与常规方法进行了精度对比分析。试验表明,本文方法在道路标线提取精度方面优于其他方法,有望更好地服务于自动驾驶的高精度地图开发应用。

深度学习道路标线提取数据集构建及评估

道路标线的准确提取在高级辅助驾驶系统和高精度地图的开发中具有重要意义。基于深度学习的方法强烈依赖于高质量的训练样本数据集,因此本文根据工程项目需要并在分析道路标线特征信息的基础上,提出了一种深度学习道路标线提取数据集的构建方法。该方法选用车载激光点云数据,并对点云进行预处理操作,将预处理后得到的点云转换为强度特征图像,然后根据道路标线相关规范,结合原始车载激光点云数据中所涉及的标线进行道路标线信息标注,并研究了数据分块与划分和数据增强与归一化的方法。实验结果表明,本文研究的构建方法是可行的,可为道路标线相关提取工作提供参考。

车载激光点云道路标线提取方法

针对车载激光点云中道路标线的强度随扫描距离与扫描入射角等因素变化较大而难以提取的问题,提出了一种在强度特征图像中进行边缘检测的道路标线提取方法。该方法首先将道路面点云投影成强度特征图像,然后在图像上检测图像边缘,并根据道路标线的几何特征进行连通分析,提取道路标线边缘,最后通过道路标线边缘信息从道路面点云中提取道路标线候选点云,并引入高斯混合模型剔除路面噪声点,得到最终的道路标线点云。3份测试数据的实验结果表明,该方法提取道路标线的平均完整率和平均正确率分别为93%和97%。

基于车载激光点云的道路标线提取方法

针对自动驾驶领域中的道路标线提取问题,本文结合道路结构特征和点云回波强度信息,提出了一种道路标线提取方法。首先,采用布料模拟滤波算法获取地面点云;其次,使用基于法向量的区域生长法提取路面点云;然后,采用反距离加权插值法将路面点云投影成强度特征图像,并将其分割成多个子图像,利用最大类间方差将子图像分为纯块和杂块,根据纯块与原始图像灰度均值的相对大小来确定纯块的分割阈值,根据最大类间方差算法确定杂块的分割阈值;最后,经阈值分割、形态学滤波去噪、点云反投影后得到道路标线点云。实际道路的验证结果表明,所提方法的召回率达到92.8%,准确率达到96.8%,综合评价指标达到94.8%,能提取比较完整的道路标线。