移动激光雷达道路边界提取主动算法研究外文翻译资料

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

移动激光雷达道路边界提取主动算法研究

摘要

地面移动激光测距系统可以快速高效地获取激光点云数据，并用于道路边界等道路特征的提取。这些信息可以帮助道路交通局进行道路交通网络的安全风险评估，道路边界相关知识也是进行其他多数道路特征提取的先决条件。本文提出了一种利用地面激光雷达数据提取道路左右边界的算法，该算法结合了两种修正参数主动轮廓（Snake）模型，算法中所使用的参数均根据经验选取，并适用于所有的道路场景。同时，我们还提出了一种基于导航信息初始化Snake曲线的新方法。我们将算法应用到实验中农村、城镇、国道等不同的道路场景中。实验中不同道路边界的有效提取充分证明了算法的可靠性。实验中的研究成果为道路交通局与相关企业提供了有价值的观点以及实用的道路边界检测工具。

1、介绍

光检测与测距是近年来新型的技术，它通过测量与计算发射器所释放的光脉冲回波时间，获取周围环境的三维信息。激光测距系统利用光检测与测距技术获取一系列精确的地理信息的密集3D雷达点云数据，这些数据较之传统的数据源所获取的数据，在精确度、分辨率、可靠性、自动化等方面都具有独特的优势。激光测距系统所获取的信息可应用的途径十分广泛，包括城市环境的监控、自然环境的评估等等。

激光雷达测距系统常用于通过空中或地面的平台获取激光雷达数据，所获取数据的可靠性主要与目标物体距离测距系统的远近有关，同时，与系统自身的精确度与分辨率也有一定关系。近年来，车载激光雷达的应用使得车辆移动过程中可以获取到更高质量的3D数据，较之传统的静态道路测量，移动道路测量系统（MMS）因高效、快捷、稳定的优点而在道路通道、城市道路测量中具有很高的应用价值。

地面MMS的概念起源于19世纪90年代，系统的实现主要通过动量定位、图像技术、激光测距、数据融合以及空间信息等相关前沿技术产品的应用实现。移动道路测量主要指一种利用装载于移动平台上的道路测量与导航传感器获取地理数据的方法。道路测量传感器可以包括图像成形与激光扫描系统等等，而导航系统则主要包括全球卫星导航系统（GNSS）、惯性导航系统（INS）等。在发展初期，研究者们主要利用GNSS与INS的融合以及数字相机技术进行MMS的设计，融合了激光扫描系统的MMS在之后才逐渐兴起。关于地面MMS的发展历史综述见于Ellum and El-Sheimy (2002) and Barber et al. (2008).在过去的20年中，MMS不论实在科研领域还是在商用领域，都取得了一定的进展，现如今，有许多各领域的企业均可提供大量高效快捷的3D激光雷达数据获取手段。根据ARC咨询公司的市场调研报告，从2010年到2015年，3D激光雷达的市场需求将会翻倍。

地面MMS是一个可靠快捷的工具，它可以有效地获取到路面特征与道路周围环境的3D空间参考信息。这些信息不仅可以为道路交通局有效管理道路交通网络提供帮助，还能为驾驶者在最安全工况下驾驶提供保证。如Riegl VQ-250等激光雷达所能提供的数据容量非常之大，它每秒能提供30,000个侦测点数据，也就是每秒约20GB的数据。要对这些数据进行人工处理是十分困难的，所以一些主动算法应运而生。为了对道路特征以及道路障碍物进行检测估计，MMS还需要对道路边界进行精确的识别与提取。道路边界是道路的一个基本特征，虽然道路边界的有效提取近年来是一个热门方向，但是在科研领域，该方向还处于探索阶段。本文中，我们研究了一种道路边界提取的主动算法，并在多种基于激光雷达的实验环境中得到了验证。该算法结合了两个经修正的参数主动轮廓（SNAKE）模型，因此，可以实现更精确的道路边界提取。本文第二章综述了基于激光雷达的道路及其边界的提取相关方法发展近况。在第三章中，我们首先讨论了基于分段的激光雷达参数活动轮廓模型及其相关方法，并引用列举出近年来相关方法的局限性。本文第四章对我们所研究的道路边界提取主动算法进行了分步的详细说明。在第五章中，我们对道路边界提取信息的有效化过程进行了说明，并在第六章中将该道路边界提取算法应用到不同道路场景以验证其可靠性。在第七章中，我们对所获取的结果进行了对比验证与分析，最后在第八章中得出了一定的结论。

2、道路提取相关领域的研究进展

激光雷达技术获取可通行区域与3D点云数据可以提供精确可靠的道路特征提取。对激光雷达数据的分段方法主要是基于平面或光滑曲面的识别与基于3D点云数据特征对其分类，基于上述方法，许多研究者尝试利用激光雷达数据对道路及其相关特征进行提取。Clodeet al. (2004)利用基于高程与密度信息的分级归类技术将空中获取的3D点云数据划分为道路区域与非道路区域。由于其实验环境中私人道路与停车场的存在，这种方法的精确度受到了一定影响。Goulette et al.(2006)阐述了一种基于地面移动激光雷达数据区分道路、数目以及垂直面的方法。道路在数据直方图中为高密度点组成的水平面，通过这个特征，我们可以将道路区分出来并利用分割信息计算道路宽度与弯曲程度，而数目与障碍物则为垂直面，与直方图无关联元素。Yuan et al.(2008)提出了一种基于地面激光雷达数据提取路面的算法，该算法凌模糊聚类的方法对激光雷达点聚类。直线段利用斜率信息与线性聚类数据匹配从而提取出路面区域。 Elberink and Vosselman (2009)研究了一种利用空中激光雷达与2D地形图数据对高速公路进行3D建模的主动算法。该算法利用基于种子点生长算法的地图，并结合霍夫变换，从地形数据中提取道路多边形，相应的雷达点可以利用基于种子点生长算法雷达添加到道路多边形中。接着，便可给地图多边形赋值雷达高程值，完成3D重建。Lam et al. (2010)利用雷达数据将随机样本一致的平面与各个小区域进行匹配并利用卡尔曼滤波器将匹配的水平面链接，从而实现道路提取。所提取的道路信息将通过维度限制、3D点与RANSAC线适配等条件筛选，进一步利用城市环境对障碍物识别与分类。

还有一些研究者侧重于道路边界的精确提取相关的研究工作。Jaakkola et al. (2008)提出了一种利用激光雷达数据识别路缘石、道路表面模型、道路标记等。因为高程梯度图中的路缘石既不是垂直的，也不是水平的，所以路缘石的识别可以通过对高程梯度图的筛选实现。提取出路缘石信息后，我们可以利用它来估计各雷达点是否属于道路区域。这些点可以用于创造一个三角化的非常规网络，然后利用边界条件与斜率条件将其变换为一个光滑表面。道路标记的提取可以首先将密度特征的标准化，然后应用阈值方法检测。Yoon et al. (2009)提出了一种智能车在城市环境中基于激光雷达点云数据检测道路表面的方法。他们首先计算出雷达数据的斜率与标准的偏离值，然后利用这些数据估计道路边界。Vosselman and Liang (2009)研究了一种通过空中激光雷达数据侦测道路边界的方法。这种方法利用道路边界会导致雷达点云数据产生小幅度跳变的原理，实现道路边界的侦测，但这种方法的精确性会受到停车场等环境因素的影响。Smadja et al. (2010)提出了一种基于激光雷达数据提取道路边界的算法，这种算法结合了随机样本一致算法，利用道路边界雷达数据斜率断点的侦测实现道路边界的提取。Zhang (2010)提出了一种城市环境中使用地面激光雷达数据检测道路边界的方法。该方法首先利用道路边界高程信息识别道路边界点，然后将所识别点投影到地面对路缘进行估计。McElhinney et al. (2010)提出了一种通过地面激光雷达数据提取道路边界的算法。该算法首先在第一阶段利用导航数据将一系列线段与道路横截面相匹配，从而筛选出符合条件的线段内的激光雷达点，在第二阶段中，通过对这些点的斜率、密度、脉冲宽度以及与车辆信息的接近程度对道路边界进行提取。Ibrahim and Lichti (2012)提出了一个利用地面移动激光雷达数据的途径实现道路及其边界的提取，该方法根据雷达点与相应移动车辆轨迹的处于不同距离时的点密度将其划分为道路区域与非道路区域，然后通过对所提取出的道路区域点的邻近点的形态特征进行分析，进一步细化出符合条件的道路区域点，最后对3D雷达点的高斯函数求导，从道路区域点集中提取出道路边界。

上述提取道路边界的方法大都是通过将非道路区域或障碍物从雷达数据中剔除从而得出道路区域，而不是通过直接手段提取道路区域。目前已有的提取道路边界的方法并不具有高可靠性与效率，多数城市环境下识别道路边界的算法依赖于道路边界与道路区域存在足够高程或斜率差别才能有效运行，而农村地区等非结构环境下由于道路特征并不那么明显，使得这方面的道路提取研究几乎没有。激光雷达的强度与脉冲宽度数据是识别与提取道路边界的有效信息，这方面的研究已经十分深入，在下一章中，本文将对参数活动轮廓模型进行详细说明，并对基于这种模型的激光雷达道路特征提取方法做出综述。

3、参数主动轮廓模型

参数主动轮廓（Snake）模型是一种有效的分类方法，它充分利用输入数据中与目标物体有关的一定信息而不是利用其全部信息。Kass et al. (1988)首次提出了Snake 模型，明确定义它为一种控制样条曲线，并利用计算能量（computed energy）来运行。它用一条参数样条曲线来表示一个轮廓，该样条受到外部力以及图像力的引导，为了使得自身能量最小化，不断变形和移动，最终吸附到附近的边缘、角点等显著特征上。Snake曲线在X、Y平面内的图像可以参数化地表示为：

V(s)代表Snake曲线，s是曲线标准化的弧长，x（s）,y(s)是曲线各点相应的坐标，曲线v（s）代表一系列控制点v_0hellip;..并由这些点线性连接而成，Snake的能量函数，E_snake包括内部能量与外部能量，可以表示为：

控制Snake曲线弹性度与硬度的内部能量E_int可表示为：

其中alpha;(s)与beta;(s)是权重参数，alpha; (s)权重参数控制曲线的弹性度，而beta;(s)的权重参数控制曲线的硬度。外部能量E_ext的估计可以通过对引导Snake曲线向它运动的目标物体边界的梯度图像的测量实现，外部能量与图像梯度之间的函数关系可表示为：

其中k是比例参数，▽f是目标物体f的梯度图像，Snake能量函数是离散型函数，需迭代求解。比例参数gamma;用来控制Snake曲线一次迭代的步长，可以表示为：

其中mu;是控制图像噪声的标准化参数，t是每次迭代的时间步调，dx, dy表示图像点所处的空间位置，图像噪声的增大会导致mu;值增大，Snake曲线通过保持内部能量与外部能量守恒的状态来使其能量最小化。当Snake能量函数处于最小值时，函数将收敛于目标物体边界。

传统的参数主动轮廓模型对目标边界进行估计时存在两点局限。首先，Snake曲线必须初始化为与目标边界想接近的曲线，否则曲线将不会与目标边界重合。其次，Snake曲线不能检测到凹型边界。许多研究者尝试了各种方法来克服Snake曲线所存在的局限性，Cohen (1991)曾提出在参数主动轮廓模型中使用一种气球概念，通过在外部能量项中添加一个额外的能量来推动Snake曲线向目标边界移动。气球能量作用于曲线上点的切线相正交的方向，使得Snake曲线更具动态性。气球能量可表示为：

其中K₁是气球能量的权重参数，n（s）是在v（s）点处与Snake曲线相正交的单位矢量。气球模型虽然解决了Snake曲线初始化方面的缺陷，但并没有解决Snake曲线不能与凹边界重合的问题。

Xu et al. (1997)介绍在参数主动轮廓模型中使用一种梯度矢量流（GVF）的外部能量的方法来解决Snake曲线不能收敛于凹边界的问题。这种能量在计算中被当做目标边界的扩散梯度矢量，从而可以吸引Snake曲线向目标边界移动。GVF能量可以表示为：

其中V(x,y) = (u(x,y), w(x,y))是能量场，u, w是x, y平面内的矢量分量。当▽f小到可以忽略不计时，矢量分量的部分偏导的平方和作为第一项成为了能量函数的主要部分；当▽f足够大时，第二项则成为能量函数的主要部分，当V=▽f时，能量函数的值最小。这种能量的引入在不影响目标边界的梯度能量（gradient energy）的前提下，使得平滑变化的能量能均匀分布到图像区域。扩散能量不仅使得Snake曲线突破了不能侦测凹边界的局限性，还帮助扩大了Snake曲线的运动范围。GVF模型虽然成功克服了传统参数主动轮廓模型存在的缺点，但该模型也存在其局限性，当初始的Snake曲线与目标边界距离足够大时，该模型在克服Snake曲线初始化问题方面便不再起作用。

研究者们提出了多种基于Snake曲线利用激光雷达数据提取道路特征或构建目标图像的方法。Goepfert and Rottensteiner (2009)使用了一种应用了一种Snake模型提取道路网格用以融合与匹配2D矢量数据提取的数字地形模型以及空中激光雷达所提取的数字地形模型。该方法利用已存在的矢量数据将Snake曲线初始化为接近道路特征的曲线，并储存为折线段。外部能量项则与激光雷达数据中提取的图像的强度、高程、表面粗糙度等因素有关。Kabolizade et al. (2010)提出了一种优化的Snake模型利用高空摄影图像与雷达数据提取建筑物，建筑物边界的初始估计是通过给标准化的数字表面模型设定阈值实现的，该模型中外部能量项的产生基于Snake曲线上各点与邻近点的强度与高度差异。Boyko and Funkhouser (2011)阐述了一种利用空中与地面激光扫描城市环境获取的大尺度3D点云数据提取道路特征的方法，该方法首先利用点云数据使用2D地图对道路网进行初始近似估计，然后将道路网络分割为多个独

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[153390]，资料为PDF文档或Word文档，PDF文档可免费转换为Word