matlab点云中值滤波,基于车载激光雷达的车道线识别方法与流程
本發(fā)明屬于自動駕駛的模式識別領(lǐng)域，涉及激光雷達(dá)點(diǎn)云數(shù)據(jù)處理及識別方法。
背景技術(shù)：
車道線檢測在智能車輛輔助安全系統(tǒng)中起著關(guān)鍵的作用，車道偏離警示系統(tǒng)在車道保持輔助系統(tǒng)以及車道換道輔助系統(tǒng)中有著廣泛的應(yīng)用；同時(shí)車道線檢測是智能車自動導(dǎo)航系統(tǒng)的基礎(chǔ)，車輛自動導(dǎo)航的最優(yōu)行駛路徑需要根據(jù)已獲取的道路環(huán)境信息進(jìn)行規(guī)劃，車道線檢測在具體的車道行駛中是非常重要的。
車道線檢測的基本原理是使用傳感器獲取道路以及周邊環(huán)境信息，然后經(jīng)過復(fù)雜的分析獲取車道線所在的具體位置，最終在車輛自主導(dǎo)航系統(tǒng)和智能車輛輔助安全系統(tǒng)中發(fā)揮作用。目前，車道線檢測方法有三種：分別是基于雷達(dá)的車道線檢測、基于視覺的車道線檢測和雷達(dá)與視覺相結(jié)合的車道線檢測。目前基于視覺的車道線檢測技術(shù)已經(jīng)比較成熟，它是通過相機(jī)獲取道路信息，通過直接利用道路的視覺特征，這種方式有著很快的處理速度，因此被廣泛的應(yīng)用；但相機(jī)本身有個(gè)很大的缺陷就是易受外界環(huán)境的影響。由于雷達(dá)技術(shù)的發(fā)展使其具有及其不容易受外界環(huán)境的影響這一優(yōu)勢，基于雷達(dá)的車道線檢測成為了研究熱點(diǎn)。目前使用在車道線檢測上的雷達(dá)主要是激光雷達(dá)和毫米波雷達(dá)，因?yàn)榧す饫走_(dá)有著強(qiáng)大的抗外界干擾能力和高分辨率優(yōu)勢，因此被廣泛使用。激光雷達(dá)分為單線激光雷達(dá)、多線激光雷達(dá)和三維全向激光雷達(dá)。其中因?yàn)槎嗑€激光雷達(dá)探測距離更遠(yuǎn)、檢測精確度更高、掃描范圍更廣并且返回信息量更大；三維全向激光雷達(dá)價(jià)格過高而備受青睞。
技術(shù)實(shí)現(xiàn)要素：
發(fā)明目的
本發(fā)明使用激光雷達(dá)傳感器做車道線識別，解決了傳統(tǒng)相機(jī)在夜晚、霧天等光照條件不好的情況下無法識別車道線的問題。
技術(shù)方案
一種基于車載激光雷達(dá)的車道線識別方法，其特征在于：步驟如下：
一、讀取curb中間的道路點(diǎn)云數(shù)據(jù)：
使用32線激光雷達(dá)傳感器，將此傳感器豎直的安裝在自車的車頂，以獲取道路及其周圍的環(huán)境點(diǎn)云數(shù)據(jù)；
(1)使用最小二乘算法分別擬合左、右curb的函數(shù)關(guān)系式y(tǒng)l＝alxl+bl和yr＝arxr+br，其中yl代表左邊curb點(diǎn)云的縱坐標(biāo)值，xl代表左邊curb點(diǎn)云的橫坐標(biāo)值，al為左邊curb函數(shù)式的系數(shù)，bl為左邊curb函數(shù)式的截距，yr代表右邊curb點(diǎn)云的縱坐標(biāo)值，xr代表右邊curb點(diǎn)云的橫坐標(biāo)值，ar為右邊curb函數(shù)式的系數(shù)，br為右邊curb函數(shù)式的截距；
(2)根據(jù)左、右curb的函數(shù)關(guān)系式y(tǒng)l＝alxl+bl和yr＝arxr+br使用Visual Studio平臺中的C++編程提取curb中間的道路點(diǎn)云數(shù)據(jù)(x1,y1),(x2,y2)...(xn,yn)，其中n代表提取的點(diǎn)云個(gè)數(shù)，為后續(xù)識別車道線做準(zhǔn)備；
(3)取由激光雷達(dá)的1-22線束獲取的點(diǎn)云數(shù)據(jù)；
二、排序：
首先對路面數(shù)據(jù)分開處理，以自車坐標(biāo)為原點(diǎn)，分別將數(shù)據(jù)根據(jù)笛卡爾坐標(biāo)系的縱坐標(biāo)0點(diǎn)為基準(zhǔn)，存成兩類，分別為縱坐標(biāo)值大于0和縱坐標(biāo)值小于等于0，路面數(shù)據(jù)從小到大快速有序進(jìn)行排列存儲；
三、均值濾波：
使用均值濾波算法，對數(shù)據(jù)進(jìn)行平滑操作；
四、尋找峰值：
對于通過激光雷達(dá)獲取的點(diǎn)云數(shù)據(jù)的強(qiáng)度值，由同一個(gè)線束返回的多點(diǎn)云強(qiáng)度值就會出現(xiàn)局部峰值，此局部峰值點(diǎn)即為車道線的強(qiáng)度；
因?yàn)閷?shí)際的數(shù)據(jù)處理中有噪聲的干擾，因此多點(diǎn)云強(qiáng)度值局部會出現(xiàn)很多的峰值點(diǎn)，然而并不是所有的峰值點(diǎn)都是車道線的數(shù)據(jù)點(diǎn)，根據(jù)車道線的強(qiáng)度值要比路面點(diǎn)的強(qiáng)度值大很多這一信息，設(shè)置峰值點(diǎn)要比其峰谷點(diǎn)至少大5，才認(rèn)為是有意義的車道線數(shù)據(jù)點(diǎn)；
五、車道線高度信息篩選：
車道線是在路面刷了一層涂漆，那么這層涂漆就會高出其周圍的路面，根據(jù)此信息，我們選取強(qiáng)度峰值周圍的點(diǎn)，并在這些點(diǎn)中，找出高度較其他點(diǎn)高的點(diǎn)，這些點(diǎn)就是組成車道線標(biāo)識的點(diǎn)，這里需要使用均值濾波進(jìn)行平滑處理；六、多線束聯(lián)合篩選峰值：
因?yàn)檐嚨谰€是具有線性特征的，那么每個(gè)線束提取的峰值如果是車道線標(biāo)識點(diǎn)，那么其相對應(yīng)的在其最鄰近線束應(yīng)該具有x軸方向橫向距離不超過車道線標(biāo)識寬度的峰值點(diǎn)；為了剔除噪聲點(diǎn)的干擾，這個(gè)連續(xù)的峰值點(diǎn)還需大于一定數(shù)目，將此橫向距離閾值設(shè)置為0.15m，連續(xù)的點(diǎn)數(shù)目閾值設(shè)置為10，即這個(gè)連續(xù)的點(diǎn)數(shù)目超過10，我們才認(rèn)為它是組成車道線的峰值點(diǎn)；
由第一線數(shù)的峰值點(diǎn)找到第二線束的峰值點(diǎn)，再由第二線束的峰值點(diǎn)找到第三線束的峰值點(diǎn)，以此類推直到搜索到最后一個(gè)線束；然后判斷找到的峰值點(diǎn)總數(shù)是否滿足我們設(shè)置的閾值，滿足則保留，否則丟棄；
然后從第一線數(shù)的其余峰值點(diǎn)繼續(xù)按照上述方法往下找，直到遍歷完所有峰值點(diǎn)，已經(jīng)遍歷過的點(diǎn)不再參與遍歷操作；
以上多線束聯(lián)合，將基于自車坐標(biāo)的y軸上、下部分分開操作；
如此，為了減小計(jì)算量和無用信息的干擾，首先通過curb限制，提取了道路信息點(diǎn)，然后根據(jù)車道線的強(qiáng)度特征，使用峰值法粗篩選車道線點(diǎn)，最后根據(jù)車道線的線性特征，使用多線束聯(lián)合法篩選掉干擾點(diǎn)，進(jìn)而將自車前方和后方的車道線識別出來。
上述步驟二-步驟六的數(shù)據(jù)分析均采用單線束獨(dú)立分析。
優(yōu)點(diǎn)及效果
本發(fā)明的識別方法通過使用激光雷達(dá)獲取的點(diǎn)云數(shù)據(jù)進(jìn)行車道線識別，很好的克服了傳統(tǒng)視覺算法檢測的缺點(diǎn)，即使在下雨、大霧等天氣不好的情況下也能很好的進(jìn)行車道線檢測。并且激光雷達(dá)分辨率高，掃描范圍廣，通過復(fù)雜的數(shù)據(jù)分析和多幀聯(lián)合能夠快速且精確的檢測出車道線。
附圖說明
圖1、原始點(diǎn)云數(shù)據(jù)圖；
圖2、單線束自車上半部分強(qiáng)度趨勢圖；
圖3、均值濾波之后的強(qiáng)度數(shù)據(jù)趨勢；
圖4、原數(shù)據(jù)高度趨勢；
圖5、均值濾波后數(shù)據(jù)高度趨勢；
圖6、原圖；
圖7、平滑后的數(shù)據(jù)圖；
圖8、多線束聯(lián)合；
圖9、識別效果圖1；
圖10、識別效果圖2；
圖11、識別效果圖3；
圖12、耗時(shí)統(tǒng)計(jì)。
具體實(shí)施方式
下面結(jié)合附圖對本發(fā)明做進(jìn)一步的說明：
基于車載激光雷達(dá)的車道線識別方法，步驟如下：
一、讀取curb(curb即為馬路牙子)中間的道路點(diǎn)云數(shù)據(jù)：
本實(shí)施例中，使用32線激光雷達(dá)傳感器，將此傳感器豎直的安裝在自車的車頂，以獲取道路及其周圍的環(huán)境點(diǎn)云數(shù)據(jù)；
(1)首先為了限制道路分析區(qū)域，使用最小二乘算法分別擬合左、右curb的函數(shù)關(guān)系式y(tǒng)l＝alxl+bl和yr＝arxr+br，其中yl代表左邊curb點(diǎn)云的縱坐標(biāo)值，xl代表左邊curb點(diǎn)云的橫坐標(biāo)值，al為左邊curb函數(shù)式的系數(shù)，bl為左邊curb函數(shù)式的截距，yr代表右邊curb點(diǎn)云的縱坐標(biāo)值，xr代表右邊curb點(diǎn)云的橫坐標(biāo)值，ar為右邊curb函數(shù)式的系數(shù)，br為右邊curb函數(shù)式的截距；
(2)根據(jù)左、右curb的函數(shù)關(guān)系式y(tǒng)l＝alxl+bl和yr＝arxr+br使用Visual Studio平臺中的C++編程提取curb中間的道路點(diǎn)云數(shù)據(jù)(x1,y1),(x2,y2)...(xn,yn)，其中n代表提取的點(diǎn)云個(gè)數(shù)，為后續(xù)識別車道線做準(zhǔn)備；
縮編程序代碼：
(3)根據(jù)數(shù)據(jù)統(tǒng)計(jì)結(jié)果以及雷達(dá)線束掃描方式，發(fā)現(xiàn)并不是雷達(dá)所有線束都能打到地面獲取數(shù)據(jù)，取由激光雷達(dá)的1-22線束獲取的點(diǎn)云數(shù)據(jù)；
以下步驟二-步驟六的數(shù)據(jù)分析均采用單線束獨(dú)立分析；
二、排序：
為了更好的使用強(qiáng)度信息進(jìn)行車道線和道路分離，首先對路面數(shù)據(jù)分開處理，以自車坐標(biāo)為原點(diǎn)，其坐標(biāo)系如圖1坐標(biāo)線所示，分別將數(shù)據(jù)根據(jù)笛卡爾坐標(biāo)系的縱坐標(biāo)0點(diǎn)為基準(zhǔn)，存成兩類，分別為縱坐標(biāo)值大于0和縱坐標(biāo)值小于等于0，路面數(shù)據(jù)從小到大快速有序進(jìn)行排列存儲(即如圖1虛線箭頭所示，從左到右的方向)；
三、均值濾波：
對排序好的數(shù)據(jù)，觀察其強(qiáng)度變化趨勢如圖2所示，從圖2我們可以發(fā)現(xiàn)數(shù)據(jù)并不平滑，不利于尋找峰值，于是這里使用本技術(shù)領(lǐng)域的均值濾波算法，對數(shù)據(jù)進(jìn)行平滑操作，濾波后的數(shù)據(jù)趨勢如圖3所示；
四、尋找峰值：
對于通過激光雷達(dá)獲取的點(diǎn)云數(shù)據(jù)的強(qiáng)度值，物體材質(zhì)不同返回的強(qiáng)度數(shù)據(jù)是不一樣的，通常車道線的強(qiáng)度值要大于道路強(qiáng)度值；那么，由同一個(gè)線束返回的多點(diǎn)云強(qiáng)度值就會出現(xiàn)局部峰值，此局部峰值點(diǎn)即為車道線的強(qiáng)度，如圖3中代表的點(diǎn)(圓圈里的值)；
因?yàn)閷?shí)際的數(shù)據(jù)處理中有噪聲的干擾，因此多點(diǎn)云強(qiáng)度值局部會出現(xiàn)很多的峰值點(diǎn)，然而并不是所有的峰值點(diǎn)都是車道線的數(shù)據(jù)點(diǎn)，根據(jù)車道線的強(qiáng)度值要比路面點(diǎn)的強(qiáng)度值大很多這一信息，設(shè)置峰值點(diǎn)要比其峰谷點(diǎn)至少大5，才認(rèn)為是有意義的車道線數(shù)據(jù)點(diǎn)；
五、車道線高度信息篩選：
車道線是在路面刷了一層涂漆，那么這層涂漆就會高出其周圍的路面，根據(jù)此信息，我們選取強(qiáng)度峰值周圍的點(diǎn)，如圖4所示，并在這些點(diǎn)中，找出高度較其他點(diǎn)高的點(diǎn)，如圖5所示圓圈里的點(diǎn)，這些點(diǎn)就是組成車道線標(biāo)識的點(diǎn)，因?yàn)樵趯?shí)際道路中車道線會有磨損等一些外力的干擾，其呈現(xiàn)的數(shù)據(jù)趨勢并不是我們理想中很明顯的找出有高度特征的趨勢，如圖6原始數(shù)據(jù)和圖7使用均值濾波處理后的數(shù)據(jù)對比所示，所以這里需要使用均值濾波進(jìn)行平滑處理；
六、多線束聯(lián)合篩選峰值：
因?yàn)檐嚨谰€是具有線性特征的，那么每個(gè)線束提取的峰值如果是車道線標(biāo)識點(diǎn)，那么其相對應(yīng)的在其最鄰近線束應(yīng)該具有x軸方向橫向距離不超過車道線標(biāo)識寬度的峰值點(diǎn)；為了剔除噪聲點(diǎn)的干擾，這個(gè)連續(xù)的峰值點(diǎn)還需大于一定數(shù)目，我們才認(rèn)為它是構(gòu)成車道線的峰值點(diǎn)；根據(jù)《道路交通標(biāo)志和標(biāo)線》國家標(biāo)準(zhǔn)(GB5768-1999)的規(guī)定，我國現(xiàn)行的道路交通指示標(biāo)線寬10-20cm，并且分析現(xiàn)在處理的數(shù)據(jù)后，我們將此橫向距離閾值設(shè)置為0.15m，連續(xù)的點(diǎn)數(shù)目閾值設(shè)置為10，即這個(gè)連續(xù)的點(diǎn)數(shù)目超過10，我們才認(rèn)為它是組成車道線的峰值點(diǎn)；
如圖8所示，由第一線數(shù)的峰值點(diǎn)1找到第二線束的峰值點(diǎn)2，再由第二線束的峰值點(diǎn)2找到第三線束的峰值點(diǎn)3，以此類推直到搜索到最后一個(gè)線束N；然后判斷找到的峰值點(diǎn)總數(shù)是否滿足我們設(shè)置的閾值，滿足則保留，否則丟棄；
然后從第一線數(shù)的11點(diǎn)繼續(xù)按照上述方法，往下找，直到遍歷完所有峰值點(diǎn)，注意，已經(jīng)遍歷過的點(diǎn)不再參與遍歷操作；
因?yàn)榭紤]到車道線標(biāo)識有錯(cuò)開的情況，所以以上多線束聯(lián)合，將基于自車坐標(biāo)的y軸上、下部分分開操作；
如此，為了減小計(jì)算量和無用信息的干擾，我們首先通過curb限制，提取了道路信息點(diǎn)，然后根據(jù)車道線的強(qiáng)度特征，使用峰值法粗篩選車道線點(diǎn)，最后根據(jù)車道線的線性特征，使用多線束聯(lián)合法篩選掉干擾點(diǎn)，進(jìn)而將自車前方和后方的車道線識別出來。
識別效果如圖9、圖10和圖11所示，圖中圓點(diǎn)即為識別出來的車道線的點(diǎn)。
選取高速路上的200幀數(shù)據(jù)的耗時(shí)進(jìn)行分析，如圖12所示，平均耗時(shí)為37ms。
總結(jié)
以上是生活随笔為你收集整理的matlab点云中值滤波,基于车载激光雷达的车道线识别方法与流程的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： AsciiDoc的安装和简单使用
- 下一篇： decawave1001-DEV简介开发