[发明专利]一种基于激光点云的路面点云提取方法和装置

说明书

本发明实施例提供一种基于激光点云的路面点云提取方法和装置，首先使用点云采集时的轨迹构造多边形，再结合深度图像的边界点探索，对路面点云进行粗提取，可以剔除道路两侧的树木等大面积的干扰点云；在此基础上，再使用CSF布料模拟滤波对点云进行过滤，计算法向量，曲面探索等以精细提取路面点云，可以剔除马路牙、护栏、隔音棚，还有其他一些高于路面的噪声点云。通过以上粗提取和精细提取的方法组合，可以有效实现高速道路路面点云的精细提取。

技术领域

本发明实施例涉及激光点云处理技术领域，更具体地，涉及一种基于激光点云的路面点云提取方法和装置。

背景技术

近年，自动驾驶技术快速发展。三维激光点云由于其完整的三维信息以及非常高的数学精度和地理精度，在自动驾驶领域受到重用，例如作为高精度地图的数据源，或者结合SLAM(simultaneous localization and mapping)技术用于定位。且伴随激光雷达的结构升级，成本降低，使得激光点云的广泛应用成为可能。不管是激光点云在高精度地图采集，还是在定位中的应用，道路面点云的提取都是至关重要的一项技术。有效道路面点云的提取，是后续在道路面点云中提取车道线、箭头等印刷类要素的重要保障。

目前也有许多道路点云面提取的方法，主要有网格划分法，分类训练法，轮廓分割法等。网格划分法是将点云划分为均匀的网格，计算网格内的点云平均高度，探索邻近网格之间的高度差，以找到高度差异小的网格集合，进行聚类，获取路面点云。这种方法是将基于图片的灰度探索应用于点云的高度差探索上。其效果受网格划分和高度聚类阈值等的影响，在上下坡道路上的效果可能不够稳定，且护栏、隔音棚、马路牙等高起的设施较难与路面精细划分开。分类训练法是基于点云样本的标记，进行训练以提取路面点云的方法。

由于地面、树木、护栏、建筑、汽车等对激光的反射程度各有不同，实际采集的点云是丰富多样的，直接导致点云的样本标注成本较高，而点云的数据量大，又使得样本训练的计算量大，这种方法在工程应用上尚难大范围展开。轮廓分割法是基于OpenStreetMap或其他二维地图来获取道路面的范围，构造多边形来分割点云。不管是未做偏移的OpenStreetMap，还是目前公开出版的加密二维地图，与高精度的激光点云的位置精度还是有明显差异的。并且是在道路分叉，交汇等位置，很难确定道路的范围。所以利用二维地图获取点云道路面边界的方法，只能对道路面做粗提取，也不能精细划分出护栏，马路牙等道路沿线的高起设施。

发明内容

本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种基于激光点云的路面点云提取方法和装置。

第一方面，本发明实施例提供一种基于激光点云的路面点云提取方法，包括：

基于边界信息对路面点云进行提取，得到第二路面点云；

基于布料模拟滤波CSF对所述第二路面点云进行滤波得到第三路面点云，基于预设法向量特征限定对所述第三路面点云进行过滤，得到第四路面点云，基于点云库PCL对所述第四路面点云进行曲面探测，得到多个曲面点云；

基于曲面点云的平均z值、曲面点云的点数的权重，以及曲面点云单位法向量在z轴上的分量的绝对值，构建用于评价曲面平坦度的评价值，取评价值最大的曲面点云作为目标路面点云。

作为优选的，基于边界信息对路面点云进行提取前，还包括：

基于轨迹信息对路面点云进行提取，若判断获知路面点云中存在轨迹信息，则基于PCL获取路面点云的三维包围盒，对所述轨迹信息和三维包围盒进行相交计算，得到所述三维包围盒内部的轨迹信息；

遍历三维包围盒内部的轨迹信息，分别获取每一个轨迹点沿通行方向向左设定距离的左点，以及沿通行方向向右设定距离的右点；

将左点按顺序、右点按倒序存储，形成一个多边形，以所述多边形分割路面点云，得到第一路面点云。