陳俊吉 皮大偉 謝伯元 王洪亮 王霞

摘 要：針對(duì)目前典型道路邊沿識(shí)別算法存在實(shí)時(shí)性與可靠性難以兼顧的問(wèn)題，基于多線激光雷達(dá)，根據(jù)道路邊沿的幾何特征與三維點(diǎn)云特征，提出了一種權(quán)衡實(shí)時(shí)性與可靠性的道路邊沿識(shí)別算法。依據(jù)多線激光雷達(dá)掃描獲取的大量點(diǎn)云數(shù)據(jù)，基于RANSAC算法的地面分割方法，濾除了預(yù)設(shè)感興趣區(qū)域內(nèi)的地面數(shù)據(jù)點(diǎn)，然后將剩余的無(wú)序點(diǎn)進(jìn)行有序柵格化投射處理，根據(jù)道路邊沿區(qū)域的幾何特征與點(diǎn)云分布特征進(jìn)行匹配篩選，再融合RANSAC的最小二乘法，以完成道路邊沿曲線的魯棒擬合。實(shí)驗(yàn)表明，算法在直道和彎道場(chǎng)景識(shí)別準(zhǔn)確率均大于95%，耗時(shí)均低于15 ms，具有良好的準(zhǔn)確性和實(shí)時(shí)性。所提算法能有效識(shí)別道路邊沿，可為智能車(chē)可行駛區(qū)域的識(shí)別及控制提供理論參考與方法依據(jù)。

關(guān)鍵詞：傳感器技術(shù);智能車(chē)輛;道路邊沿;幾何特征;三維點(diǎn)云;融合RANSAC

中圖分類(lèi)號(hào)：TN958.98 ? 文獻(xiàn)標(biāo)志碼：A ? doi：10.7535/hbkd.2019yx06002

Abstract：Typical curb recognition algorithms have difficulty in balancing real-time performance and reliability. In this paper， with a multi-line LiDAR used， a curb recognition algorithm based on geometric features and 3D point cloud features of curb areas is proposed， which reaches a tradeoff between real-time performance and reliability. Faced with the large amount of point cloud data， the algorithm firstly proposes a ground segmentation method based on RANSAC algorithm， filtering out the ground points in the preset region of interest， and then the orderly rasterization of the remaining disordered points is carried out for matching and screening curb areas according to the curb's geometric characters and the points' distribution feature. After that， the least square method fused with RANSAC is proposed to achieve the robust fitting of curb curve. Experiments show that the recognition accuracy of the algorithm is more than 95% in both straight and bend scenes， and the time-consuming is less than 15 ms， which indicates the good accuracy and real-time performance of the proposed algorithm.The algorithm can effectively identify road curb， thus providing a theoretical reference and method basis for intelligent vehicle driving area recognition and its' control.

Keywords：sensor technology; intelligent vehicle; curb; geometric characters; 3D point cloud; fusing RANSAC

隨著現(xiàn)代科技的快速發(fā)展，汽車(chē)產(chǎn)業(yè)在智能化方向不斷推陳出新，道路邊沿識(shí)別是智能車(chē)輛在環(huán)境感知環(huán)節(jié)中的一項(xiàng)重要研究?jī)?nèi)容。將感知環(huán)境分為道路區(qū)域和非道路區(qū)域，可為車(chē)輛可行駛區(qū)域劃分及其路徑規(guī)劃提供更為準(zhǔn)確的道路區(qū)間，對(duì)減少后續(xù)計(jì)算量、提高環(huán)境感知的實(shí)時(shí)性能等有著重要意義。

目前，大量傳感器可以用來(lái)搜集道路信息，感知智能車(chē)輛的行駛環(huán)境[1-3]。常用的路沿檢測(cè)方法主要有基于視覺(jué)傳感器的方法、基于激光雷達(dá)的方法、視覺(jué)和激光雷達(dá)融合的方法。相比之下，視覺(jué)傳感器具有低成本和易用性的特點(diǎn)。隨著機(jī)器視覺(jué)技術(shù)的發(fā)展，攝像頭被廣泛用于道路邊沿的檢測(cè)識(shí)別。陳敬義等[4]將CMOS攝像頭獲取的圖像灰度化，通過(guò)自適應(yīng)Otsu法二值化分割出道路信息并利用Canny算子提取道路邊沿;PANEV等[5]用裝有魚(yú)眼鏡頭的單目前視相機(jī)采集圖像，從中提取HOG特征，利用SVM分類(lèi)器結(jié)合高度和相對(duì)車(chē)輛的距離等信息來(lái)提取道路邊沿，并在時(shí)域內(nèi)進(jìn)行跟蹤篩選，取得了較好的效果。但視覺(jué)傳感器易受環(huán)境光線和天氣的影響，對(duì)于在室外運(yùn)作的智能車(chē)輛，基于視覺(jué)的路沿識(shí)別算法穩(wěn)定性較差。激光雷達(dá)受環(huán)境和天氣影響較小，同時(shí)相對(duì)于單線的二維激光雷達(dá)，多線的三維激光雷達(dá)能夠獲取包括三維坐標(biāo)在內(nèi)的更多目標(biāo)信息，因此三維激光雷達(dá)在道路邊沿識(shí)別方面的應(yīng)用也受到了許多研究人員的關(guān)注。典型的有動(dòng)態(tài)輪廓模型（active contour model）——Snake模型，其常被用來(lái)從圖像或是三維點(diǎn)云投射的圖像中提取道路邊沿[6-8]，但Snake模型中的能量函數(shù)需要提供一個(gè)輪廓位置，且將三維點(diǎn)云投射之后會(huì)損失三維信息而降低提取效果。XU等[9]利用3D激光雷達(dá)點(diǎn)云反射強(qiáng)度信息提出用能量函數(shù)進(jìn)行路沿點(diǎn)預(yù)選，再利用最低成本路徑模型進(jìn)行路沿的優(yōu)化擬合。段建民等[10]基于四線激光雷達(dá)數(shù)據(jù)，利用區(qū)間共線點(diǎn)提取算法提取路沿?cái)?shù)據(jù)點(diǎn)，并改進(jìn)DPCA算法對(duì)路沿?cái)?shù)據(jù)點(diǎn)聚類(lèi)，采用最小二乘法線性擬合實(shí)際路沿。但基于能量或是基于聚類(lèi)等的復(fù)雜算法通常伴隨著實(shí)時(shí)性的損失，不利于智能車(chē)輛的行駛安全。此外，不少研究根據(jù)道路邊沿的高度、寬度、坡度等幾何特征進(jìn)行識(shí)別提取[11-13]，在面對(duì)一些復(fù)雜的道路環(huán)境時(shí)，如道路兩旁地勢(shì)起伏、植被叢生，即道路兩旁的非路區(qū)域也存在相同幾何特征的情況，但是僅基于幾何特征算法的可靠性會(huì)大大降低。

2 道路模型

智能車(chē)輛行駛道路情況復(fù)雜多變，針對(duì)目前路沿識(shí)別存在的一些問(wèn)題，本文假設(shè)所處理的道路路面滿(mǎn)足以下要求：

1）道路邊界為規(guī)則直線或曲線;

2）道路區(qū)域路面基本平坦，道路區(qū)域的高度一致性大于道路區(qū)域和非路區(qū)域之間的高度一致性;

3）道路區(qū)域與非路區(qū)域有一定的高度差，即道路區(qū)域與非路區(qū)域間有人造路沿、圍墻等明顯界限。

本文實(shí)驗(yàn)選擇的道路場(chǎng)景為園區(qū)道路，包含直線路段和彎曲路段，且滿(mǎn)足以上要求。圖2所示為理想直道模型，激光雷達(dá)的圓形掃描線在道路邊沿處發(fā)生彎折變化，且交界面上的各掃描點(diǎn)間距與路面各點(diǎn)間距不同，其連線的斜率基本一致，即各點(diǎn)基本在同一條線段上。相比之下，圖3所示的彎道模型中，由于道路區(qū)域與非路區(qū)域交界面為曲面，因此其上各掃描點(diǎn)連線斜率不再保持一致，呈曲線分布。

對(duì)于智能車(chē)輛實(shí)際行駛的園區(qū)道路，除了道路區(qū)域與非路區(qū)域具有高度差、坡度變化等幾何特征，其非路區(qū)域的高度一致性也相對(duì)較差，地勢(shì)起伏和栽種的植被都具有一定的高度差、坡度變化等，但非路區(qū)域的不規(guī)則起伏或是植被的參差縫隙等都會(huì)使得雷達(dá)返回點(diǎn)在空間上存在跳躍性，故應(yīng)將道路邊沿的幾何特征與邊沿面上掃描點(diǎn)的分布特征結(jié)合起來(lái)，才能較為準(zhǔn)確地識(shí)別出路沿區(qū)域。

3 道路邊沿識(shí)別算法

根據(jù)道路模型特征，從激光雷達(dá)數(shù)據(jù)預(yù)處理后得到的感興趣點(diǎn)云集合中挑選出道路邊沿點(diǎn)，如圖4所示。本文先采用基于RANSAC（random sample consensus）算法的地面分割方法將點(diǎn)云集合中的地面點(diǎn)濾除，再將剩余點(diǎn)投射到柵格空間中。通過(guò)對(duì)柵格單元簡(jiǎn)單幾何特征匹配的初選，得到道路邊沿所在的預(yù)選區(qū)域。在預(yù)選區(qū)域中進(jìn)行點(diǎn)云分布特征的過(guò)濾，得到含有極少噪聲點(diǎn)的道路邊沿點(diǎn)，最后結(jié)合RANSAC算法和最小二乘法進(jìn)行道路邊沿的擬合。

3.1 基于RANSAC的地面點(diǎn)過(guò)濾

路面暢通、路邊無(wú)停駐行人和車(chē)輛時(shí)，可以直接通過(guò)找出地面點(diǎn)，求解其邊緣從而得到道路邊沿。但當(dāng)路邊有較多行人、車(chē)輛等遮擋時(shí)，就無(wú)法再通過(guò)這種方法得到準(zhǔn)確的道路邊沿，路面點(diǎn)成了無(wú)效的噪聲點(diǎn)。因此，本文首先將感興趣區(qū)域內(nèi)的地面點(diǎn)濾除，進(jìn)一步縮小了道路邊沿點(diǎn)所在的數(shù)據(jù)集。RANSAC算法是一種魯棒的模型擬合算法，其通過(guò)迭代方式，從一組包含離群點(diǎn)的被觀測(cè)數(shù)據(jù)中估算出數(shù)學(xué)模型的參數(shù)[14-15]。道路面是一個(gè)相對(duì)平坦的平面，通過(guò)RANSAC算法可以較好地實(shí)現(xiàn)路面模型提取，算法流程如圖5所示?？紤]路面可能存在的小石塊及小坑洼等，取距離閾值dT=0.03 m，通過(guò)RANSAC算法篩選出地面距離閾值范圍內(nèi)的全部局內(nèi)點(diǎn)，并將其過(guò)濾掉。

4 實(shí)驗(yàn)驗(yàn)證

根據(jù)本文所提算法，選擇如圖7所示的直道與彎道場(chǎng)景進(jìn)行實(shí)驗(yàn)驗(yàn)證。

在直道實(shí)驗(yàn)中，圖8 a）顯示的原始點(diǎn)云包含了路面點(diǎn)、路沿點(diǎn)、路上行人、周?chē)鷺?shù)木、草坪、座椅等，是一個(gè)有著大量噪聲點(diǎn)的數(shù)據(jù)集合。圖8 b）所示點(diǎn)集是根據(jù)激光雷達(dá)安裝位置通過(guò)高度特征（-H±dT）篩選的路面點(diǎn)，圖8 c）是本文基于RANSAC篩選出的路面點(diǎn)，可以看出，本文所提方法在路面分割完整度、準(zhǔn)確度及路沿保留完整度方面都優(yōu)于直接根據(jù)高度篩選的結(jié)果。圖8 d）為單獨(dú)采用最小二乘法對(duì)算法所選點(diǎn)進(jìn)行擬合的結(jié)果，其左側(cè)由于存在少量沒(méi)有過(guò)濾完全的噪聲點(diǎn)，左側(cè)擬合路沿比實(shí)際路沿偏左，最大寬度達(dá)8.13 m，準(zhǔn)確率為97.17%，耗時(shí)6 ms。圖8 e）顯示了應(yīng)用本文算法對(duì)直道路沿識(shí)別擬合的結(jié)果，可以看到，識(shí)別結(jié)果與實(shí)際左右路沿都具有較高的吻合度，數(shù)據(jù)顯示擬合的道路寬度為7.78 m，而實(shí)際道路寬度為7.90 m，識(shí)別準(zhǔn)確率為98.48%，在Intel（R） Pentium（R） CPU G3200 @3.00 GHz處理器上單次識(shí)別處理耗時(shí)7 ms?？梢?jiàn)，在直道路沿識(shí)別中，本文算法具有更高的準(zhǔn)確性，雖然犧牲了一點(diǎn)實(shí)時(shí)性，但仍能滿(mǎn)足智能車(chē)輛的行駛要求。

針對(duì)圖7 b）顯示的彎道路沿實(shí)驗(yàn)場(chǎng)景，其左側(cè)道路邊沿存在一塊缺角，圖9所示為對(duì)應(yīng)的實(shí)驗(yàn)結(jié)果。同樣地，可以看到在圖9 a）原始點(diǎn)云中包含了路面、路沿、行人、灌木、草坪等。圖9 b）和圖9 c）為不同方法下提取地面的效果圖。顯然，在彎道場(chǎng)景下，本文所用的基于RANSAC的地面分割方法在地面識(shí)別完整度和準(zhǔn)確度方面都高于直接利用高度特征分割的方法。如圖9 d）所示，利用最小二乘法進(jìn)行道路邊沿?cái)M合，由于要盡量滿(mǎn)足所有篩選出來(lái)的路沿點(diǎn)，其中包含了路邊缺角引入的噪聲點(diǎn)，因而所得到的擬合結(jié)果與實(shí)際路沿有著明顯的偏差，擬合所得道路寬度最大可達(dá)9.12 m，準(zhǔn)確率為86.62%，處理耗時(shí)10 ms。而本文采用融合了RANSAC的最小二乘法擬合出的道路邊沿與實(shí)際路沿基本貼合，擬合的道路寬度為8.26 m（實(shí)際道路寬度為7.90 m），識(shí)別準(zhǔn)確率為95.64%，處理耗時(shí)12 ms，如圖9 e）所示。相比之下，本文所提算法雖然在融合RANSAC算法進(jìn)行擬合時(shí)消耗了一定的時(shí)間，但得到的準(zhǔn)確率明顯更高，而所消耗的時(shí)間也滿(mǎn)足智能車(chē)輛環(huán)境感知的實(shí)時(shí)性要求。

綜合上述實(shí)驗(yàn)可知，相比直接根據(jù)高度分割地面的方法，本文所提出的基于RANSAC算法的地面分割方法有著更高的完整度和準(zhǔn)確度，所采用的道路邊沿識(shí)別及擬合算法在直道和彎道場(chǎng)景下均具有較高的準(zhǔn)確性和良好的實(shí)時(shí)性。尤其在部分路沿不連續(xù)的場(chǎng)景下（如本文彎道場(chǎng)景），實(shí)際路邊的缺角不連續(xù)部分的數(shù)據(jù)點(diǎn)在采用算法擬合的時(shí)候被作為局外點(diǎn)去除，最終得到的道路邊沿準(zhǔn)確度明顯優(yōu)于僅通過(guò)最小二乘法擬合的結(jié)果，可見(jiàn)本算法具有優(yōu)良的可靠性。

5 結(jié) 語(yǔ)

本文利用三維激光雷達(dá)傳感器，基于道路邊沿的幾何特征與激光點(diǎn)云的分布特點(diǎn)，提出了一種道路邊沿識(shí)別算法，采用基于RANSAC的地面分割方法濾除感興趣區(qū)域內(nèi)的路面點(diǎn)，有效減少了識(shí)別中的噪聲點(diǎn)。通過(guò)柵格投射，將無(wú)序點(diǎn)變成有序集合單元，通過(guò)分析柵格單元的幾何特征及單元中點(diǎn)的分布特點(diǎn)，篩選出道路邊沿區(qū)域。通過(guò)融合RANSAC的最小二乘法進(jìn)一步降噪優(yōu)化，擬合出道路邊沿曲線。本文算法采用了多次降噪篩選，具有較好的魯棒性。同時(shí)實(shí)驗(yàn)表明，無(wú)論是在直道還是在彎道場(chǎng)景下，本文算法均具有良好的準(zhǔn)確性與實(shí)時(shí)性，符合智能車(chē)輛的行駛需求。

本文主要針對(duì)平坦的結(jié)構(gòu)化道路進(jìn)行了道路邊沿識(shí)別算法的實(shí)現(xiàn)與實(shí)驗(yàn)，未來(lái)還需完善更多類(lèi)型的道路邊沿識(shí)別，如起伏道路、非結(jié)構(gòu)化道路等，以提升算法在多場(chǎng)景中的適應(yīng)性。

參考文獻(xiàn)/References：

[1] LUNDQUIST C， SCHN T B， GUSTAFSSON F. Situational awareness and road prediction for trajectory control applications[J]. Handbook of Intelligent Vehicles， 2012：365-396.

[2] 王科.城市交通中智能車(chē)輛環(huán)境感知方法研究[D].長(zhǎng)沙：湖南大學(xué)，2013.

WANG Ke. Environment Perception Method of Intelligent Vehicle in Urban Traffic[D]. Changsha： Hunan University， 2013.

[3] 王俊.無(wú)人駕駛車(chē)輛環(huán)境感知系統(tǒng)關(guān)鍵技術(shù)研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2016.

WANG Jun. Research on Technology of Unmanned Vehicle Perception System[D].Hefei： University of Science and Technology of China， 2016.

[4] 陳敬義，方博文，張曉東.直線道路識(shí)別實(shí)用性的優(yōu)化分析[J].機(jī)械設(shè)計(jì)與制造，2019（2）：241-244.

CHEN Jingyi， FANG Bowen， ZHANG Xiaodong. The analysis of optimization of utility for linear lane detection[J]. Machinery Design & Manufacture， 2019（2）：241-244.

[5] PANEV S， VICENTE F， FERNANDO D L T， et al. Road curb detection and localization with monocular forward-view vehicle camera[J]. IEEE Transactions on Intelligent Transportation Systems， 2018，99：1-17.

[6] MARIKHU R， DAILEY M N， MAKHANOV S， et al. A family of quadratic snakes for road extraction[C]//Asian Conference on Computer Vision.Heidelberg： Springer， 2007： 85-94.

[7] RODRGUEZ-CUENCA B， GARCA-CORTS S， ORDEZ C， et al. An approach to detect and delineate street curbs from MLS 3D point cloud data[J]. Automation in Construction， 2015， 51：103-112.

[8] KUMAR P， MCELHINNEY C P， LEWIS P， et al. An automated algorithm for extracting road edges from terrestrial mobile LiDAR data[J]. ISPRS Journal of Photogrammetry & Remote Sensing， 2013， 85（11）：44-55.

[9] XU S， WANG R， ZHENG H. Road curb extraction from mobile lidar point clouds[J]. IEEE Transactions on Geoscience & Remote Sensing， 2016， 55（2）：996-1009.

[10] 段建民，李帥印，王昶人，等.基于激光雷達(dá)的道路邊界與障礙物檢測(cè)研究[J].應(yīng)用激光，2018，38（6）：1000-1007.

DUAN Jianmin， LI Shuaiyin， WANG Changren， et al. Detection of road boundaries and obstacles based on Lidar[J].Applied Laser， 2018，38（6）：1000-1007.

[11] KELLNER M， HOFMANN U， BOUZOURAA M E， et al. Laserscanner based road curb feature detection and efficient mapping using local curb descriptions[C]//17th International IEEE Conference on Intelligent Transportation Systems （ITSC）. Qingdao： IEEE， 2014： 2602-2609.

[12] 李廣敬，鮑泓，徐成.一種基于3D激光雷達(dá)的實(shí)時(shí)道路邊緣提取算法[J].計(jì)算機(jī)科學(xué)，2018，45（9）：294-298.

LI Guangjing， BAO Hong， XU Cheng.Real-time road edge extraction algorithm based on 3D-Lidar[J].Computer Science， 2018，45（9）：294-298.

[13] 譚寶成，嚴(yán)征.基于激光雷達(dá)的道路邊界檢測(cè)的研究[J].電子設(shè)計(jì)工程，2015，23（17）：80-82.

TAN Baocheng， YAN Zheng. A study on a road edge detection based on laser radar[J]. Electronic Design Engineering， 2015，23（17）：80-82.

[14] SCHNABEL R， WAHL R， KLEIN R. Efficient RANSAC for point-cloud shape detection[J].Computer Graphics Forum，2007， 26（2）： 214-226.

[15] 周春霖，朱合華，李曉軍.隨機(jī)抽樣一致性平面擬合及其應(yīng)用研究[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（7）：177-179.

ZHOU Chunlin， ZHU Hehua， LI Xiaojun. Research and application of robust plane fitting algorithm with RANSAC[J].Computer Engineering and Applications， 2011，47（7）：177-179.

[16] 鄒樂(lè)強(qiáng).最小二乘法原理及其簡(jiǎn)單應(yīng)用[J].科技信息，2010（23）：282-283.

[17] 王曉原，孔棟，孫亮，等.基于32線激光雷達(dá)的道路邊界識(shí)別算法[J].科技通報(bào)，2018，34（9）：148-153.

WANG Xiaoyuan， KONG Dong， SUN Liang， et al. Road boundary identification algorithm based on 32 line laser radar[J]. Bulletin of Science and Technology， 2018， 34（9）： 148-153.

[18] 李強(qiáng)，杜煜.基于3D激光雷達(dá)道路邊緣實(shí)時(shí)檢測(cè)算法的研究與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用與軟件，2017，34（10）：219-222.

LI Qiang， DU Yu. Research and implementation of real-time road edge detection algorithm based on 3D lidar[J]. Computer Applications and Software， 2017， 34（10）： 219-222.

[19] HATA A Y， OSORIO F S， WOLF D F. Robust curb detection and vehicle localization in urban environments[C]//2014 IEEE Intelligent Vehicles Symposium Proceedings. Dearborn：IEEE， 2014： 1257-1262.

[20] 張永濤，賈延明.最小二乘法中代數(shù)多項(xiàng)式曲線擬合的分析及實(shí)現(xiàn)[J].計(jì)算機(jī)與數(shù)字工程，2017，45（4）：637-639.

ZHANG Yongtao， JIA Yanming. Analysis and program implementation of least squares polynomial curve fitting[J]. Computer & Digital Engineering， 2017， 45（4）： 637-639.