本發明屬于智能車技術中的交通環境感知領域，具體涉及一種應用于智能車自主行駛或輔助行駛的基于三維激光雷達的道路車道線實時檢測方法。

背景技術：

三維激光雷達是智能車獲取外部環境信息的重要傳感器之一，具有精度高，實時性和可靠性強等優點，激光雷達也被廣泛運用于智能車感知環境的研究中。每個激光雷達傳感器采集數據的點云數據可以用Point(x，y，z，i)表示，x，y，z表示探測到的環境物體的實際距離，i表示激光雷達對該點的反射強度，大小為0-255，無量綱.三維激光雷達點云數據一周期每秒大約有130萬個返回數據點，更新頻率可達到5-20HZ。激光雷達的反射強度大小取決于被激光雷達照射物體的材質以及光滑程度，而車道線一般會被刷上一層區別于普通道路的材料，其光滑程度和材質的不同決定了它的反射強度會和普通路面有較大差異。而且激光雷達是一種主動式環境探測傳感器，它受環境干擾小、精度高等優點。

車道線檢測技術是智能車環境感知一項重要的技術工作，一直以來圖像技術通常是研究人員首選的研究方向。車道線檢測的關鍵問題在于如何提取車道線的特征，以及使用何種模型來擬合出車道線。

中國發明專利“一種車道線檢測方法”申請號201410065412.3，公布號為CN103839264 A。利用自適應閾值邊緣提取算法提取道路圖像中的邊緣信息。

中國發明專利“一種基于模糊和卡爾曼濾波器的車道線檢測方法”申請號201410513200.7，公布號為CN104318258 A。改方法引入時域模糊處理與卡爾曼濾波器預測相結合的檢測跟蹤方法達到車道線的實時檢測與跟蹤。

中國發明專利“一種車道線檢測方法”申請號201510117857.6，公布號為CN104657727 A。該方法采用車道線寬度標定，對車道線建模，得出檢測區域，檢測邊緣點對得到車道線邊緣點對圖，對最大的邊緣點對圖進行最小二乘法，得到車道線擬合。

上述發明中都是采用圖像形式對方法進行實施，而圖像的獲取質量受光照、天氣等外界因素影響很大。上述方法中獲取圖像，一般考慮環境是在良好情況下，或者采用一定的算法降低環境因素帶來的影響，這樣就給圖像方式檢測車道線帶來了很大影響。

技術實現要素：

針對上述問題，本發明的目的是提供一種基于三維激光雷達的道路車道線檢測方法，能夠不受天氣、光照等外界環境因素影響，快速準確的檢測出車道線，以用于智能車輛的自主行駛或輔助行駛。

為實現上述目的，本發明采取以下技術方案：一種基于三維激光雷達的道路車道線檢測方法，它包括以下步驟：1)建立檢測車輛的雷達坐標系oxyz；2)對雷達點云數據預處理，建立雷達坐標系oxyz下的感興趣區域，對激光雷達采集到的感興趣區域數據進行柵格化處理，并選取柵格大小，柵格的尺寸為0.1m×0.1m；3)柵格的內部數據分為最高點數據和最低點數據，需要濾除的柵格為非地面柵格、非車道柵格，根據柵格的內部最高點和最低點數據濾除非地面柵格，并利用最高點數據濾除非車道柵格，經過上述柵格濾除得到待處理的柵格數據，即為柵格內激光雷達反射強度數據；4)求取柵格內激光雷達反射強度數據的平均值，并設定激光雷達采集數據反射強度的閾值，濾除和車道線反射強度差異大于閾值的柵格；5)濾除接近車道線強度信息的孤立或異常柵格；6)將上述濾除得到的柵格數據進行最小二乘法的曲線擬合，得到道路車道線。

所述步驟1)中，所述建立檢測車輛的雷達坐標系，是指當檢測車輛處于水平路面且靜止狀態下，檢測車輛上安裝激光雷達，以安裝雷達中心為坐標原點o，x、y、z軸穿過原點o，x軸與地面平行且方向指向檢測車輛的車頭，y軸垂直于x軸，與地面平行且方向指向檢測車輛前進方向的左手方向，z軸垂直于x、y軸，方向垂直于地面向上。

所述步驟2)中，所述點云數據預處理包括以下過程：①在雷達坐標系下建立感興趣區域，并設定x、y、z的區域范圍；

該區域范圍為：-40m<x<40m,-10m<y<10m,-10m<z<0m；

②將感興趣區域的點云數據在水平面內劃分成0.1m×0.1m的小方格，將這些小方格一一映射到柵格圖中，保持點云數據與柵格內的數據的一一對應，建立的小方格剛好能夠容下所有的點云數據。

所述步驟3)中，濾除非車道柵格，包括以下過程：①求取每個柵格數據的z軸方向的最高點云數據和最低點云數據，做差，如果這個差大于預先設定的閾值就濾除該柵格點并標記為0；②對于非道路且屬于平面情況，提取每個柵格的z軸方向數據，預先設定一個閾值，濾除非道路柵格數據并標記為0。

所述步驟4)中，濾除與車道線反射強度較大差異柵格點，對步驟3)提取的所有柵格數據，每個柵格內的點云數據求取平均反射強度值，預先設定反射強度閾值，濾除與車道線反射強度差異較大的柵格并標記為0；

所述步驟5)中，濾除接近車道線強度信息的孤立或異常柵格，選用濾波方法，將得到的柵格雷達點云數據中的孤立或異常點噪聲濾除。

所述步驟6)中，獲取車道線，包括以下過程：①選定需要檢測的道路車道線范圍，在此范圍內提取步驟5)中獲取的柵格圖；②對選取的柵格區域進行最小二乘法的曲線擬合，獲取光滑的道路車道線圖。

本發明的優點是：

(1)相比目前大多數圖像處理技術，大大減小了由外界天氣、光照等環境帶來的車道線檢測困難；

(2)可晝夜工作，實時為智能車提供車道線檢測；

(3)高精度三維激光雷達提供點云數據，可靠性高。

附圖說明

圖1是本發明的整體流程示意圖；

圖2是本發明的雷達坐標系示意圖；

圖3是本發明的濾除普通地面后，車道線柵格示意圖；

圖4是本發明的濾除孤立點后，車道線柵格示意圖；

圖5是本發明的提取車道線示意圖。

具體實施方式

下面結合附圖對本發明做詳細說明。

一種基于三維激光雷達的道路車道線檢測方法，具體步驟為：

1)建立檢測車輛的雷達坐標系oxyz。

如圖2所示，雷達坐標系oxyz，是指檢測車輛靜止的放在地面上，激光雷達安裝于檢測車輛頂部，以激光雷達中心為原點o，x軸穿過o且水平于地面，方向指向檢測車輛的前進方向，z軸穿過o且垂直于地面，方向指向車輛上方，y軸按右手法則，如圖2的方向朝紙張里面。

2)對雷達點云數據預處理。

由于激光雷達能夠獲取環境百米以上的點云數據，而且三維激光雷達的點云數據每秒約130萬個點云數據，而對智能車來說不需要處理過多的點云數據，也為了智能車能夠更快速獲取所需的點云數據，需要對雷達點云數據進行預處理。

①在雷達坐標系下選取感興趣區域(ROI)，本次發明選取的感興趣區域為：-40m<x<40m,-10m<y<10m,-10m<z<0m，這樣既不丟失有用數據，也提高了計算機的運算效率；

②對所獲取的感興趣區域(ROI)進行水平面方向上柵格化處理，本次發明選取的柵格大小為0.1m×0.1m正方形，每個正方形里面的點云數據與感興趣區域的點云數據一一對應，總共獲得的柵格800×200個。其中車體坐標系為(400，100)。

3)根據柵格內部最高點和最低點數據濾除非地面柵格，并利用最高點數據濾除非道路柵格。

在真實環境中不僅僅有道路返回來的點云數據，還有高于地面的障礙物和非道路內的平面點云數據，本次發明采用濾除這些干擾信息的方法如下。

①對每個柵格內的點云數據求取z軸方向上的最大值和最小值之差，如果這個值大于設定的閾值，就標記障礙物，即噪聲，標記為0，否則保留標記為1，白點表示被標記為1，黑點表示被標記為0；

②對每個柵格內的點云數據提取最高點，如果最高點大于設定的閾值，標記為0，否則保留標記為1。

4)求取柵格內激光雷達反射強度數據的平均值，設定激光雷達采集數據反射強度的閾值，濾除和車道線反射強度差異較大的柵格。

利用激光雷達對不同材質返回的反射強度不同來設定一個閾值，這個閾值用于區分車道線和普通路面雷達點云數據。具體方法為：對每個柵格內的所有點云數據求取反射強度平均值，這個平均值和預先設定的閾值來比較，比較所有柵格數據后濾除掉普通地面信息，如圖3所示，中間最亮的點表示檢測車輛位置。

5)濾除接近車道線強度信息的孤立或異常柵格。

采用濾波算法將雷達柵格云圖中的孤立噪聲點濾除，具體步驟為：①去雷達數據中的一個柵格如A[x][y]，取數據A[x±i][y±j],其中i,j＝0,1,2。②計算柵格A[x±i][y±j]數據的個數m,如果m<n,(n取值為3)，則將A[x][y]濾除，即標記為0。③A[x][y]的取值遍歷整個柵格圖，實現對整個激光雷達柵格數據的濾波。如圖4所示。

6)將上述得到的柵格進行最小二乘法的曲線擬合，得到道路車道線。

此方法還能夠進行多車道提取，具體步驟如下：

①由選定的感興趣區域按列進行篩選，本方法中列數為200，從左至右分別提取感興趣區域的車道線輪廓。

②選取其中的一組輪廓提取其中最小二乘法的曲線擬合的備選點，由于備選點比較多，這里可以采用相鄰多個點只選其中一點作為備選點，本發明中采用3點選1點方法實現，對這些備選點進行最小二乘法的曲線擬合，即可獲取其中一條車道線，依次對所選輪廓進行最小二乘法的曲線擬合，可提取出全部車道線，如圖5所示。