基于车载激光点云的道路交叉口检测与识别-《南京信息工程大学学报》(2021年6期).docx

龙源版权所有 基于车载激光点云的道路交叉口检测与识别作者：方莉娜 王康来源：《南京信息工程大学学报》2021年第06期 摘要 道路交叉口是道路交通网的重要组成部分，其位置和类型是高精地图、自动驾驶等应用服务的基础数据.目前研究多关注车载激光点云的道路边界提取，较少关注道路交叉口类型识别.为此，本文提出一种基于动态图神经网络的道路交叉口分类方法.首先分析地面超体素的几何和空间分布差异进行提取道路边界点;然后计算道路边界点曲率，利用滑动窗口中曲率差异检测道路交叉口;最后构建动态图神经网络识别出“T”型和“十”型道路交叉口.实验采用两份不同车载激光点云数据验证本文方法的有效性，实验结果表明，该方法能准确检测绝大多数道路交叉口位置及类型.关键词车载激光扫描系统;点云;道路交叉口;深度学习;图神经网络 中图分类号P208 文献标志码A 0 引言 道路交叉口作为道路交汇的枢纽，承担着连接道路交通网的重要功能，其位置、方向、类型是智能交通、高精地图、导航与定位服务等应用的重要基础数据[1-4]，准确获取道路交叉口的位置及类型信息对交通路网数据更新具有重要意义.车载激光扫描系统（Mobile Laser Scanning，MLS）作为近年来快速发展的高精度测绘技术，能够快速、准确地获取道路场景精细的位置信息，为道路交叉口的提取和分类提供了一种新的数据源. 当前道路交叉口提取和分类的研究集中于从各类传感器数据中自动识别交叉口，主要包括：基于图像数据、基于GPS轨迹数据、基于车载激光点云的道路交叉口识别.基于图像数据的道路交叉口识别主要从图像数据中识别道路交叉口空间位置，将交叉口位置的识别简化为点的识别[5-8].由于图像易受天气、环境、光照等因素影响，易造成交叉口识别困难.基于GPS轨迹数据的道路交叉口识别方法则利用轨迹数据在交叉口处密度较大等特征，实现交叉口的识别[9-10].GPS轨迹交叉口识别方法受限于轨迹点密度，轨迹点稀疏区域难以提取道路交叉口的精确位置.相比于图像数据和GPS轨迹数据，车载激光点云数据包含更精细的道路场景信息和细节要素，能够提供精细的道路交叉口三维数据.近年来，一些学者尝试从点云中提取道路交叉口.Li等[11]提出基于一种虚拟圆柱扫描仪（Virtual Cylindrical Scanner，VCS）的道路交叉口检测方法，构建虚拟点发射n条射线探测发射点与道路交叉口距离提取道路交叉口特征，利用支持向量机（Support Vector Machine，SVM）分类道路交叉口类型.Zhang等[12]提出基于光束模型的道路交叉口识别方法，以车辆顶部与底部传感器为中心，发射多条射线计算发射点与道路边界距离分布直方图，依据峰值点个数确定道路交叉口类型.陈卓等[13]提出一种基于机载激光点云强度影像的道路交叉口提取方法，利用角度纹理信息和密度聚类方法定位机载影像中道路交叉口粗略位置，然后引入环形剖面和Snake方法提取道路交叉口轮廓.Chen等[14]采用Gabor滤波器和改进的高阶张量投票识别机载强度图像中道路交叉口候选区，再基于模板匹配识别道路交叉口类型.目前国内外针对车载激光点云道路交叉口检测与识别的研究取得了一定的进展.目前道路交叉口检测算法主要依据其形状、灰度等特征进行检测，对于形状简单的交叉口具有较好的检测效果，但对复杂场景下的道路交叉口检测难度较大，对于交叉口类型识别需要较多的先验知识和人工干预，自动化程度和检测精度不高. 深度学习凭借深度网络的强大学习能力，能够从原始数据中提取数据的高层特征，从而很好地建立从底层信号到高层信号的映射关系，在图像分类、目标检测等方面深度学习该领域重大进展.近年来，一些学者将深度学习引入道路交叉口的检测与识别中，有效地实现了对道路交叉口的检测与自动分类.Baumann等[15]提出了基于U-Net网络机载点云影像的道路交叉口检测方法，并取得了较好的识别效果.何海威等[16]提出一种基于AlexNet网络的道路交叉口检测方法，将矢量数据与栅格数据结合，在十字型、喇叭型等复杂交叉口的识别中取得了较好的效果.王龙飞等[17]提出一种基于YOLOv3遥感影像道路交叉口检测算法，采用参数修正单元激活卷积层以及多尺度融合实现道路交叉口细节特征提取，在复杂背景下道路交叉口识别中取得了较好的效果. 因车载激光点云中道路交叉口轮廓特征易受周围地物干扰，目前基于图像的深度学习网络不能完全适用于车载激光点云道路交叉口的类型识别.为了提高道路交叉口识别效果，本文基于车载激光扫描点云数据，分析道路交叉口和非交叉口路段的形状和结构特征，构建了逐轨迹点的滑动窗口道路交叉口识别方法，然后利用动态图神经网络进行道路交叉口分类. 1 道路交叉口检测与识别 相对于道路两侧建筑物、树木等地物而言，道