本发明涉及智能交通领域，特别是一种车载激光点云道路标线自动提取方法及设备。
背景技术：
1、道路标线作为最基本的道路要素之一，是不可忽略的研究目标。而道路标线的准确提取在高级辅助驾驶系统和高精度地图的开发中具有重要意义。车载激光点云具有三维空间和反射强度信息丰富，对光照条件不敏感等优势，已成为道路标线自动提取不可或缺的数据来源之一。
2、目前，利用车载激光点云进行道路标线信息的提取主要通过基于强度阈值的标线提取方法来实现，该类方法在某些情况下能够取得较佳的提取结果，但仍存在如下问题：
3、①当点云反射强度与密度分布不均匀，从而导致分割阈值难以确定。多阈值分割是解决反射强度与密度分布不均匀的道路标线提取的一种措施，但分块的尺度难以确定。若分块过小，该子区域内不一定含有道路标线，导致提取出多余的噪声；若分块过大，该子区域内标线反射强度间仍存在一定差异，难以达到较好的提取效果。
4、②当道路标线和路面对比度较低时，容易出现漏提或错提现象。
5、③基于阈值的算法都只利用了反射强度信息，而未充分利用道路标线自身的几何形状特点，因此缺乏鲁棒性和泛化性。
6、因此，如今需要一种提取效果更好，鲁棒性和泛化性更强的车载激光点云道路标线自动提取方法及设备。
技术实现思路
1、本发明的目的在于克服现有技术中所存在的难以确定分割阈值，容易出现错误以及缺乏鲁棒性和泛化性的问题，提供一种车载激光点云道路标线自动提取方法及设备。
2、为了实现上述发明目的，本发明提供了以下技术方案：
3、一种车载激光点云道路标线自动提取方法，包括以下步骤：
4、s1：获取待提取点云数据；
5、s2：将所述待提取点云数据导入预构筑的点云道路标线自动提取模型；
6、s3：输出道路标线提取结果；
7、所述点云道路标线自动提取模型基于u-net模型构建，包括编码器、解码器以及融合损失函数；
8、所述融合损失函数=权重因子*dice loss损失函数+（1-权重因子）*crossentropy loss损失函数。
9、作为本发明的优选方案，所述融合损失函数的表达式为：
10、
11、其中，l为融合损失函数，α为权重因子，ldice为dice loss损失函数，lce为crossentropy loss损失函数；yi为像素点i的真实类别；pi为模型对像素点i的预测结果；n为像素点的数量；ɛ为平滑常数。
12、作为本发明的优选方案，所述权重因子通过adam优化算法对所述点云道路标线自动提取模型进行模型训练，待模型收敛后获取。
13、作为本发明的优选方案，所述点云道路标线自动提取模型的模型训练包括以下步骤：
14、建立训练样本集；所述训练样本集包括若干人工标注后的车载lidar点云数据；
15、将所述训练样本集导入所述点云道路标线自动提取模型；
16、通过adam优化算法进行模型训练；
17、待模型收敛后，输出所述点云道路标线自动提取模型以及当前的权重因子。
18、作为本发明的优选方案，所述解码器包括4个解码层，每个所述解码层包括sa-net模块、转置卷积层、relu激活函数、卷积层以及relu激活函数；
19、所述sa-net模块用于对上一层的输出特征图进行特征重构，增强特征的提取与表达。
20、作为本发明的优选方案，还包括对所述点云道路标线自动提取模型的评价步骤，包括以下定量精度评价指标：精确率precision、召回率recall、f1分数f1_score以及交并比iou，其计算式如下：
21、
22、其中，tp为正确提取的道路标线像素个数，fp为错误提取的路面背景像素个数，fn为错误提取的道路标线像素个数。
23、作为本发明的优选方案，所述待提取点云数据通过车载激光点云经过预处理后得到，所述预处理包括以下步骤：
24、a.点云分段；将车载激光点云进行分段处理，其中，分段距离为预设值；
25、b.滤波处理；对分段处理后的车载激光点云进行滤波处理；
26、c.点云强度特征图像生成；将滤波处理后的车载激光点云投影到二维xoy平面上，生成强度特征图像；
27、d.道路标线信息标注；对强度特征图像中的每个像元赋予路面背景或道路标线的类别信息；
28、e.数据分块与划分；构建dl道路标线提取数据集，将数据集的格式和尺寸进行统一，并按照预设比例将构建的dl道路标线提取数据集划分为训练集、验证集以及测试集；
29、f.数据增强与归一化；
30、g.输出待提取点云数据。
31、作为本发明的优选方案，所述滤波处理采用基于不规则三角网的渐进加密滤波，包括以下步骤：
32、b1.粗差低点分离；依次将各个点的高程值与预设固定范围内的每一个点的高程作比较，分离出高程低于周围点预设值的点；
33、b2.点云网格化；将车载激光点云划分为固定尺寸的规则网格单元；
34、b3.初始tin构建；选取每个网格单元中的最低点作为初始点，并基于这些初始点构建一个稀疏不规则三角网；
35、b4.对初始tin进行迭代加密。
36、作为本发明的优选方案，所述点云强度特征图像生成包括以下步骤：
37、c1.网格划分；
38、通过统计提取的路面点云坐标在x、y方向的最大值和最小值（xmax、xmin、ymax、ymin），根据下式将点云投影到w×h的网格中；
39、w=(xmax－xmin)/r，
40、h=(ymax－ymin)/r，
41、其中，r为设置图像分辨率；
42、c2.单个网格强度值f的计算；所述强度值f的计算式为：
43、，
44、其中，fij为某一网格（i，j）的强度值，wij,k为网格（i，j）内k点的总权重值，iij,k为网格（i，j）内k点的强度值，nij为网格(i，j)内激光点个数；
45、其中，wij,k的计算公式如下：
46、
47、，
48、其中、分别为网格（i，j）内k点的平面距离权重值和强度权重值，为该激光点与网格中心点的平面距离，为该激光点的强度值，imin、imax为整个图像所有激光点的最小强度值与最大强度值，iij(min)、iij(max)分别为网格内激光点的最小强度值与最大强度值；wij,k为网格（i，j）内k点的总权重值，α、β分别为平面距离与强度值的权重系数，且α+β=1；为该激光点与网格中心点x方向的距离，为网格中心的x坐标，为该激光点距离网格中心点y方向的距离，为网格中心的y坐标；
49、c3.生成点云强度特征图像；
50、将计算所得的每个网格强度值f归算到0-255的灰度空间，得到每个网格对应的灰度值g，从而得到整个道路点云的强度特征图像；所述灰度值g的计算式为：
51、，
52、其中，fmax为网格强度最大值。
53、一种车载激光点云道路标线自动提取设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。
54、与现有技术相比，本发明的有益效果：
55、本发明构建了基于损失融合和特征重标定的车载激光点云道路标线自动提取方法。相较于自适应阈值等其它基于阈值的车载激光点云道路标线提取算法，本发明可以有效解决在反射强度与点密度分布不均，道路标线与路面对比度低时导致的提取效果较差的问题，对道路标线提取精度更高，且模型具有鲁棒性和泛化性，可望更好地服务于自动驾驶的高精度地图开发应用。
1.一种车载激光点云道路标线自动提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种车载激光点云道路标线自动提取方法，其特征在于，所述融合损失函数的表达式为：
3.根据权利要求2所述的一种车载激光点云道路标线自动提取方法，其特征在于，所述权重因子通过adam优化算法对所述点云道路标线自动提取模型进行模型训练，待模型收敛后获取。
4.根据权利要求3所述的一种车载激光点云道路标线自动提取方法，其特征在于，所述点云道路标线自动提取模型的模型训练包括以下步骤：
5.根据权利要求1所述的一种车载激光点云道路标线自动提取方法，其特征在于，所述解码器包括4个解码层，每个所述解码层包括sa-net模块、转置卷积层、relu激活函数、卷积层以及relu激活函数；
6.根据权利要求1所述的一种车载激光点云道路标线自动提取方法，其特征在于，还包括对所述点云道路标线自动提取模型的评价步骤，包括以下定量精度评价指标：精确率precision、召回率recall、f1分数f1_score以及交并比iou，其计算式如下：
7.根据权利要求1所述的一种车载激光点云道路标线自动提取方法，其特征在于，所述待提取点云数据通过车载激光点云经过预处理后得到，所述预处理包括以下步骤：
8.根据权利要求7所述的一种车载激光点云道路标线自动提取方法，其特征在于，所述滤波处理采用基于不规则三角网的渐进加密滤波，包括以下步骤：
9.根据权利要求7所述的一种车载激光点云道路标线自动提取方法，其特征在于，所述点云强度特征图像生成包括以下步骤：
10.一种车载激光点云道路标线自动提取设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至9中任一项所述的方法。
