四、高精地图制作
高精度地图采用多传感器融合采集地图数据，即GPS/INS数据融合定位提供分米级定位精度，从而达到高精度地图方案从数据采集生产的源头规划，通过激光点云技术立体感知现实世界的综合信息，经过后期的分析处理及三维重建，最终还原出接近真实道路环境的地图数据，并通过不断地更新维持数据的可靠性，从而为用户提供道路的综合数据，为智能交通的发展提供良好的基础和拓展体验空间。
高精度地图采集的流程一般为:首先，利用GPS/INS数据融合进行定位，获取地图采集车的高精度位置坐标以及高精度的航向信息，同时获取地图采集车行驶的轨迹点以及车载相机的位置坐标；其次，利用激光扫描/车载相机拍摄道路图像数据，通过视觉定位方法，获取道路要素数据，同时利用深度学习等相关算法对扫描数据进行分类，获取道路、车道线、道路标志等语义信息；最后，根据相机的高精度位置坐标和道路要素相对相机的空间位置关系，获取道路要素的绝对位置坐标，从而创建车道级高精度地图。其流程如图12-12所示。
其中，涉及的关键技术有两项。
1.激光点云技术
激光三维扫描为全景式非接触式测量，可直接获取到物体表面的点云采样数据，如果采样密度足够，理论上可以实现任意曲面的高精度重构。激光点云扫描技术可与卫星定位系统(GNNS)、惯性导航系统(INS)、CCD相机等组合使用，在采集高精度基础道路信息的同时，获取到车道级道路、立交桥等复杂的道路形态，提高测量效率，缩短地图更新周期。
激光扫描获取的道路点云数据密度大，边缘及曲度变化等特征明显，为道路信息的准确提取提供了良好的基础特征支持，主要方法可归纳为三种。
(1)利用高程和密度特征提取道路信息。根据扫描数据的高程信息和离散程度生成特征图像，可以较好地滤除树木、建筑物等非地面目标。
图12-12 高精度地图采集流程
(2)利用反射强度提取道路信息。利用地面反射强度的不同，将车道标识线从路面中先分离出来，通过扫描角区分左右车道，再根据国家道路标识线的相关规定，区分出单黄线、双黄线、分隔虚线及短标识线等信息，通过最小二乘算法进行拟合校正。
(3)利用边缘及曲度特征提取道路信息。将点云数据分割成一系列的二维条带并进行滤波，根据平坦路面和突起道路边缘的已知特征进行边缘分割，区分出路面和非路面区域，逐步向前推进将分割线连通，即可获取道路的边线位置。
激光点云扫描数据中的道路信息比较复杂，为了避免提取结果的错误或遗漏，需要综合多种道路特征进行处理，实现目标对象从整体到局部的分离与提取，为三维模型的建立准备好精确的数据基础。
2.三维可视化
三维地理信息系统不是对二维系统的简单扩展，而是以空间模型为基础，通过分析决策形成立体数据库直至三维展示的综合研究过程。(https://www.daowen.com)
激光点云数据的三维可视化过程主要包括数据预处理、模型重建和图像处理等。
1)数据预处理
测量获取的点云数据存在一定的噪声，需要进行数据滤波和平滑操作，以去掉噪声点和粗差数据。由于激光扫描对空间信息的采集具有盲目性，数据在三维空间的分布也呈现随机的离散性。有些数据位于真实的地形表面，有些位于人工建筑物或自然植被上，如果直接利用这些数据进行建模，处理难度大且难以保证准确度。因此，需要在滤波去噪的基础上进行数据分类，将其划分成具有单一几何特征的拓扑区域。
点云数据经过滤波处理后，基本可分成两大类:地面点集和非地面点集。如果需要对非地面点集进行更详细的分类，如建筑物区域集合或植被区域集合等，需要基于目标特征进行具体分析，以便在原始点云数据中进行判断与分离。最后对目标数据进行相应的融合及缩减操作，提高模型数据的聚合度，降低模型建立的数据复杂度，为三维场景还原提供较优的目标对象信息。
2)模型重建
模型重建主要包括模型建立、模型平滑、残缺数据处理及模型简化等步骤。点云数据预处理后分为地面点集和非地面点集，对应的模型重建也是分开进行的。地面点集呈现不规则的离散分布，需要进行网格化处理，即将离散点连续化，才能以模型的形式来表达。目前主要采用三角网格的方式进行数据组织，将地形表面看作由连续的数据点三角形构成，采用Delaunay三角剖分法，通过插值实现对地形表面的逼近拟合。
非地面点集比较复杂，包括建筑物、植被、道路两旁设施等。从距离图像中直接进行目标分类和特征提取比较困难，目前主要采用构建DSM/DEM附加CCD影像融合的方案。针对车载激光点云数据的特点，建模方法如下。
(1)数据的进一步分类。例如，对建筑物进行建模时，可以将其他目标对象点(如植被、路灯等)暂时排除。
(2)充分利用目标对象的特征。大部分人工建筑都具有良好的几何特性，从激光扫描数据中分离出目标对象后，先对待建模数据进行网格单元划分，提取每个网格中最大Z值和最小Z值点作为该网格数据的特征点，最后进行线段拟合以获取连续的特征曲线，也可将数据导入专业建模软件并参考其三维建模结果。
(3)某些目标对象(如树木、公交站等)由于本身具有不规则性，特征提取和数据重构非常困难，且在道路环境中获取其具体形状的意义不大，一般只需得到大概位置即可。
3)图像处理
图像处理主要涉及车道线识别和交通标志识别。
(1)车道线识别。车道线将路面划分为不同的功能区域，规定了车辆的行驶方向、范围和变道规则等。车道线具有规范的几何特征、颜色等属性，为自动识别提供了良好的基础，识别方案应满足如下要求:具有良好的旋转和尺度不变性；可检测图像范围内的多种车道线，包括白色实线、虚线，黄色单实线、双实线、虚线等；已知前后图像之间的相对位置，可以实现重合车道信息的融合及拼接。
(2)交通标志识别。道路交通标志包括路面标志和路旁标志，具有颜色醒目、形状规则、图像简洁等特点。目前交通标志检测与识别的方法主要分为:基于颜色的方法、基于形状的方法及两者相结合的方法。基于大量实际采集的交通标志图像，研发高精度的图像自动识别软件，能够实现多种常见交通标志的检测与识别。
