通过深度学习自动检测道路特征

在日本，大量的点云数据——空间中的一组数据点——已经被使用移动测绘系统和地面激光扫描仪测量和积累用于公共工程。然而，这种海量数据在未处理和非结构化状态下的用途有限。幸运的是，它可以通过使用显示建筑对象的完整几何形状的“完成图计划”自动提取特征来构建。

今年早些时候，以日本法政大学教授今井龙一为首的日本研究人员提出了另一种利用高精度3D(HD)地图数据提取道路特征的方法。然而，他们的方法的适用性仅限于路线图的已开发部分。虽然这个问题可以通过基于深度学习的识别来解决，但它们需要大量手动准备的高质量训练数据。

最近，Imai教授和他的合作者，大阪经济大学的KenjiNakamura，Setsunan大学的YoshinoriTsukada，DynamicMapPlatform的NorikoAso和法政大学的JinYamamoto开发了一种算法来自动化训练数据生成过程，并构建了一个基于从高清地图自动提取的点云数据的道路特征识别模型。

“目前，人们需要目视检查点云数据来识别道路特征，因为计算机无法识别它们。但使用我们提出的方法，特征提取可以自动完成，包括未开发的道路地图部分的特征，”Imai教授解释说.他们的工作在2022年11月29日举行的第12届软计算与智能系统国际联合会议和第23届先进智能系统国际研讨会上发表。

在他们的研究中，研究人员首先使用CloudCompare软件将地表从点云数据中分离出来。接下来，他们从高精地图生成区域数据并提取特征的组成点。虽然这些点被指定为路标或交通灯，但为其余数据提供了其他标签。

然后，对构成点对应的区域数据进行扩展，生成训练数据。利用这一点，研究人员进一步生成了点云投影图像。最后，他们使用训练数据使用YOLOv3对象检测算法构建识别模型。该模型可以根据聚类点检测道路特征，而不是使用CloudCompare为地面识别的聚类点。

建立了计算框架后，研究人员在静冈县一条有65个路标、46个红绿灯和噪声特征的道路上进行了1.5公里距离的示范实验。他们使用258个路标和168个红绿灯来训练他们的识别模型，并分别使用36和24张图像来计算算法确定准确度。

研究人员发现，路标的准确率、召回率和F测量值分别为0.84、0.75和0.79，交通灯的准确率、召回率和F值分别为1.00、0.75和0.86，表明误判为零。所提出模型的精度显示高于现有模型。

Imai教授最后强调了这项工作的未来意义。“由点云数据构建的产品模型将能够实现城市空间的数字孪生环境，并定期更新道路地图。这对于管理和减少道路检查期间的交通限制和道路封闭是必不可少的。该技术有望减少人们在日常生活中使用道路、城市和其他基础设施的时间成本。”