随着汽车无人驾驶技术的兴起与发展，基于精确定位的新服务和行业也不断涌现。现阶段，地图不仅服务于人，也向无人驾驶的机器进行过渡，对地图的精度和形式提出更高的要求。高精度地图是无人汽车驾驶技术的基础，也是至关重要的环节，为汽车行进提供了高精度的可识别定位信息、道路交通标志信息[1]。相较于传统的导航地图，高精度地图具备高精度、高时效性、高丰富度的特点，向汽车提供定位服务。高精度地图中所包含的车道信息、交通标志信息、车道线信息等，可以为汽车安全依规行驶提供保障。现阶段，高精度地图车道线的生产大多采用车载激光雷达配合全景相机获取数据绘制，车载相机视野较小，最多能覆盖同向车道，采用多幅小范围像片组合提取车道信息，极易造成误差积累；车载相机测量开展的倾斜摄影测量，在进行平面转换时角度的变化易产生畸变；在城市繁华道中进行测量时，道路两侧高大建筑物的遮挡会对采用GNSS定位的车辆信号产生影响，缺失定位信息，应布设控制点位，避免返工测量；车载测量设备效率低且费用较高，后期内业工作量大，更新道路信息时，需要在更新区域布置将大量控制测量设备，极其不便。本文提出采用低空无人机摄影测量获取城市道路高精度影像，提取并制作高精道路地图。1无人机摄像道路信息提取技术框架采用无人机进行道路提取可以分为3个主要步骤：城市道路范围识别；车道线特征提取；车道线精度检测。道路范围识别：采用U-Net网络模型对道路特征进行训练，识别道路特征并自动提取。车道线特征提取：根据无人机拍摄像片的色彩特征进行识别，采用Sobel算子提取车道线。车道线精度检测：需要将高精地图道路范围及特征线的定位精度与实际点位坐标进行比较。无人机摄像提取技术框架如图1所示。10.19301/j.cnki.zncs.2023.07.011.F001图1无人机摄像提取技术框架2无人机摄像道路信息提取方法2.1车道线提取城市道路沥青路面上的车道线都有标准的宽度和样式要求，可跨越同向车行道分界线一般线宽为10 cm或15 cm，交通量非常小的农村公路、专属专用道路等特殊应用情况下，线宽可采用8 cm[2]。2.2颜色特征采用低空无人机获取的影像大多采用RGB色彩模式，取值范围为0~255。车道线分为白色和黄色，可以与灰黑色的道路颜色明显区分。将RGB存储的图像信息以HLS格式存储，HLS色彩存储仅有0、1两种格式，更有利于区分车道线与道路。2.3梯度特征相对于其他道路环境，车道线为笔直的路段，道路线边缘更分明，有明显的梯度及灰度特征。多数研究都采用Canny算法提取车道线，但该算法在使用过程中会将其他方向的与边缘梯度无关的梯度特征引入噪声[3]。相较于Canny算法，Sobel算法有着独特的明显的特点，可以在一个方向梯度上计算像素的梯度值，因此本文使用Sobel算法提取道路的边缘梯度特征。β=arctanTyTx （1）式中：β——梯度方向；Ty——沿y方向的梯度值；Tx——沿x方向的梯度值。2.4特征提取采用阈值法提取车道线，加强车道图像的颜色和梯度特征后提取车道线特征，针对不同的图片需要选择不同的阈值，为减少阈值试错，可采用Otsu算法进行阈值设定。US=p¯lS-pS2lSpS （2）lS=∑i=0Sbi （3）pS=∑i=S+1255bi （4）p¯=∑i=0255i×bi （5）式中：bi——图片灰度值为i的像素概率值。受到路面情况复杂性的影响，如果单独采用颜色特征或基于梯度特征进行道路线的提取，可能产生一定误差，造成车道线提取缺失。因此，将颜色和梯度共同特征二者进行组合，共同提取车道线。Tx⋃ZHLS （6）式中：Tx——图像在x方向的梯度二值矩阵；ZHLS——颜色空间的Z分量的阈值二值矩阵。2.5监测方法选用滑动窗口的算法对提取的车道线正确性进行检验，需要设定窗口大小、范围内的非零像素个数，根据图像尺寸计算滑动位移个数等数据。窗口的起始位置大约在车道线上部，如果窗口内的非零像素大于阈值，则保存窗口内非零像素点的坐标位置，继续下一个窗口，循环至完成整个图像[4]。将窗口监测出的非零像素点坐标进行拟合，提取出车道信息。3方法应用低空无人机航摄影像数据选择某地市内正射影像数据共计246幅，将图像统一整理为512像素×512像素的标准尺寸，作为试验图像集。其中160幅作为算法训练数据；56幅图像为验证图像；剩余30幅图像作为测试数据。3.1道路区域识别采用U-Net算法进行图像识别，该算法特点是可以在小数据集上发挥巨大的分割特性。其本质为深度学习，因此需要大量的训练样本，可通过改变样本数据的亮度、色彩度以及饱和度等参数，实现样本量的增加，使用训练好的网络模型对影像进行分割。道路识别效果如图2所示。图2道路识别效果10.19301/j.cnki.zncs.2023.07.011.F2a1（a）道路实景10.19301/j.cnki.zncs.2023.07.011.F2a2（b）提取效果使用混淆矩阵对道路识别效果进行定量分析，主要包括准确度、召回率两个指标。准确度指提取准确的道路像素点数占提取像素总数的比值；召回率指提取准备的道路像素点个数占应划分为道路像素点的比值。P=GTPGTP+GFP （7）R=GTPGTP+GFN （8）式中：P——准确度；R——召回率；GTP——提取准确的道路像素点数；GFP——提取错误的像素点数；GFN——应提取但未提取的道路像素点数。代入数据可得，准确度P=81.5%，召回率R=85.3%。3.2车道线提取将原始包含车道的影像通过颜色空间转换为HLS颜色空间，其中H代表色相、L代表亮度、S代表饱和度。通过HLS可以很好地定义和描述颜色，适用于处理颜色对比明显的图片。HLS颜色空间中的S通道可以对车道线的颜色进行准确提取，通过横向梯度的计算获取车道线的边缘值，结合车道线的颜色梯度特征，消除毛刺和孤立点，对缺陷部分进行补充。二值化后的车道线特征如图3所示。10.19301/j.cnki.zncs.2023.07.011.F003图3二值化车道线特征3.3车道线拟合确定车道线的数量以及在道路图像中的位置，采用滑动窗口算法检测车道线准确性，利用多项式算法进行拟合。车道线拟合效果如图4所示。10.19301/j.cnki.zncs.2023.07.011.F004图4车道线拟合效果本研究中，根据无人机的分辨率将车道线定义为10像素，如果检测的车道像素与实际车道像素重合，则判定为正确。本文的准确度为81.5%，召回率为85.3%，具有一定应用优势。4结语相较于车载测量设备获取车道信息的方法，低空无人机摄影测量具有机动灵活、视野宽广、图像无须投影变化等优势。根据无人机获取的影像特点，采用深度学习和图像视觉特征相结合的方式，利用U-Net算法获取道路区域，采用Otsu算法提取车道线和颜色特征，使用滑动窗口及多项式拟合对车道线精度进行检测。试验数据表明，采用无人机摄像测量获取道路影像，能够满足城市高精地图制度的需求。