0 引言

道路边界准确可靠的检测可用于确定智能车可行驶区域，并为智能车路径规划系统提供关键信息。因此，道路边界检测成为近年来的研究热点之一。

基于CIM/G的电网调度控制系统Web图形展示技术//王民昆,韩晓,伍凌云,孙云枫,汪燕,翟明玉//(6):81

目前，结构化道路边界的检测主要有两种方法：基于道路几何特征与基于图像分割的方法。基于图像分割方法易受光照环境变化的影响，而基于几何特征方法抗干扰性强，检测精度高，是目前主要的研究方向。用于道路边界检测的传感器主要有视觉被动传感器和雷达主动传感器。视觉被动传感器包括单目视觉[1-4]、立体视觉[5]，雷达主动传感器包括二维、三维激光雷达[6-9]。文献[10]基于激光雷达距离图像的道路边缘，通过聚类分析提取道路边缘点，并利用最小二乘法对其拟合。由于基于固定阈值的聚类方法抗干扰性较差，导致算法准确性较差。三维激光雷达具有分辨率较高、几乎不受外界因素影响以及可获取道路环境深度信息等优点。文献[11]提出基于激光雷达的结构化和非结构化道路边界检测和跟踪算法，将提取的道路特征作为相对于激光雷达传感器极坐标中的线段，然后使用最近邻过滤器追踪所提取的道路特征。文献[12]通过对路面点进行平面拟合获得道边高度，进而对候选道路点直线拟合，并融合扫描线信息识别道路边界，该算法虽较简单，但抗干扰性较差。上述算法主要基于道路边界特征或结合车辆运动状态对道路边界点进行提取，但由于道路边界特征多样性(草丛路边、石头路边)、路内障碍物遮挡以及车辆运动状态复杂性，很难建立固定模型对道路边界进行准确、可靠的识别。

按照齐全、配套、实用原则和“三分四定”标准，完善“四室三库”配套基础设施建设，重点建好战备器材库和资料柜。指挥器材库、战备库室的建设，应根据指挥所人员的编成和应急队伍的规模和主要任务，合理配备。专业器材库的建设，应根据每年初战备方案修订情况，因地制宜，合理调整装备器材，确保库室建设满足遂行任务需要。

为弥补以上算法存在的不足，本文基于32线激光雷达扫描的道路环境三维点云数据，提出了一种新的结构化道路边界提取算法。基于结构化道路边界三维点云数据中的z坐标值，相较于路面三维点云数据中z坐标值具有明显高程跳变的特征，利用非参数统计模型可准确提取候选道路边界点，结合最大期望(expectation maximization,EM)聚类算法排除道路区域内障碍物的干扰。最后，利用最小二乘法拟合直道、弯道道路边界候选点，增强算法的自适应性。

1 道路边界提取算法

准确区分车载激光雷达扫描的道路边界点云数据与道路路面点云数据是本文算法的核心。基于结构化道路的几何特征，即车载32线激光雷达扫描的道路路面三维点云数据中的z坐标值，相较于道路边界三维点云数据中的z坐标值存在一定的高程差，首先限定三维点云数据坐标中z坐标取值范围：z≤λ，λ为结构化道路边界的高度阈值。然后，利用非参数变点统计算法，对某一激光层(32层)扫描线扫描的道路环境三维点云数据中跳变的z坐标值标记，并提取其对应的x、y轴数据点(x，y)，即结构化道路边界点云数据粗提取。基于结构化道路边界几何特征以及车载激光雷达三维点云数据的扫描和分布特征，利用基于道路边界方向的EM聚类方法对粗提取的道路边界点进行滤波。最后，利用最小二乘法对滤波后的道路边界点云数据拟合。道路边界检测流程如图1所示。

  

图1 道路边界检测流程

1.1 非参数变点统计检测算法

Zk:nk-1+1/2(nk-nk-1)≤n≤N

本次调查主要考查学习者对于ESP课程的需求状况，间或考查不同层次学生的需求差异。调查结果表明，以下几点得到绝大多数学生的认同：1)ESP课程比EGP更具吸引力，因为ESP对于理工类大学生很有用处；2)选择ESP课程的学生必须具备一定的英语基础；3)ESP不仅要训练学生的英语交际能力，还要注重专业术语和专业知识内容的教学；4)ESP教师应具有英语教学能力和相关专业知识；5)和EGP课程一样， ESP课程教学面临的问题仍然主要为课时问题和语言环境问题。

设z1,z2,…,zn为车载激光雷达某一激光层扫描的结构化道路边界z坐标值的输出序列，假设在某一些空间位置道路边界的z坐标值序列期望发生突变，其中，k*+1是未知z坐标值数据样本段的数目，而k*为变点的个数。因此，本文结合序列的非参数统计方法，研究车载激光雷达扫描的结构化道路环境三维点云数据中z坐标值序列Z=(z1,z2,…,zn)中的多变点问题。

采用如下统计量：

 

(1)

其中：为一组观察值序列(本文中为某一帧数据中的某一激光层扫描的结构化道路环境三维点云数据的z坐标值序列)。概括地讲，即在δ的约束下，计算前n个样本段和后N-1个样本段的算术平均的差异。将某一激光层扫描的道路环境z坐标值计算完成后，基于为大数据样本容量下的临界值，此刻检测n为一变点，否则接受齐次假设(即无变点存在)。此外，统计量YN(n,δ)有以下特殊有利性质，即通过改变δ的值来控制错误警报概率(观察值样本在某些空间位置无变点而检测出有变点的概率)和错误平静概率(观察值样本在某些空间位置有变点而检测出无变点的概率)，可以提高检测结构化道路边界候选点的精度。当式(1)中的δ=0时，统计量YN(n,δ)有最小的错误警报概率；相反，当δ=1时，统计量YN(n,δ)有最小的错误平静概率[14]。易见，错误警报概率越小，代表较多属于道路边界的变点被忽略，特别在道路边界与道路路面区域高程差较小的情形；错误平静概率越小，代表可能会把一些本来不属于道路边界变点的点误当作变点检测出来，特别当道路路面区域有高低起伏波动时，一些原本属于路面的点被误检测为道路边界点。本文采用非参数变点统计的算法，初始目的是要得到尽可能多的结构化道路边界点，所以设定δ=1，但使得错误警报概率增加，减弱了算法的抗噪性。由于道路区域存在干扰，导致初步提取的道路边界点存在噪声。因此，利用基于道路边界方向的EM聚类算法，对粗提取的道路边界点云数据进行聚类去噪。

EM聚类算法的具体步骤如下：

步骤1 设定δ=1，for 1≤n≤N-1

证明存在变点n1，则进行步骤2；反之，结束。

为验证本文算法的准确性，定义识别准确率为准确识别的道路边界帧数与总的道路环境帧数比值。选取直道、弯道测试帧数分别为1 030帧、650帧，分别统计结构化直道通路、弯道通路边界的识别准确率，对比本文提出的算法与文献[17]算法，结果如表1所示。

步骤3 过滤可疑变点

子样本序列如下(s=2,3,…,k-1)

本次62例研究对象均为我院2016年12月-2017年11月接收的食管异物患者,根据不同诊治方法将其平均分为两组,对照组31例患者中,男患与女患的比例是15:16,最大年龄值时79岁,最小年龄值是2岁,均龄值数是(45.26±1.52)岁;研究组31例患者中,男患与女患的比值是14:17,最大年龄值是78岁,最小年龄值是3岁,均龄值数是(44.89±2.03)岁,对比两组患者基础资料可知,未见显著差异,统计学无意义(P<0.05)。

Z1:1≤n≤n1+1/2(n2-n1)

…

Zs:ns-1+1/2(ns-ns-1)≤n≤ns+1/2(ns+1-ns)

…

在变点问题中，在某个不知道的位置(时刻)，样本的分布或其数字特征突然发生变化，这个位置(时刻)就是变点。也有可能，样本的分布依赖于某种空间参数，而变点则是空间中的位置或界面[13]。

2．2．1 所获病例的Apgar评分构成比 所获265份病例中，重度窒息组中，生后1min Apgar评分为1分、2分和3分的分别有2例（0．8%）、3例（1．1%）和27例（10．2%）；轻度窒息组中，生后1min Apgar评分为4分、5分、6分和7分的分别为11例（4．2%）、19例（7．2%）、56例（21．1%）和120例（45．3%）；而对照组中，生后1min Apgar评分为8分和9分的分别有25例（64．1%）和2例（5．1%）。

每个子样本中都包含有一个变点ni，进而降低错误警报概率重复步骤2的过程，若仍无变点被检测出，则剔除该子样本。

临界值h的设定对变点的检测尤为重要。首先，假设齐次假设是正确的，即该样本序列无变点。进而基于随机序列函数极限理论[15]证明当N→∞时，统计量收敛于标准布朗运动过程σW0(t),t∈[0,1]，其中W0为标准布朗桥，σ为一极限。

(Ⅰ)车载32线激光雷达点云帧数据是以周期分层扫描方式进行扫描的，且分层(32层)存储。

8月中旬，山东省出台了《蔬菜标准体系建设指南》地方标准，这是中国首个关于蔬菜标准体系建设的标准，通过构建生产、产品、加工、流通、质量追溯、管理服务等6个标准子体系，覆盖蔬菜产前、产中、产后全产业链条。根据地方标准的要求，山东将制定农业投入品质量标准，严格规范农药、化肥和抗生素、激素使用，从源头上严把蔬菜质量安全关。同时，制定高标准农田、土壤修复改良、农田灌溉排水、节水节肥等地方标准。针对小麦、玉米、葱、姜、蒜、水产品、畜产品等优势领域以及农业“新六产”领域，建设国家标准创新基地，加快制定地方标准和国内领先的团体标准，努力上升为国家标准和国际标准，建设一批国际标准生产示范区。

zN(k)=f(k/N)+ξ(k), k=1,2,…,N, Eξ(k)=0。

(2)

考虑序列ξ={ξ(n)}，假设其满足独立性假设，且在0的邻域内ξ(n)k<∞，那么有极限可求出σ，详细证明见文献[14]。假定齐次假设正确，则布朗桥结果为：

(3)

可由以下等式

F(h)=Pf·a·,

(4)

计算临界值N>500，其中Pf·a·为设定的错误警报概率。

根据上文所说，针对当前的市场营销战略管理工作中存在的几个缺陷和问题进行了探究分析，加强管理方面的工作，可以保证企业获得更好的发展前景。而且，也要对市场营销战略管理工作进行优化升级根据自身的企业发展情况，制定出更加科学合理的市场营销战略方案，并且从不同的视角和途径来保证企业市场营销管理工作的顺利完成，以此提高企业发展能力，这对于企业自身来说也具有积极的现实意义。

1.2 基于道路边界方向的EM聚类算法

考虑到道路区域存在其他障碍物(如减速带、石块以及裂缝等)干扰道路边界点的提取，在文献[16]提出的基于车道标线方向的EM聚类算法的启发下，提出一种基于道路边界方向的EM聚类算法来抑制道路区域障碍物的干扰，进而有效滤波粗提取的道路边界候选点云数据Ld。该聚类算法基于车载激光雷达扫描的结构化道路环境点云帧数据V具有以下特点：

加强重点流域湿地建设，按照省政府部署要求，市政府办公室印发《关于加快推进湿地保护修复的实施意见》，明确至2020年全市湿地总面积不低于268万亩，自然湿地面积不低于210万亩。今年以来，全市通过植树造林、清淤治污、恢复湿地植被等措施，完成湿地保护与修复7.6万亩，湿地生态功能持续改善。同时，随着国土绿化工程实施，全市每年选取重点区域精心打造亮点工程20处以上，牟平区鱼鸟河和沁水河、烟台植物园、开发区福莱山公园等一批投资过亿元的工程相继完工，示范带动全市国土绿化水平全面提升，推动区域生态环境持续改善，为建设宜居宜业宜游城市奠定了坚实基础。

初始序列为其可由时阶函数f(·)和中心化的随机序列ξ(·)之和表示：

(Ⅱ)不同激光层扫描的相邻两点间距与到雷达坐标系原点的距离有关，距离越远，间距越大，呈正相关。

(Ⅲ)安装在正常行驶车辆上的激光雷达扫描的结构化道路边界点云曲率在一定距离范围内变化较小，不会发生较大的突变。

基于道路边界方向的EM聚类算法对粗提取的边界点云聚类去噪，即在聚类过程中通过估计道路边界方向对粗提取的边界点云数据集E进行分类去噪。

1.3 拟合道路边界点

基于上述步骤提取的道路边界候选点，结合最小二乘法对滤波后的道路边界点进行拟合，进而准确识别道路边界。

[2] 庄国土：《东南亚华侨华人数量的新估算》，《厦门大学学报(哲学社会科学版)》2009年第3期，第64页。

最小二乘法基于直线段y=kx+b拟合，其中k、b的表达式为：

由式(4)可知:临界值h在样本容量N>500时的精确度相当高。由于本文以车载32线激光雷达扫描的结构化道路环境某一帧数据为单位检测变点，所以样本容量必然大于500，因而临界值h可利用上述方法确定。

 

(5)

其中：n为待拟合的道路边界点云数据个数；(xi,yi)为待拟合道路边界点云数据坐标；b为截距；k为斜率。

2 实验结果与分析

基于装载美国Velodyne公司的HDL-32E激光雷达、单目相机、全球定位系统(global positioning system，GPS)以及毫米波雷达的电动车，在校园内多种结构化道路环境开展实车实验。图2为实车实验平台。仿真实验平台配置为intel酷睿i5双核2.5 GHz处理器，4 GB内存。

图3为被标记的突变z坐标点序列。图3中：符号“·”为车载32线激光雷达某一帧数据的某一激光层扫描线实际扫描的结构化直道道路环境三维点云数据中的z坐标点序列；椭圆内的符号“+”为非参数变点统计标记的道路边界突变z坐标点序列。从图3中可以看出：利用非参数变点统计方法，可准确标记出代表直道道路左、右边界的z坐标点序列。

  

图2 实车实验平台图3 被标记的突变z坐标点序列

图4为基于非参数变点统计算法的结构化道路边界粗糙点云数据提取图。图4a中，“*”符号为提取的直道边界突变z坐标值所对应的(x,y)点云数据；图4b中，“*”符号为提取的弯道边界突变z坐标值所对应的(x,y)点云数据。从图4中可看出：投影到xoy二维平面的粗提取的道路边界点云轮廓，已经可以较为准确地代表左、右边界点。

步骤2 将原样本分解成M1、M2两个新样本，然后对子样本M1、M2重复步骤1的过程，若否定，则继续步骤2。重复迭代直到样本被分成随机序列的齐次分割。进而得到一组初步检测出的变点，k为变点个数。

音乐文化市场在我国发展相对较为缓慢，虽然积累起了一定的基础，但是在版权、渠道等方面还存在着很多问题。随着消费升级理念的升级以及在市场经济逐渐发展和完善的今日，音乐文化产业在新时代获得迅速发展，迎来盈利时代，成为下一个投资领域的风口。

  

图4 道路边界粗糙点云数据提取

 

表1 算法准确率比较 %

  

道路环境本文算法文献[17]算法直道边界未被遮挡9590直道边界被遮挡7570弯道边界未被遮挡92

通过表1可以看出：本文算法在识别直道边界上，相较于文献[17]算法准确性较好。文献[17]算法首先对获取的激光雷达数据点云进行标定、分层与中值滤波，然后提取各层的左右边界点，利用随机抽样一致性算法对左右边界点集进行直线拟合。文献[17]算法是基于车头与道路边界近似平行的假设基础上实现的，有一定的局限性。由于车辆行驶状态复杂、光照变化以及在图像传输、处理过程中引入噪声干扰的原因，基于传统图像的道路边界识别算法的准确性、抗干扰性以及鲁棒性较差，导致识别出的道路边界不完整。而本文算法基于MATLAB 2014a仿真实验平台，结合车载激光雷达采集的结构化道路环境某一帧点云数据进行边界识别，实验结果如图5～图7所示。在图5～图7中：近似圆形空白区域为车载雷达扫描盲区(本文车载雷达安装于车顶，雷达最高点距地面高度约2.07 m，计算得雷达扫描盲区半径近似2.7 m)，黑色曲线代表在不同的道路环境(道路边界曲率、宽度)、光照强度(晴天、阴天)以及试验车辆行驶车道等条件下识别的道路边界。

图5为不同光照条件下结构化直道点云帧数据的边界识别图。图6a和图6b为弱光照条件下不同间隔帧数据(287帧、542帧)的结构化弯道边界识别图。在图6中，右边界点云数据缺失是由于车载激光雷达扫描盲区覆盖到弯道部分边界(等价于右边界被障碍物遮挡的情形)导致的。由图6可见：本文算法在道路边界不连续、被遮挡等条件下仍可准确识别弯道边界，即算法鲁棒性较好。图7a和图7b分别为直道单边界、双边界被障碍物遮挡条件下的道路边界识别图，图7中黑色矩形框为标记的障碍物。由图5～图7可以得出：道路边界识别距离约为18 m。即使在不同道路路况(直道、弯道)、边界有无障碍物遮挡、不同光照强度以及不同道路宽度(实际路宽：直道约13 m，弯道约6 m)等路况下，本文算法都可以准确识别结构化道路边界。

在实时性上，在2.5 GHz CPU平台上，本文算法的平均运行时间约为28 ms，可满足智能车实时性要求。

  

图5 不同光照条件下直道点云帧数据的边界识别图图6 弱光照条件下弯道边界识别图

3 结束语

  

图7 直道边界被遮挡识别图

本文提出了基于车载32线激光雷达扫描的结构化道路环境三维点云数据的道路边界提取算法。算法主要有3部分：(1)基于非参数变点统计的道路边界突变点提取，可以快速准确地标记相较于道路路面的高程突变点；(2)基于道路边界方向的EM聚类算法对粗提取的道路边界点云数据滤波，其对道路路面的干扰具有较好的滤波，保证了道路边界点提取的有效性；(3)最小二乘法拟合道路边界点。通过MATLAB编程语言，对实车实验采集的大量不同光照条件下结构化道路单一边界被遮挡、双边界被遮挡的直道(弯道)帧数据进行仿真，仿真验证表明：本文算法在上述结构化道路环境中具有较好的准确性和实时性。但本文提出的算法仅适应于结构化直道和弯道道路环境，对于较复杂的道路环境(如丁字路口、十字交叉路口)，算法准确性有待进一步提高。因此，在将来的研究中应考虑道路环境的多样性，以进一步提高算法的准确性和自适应性。

参考文献：

[1] 李勇.基于单目视觉的道路信息提取与智能预警[D].秦皇岛:燕山大学,2016.

2.1 基本资料 患者82例，男59例，女23例，年龄18～96，平均(66.13±18.26)岁，均为汉族。其中一般脓毒症5例，严重脓毒症24例，脓毒症休克53例。平均住院时间(13.23±10.07)d。肺部感染50例，腹腔感染15例，癌症8例，糖尿病5例，外伤3例，中枢神经系统感染1例。54例死亡，28例存活。死亡组及存活组患者临床基本资料在性别、年龄方面差异无统计学意义(P>0.05)，但死亡组APSCHEⅡ及SOFA均比存活组高，差异有统计学意义(P<0.05)，见表1。

[2] 游峰,王荣本,张荣辉,等.基于单目视觉的区域交通智能车辆道路边界检测方法研究[J].公路交通科技,2008,25(6):135-138.

[5] 郭春钊,山部尚孝,三田诚一.基于立体视觉平面单应性的智能车辆可行驶道路边界检测[J].自动化学报,2013,39(4):371-380.

本工程升级10G EPON总投资需6.97万，户均改造价为164.4元；（优势：节省ODN资源、上下行带宽10G、现有1：32分光比用户能实现真100M及以上需求、并能支持用户1000M网络，达到用户终期容量配置；劣势：终端费用较高、目前用户真实流量较小，浪费资源较大）。

[4] 袁雨桐.基于单目视觉的智能车前方障碍物识别与测距[D].长春:吉林大学,2016.

[3] 王燕清,陈德运,石朝侠.基于单目视觉的非结构化道路检测与跟踪[J].哈尔滨工程大学学报,2011,32(3):334-339.

[6] 邹斌,谭亮,侯献军.基于激光雷达的道路可行区域检测[J].武汉理工大学学报(交通科学与工程版),2017,41(2):203-207.

[7] 苏致远,徐友春,彭永胜,等.基于点云密度的结构化道路边界增强检测方法[J].汽车工程,2017,39(7):833-838.

[8] 万忠涛.基于激光雷达的道路与障碍检测研究[D].长沙:国防科学技术大学,2010.

[9] 朱株,刘济林.基于马尔科夫随机场的三维激光雷达路面实时分割[J].浙江大学学报(工学版),2015,49(3):464-469.

[10] 王钤,郭丽,石航飞.基于激光雷达距离图像的道路边缘检测与跟踪[J].计算机科学,2013,40(11A):405-408.

[11] HAN J,KIM D,LEE M,et al.Road boundary detection and tracking for structured and unstructured roads using a 2D lidar sensor[J].International journal of automotive technology,2014,15(4):611-623.

[12] 杨象军,项志宇,刘济林.基于四线激光雷达的校园道路的检测与跟踪[J].传感器与微系统,2013,32(9):134-138.

[13] 王晓原,隽志才,贾洪飞,等.交通流突变分析的变点统计方法研究[J].中国公路学报,2002,15(4):69-74.

[14] BRODSKY E,DARKHOVSKY B S.Nonparametric methods in change-point problems[M].Amsterdam:Kluwer Academic Publishers,1993.

[15] BRODSKY B E,DARKHOVSKY B S,KAPLAN A Y,et al.A nonparametric method for the segmentation of the EEG[J].Computer methods & programs in biomedicine,1999,60(2):93-106.

[16] LI T,DONG Z D.A new 3D LIDAR-based lane markings recognition approach[C]//IEEE International Conference on Robotics and Biomimetics.IEEE,2013:2197-2202.

[17] 朱学葵,高美娟,李尚年.一种智能汽车的实时道路边缘检测算法[J].北京联合大学学报(自然科学版),2015,29(4):1-7.

我国《最高人民法院关于审理涉及驰名商标保护的民事纠纷案件应用法律若干问题的解释》第9条指出，足以使相关公众认为被诉商标与驰名商标具有相当程度的联系，而减弱驰名商标的显著性、贬损驰名商标的市场声誉，或者不正当利用驰名商标的市场声誉的，属于《商标法》第13条第2款规定的“误导公众，致使该驰名商标注册人的利益可能受到损害”。有学者据此推论，该条的规定表明我国司法实践已经引入了淡化理论。㉜ 参见王迁著：《知识产权法教程》，中国人民大学出版社2016年版，第530页。我国法院在适用法律过程中，可以判定除了混淆行为侵害商标权之外，淡化也是对他人在驰名商标上享有的相关权益的侵害。