CN109165549B - 基于三维点云数据的道路标识获取方法、终端设备及装置 - Google Patents

Abstract

本发明提出了一种基于三维点云数据的道路标识获取方法、介质、终端设备及装置，该方法包括：通过构建U‑net分割网络对道路的三维点云数据进行处理以提取道路标识；采用多层次的分类算法对提取出的道路标识进行分类以获得不同类型的道路标识；针对不同类型的道路标识，采用相应的补全算法进行道路标识补全，以获得完整的道路标识。该方法通过对道路标识的精准识别及分类补全，提升了获取结果的准确性、完整度。

Description

基于三维点云数据的道路标识获取方法、终端设备及装置

技术领域

本发明涉及计算机技术领域，特别涉及一种基于三维点云数据的道路标识获取方法、介质、终端及装置。

背景技术

道路标线是城市环境的重要符号之一，对城市交通规划、秩序维护及管理具有重要的意义；在现有的车载导航、车辆自动驾驶、行车安全提示等领域中，对于车道线、道路标识等道路交通标线的获取尤为重视。

目前,现有的处理方式是从三维点云中直接获取道路交通标志；但是,由于三维点云存在的点云稀疏、遮挡、缺失等问题可能影响道路标识提取的完整度，从而导致道路标识的获取效果差。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于三维点云数据的道路标识获取方法，通过对道路标识的精准识别及分类补全，以提升获取结果的准确性。

本发明的第二个目的在于提出一种计算机可读存储介质。

本发明的第三个目的在于提出一种终端设备。

本发明的第四个目的在于提出一种基于三维点云数据的道路标识获取装置。

为达到上述目的，本发明第一方面实施例提出了一种基于三维点云数据的道路标识获取方法，包括以下步骤：通过构建U-net分割网络对道路的三维点云数据进行处理以提取道路标识；采用多层次的分类算法对提取出的道路标识进行分类以获得不同类型的道路标识；针对不同类型的道路标识，采用相应的补全算法进行道路标识补全，以获得完整的道路标识。

根据本发明实施例的基于三维点云数据的道路标识获取方法，首先通过构建U-net分割网络对道路的三维点云数据进行处理，提取道路标识；然后采用多层次的分类算法对提取出的道路标识进行分类，获得不同类型的道路标识；接着根据不同类型的道路标识，采用相应的补全算法进行道路标识补全，最终获得完整的道路标识；由此，通过对道路标识的精准识别及分类补全，实现道路标识的完整获取，提升了道路标识获取结果的准确性、完整度。

另外，根据本发明上述实施例提出的基于三维点云数据的道路标识获取方法还可以具有如下附加的技术特征：

可选地，通过构建U-net分割网络对道路的三维点云数据进行处理以提取道路标识，包括：对所述道路的三维点云数据进行网格化处理以获得网格化处理结果，并将所述网格化处理结果投影到XOY平面以获得二维路面强度投影图；将二维路面强度投影图导入U-net分割网络，并通过所述U-net分割网络判断所述二维路面强度投影图中每个像素的类别，以提取道路标识，其中，所述每个像素的类别包括道路标识和非道路标识。

可选地，所述二维路面强度投影图的尺寸为256×256，每个像素对应4厘米×4厘米实际区域。

可选地，采用多层次的分类算法对提取出的道路标识进行分类，包括：采用第一聚类半径的欧式聚类算法对提取出的道路标识进行小阈值欧式聚类，以获得连续车道线的大尺寸道路标识；继续采用第二聚类半径的欧式聚类算法对已分离出所述连续车道线的道路标识进行大阈值欧式聚类，以获得小尺寸道路标识，其中，所述第二聚类半径大于所述第一聚类半径；通过计算每个小尺寸道路标识的中心点坐标及最小外接边框，以获取相互平行且间距在预设范围内的道路标识，并将其判定为斑马线；将分离出所述连续车道线和所述斑马线后的小尺寸道路标识放入预设的矩阵中，并将所述预设矩阵输入预先设计的卷积神经网络分类器，以及根据所述卷积神经网络分类器的输出结果对分离出所述连续车道线和所述斑马线后的小尺寸道路标识进行分类。

可选地，针对不同类型的道路标识，采用相应的补全算法进行道路标识补全，包括：预先训练一个生成式对抗网络cGAN模型，并将分类后的小尺寸道路标识输入到生成式对抗网络cGAN模型中，以获得每个小尺寸道路标识对应的完整道路标识；计算分类后的连续车道线中每个实线车道线的斜率，并将斜率相近的实线车道线分为一组，以及在每一组内计算每个实线车道线两端点之间的距离，并将所述距离小于预设的距离阈值的实线车道线进行连接，以获得连续车道线中每个实线车道线所对应的完整道路标识。

可选地，针对不同类型的道路标识，采用相应的补全算法进行道路标识补全，还包括：通过计算分类后的连续车道线中每个虚线车道线的中心点坐标，以获得相邻中心点的距离分布；根据相邻中心点的距离分布获取虚线车道线的异常位置，并在虚线车道线的异常位置添加虚线，以获得连续车道线中每个虚线车道线所对应的完整道路标识。

可选地，在获得完整的道路标识之后，还包括：采用反距离插值IDW算法对道路标识补全过程中添加的新像素进行估算，以获得新像素对应的三维点坐标，并根据已有三维点坐标获得新像素对应的三维点云。

为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有基于三维点云数据的道路标识获取程序，该基于三维点云数据的道路标识获取程序被处理器执行时实现如上述的基于三维点云数据的道路标识获取方法。

为达到上述目的，本发明第三方面实施例提出的一种终端设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于三维点云数据的道路标识获取程序，所述处理器执行所述基于三维点云数据的道路标识获取程序时实现如上述的基于三维点云数据的道路标识获取方法。

为达到上述目的，本发明第四方面实施例提出的一种基于三维点云数据的道路标识获取装置，包括：提取单元，用于通过构建U-net分割网络对道路的三维点云数据进行处理以提取道路标识；分类单元，用于采用多层次的分类算法对提取出的道路标识进行分类以获得不同类型的道路标识；补全单元，用于针对不同类型的道路标识，采用相应的补全算法进行道路标识补全，以获得完整的道路标识。

根据本发明实施例提供的基于三维点云数据的道路标识获取装置，提取单元通过构建U-net分割网络对道路的三维点云数据进行处理以提取道路标识；分类单元采用多层次的分类算法对提取出的道路标识进行分类以获得不同类型的道路标识；补全单元针对不同类型的道路标识，采用相应的补全算法进行道路标识补全，以获得完整的道路标识；由此，通过对道路标识的精准识别及分类补全，实现道路标识的完整获取，提升了道路标识获取结果的准确性、完整度。

附图说明

图1为根据本发明实施例的基于三维点云数据的道路标识获取方法的流程示意图；

图2为根据本发明另一实施例的基于三维点云数据的道路标识获取方法的流程示意图；

图3为根据本发明实施例的基于三维点云数据的道路标识获取装置的方框示意图；

图4为根据本发明实施例的U-net网络的结构示意图；

图5为根据本发明实施例的小尺寸道路标识示意图；

图6为根据本发明实施例的卷积神经网路分类器的结构示意图；

图7为根据本发明实施例的cGAN网络模型的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

现有对于道路标识的获取方法存在一定的缺陷或者考虑不全，导致获取的道路标识效果差；根据本发明实施例的基于三维点云数据的道路标识获取方法，首先通过构建U-net分割网络对道路的三维点云数据进行处理，提取道路标识；然后采用多层次的分类算法对提取出的道路标识进行分类，获得不同类型的道路标识；接着根据不同类型的道路标识，采用相应的补全算法进行道路标识补全，最终获得完整的道路标识；由此，通过对道路标识的精准识别及分类补全，实现道路标识的完整获取，提升了道路标识获取结果的准确性、完整度。

为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

可选地，本实施例提供的基于三维点云数据的道路标识获取方法可以由本发明提供的基于三维点云数据的道路标识获取装置执行。

图1为本发明实施例提供的基于三维点云数据的道路标识获取方法的流程示意图。

如图1所示，本发明实施例的基于三维点云数据的道路标识获取方法，包括以下步骤：

步骤101，通过构建U-net分割网络对道路的三维点云数据进行处理以提取道路标识。

作为一个实施例，上述U-net分割网络结构示意图如图4所示，通过将样本输入U-net分割网络，进行卷积、下采样、上采样及一系列函数处理后，提取出道路标识。

步骤102，采用多层次的分类算法对提取出的道路标识进行分类以获得不同类型的道路标识。

作为一个实施例，上述的道路标识的类型包括大尺寸道路标识及小尺寸道路标识，其中，大尺寸道路标识包括车道线及斑马线，小尺寸车道标志可如图5所示。

步骤103，针对不同类型的道路标识，采用相应的补全算法进行道路标识补全，以获得完整的道路标识。

根据本发明实施例的基于三维点云数据的道路标识获取方法，首先通过构建U-net分割网络对道路的三维点云数据进行处理，提取道路标识；然后采用多层次的分类算法对提取出的道路标识进行分类，获得不同类型的道路标识；接着根据不同类型的道路标识，采用相应的补全算法进行道路标识补全，最终获得完整的道路标识；由此，通过对道路标识的精准识别及分类补全，实现道路标识的完整获取，提升了道路标识获取结果的准确性、完整度。

图2为本发明另一实施例提供的基于三维点云数据的道路标识获取方法的流程示意图。

如图2所示，本发明实施例的基于三维点云数据的道路标识获取方法，包括以下步骤：

步骤201，对道路的三维点云数据进行网格化处理以获得网格化处理结果，并将网格化处理结果投影到XOY平面以获得二维路面强度投影图。

具体地，上述二维路面强度投影图的尺寸为256×256，每个像素对应4厘米×4厘米实际区域。

步骤202，将二维路面强度投影图导入U-net分割网络，并通过U-net分割网络判断二维路面强度投影图中每个像素的类别，以提取道路标识，其中，每个像素的类别包括道路标识和非道路标识。

也就是说，将网格化所获得的二维路面强度投影图输入U-net分割网络，经过一系列处理之后，得到二维路面强度投影图的每个像素的道路标识和非道路标识，然后通过U-net分割网络输出该道路标识，具体的U-net网络结构示意图如图4所示。

步骤203，采用第一聚类半径的欧式聚类算法对提取出的道路标识进行小阈值欧式聚类，以获得连续车道线的大尺寸道路标识。

作为一个实施例，上述的第一聚类半径为0.12m。

也就是说，采用聚类半径为0.12m的小阈值欧式聚类将道路标识独立的分割为单独的目标，但是由于所采用的聚类半径较小，可以很好的将车道线分割出来，即车道线和其他标识的长度存在很大区别，将长度超过7.5m的标识分类为车道线。

步骤204，继续采用第二聚类半径的欧式聚类算法对已分离出连续车道线的道路标识进行大阈值欧式聚类，以获得小尺寸道路标识，其中，第二聚类半径大于第一聚类半径。

作为一个实施例，上述的第二聚类半径为0.5m，即第二聚类半径大于第一聚类半径。

也就是说，将上述分离出连续车道线的道路标识继续采用聚类半径为0.5m的大阈值欧式聚类进行分割处理，将小尺寸道路标识分割为独立的矩形目标。

步骤205，通过计算每个小尺寸道路标识的中心点坐标及最小外接边框，以获取相互平行且间距在预设范围内的道路标识，并将其判定为斑马线。

需要说明的是，由于通过大阈值欧式聚类进行分割时，将一组斑马线分割成多个矩形目标，因为组成斑马线的矩形目标存在明显的平行关系且相邻标识间间距相同，所以可以通过计算每个小尺寸道路标识的中心点坐标及最小外接边框，以获取相互平行且间距在预设范围内的道路标识，并将其判定为斑马线。

作为一个实施例，上述的预设范围为0.8～1.2m之间。

步骤206，将分离出连续车道线和斑马线后的小尺寸道路标识放入预设的矩阵中，并将预设矩阵输入预先设计的卷积神经网络分类器，以及根据卷积神经网络分类器的输出结果对分离出连续车道线和斑马线后的小尺寸道路标识进行分类。

作为一个实施例，上述的预设矩阵为224阶的方阵，即224×224。

也就是说，通过分离出连续车道线和斑马线后得到如图5所示的10中不同的小尺寸道路标识，将该10中不同的小尺寸道路标识放入224×224的矩阵中，并将该矩阵输入预先设计的如图6所示的卷积神经网络分类器进行特征提取，根据提取的特征对分离出连续车道线和斑马线后的小尺寸道路标识进行分类，并输出该标识的类别。

步骤207，预先训练一个生成式对抗网络cGAN模型，并将分类后的小尺寸道路标识输入到生成式对抗网络cGAN模型中，以获得每个小尺寸道路标识对应的完整道路标识。

作为一个实施例，由于采用像素级的提取方法和数据本身都可能导致部分道路标识存在残缺，所以针对不同的道路标识类型进行相应的道路标识补全；针对小尺寸道路标识，采用如图7所示的对抗网络cGAN模型进行道路标识补全。

也就是说，通过对抗网络cGAN模型将缺损的道路标识转换为完整的道路标识，即将残缺的道路标识输入提前训练好的如图7所示的cGAN模型，通过输入图像与目标图像之间的映射关系将完整的道路标识放置在原先残缺的道路标识的位置，以实现小尺寸道路标识的补全。

步骤208，计算分类后的连续车道线中每个实线车道线的斜率，并将斜率相近的实线车道线分为一组，以及在每一组内计算每个实线车道线两端点之间的距离，并将距离小于预设的距离阈值的实线车道线进行连接，以获得连续车道线中每个实线车道线所对应的完整道路标识。

也就是说，由于连续车道线存在很强的上下文关系，所以可通过计算分类后的连续车道线中每个实线车道线的斜率，再者，由于车道线存在明显的平行关系，所以将斜率相近的实线车道线分为一组，以及在每一组内计算每个实线车道线两端点之间的距离，并将距离小于预设的距离阈值的实线车道线进行连接，以获得连续车道线中每个实线车道线所对应的完整道路标识。

步骤209，通过计算分类后的连续车道线中每个虚线车道线的中心点坐标，以获得相邻中心点的距离分布。

需要说明的是，由于虚线车道线在空间分布上存在明显的连续性和规则性，所以通过计算分类后的连续车道线中每个虚线车道线的中心点坐标，以获得相邻中心点的距离分布，其中，相邻中心点的距离分布包括水平方向和垂直方向的距离分布。

步骤210，根据相邻中心点的距离分布获取虚线车道线的异常位置，并在虚线车道线的异常位置添加虚线，以获得连续车道线中每个虚线车道线所对应的完整道路标识。

也就是说，根据相邻中心点的距离分布判断该距离值是否偏离平均值，如果该距离值偏离平均值的话则判定该位置为异常位置，即为存在标识缺失的情况，在异常位置计算合适的位置添加新的虚线，以获得连续车道线中每个虚线车道线所对应的完整道路标识。

步骤211，采用反距离插值IDW算法对道路标识补全过程中添加的新像素进行估算，以获得新像素对应的三维点坐标，并根据已有三维点坐标获得新像素对应的三维点云。

需要说明的是，由于补全过程中添加的新的像素存在没有对应的三维点云的可能，所以通过采用反距离插值IDW算法对道路标识补全过程中添加的新像素进行估算，以获得新像素对应的三维点坐标，并根据三维点坐标获得新像素对应的三维点云；作为一个实施例，上述反距离插值IDW算法如下所示：

其中，（x，y，z）为三维点坐标，x和y的值通过像素的行列值得到，z值通过反距离加权计算得到。

根据本发明实施例的基于三维点云数据的道路标识获取方法，首先通过构建U-net分割网络对道路的三维点云数据进行处理，提取道路标识；然后采用多层次的分类算法对提取出的道路标识进行分类，获得不同类型的道路标识；接着根据不同类型的道路标识，采用相应的补全算法进行道路标识补全，最终获得完整的道路标识；由此，通过对道路标识的精准识别及分类补全，实现道路标识的完整获取，提升了道路标识获取结果的准确性、完整度。

为了实现上述实施例，本发明实施例提出的一种计算机可读存储介质，其上存储有基于三维点云数据的道路标识获取程序，该基于三维点云数据的道路标识获取程序被处理器执行时实现如上述的基于三维点云数据的道路标识获取方法。

为了实现上述实施例，本发明实施例提出的一种终端设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于三维点云数据的道路标识获取程序，所述处理器执行所述基于三维点云数据的道路标识获取程序时实现如上述的基于三维点云数据的道路标识获取方法。

图3为本发明实施例提供的基于三维点云数据的道路标识获取装置的方框示意图。

如图3示，本发明实施例的基于三维点云数据的道路标识获取装置，包括提取单元301、分类单元302以及补全单元303。

其中，提取单元，用于通过构建U-net分割网络对道路的三维点云数据进行处理以提取道路标识。

分类单元，用于采用多层次的分类算法对提取出的道路标识进行分类以获得不同类型的道路标识。

补全单元，用于针对不同类型的道路标识，采用相应的补全算法进行道路标识补全，以获得完整的道路标识。

根据本发明实施例提供的基于三维点云数据的道路标识获取装置，提取单元通过构建U-net分割网络对道路的三维点云数据进行处理以提取道路标识；分类单元采用多层次的分类算法对提取出的道路标识进行分类以获得不同类型的道路标识；补全单元针对不同类型的道路标识，采用相应的补全算法进行道路标识补全，以获得完整的道路标识；由此，通过对道路标识的精准识别及分类补全，实现道路标识的完整获取，提升了道路标识获取结果的准确性、完整度。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征 “上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种基于三维点云数据的道路标识获取方法，其特征在于，包括以下步骤：

通过构建U-net分割网络对道路的三维点云数据进行处理以提取道路标识；

采用多层次的分类算法对提取出的道路标识进行分类以获得不同类型的道路标识，其中，道路标识的类型包括大尺寸道路标识和小尺寸道路标识，大尺寸道路标识包括连续车道线；

针对不同类型的道路标识，采用相应的补全算法进行道路标识补全，以获得完整的道路标识；

其中，通过预先训练一个生成式对抗网络cGAN模型，并将分类后的小尺寸道路标识输入到生成式对抗网络cGAN模型中，以获得每个小尺寸道路标识对应的完整道路标识；

计算分类后的连续车道线中每个实线车道线的斜率，并将斜率相近的实线车道线分为一组，以及在每一组内计算每个实线车道线两端点之间的距离，并将距离小于预设的距离阈值的实线车道线进行连接，以获得连续车道线中每个实线车道线所对应的完整道路标识。

2.如权利要求1所述的基于三维点云数据的道路标识获取方法，其特征在于，通过构建U-net分割网络对道路的三维点云数据进行处理以提取道路标识，包括：

对所述道路的三维点云数据进行网格化处理以获得网格化处理结果，并将所述网格化处理结果投影到XOY平面以获得二维路面强度投影图；

将二维路面强度投影图导入U-net分割网络，并通过所述U-net分割网络判断所述二维路面强度投影图中每个像素的类别，以提取道路标识，其中，所述每个像素的类别包括道路标识和非道路标识。

3.如权利要求2所述的基于三维点云数据的道路标识获取方法，其特征在于，所述二维路面强度投影图的尺寸为256×256，每个像素对应4厘米×4厘米实际区域。

4.如权利要求1-3中任一项所述的基于三维点云数据的道路标识获取方法，其特征在于，采用多层次的分类算法对提取出的道路标识进行分类，包括：

采用第一聚类半径的欧式聚类算法对提取出的道路标识进行小阈值欧式聚类，以获得连续车道线的大尺寸道路标识；

继续采用第二聚类半径的欧式聚类算法对已分离出所述连续车道线的道路标识进行大阈值欧式聚类，以获得小尺寸道路标识，其中，所述第二聚类半径大于所述第一聚类半径；

通过计算每个小尺寸道路标识的中心点坐标及最小外接边框，以获取相互平行且间距在预设范围内的道路标识，并将其判定为斑马线；

将分离出所述连续车道线和所述斑马线后的小尺寸道路标识放入预设的矩阵中，并将所述预设矩阵输入预先设计的卷积神经网络分类器，以及根据所述卷积神经网络分类器的输出结果对分离出所述连续车道线和所述斑马线后的小尺寸道路标识进行分类。

5.如权利要求1所述的基于三维点云数据的道路标识获取方法，其特征在于，针对不同类型的道路标识，采用相应的补全算法进行道路标识补全，还包括：

通过计算分类后的连续车道线中每个虚线车道线的中心点坐标，以获得相邻中心点的距离分布；

根据相邻中心点的距离分布获取虚线车道线的异常位置，并在虚线车道线的异常位置添加虚线，以获得连续车道线中每个虚线车道线所对应的完整道路标识。

6.如权利要求1所述的基于三维点云数据的道路标识获取方法，其特征在于，在获得完整的道路标识之后，还包括：

采用反距离插值IDW算法对道路标识补全过程中添加的新像素进行估算，以获得新像素对应的三维点坐标，并根据已有三维点坐标获得新像素对应的三维点云。

7.一种计算机可读存储介质，其特征在于，其上存储有基于三维点云数据的道路标识获取程序，该基于三维点云数据的道路标识获取程序被处理器执行时实现如权利要求1-6中任一项所述的基于三维点云数据的道路标识获取方法。

8.一种终端设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于三维点云数据的道路标识获取程序，所述处理器执行所述基于三维点云数据的道路标识获取程序时实现如权利要求1-6 中任一项所述的基于三维点云数据的道路标识获取方法。

9.一种基于三维点云数据的道路标识获取装置，其特征在于，包括：

提取单元，用于通过构建U-net分割网络对道路的三维点云数据进行处理以提取道路标识；

分类单元，用于采用多层次的分类算法对提取出的道路标识进行分类以获得不同类型的道路标识，其中，道路标识的类型包括大尺寸道路标识和小尺寸道路标识，大尺寸道路标识包括连续车道线；

补全单元，用于针对不同类型的道路标识，采用相应的补全算法进行道路标识补全，以获得完整的道路标识；

其中，通过预先训练一个生成式对抗网络cGAN模型，并将分类后的小尺寸道路标识输入到生成式对抗网络cGAN模型中，以获得每个小尺寸道路标识对应的完整道路标识；

计算分类后的连续车道线中每个实线车道线的斜率，并将斜率相近的实线车道线分为一组，以及在每一组内计算每个实线车道线两端点之间的距离，并将距离小于预设的距离阈值的实线车道线进行连接，以获得连续车道线中每个实线车道线所对应的完整道路标识。

Images