CN109190587B - 对车道线数据正确率和召回率进行评估的方法和系统 - Google Patents

对车道线数据正确率和召回率进行评估的方法和系统 Download PDF

Info

Publication number
CN109190587B
CN109190587B CN201811095546.4A CN201811095546A CN109190587B CN 109190587 B CN109190587 B CN 109190587B CN 201811095546 A CN201811095546 A CN 201811095546A CN 109190587 B CN109190587 B CN 109190587B
Authority
CN
China
Prior art keywords
line data
lane line
data
expected
line
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811095546.4A
Other languages
English (en)
Other versions
CN109190587A (zh
Inventor
全彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUIZHOU KUANDENG ZHIYUN TECHNOLOGY Co.,Ltd.
Original Assignee
Kuandeng Beijing Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kuandeng Beijing Technology Co ltd filed Critical Kuandeng Beijing Technology Co ltd
Priority to CN201811095546.4A priority Critical patent/CN109190587B/zh
Publication of CN109190587A publication Critical patent/CN109190587A/zh
Application granted granted Critical
Publication of CN109190587B publication Critical patent/CN109190587B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了对车道线数据的正确率和召回率进行评估的方法和系统，其中，所述方法包括：针对标记出的当前轨迹段，根据自动化识别并提取目标数据的方式，自动提取出第一车道线数据；针对标记出的当前轨迹段，制作出预期目标的第二车道线数据；根据预设第一规则将自动提取出的第一车道线数据与预期目标的第二车道线数据进行匹配，得到相应的匹配结果；获取相应的匹配结果，在相应的匹配结果显示出：自动提取出的第一车道线数据与预期目标的第二车道线数据相匹配之后，根据第二预设规则，对自动提取出的第一车道线数据的正确率和召回率进行评估，得到相应的评估结果。本发明的方案，具有速度更快、完全自动化、且检查评估类型更加全面的优点。

Description

对车道线数据正确率和召回率进行评估的方法和系统
技术领域
本发明涉及数据处理技术领域，具体涉及对车道线数据正确率和召回率进行评估的方法和系统。
背景技术
现有的技术，针对提取出的车道线数据进行评估的方法，往往有如下几种：
一种评估方法，针对自动化提取出的车道线数据进行规格检查，通过对预置的各项规格依次检查，获得相应的针对于各项规格的评估结果。
另一种评估方法，针对自动化提取出的车道线数据对应的线路的正确性和召回率采用人工方法进行评估，进行评估之前，需要采集提取出的车道线数据对应的轨迹，并根据采集到的轨迹逐帧查看，最终根据逐帧的查看结果，对自动化提取出的车道线数据的正确性和召回率进行评估，上述过程将是耗时、耗费大量人力的过程，且整个查看过程，由于人为的介入，基于针对采集到的轨迹逐帧查看，最终根据逐帧的查看结果，对自动化提取出的车道线数据的正确性和召回率进行评估的评估结果也并不准确，基于不同的人，可能得到的评估结果也大有不同，评估结果并不客观，也不具有说服力。
再一种评估方式，针对自动化提取出的车道线数据对应的线路属性采用人工参考提取车道线数据的方法，按照轨迹逐帧查看，上述过程将是耗时、耗费大量人力的过程，且整个查看过程，由于人为的介入，基于针对采集到的轨迹逐帧查看，最终根据逐帧的查看结果，对自动化提取出的车道线数据的正确性和召回率进行评估的评估结果也并不准确，基于不同的人，可能得到的评估结果也大有不同，评估结果并不客观，也不具有说服力。
综上所述，现有的评估方法的缺点主要在于依赖人工，无法在快速迭代自动化提取算法的过程中快速评估效果，往往需要较长的时间进行重复的工作。
发明内容
本发明实施例的目的在于提供对车道线数据正确率和召回率进行评估的方法和系统，用以解决现有速度慢、需要人工重复工作、且检查评估类型单一的问题。
为实现上述目的，本发明实施例提供对车道线数据的正确率和召回率进行评估的方法，所述方法包括：选取出至少包括一项预设典型特征的轨迹段，并对选取出的当前轨迹段进行标记；针对标记出的当前轨迹段，根据自动化识别并提取目标数据的方式，自动提取出第一车道线数据；针对标记出的当前轨迹段，根据人工制作预期目标数据的方式，制作出至少包括预期线型和预期属性的预期目标的第二车道线数据，其中，所述第二车道线数据还包括存储于数据库中的各个已检测目标对象的各历史预期数据；根据预设第一规则将自动提取出的所述第一车道线数据与预期目标的所述第二车道线数据进行匹配，得到相应的匹配结果；获取相应的匹配结果，在相应的匹配结果显示出：自动提取出的所述第一车道线数据与预期目标的所述第二车道线数据相匹配之后，根据第二预设规则，对自动提取出的所述第一车道线数据的正确率和召回率进行评估，得到相应的评估结果。
可选地，所述方法还包括：获取评估提取出的所述第一车道线数据的准确率和召回率的两种数据信息，两种数据信息包括：提取出的所述第一车道线数据对应的线数据信息和提取出的所述第一车道线数据对应的线属性数据信息；根据所述第一车道线数据对应的线数据信息判断所述第一车道线数据对应的线与预期的线是否匹配，并在根据所述第一车道线数据对应的线数据信息判断出：所述第一车道线数据对应的线与预期的线匹配之后，根据提取出的所述第一车道线数据对应的线属性数据信息检测所述第一车道线数据对应的线的属性信息与预期的线的属性信息的匹配度；计算所述第一车道线数据的正确率，其中，所述第一车道线数据的正确率的计算公式为，自动化提取出的数据属性显示为正确对应的数值/预期总属性对应的数值；和/或，计算所述第一车道线数据的召回率，其中，所述第一车道线数据的召回率的计算公式为，(预期总属性对应的数值-属性缺失对应的数值)/预期总属性对应的数值，其中，所述属性缺失是指，所述第二车道线数据预期具有的预期属性，而所述第一车道线数据并不具有的属性。
可选地，针对标记出的当前轨迹段，根据自动化识别并提取目标数据的方式，自动提取出车道线数据的方式为：将视觉机器提取数据的方式、轨迹GPS提取数据的方式、以及IMU提取数据的方式进行结合，对车道线数据进行提取，得到提取出的车道线数据。
可选地，所述方法还包括：建立预置的识别-自动化提取车道线数据的提取流程，并根据所述提取流程提取出相应的车道线数据。
可选地，所述方法还包括：针对自动提取出的所述第一车道线数据与预期目标的所述第二车道线数据建立空间索引，并根据所述空间索引，对所述第一车道线数据与所述第二车道线数据进行匹配。
可选地，所述第一预设规则为，虚线根据端点的范围进行匹配，实线根据线段建立相应的缓冲区；若实线的节点在相应的缓冲区的范围在预设的缓冲区阈值范围内，则判断出所述第一车道线数据与所述第二车道线数据相匹配；两线之间由一条线节点到另一条线做距离判断，若两线之间的距离小于预设的距离阈值，则判断出所述第一车道线数据的正确率在预设的正确率范围内；若线线共点，则判断各个线段之间的关系，以及判断各个线段的形状是否匹配。
可选地，所述方法还包括：对与所述第一预设规则相关联的属性进行检查，其中，相关联的属性至少包括以下一项：直线的起始点、虚线的起始点、出入口所带有的数据类型；和/或，对与所述第一预设规则相关联的点线关系项进行检查，其中，相关联的点线关系项至少包括以下一项：重复节点项、当前线段与其它线段连续共点、线点方向错误。
可选地，所述方法还包括：对与所述第一预设规则相关联的自动化提取出的当前线路进行重复性检查，若当前线路的缓冲区与另一根线部分区域相交但无共点，则当前线路为重复冗余线路。
可选地，所述方法还包括：对与所述第一预设规则相关联的自动化提取出的各线路数据进行统计，其中，对各线路数据进行统计的统计项至少包括以下一项：正确项、错误项、缺失项、冗余项；其中，所述正确项对应的计算公式为，正确的线长度/相应的预期线总长度；所述错误项对应的计算公式为，错误的线长度/相应的预期线总长度；所述缺失项对应的计算公式为，缺失的线长度/相应的预期线总长度；所述冗余项对应的计算公式为，冗余的线长度/相应的预期线总长度。
与上述方法相匹配，本发明另一方面提供对车道线数据的正确率和召回率进行评估的系统，所述系统包括：选取标记单元，选取出至少包括一项预设典型特征的轨迹段，并对选取出的当前轨迹段进行标记；提取单元，针对所述选取标记单元标记出的当前轨迹段，根据自动化识别并提取目标数据的方式，自动提取出第一车道线数据；制作单元，针对所述选取标记单元标记出的当前轨迹段，根据人工制作预期目标数据的方式，制作出至少包括预期线型和预期属性的预期目标的第二车道线数据，其中，所述第二车道线数据还包括存储于数据库中的各个已检测目标对象的各历史预期数据；匹配单元，根据预设第一规则将所述提取单元自动提取出的所述第一车道线数据与所述制作单元制作出的预期目标的所述第二车道线数据进行匹配，得到相应的匹配结果；获取单元，获取相应的匹配结果；在所述获取单元获取到的相应的匹配结果显示出：所述提取单元自动提取出的所述第一车道线数据与所述制作单元制作出的预期目标的所述第二车道线数据相匹配之后，根据第二预设规则，评估单元对所述提取单元自动提取出的所述第一车道线数据的正确率和召回率进行评估，得到相应的评估结果。
本发明实施例具有如下优点：本发明实施例提供的对车道线数据的准确率和召回率进行评估的方法和系统，具有以下优点：速度更快，可以减少人工操作失误的地方；减少人工重复工作，快速参与自动化提取算法的迭代过程，提高整体研究效率；检查算法的改进，检查，评估类型更加全面。
附图说明
图1为本发明实施例1提供的对车道线数据的准确率和召回率进行评估的方法的流程示意图；
图2为本发明实施例3提供的对车道线数据的准确率和召回率进行评估的系统的结构示意图。
结合附图，本发明的实施例中附图标记如下：
201-选取标记单元；202-提取单元；203-制作单元；204-匹配单元；205-获取单元；206-评估单元。
具体实施方式
以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例1
根据本发明的实施例1，提供了对车道线数据的准确率和召回率进行评估的方法，如图1所示，为本发明实施例1提供的对车道线数据的准确率和召回率进行评估的方法的流程示意图。该方法至少包括以下步骤：
S101，选取出至少包括一项预设典型特征的轨迹段，并对选取出的当前轨迹段进行标记；
S102，针对标记出的当前轨迹段，根据自动化识别并提取目标数据的方式，自动提取出第一车道线数据；
S103，针对标记出的当前轨迹段，根据人工制作预期目标数据的方式，制作出至少包括预期线型和预期属性的预期目标的第二车道线数据，其中，第二车道线数据还包括存储于数据库中的各个已检测目标对象的各历史预期数据；在本发明实施例1提供的进行评估的方法中，预期数据的来源可以是该轨迹的新做出的数据，也可以是以前生产完毕的成果数据。
S104，根据预设第一规则将自动提取出的第一车道线数据与预期目标的第二车道线数据进行匹配，得到相应的匹配结果；
S105，获取相应的匹配结果，在相应的匹配结果显示出：自动提取出的第一车道线数据与预期目标的第二车道线数据相匹配之后，根据第二预设规则，对自动提取出的第一车道线数据的正确率和召回率进行评估，得到相应的评估结果；这样，本发明实施例1提供的对车道线数据的准确率和召回率进行评估的方法，相对于现有技术，具有如下优点：速度更快，可以减少人工操作失误的地方；减少人工重复工作，快速参与自动化提取算法的迭代过程，提高整体研究效率；检查算法的改进，检查，评估类型更加全面。
在一个可选的例子中，获取评估提取出的第一车道线数据的准确率和召回率的两种数据信息，两种数据信息包括：提取出的第一车道线数据对应的线数据信息和提取出的第一车道线数据对应的线属性数据信息；根据第一车道线数据对应的线数据信息判断第一车道线数据对应的线与预期的线是否匹配，并在根据第一车道线数据对应的线数据信息判断出：第一车道线数据对应的线与预期的线匹配之后，根据提取出的第一车道线数据对应的线属性数据信息检测第一车道线数据对应的线的属性信息与预期的线的属性信息的匹配度；计算第一车道线数据的正确率，其中，第一车道线数据的正确率的计算公式为，自动化提取出的数据属性显示为正确对应的数值/预期总属性对应的数值；和/或，计算第一车道线数据的召回率，其中，第一车道线数据的召回率的计算公式为，(预期总属性对应的数值-属性缺失对应的数值)/预期总属性对应的数值，其中，属性缺失是指，第二车道线数据预期具有的预期属性，而第一车道线数据并不具有的属性；这样，通过就提取出的第一车道线数据的正确率(即为属性正确率)进行评估，得到相应的评估结果；以及就提取出的第一车道线数据的召回率(即为属性召回率)进行评估，得到相应的评估结果；相对于现有的技术而言，本发明实施例1提供的评估方法能够进行评估的评估类型更加全面。
在本发明实施例1提供的进行评估的方法中，根据上述第一车道线数据的正确率的计算过程，计算出的第一车道线数据的正确率越高，则检测出第一车道线数据对应的线的属性信息与预期的线的属性信息的匹配度越高，反之，则越低。此外，在本发明实施例1提供的进行评估的方法中，根据上述第一车道线数据的召回率的计算过程，计算出的第一车道线数据的召回率越高，则检测出第一车道线数据对应的线的属性信息与预期的线的属性信息的匹配度越低，反之，则越高。需要说明的是，在本发明实施例1提供的进行评估的方法中，若检测出第一车道线数据对应的线的属性信息与预期的线的属性信息不一致，则认为属性错误并召回。
在一个可选的例子中，针对标记出的当前轨迹段，根据自动化识别并提取目标数据的方式为：将视觉机器提取数据的方式、轨迹GPS(Global Positioning System，全球定位系统)提取数据的方式、以及IMU(Inertial measurement unit，惯性测量单元)提取数据的方式进行结合，对车道线数据进行提取，得到提取出的车道线数据。
需要说明的是，上述无论是根据视觉机器的方式提取出车道线数据，还是根据轨迹GPS的方式提取出车道线数据，或者是根据IMU的方式提取出车道线数据，均为现有的常规技术，在此不再赘述。
除了上述常用的三种自动化提取车道线数据的方式之外，还有其它的自动化提取车道线数据的方式，其余的自动化提取车道线数据的方式均在本发明实施例1的保护范围内，不再赘述。
需要说明的是，IMU惯性测量单元是测量物体三轴姿态角(或角速率)以及加速度的装置。陀螺仪及加速度计是IMU的主要元件，其精度直接影响到惯性系统的精度。在实际工作中，由于不可避免的各种干扰因素，而导致陀螺仪及加速度计产生误差从初始对准开始，其导航误差就随时间而增长，尤其是位置误差，这是惯导系统的主要缺点。所以需要利用外部信息进行辅助，实现组合导航，使其有效地减小误差随时间积累的问题。为了提高可靠性，还可以为每个轴配备更多的传感器。一般而言IMU要安装在被测物体的重心上。
一般情况，一个IMU包含了三个单轴的加速度计和三个单轴的陀螺仪，加速度计检测物体在载体坐标系统独立三轴的加速度信号，而陀螺仪检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。在导航中有着很重要的应用价值。IMU大多用在需要进行运动控制的设备，如汽车和机器人上。也被用在需要用姿态进行精密位移推算的场合，如潜艇飞机和航天器的惯性导航设备等。
在一个可选的例子中，所述方法还包括：建立预置的识别-自动化提取车道线数据的提取流程，并根据提取流程提取出相应的车道线数据；这样，根据预设的提取流程，就能够对车道线数据进行识别并自动化提取。
在实际应用中，可以根据用户的需求，对上述提取车道线数据的提取流程进行改进，修改一些参数，以改变相应的提取步骤和相应的提取参数，以满足不同用户的需求，在此不再赘述。
在一个可选的例子中，所述方法还包括：针对自动提取出的第一车道线数据与预期目标的第二车道线数据建立空间索引，并根据空间索引，对第一车道线数据与第二车道线数据进行匹配。
在一个可选的例子中，第一预设规则为，虚线根据端点的范围进行匹配，实线根据线段建立相应的缓冲区；若实线的节点在相应的缓冲区的范围在预设的缓冲区阈值范围内，则判断出第一车道线数据与第二车道线数据相匹配；两线之间由一条线节点到另一条线做距离判断，若两线之间的距离小于预设的距离阈值，则判断出第一车道线数据的正确率在预设的正确率范围内；若线线共点，则判断各个线段之间的关系，以及判断各个线段的形状是否匹配。
在一个可选的例子中，所述方法还包括：对与第一预设规则相关联的属性进行检查，其中，相关联的属性至少包括以下一项：直线的起始点、虚线的起始点、出入口所带有的数据类型；和/或，对与第一预设规则相关联的点线关系项进行检查，其中，相关联的点线关系项至少包括以下一项：重复节点项、当前线段与其它线段连续共点、线点方向错误；这样，相对于现有技术而言，本发明实施例1提供的评估方法检查的类型和检查的项目更多，更能满足不同用户的不同需求。
在一个可选的例子中，所述方法还包括：对与第一预设规则相关联的自动化提取出的当前线路进行重复性检查，若当前线路的缓冲区与另一根线部分区域相交但无共点，则当前线路为重复冗余线路；这样，就可以上述方法，能够很容易地判断出当前线路是否为重复冗余线路，并且在判断出当前线路为重复冗余线路之后，删除当前线路，或者忽略对当前线路的处理。
在一个可选的例子中，所述方法还包括：对与第一预设规则相关联的自动化提取出的各线路数据进行统计，其中，对各线路数据进行统计的统计项至少包括以下一项：正确项、错误项、缺失项、冗余项；其中，正确项对应的计算公式为，正确的线长度/相应的预期线总长度；错误项对应的计算公式为，错误的线长度/相应的预期线总长度；缺失项对应的计算公式为，缺失的线长度/相应的预期线总长度；冗余项对应的计算公式为，冗余的线长度/相应的预期线总长度；这样，通过上述统计方法，本发明实施例1提供的评估方法，就能够对自动化提取出的各线路数据的各项进行统计，例如，正确项、错误项、缺失项、冗余项。
实施例2
根据本发明的实施例2，提供了对车道线数据的正确率和召回率进行评估的方法的一个具体应用实例。
本发明实施例2提供的对车道线数据的正确率和召回率进行评估的方法使用于智能生成高静地图的数据处理过程中，主要目的是为了针对根据机器视觉、轨迹GPS(GlobalPositioning System，全球定位系统)、IMU(Inertial measurement unit，惯性测量单元)等方式自动化提取的车道线数据进行验证，并对提取出的车道线数据的正确率和召回率进行有效的自动化评估。
需要说明的是，IMU惯性测量单元是测量物体三轴姿态角(或角速率)以及加速度的装置。陀螺仪及加速度计是IMU的主要元件，其精度直接影响到惯性系统的精度。在实际工作中，由于不可避免的各种干扰因素，而导致陀螺仪及加速度计产生误差从初始对准开始，其导航误差就随时间而增长，尤其是位置误差，这是惯导系统的主要缺点。所以需要利用外部信息进行辅助，实现组合导航，使其有效地减小误差随时间积累的问题。为了提高可靠性，还可以为每个轴配备更多的传感器。一般而言IMU要安装在被测物体的重心上。
一般情况，一个IMU包含了三个单轴的加速度计和三个单轴的陀螺仪，加速度计检测物体在载体坐标系统独立三轴的加速度信号，而陀螺仪检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。在导航中有着很重要的应用价值。IMU大多用在需要进行运动控制的设备，如汽车和机器人上。也被用在需要用姿态进行精密位移推算的场合，如潜艇飞机和航天器的惯性导航设备等。
需要说明的是，根据机器视觉的方式自动化提取车道线数据的过程是常规方式，在此不再赘述。根据轨迹GPS的方式自动化提取车道线数据的过程是常规方式，在此不再赘述。根据IMU的方式自动化提取车道线数据的过程是常规方式，在此不再赘述。
除了上述常用的三种自动化提取车道线数据的方式之外，还有其它的自动化提取车道线数据的方式，其余的自动化提取车道线数据的方式均在本发明实施例2的保护范围内，不再赘述。
本发明实施例提供的对提取出的车道线数据的正确率和召回率进行评估的方法具体包括以下步骤：
步骤1.挑选包含典型特征的轨迹段，并进行标定。
步骤2.利用人工制作预期目标数据，包含线型，属性等。
步骤3.利用识别-自动化流程提取车道线数据。
步骤4.将自动化提取的数据与预期数据做对比
步骤5.两者数据建立空间索引进行匹配。虚线根据端点的范围匹配，实线则根据线段建立缓冲区，判断自动化的线与预期结果的线，点是否一致。实线的节点大部分在缓冲区范围内则认为是一条线。2线之间由一条线节点到另一条线做距离判断，距离越小正确率越高。
步骤6.对于线线共点情况等也考虑多线之间的关系，形状等是否匹配。
步骤7.属性的检查：如直线的起始点，虚线的起始点，出入口所带有的数据类型。
步骤8.匹配到的线认为召回，预期有自动化无的为缺失，自动化有预期无的为冗余错误召回。
步骤9.点，线关系检查:自动化结果的线段进行点，线关系检查，不能有重复节点，与其他线连续共点，线点方向错误等，加入错误统计内。
步骤10.对自动化提取线路进行重复性检查，判断若一根线缓冲区内与另一根线有包含，大部分相交但无共点等情况既认为重复(冗余)线路。
步骤11.线的统计率以各种统计分类(正确，错误，缺失，冗余)的线长度/预期线总长度统计。
步骤12.属性不一致认为属性错误召回。属性正确率为自动化正确/预期总属性数。属性召回率为(预期-缺失)/预期总数。
需要说明的是，IMU惯性测量单元是测量物体三轴姿态角(或角速率)以及加速度的装置。陀螺仪及加速度计是IMU的主要元件，其精度直接影响到惯性系统的精度。在实际工作中，由于不可避免的各种干扰因素，而导致陀螺仪及加速度计产生误差从初始对准开始，其导航误差就随时间而增长，尤其是位置误差，这是惯导系统的主要缺点。所以需要利用外部信息进行辅助，实现组合导航，使其有效地减小误差随时间积累的问题。为了提高可靠性，还可以为每个轴配备更多的传感器。一般而言IMU要安装在被测物体的重心上。
一般情况，一个IMU包含了三个单轴的加速度计和三个单轴的陀螺仪，加速度计检测物体在载体坐标系统独立三轴的加速度信号，而陀螺仪检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。在导航中有着很重要的应用价值。IMU大多用在需要进行运动控制的设备，如汽车和机器人上。也被用在需要用姿态进行精密位移推算的场合，如潜艇飞机和航天器的惯性导航设备等。
相对于现有的对提取出的车道线数据的正确率和召回率进行评估的方法而言，本发明实施例2提供的对提取出的车道线数据的正确率和召回率进行评估的方法，具有如下优点：
1.速度更快，可以减少人工操作失误的地方。
2.减少人工重复工作，快速参与自动化提取算法的迭代过程，提高整体研究效率。
3.检查算法的改进，检查，评估类型更加全面。
实施例3
根据本发明的实施例3，还提供了对车道线数据的准确率和召回率进行评估的系统，如图2所示，为本发明实施例3提供的对车道线数据的准确率和召回率进行评估的系统的结构示意图。
本发明实施例3提供的对车道线数据的准确率和召回率进行评估的系统包括选取标记单元201、提取单元202、制作单元203、匹配单元204、获取单元205和评估单元206。
具体而言，选取标记单元201，选取出至少包括一项预设典型特征的轨迹段，并对选取出的当前轨迹段进行标记；
提取单元202，针对选取标记单元201标记出的当前轨迹段，根据自动化识别并提取目标数据的方式，自动提取出第一车道线数据；
制作单元203，针对选取标记单元201标记出的当前轨迹段，根据人工制作预期目标数据的方式，制作出至少包括预期线型和预期属性的预期目标的第二车道线数据，其中，第二车道线数据还包括存储于数据库中的各个已检测目标对象的各历史预期数据；在本发明实施例3提供的进行评估的系统中，预期数据的来源可以是该轨迹的新做出的数据，也可以是以前生产完毕的成果数据。
匹配单元204，根据预设第一规则将提取单元202自动提取出的第一车道线数据与制作单元203制作出的预期目标的第二车道线数据进行匹配，得到相应的匹配结果；
获取单元205，获取相应的匹配结果；
在获取单元205获取到的相应的匹配结果显示出：提取单元202自动提取出的第一车道线数据与制作单元203制作出的预期目标的第二车道线数据相匹配之后，根据第二预设规则，评估单元206对提取单元202自动提取出的第一车道线数据的正确率和召回率进行评估，得到相应的评估结果；这样，本发明实施例3提供的对车道线数据的准确率和召回率进行评估的系统，相对于现有技术，具有如下优点：速度更快，可以减少人工操作失误的地方；减少人工重复工作，快速参与自动化提取算法的迭代过程，提高整体研究效率；检查算法的改进，检查，评估类型更加全面。
在一个可选的例子中，本发明实施例3提供的对车道线数据的准确率和召回率进行评估的系统还包括计算单元(在图2中未标识出)。计算单元具体用于：计算提取单元202提取出的第一车道线数据的正确率，其中，提取单元202提取出的第一车道线数据的正确率的计算公式为，自动化提取出的数据属性显示为正确对应的数值/预期总属性对应的数值；和/或，计算提取单元202提取出的第一车道线数据的召回率，其中，提取单元202提取出的第一车道线数据的召回率的计算公式为，(预期总属性对应的数值-属性缺失对应的数值)/预期总属性对应的数值，其中，属性缺失是指，制作单元203制作出的第二车道线数据预期具有的预期属性，而提取单元203提取出的第一车道线数据并不具有的属性；这样，通过本发明实施例3提供的评估系统中的计算单元能够准确地计算出提取单元202提取出的第一车道线数据的正确率，以及第一车道线数据的召回率。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (9)

1.对车道线数据的正确率和召回率进行评估的方法，其特征在于，包括：
选取出至少包括一项预设典型特征的轨迹段，并对选取出的当前轨迹段进行标记；
针对标记出的当前轨迹段，根据自动化识别并提取目标数据的方式，自动提取出第一车道线数据；
针对标记出的当前轨迹段，根据人工制作预期目标数据的方式，制作出至少包括预期线型和预期属性的预期目标的第二车道线数据，其中，所述第二车道线数据还包括存储于数据库中的各个已检测目标对象的各历史预期数据；
根据第一预设规则将自动提取出的所述第一车道线数据与预期目标的所述第二车道线数据进行匹配，得到相应的匹配结果；
获取相应的匹配结果，在相应的匹配结果显示出：自动提取出的所述第一车道线数据与预期目标的所述第二车道线数据相匹配之后，根据第二预设规则，对自动提取出的所述第一车道线数据的正确率和召回率进行评估，得到相应的评估结果；
获取评估提取出的所述第一车道线数据的正确率和召回率的两种数据信息，两种数据信息包括：提取出的所述第一车道线数据对应的线数据信息和提取出的所述第一车道线数据对应的线属性数据信息；
根据所述第一车道线数据对应的线数据信息判断所述第一车道线数据对应的线与预期的线是否匹配，并在根据所述第一车道线数据对应的线数据信息判断出：所述第一车道线数据对应的线与预期的线匹配之后，根据提取出的所述第一车道线数据对应的线属性数据信息检测所述第一车道线数据对应的线的属性信息与预期的线的属性信息的匹配度；计算所述第一车道线数据的正确率，其中，所述第一车道线数据的正确率的计算公式为，自动化提取出的数据属性显示为正确对应的数值/预期总属性对应的数值；和/或，
计算所述第一车道线数据的召回率，其中，所述第一车道线数据的召回率的计算公式为，(预期总属性对应的数值-属性缺失对应的数值)/预期总属性对应的数值，其中，所述属性缺失是指，所述第二车道线数据预期具有的预期属性，而所述第一车道线数据并不具有的属性。
2.根据权利要求1所述的方法，其特征在于，
针对标记出的当前轨迹段，根据自动化识别并提取目标数据的方式，自动提取出车道线数据的方式为：将视觉机器提取数据的方式、轨迹GPS提取数据的方式、以及IMU提取数据的方式进行结合，对车道线数据进行提取，得到提取出的车道线数据。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
建立预置的识别-自动化提取车道线数据的提取流程，并根据所述提取流程提取出相应的车道线数据。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
针对自动提取出的所述第一车道线数据与预期目标的所述第二车道线数据建立空间索引，并根据所述空间索引，对所述第一车道线数据与所述第二车道线数据进行匹配。
5.根据权利要求4所述的方法，其特征在于，
所述第一预设规则为，虚线根据端点的范围进行匹配，实线根据线段建立相应的缓冲区；若实线的节点在相应的缓冲区的范围在预设的缓冲区阈值范围内，则判断出所述第一车道线数据与所述第二车道线数据相匹配；两线之间由一条线节点到另一条线做距离判断，若两线之间的距离小于预设的距离阈值，则判断出所述第一车道线数据的正确率在预设的正确率范围内；若线线共点，则判断各个线段之间的关系，以及判断各个线段的形状是否匹配。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
对与所述第一预设规则相关联的属性进行检查，其中，相关联的属性至少包括以下一项：
直线的起始点、虚线的起始点、出入口所带有的数据类型；和/或，
对与所述第一预设规则相关联的点线关系项进行检查，其中，相关联的点线关系项至少包括以下一项：
重复节点项、当前线段与其它线段连续共点、线点方向错误。
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
对与所述第一预设规则相关联的自动化提取出的当前线路进行重复性检查，若当前线路的缓冲区与另一根线部分区域相交但无共点，则当前线路为重复冗余线路。
8.根据权利要求5所述的方法，其特征在于，所述方法还包括：
对与所述第一预设规则相关联的自动化提取出的各线路数据进行统计，其中，对各线路数据进行统计的统计项至少包括以下一项：
正确项、错误项、缺失项、冗余项；其中，所述正确项对应的计算公式为，正确的线长度/相应的预期线总长度；所述错误项对应的计算公式为，错误的线长度/相应的预期线总长度；所述缺失项对应的计算公式为，缺失的线长度/相应的预期线总长度；所述冗余项对应的计算公式为，冗余的线长度/相应的预期线总长度。
9.对车道线数据的正确率和召回率进行评估的系统，其特征在于，包括：
选取标记单元，选取出至少包括一项预设典型特征的轨迹段，并对选取出的当前轨迹段进行标记；
提取单元，针对所述选取标记单元标记出的当前轨迹段，根据自动化识别并提取目标数据的方式，自动提取出第一车道线数据；
制作单元，针对所述选取标记单元标记出的当前轨迹段，根据人工制作预期目标数据的方式，制作出至少包括预期线型和预期属性的预期目标的第二车道线数据，其中，所述第二车道线数据还包括存储于数据库中的各个已检测目标对象的各历史预期数据；
匹配单元，根据第一预设规则将所述提取单元自动提取出的所述第一车道线数据与所述制作单元制作出的预期目标的所述第二车道线数据进行匹配，得到相应的匹配结果；
获取单元，获取相应的匹配结果；
在所述获取单元获取到的相应的匹配结果显示出：所述提取单元自动提取出的所述第一车道线数据与所述制作单元制作出的预期目标的所述第二车道线数据相匹配之后，根据第二预设规则，评估单元对所述提取单元自动提取出的所述第一车道线数据的正确率和召回率进行评估，得到相应的评估结果；
获取评估提取出的所述第一车道线数据的准确正确率和召回率的两种数据信息，两种数据信息包括：提取出的所述第一车道线数据对应的线数据信息和提取出的所述第一车道线数据对应的线属性数据信息；
根据所述第一车道线数据对应的线数据信息判断所述第一车道线数据对应的线与预期的线是否匹配，并在根据所述第一车道线数据对应的线数据信息判断出：所述第一车道线数据对应的线与预期的线匹配之后，根据提取出的所述第一车道线数据对应的线属性数据信息检测所述第一车道线数据对应的线的属性信息与预期的线的属性信息的匹配度；计算所述第一车道线数据的正确率，其中，所述第一车道线数据的正确率的计算公式为，自动化提取出的数据属性显示为正确对应的数值/预期总属性对应的数值；和/或，
计算所述第一车道线数据的召回率，其中，所述第一车道线数据的召回率的计算公式为，(预期总属性对应的数值-属性缺失对应的数值)/预期总属性对应的数值，其中，所述属性缺失是指，所述第二车道线数据预期具有的预期属性，而所述第一车道线数据并不具有的属性。
CN201811095546.4A 2018-09-19 2018-09-19 对车道线数据正确率和召回率进行评估的方法和系统 Active CN109190587B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811095546.4A CN109190587B (zh) 2018-09-19 2018-09-19 对车道线数据正确率和召回率进行评估的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811095546.4A CN109190587B (zh) 2018-09-19 2018-09-19 对车道线数据正确率和召回率进行评估的方法和系统

Publications (2)

Publication Number Publication Date
CN109190587A CN109190587A (zh) 2019-01-11
CN109190587B true CN109190587B (zh) 2021-03-26

Family

ID=64908651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811095546.4A Active CN109190587B (zh) 2018-09-19 2018-09-19 对车道线数据正确率和召回率进行评估的方法和系统

Country Status (1)

Country Link
CN (1) CN109190587B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115203352B (zh) * 2022-09-13 2022-11-29 腾讯科技（深圳）有限公司 车道级定位方法、装置、计算机设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101675442A (zh) * 2007-05-25 2010-03-17 爱信艾达株式会社 车道确定装置、车道确定方法及使用该装置的导航设备
CN105260699A (zh) * 2015-09-10 2016-01-20 百度在线网络技术（北京）有限公司 一种车道线数据的处理方法及装置
CN108304852A (zh) * 2017-07-17 2018-07-20 腾讯科技（深圳）有限公司 道路路段类型的确定方法、装置以及存储介质、电子装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018116369A (ja) * 2017-01-16 2018-07-26 株式会社Ｓｏｋｅｎ 車線認識装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101675442A (zh) * 2007-05-25 2010-03-17 爱信艾达株式会社 车道确定装置、车道确定方法及使用该装置的导航设备
CN105260699A (zh) * 2015-09-10 2016-01-20 百度在线网络技术（北京）有限公司 一种车道线数据的处理方法及装置
EP3171292A1 (en) * 2015-09-10 2017-05-24 Baidu Online Network Technology (Beijing) Co., Ltd. Driving lane data processing method, device, storage medium and apparatus
CN108304852A (zh) * 2017-07-17 2018-07-20 腾讯科技（深圳）有限公司 道路路段类型的确定方法、装置以及存储介质、电子装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Accurate and robust lane detection based on dual-view convolutional neutral network;Bei He等;《2016 IEEE Intelligent Vehicles Symposium》;20160622;第1041-1046页 *
An efficient method to generate ground truth for evaluating lane detection systems;Amol Borkar等;《2010 IEEE International Conference on Acoustics, Speech and Signal Processing》;20100319;第1090-1093页 *
End-To-End Ego Lane Estimation Based on Sequential Transfer Learning for Self-Driving Cars;Jiman Kim等;《2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops》;20170726;第1194-1202页 *
一种鲁棒性的多车道线检测算法;宣寒宇等;《计算机科学》;20171130;第44卷(第11期);第305-313页 *

Also Published As

Publication number Publication date
CN109190587A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
JP5144711B2 (ja) 地理的軌道の軌跡を割り出すための方法
US11092444B2 (en) Method and system for recording landmarks in a traffic environment of a mobile unit
US9435648B2 (en) Map matching device, system and method
CN104236564B (zh) 在用户终端执行地图匹配的方法
CN111767354B (zh) 一种高精度地图精度评估方法
JPWO2018181974A1 (ja) 判定装置、判定方法、及び、プログラム
CN103502833B (zh) 定位方法
CN107402012A (zh) 一种车辆的组合导航方法
EP2175237B1 (en) System and methods for image-based navigation using line features matching
EP3432287A1 (en) Navigation driving metric
CN107179079A (zh) 基于pdr与地磁融合的室内定位方法
EP3842735B1 (en) Position coordinates estimation device, position coordinates estimation method, and program
KR20190038739A (ko) 도로 변경 지점 검출 방법
KR101576424B1 (ko) 실내 측위를 위한 지자기 센서 자동 보정 방법
CN111947644B (zh) 一种室外移动机器人定位方法、系统及其电子设备
CN113593284B (zh) 矿井巷道内车辆的路径规划方法及装置、电子设备
US10436582B2 (en) Device orientation detection
CN107340407A (zh) 列控系统测速定位方案验证方法
CN109190587B (zh) 对车道线数据正确率和召回率进行评估的方法和系统
CN108458710A (zh) 位姿测量方法
CN109945877B (zh) 一种巡检轨迹生成方法及装置
TWI477800B (zh) 可感測立體軌跡之定位裝置及其立體軌跡的感測方法
CN109710594B (zh) 地图数据的有效性判断方法、装置及可读存储介质
JP6329915B2 (ja) 測位システム
KR101565485B1 (ko) 위치 오차 보정 장치 및 그 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220419

Address after: 550000 No. 818, Kaifa Avenue, Guiyang Economic and Technological Development Zone, Guizhou Province (plant of science and engineering company)

Patentee after: GUIZHOU KUANDENG ZHIYUN TECHNOLOGY Co.,Ltd.

Address before: 811, 8 / F, 101, 3-8 / F, building 17, rongchuang Road, Chaoyang District, Beijing 100012

Patentee before: KUANDENG (BEIJING) TECHNOLOGY Co.,Ltd.