CN109214314B - 一种车道线自动融合匹配算法 - Google Patents
一种车道线自动融合匹配算法 Download PDFInfo
- Publication number
- CN109214314B CN109214314B CN201810943429.2A CN201810943429A CN109214314B CN 109214314 B CN109214314 B CN 109214314B CN 201810943429 A CN201810943429 A CN 201810943429A CN 109214314 B CN109214314 B CN 109214314B
- Authority
- CN
- China
- Prior art keywords
- lane
- data
- model
- model data
- lane 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
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Abstract
本发明公开了一种车道线自动融合匹配算法,涉及高精地图信息采集处理技术领域,匹配算法包括对待融合的车道线模型数据进行预处理;利用预处理后的车道线模型数据构建车道数据张量模型;利用车道数据张量模型,构建车道配准算法来生成两个互相对应的车道数据张量模型的匹配关系;利用车道数据合并算法对两个互相对应的车道数据张量模型的数据进行合并;生成目标车道模型。本发明能够解决现有的图像匹配算法易丢失车道线属性相关信息,复杂路口匹配关系不正确,生成道路拓扑关系不佳,不能有效去除噪声数据影响,匹配车道线效果不佳的问题。
Description
技术领域
本发明涉及高精地图信息采集处理技术领域,具体涉及一种车道线自动融合匹配算法。
背景技术
自动驾驶技术中,对车道线的识别及其重要,然而现有技术方案主要针对照片进行融合,体现为针对照片提取图像中的特征点、计算特征点之间的匹配、计算图像间变换矩阵的初始值、迭代精炼H变换矩阵以及引导匹配,其技术处理涉及到的都是基于图片信息,及以构建数据,xy表示图形中的坐标信息,rgb表示图形中的颜色取值。但是,在车道线模型中,车道线的属性信息如道路方向、限制条件、车道序号等信息无法在图形中直接表示。基于现有的图像匹配算法,没有考虑车道线属性、路网信息,仅仅使用由位置生成的图像信息进行匹配,效果不佳。同时,无法完成两个融合模型仅仅只有一小部分重合的情况,生成的车道线模型也会丢失车道线属性相关信息。比如,不考虑属性的情况下可能错误的匹配车道线对应的车道等。
发明内容
本发明的目的在于提供一种车道线自动融合匹配算法,用以解决现有的图像匹配算法易丢失车道线属性相关信息,复杂路口匹配关系不正确,生成道路拓扑关系不佳,不能有效去除噪声数据影响,匹配车道线效果不佳的问题。
为实现上述目的,本发明实施例提供一种车道线自动融合匹配算法,其特征在于:所述匹配算法包括对待融合的车道线模型数据进行预处理;利用预处理后的车道线模型数据构建车道数据张量模型;利用车道数据张量模型,构建车道配准算法来匹配两个互相对应的车道数据张量模型的匹配关系;利用车道数据合并算法对两个互相对应的车道数据张量模型的数据进行合并;生成目标车道模型。其中,所述待融合的车道线模型数据是经过车道线自动采集系统处理后的车道线模型数据,待融合的车道线模型数据包括车道模型数据A和车道模型数据B。
作为优选的技术方案,所述待融合的车道线模型数据包括不同时间、不同批次采集的车道线数据,所述车道线数据包括测量点信息、车道线属性信息、道路属性信息、车道线节点属性信息。
作为优选的技术方案,所述对待融合的车道线模型数据进行预处理包括利用测量的车道线节点位置信息构建车道线的空间索引;过滤重合或不合理的数据;处理车道线之间的共点关系;检查车道线属性;完善测量信息,包括测量点定位状态、位置精度和属性完善时间。
作为优选的技术方案,车道配准算法利用车道数据张量模型构建的MILP模型为
其中,Ci,j为匹配车道模型数据A和车道模型数据B关系的整型变量;Di,j为车道模型数据A和车道模型数据B的位置距离;Attri,j为车道模型数据A和车道模型数据B的相关属性关系。
作为优选的技术方案,所述车道配准算法在计算中需要对车道模型数据A和车道模型数据B中的车道线进行选点,选点的方法包括固定选点,特征值选点和矩阵奇异分解选点。
作为优选的技术方案,所述车道配准算法在构建MILP模型之前先利用车道线的轨迹数据、现有路网信息、车道线属性信息,生成可以匹配的对应节点数据,再构建MILP模型,然后利用优化器求解,找到对应优选的匹配关系。
作为优选的技术方案,所述车道数据合并算法包括根据车道配准算法得到的车道配准关系,把车道模型数据A和车道模型数据B中属性、位置关系更新。
作为优选的技术方案,所述车道数据合并算法更新的信息包括优先选择高精度测量信息,除去车道模型数据A和车道模型数据B中错误的测量信息,根据时间信息选择最近的道路属性规则,合并不重合的车道线并生成新的道路拓扑结构,与现有道路拓扑结构合并生成路口和道路。
本发明实施例具有如下优点:
(1)本发明能够将车道线的轨迹数据、现有路网信息、车道线属性信息等生成可以匹配的对应节点数据,将上述信息进行融合,提高车道线的匹配精度;
(2)本发明能够对不同时间、不同批次采集的数据进行融合,生成融合后合理的包含路口等道路拓扑结构信息的车道线模型。
附图说明
图1为本发明实施例提供的一种车道线自动融合匹配算法的基本流程图。
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
本实施例提供一种车道线自动融合匹配算法包括:对待融合的车道线模型数据进行预处理,待融合的车道线模型数据是经过车道线自动采集系统处理后的车道线模型数据;利用预处理后的车道线模型数据构建车道数据张量模型;利用车道数据张量模型,构建车道配准算法来匹配两个互相对应的车道数据张量模型的匹配关系;利用车道数据合并算法对两个互相对应的车道数据张量模型的数据进行合并;去除错误、低精度、信息过时的数据,生成精确度较高的目标车道模型。
本实施例中待融合的车道线模型数据包括车道模型数据A和车道模型数据B,待融合的车道线模型数据包括不同时间、不同批次采集的车道线数据,车道线数据包括测量点信息、车道线属性信息、道路属性信息、车道线节点属性信息。
进一步地,对待融合的车道线模型数据进行预处理的方法包括:利用测量的车道线节点位置信息构建车道线的空间索引,如精度、纬度和高度等;过滤重合或不合理的数据;处理车道线之间的共点关系;检查车道线属性,如车道线必须含有至少一个属性、冗余属性变化点等信息;完善测量信息,包括测量点定位状态、位置精度和属性完善时间。
进一步地,由于经过预处理后车道线模型数据中无对应的位置点、车道线节点信息,需要根据车道配准算法利用车道线的轨迹数据、现有路网信息和车道线属性信息等,生成可以匹配的对应节点数据,再构建MILP模型,然后利用优化器求解,找到对应优选的匹配关系,同时增加专门的限制条件和专门模型预处理方法。
车道配准算法利用车道数据张量模型构建的MILP模型为:
其中,Ci,j为匹配车道模型数据A和车道模型数据B关系的整型变量;Di,j为车道模型数据A和车道模型数据B的位置距离;Attri,j为车道模型数据A和车道模型数据B的相关属性关系。目标函数最小化车道模型数据A和车道模型数据B的位置和属性差异,其限制条件包括优选的关系点个数、不合理匹配位置和不合理匹配属性等,从而最终保证车道模型数据A和车道模型数据B匹配到最优的关系,最优的关系包括车道模型数据B中某条车道线应该是车道模型数据A中对应的车道线;车道模型数据A中的车道线与车道模型数据B中的车道线是相交的路口,或仅仅是位置相交,以及车道模型数据A和车道模型数据B中虚拟车道线和实际车道线复杂路口相交的对应关系。
另外,在车道配准算法中,需要根据位置、属性等信息对模型A和模型B中的车道线进行选点,以保证得到最合理的匹配,选点的方法包括固定选点,特征值选点和矩阵奇异分解选点。
进一步地,车道数据合并算法包括根据车道配准算法得到的车道配准关系,把车道模型数据A和车道模型数据B中属性、位置关系更新,更新的信息包括优先选择高精度测量信息,除去车道模型数据A和车道模型数据B中错误的测量信息,根据时间信息选择最近的道路属性规则,合并不重合的车道线并生成新的道路拓扑结构,与现有道路拓扑结构合并生成路口和道路。
本实施例的一种车道线自动融合匹配算法包括把一部分更新测量的更精确的车道模型数据融入一个完整的成熟的车道线模型中,并且校正、更新原完成车道线模型中的精度较低、或者过时的车道线数据,车道线数据包括但不限于车道宽度、车道线位置信息、车道线类型、车道线限制、车道线导航信息等数据。
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 (5)
1.一种车道线自动融合匹配算法,其特征在于:所述匹配算法包括
对待融合的车道线模型数据进行预处理;
利用预处理后的车道线模型数据构建车道数据张量模型;
利用车道数据张量模型,构建车道配准算法来生成两个互相对应的车道数据张量模型的匹配关系;
利用车道数据合并算法对两个互相对应的车道数据张量模型的数据进行合并;
生成目标车道模型;
其中,所述待融合的车道线模型数据是经过车道线自动提取系统处理后的车道线模型数据,待融合的车道线模型数据包括车道模型数据A和车道模型数据B;
所述车道配准算法利用车道数据张量模型构建的MILP模型为:
其中,Ci,j为匹配车道模型数据A和车道模型数据B关系的整型变量;Di,j为车道模型数据A和车道模型数据B的位置距离;Attri,j为车道模型数据A和车道模型数据B的相关属性关系;
所述车道配准算法在计算中需要对车道模型数据A和车道模型数据B中的车道线进行选点,选点的方法包括固定选点,特征值选点和矩阵奇异分解选点;
所述车道配准算法在构建MILP模型之前先利用车道线的轨迹数据、现有路网信息、车道线属性信息,生成可以匹配的对应节点数据,再构建MILP模型,然后利用优化器求解,找到对应优选的匹配关系。
2.如权利要求1所述的一种车道线自动融合匹配算法,其特征在于:所述待融合的车道线模型数据包括不同时间、不同批次采集的车道线数据,所述车道线数据包括测量点信息、车道线属性信息、道路属性信息、车道线节点属性信息。
3.如权利要求1所述的一种车道线自动融合匹配算法,其特征在于:所述对待融合的车道线模型数据进行预处理包括
利用测量的车道线节点位置信息构建车道线的空间索引;
过滤重合或不合理的数据;
处理车道线之间的共点关系;
检查车道线属性;
完善测量信息,包括测量点定位状态、位置精度和属性完善时间。
4.如权利要求1所述的一种车道线自动融合匹配算法,其特征在于:所述车道数据合并算法包括根据车道配准算法得到的车道配准关系,把车道模型数据A和车道模型数据B中属性、位置关系更新。
5.如权利要求4所述的一种车道线自动融合匹配算法,其特征在于:所述车道数据合并算法更新的信息包括优先选择高精度测量信息,除去车道模型数据A和车道模型数据B中错误的测量信息,根据时间信息选择最近的道路属性规则,合并不重合的车道线并生成新的道路拓扑结构,与现有道路拓扑结构合并生成路口和道路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810943429.2A CN109214314B (zh) | 2018-08-17 | 2018-08-17 | 一种车道线自动融合匹配算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810943429.2A CN109214314B (zh) | 2018-08-17 | 2018-08-17 | 一种车道线自动融合匹配算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109214314A CN109214314A (zh) | 2019-01-15 |
CN109214314B true CN109214314B (zh) | 2022-03-29 |
Family
ID=64989175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810943429.2A Active CN109214314B (zh) | 2018-08-17 | 2018-08-17 | 一种车道线自动融合匹配算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214314B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599570B (zh) * | 2019-09-17 | 2022-09-20 | 武汉中海庭数据技术有限公司 | 基于众包数据开放场景下的地图生成方法及系统 |
CN112685517B (zh) * | 2019-10-17 | 2023-01-31 | 合肥四维图新科技有限公司 | 分歧/合流区域的识别方法和设备 |
CN111209805B (zh) * | 2019-12-24 | 2022-05-31 | 武汉中海庭数据技术有限公司 | 车道线众包数据的多道路片段数据的快速融合优化方法 |
CN114969880B (zh) * | 2021-02-26 | 2023-05-26 | 阿里巴巴集团控股有限公司 | 一种道路模型构建方法和装置 |
CN114492582B (zh) * | 2021-12-28 | 2022-10-14 | 广州小鹏自动驾驶科技有限公司 | 一种分片式道路数据融合的方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036279A (zh) * | 2014-06-12 | 2014-09-10 | 北京联合大学 | 一种智能车行进控制方法及系统 |
CN105667518A (zh) * | 2016-02-25 | 2016-06-15 | 福州华鹰重工机械有限公司 | 车道检测的方法及装置 |
CN105678689A (zh) * | 2015-12-31 | 2016-06-15 | 百度在线网络技术(北京)有限公司 | 高精地图数据配准关系确定方法及装置 |
CN105701449A (zh) * | 2015-12-31 | 2016-06-22 | 百度在线网络技术(北京)有限公司 | 路面上的车道线的检测方法和装置 |
CN107330380A (zh) * | 2017-06-14 | 2017-11-07 | 千寻位置网络有限公司 | 基于无人机航拍影像的车道线自动提取和识别方法 |
CN107886192A (zh) * | 2017-10-26 | 2018-04-06 | 西南交通大学 | 基于固定式与移动式车辆检测数据的数据与信息融合方法 |
-
2018
- 2018-08-17 CN CN201810943429.2A patent/CN109214314B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036279A (zh) * | 2014-06-12 | 2014-09-10 | 北京联合大学 | 一种智能车行进控制方法及系统 |
CN105678689A (zh) * | 2015-12-31 | 2016-06-15 | 百度在线网络技术(北京)有限公司 | 高精地图数据配准关系确定方法及装置 |
CN105701449A (zh) * | 2015-12-31 | 2016-06-22 | 百度在线网络技术(北京)有限公司 | 路面上的车道线的检测方法和装置 |
CN105667518A (zh) * | 2016-02-25 | 2016-06-15 | 福州华鹰重工机械有限公司 | 车道检测的方法及装置 |
CN107330380A (zh) * | 2017-06-14 | 2017-11-07 | 千寻位置网络有限公司 | 基于无人机航拍影像的车道线自动提取和识别方法 |
CN107886192A (zh) * | 2017-10-26 | 2018-04-06 | 西南交通大学 | 基于固定式与移动式车辆检测数据的数据与信息融合方法 |
Non-Patent Citations (1)
Title |
---|
面向道路网VGI数据的匹配与融合方法;王志国等;《测绘工程》;20180630;第27卷(第6期);第65-67页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109214314A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214314B (zh) | 一种车道线自动融合匹配算法 | |
US20200132476A1 (en) | Method and apparatus for producing a lane-accurate road map | |
WO2020224305A1 (zh) | 用于设备定位的方法、装置及设备 | |
CN110146910A (zh) | 一种基于gps与激光雷达数据融合的定位方法及装置 | |
WO2021051344A1 (zh) | 高精度地图中车道线的确定方法和装置 | |
CN116255992A (zh) | 一种同时定位与建图的方法和装置 | |
EP3667236A1 (en) | A method of determining position data | |
CN113390407A (zh) | 车道级导航地图的构建方法、装置、设备以及存储介质 | |
CN109813332B (zh) | 添加虚拟引导线的方法和装置 | |
JP2023002757A (ja) | 高精度地図作成方法、装置及び電子機器 | |
CN116518960B (zh) | 路网更新方法、装置、电子设备和存储介质 | |
CN113392169A (zh) | 一种高精度地图更新的方法、装置及服务器 | |
CN113792061A (zh) | 地图数据的更新方法、装置及电子设备 | |
JP2019100924A (ja) | 車両軌跡補正装置 | |
CN110544201B (zh) | 一种车载激光扫描点云的大范围拼接方法及装置 | |
CN106595602B (zh) | 基于同名直线特征的相对定向方法 | |
CN114111817B (zh) | 基于slam地图与高精度地图匹配的车辆定位方法及系统 | |
CN115937449A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN115661444A (zh) | 图像处理方法、装置、设备、存储介质及产品 | |
CN109189304A (zh) | 一种地图编辑方法及装置 | |
CN114485684A (zh) | 一种基于地面要素拓扑关系的地图道路匹配方法和系统 | |
CN112182129A (zh) | 高精度地图更新方法及装置 | |
Stankutė et al. | An integrative approach to geospatial data fusion | |
CN117456496B (zh) | 地图车道边界线的处理方法和系统 | |
Zhang | A congruent hybrid model for conflation of satellite image and road database |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Room 108-27, Building 1, No. 611 Yunxiu South Road, Wuyang Street, Deqing County, Huzhou City, Zhejiang Province, 313200 (Moganshan National High tech Zone) Patentee after: Kuandong (Huzhou) 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. |