CN109598199B - 车道线生成方法和装置 - Google Patents
车道线生成方法和装置 Download PDFInfo
- Publication number
- CN109598199B CN109598199B CN201811290582.6A CN201811290582A CN109598199B CN 109598199 B CN109598199 B CN 109598199B CN 201811290582 A CN201811290582 A CN 201811290582A CN 109598199 B CN109598199 B CN 109598199B
- Authority
- CN
- China
- Prior art keywords
- lane line
- reflection value
- value base
- base map
- lane
- 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
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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种车道线生成方法和装置。该方法包括：根据无人车周围环境的点云数据，获取周围环境的反射值底图；根据所述反射值底图和车道线图像，生成包含车道线区域的反射值底图；对所述包含车道线区域的反射值底图进行搜索处理，生成矢量化的车道线。在上述搜索处理过程中，对车道线中断和缺失部分进行了还原，使得生成的矢量化车道线是完整和清晰的，提高了无人车行驶安全性。
Description
技术领域
本发明涉及智能交通技术领域，尤其涉及一种车道线生成方法和装置。
背景技术
随着汽车技术的智能化，无人车应运而生。无人车依靠车内智能驾驶仪来实现无人驾驶的目的。在无人车行驶过程中，需要为无人车提供车道线的信息。
现有技术是基于语义分割方法生成车道线的。然而，道路上的车道线因为遮挡、磨损等原因，会出现模糊不清楚、断线等问题。通过现有技术获取到的车道线并不完整，存在中断和缺失等问题，导致无人车不能根据车道线安全行驶。
发明内容
本发明提供一种车道线生成方法和装置，用以提高无人车行驶安全度。
第一方面，本发明提供一种车道线生成方法，包括：
根据无人车周围环境的点云数据，获取周围环境的反射值底图，所述反射值底图包括所述周围环境的反射信息；
根据所述反射值底图和车道线图像，生成包含车道线区域的反射值底图；
对所述包含车道线区域的反射值底图进行搜索处理，生成矢量化的车道线。
可选的，所述根据无人车周围环境的点云数据，获取周围环境的反射值底图，包括：
将所述周围环境的点云数据映射到二维空间中，得到所述周围环境的反射值底图。
可选的，所述根据所述反射值底图和车道线图像，生成包含车道线区域的反射值底图之前，还包括：
通过相机采集待处理图像；
对所述待处理图像进行语义分割得到所述车道线图像。
可选的，所述根据所述反射值底图和车道线图像，生成包含车道线区域的反射值底图，包括：
将所述车道线图像映射到三维空间中，得到车道线三维图；
将所述车道线三维图映射到所述反射值底图上，生成所述包含车道线区域的反射值底图。
可选的，所述对所述包含车道线区域的反射值底图进行搜索处理，生成矢量化的车道线，包括：
对所述包含车道线区域的反射值底图进行语义分割处理，得到车道线的标记点集；
对所述车道线区域内的车道线和所述标记点集进行处理，得到所述矢量化的车道线。
可选的，所述对所述车道线区域内的车道线和所述标记点集进行处理，包括：
将所述车道线区域内的车道线调整到所述标记点集中的标记点所表征的位置处。
可选的，所述将所述车道线区域内的车道线调整到所述标记点集中的标记点所表征的位置处，包括：
对所述车道线区域内的车道线进行离散化，得到多个离散点；
对于所述多个离散点中的每个离散点，在所述标记点集中寻找对应的标记点；
将所述离散点替换为所述对应的标记点，以使所述车道线区域内的车道线被调整至所述标记点集中的标记点所表征的位置处。
可选的，上述方法，还包括：
若对于所述多个离散点中N个连续的离散点，所述标记点集中均不存在对应的标记点，则对所述N个连续的离散点进行平移处理。
第二方面，本发明提供一种车道线生成装置，包括：
第一获取模块，用于根据无人车周围环境的点云数据，获取周围环境的反射值底图，所述反射值底图包括所述周围环境的反射信息；
第一生成模块，用于根据所述反射值底图和车道线图像，生成包含车道线区域的反射值底图；
第二生成模块，用于对所述包含车道线区域的反射值底图进行搜索处理，生成矢量化的车道线。
可选的，所述获取模块，具体用于将所述周围环境的点云数据映射到二维空间中，得到所述周围环境的反射值底图。
可选的，上述车道线生成装置，还包括：
第二获取模块，用于通过相机采集待处理图像；
语义分割模块，用于对所述待处理图像进行语义分割得到所述车道线图像。
可选的，所述第一生成模块，具体用于将所述车道线图像映射到三维空间中，得到车道线三维图；
将所述车道线三维图映射到所述反射值底图上，生成所述包含车道线区域的反射值底图。
可选的，所述第二生成模块，包括：
第一处理模块，用于对所述包含车道线区域的反射值底图进行语义分割处理，得到车道线的标记点集；
第二处理模块，用于对所述车道线区域内的车道线和所述标记点集进行处理，得到所述矢量化的车道线。
可选的，所述第二处理模块，具体用于将所述车道线区域内的车道线调整到所述标记点集中的标记点所表征的位置处。
可选的，所述第二处理模块，具体用于对所述车道线区域内的车道线进行离散化，得到多个离散点；
对于所述多个离散点中的每个离散点，在所述标记点集中寻找对应的标记点；
将所述离散点替换为所述对应的标记点，以使所述车道线区域内的车道线被调整至所述标记点集中的标记点所表征的位置处。
可选的，上述车道线生成装置，还包括：
平移模块，用于若对于所述多个离散点中N个连续的离散点，所述标记点集中均不存在对应的标记点，则对所述N个连续的离散点进行平移处理。
第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述车道线生成方法。
第四方面，本发明提供一种终端，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来实现上述车道线生成方法。
本发明提供的车道线生成方法和装置，首先根据周围环境的点云数据，获取到周围环境的反射值底图，然后根据该反射值底图和获取到车道线图像，生成包含车道线区域的反射值底图，最后对该包含车道线区域的反射值底图进行搜索处理，生成矢量化的车道线。在上述搜索处理过程中，对车道线中断和缺失部分进行了还原，使得生成的矢量化车道线是完整和清晰的，提高了无人车行驶安全性。
附图说明
图1为本发明提供的系统示意图；
图2为本发明提供的车道线生成方法的实施例一的流程示意图；
图3为本发明提供的车道线生成方法的实施例二的流程示意图；
图4为本发明提供的车道线生成方法的实施例三的流程示意图；
图5为本发明提供的车道线标记点集示意图；
图6为本发明提供的车道线标记点集和车道线区域内车道线的示意图；
图7为本发明提供的车道线标记点集和车道线区域内车道线的另一示意图；
图8为本实施例提供的车道线生成装置的实施例一的结构示意图；
图9为本实施例提供的车道线生成装置的实施例二的结构示意图；
图10为本发明提供的终端的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
对无人车来说，地图上的车道线是否完整和清晰关系到无人车能否安全行驶。现有技术中通常基于语义分割方法生成车道线。然而，道路上的车道线因为遮挡、磨损等原因，会出现模糊不清楚、断线等问题。通过现有技术获取到的车道线并不完整，存在中断和缺失等问题，导致无人车不能根据车道线安全行驶。
为了解决上述技术问题，本发明提供一种车道线生成方法和装置。首先根据无人车周围环境的点云数据，获取周围环境的反射值底图；然后对拍摄得到的图像进行处理得到车道线图像；然后将车道线图像的三维图映射到上述反射值底图上，得到包含车道线区域的反射值底图；最后对该包含车道线区域的反射值底图进行搜索处理，得到矢量化的车道线。通过上述方法可以将存在中断和缺失等问题的车道线还原，从而得到完整清晰的车道线，提高了无人车行驶安全度。
下面对本发明涉及到名词术语进行解释：
点云数据：现有技术中多采用激光扫描的方式，获取环境的点云数据；当一束激光照射到物体表面时，所反射的激光会携带方位、距离等信息。若将激光束按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，由于扫描极为精细，则能够得到大量的激光点，因而就可形成物体的激光点云数据。点云数据是在目标表面特性的海量点云的集合。
反射值底图：根据激光测量原理得到的点云，包括三维坐标(XYZ)和激光反射信息；根据摄影测量原理得到的点云，包括三维坐标(XYZ)；结合激光测量和摄影测量原理得到点云，包括三维坐标(XYZ)和激光反射信息。按照点云中的反射信息表示点云数据，即可获取点云数据对应的反射值底图。
语义分割：对获取的图像中的每个像素都做分类，即获取图像中每个像素属于什么对象的像素。现有技术中多采用卷积神经网络的方式对像素进行。
图1为本发明提供的可用于实施上述车道线生成方法的系统示意图。图1所示系统包括：激光雷达、相机以及车道线生成装置。
其中，激光雷达用于采集无人车周围环境的点云数据，并将采集到的点云数据发送给车道线生成装置。
其中，相机用于拍摄图像，并将拍摄到的图像也发送给车道线生成装置，可选的，相机也可以是其他能够实现图像采集的设备，在此不再一一举例。
其中，车道线生成装置用于执行本发明提供的车道线生成方法，车道线生成装置可以是无人车上智能驾驶仪中一个软件模块，也可以是智能驾驶仪中一个独立的硬件模块。本发明对此不做限定。
下面结合具体的实施例对图1中车道线生成装置如何让执行车道线生成方法的过程进行详细的描述。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
图2为本发明提供的车道线生成方法的实施例一的流程示意图。本实施例提供的车道线生成方法可由图1所示车道线生成装置执行。如图2所示，本实施例提供的车道线生成方法，包括：
S201、根据无人车周围环境的点云数据，获取周围环境的反射值底图，所述反射值底图包括所述周围环境的反射信息。
其中，周围环境指的是无人车所行驶的车道周边的环境，周围环境中可能包括道路两旁的树木、建筑、公交站等环境元素。如上文描述，周围环境的点云数据可由激光雷达采集并发送给车道线生成装置。
根据周围环境的点云数据获取反射值底图的可实现方式为：无人车行驶过程中，激光雷达实时采集周围环境的点云数据，激光雷达采集到的周围环境的点云数据为三维图，激光雷达将采集到的周围环境的点云数据发送给车道线生成装置，车道线生成装置收到该点云数据后，将该点云数据映射到二维空间中，便可得到反射值底图，该反射值底图为二维图。
本步骤得到的反射值底图可反映某时刻周围环境所包含的树木、建筑以及其他环境元素之间的相对位置关系。
S202、根据所述反射值底图和车道线图像，生成包含车道线区域的反射值底图。
具体的，在本步骤生成包含车道线区域的反射值底图之前，需先获取车道线图像。获取车道线图像的可实现的方式为：采用相机或其他图像采集设备采集无人车行驶方向的全景图像，从该全景图像中识别出车道线的位置，然后对图像进行处理，得到车道线图像。上述全景图像和车道线图像的区别在于，全景图像中不仅包含车道线，还包含车道周边环境，而车道线图像中仅包含车道线，车道线图像为二维图。
具体的，在获取到车道线图像后，生成包含车道线区域的反射值底图的可实现方式为：将所述车道线图像映射到三维空间中，得到车道线三维图；将所述车道线三维图映射到所述反射值底图上，生成所述包含车道线区域的反射值底图。
S203、对所述包含车道线区域的反射值底图进行搜索处理，生成矢量化的车道线。
其中，对包含车道线区域的反射值底图进行搜索处理得到的矢量化车道线可将中断或者缺失的部分填充完整，使得无人车按照该矢量化车道线能够实现安全行驶。
本实施例提供的车道线生成方法，首先根据周围环境的点云数据，获取到周围环境的反射值底图，然后根据该反射值底图和获取到车道线图像，生成包含车道线区域的反射值底图，最后对该包含车道线区域的反射值底图进行搜索处理，生成矢量化的车道线。在上述搜索处理过程中，对车道线中断和缺失部分进行了还原，使得生成的矢量化车道线是完整和清晰的，提高了无人车行驶安全性。
下面结合具体的实施例对上述实施例中获取车道线图像的可实现方式，以及生成包含车道线区域的反射值底图的可实现方式进行详细的说明。
图3为本发明提供的车道线生成方法的实施例二的流程示意图。如图3所示，本实施例提供的车道线生成方法，包括：
S301、根据周围环境的点云数据，获取周围环境的反射值底图。
其中，S301的具体实现方式和上述实施例中S201类似，在此不再赘述。
S302、通过相机采集待处理图像。
具体的，如上文所描述，此处相机还可以为任何能够实现图像采集的设备。相机采集到待处理图像后，可将该待处理图像发送给车道线生成装置，该待处理图像即为上述实施例所描述的全景图像。即，待处理图像中既包含了车道线的图像，也包含了周围环境的图像。
S303、对所述待处理图像进行语义分割得到所述车道线图像。
具体的，本实施例中采用语义分割的方式对车道线在待处理图像中的位置进行识别，并根据车道线在待处理图像中的位置生成仅包含车道线的车道线图像。
举例来说，相机拍摄得到的某时刻的待处理图像包含的元素可能有：车道两旁的树木、公交站、车道线等。采用语义分割的方式对待处理图像中包含的元素进行识别，得到各元素在待处理图像中的具体位置，然后根据车道线在待处理图像中的具体位置生成仅包含车道线的车道线图像。
S304、将所述车道线图像映射到三维空间中，得到车道线三维图。
S305、将所述车道线三维图映射到所述反射值底图上，生成所述包含车道线区域的反射值底图。
其中，S303得到的车道线图像为二维图，为了能根据该车道线图像和S301中得到的反射值底图得到包含车道线区域的反射值地图，首先，将车道线图像映射到三维空间中，得到车道线三维图，然后再将车道线三维图映射到S301中的反射值底图上，得到包含车道线区域的反射值底图。
S306、对所述包含车道线区域的反射值底图进行搜索处理，生成矢量化的车道线。
其中，对包含车道线区域的反射值底图进行搜索处理的目的是将存在中断或者缺失的车道线补充完整，以提高无人车行驶安全度。
本实施例提供的车道线生成方法，描述了获取车道线图像的可实现方式，具体为首先通过相机采集待处理图像，然后，对待处理图像进行语义分割，得到车道线在所述待处理图像中的具体位置，根据该具体位置获取车道线图像。为后续根据车道线图像生成矢量化车道线的过程提供了依据。同时，本实施例提供的车道线生成方法，还描述了生成包含车道线区域的反射值底图的可实现方式，具体为先将车道线图像映射到三维空间中，得到车道线三维图，然后将车道线三维图映射到反射值底图上，生成包含车道线区域的反射值底图，为后续通过搜索处理提供了依据。
下面结合具体的实施例对上述实施例中对包含车道线区域的反射值底图进行搜索处理，生成矢量化的车道线的过程进行详细的描述。
图4为本发明提供的车道线生成方法的实施例三的流程示意图。如图4所示，本实施例提供的车道线生成方法，包括：
S401、根据周围环境的点云数据，获取周围环境的反射值底图。
S402、通过相机采集待处理图像。
S403、对所述待处理图像进行语义分割得到所述车道线图像。
S404、将所述车道线图像映射到三维空间中，得到车道线三维图。
S405、将所述车道线三维图映射到所述反射值底图上，生成所述包含车道线区域的反射值底图。
其中，S401-S405的实现方式可参见上述实施例的描述，本发明在此不再赘述。
S406、对所述包含车道线区域的反射值底图进行语义分割处理，得到车道线的标记点集。
其中，包含车道线区域的反射值底图中除了包含车道线，还包括周围环境，比如：道路两旁的树木、建筑以及公交站等。这种情况下，可采用语义分割的方式识别各环境元素的位置，采用语义分割处理得到车道线的标记点集如图5所示，图5中每个标记点集均包括多个标记点。
S407、对所述车道线区域内的车道线和所述标记点集进行处理，得到所述矢量化的车道线。
其中，在S406得到车道线的标记点集后，将所述车道线区域内的车道线调整到所述标记点集中的标记点所表征的位置处。
具体的，上述将车道线区域内的车道线调整到所述标记点集中的标记点所表征的位置处的可实现方式为：对所述车道线区域内的车道线进行离散化，得到多个离散点；对于所述多个离散点中的每个离散点，在所述标记点集中寻找对应的标记点；将所述离散点替换为所述对应的标记点。若对于所述多个离散点中N个连续的离散点，所述标记点集中均不存在对应的标记点，则对所述N个连续的离散点进行平移处理。
举例来说，如图6所示，图6中虚线表示经过S406得到的车道线的标记点集，图6中实线表示车道线区域中的车道线，首先，将车道线进行离散化，得到多个离散点；然后，在图6中虚线表示的标记点集中寻找每个离散点对应的标记点，并将离散点替换为对应的标记点，以离散点A为例，在图6中虚线表示的标记点集中寻找离散点A对应的标记点，假设为A’，则将离散点A替换为A’，同理，找出所有离散点对应的标记点，并进行替换。
如图7所示，假设车道线区域中的车道线被离散后，离散点M1-M10在图7所示虚线表示的标记点集中可以找到对应的标记点M1’-M10’，离散点M20-M30在图7所示虚线表示的标记点集中也可以找到对应的标记点M20’-M30’，但是，离散点M10-M20在图7所示虚线表示的标记点集中无法找到对应的标记点，则对于离散点M10-M20可采用如下连接公式计算对应的标记点：
其中，参见图7所示，Y′km表示所要计算的车道线上离散点Ykm对应的标记点的纵坐标，Yir，k表示离散点M10的纵坐标，Yir表示离散点M10对应的标记点M10’的纵坐标，Yjl，k表示离散点M20的纵坐标，Yjl表示离散点M20对应的标记点M20’的纵坐标，Xkm表示离散点Ykm的横坐标，Xir表示离散点M10的横坐标，Xjl表示离散点M20的横坐标。
本实施例提供的车道线生成方法，描述了对所述包含车道线区域的反射值底图进行搜索处理，生成矢量化的车道线的具体过程，将存在中断或者缺失的车道线进行了补充，提高了无人车行驶安全度。
图8为本实施例提供的车道线生成装置的实施例一的结构示意图。如图8所示，本实施例提供的车道线生成装置，包括：
第一获取模块801，用于根据周围环境的点云数据，获取周围环境的反射值底图；
第一生成模块802，用于根据所述反射值底图和车道线图像，生成包含车道线区域的反射值底图；
第二生成模块803，用于对所述包含车道线区域的反射值底图进行搜索处理，生成矢量化的车道线。
本实施例提供的车道线生成装置，可用于执行图2所示实施例中的方法，其实现原理和技术效果类似，在此不再赘述。
图9为本实施例提供的车道线生成装置的实施例二的结构示意图。如图9所示，在上述实施例的基础上，本实施例提供的车道线生成装置，所述获取模块801，具体用于将所述周围环境的点云数据映射到二维空间中，得到所述周围环境的反射值底图。
可选的，本实施例提供的车道线生成装置，还包括：
第二获取模块901，用于通过相机采集待处理图像；
语义分割模块902，用于对所述待处理图像进行语义分割得到所述车道线图像。
可选的，所述第一生成模块802，具体用于将所述车道线图像映射到三维空间中，得到车道线三维图；
将所述车道线三维图映射到所述反射值底图上，生成所述包含车道线区域的反射值底图。
可选的，所述第二生成模块803，包括：
第一处理模块903，用于对所述包含车道线区域的反射值底图进行语义分割处理，得到车道线的标记点集；
第二处理模块904，用于对所述车道线区域内的车道线和所述标记点集进行处理，得到所述矢量化的车道线。
可选的，所述第二处理模块904，具体用于将所述车道线区域内的车道线调整到所述标记点集中的标记点所表征的位置处。
可选的，所述第二处理模块904，具体用于对所述车道线区域内的车道线进行离散化，得到多个离散点；
对于所述多个离散点中的每个离散点，在所述标记点集中寻找对应的标记点；
将所述离散点替换为所述对应的标记点，以使所述车道线区域内的车道线被调整至所述标记点集中的标记点所表征的位置处。
可选的，本实施例提供的车道线生成装置，还包括：
平移模块905，用于若对于所述多个离散点中N个连续的离散点，所述标记点集中均不存在对应的标记点，则对所述N个连续的离散点进行平移处理。
本实施例提供的车道线生成装置，可用于执行图3或图4所示实施例中的方法，其实现原理和技术效果类似，在此不再赘述。
图10为本发明提供的终端的硬件结构示意图。如图10所示，本实施例的终端可以包括：
存储器1001，用于存储程序指令。
处理器1002，用于在所述程序指令被执行时实现上述任一实施例描述的方法，具体实现原理可参见上述实施例，本实施例此处不再赘述。
本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的车道线生成方法。
本发明还提供一种程序产品，所述程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得终端实施上述任一实施例所述的车道线生成方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应理解，上述实施例中处理器可以是中央处理单元(英文：Central ProcessingUnit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital SignalProcessor，简称：DSP)、专用集成电路(英文：Application Specific IntegratedCircuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种车道线生成方法，其特征在于，包括：
根据无人车周围环境的点云数据，获取周围环境的反射值底图，所述反射值底图包括所述周围环境的反射信息；
根据所述反射值底图和车道线图像，生成包含车道线区域的反射值底图；
对所述包含车道线区域的反射值底图进行搜索处理，生成矢量化的车道线；
所述根据所述反射值底图和车道线图像，生成包含车道线区域的反射值底图，包括：
将所述车道线图像映射到三维空间中，得到车道线三维图；
将所述车道线三维图映射到所述反射值底图上，生成所述包含车道线区域的反射值底图；
所述根据无人车周围环境的点云数据，获取周围环境的反射值底图，包括：
将所述周围环境的点云数据映射到二维空间中，得到所述周围环境的反射值底图。
2.根据权利要求1所述的方法，其特征在于，所述根据所述反射值底图和车道线图像，生成包含车道线区域的反射值底图之前，还包括：
通过相机采集待处理图像；
对所述待处理图像进行语义分割得到所述车道线图像。
3.根据权利要求1或2所述的方法，其特征在于，所述对所述包含车道线区域的反射值底图进行搜索处理，生成矢量化的车道线，包括：
对所述包含车道线区域的反射值底图进行语义分割处理，得到车道线的标记点集；
对所述车道线区域内的车道线和所述标记点集进行处理，得到所述矢量化的车道线。
4.根据权利要求3所述的方法，其特征在于，所述对所述车道线区域内的车道线和所述标记点集进行处理，包括：
将所述车道线区域内的车道线调整到所述标记点集中的标记点所表征的位置处。
5.根据权利要求4所述的方法，其特征在于，所述将所述车道线区域内的车道线调整到所述标记点集中的标记点所表征的位置处，包括：
对所述车道线区域内的车道线进行离散化，得到多个离散点；
对于所述多个离散点中的每个离散点，在所述标记点集中寻找对应的标记点；
将所述离散点替换为所述对应的标记点，以使所述车道线区域内的车道线被调整至所述标记点集中的标记点所表征的位置处。
6.根据权利要求5所述的方法，其特征在于，还包括：
若对于所述多个离散点中N个连续的离散点，所述标记点集中均不存在对应的标记点，则对所述N个连续的离散点进行平移处理。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法。
8.一种终端，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来实现权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811290582.6A CN109598199B (zh) | 2018-10-31 | 2018-10-31 | 车道线生成方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811290582.6A CN109598199B (zh) | 2018-10-31 | 2018-10-31 | 车道线生成方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109598199A CN109598199A (zh) | 2019-04-09 |
| CN109598199B true CN109598199B (zh) | 2021-07-27 |
Family
ID=65958488
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811290582.6A Active CN109598199B (zh) | 2018-10-31 | 2018-10-31 | 车道线生成方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109598199B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111460986A (zh) * | 2020-03-30 | 2020-07-28 | 深圳市凯立德科技股份有限公司 | 一种车道线处理方法和装置 |
| CN111814651B (zh) * | 2020-07-02 | 2024-01-12 | 阿波罗智能技术(北京)有限公司 | 车道线的生成方法、装置和设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术（北京）有限公司 | 一种获取车道线的方法和装置 |
| CN105528588A (zh) * | 2015-12-31 | 2016-04-27 | 百度在线网络技术（北京）有限公司 | 一种车道线识别方法及装置 |
| 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 |
| US9555740B1 (en) * | 2012-09-27 | 2017-01-31 | Google Inc. | Cross-validating sensors of an autonomous vehicle |
| CN107463918A (zh) * | 2017-08-17 | 2017-12-12 | 武汉大学 | 基于激光点云与影像数据融合的车道线提取方法 |
| CN108256446A (zh) * | 2017-12-29 | 2018-07-06 | 百度在线网络技术（北京）有限公司 | 用于确定道路中的车道线的方法、装置和设备 |
| CN108470159A (zh) * | 2018-03-09 | 2018-08-31 | 腾讯科技（深圳）有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
| CN108519605A (zh) * | 2018-04-09 | 2018-09-11 | 重庆邮电大学 | 基于激光雷达和摄像机的路沿检测方法 |
-
2018
- 2018-10-31 CN CN201811290582.6A patent/CN109598199B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9555740B1 (en) * | 2012-09-27 | 2017-01-31 | Google Inc. | Cross-validating sensors of an autonomous vehicle |
| CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术（北京）有限公司 | 一种获取车道线的方法和装置 |
| CN105528588A (zh) * | 2015-12-31 | 2016-04-27 | 百度在线网络技术（北京）有限公司 | 一种车道线识别方法及装置 |
| 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 |
| CN107463918A (zh) * | 2017-08-17 | 2017-12-12 | 武汉大学 | 基于激光点云与影像数据融合的车道线提取方法 |
| CN108256446A (zh) * | 2017-12-29 | 2018-07-06 | 百度在线网络技术（北京）有限公司 | 用于确定道路中的车道线的方法、装置和设备 |
| CN108470159A (zh) * | 2018-03-09 | 2018-08-31 | 腾讯科技（深圳）有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
| CN108519605A (zh) * | 2018-04-09 | 2018-09-11 | 重庆邮电大学 | 基于激光雷达和摄像机的路沿检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109598199A (zh) | 2019-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110869974B (zh) | 点云处理方法、设备及存储介质 | |
| JP2020098188A (ja) | 障害物検出方法、障害物検出装置、電子機器、車両及び記憶媒体 | |
| CN111192295B (zh) | 目标检测与跟踪方法、设备和计算机可读存储介质 | |
| WO2021046716A1 (zh) | 目标对象的检测方法、系统、设备及存储介质 | |
| CN111699410B (zh) | 点云的处理方法、设备和计算机可读存储介质 | |
| CN113761999B (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
| CN111553946B (zh) | 用于去除地面点云的方法及装置、障碍物检测方法及装置 | |
| CN109816780B (zh) | 一种双目序列影像的输电线路三维点云生成方法及装置 | |
| CN112036359B (zh) | 一种车道线的拓扑信息获得方法、电子设备及存储介质 | |
| CN112753038A (zh) | 识别车辆变道趋势的方法和装置 | |
| JP7389729B2 (ja) | 障害物検知装置、障害物検知システム及び障害物検知方法 | |
| CN109598199B (zh) | 车道线生成方法和装置 | |
| CN115273039B (zh) | 一种基于摄像头的小障碍物探测方法 | |
| CN115273027A (zh) | 环境感知方法、域控制器、存储介质及车辆 | |
| CN114820769A (zh) | 车辆定位方法、装置、计算机设备、存储介质及车辆 | |
| CN112639822B (zh) | 一种数据处理方法及装置 | |
| CN111380529B (zh) | 移动设备定位方法、装置、系统及移动设备 | |
| WO2020248118A1 (zh) | 点云处理方法、系统、设备及存储介质 | |
| CN116343165A (zh) | 一种3d目标检测系统、方法、终端设备及存储介质 | |
| CN117011481A (zh) | 构建三维地图的方法、装置、电子设备及存储介质 | |
| CN113469045B (zh) | 无人集卡的视觉定位方法、系统、电子设备和存储介质 | |
| CN115618602A (zh) | 一种车道级场景仿真方法及系统 | |
| CN115359332A (zh) | 基于车路协同的数据融合方法、装置、电子设备及系统 | |
| CN110827340A (zh) | 地图的更新方法、装置及存储介质 | |
| CN111890358B (zh) | 双目避障方法、装置、存储介质及电子装置 |
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: 20211019 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Patentee after: Apollo Intelligent Technology (Beijing) Co.,Ltd. Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing Patentee before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. |