CN109711336A - 道路标线确定方法、装置、存储介质及计算机设备 - Google Patents

Abstract

本申请涉及一种道路标线确定方法、装置、存储介质及计算机设备，获取待确定道路的彩色点云数据，彩色点云数据包括多个点数据，点数据包含坐标信息、反射强度信息以及颜色信息；根据点数据的反射强度信息，识别并提取彩色点云数据中的标线数据；根据提取的标线数据的坐标信息得到标线数据对应的标线形状信息；根据标线数据的标线形状信息以及颜色信息进行标线类型识别，确定标线数据对应的标线类型。通过待确定道路的彩色点云数据得到标线数据，并根据该标线数据的标线形状以及标线颜色来识别确定对应的标线类型，从而可以提高道路标线识别的准确性，并且工作效率更高。

Description

道路标线确定方法、装置、存储介质及计算机设备

技术领域

本申请涉及道路交通技术领域，特别是涉及一种道路标线确定方法、装置、存储介质及计算机设备。

背景技术

道路标线，即道路交通标线(Traffic Index Line)，是指设置于道路路面上的，用线条、箭头、文字、立面标记、突起路标和轮廓标等向交通参与者传递引导、限制、警告等交通信息的标识。随着电子地图技术的发展，其包含的信息也越来越多，其中，道路标线信息是电子地图中较为重要的一部分。

现有技术在进行道路标线信息的电子化过程中，通常为采用人工手动的方式实现，即根据采集的点云数据，通过人工经验绘制标线。然而，人工的方式存在工作效率低的问题，且容易出错。

发明内容

基于此，有必要针对现有技术存在的问题，提供一种效率及准确度更高的道路标线确定方法、装置、存储介质及计算机设备。

一种道路标线确定方法，包括以下步骤：

获取待确定道路的彩色点云数据，所述彩色点云数据包括多个点数据，所述点数据包含坐标信息、反射强度信息以及颜色信息；

根据所述点数据的反射强度信息，识别并提取所述彩色点云数据中的标线数据；

根据提取的标线数据的坐标信息得到所述标线数据对应的标线形状信息；

根据所述标线数据的标线形状信息以及颜色信息进行标线类型识别，确定所述标线数据对应的标线类型。

在其中一个实施例中，获取待确定道路的彩色点云数据之后，根据所述点数据的反射强度信息，识别并提取所述彩色点云数据中的标线数据之前，还包括：

对所述彩色点云数据进行噪点数据剔除处理以及抽稀处理。

在其中一个实施例中，对所述彩色点云数据进行噪点数据剔除处理以及抽稀处理，包括：

获取所述彩色点云数据中各点数据的反射强度信息与预设强度范围的对比结果，以及所述各点数据的坐标信息与预设坐标范围的对比结果；

当点数据的反射强度信息超出所述预设强度范围，和/或，所述点数据的坐标信息超出所述预设坐标范围时，确认所述点数据为噪点数据，并剔除所述噪点数据；

当点数据的反射强度信息在所述预设强度范围内，且所述点数据的坐标信息在所述预设坐标范围内时，确认所述点数据为有效点数据，并对所述有效点数据进行抽稀处理。

在其中一个实施例中，根据所述点数据的反射强度信息，识别并提取所述彩色点云数据中的标线数据，包括：

根据所述点数据的反射强度信息，通过神经网络模型对各所述点数据进行数据分类处理，得到标线数据及非标线数据；

根据数据分类处理结果提取标线数据。

在其中一个实施例中，所述神经网络模型通过以下步骤训练得到：

以标线数据包含的反射强度信息以及非标线数据包含的反射强度信息为训练数据，对神经网络模型进行训练；

当所述神经网络模型根据当前反射强度信息得到的数据分类结果与对应的实际分类结果的误差在预设范围内时，确定所述神经网络模型训练完成。

在其中一个实施例中，根据所述标线数据的标线形状信息以及颜色信息进行标线类型识别，确定所述标线数据对应的标线类型，包括：

根据所述标线数据的标线形状信息以及颜色信息，通过神经网络模型对所述标线数据进行标线分类识别处理，确定所述标线数据对应的标线类型，所述标线类型包括：指示标线、禁止标线以及警告标线。

在其中一个实施例中，所述神经网络模型通过以下步骤训练得到：

以不同类型的标线对应的标线形状信息以及颜色信息为训练数据，对神经网络模型进行训练；

当所述神经网络模型根据当前标线形状信息以及当前颜色信息得到的标线分类结果与对应的实际分类结果的误差在预设范围内时，确定所述神经网络模型训练完成。

一种道路标线确定装置，包括：

数据获取模块，用于获取待确定道路的彩色点云数据，所述彩色点云数据包括多个点数据，所述点数据包含坐标信息、反射强度信息以及颜色信息；

标线数据提取模块，用于根据所述点数据的反射强度信息，识别并提取所述彩色点云数据中的标线数据；

标线形状确定模块，用于根据提取的标线数据的坐标信息得到所述标线数据对应的标线形状信息；

标线类型确定模块，用于根据所述标线数据的标线形状信息以及颜色信息进行标线类型识别，确定所述标线数据对应的标线类型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的道路标线确定方法的步骤。

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的道路标线确定方法的步骤。

上述道路标线确定方法、装置、存储介质及计算机设备，获取待确定道路的彩色点云数据，彩色点云数据包括多个点数据，点数据包含坐标信息、反射强度信息以及颜色信息；根据点数据的反射强度信息，识别并提取彩色点云数据中的标线数据；根据提取的标线数据的坐标信息得到标线数据对应的标线形状信息；根据标线数据的标线形状信息以及颜色信息进行标线类型识别，确定标线数据对应的标线类型。通过待确定道路的彩色点云数据得到标线数据，并根据该标线数据的标线形状以及标线颜色来识别确定对应的标线类型，从而可以提高道路标线识别的准确性，并且工作效率更高。

附图说明

图1为一个实施例中道路标线确定方法的流程示意图；

图2为一个实施例中道路标线确定方法的流程示意图；

图3为一个实施例中道路标线确定装置的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

为了便于理解，首先对本申请各实施例中使用到的一些专业术语进行解释说明：

彩色点云数据：利用激光在同一空间参考系下获取物体表面每个采样点的空间坐标，可以得到一系列表达目标空间分布和目标表面特性的海量点的集合，即激光点云。激光点云没有RGB信息，通过相机与激光雷达的标定使激光雷达采集到的每一个点具备RGB信息，这个点的集合即彩色点云数据。

神经网络模型：神经网络是指从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。神经网络模型是具备多层感知机制的学习模型，通过大量的学习数据对神经网络模型进行训练，使神经网络模型能在新的数据上做出预测。

实例分割：计算机视觉中的顶层任务之一，利用目标检测选出对象预计位置，再利用语义分割将对象逐像素进行标记，得到目标对象类在数据上的实例。

在一个实施例中，如图1所示，提供一种道路标线确定方法，以该方法应用于可以确定道路标线的处理器为例进行解释说明，该方法包括以下步骤：

步骤S100，获取待确定道路的彩色点云数据。

道路标线，即道路交通标线，道路设置的道路标线可以通过待确定道路的彩色点云数据来分析确定。本步骤中处理器获取的彩色点云数据可以是预先采集的数据，也可以是实时采集获取的数据。彩色点云数据包括多个点数据，点数据包含坐标信息、反射强度信息以及颜色信息，其中，坐标信息即该点数据对应的三维坐标信息，不同位置的点数据对应的坐标信息不同；反射强度信息的获取是激光扫描仪接收装置采集到的回波强度，该强度信息与目标的表面材质、粗糙度、入射角方向，以及仪器的发射能量，激光波长有关，反射强度信息可以用于区分路面和标线；颜色信息即点数据的RGB信息，通过颜色信息可以对标线的颜色进行区分，如黄色和白色，进而方便识别标线类型。

步骤S300，根据点数据的反射强度信息，识别并提取彩色点云数据中的标线数据。

由于不同表面材质的反射强度信息不同，因此处理器可以根据该反射强度信息对标线数据进行识别提取，从而得到彩色点云数据中的标线数据。具体地，在道路环境中，道路标线一般采用特性涂料绘制，其对激光呈高反射；而道路表面一般为沥青或者混凝土材质，对激光呈低反射或者漫反射，因此，可以通过反射强度信息来确定标线数据。

步骤S400，根据提取的标线数据的坐标信息得到标线数据对应的标线形状信息。

处理器在根据反射强度信息提取标线数据之后，根据标线数据包含的坐标信息即可确定标线数据组成的标线形状，例如直线和曲线、实线和虚线、箭头和文字等。

步骤S500，根据标线数据的标线形状信息以及颜色信息进行标线类型识别，确定标线数据对应的标线类型。

由于不同类型的标线可能存在形状相同但颜色不同的情况，处理器根据标线数据的坐标信息得到对应的标线形状之后，结合该标线数据对应的颜色信息即可进行标线类型的识别，从而确定标线数据对应的标线类型。

例如：对于白色虚线，画于路段中时，用以分隔同向行驶的交通流或作为行车安全距离识别线；画于路口时，用以引导车辆行进。对于白色实线，画于路段中时，用以分隔同向行驶的机动车和非机动车，或指示车行道的边缘；画于路口时，可用作导向车道线或停止线。对于黄色虚线，画于路段中时，用以分隔对向行驶的交通流；画于路侧或缘石上时，用以禁止车辆长时在路边停放。对于黄色实线，画于路段中时，用以分隔对向行驶的交通流；画于路侧或缘石上时，用以禁止车辆长时或临时在路边停放。对于双白虚线，画于路口时，作为减速让行线；画于路段中时，作为行车方向随时间改变之可变车道线。对于双黄实线，画于路段中时，用以分隔对向行驶的交通流。对于黄色虚实线，画于路段中时，用以分隔对向行驶的交通流；黄色实线一侧禁止车辆超车、跨越或回转，黄色虚线一侧在保证安全的情况下准许车辆超车、跨越或回转。对于双白实线，画于路口时，作为停车让行线。根据不同的标线形状及颜色，结合其对应的设置位置，即可确定对应的标线类型。

本实施例提供一种道路标线确定方法，通过待确定道路的彩色点云数据得到标线数据，并根据该标线数据的标线形状以及标线颜色来识别确定对应的标线类型，从而可以提高道路标线识别的准确性，并且工作效率更高。

在一个实施例中，如图2所示，获取待确定道路的彩色点云数据之后，根据点数据的反射强度信息，识别并提取彩色点云数据中的标线数据之前，该方法还包括：步骤S200，对彩色点云数据进行噪点数据剔除处理以及抽稀处理。由于激光点云具有极大的数据量，且激光点云数据中包含的噪点较多，因此，在根据彩色点云数据确定道路标线之前，需要进行噪点数据剔除处理以及抽稀处理，从而可以提高数据准确性，并减少数据处理压力。

在一个实施例中，对彩色点云数据进行噪点数据剔除处理，包括：获取彩色点云数据中各点数据的反射强度信息与预设强度范围的对比结果，以及各点数据的坐标信息与预设坐标范围的对比结果；当点数据的反射强度信息超出预设强度范围，和/或，点数据的坐标信息超出预设坐标范围时，确认点数据为噪点数据，并剔除噪点数据。

道路的彩色点云数据包括路面数据和标线数据，也可能包括其他类型的数据，如护栏数据、道路周边的设施数据等，其他类型的数据在确定道路标线的过程中可以认为是噪点数据，需要对噪点数据进行剔除以减少其对计算处理过程造成影响。具体地，可以预先根据样本数据中的标线数据的坐标信息以及反射强度信息确定标线数据对应的预设坐标范围以及预设强度范围，当点数据的反射强度信息超出预设强度范围，或者，点数据的坐标信息超出预设坐标范围，或者二者同时超出预设范围时，即可将该点数据确定为噪点数据，进而对该点数据进行剔除处理，从而减少噪点数据对计算处理结果的准确度造成影响。

在一个实施例中，对彩色点云数据进行抽稀处理，包括：获取彩色点云数据中各点数据的反射强度信息与预设强度范围的对比结果，以及各点数据的坐标信息与预设坐标范围的对比结果；当点数据的反射强度信息在预设强度范围内，且点数据的坐标信息在预设坐标范围内时，确认点数据为有效点数据，并对有效点数据进行抽稀处理。

对于道路的彩色点云数据中的路面数据和标线数据，可以认为是有效点数据，而对于其他类型的点数据，如对计算处理过程没有作用的数据，或者会对计算处理过程产生影响的数据，可以认为是非有效数据。在预设强度范围以及预设坐标范围确定有效点数据后，对有效点数据进行抽稀处理，以减少数据处理压力。

在一个实施例中，在进行抽稀处理时，可以选择去除拐点处的点数据。具体地，若有效点数据对应的形状为矩形，则可以选择去除四个顶点对应的点数据；若有效点数据对应的形状为非矩形，则可以先确定该形状中面积最大的矩形，再去除该矩形的四个顶点对应的点数据。

在一个实施例中，步骤S300可以通过神经网络模型实现，该神经网络模型通过以下步骤训练得到：以标线数据包含的反射强度信息以及非标线数据包含的反射强度信息为训练数据，对神经网络模型进行训练；当神经网络模型根据当前反射强度信息得到的数据分类结果与对应的实际分类结果的误差在预设范围内时，确定神经网络模型训练完成。通过标线数据包含的反射强度信息以及非标线数据包含的反射强度信息对神经网络模型进行训练，从而使得该神经网络模型可以根据反射强度信息来区分标线数据及非标线数据。

在一个实施例中，根据点数据的反射强度信息，识别并提取彩色点云数据中的标线数据，包括：根据点数据的反射强度信息，通过神经网络模型对各点数据进行数据分类处理，得到标线数据及非标线数据；据数据分类处理结果提取标线数据。通过训练好的神经网络模型来区分标线数据和非标线数据，可以提高工作效率，并且准确度较高。

在一个实施例中，步骤S500可以通过神经网络模型实现，该神经网络模型通过以下步骤训练得到：以不同类型的标线对应的标线形状信息以及颜色信息为训练数据，对神经网络模型进行训练；当神经网络模型根据当前标线形状信息以及当前颜色信息得到的标线分类结果与对应的实际分类结果的误差在预设范围内时，确定神经网络模型训练完成。通过不同类型的标线对应的标线形状信息以及颜色信息对神经网络模型进行训练，从而使得该神经网络模型可以根据标线形状信息以及颜色信息来区分标线类型。

在一个实施例中，根据标线数据的标线形状信息以及颜色信息进行标线类型识别，确定标线数据对应的标线类型，包括：根据标线数据的标线形状信息以及颜色信息，通过神经网络模型对标线数据进行标线分类识别处理，确定标线数据对应的标线类型，标线类型包括：指示标线、禁止标线以及警告标线。其中，指示标线为指示车行道、行车方向、路面边缘、人行道等设施的标线；禁止标线为告示道路交通的遵行、禁止、限制等特殊规定，车辆驾驶人及行人需严格遵守的标线；警告标线为促使车辆驾驶人及行人了解道路的特殊情况，提高警觉，准备防范或采取应变措施的标线。通过训练好的神经网络模型来区分标线数据和非标线数据，可以提高工作效率，并且准确度较高。

在一个实施例中，还包括：针对不同的应用场景，统计对应的各类型标线所占的比例，在无法通过神经网络模型确定标线数据对应的标线类型时，确定该标线数据的标线类型为该标线数据对应的应用场景下占比最大的标线。

例如：A区域所包含的标线中，指示标线占比最高，在无法通过本申请中的神经网络模型确定A区域的标线数据对应的标线类型时，则可以将该标线数据的标线类型确定为指示标线。

在一个实施例中，提供一种道路标线确定方法，该方法的总体处理流程如下：

(1)获取彩色点云样本数据；

(2)对样本数据进行噪点剔除以及智能抽稀处理；

(3)通过实例分割在样本数据中标记各类型的标线数据；

(4)使用标记后的样本数据对神经网络模型进行训练、优化及验证，使得该训练模型可以根据彩色点云数据识别道路标线；

(5)针对不同的应用场景，统计对应的各类型标线所占的比例；

(6)获取待确定道路的彩色点云数据；

(7)对彩色点云数据进行噪点剔除以及智能抽稀处理；

(8)使用训练后的神经网络模型提取彩色点云数据中的包含的标线数据，并确定对应的标线类型；

(9)在无法通过神经网络模型确定标线数据对应的标线类型时，确定该标线数据的标线类型为该标线数据对应的应用场景下占比最大的标线。

在一个实施例中，如图3所示，提供一种道路标线确定装置，该装置包括：数据获取模块100、标线数据提取模块200、标线形状确定模块300及标线类型确定模块400。

数据获取模块100用于获取待确定道路的彩色点云数据，彩色点云数据包括多个点数据，点数据包含坐标信息、反射强度信息以及颜色信息；

标线数据提取模块200用于根据点数据的反射强度信息，识别并提取彩色点云数据中的标线数据；

标线形状确定模块300用于根据提取的标线数据的坐标信息得到标线数据对应的标线形状信息；

标线类型确定模块400用于根据标线数据的标线形状信息以及颜色信息进行标线类型识别，确定标线数据对应的标线类型。

关于道路标线确定装置的具体限定可以参见上文中对于道路标线确定方法的限定，在此不再赘述。上述道路标线确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待确定道路的彩色点云数据，彩色点云数据包括多个点数据，点数据包含坐标信息、反射强度信息以及颜色信息；根据点数据的反射强度信息，识别并提取彩色点云数据中的标线数据；根据提取的标线数据的坐标信息得到标线数据对应的标线形状信息；根据标线数据的标线形状信息以及颜色信息进行标线类型识别，确定标线数据对应的标线类型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对彩色点云数据进行噪点数据剔除处理以及抽稀处理。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取彩色点云数据中各点数据的反射强度信息与预设强度范围的对比结果，以及各点数据的坐标信息与预设坐标范围的对比结果；当点数据的反射强度信息超出预设强度范围，和/或，点数据的坐标信息超出预设坐标范围时，确认点数据为噪点数据，并剔除噪点数据；当点数据的反射强度信息在预设强度范围内，且点数据的坐标信息在预设坐标范围内时，确认点数据为有效点数据，并对有效点数据进行抽稀处理。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据点数据的反射强度信息，通过神经网络模型对各点数据进行数据分类处理，得到标线数据及非标线数据；根据数据分类处理结果提取标线数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：以标线数据包含的反射强度信息以及非标线数据包含的反射强度信息为训练数据，对神经网络模型进行训练；当神经网络模型根据当前反射强度信息得到的数据分类结果与对应的实际分类结果的误差在预设范围内时，确定神经网络模型训练完成。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据标线数据的标线形状信息以及颜色信息，通过神经网络模型对标线数据进行标线分类识别处理，确定标线数据对应的标线类型，标线类型包括：指示标线、禁止标线以及警告标线。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：以不同类型的标线对应的标线形状信息以及颜色信息为训练数据，对神经网络模型进行训练；当神经网络模型根据当前标线形状信息以及当前颜色信息得到的标线分类结果与对应的实际分类结果的误差在预设范围内时，确定神经网络模型训练完成。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待确定道路的彩色点云数据，彩色点云数据包括多个点数据，点数据包含坐标信息、反射强度信息以及颜色信息；根据点数据的反射强度信息，识别并提取彩色点云数据中的标线数据；根据提取的标线数据的坐标信息得到标线数据对应的标线形状信息；根据标线数据的标线形状信息以及颜色信息进行标线类型识别，确定标线数据对应的标线类型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对彩色点云数据进行噪点数据剔除处理以及抽稀处理。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取彩色点云数据中各点数据的反射强度信息与预设强度范围的对比结果，以及各点数据的坐标信息与预设坐标范围的对比结果；当点数据的反射强度信息超出预设强度范围，和/或，点数据的坐标信息超出预设坐标范围时，确认点数据为噪点数据，并剔除噪点数据；当点数据的反射强度信息在预设强度范围内，且点数据的坐标信息在预设坐标范围内时，确认点数据为有效点数据，并对有效点数据进行抽稀处理。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据点数据的反射强度信息，通过神经网络模型对各点数据进行数据分类处理，得到标线数据及非标线数据；根据数据分类处理结果提取标线数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：以标线数据包含的反射强度信息以及非标线数据包含的反射强度信息为训练数据，对神经网络模型进行训练；当神经网络模型根据当前反射强度信息得到的数据分类结果与对应的实际分类结果的误差在预设范围内时，确定神经网络模型训练完成。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据标线数据的标线形状信息以及颜色信息，通过神经网络模型对标线数据进行标线分类识别处理，确定标线数据对应的标线类型，标线类型包括：指示标线、禁止标线以及警告标线。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：以不同类型的标线对应的标线形状信息以及颜色信息为训练数据，对神经网络模型进行训练；当神经网络模型根据当前标线形状信息以及当前颜色信息得到的标线分类结果与对应的实际分类结果的误差在预设范围内时，确定神经网络模型训练完成。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种道路标线确定方法，其特征在于，包括以下步骤：

获取待确定道路的彩色点云数据，所述彩色点云数据包括多个点数据，所述点数据包含坐标信息、反射强度信息以及颜色信息；

根据所述点数据的反射强度信息，识别并提取所述彩色点云数据中的标线数据；

根据提取的标线数据的坐标信息得到所述标线数据对应的标线形状信息；

根据所述标线数据的标线形状信息以及颜色信息进行标线类型识别，确定所述标线数据对应的标线类型。

2.根据权利要求1所述的道路标线确定方法，其特征在于，获取待确定道路的彩色点云数据之后，根据所述点数据的反射强度信息，识别并提取所述彩色点云数据中的标线数据之前，还包括：

对所述彩色点云数据进行噪点数据剔除处理以及抽稀处理。

3.根据权利要求2所述的道路标线确定方法，其特征在于，对所述彩色点云数据进行噪点数据剔除处理以及抽稀处理，包括：

获取所述彩色点云数据中各点数据的反射强度信息与预设强度范围的对比结果，以及所述各点数据的坐标信息与预设坐标范围的对比结果；

当点数据的反射强度信息超出所述预设强度范围，和/或，所述点数据的坐标信息超出所述预设坐标范围时，确认所述点数据为噪点数据，并剔除所述噪点数据；

当点数据的反射强度信息在所述预设强度范围内，且所述点数据的坐标信息在所述预设坐标范围内时，确认所述点数据为有效点数据，并对所述有效点数据进行抽稀处理。

4.根据权利要求1所述的道路标线确定方法，其特征在于，根据所述点数据的反射强度信息，识别并提取所述彩色点云数据中的标线数据，包括：

根据所述点数据的反射强度信息，通过神经网络模型对各所述点数据进行数据分类处理，得到标线数据及非标线数据；

根据数据分类处理结果提取标线数据。

5.根据权利要求4所述的道路标线确定方法，其特征在于，所述神经网络模型通过以下步骤训练得到：

以标线数据包含的反射强度信息以及非标线数据包含的反射强度信息为训练数据，对神经网络模型进行训练；

当所述神经网络模型根据当前反射强度信息得到的数据分类结果与对应的实际分类结果的误差在预设范围内时，确定所述神经网络模型训练完成。

6.根据权利要求1所述的道路标线确定方法，其特征在于，根据所述标线数据的标线形状信息以及颜色信息进行标线类型识别，确定所述标线数据对应的标线类型，包括：

根据所述标线数据的标线形状信息以及颜色信息，通过神经网络模型对所述标线数据进行标线分类识别处理，确定所述标线数据对应的标线类型，所述标线类型包括：指示标线、禁止标线以及警告标线。

7.根据权利要求6所述的道路标线确定方法，其特征在于，所述神经网络模型通过以下步骤训练得到：

以不同类型的标线对应的标线形状信息以及颜色信息为训练数据，对神经网络模型进行训练；

当所述神经网络模型根据当前标线形状信息以及当前颜色信息得到的标线分类结果与对应的实际分类结果的误差在预设范围内时，确定所述神经网络模型训练完成。

8.一种道路标线确定装置，其特征在于，包括：

数据获取模块，用于获取待确定道路的彩色点云数据，所述彩色点云数据包括多个点数据，所述点数据包含坐标信息、反射强度信息以及颜色信息；

标线数据提取模块，用于根据所述点数据的反射强度信息，识别并提取所述彩色点云数据中的标线数据；

标线形状确定模块，用于根据提取的标线数据的坐标信息得到所述标线数据对应的标线形状信息；

标线类型确定模块，用于根据所述标线数据的标线形状信息以及颜色信息进行标线类型识别，确定所述标线数据对应的标线类型。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的道路标线确定方法的步骤。

10.一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至7中任一项所述的道路标线确定方法的步骤。