CN110163930A - 车道线生成方法、装置、设备、系统及可读存储介质 - Google Patents

车道线生成方法、装置、设备、系统及可读存储介质 Download PDF

Info

Publication number
CN110163930A
CN110163930A CN201910447156.7A CN201910447156A CN110163930A CN 110163930 A CN110163930 A CN 110163930A CN 201910447156 A CN201910447156 A CN 201910447156A CN 110163930 A CN110163930 A CN 110163930A
Authority
CN
China
Prior art keywords
lane line
location information
orthograph
original image
coordinate system
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.)
Granted
Application number
CN201910447156.7A
Other languages
English (en)
Other versions
CN110163930B (zh
Inventor
高超
蔡育展
郑超
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910447156.7A priority Critical patent/CN110163930B/zh
Publication of CN110163930A publication Critical patent/CN110163930A/zh
Application granted granted Critical
Publication of CN110163930B publication Critical patent/CN110163930B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/203—Drawing of straight lines or curves
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种车道线生成方法、装置、设备、系统及可读存储介质，其中，方法包括：获取对车道线进行拍摄得到的原始图像和拍摄所述原始图像的定位信息；从所述原始图像中，识别车道线像素点；根据所述定位信息，将所述车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图；从所述车道线正射图中，提取车道线的变化轨迹，并将所述变化轨迹投影至所述世界坐标系中，生成车道线的地图数据。本实施例提供的方法成本低、稳定性高且现势性高。

Description

车道线生成方法、装置、设备、系统及可读存储介质
技术领域
本发明实施例涉及高精地图技术，尤其涉及一种车道线生成方法、装置、设备、系统及可读存储介质。
背景技术
高精地图也称为高分辨率地图(HD Map，High Definition Map)，是一种专门为无人驾驶服务的地图。与传统导航地图不同的是，高精地图除了能提供的道路(Road)级别的导航信息外，还能够提供车道(Lane)级别的导航信息。高精度车道线的生成是高精地图制作的重要内容。
目前，高精地图中车道线的生成方法为，通过搭载高精度全球定位系统(GlobalPositioning System，GPS)、惯性测量单元(Inertial measurement unit，IMU)、工业相机以及激光雷达等设备的采集车，采集路面的激光点云数据，并针对激光点云数据做车道线检测与定位。
上述方法受车道线反射率的限制，如果激光点云中车道线的反射率较低，会影响车道线的生成精度；如果增加激光点云的数据量，则会消耗大量的运算时间；而且上述方法的实现对GPS和IMU有很高的精度要求。
发明内容
本发明实施例提供一种车道线生成方法、装置、设备、系统及可读存储介质，以在生成车道线的过程中，减少数据处理和运算时间，并降低对设备的精度要求。
第一方面，本发明实施例提供了一种车道线生成方法，包括：
获取对车道线进行拍摄得到的原始图像和拍摄所述原始图像的定位信息；
从所述原始图像中，识别车道线像素点；
根据所述定位信息，将所述车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图；
从所述车道线正射图中，提取车道线的变化轨迹，并将所述变化轨迹投影至所述世界坐标系中，生成车道线的地图数据。
第二方面，本发明实施例还提供了一种车道线生成装置，包括：
获取模块，用于获取对车道线进行拍摄得到的原始图像和拍摄所述原始图像的定位信息；
识别模块，用于从所述原始图像中，识别车道线像素点；
生成模块，用于根据所述定位信息，将所述车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图；
提取和生成模块，用于从所述车道线正射图中，提取车道线的变化轨迹，并将所述变化轨迹投影至所述世界坐标系中，生成车道线的地图数据。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的车道线生成方法。
第四方面，本发明实施例还提供了一种车道线生成系统，包括：采集车和任一实施例所述的电子设备；
所述电子设备集成于所述采集车中，或者独立于所述采集车并与所述采集车通信连接；
其中，所述采集车包括车辆本体、搭载在所述车辆本体上的拍摄设备和定位设备；
所述拍摄设备用于：对车道线进行拍摄得到原始图像；
所述定位设备用于：对拍摄所述原始图像时的车辆本体进行定位，得到拍摄所述原始图像的定位信息；
所述采集车用于：将所述原始图像和拍摄所述原始图像的定位信息发送至所述电子设备中，以供所述电子设备生成车道线的地图数据。
第五方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的车道线生成方法。
本发明实施例中，通过获取对车道线进行拍摄得到的原始图像和拍摄所述原始图像的定位信息，从所述原始图像中，识别车道线像素点，并根据所述定位信息，将所述车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图，从而得到精确的车道线的路面空间表示；通过从所述车道线正射图中，提取车道线的变化轨迹，将所述变化轨迹投影至所述世界坐标系中，生成车道线的地图数据，从而在路面空间表示中提取车道线的变化轨迹，能够有效减少数据处理量和计算时间，同时，也不需要高精度的变化轨迹提取算法，仅需要一般准确率和召回率的算法即可；而且，本实施例不需要对原始图像直接进行高精度的车道线拟合，而是在车道线像素点的路面空间表示中提取变化轨迹，也就不需要高精度的定位设备和拍摄设备，也不需要连续拍摄图像，减少数据传输流量，降低了生成车道线的成本。
附图说明
图1a是本发明实施例一提供的一种车道线生成系统的结构示意图；
图1b是本发明实施例一提供的一种车道线生成方法的流程图；
图2a是本发明实施例二提供的一种车道线生成方法的流程图；
图2b是本发明实施例二提供的一种车道线正射图的示意图；
图3a是本发明实施例三提供的一种车道线生成方法的流程图；
图3b是本发明实施例三提供的脊线的示意图；
图4是本发明实施例四提供的一种车道线生成装置的结构示意图；
图5是本发明实施例五提供的一种电子设备的结构示意图；
图6是本发明实施例六提供的一种车道线生成系统的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
为清楚介绍本发明实施例的技术方案，首先基于图1a介绍本发明实施例所适用的车道线生成系统的结构示意图。图1a中，车道线生成系统主要包括电子设备和采集车。
采集车包括但不限于小轿车、汽车、客车等各种路面行驶车辆，可以是无人驾驶车或者有人驾驶车。采集车包括：车辆本体、搭载在车辆本体上的拍摄设备和定位设备。
拍摄设备和定位设备可以设置在采集车的后视镜上。拍摄设备用于对采集车前方路面进行拍摄，例如，广角摄像头、鱼眼摄像头等。定位设备用于对采集车进行实时定位，定位设备集成有定位系统，例如，全球定位系统(Global Positioning System，GPS)、北斗定位系统等。
电子设备可以集成于采集车中，或者独立于采集车并与采集车通信连接。电子设备用于执行车道线的生成操作。
基于上述车道线生成系统，本发明实施例一提供一种车道线生成方法，其流程图如图1b所示，可适用于对路面上的车道线进行采集，并生成高精地图中的车道线的情况。该方法可以由车道线生成装置来执行，并一般集成在上述车道线生成系统中的电子设备中。
结合图1b，本实施例提供的方法具体包括：
S110、获取对车道线进行拍摄得到的原始图像和拍摄原始图像的定位信息。
在采集车在路面上行驶的过程中，拍摄设备对路面上的车道线进行拍摄，得到原始图像。原始图像的数量为至少一张。
本实施例中，不需要拍摄设备进行连续拍摄，即不需要连续帧，对车道线拍摄完全即可。
在采集车在路面上行驶的过程中，定位设备对采集车的车辆本体进行定位。在拍摄原始图像时，从定位设备获取车辆本体的定位信息，即拍摄原始图像的定位信息。
S120、从原始图像中，识别车道线像素点。
车道线像素点为属于车道线类别的像素点。可选地，采用深度神经网络模型对原始图像进行语义分割，得到原始图像中每个像素点对应的语义类别标签，例如车道线类别、树木类别或者路标类别等。从每个像素点中，识别出属于车道线类别的像素点。
其中，深度神经网络模型包括但不限于卷积神经网络。
S130、根据定位信息，将车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图。
在第一种实施方式中，原始图像的数量为一张；则根据拍摄该原始图像的定位信息，将该原始图像中的车道线像素点投影至世界坐标系的路面空间中，生成一张图像，称为车道线正射图。
在第二种实施方式中，原始图像的数量为多张；则首先对每张原始图像进行识别，得到每张图像中的车道线像素点。然后，根据拍摄每张原始图像的定位信息，分别将每张原始图像中的车道线像素点投影至世界坐标系的路面空间中，生成多张图像。为了方便描述和区分，将由多张原始图像中的车道线像素点投影生成的图像，称为车道线正射子图；接着，将多张车道线正射子图进行叠加，生成最终的车道线正射图。
对于每一张原始图像而言，车道线像素点位于图像坐标系中。世界坐标系的路面空间是世界坐标系中，路面高度处的二维空间。定位信息是拍摄原始图像时，采集车本体在世界坐标系中的定位信息。基于此，根据定位信息，以及图像坐标系、拍摄设备坐标系和世界坐标系之间的转换关系，将车道线像素点投影至世界坐标系的路面空间中，得到车道线正射图。
在上述第二种实施方式中，将多张车道线正射子图叠加，指的是将车道线像素点在多张车道线正射子图中的投影点进行叠加。例如，第一张车道线正射子图包括A路段上车道线像素点的投影点，第二张车道线正射子图包括B路段上车道线像素点的投影点。将第一张车道线正射子图和第二张车道线正射子图叠加后，得到最终的车道正射图，包括A路段和B路段上车道线像素点的投影点。
S140、从车道线正射图中，提取车道线的变化轨迹，并将变化轨迹投影至世界坐标系中，生成车道线的地图数据。
可选地，车道线的变化轨迹包括车道线的轮廓或者中心线。
可选地，采用边缘检测算子对车道线正射图中的投影点进行轮廓提取，得到车道线的轮廓。或者，从车道线的轮廓中或者从各投影点中，沿着车道线延伸方向，选择位于中间位置的投影点，得到车道线的中心线。
此时的车道线的变化轨迹位于世界坐标系的路面空间中，需要投影至世界坐标系中，得到变化轨迹在世界坐标系中的坐标序列，即车道线的地图数据。后续，将车道线的地图数据转换为高精地图的格式，并存储在高精地图数据库中。
本发明实施例中，通过获取对车道线进行拍摄得到的原始图像和拍摄原始图像的定位信息，从原始图像中，识别车道线像素点，并根据定位信息，将车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图，从而得到精确的车道线的路面空间表示；通过从车道线正射图中，提取车道线的变化轨迹，将变化轨迹投影至世界坐标系中，生成车道线的地图数据，从而在路面空间表示中提取车道线的变化轨迹，能够有效减少数据处理量和计算时间，同时，也不需要高精度的变化轨迹提取算法，仅需要一般准确率和召回率的算法即可；而且，本实施例不需要对原始图像直接进行高精度的车道线拟合，而是在车道线像素点的路面空间表示中提取变化轨迹，也就不需要高精度的定位设备和拍摄设备，也不需要连续拍摄图像，减少数据传输流量，降低了生成车道线的成本。
进一步地，在原始图像的数量为多张时，通过将每张原始图像中的车道线像素点投影至世界坐标系的路面空间中，生成多张车道线正射子图；将多张车道线正射子图进行叠加，生成车道线正射图，使得车道线正射图融合了多张原始图像中的车道线像素点，消除了单张原始图像带来的误差，进一步提高了车道线的生成精度、稳定性和现势性。
实施例二
本实施例在上述实施例各可选实施方式的基础上，进一步优化。可选地，将“根据定位信息，将车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图”优化为“将世界坐标系中的路面空间划分为多个网格，得到包括多个网格的路面图像；根据定位信息，得到车道线像素点对应的网格坐标；根据网格坐标对应的车道线像素点的个数，配置网格坐标对应的网格的像素值，生成车道线正射图”，从而采用网格划分的方式将路面空间离散化，便于将车道线像素点投影至路面空间中。
图2a是本发明实施例二提供的一种车道线生成方法的流程图，如图2a所示，本实施例提供的方法包括以下操作：
S210、获取对车道线进行拍摄得到的原始图像和拍摄原始图像的定位信息。
S220、从原始图像中，识别车道线像素点。
S230、将世界坐标系中的路面空间划分为多个网格，得到包括多个网格的路面图像。
为了与像素点的形状一致，将路面空间划分为多个正方形的网格。网格的尺寸根据生成的车道线精度确定，如果车道线精度是厘米级别的，需要将网格的尺寸设置为厘米级别的。在一示例中，将路面空间离散成20厘米乘以20厘米的网格，则整个路面空间可表示为一张路面图像，该路面图像上每个像素点(或者每个网格)对应现实中20厘米乘以20厘米大小的路面。
S240、根据定位信息，得到车道线像素点对应的网格坐标。
本操作包括以下四个步骤：
第一步：根据定位信息，计算拍摄设备的外参，拍摄设备的外参包括拍摄设备在世界坐标系中的位置信息和姿态信息。
具体地，首先，根据定位信息，获取拍摄设备搭载在的采集车在世界坐标系中的位置信息和姿态信息(t1，R1)，或者称为平移向量和旋转矩阵。其中，姿态信息中的偏航角，可根据定位信息中采集车的运动方位角估算出。为了简化计算，姿态信息中的翻滚角和俯仰角设置为0。位置信息可从定位信息中直接得到。
接着，根据采集车在世界坐标系中的位置信息和姿态信息(t1，R1)，以及拍摄设备在采集车坐标系中的位置信息和姿态信息(t2，R2)，得到拍摄设备在世界坐标系中的位置信息和姿态信息(t，R)。
其中，拍摄设备在采集车坐标系中的位置信息和姿态信息可在拍摄设备安装的时候标定好，在拍摄图像的过程中保持不变。将(t2，R2)构成的矩阵乘以(t1，R1)构成的矩阵，得到拍摄设备在世界坐标系中的位置信息和姿态信息(t，R)。
第二步：根据拍摄设备的外参和内参，将车道线像素点投影至世界坐标系中。
其中，拍摄设备的内参包括：感光芯片上像素的实际大小(dx，dy)，图像平面中心(u0，v0)和焦距f。相机内参可采用事先标定值或相机出厂型号进行推算。
在几何上，车道线像素点在世界坐标系中的投影是从拍摄设备中心出发并通过车道线像素点的一条射线。该射线的参数方程如下：
式(1)中，u是射线X的参数，m是车道线像素点的像素坐标。
假设，投影矩阵P＝K[R,t]，K是内参矩阵，[R,t]是外参矩阵。式(1)中的H是投影矩阵P的前3列构成的矩阵，p4是投影矩阵P的第4列构成的矩阵。
第三步：根据路面的高度，将世界坐标系中的车道线像素点投影至路面空间中，得到投影坐标。
其中，路面的高度可以预先标定，可以通过定位信息计算。具体地，假设拍摄设备的中心点与定位设备等高，则从定位信息中获取高程值，并从高程值中减去定位设备距离地面的高度，得到路面的高度h。
z＝h； (2)
将式(1)与式(2)联立，解出u，并得到世界坐标系中的车道线像素点(即射线X)在路面空间中的投影点的坐标(简称为投影坐标)。
第四步：根据投影坐标在路面图像中的位置，确定投影坐标对应的网格坐标。
每个车道线像素点的投影坐标对应一块区域。根据投影坐标在路面图像中的位置，将投影坐标对应到网格坐标(a,b)中。原始图像中每一个车道线像素点均可以从图像坐标系中投影到路面空间中，并计算出对应的网格坐标。
S250、根据网格坐标对应的车道线像素点的个数，配置网格坐标对应的网格的像素值，生成车道线正射图。
有的网格投影的车道线像素点多，有的网格投影的车道线像素点少。车道线像素点越多的网格，其对应的路面上存在车道线的可能性越大。为了区别每个网格中车道线像素点的投影点的个数，统计每个网格坐标对应的车道线像素点的个数，根据个数配置网格坐标对应的网格的像素值。可选地，预先设置车道线像素点的多个个数分段范围，如0-10,10-20和20以上，为每个个数分段范围配置像素值，如亮度、明度或者对比度等。
图2b是本发明实施例二提供的一种车道线正射图的示意图。当将世界坐标系中的路面空间划分为多个网格时，生成黑色的路面图像。将车道线像素点投影到路面图像上后，配置网格的亮度值，车道线像素点越多，网格亮度越大。
值得说明的是，当存在多张原始图像时，需要将每张原始图像中的车道线像素点投影至路面图像中，生成多张车道线正射子图。然后，将车道线正射子图进行叠加，即同一网络坐标对应的车道线像素点个数进行相加，并根据相加后的个数重新配置像素值，生成车道线正射图。
S260、从车道线正射图中，提取车道线的变化轨迹，并将变化轨迹投影至世界坐标系中，生成车道线的地图数据。
本实施例中，通过采用网格划分的方式将路面空间离散化，便于将车道线像素点投影至路面图像中。通过将车道线像素点投影至路面图像中，并在路面图像中生成车道线，去除了拍摄视角以及采集车的位置和姿态对车道线像素点的影响，提高车道线生成的准确性；而且，路面图像实质是现实中路面的缩小表示，通过将车道线投影点投影至路面图像中，将车道线像素点进行密集化、紧凑化处理，使车道线的特征更加突出，便于提取车道线，并进一步提高车道线生成的准确性。
实施例三
本发明实施例在上述各实施例的技术方案的基础上进行操作追加。进一步地，将操作“从车道线正射图中，提取车道线的变化轨迹”细化为“从车道线正射图中，提取车道线的脊线；或者，从车道线正射图中，提取车道线的中心线；或者，从车道线正射图中，提取车道线的轮廓线”。
如图3a所示的一种车道线生成方法，重点描述了提取车道线的脊线的过程，包括：
S310、获取对车道线进行拍摄得到的原始图像和拍摄原始图像的定位信息。
S320、从原始图像中，识别车道线像素点。
S330、根据定位信息，将车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图。
S340、根据定位信息，确定车道线延伸方向。
S350、从车道线正射图中，车道线像素点对应的各投影点中，筛选出脊点。
S360、将处于车道线延伸方向上的各脊点之间进行连通处理，生成矢量化的脊线。
其中，脊点是构成脊线的坐标点，脊线能够体现各投影点的变化规律。现有的脊线提取方法包括但不限于：对灰度图像进行脊线跟踪并检测特征点的方法和基于Morlet小波变换的自适应小波脊线提取方法。
本实施例提供一种方便快捷、数据量少的脊点提取方法；再根据脊点确定脊线。
脊点提取方法包括以下三步：
第一步：确定与车道线延伸方向垂直的车道线截面方向。
本实施例中，假设采集车是按照车道线延伸方向行驶，通过定位信息中采集车的运动方位角，可以得到车道线的延伸方向。
与车道线的延伸方向垂直的方向是车道线截面方向。可见，不同投影点对应的车道线截面方向是根据采集车当时的运动方位角确定的，会有略微差别。
第二步：判断各投影点的像素值在沿车道线截面方向的邻域内，是否满足极值条件。
第三步：将满足极值条件的投影点判定为脊点。
本实施例中，对每个投影点做脊点判定。极值条件可以是极大值、极小值或者是像素值大于或小于像素值阈值。
在一示例中，投影点越多亮度越高，则如果该投影点的亮度值在车道线截面方向上半径为2个像素的临域内最大，则该点为脊点。在另一示例中，投影点越多亮度越低，则如果该投影点的亮度值在车道线截面方向上半径为2个像素的临域内最小，则该点为脊点。
接着，从每个判定为脊点的投影点开始，沿车道线延伸方向进行搜索，将搜到的脊点与自己进行连通处理，也就是将搜到的脊点与自己之间的非脊点转换为脊点，从而建立搜到的脊点与自己的邻接关系，每个脊点之间均连通后，生成矢量化的脊线，如图3b所示。
在一实施方式中，在S360之后，还包括以下操作中的至少一种：
第一种操作：对矢量化的脊线进行去噪处理。可选地，采用滤波器去除图像噪声。
第二种操作：从车道线正射图中，删除小于预设长度阈值的脊线和离散投影点。
将现实中车道线的最短规定长度转换至车道线正射图中，确定预设长度阈值。在车道线正射图中，根据每条脊线所占的网格个数，计算每条脊线的长度。删除小于预设长度阈值的脊线。
此外，还需要删除占用一个网格的离散投影点。
第三种操作：对矢量化的脊线进行抽稀处理和曲线平滑处理。
对矢量化的脊线进行抽稀的关键是定义抽稀因子，抽稀因子的不同决定的抽稀算法的多样性，在现有抽稀理论中，有按步长，线段长度，垂距等来定义抽稀因子。具体的抽稀方法参见现有技术，此处不再赘述。
脊线经过抽稀后，数量大量减少，并且基本保证能反映车道线的基本形状特征，能够为进一步的曲线平滑处理节省空间和时间。可选地，采用三次B样条曲线对抽稀后的脊线进行平滑处理。
S370、将矢量化的脊线投影至世界坐标系中，生成车道线的地图数据。
本实施例中，脊线能够较好地反映车道线的变化轨迹，通过提取车道线的脊线，能够提高车道线生成的准确性；而且，本实施例提供了一种简单的脊点判定方法，并对各脊点之间进行连通处理，生成矢量化的脊线，从而在提取脊线时，减少数据处理量和处理时间，提高车道线的生成效率；通过对矢量化的脊线进行去噪处理，从车道线正射图中，删除小于预设长度阈值的脊线和离散投影点，以及对矢量化的脊线进行抽稀处理和曲线平滑处理，使得脊线的形状更贴近现实的车道线，提高了车道线生成的准确性。
实施例四
图4是本发明实施例四提供的一种车道线生成装置的结构示意图，本发明实施例适用于对路面上的车道线进行采集，并生成高精地图中的车道线的情况。结合图4,车道线生成装置包括：获取模块410，识别模块420，生成模块430以及提取和生成模块440。
获取模块410，用于获取对车道线进行拍摄得到的原始图像和拍摄原始图像的定位信息；
识别模块420，用于从原始图像中，识别车道线像素点；
生成模块430，用于根据定位信息，将车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图；
提取和生成模块440，用于从车道线正射图中，提取车道线的变化轨迹，并将变化轨迹投影至世界坐标系中，生成车道线的地图数据。。
本发明实施例中，通过获取对车道线进行拍摄得到的原始图像和拍摄原始图像的定位信息，从原始图像中，识别车道线像素点，并根据定位信息，将车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图，从而得到精确的车道线的路面空间表示；通过从车道线正射图中，提取车道线的变化轨迹，将变化轨迹投影至世界坐标系中，生成车道线的地图数据，从而在路面空间表示中提取车道线的变化轨迹，能够有效减少数据处理量和计算时间，同时，也不需要高精度的变化轨迹提取算法，仅需要一般准确率和召回率的算法即可；而且，本实施例不需要对原始图像直接进行高精度的车道线拟合，而是在车道线像素点的路面空间表示中提取变化轨迹，也就不需要高精度的定位设备和拍摄设备，也不需要连续拍摄图像，减少数据传输流量，降低了生成车道线的成本。
可选地，生成模块430在根据定位信息，将车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图时，具体用于：将世界坐标系中的路面空间划分为多个网格，得到包括多个网格的路面图像；根据定位信息，得到车道线像素点对应的网格坐标；根据网格坐标对应的车道线像素点的个数，配置网格坐标对应的网格的像素值，生成车道线正射图。
可选地，生成模块430在根据定位信息，得到车道线像素点对应的网格坐标时，具体用于：根据定位信息，计算拍摄设备的外参，拍摄设备的外参包括拍摄设备在世界坐标系中的位置信息和姿态信息；根据拍摄设备的外参和内参，将车道线像素点投影至世界坐标系中；根据路面的高度，将世界坐标系中的车道线像素点投影至路面空间中，得到投影坐标；根据投影坐标在路面图像中的位置，确定投影坐标对应的网格坐标。
可选地，生成模块430在根据定位信息，计算拍摄设备的外参时，具体用于：根据定位信息，获取拍摄设备搭载在的采集车在世界坐标系中的位置信息和姿态信息；根据采集车在世界坐标系中的位置信息和姿态信息，以及拍摄设备在采集车坐标系中的位置信息和姿态信息，得到拍摄设备在世界坐标系中的位置信息和姿态信息。
可选地，提取和生成模块440在从车道线正射图中，提取车道线的变化轨迹时，具体用于：从车道线正射图中，提取车道线的脊线；或者，从车道线正射图中，提取车道线的中心线；或者，从车道线正射图中，提取车道线的轮廓线。
可选地，提取和生成模块440在从车道线正射图中，提取车道线的脊线时，具体用于：根据定位信息，确定车道线延伸方向；从车道线正射图中，车道线像素点对应的各投影点中，筛选出脊点；将处于车道线延伸方向上的各脊点之间进行连通处理，生成矢量化的脊线。
可选地，提取和生成模块440在从车道线正射图中，车道线像素点对应的各投影点中，筛选出脊点时，具体用于：确定与车道线延伸方向垂直的车道线截面方向；判断各投影点的像素值在沿车道线截面方向的邻域内，是否满足极值条件；将满足极值条件的投影点判定为脊点。
可选地，该装置还包括：去噪处理模块、删除模块和平滑处理模块中的至少一个。具体地，去噪处理模块用于对矢量化的脊线进行去噪处理；删除模块用于从车道线正射图中，删除小于预设长度阈值的脊线和离散投影点；平滑处理模块用于对矢量化的脊线进行抽稀处理和曲线平滑处理。
可选地，原始图像的数量为多张；相应地，生成模块430在根据定位信息，将车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图时，具体用于：根据拍摄每张原始图像的定位信息，分别将每张原始图像中的车道线像素点投影至世界坐标系的路面空间中，生成多张车道线正射子图；将多张车道线正射子图进行叠加，生成车道线正射图。
本发明实施例所提供的车道线生成装置可执行本发明任意实施例所提供的车道线生成方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5是本发明实施例五提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如采集车)通信，将从采集车获取的原始图片和定位信息存储到系统存储器28中。电子设备还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的车道线生成方法。处理单元16得到车道线的地图数据后，将车道线的地图数据转换为高精地图的格式，并存储在系统存储器28的高精地图数据库中。
在一可选实施方式中，处理单元16配置有识别模块，车道线生成模块和高精地图模块，识别模块用于获取对车道线进行拍摄得到的原始图像和拍摄原始图像的定位信息，并从原始图像中，识别车道线像素点。车道线生成模块用于根据定位信息，将车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图；从车道线正射图中，提取车道线的变化轨迹，并将变化轨迹投影至世界坐标系中，生成车道线的地图数据。高精地图模块用于将车道线的地图数据转换为高精地图的格式，并存储在系统存储器28的高精地图数据库中。
实施例六
本实施例提供一种车道线生成系统，结合图1a和图6，车道线生成系统主要包括电子设备和采集车。
在上述实施例的基础上，拍摄设备用于：对车道线进行拍摄得到原始图像；定位设备用于：对拍摄原始图像时的车辆本体进行定位，得到拍摄原始图像的定位信息；采集车用于：将原始图像和拍摄原始图像的定位信息发送至电子设备中，以供电子设备生成车道线的地图数据。电子设备生成车道线的地图数据的过程详见上述实施例的描述，此处不再赘述。
本实施例对定位设备和拍摄设备的精度要求较低，采用普通精度的设备即可，例如30万像素或者50万像素的CMOS摄像头。
在上述实施例的基础上，如图6所示，采集车还包括与拍摄设备连接的拍摄设备控制模块，用于控制拍摄设备开启或者停止拍摄。采集车还包括与拍摄设备和定位设备连接的存储器，用于存储原始图像和定位信息。采集车还包括与电子设备进行通讯的通讯模块，以及与通讯模块连接的上传模块，通讯模块例如是网卡，调制解调器，4G网络模块等等。采集车通过通讯模块和上传模块，将存储器中存储的原始图像和定位信息发送至电子设备。
实施例七
本发明实施例七还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例的车道线生成方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (13)

1.一种车道线生成方法，其特征在于，包括：
获取对车道线进行拍摄得到的原始图像和拍摄所述原始图像的定位信息；
从所述原始图像中，识别车道线像素点；
根据所述定位信息，将所述车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图；
从所述车道线正射图中，提取车道线的变化轨迹，并将所述变化轨迹投影至所述世界坐标系中，生成车道线的地图数据。
2.根据权利要求1所述的方法，其特征在于，所述根据所述定位信息，将所述车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图，包括：
将所述世界坐标系中的路面空间划分为多个网格，得到包括多个网格的路面图像；
根据所述定位信息，得到所述车道线像素点对应的网格坐标；
根据网格坐标对应的车道线像素点的个数，配置所述网格坐标对应的网格的像素值，生成车道线正射图。
3.根据权利要求2所述的方法，其特征在于，所述根据所述定位信息，得到所述车道线像素点对应的网格坐标，包括：
根据所述定位信息，计算拍摄设备的外参，所述拍摄设备的外参包括拍摄设备在世界坐标系中的位置信息和姿态信息；
根据所述拍摄设备的外参和内参，将所述车道线像素点投影至所述世界坐标系中；
根据路面的高度，将所述世界坐标系中的车道线像素点投影至路面空间中，得到投影坐标；
根据所述投影坐标在路面图像中的位置，确定所述投影坐标对应的网格坐标。
4.根据权利要求3所述的方法，其特征在于，所述根据所述定位信息，计算拍摄设备的外参，包括：
根据所述定位信息，获取拍摄设备搭载在的采集车在所述世界坐标系中的位置信息和姿态信息；
根据所述采集车在所述世界坐标系中的位置信息和姿态信息，以及所述拍摄设备在采集车坐标系中的位置信息和姿态信息，得到所述拍摄设备在所述世界坐标系中的位置信息和姿态信息。
5.根据权利要求2所述的方法，其特征在于，所述从所述车道线正射图中，提取车道线的变化轨迹，包括：
从所述车道线正射图中，提取车道线的脊线；或者，从所述车道线正射图中，提取车道线的中心线；或者，从所述车道线正射图中，提取车道线的轮廓线。
6.根据权利要求5所述的方法，其特征在于，所述从所述车道线正射图中，提取车道线的脊线，包括：
根据所述定位信息，确定车道线延伸方向；
从所述车道线正射图中，所述车道线像素点对应的各投影点中，筛选出脊点；
将处于车道线延伸方向上的各脊点之间进行连通处理，生成矢量化的脊线。
7.根据权利要求6所述方法，其特征在于，所述从所述车道线正射图中，所述车道线像素点对应的各投影点中，筛选出脊点，包括：
确定与所述车道线延伸方向垂直的车道线截面方向；
判断所述各投影点的像素值在沿所述车道线截面方向的邻域内，是否满足极值条件；
将满足极值条件的投影点判定为脊点。
8.根据权利要求6所述的方法，其特征在于，在所述将处于车道线延伸方向上的各脊点之间进行连通处理，生成矢量化的脊线之后，还包括以下操作中的至少一种：
对所述矢量化的脊线进行去噪处理；
从所述车道线正射图中，删除小于预设长度阈值的脊线和离散投影点；
对所述矢量化的脊线进行抽稀处理和曲线平滑处理。
9.根据权利要求1-8任一项所述的方法，其特征在于，所述原始图像的数量为多张；
所述根据所述定位信息，将所述车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图，包括：
根据拍摄每张原始图像的定位信息，分别将每张原始图像中的车道线像素点投影至世界坐标系的路面空间中，生成多张车道线正射子图；
将所述多张车道线正射子图进行叠加，生成车道线正射图。
10.一种车道线生成装置，其特征在于，包括：
获取模块，用于获取对车道线进行拍摄得到的原始图像和拍摄所述原始图像的定位信息；
识别模块，用于从所述原始图像中，识别车道线像素点；
生成模块，用于根据所述定位信息，将所述车道线像素点投影至世界坐标系的路面空间中，生成车道线正射图；
提取和生成模块，用于从所述车道线正射图中，提取车道线的变化轨迹，并将所述变化轨迹投影至所述世界坐标系中，生成车道线的地图数据。
11.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的车道线生成方法。
12.一种车道线生成系统，其特征在于，包括：采集车和如权利要求11所述的电子设备；
所述电子设备集成于所述采集车中，或者独立于所述采集车并与所述采集车通信连接；
其中，所述采集车包括车辆本体、搭载在所述车辆本体上的拍摄设备和定位设备；
所述拍摄设备用于：对车道线进行拍摄得到原始图像；
所述定位设备用于：对拍摄所述原始图像时的车辆本体进行定位，得到拍摄所述原始图像的定位信息；
所述采集车用于：将所述原始图像和拍摄所述原始图像的定位信息发送至所述电子设备中，以供所述电子设备生成车道线的地图数据。
13.一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，该程序被处理器执行时实现如权利要求1-9中任一所述的车道线生成方法。
CN201910447156.7A 2019-05-27 2019-05-27 车道线生成方法、装置、设备、系统及可读存储介质 Active CN110163930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910447156.7A CN110163930B (zh) 2019-05-27 2019-05-27 车道线生成方法、装置、设备、系统及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910447156.7A CN110163930B (zh) 2019-05-27 2019-05-27 车道线生成方法、装置、设备、系统及可读存储介质

Publications (2)

Publication Number Publication Date
CN110163930A true CN110163930A (zh) 2019-08-23
CN110163930B CN110163930B (zh) 2023-06-27

Family

ID=67629034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910447156.7A Active CN110163930B (zh) 2019-05-27 2019-05-27 车道线生成方法、装置、设备、系统及可读存储介质

Country Status (1)

Country Link
CN (1) CN110163930B (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110727748A (zh) * 2019-09-17 2020-01-24 禾多科技（北京）有限公司 小体量高精度定位图层的构建、编译及读取方法
CN111222417A (zh) * 2019-12-24 2020-06-02 武汉中海庭数据技术有限公司 一种用于提高基于车载图像车道线提取精度的方法及装置
CN111324616A (zh) * 2020-02-07 2020-06-23 北京百度网讯科技有限公司 车道线变化信息的检测方法、装置及设备
CN111400537A (zh) * 2020-03-19 2020-07-10 北京百度网讯科技有限公司 一种道路元素信息获取方法、装置和电子设备
CN111597987A (zh) * 2020-05-15 2020-08-28 北京百度网讯科技有限公司 用于生成信息的方法、装置、设备和存储介质
CN111652952A (zh) * 2020-06-05 2020-09-11 腾讯科技（深圳）有限公司 车道线生成方法、装置、计算机设备和存储介质
CN112036359A (zh) * 2020-09-10 2020-12-04 湖北亿咖通科技有限公司 一种车道线的拓扑信息获得方法、电子设备及存储介质
CN112037316A (zh) * 2020-09-22 2020-12-04 北京百度网讯科技有限公司 映射的生成方法、装置和路侧设备
CN112163475A (zh) * 2020-09-15 2021-01-01 北京三快在线科技有限公司 一种确定车道线方向的方法及装置
CN112633035A (zh) * 2019-09-23 2021-04-09 初速度（苏州）科技有限公司 一种基于无人驾驶车辆的车道线坐标真值获取方法及装置
CN112697159A (zh) * 2021-01-06 2021-04-23 智道网联科技(北京)有限公司 一种地图编辑方法及系统
WO2021143059A1 (zh) * 2020-01-13 2021-07-22 平安国际智慧城市科技股份有限公司 地图区域的确定方法、装置、设备及存储介质
CN113205447A (zh) * 2021-05-11 2021-08-03 北京车和家信息技术有限公司 用于车道线识别的道路图片标注方法和装置
CN113256756A (zh) * 2020-02-07 2021-08-13 阿里巴巴集团控股有限公司 地图数据显示方法、装置、设备及存储介质
CN113298910A (zh) * 2021-05-14 2021-08-24 阿波罗智能技术(北京)有限公司 生成交通标志线地图的方法、设备和存储介质
CN113343858A (zh) * 2021-06-10 2021-09-03 广州海格通信集团股份有限公司 路网地理位置识别方法、装置、电子设备及存储介质
CN113435227A (zh) * 2020-03-23 2021-09-24 阿里巴巴集团控股有限公司 地图生成及车辆定位方法、系统、设备及存储介质
CN113536854A (zh) * 2020-04-20 2021-10-22 蘑菇车联信息科技有限公司 一种高精地图路牌的生成方法、装置及服务器
CN113607185A (zh) * 2021-10-08 2021-11-05 禾多科技（北京）有限公司 车道线信息显示方法、装置、电子设备和计算机可读介质
CN113705271A (zh) * 2020-05-20 2021-11-26 蘑菇车联信息科技有限公司 一种高精地图车道生成方法及装置
CN113807333A (zh) * 2021-11-19 2021-12-17 智道网联科技(北京)有限公司 用于检测车道线的数据处理方法及存储介质
CN113887678A (zh) * 2021-12-08 2022-01-04 南京瀚海星宇信息技术有限公司 一种基于海量图像数据的舰船轨迹生成方法及系统
CN114579808A (zh) * 2022-01-17 2022-06-03 深圳市慧视通科技股份有限公司 目标所处位置的索引方法、装置和电子设备
CN116977582A (zh) * 2023-07-27 2023-10-31 木卫四(北京)科技有限公司 基于gps数据的道路3d模型生成方法及装置
CN117928575A (zh) * 2024-03-22 2024-04-26 四川省公路规划勘察设计研究院有限公司 车道信息提取方法、系统、电子设备以及存储介质
WO2024088445A1 (zh) * 2022-10-24 2024-05-02 重庆长安汽车股份有限公司 一种基于视觉语义矢量的车辆导引方法、系统、设备和介质
CN118097642A (zh) * 2024-04-19 2024-05-28 山东冠通交通设施有限公司 一种交通工程标线清除质量评估方法及系统

Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011215769A (ja) * 2010-03-31 2011-10-27 Panasonic Corp 車線位置検出装置および車線位置検出方法
CN102722705A (zh) * 2012-06-12 2012-10-10 武汉大学 一种基于ransac算法的多车道线检测方法
CN103218812A (zh) * 2013-04-02 2013-07-24 中国林业科学研究院资源信息研究所 基于摄影测量的树木形态模型参数快速获取方法
CN103295420A (zh) * 2013-01-30 2013-09-11 吉林大学 一种车道线识别的方法
US20140185879A1 (en) * 2011-09-09 2014-07-03 Industry-Academic Cooperation Foundation, Yonsei University Apparatus and method for detecting traffic lane in real time
CN105760812A (zh) * 2016-01-15 2016-07-13 北京工业大学 一种基于Hough变换的车道线检测方法
CN106529493A (zh) * 2016-11-22 2017-03-22 北京联合大学 一种基于透视图的鲁棒性多车道线检测方法
CN106570446A (zh) * 2015-10-12 2017-04-19 腾讯科技（深圳）有限公司 车道线提取的方法和装置
CN106846411A (zh) * 2016-12-24 2017-06-13 大连日佳电子有限公司 基于混合畸变模型的高精度摄像机标定装置
CN106904167A (zh) * 2015-12-18 2017-06-30 北京奇虎科技有限公司 一种基于obd的车道偏离预警方法、车载终端以及智能汽车
CN107607111A (zh) * 2017-09-07 2018-01-19 驭势科技（北京）有限公司 加速度偏置估计方法和装置、视觉惯性里程计及其应用
CN107728646A (zh) * 2017-09-05 2018-02-23 百度在线网络技术（北京）有限公司 对自动驾驶车辆的摄像头进行自动控制的方法和系统
CN108205667A (zh) * 2018-03-14 2018-06-26 海信集团有限公司 车道线检测方法及装置、车道线检测终端、存储介质
US20180217603A1 (en) * 2017-01-31 2018-08-02 GM Global Technology Operations LLC Efficient situational awareness from perception streams in autonomous driving systems
CN108413971A (zh) * 2017-12-29 2018-08-17 驭势科技（北京）有限公司 基于车道线的车辆定位技术及应用
CN108764187A (zh) * 2018-06-01 2018-11-06 百度在线网络技术（北京）有限公司 提取车道线的方法、装置、设备、存储介质以及采集实体
CN108830165A (zh) * 2018-05-22 2018-11-16 南通职业大学 一种考虑前车干扰的车道线检测方法
CN108871353A (zh) * 2018-07-02 2018-11-23 上海西井信息科技有限公司 路网地图生成方法、系统、设备及存储介质
CN109059954A (zh) * 2018-06-29 2018-12-21 广东星舆科技有限公司 支持高精度地图车道线实时融合更新的方法和系统
CN109145860A (zh) * 2018-09-04 2019-01-04 百度在线网络技术（北京）有限公司 车道线跟踪方法和装置
CN109300159A (zh) * 2018-09-07 2019-02-01 百度在线网络技术（北京）有限公司 位置检测方法、装置、设备、存储介质及车辆
CN109300322A (zh) * 2018-10-31 2019-02-01 百度在线网络技术（北京）有限公司 引导线绘制方法、装置、设备和介质
KR101947675B1 (ko) * 2017-08-11 2019-02-13 충북대학교 산학협력단 항만 입출항데이터를 이용한 통항로 선박교통특성 분석장치 및 방법
CN109359602A (zh) * 2018-10-22 2019-02-19 长沙智能驾驶研究院有限公司 车道线检测方法和装置
CN109532826A (zh) * 2017-09-21 2019-03-29 天津所托瑞安汽车科技有限公司 一种基于车道线视觉识别技术优化的雷达防碰撞预警方法
CN109583312A (zh) * 2018-10-31 2019-04-05 百度在线网络技术（北京）有限公司 车道线识别方法、装置、设备及存储介质
CN109785291A (zh) * 2018-12-20 2019-05-21 南京莱斯电子设备有限公司 一种车道线自适应检测方法

Patent Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011215769A (ja) * 2010-03-31 2011-10-27 Panasonic Corp 車線位置検出装置および車線位置検出方法
US20140185879A1 (en) * 2011-09-09 2014-07-03 Industry-Academic Cooperation Foundation, Yonsei University Apparatus and method for detecting traffic lane in real time
CN102722705A (zh) * 2012-06-12 2012-10-10 武汉大学 一种基于ransac算法的多车道线检测方法
CN103295420A (zh) * 2013-01-30 2013-09-11 吉林大学 一种车道线识别的方法
CN103218812A (zh) * 2013-04-02 2013-07-24 中国林业科学研究院资源信息研究所 基于摄影测量的树木形态模型参数快速获取方法
CN106570446A (zh) * 2015-10-12 2017-04-19 腾讯科技（深圳）有限公司 车道线提取的方法和装置
CN106904167A (zh) * 2015-12-18 2017-06-30 北京奇虎科技有限公司 一种基于obd的车道偏离预警方法、车载终端以及智能汽车
CN105760812A (zh) * 2016-01-15 2016-07-13 北京工业大学 一种基于Hough变换的车道线检测方法
CN106529493A (zh) * 2016-11-22 2017-03-22 北京联合大学 一种基于透视图的鲁棒性多车道线检测方法
CN106846411A (zh) * 2016-12-24 2017-06-13 大连日佳电子有限公司 基于混合畸变模型的高精度摄像机标定装置
US20180217603A1 (en) * 2017-01-31 2018-08-02 GM Global Technology Operations LLC Efficient situational awareness from perception streams in autonomous driving systems
KR101947675B1 (ko) * 2017-08-11 2019-02-13 충북대학교 산학협력단 항만 입출항데이터를 이용한 통항로 선박교통특성 분석장치 및 방법
CN107728646A (zh) * 2017-09-05 2018-02-23 百度在线网络技术（北京）有限公司 对自动驾驶车辆的摄像头进行自动控制的方法和系统
CN107607111A (zh) * 2017-09-07 2018-01-19 驭势科技（北京）有限公司 加速度偏置估计方法和装置、视觉惯性里程计及其应用
CN109532826A (zh) * 2017-09-21 2019-03-29 天津所托瑞安汽车科技有限公司 一种基于车道线视觉识别技术优化的雷达防碰撞预警方法
CN108413971A (zh) * 2017-12-29 2018-08-17 驭势科技（北京）有限公司 基于车道线的车辆定位技术及应用
CN108205667A (zh) * 2018-03-14 2018-06-26 海信集团有限公司 车道线检测方法及装置、车道线检测终端、存储介质
CN108830165A (zh) * 2018-05-22 2018-11-16 南通职业大学 一种考虑前车干扰的车道线检测方法
CN108764187A (zh) * 2018-06-01 2018-11-06 百度在线网络技术（北京）有限公司 提取车道线的方法、装置、设备、存储介质以及采集实体
CN109059954A (zh) * 2018-06-29 2018-12-21 广东星舆科技有限公司 支持高精度地图车道线实时融合更新的方法和系统
CN108871353A (zh) * 2018-07-02 2018-11-23 上海西井信息科技有限公司 路网地图生成方法、系统、设备及存储介质
CN109145860A (zh) * 2018-09-04 2019-01-04 百度在线网络技术（北京）有限公司 车道线跟踪方法和装置
CN109300159A (zh) * 2018-09-07 2019-02-01 百度在线网络技术（北京）有限公司 位置检测方法、装置、设备、存储介质及车辆
CN109359602A (zh) * 2018-10-22 2019-02-19 长沙智能驾驶研究院有限公司 车道线检测方法和装置
CN109300322A (zh) * 2018-10-31 2019-02-01 百度在线网络技术（北京）有限公司 引导线绘制方法、装置、设备和介质
CN109583312A (zh) * 2018-10-31 2019-04-05 百度在线网络技术（北京）有限公司 车道线识别方法、装置、设备及存储介质
CN109785291A (zh) * 2018-12-20 2019-05-21 南京莱斯电子设备有限公司 一种车道线自适应检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XU FANGFANG: "Real-time lane detection for intelligent vehicles based on monocular vision", 《 PROCEEDINGS OF THE 31ST CHINESE CONTROL CONFERENCE》 *
XU FANGFANG: "Real-time lane detection for intelligent vehicles based on monocular vision", 《 PROCEEDINGS OF THE 31ST CHINESE CONTROL CONFERENCE》, 31 December 2012 (2012-12-31), pages 7332 - 7336 *
袁旻川: "基于车道线提取的智能车横向定位技术", 《军事交通学院学报》 *
袁旻川: "基于车道线提取的智能车横向定位技术", 《军事交通学院学报》, 25 October 2018 (2018-10-25), pages 35 - 40 *

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110727748A (zh) * 2019-09-17 2020-01-24 禾多科技（北京）有限公司 小体量高精度定位图层的构建、编译及读取方法
CN112633035A (zh) * 2019-09-23 2021-04-09 初速度（苏州）科技有限公司 一种基于无人驾驶车辆的车道线坐标真值获取方法及装置
CN112633035B (zh) * 2019-09-23 2022-06-24 魔门塔(苏州)科技有限公司 一种基于无人驾驶车辆的车道线坐标真值获取方法及装置
CN111222417A (zh) * 2019-12-24 2020-06-02 武汉中海庭数据技术有限公司 一种用于提高基于车载图像车道线提取精度的方法及装置
WO2021143059A1 (zh) * 2020-01-13 2021-07-22 平安国际智慧城市科技股份有限公司 地图区域的确定方法、装置、设备及存储介质
CN111324616A (zh) * 2020-02-07 2020-06-23 北京百度网讯科技有限公司 车道线变化信息的检测方法、装置及设备
CN111324616B (zh) * 2020-02-07 2023-08-25 北京百度网讯科技有限公司 车道线变化信息的检测方法、装置及设备
CN113256756B (zh) * 2020-02-07 2023-03-21 阿里巴巴集团控股有限公司 地图数据显示方法、装置、设备及存储介质
CN113256756A (zh) * 2020-02-07 2021-08-13 阿里巴巴集团控股有限公司 地图数据显示方法、装置、设备及存储介质
CN111400537B (zh) * 2020-03-19 2023-04-28 北京百度网讯科技有限公司 一种道路元素信息获取方法、装置和电子设备
CN111400537A (zh) * 2020-03-19 2020-07-10 北京百度网讯科技有限公司 一种道路元素信息获取方法、装置和电子设备
CN113435227A (zh) * 2020-03-23 2021-09-24 阿里巴巴集团控股有限公司 地图生成及车辆定位方法、系统、设备及存储介质
CN113536854A (zh) * 2020-04-20 2021-10-22 蘑菇车联信息科技有限公司 一种高精地图路牌的生成方法、装置及服务器
CN111597987B (zh) * 2020-05-15 2023-09-01 阿波罗智能技术(北京)有限公司 用于生成信息的方法、装置、设备和存储介质
CN111597987A (zh) * 2020-05-15 2020-08-28 北京百度网讯科技有限公司 用于生成信息的方法、装置、设备和存储介质
CN113705271A (zh) * 2020-05-20 2021-11-26 蘑菇车联信息科技有限公司 一种高精地图车道生成方法及装置
CN111652952B (zh) * 2020-06-05 2022-03-18 腾讯科技（深圳）有限公司 车道线生成方法、装置、计算机设备和存储介质
CN111652952A (zh) * 2020-06-05 2020-09-11 腾讯科技（深圳）有限公司 车道线生成方法、装置、计算机设备和存储介质
CN112036359A (zh) * 2020-09-10 2020-12-04 湖北亿咖通科技有限公司 一种车道线的拓扑信息获得方法、电子设备及存储介质
CN112163475A (zh) * 2020-09-15 2021-01-01 北京三快在线科技有限公司 一种确定车道线方向的方法及装置
CN112037316B (zh) * 2020-09-22 2024-04-16 阿波罗智联(北京)科技有限公司 映射的生成方法、装置和路侧设备
CN112037316A (zh) * 2020-09-22 2020-12-04 北京百度网讯科技有限公司 映射的生成方法、装置和路侧设备
CN112697159B (zh) * 2021-01-06 2024-01-23 智道网联科技(北京)有限公司 一种地图编辑方法及系统
CN112697159A (zh) * 2021-01-06 2021-04-23 智道网联科技(北京)有限公司 一种地图编辑方法及系统
CN113205447A (zh) * 2021-05-11 2021-08-03 北京车和家信息技术有限公司 用于车道线识别的道路图片标注方法和装置
CN113298910A (zh) * 2021-05-14 2021-08-24 阿波罗智能技术(北京)有限公司 生成交通标志线地图的方法、设备和存储介质
CN113343858B (zh) * 2021-06-10 2024-03-12 广州海格通信集团股份有限公司 路网地理位置识别方法、装置、电子设备及存储介质
CN113343858A (zh) * 2021-06-10 2021-09-03 广州海格通信集团股份有限公司 路网地理位置识别方法、装置、电子设备及存储介质
CN113607185A (zh) * 2021-10-08 2021-11-05 禾多科技（北京）有限公司 车道线信息显示方法、装置、电子设备和计算机可读介质
CN113607185B (zh) * 2021-10-08 2022-01-04 禾多科技（北京）有限公司 车道线信息显示方法、装置、电子设备和计算机可读介质
CN113807333A (zh) * 2021-11-19 2021-12-17 智道网联科技(北京)有限公司 用于检测车道线的数据处理方法及存储介质
CN113887678A (zh) * 2021-12-08 2022-01-04 南京瀚海星宇信息技术有限公司 一种基于海量图像数据的舰船轨迹生成方法及系统
CN114579808A (zh) * 2022-01-17 2022-06-03 深圳市慧视通科技股份有限公司 目标所处位置的索引方法、装置和电子设备
WO2024088445A1 (zh) * 2022-10-24 2024-05-02 重庆长安汽车股份有限公司 一种基于视觉语义矢量的车辆导引方法、系统、设备和介质
CN116977582A (zh) * 2023-07-27 2023-10-31 木卫四(北京)科技有限公司 基于gps数据的道路3d模型生成方法及装置
CN116977582B (zh) * 2023-07-27 2024-03-22 木卫四(北京)科技有限公司 基于gps数据的道路3d模型生成方法及装置
CN117928575A (zh) * 2024-03-22 2024-04-26 四川省公路规划勘察设计研究院有限公司 车道信息提取方法、系统、电子设备以及存储介质
CN118097642A (zh) * 2024-04-19 2024-05-28 山东冠通交通设施有限公司 一种交通工程标线清除质量评估方法及系统

Also Published As

Publication number Publication date
CN110163930B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN110163930A (zh) 车道线生成方法、装置、设备、系统及可读存储介质
CN110059608B (zh) 一种物体检测方法、装置、电子设备和存储介质
CN110988912B (zh) 自动驾驶车辆的道路目标与距离检测方法、系统、装置
CN110226186B (zh) 表示地图元素的方法和装置以及定位的方法和装置
JP2019087229A (ja) 情報処理装置、情報処理装置の制御方法及びプログラム
CN113706480B (zh) 一种基于关键点多尺度特征融合的点云3d目标检测方法
CN110471058A (zh) 用于拖车属性的自动检测的系统和方法
CN112001226B (zh) 一种无人驾驶3d目标检测方法、装置及存储介质
CN113761999B (zh) 一种目标检测方法、装置、电子设备和存储介质
CN108734058B (zh) 障碍物类型识别方法、装置、设备及存储介质
WO2021096629A1 (en) Geometry-aware instance segmentation in stereo image capture processes
CN113359782B (zh) 一种融合lidar点云与图像数据的无人机自主选址降落方法
KR101921071B1 (ko) 다중 프레임에서의 센서 융합을 통한 3차원 객체의 포즈 추정 방법 및 이를 구비한 장치
WO2021017211A1 (zh) 一种基于视觉的车辆定位方法、装置及车载终端
US11842440B2 (en) Landmark location reconstruction in autonomous machine applications
CN114463308B (zh) 一种无人机视角光伏组件视觉检测方法、装置及处理设备
CN112883790A (zh) 一种基于单目摄像头的3d物体检测方法
WO2024087962A1 (zh) 车厢姿态识别系统、方法、电子设备及存储介质
US11308324B2 (en) Object detecting system for detecting object by using hierarchical pyramid and object detecting method thereof
CN116310673A (zh) 一种基于点云与图像特征融合的三维目标检测方法
CN117422629A (zh) 一种实例感知的单目语义场景补全方法、介质及设备
CN114821517A (zh) 用于学习神经网络以确定环境中车辆姿态的方法和系统
CN114384486A (zh) 一种数据处理方法及装置
CN117372991A (zh) 基于多视角多模态融合的自动驾驶方法及系统
CN116778262A (zh) 一种基于虚拟点云的三维目标检测方法和系统

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