道路标识线识别方法、装置和系统
技术领域
本发明涉及无人车技术领域,具体涉及一种道路标识线识别方法、装置和系统。
背景技术
随着科技的发展,电子地图的应用越来越普遍。一方面,人们使用电子地图进行导航;另一方面,无人驾驶车辆可以利用电子地图对周围环境进行感知,从而控制无人驾驶车辆的转向、加速、减速等动作。
现有的电子地图普遍采用卫星地图测绘得到粗略的地图,在人工定期进行导航地图的更新,这类地图的精度不高,通常是具有几米甚至几十米的误差;并且数据维度不够,例如没有道路车道线信息,高度信息、道路形状信息以及道路坡度信息等各种维度的信息,因此对高精度地图的需求越来越高。
高精度地图是指高精度、精细化的地图,其精度就可以达到分米级。同时高精度地图包含大量的行车辅助信息,其中最重要的是对路面精确的三维表征,例如路面的几何结构、道路标识线的位置以及周边道路环境等。
传统的地图制作需要大量的人力进行地图要素的绘制,但是高精度地图的制作需要大量的地图要素信息,因此传统的地图制作手段不适用于高精度地图的制作。现有技术为了提高高精度地图的制作速度,采用机器学习算法或者深度学习算法对地图数据进行自动化检测识别。但是不论是机器学习算法还是深度学习算法,多面向的二维图像处理,无法直接处理三维点云模型。同时机器学习算法和深度学习算法都需要大量的学习样本,需要大量的人工标注。
因此现有的这两种高精度地图的制作方法的问题在于需要大量的人力资源,同时制作过程繁杂,制作速度慢,效率低。
发明内容
有鉴于此,本发明用于提供一种道路标识线识别方法、装置和系统,提高道路标识线的识别精度和速度,继而提高高精度地图的制作速度和效率。
根据本发明实施例的第一方面,提供一种道路标识线的识别方法,其特征在于,包括:获取周围探测信息,根据所述探测信息获得切片栅格图;根据所述切片栅格图确定模型训练样本;获取所述模型训练样本中的切片栅格图以及所述切片栅格图对应的矢量化的标识线的类别属性作为所述模型训练样本的样本信息;基于所述模型训练样本的样本信息进行模型训练以得到检测模型;基于所述检测模型对给定的切片栅格图进行检测以得到对应的矢量化的标识线;对所述矢量化的标识线进行校验处理;基于校验处理的所述矢量化的标识线优化所述检测模型。
可选的,所述根据所述探测信息获得二维栅格图的步骤包括:根据所述探测信息中的激光探测数据得到点云模型,所述点云模型中包括多个点云;将所述点云模型转换为二维栅格图;对所述二维栅格图进行角度规则化和切片化处理以得到所述切片栅格图。
可选的,所述点云模型为三维模型,所述二维栅格图包括点云强度栅格图和点云高度栅格图。
可选的,所述将所述点云模型转换为二维栅格图包括:确定所述点云模型的第一平面上的范围大小;切割所述第一平面以得到多个所述栅格像素,每个所述栅格像素中包括至少一个采样点云;根据所述多个栅格像素得到所述二维栅格图。
可选的,所述的识别方法还包括:在每个所述栅格像素中确定高度值最小的所述采样点云;将所述采样点云的高度值定义为所述栅格像素的高度值;将所述采样点云的强度值定义为所述栅格像素的强度值。
可选的,所述将所述二维栅格图角度规则化和切片化以得到所述切片栅格图的步骤包括:根据所述探测信息中的位置信息和惯性传感信息得到多个轨迹点;对所述多个轨迹点进行间隔采样,得到多个轨迹采样点;得到相邻的所述轨迹采样点的位移方向;基于所述位移方向得到所述切片栅格图,其中,所述切片栅格图的方向与所述位移方向相互平行。
可选的,对所述多个轨迹点进行间隔采样时的采样间隔为r=max(w/2,h/2),其中,w和h分别为所述切片栅格图的宽和长,w和h均为正整数。
可选的,所述基于所述模型训练样本的样本信息进行模型训练以得到检测模型的步骤包括:将所述样本信息输入具有唯一极值的目标函数,得到所述目标函数的函数值;根据所述目标函数的函数值确定所述检测模型。
可选的,所述目标函数为其中,x为所述切片栅格图的位置信息,θ为待训练的模型参数,y’为所述切片栅格图的类别属性,j为所述类别属性的序号,i为所述切片栅格图的序号,i和j均为正整数。
可选的,所述基于所述检测模型对给定的切片栅格图进行检测以得到对应的矢量化的标识线的步骤包括:基于所述检测模型根据给定的所述切片栅格图得到对应的类别概率图;基于所述类别概率图进行边缘提取;对所述边缘进行聚类处理,得到边缘序列点集合;基于所述边缘序列点集合得到所述矢量化的标识线。
可选的,所述的识别方法还包括滤除概率小的所述边缘序列点。
可选的,所述基于所述边缘序列点集合得到所述矢量化的标识线的步骤包括将所述边缘序列点的像素坐标值转换为点云坐标值。
可选的,所述对所述矢量化的标识线进行校验处理的步骤包括:人工校验所述矢量化的标识线,对不符合的所述表示线进行人工修正,以得到修正的矢量化标识线和切片栅格图;
可选的,所述基于校验处理的所述矢量化的标识线优化所述检测模型的步骤包括:基于修正的矢量化标识线和切片栅格图更新所述模型训练样本;基于更新的所述模型训练样本训练所述检测模型。
根据本发明实施例的第二方面,提供一种道路标识线的识别装置,其特征在于,包括:栅格图获取模块,用于获取周围探测信息,根据所述探测信息获得切片栅格图;训练样本获取模块,用于根据所述切片栅格图确定模型训练样本;样本信息获取模块,用于获取所述模型训练样本中的切片栅格图以及所述切片栅格图对应的矢量化的标识线的类别属性作为所述模型训练样本的样本信息;模型训练模块,用于基于所述模型训练样本的样本信息进行模型训练以得到检测模型;检测模块,用于基于所述检测模型对给定的切片栅格图进行检测以得到对应的矢量化的标识线;校验模块,用于对所述矢量化的标识线进行校验处理;以及优化模块,用于基于校验处理的所述矢量化的标识线优化所述检测模型。
可选的,所述栅格图获取模块包括:点云数据读取单元,用于根据所述探测信息中的激光探测数据得到点云模型,所述点云模型中包括多个点云;栅格图生成单元,用于将所述点云模型转换为二维栅格图;切片栅格图生成单元,用于将所述二维栅格图角度规则化和切片化以得到所述切片栅格图。
可选的,所述点云模型为三维模型,所述二维栅格图包括点云强度栅格图和点云高度栅格图。
可选的,所述栅格图生成单元包括:范围确定单元,用于确定所述点云模型的第一平面上的范围大小;切割单元,用于切割所述第一平面以得到多个所述栅格像素,每个所述栅格像素中包括至少一个采样点云;第一处理单元,用于根据所述多个栅格像素得到所述二维栅格图。
可选的,所述栅格图生成单元还包括:比较单元,用于在每个所述栅格像素中确定高度值最小的所述采样点云;栅格像素高度确定单元,用于将所述采样点云的高度值定义为所述栅格像素的高度值;以及栅格像素强度确定单元,用于将所述采样点云的强度值定义为所述栅格像素的强度值。
可选的,所述切片栅格图生成单元包括:轨迹点读取单元,用于根据所述探测信息中的位置信息和惯性传感信息得到多个轨迹点;采样单元,用于对所述多个轨迹点进行间隔采样,得到多个轨迹采样点;位移确定单元,用于得到相邻的所述轨迹采样点的位移方向;以及第二处理单元,用于基于所述位移方向得到所述切片栅格图,其中,所述切片栅格图的方向与所述位移方向相互平行。
可选的,对所述多个轨迹点进行间隔采样时的采样间隔为r=max(w/2,h/2),其中,w和h分别为所述切片栅格图的宽和长,w和h均为正整数。
可选的,所述模型训练模块包括:第一输入单元,用于将所述样本信息输入具有唯一极值的目标函数,得到所述目标函数的函数值;以及第三处理单元,用于根据所述目标函数的函数值确定所述检测模型。
可选的,所述目标函数为其中,x为所述切片栅格图的位置信息,θ为待训练的模型参数,y’为所述切片栅格图的类别属性,j为所述类别属性的序号,i为所述切片栅格图的序号,i和j均为正整数。
可选的,所述检测模块包括:第二输入单元,用于基于所述检测模型根据给定的所述切片栅格图得到对应的类别概率图;提取单元,用于基于所述类别概率图进行边缘提取;聚类运算单元,用于对所述边缘进行聚类处理,得到边缘序列点集合;以及第四处理单元,用于基于所述边缘序列点集合得到所述矢量化的标识线。
可选的,所述检测模块还包括过滤单元,用于滤除概率小的所述边缘序列点。
可选的,所述第四处理单元设置为将所述边缘序列点的像素坐标值转换为点云坐标值以得到所述矢量化的标识线。
可选的,所述校验模块用于人工校验所述矢量化的标识线,对不符合的所述标识线进行人工修正,以得到修正的矢量化标识线和切片栅格图。
可选的,所述优化模块包括:更新单元,用于基于修正的矢量化标识线和切片栅格图更新所述模型训练样本;模型进化单元,用于基于更新的所述模型训练样本训练所述检测模型。
根据本发明实施例的第三方面,提供一种道路标识线的识别装置,其特征在于,包括:探测设备,用于获得周围探测信息;以及控制器,用于基于所述探测信息执行如上所述的识别方法。
根据本发明实施例的第四方面,提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令被执行时实现如上所述的识别方法。
根据本发明实施例的第五方面,提供一种道路标识线识别系统,其特征在于,包括:存储器,用于存储计算机指令;处理器,耦合到所述存储器,所述处理器被配置为基于所述存储器存储的计算机指令执行实现如上所述的识别方法。
本发明实施例的道路标识线的识别方法具有以下的有益效果:
在模型训练阶段直接使用现有的地图要素的三维矢量线对样本进行标注作为模型训练样本,在检测阶段将给定的二维栅格图边缘细化过滤得到地图要素的三维矢量线,实现了高精度地图的闭环生产;同时将高精度地图生产中的人工标注部分视为自动化识别模块中样本标注的一部分,可以充分利用现有的标注数据,解决了高精度地图生成中需要大量样本标注的问题,节省大量的人力资源。
在一些实施例中,将三维点云模型中的点云数据以及标注矢量线转换为点云强度栅格图和点云高度栅格图等的二维图像,然后结合采集车轨迹进行处理分析。与传统的图像处理相比,二维栅格图具有颜色、高度尺度以及角度不变性,可以大大减少训练样本的数量;同时生成的二维栅格图还可以使用面向图像的分析算法进行处理,有利于提高模型训练结果的泛化性能。
在一些实施例中,直接基于点云栅格图进行模型训练样本的生成和检测结果的输出,减少了中间对应转换误差,有利于提高地图要素的位置精度。
在一些实施例中,对得到的三维矢量线进行人工修正,并将修正后的三维矢量线加入样本数据库,基于修正后的三维矢量线对检测模型进行重新训练,可使得检测模型的检测精度不断提高。
附图说明
通过参照以下附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1示出根据本发明实施例的道路标识线识别方法的流程图。
图2示出根据本发明实施例的道路标识线识别方法的方法示意图。
图3示出根据本发明实施例的获得切片栅格图的方法示意图。
图4示出根据本发明实施例的切片栅格图的结构示意图。
图5示出根据本发明实施例的检测方法的方法示意图。
图6示出根据本发明实施例的优化检测模型的方法示意图。
图7示出根据本发明另一实施例的道路标识线识别装置的结构示意图。
图8示出图7中栅格图获取模块的结构示意图。
图9示出图8中栅格图生成单元的结构示意图。
图10示出图8中切片栅格图生成单元的结构示意图。
图11示出图7中模型训练模块的结构示意图。
图12示出图7中检测模块的结构示意图。
图13示出图7中优化模块的结构示意图。
图14是根据本发明另一实施例的道路标识线识别系统的结构示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程没有详细叙述。另外附图不一定是按比例绘制的。
根据本发明的一个实施例提供一种闭环的道路标识线识别方法,具体的流程如图1所示,包括:
S310,获得三维点云模型。在一个实施例中,采用安装有激光扫描仪、高精度定位设备以及高精度惯导设备的移动测量车,移动测量车采集带有位置信息和反射强度的激光扫描仪扫描得到的激光点云。高精度定位设备和高精度惯导设备将移动测量车采集的每帧激光点云变换到统一的坐标系中形成点云模型。
S320,将三维点云模型转换成为二维栅格图。在一个实施例中,基于每帧三维点云所组成的全局三维点云模型生成二维栅格图。二维栅格图把环境划分为一系列的栅格,其中每一个栅格给定一个值,表示该栅格被占据的概率。根据点云数据为栅格图中的每一个栅格赋值。
S330,基于得到的二维栅格图对检测模型进行模型训练。
S340,基于训练后的检测模型对给定的二维栅格图进行检测得到地图要素的三维矢量线。
S350,对三维矢量线进行人工修正,并根据修正后的三维矢量线重新训练检测模型。
本发明的一个实施例提供的一种道路标识线识别方法通过将三维点云模型中的点云数据以及标注矢量线转换为点云强度栅格图和点云高度栅格图等颜色、尺度、角度不变的二维图像,从而将高精度地图生产中的人工标注部分视为自动化识别模块中样本标注的一部分,可以充分利用现有的标注数据,解决了高精度地图生成中需要大量样本标注的问题,节省大量的人力资源;同时在模型训练时将三维点云模型转换为二维栅格图输入,检测时将二维栅格图边缘细化过滤得到地图要素的三维矢量线,实现了高精度地图的闭环生产;此外,在一些实施例中对得到的三维矢量线进行人工修正,并将修正后的三维矢量线加入样本数据库,基于修正后的三维矢量线对检测模型进行重新训练,可使得检测模型的检测精度不断提高。
具体地,如图2示出了根据本发明实施例的道路标识线识别方法的方法示意图,包括:
S110,获取周围探测信息,根据探测信息获得切片栅格图。具体的,如图3示出根据本发明一个实施例的获得切片栅格图的方法,包括:
S111,根据探测信息中的激光探测数据得到点云模型。在一个实施例中,采用安装有激光扫描仪、高精度定位设备以及高精度惯导设备的移动测量车,移动测量车采集带有位置信息和反射强度的激光扫描仪扫描得到的激光点云。高精度定位设备和高精度惯导设备将移动测量车采集的每帧激光点云变换到统一的坐标系中形成点云模型。
S112,将点云模型转换成为二维栅格图,即将三维的点云坐标转换为方便后续处理的图像坐标。
在一个实施例中,获得二维栅格图的方法包括:
首先确定点云模型的XY平面的范围大小,即计算点云模型的XY轴平面上X、Y方向上的最大值和最小值,以确定二维栅格图的大小范围。
然后切割点云模型的XY平面得到多个栅格像素,即在XY轴平面上以采样间隔SX和SY对点云模型中的多个点云进行采样,得到多个栅格像素,每个栅格像素中包括多个采样点云。得到W*H个栅格像素,其中,W=(maxX-minX)/SX,H=(maxY-minY)/SY,SX为点云模型X方向上的采样间隔,SY为在点云模型Y方向上的采样间隔,maxX和minX表示点云模型在X方向上的最大值和最小值,maxY和minY表示点云模型在Y方向上的最大值和最小值。
最后根据多个栅格像素得到二维栅格图。此外,在一些实施例中,对所有属于集合{(x,y,z)|x∈[wi,wi+1],y∈[hj,hj+1]}的采样点云计算其z值(高度值)最小的采样点云,并将该采样点云的z值(高度值)作为该栅格像素的高度值,将该采样点云的强度值作为该栅格像素的强度值,x、y、z分别表示每个所述采样点云在所述点云模型中的坐标位置,[wi,wi+1]表示每个所述栅格像素在X方向上的长度区间,[hj,hj+1]表示每个所述栅格像素在Y方向上的长度区间,以此得到点云强度栅格图和点云高度栅格图。
将三维的点云模型转换成二维的栅格图具有诸多优点:保留了点云在XY平面上的空间位置信息,同时点云高度栅格图保留了点云的部分立体信息;并且二维栅格图还具有尺度(每一个栅格像素代表统一的单位距离)和强度不变性(激光反射强度置于反射物的材质有关,与当前环境无关),对后续的自动化识别处理具有重要意义;同时只需要很少的模型训练样本,只需要收集有代表性的道路标示形状即可。
S113,对二维栅格图进行角度规则化和切片化处理以得到切片栅格图。由于现实中的道路的方向不同,并且本发明只需要关注路面上的道路标识线等线性信息,因此为了降低栅格图在旋转方向上的多样性,需要对合适分辨率的二维栅格图进行进一步的处理。
首先根据探测信息中的的位置信息和惯性传感信息得到多个轨迹点,如图4所示,曲线501即为多个轨迹点组成的轨迹线。在一个实施例中,采用安装在移动测量车中的高精度定位设备以及高精度惯导设备获得位置信息和惯性传感信息。
然后以采样间隔为r=max(w/2,h/2)对多个轨迹点进行采样,得到多个轨迹采样点,其中,w和h分别为所述切片栅格图的宽和长,w和h均为正整数。以轨迹采样点位中心,计算相邻轨迹采样点的位移,以此位移方向为参考,生成平行于该位移方向的切片栅格图,如图4所示,方格502即为得到的切片栅格图。
S120,根据切片栅格图确定模型训练样本。
S130,基于模型训练样本的切片栅格图和切片栅格图对应的类别属性得到样本信息。在一个实施例中,地图路面标识线生产输出的结果为三维的矢量线,在模型训练过程中的需要将其转换为图像数据。因此首先需要进行矢量线像素化,即将矢量线对应的栅格像素标记为相应的类别属性,y′i表示栅格像素xi对应的类别属性。
S140,基于模型训练样本的样本信息进行模型训练以得到检测模型。
在一个实施例中,待训练模型需对输入的每个切片栅格图进行类别判断,假设训练的模型为f(θ,x)=y,其中x为输入的切片栅格图的位置信息,θ为待训练的模型参数,y为模型的预测输出值,如y==0表示为背景,y==1表示为车道线。
对于模型训练样本,我们确切的知道每一个切片栅格图的类别属性,因此只需要将所述样本信息输入目标函数 其中,x为所述切片栅格图的位置信息,θ为待训练的模型参数,y’为所述切片栅格图的类别属性,j为所述类别属性的序号,i为所述切片栅格图的序号,i和j均为正整数。基于模型训练样本使用梯度下降法求出目标函数中最小的θ,即可确定检测模型。
S150,基于检测模型对给定的切片栅格图进行检测以得到矢量化的标识线。图5示出了根据本发明实施例的检测方法的方法示意图,如图5所示,包括:
S151,基于检测模型根据给定的所述切片栅格图得到对应的类别概率图。在一个实施例中,将给定的切片栅格图输入检测模型,检测模型会输出同样尺寸的类别概率估计图。
S152,基于所述类别概率图进行边缘提取。在一个实施例中,对检测模型输出的类别概率估计图进行边缘骨架线提取,得到线性化的边缘图。
S153,对所述边缘进行聚类处理,得到边缘序列点集合。
S154,滤除类别概率小的所述边缘序列点。
S155,基于所述边缘序列点集合得到所述矢量化的标识线。在一个实施例中,将处理后的边缘序列点的像素坐标值乘以相应的采样间隔SX和SY转换成三维点云坐标,即可得到矢量化的标识线。
S160,对矢量化的标识线进行校验处理。在一个实施例中,对上述步骤得到矢量化标识线进行人工校验,对不符合的标识线进行人工补全和人工更正。
S170,基于校验处理的矢量化的标识线优化检测模型。图6示出根据本发明实施例的一种优化检测模型的方法示意图,如图6所示,包括:
S171,基于修正的矢量化标识线和切片栅格图更新所述模型训练样本。在一个实施例中,将人工补全和人工更正的矢量化标识线以及对应的切片栅格图加入训练模型样本中,更新训练模型样本。
S172,基于更新的所述模型训练样本训练所述检测模型。在一个实施例中,基于更新后的训练模型样本重新训练检测模型,实现检测模型的不断迭代更新优化,提高检测模型的检测准确性。
在上述实施例的道路标识线识别方法中,将三维点云模型中的点云数据以及标注矢量线转换为点云强度栅格图和点云高度栅格图等的二维图像,然后结合采集车轨迹进行处理分析。与传统的图像处理相比,二维栅格图具有颜色、高度尺度以及角度不变性,可以大大减少训练样本的数量;同时生成的二维栅格图还可以使用吗,面向图像的分析算法进行处理,有利于提高模型训练结果的泛化性能。
在一些实施例中,由于直接基于点云栅格图进行模型训练样本的生成和检测结果的输出,减少了中间对应转换误差,有利于提高地图要素的位置精度;此外将高精度地图生产中的人工标注部分视为自动化识别模块中样本标注的一部分,可以充分利用现有的标注数据,解决了高精度地图生成中需要大量样本标注的问题,节省大量的人力资源。
在模型训练时将三维点云模型转换为二维栅格图输入,检测时将二维栅格图边缘细化过滤得到地图要素的三维矢量线,实现了高精度地图的闭环生产;在一些实施例中对得到的三维矢量线进行人工修正,并将修正后的三维矢量线加入样本数据库,基于修正后的三维矢量线对检测模型进行重新训练,可使得检测模型的检测精度不断提高。
图7示出根据本发明另一实施例的道路标识线识别装置的结构示意图。如图7所示,识别装置包括栅格图获取模块210、训练样本获取模块220、样本信息获取模块230、模型训练模块240、检测模块250、校验模块260以及优化模块270。
栅格图获取模块210用于获取周围探测信息,根据所述探测信息获得切片栅格图。
训练样本获取模块220用于根据所述切片栅格图确定模型训练样本。
样本信息获取模块230用于获取所述模型训练样本中的切片栅格图以及所述切片栅格图对应的类别属性作为所述模型训练样本的样本信息。
模型训练模块240用于基于所述样本信息进行模型训练以得到检测模型。
检测模块250用于基于所述检测模型对给定的切片栅格图进行检测以得到对应的矢量化的标识线。
校验模块260用于对得到的矢量化的标识线进行校验处理。在一个实施例中,对上述步骤得到矢量化标识线进行人工校验,对不符合的标识线进行人工补全和人工更正。
优化模块270用于基于校验处理的所述矢量化的标识线优化所述检测模型。
图8示出图7中栅格图获取模块的结构示意图,如图8所示,栅格图获取模块包括:点云数据读取单元211、栅格图生成单元212以及切片栅格图生成单元213。
点云数据读取单元211用于根据探测信息中的激光探测数据得到点云模型。在一个实施例中,采用安装有激光扫描仪、高精度定位设备以及高精度惯导设备的移动测量车,移动测量车采集带有位置信息和反射强度的激光扫描仪扫描得到的激光点云。高精度定位设备和高精度惯导设备将移动测量车采集的每帧激光点云变换到统一的坐标系中形成点云模型。
栅格图生成单元212用于将点云模型转换成为二维栅格图,即将三维的点云坐标转换为方便后续处理的图像坐标。
切片栅格图生成单元213用于对二维栅格图进行角度规则化和切片化处理以得到切片栅格图。由于现实中的道路的方向不同,并且本发明只需要关注路面上的道路标识线等线性信息,因此为了降低栅格图在旋转方向上的多样性,需要对合适分辨率的二维栅格图进行进一步的处理。
图9示出图8中栅格图生成单元212的结构示意图,如图9所示,栅格图生成单元212包括范围确定单元2121、切割单元2122以及第一处理单元2123。
范围确定单元2121用于确定点云模型的XY平面的范围大小,即计算点云模型的XY轴平面上X、Y方向上的最大值和最小值,以确定二维栅格图的大小范围。
切割单元2122用于切割点云模型的XY平面得到多个栅格像素,即在XY轴平面上以采样间隔SX和SY对点云模型中的多个点云进行采样,得到多个栅格像素,每个栅格像素中包括多个采样点云。得到W*H个栅格像素,其中,W=(maxX-minX)/SX,H=(maxY-minY)/SY,SX为点云模型X方向上的采样间隔,SY为在点云模型Y方向上的采样间隔,maxX和minX表示点云模型在X方向上的最大值和最小值,maxY和minY表示点云模型在Y方向上的最大值和最小值。
第一处理单元2123用于根据多个栅格像素得到二维栅格图。
此外,在一些实施例中,栅格图生成单元212还包括:比较单元,用于对所有属于集合{(x,y,z)|x∈[wi,wi+1],y∈[hj,hj+1]}的采样点云计算其z值(高度值)最小的采样点云;栅格像素高度确定单元,用于将该采样点云的z值(高度值)作为该栅格像素的高度值;以及栅格像素强度确定单元,用于将该采样点云的强度值作为该栅格像素的强度值,x、y、z分别表示每个所述采样点云在所述点云模型中的坐标位置,[wi,wi+1]表示每个所述栅格像素在X方向上的长度区间,[hj,hj+1]表示每个所述栅格像素在Y方向上的长度区间,以此得到点云强度栅格图和点云高度栅格图。
图10示出图8切片栅格图生成单元的结构示意图,如图10所示,切片栅格图生成单元213包括:轨迹点读取单元2131、采样单元2132、位移确定单元2133以及第二处理单元2134。
轨迹点读取单元2131用于根据探测信息中的的位置信息和惯性传感信息得到多个轨迹点。在一个实施例中,采用安装在移动测量车中的高精度定位设备以及高精度惯导设备获得位置信息和惯性传感信息。
采样单元2132用于以采样间隔为r=max(w/2,h/2)对多个轨迹点进行采样,得到多个轨迹采样点,其中,w和h分别为所述切片栅格图的宽和长,w和h均为正整数。
位移确定单元2133用于以轨迹采样点位中心,计算相邻轨迹采样点的位移。
第二处理单元2134用于以此位移方向为参考,生成平行于该位移方向的切片栅格图。
图11示出图7中模型训练模块的结构示意图,如图11所示,模型训练模块240包括:第一输入单元241以及第三处理单元242。
第一输入单元241用于将样本信息输入具有唯一极值的目标函数,得到所述目标函数的函数值。在一个实施例中,第一输入单元241将样本信息输入目标函数其中,x为所述切片栅格图的位置信息,θ为待训练的模型参数,y^’为所述切片栅格图的类别属性,j为所述类别属性的序号,i为所述切片栅格图的序号,i和j均为正整数。
第三处理单元242用于根据所述目标函数的函数值确定所述检测模型。在一个实施例中,第三处理单元242基于模型训练样本采用梯度下降法求出目标函数中的最小的θ,即可得到检测模型。
图12示出图7中检测模块的结构示意图,如图12所示,检测模块250包括第二输入单元251、提取单元252、聚类运算单元253、过滤单元254以及第四处理单元255。
第二输入单元251用于基于检测模型根据给定的所述切片栅格图得到对应的类别概率图。在一个实施例中,将给定的切片栅格图输入检测模型,检测模型会输出同样尺寸的类别概率估计图。
提取单元252用于基于所述类别概率图进行边缘提取。在一个实施例中,对检测模型输出的类别概率估计图进行边缘骨架线提取,得到线性化的边缘图。
聚类运算单元253用于对所述边缘进行聚类处理,得到边缘序列点集合。
过滤单元254用于滤除类别概率小的所述边缘序列点。
第四处理单元255用于基于所述边缘序列点集合得到所述矢量化的标识线。在一个实施例中,将处理后的边缘序列点的像素坐标值乘以相应的采样间隔SX和SY转换成三维点云坐标,即可得到矢量化的标识线。
图13示出图7中优化模块的结构示意图,如图13所示,优化模块270包括更新单元271以及模型进化单元272。
更新单元271用于基于修正的矢量化标识线和切片栅格图更新所述模型训练样本。在一个实施例中,将人工补全和人工更正后的矢量化标识线以及对应的切片栅格图加入训练模型样本中,更新训练模型样本。
模型进化单元272用于基于更新的所述模型训练样本训练所述检测模型。在一个实施例中,基于更新后的训练模型样本重新训练检测模型,实现检测模型的不断迭代更新优化,提高检测模型的检测准确性。
图14是根据本发明另一实施例的道路标识线识别系统的结构图。图14示出的设备仅仅是一个示例,不应对本发明实施例的功能和使用范围构成任何限制。
参考图14,该配送路线规划系统包括通过总线连接的处理器601、存储器602和输入输出设备603。存储器602包括只读存储器(ROM)和随机访问存储器(RAM),存储器602内存储有执行系统功能所需的各种计算机指令和数据,处理器601从存储器602中读取各种计算机指令以执行各种适当的动作和处理。输入输出设备603包括键盘、鼠标等的输入部分;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。存储器602还存储有以下的计算机指令以完成本发明实施例的道路标识线识别方法规定的操作。
相应地,本发明实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,所述计算机指令被执行时实现上述配送路线规划方法所规定的操作。
本发明实施例还提供一种道路标识线的识别装置,包括检测设备,例如激光扫描仪、高精度定位设备以及高精度惯导设备,用于获得周围环境的探测信息;以及控制器,用于基于探测信息执行如本发明实施例的道路标识线的识别方法。
本发明实施例还提供一种移动测量车,包含上述的识别装置,用于基于探测信息执行如本发明实施例的道路标识线的识别方法。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方法或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或者其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
因此,本发明公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本发明的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统(例如,一个或多个处理器)使用或者结合指令执行系统使用。在本发明的公开的上下文中,计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如,计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读介质的具体示例包括:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;和/或有线/无线通信链路。
以上的详细描述通过使用示意图、流程图和/或示例,已经阐述了本发明配送路线规划方法的众多实施例。在这种示意图、流程图和/或示例中包含一个或多个功能和/或操作的情况下,本领域的技术人员应理解,这种示意图、流程图和/或示例中的每一功能和/或操作可以通过各种结构、硬件、软件、固件或实质上它们的任意组合来单独和/或共同实现。在一个实施例中,本发明公开的实施例所述的主题的若干部分可以通过专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)或其他的集成器件来实现。然而,本领域技术人员应理解,这里所公开的实施例的一些方面在整体上或部分地可以等同地实现在集成电路中,实现为在一台或多条计算机上运行的一个或多个计算机程序(例如,实现为在一台或多台计算机系统上运行的一个或多个程序),实现为在一个或多个处理器上运行的一个或多个程序(例如,实现为在一个或多个微处理器上运行的一个或多个程序),实现为固件,或者实质上实现为上述方式的任意组合,并且本领域技术人员根据本发明公开的内容,将具备设计电路和/或写入软件和/或固件代码的能力。此外,本领域技术人员将认识到,本发明公开的主题的机制能够作为多种形式的程序产品进行分发,并且无论实际用来执行分发的信号承载介质的具体类型如何,本发明所述主题的示例性实施例均使用。信号承载介质的示例包括但不限于:可记录型介质,如软盘、硬盘驱动器、紧致盘(CD)、数字通用盘(DVD)、数字磁带、计算机存储器等;以及传输型介质,如数字和/或模拟通信介质(例如,光纤光缆、波导、有线通信链路、无线通信链路等)。
应当理解,以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。