CN110378175B - 道路边沿的识别方法和装置 - Google Patents

道路边沿的识别方法和装置 Download PDF

Info

Publication number
CN110378175B
CN110378175B CN201810934682.1A CN201810934682A CN110378175B CN 110378175 B CN110378175 B CN 110378175B CN 201810934682 A CN201810934682 A CN 201810934682A CN 110378175 B CN110378175 B CN 110378175B
Authority
CN
China
Prior art keywords
point
grid
road edge
points
point cloud
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
Application number
CN201810934682.1A
Other languages
English (en)
Other versions
CN110378175A (zh
Inventor
邸永昌
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 Jingdong Three Hundred And Sixty Degree E Commerce Co ltd
Beijing Jingbangda Trade Co Ltd
Original Assignee
Beijing Jingdong Three Hundred And Sixty Degree E Commerce 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 Jingdong Three Hundred And Sixty Degree E Commerce Co ltd filed Critical Beijing Jingdong Three Hundred And Sixty Degree E Commerce Co ltd
Priority to CN201810934682.1A priority Critical patent/CN110378175B/zh
Publication of CN110378175A publication Critical patent/CN110378175A/zh
Application granted granted Critical
Publication of CN110378175B publication Critical patent/CN110378175B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种道路边沿的识别方法和装置，涉及计算机技术领域。其中，该方法包括：对待处理点云数据进行网格分割，以得到第一网格集合；根据网格的坡度特征从所述第一网格集合中选取候选网格，并根据所述候选网格构建道路边沿模拟点集合；对所述道路边沿模拟点集合中的点进行密度聚类处理，以得到至少一个模拟点子集；根据所述模拟点子集拟合道路边沿分段矢量线。通过以上步骤，能够自动从点云数据中识别出道路边沿(比如马路牙子)，提高道路边沿的识别效率和识别精度，降低识别所耗费的人力成本。

Description

道路边沿的识别方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种道路边沿的识别方法和装置。
背景技术
随着无人送货车在实际配送中的应用，越来越多的点云数据被采集。同时，为了更好更快地构建无人车的导航地图，需要快速、准确地识别出点云数据中的道路边沿(比如马路牙子或马路隔离带)。
现有的道路边沿识别方案为：人工采集视频或图像，并根据视频或图像对道路边沿进行人工识别、绘制。在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有识别方式的识别效率低、耗费的人力成本高，并且，现有识别方式的识别精度低，难以还原真实世界的道路边沿。
发明内容
有鉴于此，本发明提供一种道路边沿的识别方法和装置，能够提高识别效率和识别精度，降低识别所耗费的人力成本。
为实现上述目的，根据本发明的一个方面，提供了一种道路边沿的识别方法。
本发明的道路边沿的识别方法包括：对待处理点云数据进行网格分割，以得到第一网格集合；根据网格的坡度特征从所述第一网格集合中选取候选网格，并根据所述候选网格构建道路边沿模拟点集合；对所述道路边沿模拟点集合中的点进行密度聚类处理，以得到至少一个模拟点子集；根据所述模拟点子集拟合道路边沿分段矢量线。
可选地，所述方法还包括：对点云数据进行抽稀处理，以得到所述待处理点云数据。
可选地，所述对点云数据进行抽稀处理的步骤包括：对点云数据进行网格分割，以得到第二网格集合；遍历第二网格集合中每个网格对应的点云点，以从该网格对应的点云点中筛选出z坐标位于[zmin,zmin+h1]区间内的点云点，并将从所有网格筛选出的点云点作为待处理点云数据；其中，zmin是指所述待处理点云数据中的最小z值，h1为预设高度值。
可选地，所述根据网格的坡度特征从所述第一网格集合中选取候选网格的步骤包括：计算第一网格集合中每个网格的坡度值；按照由近及远的顺序，对第一网格集合中位于车辆行驶轨迹左侧或右侧的网格进行逐列检索，并将每列网格中检索到的第一个坡度值大于等于预设坡度阈值的网格作为候选网格。
可选地，所述根据所述候选网格构建道路边沿模拟点集合的步骤包括：确定候选网格的高度和候选网格的中心点坐标(xcenter,ycenter)；然后，将xcenter作为道路边沿模拟点的x轴坐标分量，将ycenter作为道路边沿模拟点的y轴坐标分量，将候选网格的高度作为道路边沿模拟点的z轴坐标分量，以得到道路边沿模拟点的坐标。
可选地，所述对所述道路边沿模拟点集合中的点进行密度聚类处理，以得到至少一个模拟点子集的步骤包括：基于DBSCAN算法对所述道路边沿模拟点集合中的点进行指定距离的密度聚类处理，以得到至少一个模拟点子集。
可选地，所述根据所述模拟点子集拟合道路边沿分段矢量线的步骤包括：基于随机抽样一致性算法对所述模拟点子集中的点进行采样处理，然后根据该模拟点子集的采样点拟合得到对应的特征矢量线；计算所述采样点到所述对应的特征矢量线的垂足，然后根据所述垂足到所述特征矢量线中心点的距离对该模拟点子集的采样点进行排序；根据排序后的采样点序列构建道路边沿分段矢量线。
可选地，所述根据排序后的采样点序列构建道路边沿分段矢量线的步骤包括：将所述采样点序列中的点顺次相连，以得到道路边沿分段矢量线；或者，在每个采样点的指定邻域内进行点云点检索，并将该指定邻域内高度变化最大的点云点作为道路边沿点，然后，按照所述采样点序列的排序将所述道路边沿点顺次相连，以得到道路边沿分段矢量线。
为实现上述目的，根据本发明的另一方面，提供了一种道路边沿的识别装置。
本发明的道路边沿的识别装置包括：分割模块，用于对待处理点云数据进行网格分割，以得到第一网格集合；选取模块，用于根据网格的坡度特征从所述第一网格集合中选取候选网格，并根据所述候选网格构建道路边沿模拟点集合；聚类模块，用于对所述道路边沿模拟点集合中的点进行密度聚类处理，以得到至少一个模拟点子集；拟合模块，用于根据所述模拟点子集拟合道路边沿分段矢量线。
可选地，所述装置还包括：抽稀模块，用于对点云数据进行抽稀处理，以得到所述待处理点云数据。
可选地，所述抽稀模块对点云数据进行抽稀处理，以得到所述待处理点云数据包括：所述抽稀模块对点云数据进行网格分割，以得到第二网格集合；所述抽稀模块遍历第二网格集合中每个网格对应的点云点，以从该网格对应的点云点中筛选出z坐标位于[zmin,zmin+h1]区间内的点云点，并将从所有网格筛选出的点云点作为待处理点云数据；其中，zmin是指所述待处理点云数据中的最小z值，h1为预设高度值。
可选地，所述选取模块根据网格的坡度特征从所述第一网格集合中选取候选网格包括：所述选取模块计算第一网格集合中每个网格的坡度值；所述选取模块按照由近及远的顺序，对第一网格集合中位于车辆行驶轨迹左侧或右侧的网格进行逐列检索，并将每列网格中检索到的第一个坡度值大于等于预设坡度阈值的网格作为候选网格。
可选地，所述选取模块根据所述候选网格构建道路边沿模拟点集合的步骤包括：所述选取模块确定候选网格的高度和候选网格的中心点坐标(xcenter,ycenter)；然后，所述选取模块将xcenter作为道路边沿模拟点的x轴坐标分量，将ycenter作为道路边沿模拟点的y轴坐标分量，将候选网格的高度作为道路边沿模拟点的z轴坐标分量，以得到道路边沿模拟点的坐标。
可选地，所述聚类模块对所述道路边沿模拟点集合中的点进行密度聚类处理，以得到至少一个模拟点子集包括：所述聚类模块基于DBSCAN算法对所述道路边沿模拟点集合中的点进行指定距离的密度聚类处理，以得到至少一个模拟点子集。
可选地，所述拟合模块根据所述模拟点子集拟合道路边沿分段矢量线包括：所述拟合模块基于随机抽样一致性算法对所述模拟点子集中的点进行采样处理，然后根据该模拟点子集的采样点拟合得到对应的特征矢量线；所述拟合模块计算所述采样点到所述对应的特征矢量线的垂足，然后根据所述垂足到所述特征矢量线中心点的距离对该模拟点子集的采样点进行排序；所述拟合模块根据排序后的采样点序列构建道路边沿分段矢量线。
可选地，所述拟合模块根据排序后的采样点序列构建道路边沿分段矢量线的步骤包括：所述拟合模块将所述采样点序列中的点顺次相连，以得到道路边沿分段矢量线；或者，所述拟合模块在每个采样点的指定邻域内进行点云点检索，并将该指定邻域内高度变化最大的点云点作为道路边沿点，然后，按照所述采样点序列的排序将所述道路边沿点顺次相连，以得到道路边沿分段矢量线。
为实现上述目的，根据本发明的再一个方面，提供了一种电子设备。
本发明的电子设备，包括：一个或多个处理器；以及，存储装置，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本发明的道路边沿的识别方法。
为实现上述目的，根据本发明的又一个方面，提供了一种计算机可读介质。
本发明的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明的道路边沿的识别方法。
上述发明中的一个实施例具有如下优点或有益效果：通过对待处理点云数据进行网格分割以得到第一网格集合，根据网格的坡度特征从所述第一网格集合中选取候选网格，并根据所述候选网格构建道路边沿模拟点集合等步骤能够快速确定道路边沿的大致位置；进一步，通过对所述道路边沿模拟点集合中的点进行密度聚类处理，以得到至少一个模拟点子集，根据所述模拟点子集拟合道路边沿分段矢量线等步骤，能够自动从点云数据中识别出道路边沿(比如马路牙子)，提高道路边沿的识别效率和识别精度，降低识别所耗费的人力成本。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明一个实施例的道路边沿识别方法的主要步骤示意图；
图2是根据本发明另一实施例的道路边沿识别方法的主要步骤示意图；
图3是根据本发明实施例的轨迹线组、选取框示意图；
图4是根据本发明实施例的道路边沿模拟点示意图；
图5是根据本发明实施例的道路边沿识别结果示意图；
图6是根据本发明一个实施例的道路边沿识别装置的主要模块示意图；
图7是根据本发明另一实施例的道路边沿识别装置的主要模块示意图；
图8是本发明实施例可以应用于其中的示例性系统架构图；
图9是适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要指出的是，在不冲突的情况下，本发明中的实施例以及实施例中的特征可以相互组合。
在详细介绍本发明的实施例之前，首先对本发明实施例涉及的部分技术术语进行说明。
点云数据：反映真实世界的三维空间坐标点数据。
道路边沿：如马路牙子或马路隔离带，通常设置在道路两边或一边。
图1是根据本发明一个实施例的道路边沿识别方法的主要步骤示意图。如图1所示，本发明实施例的道路边沿识别方法包括：
步骤S101、对待处理点云数据进行网格分割，以得到第一网格集合。
其中，所述点云数据可由车辆在行驶过程中采集得到。所述点云数据通常包括：道路、道路边沿(比如马路牙子)、车辆以及建筑物等物体的点云点。
在一可选实施方式中，步骤S101包括：将待处理点云数据的外包盒中平行于地面的矩形底面作为铺设网格的区域，然后分别在垂直于车辆行驶轨迹的方向(网格的列序号增长的方向)、沿着车辆行驶轨迹的方向进行网格划分，以得到第一网格集合。例如，在对左侧道路边沿进行识别时，可对车辆行驶轨迹左侧区域进行网格分割，得到第一网格集合。又例如，在对右侧道路边沿进行识别时，可对车辆行驶轨迹右侧区域进行网格分割，得到第一网格集合。
在本发明实施例中，以网格为单元进行道路边沿的识别，能够减少道路识别过程的计算量，提高识别效率。另外，通过以车辆行驶轨迹为基准对待处理点云数据进行网格分割，能够使网格中包括更多的有效点云，也有助于提高道路边沿识别的准确率和效率。
步骤S102、根据网格的坡度特征从所述第一网格集合中选取候选网格，并根据所述候选网格构建道路边沿模拟点集合。
其中，所述根据网格的坡度特征从所述第一网格集合中选取候选网格可包括：计算第一网格集合中每个网格的坡度值；按照由近及远的顺序，对第一网格集合中位于车辆行驶轨迹左侧或右侧的网格进行逐列检索，并将每列网格中检索到的第一个坡度值大于等于预设坡度阈值的网格作为候选网格。其中，所述预设坡度阈值可根据道路边沿的高度变化特征设置。由于通过以上方式选取的候选网格极大可能包括道路边沿点，因此实现了对道路边沿位置的初步确定。
其中，所述根据所述候选网格构建道路边沿模拟点集合可包括：根据候选网格对应的点云点坐标确定道路边沿模拟点坐标，以得到由所有道路边沿模拟点构成的道路边沿模拟点集合。例如，在对左侧道路边沿进行识别时，通过步骤S102得到的道路边沿模拟点集合具体为左侧道路边沿模拟点集合，可表示为Cleft。又例如，在对右侧道路边沿进行识别时，通过步骤S102得到的道路边沿模拟点集合具体为右侧道路边沿模拟点集合，可表示为Cright。
步骤S103、对所述道路边沿模拟点集合中的点进行密度聚类处理，以得到至少一个模拟点子集。
示例性地，在该步骤中，可基于DBSCAN算法对所述道路边沿模拟点集合中的点进行指定距离的密度聚类处理，以得到至少一个模拟点子集。例如，在对左侧道路边沿进行识别时，通过对左侧道路边沿模拟点集合Cleft进行处理，能得到至少一个左侧模拟点子集leftd。又例如，在对右侧道路边沿进行识别时，通过对右侧道路边沿模拟点集合Cright进行处理，能得到至少一个右侧模拟点子集rightd。
在本发明实施例中，考虑到实际情况中道路边沿是分段的，因此通过步骤S103能够初步确定各个道路边沿分段(比如马路牙子分段)的大致位置。
步骤S104、根据所述模拟点子集拟合道路边沿分段矢量线。
在本发明实施例中，通过以上步骤能够自动从点云数据中识别出道路边沿(比如马路牙子)，提高道路边沿的识别效率和识别精度，降低识别所耗费的人力成本。
图2是根据本发明另一实施例的道路边沿识别方法的主要步骤示意图。如图2所示，本发明实施例的道路边沿识别方法包括：
步骤S201、对点云数据进行抽稀处理，以得到所述待处理点云数据。
其中，所述点云数据可由车辆在行驶过程中采集得到。所述点云数据通常包括：道路、道路边沿(比如马路牙子)、车辆以及建筑物等物体的点云点。具体实施时，可先通过无人送货车采集激光雷达数据和惯性导航数据，再通过对以上两个数据进行融合处理，以得到所述点云数据。由于无人送货车在执行任务(比如配送任务)过程中就可以进行数据采集，降低了数据采集的成本，同时通过以上方式能够得到高精度的点云数据。
在一可选实施方式中，步骤S201的处理流程具体包括：步骤A1至步骤A2。
步骤A1、对点云数据进行网格分割，以得到第二网格集合。
示例性地，在步骤A1中，可将点云数据的外包盒中平行于地面的矩形底面作为铺设网格的区域，然后在该区域上分别沿x轴和y轴方向进行网格划分，以得到第二网格集合。具体来说，假设网格为w*w的矩形网格，则x轴上网格个数nx、y轴上网格数目ny满足：
Figure BDA0001767504520000081
Figure BDA0001767504520000082
其中，length为外包盒在x轴方向上的长度，width为外包盒在y轴上方向上的长度，
Figure BDA0001767504520000083
为向下取整的运算符。进一步，length＝xmax-xmin，width＝ymax-ymin。其中，xmin、ymin、xmax、ymax分别为点云数据的最小x坐标、最小y坐标、最大x坐标、最大y坐标。进而，第二网格集合中的网格总数n满足：n＝nx×ny。
进一步，在得到第二网格集合之后，可根据如下公式将点云数据分配到对应的网格、以及计算点云点的网格索引值：
Figure BDA0001767504520000091
Figure BDA0001767504520000092
nj＝gy×nx+gx
其中，gx可以为点云点(xj,yj)所在网格的列序数，gy可以为点云点(xj,yj)所在网格的行序数，nj为点云点(xj,yj)的网格索引值。
步骤A2、遍历第二网格集合中每个网格对应的点云点，以从该网格对应的点云点中筛选出z坐标位于[zmin,zmin+h1]区间内的点云点，并将从所有网格筛选出的点云点作为待处理点云数据；其中，zmin是指所述待处理点云数据中的最小z值，h1为预设高度值。具体实施时，h1可根据经验进行设置，比如将h1设置为0.3米或0.4米。
在本发明实施例中，通过对点云数据进行抽稀处理，能够在点云数据不损失物体特性(比如物体的形状、高度不会发生大的畸变)的前提下减少数据计算量，进而有助于提高道路边沿识别的准确率和处理效率。
在另一可选实施例中，为了得到所述待处理点云数据，除了对点云数据进行抽稀处理之外，还包括以下步骤：对抽稀处理后的点云数据进行细采样，并将细采样结果作为所述待处理点云数据。示例性地，所述细采样可包括：根据道路的宽度特征对抽稀处理后的点云数据进行细采样。关于细采样具体如何实施，将在下文结合图3进行示例性说明。
步骤S202、对待处理点云数据进行网格分割，以得到第一网格集合。
在该步骤中，可将待处理点云数据的外包盒中平行于地面的矩形底面作为铺设网格的区域，然后在该区域上分别在垂直于车辆行驶轨迹的方向(网格的列序号增长的方向)、沿着车辆行驶轨迹的方向进行网格划分，以得到第一网格集合。例如，在对左侧道路边沿进行识别时，可对车辆行驶轨迹左侧区域进行网格分割，得到第一网格集合。又例如，在对右侧道路边沿进行识别时，可对车辆行驶轨迹右侧区域进行网格分割，得到第一网格集合。
步骤S203、根据网格的坡度特征从所述第一网格集合中选取候选网格，并根据所述候选网格构建道路边沿模拟点集合。
在本发明实施例中，通过步骤S203得到的道路边沿模拟点如图4所示。示例性地，在对左侧道路边沿进行识别时，通过步骤S203得到的道路边沿模拟点集合具体为左侧道路边沿模拟点集合，可表示为Cleft；在对右侧道路边沿进行识别时，通过步骤S203得到的道路边沿模拟点集合具体为右侧道路边沿模拟点集合，可表示为Cright。
在一可选实施方式中，所述根据网格的坡度特征从所述第一网格集合中选取候选网格的步骤包括：计算第一网格集合中每个网格的坡度值；按照由近及远的顺序，对第一网格集合中位于车辆行驶轨迹左侧或右侧的网格进行逐列检索，并将每列网格中检索到的第一个坡度值大于等于预设坡度阈值的网格作为候选网格；其中，所述预设坡度阈值可根据道路边沿的高度变化特征设置的。
其中，所述计算第一网格集合中每个网格的坡度值的步骤可包括：若网格有对应的点云点，则将该网格对应的点云点的最小z坐标值作为该网格的高度；若网格没有对应的点云点，则将车体中心点距离地面的高度作为该网格的高度；在确定每个网格的高度以后，根据如下公式计算每个网格的坡度值：
Figure BDA0001767504520000101
其中，Di为第i个网格在垂直于车辆行驶轨迹方向的坡度，mi+1为第i+1个网格的高度，mi为第i个网格的高度，w为网格的边长。
在一可选实施方式中，所述根据所述候选网格构建道路边沿模拟点集合的步骤包括：确定候选网格的高度和候选网格的中心点坐标(xcenter,ycenter)；然后，将xcenter作为道路边沿模拟点的x轴坐标分量，将ycenter作为道路边沿模拟点的y轴坐标分量，将候选网格的高度作为道路边沿模拟点的z轴坐标分量，以得到道路边沿模拟点的坐标。
步骤S204、基于DBSCAN算法对所述道路边沿模拟点集合中的点进行指定距离的密度聚类处理，以得到至少一个模拟点子集。
DBSCSN(Density Based Spatial Clustering of Applications with Noise)算法是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可以噪声的空间数据中发现任意形状的聚类。在本发明实施例中，所述指定距离可根据路口大小进行设置，比如可设置为4米。
示例性地，在对左侧道路边沿进行识别时，通过步骤S204对左侧道路边沿模拟点集合Cleft进行处理，能得到至少一个左侧模拟点子集leftd；在对右侧道路边沿进行识别时，通过步骤S204对右侧道路边沿模拟点集合Cright进行处理，能得到至少一个右侧模拟点子集rightd。
步骤S205、基于RANSAC算法对所述模拟点子集中的点进行采样处理，然后根据该模拟点子集的采样点拟合得到对应的特征矢量线。
RANSAC(Random Sample Consensus，随机抽样一致)算法可以从一组包含“局外点”(或称为噪声点)的观测数据集中，通过迭代方式估计数学模型的参数。通常，RANSAC算法的输入为：需要处理的点集以及可能符合的函数模型；RANSAC算法的输出为：满足某种关系的过滤点集以及函数模型的参数。
在本发明实施例中，RANSAC算法的输入为模拟点子集(比如左侧模拟点子集leftd或右侧模拟点子集rightd)和直线模型，输出为去除“局外点”的采样点子集(比如对leftd采样得到的左侧采样点子集Linner，或对rightd采样得到的右侧采样点子集Rinner)以及直线的参数(比如直线的法向量normal，直线上一点的坐标(xori,yori))。示例性地，在对左侧道路边沿进行识别时，可根据左侧采样点子集Linner和对应的直线参数拟合左侧特征矢量线lline；在对右侧道路边沿进行识别时，可根据右侧采样点子集Rinner合对应的直线参数拟合右侧特征矢量线rline。
在一可选实施方式中，所述根据左侧采样点子集Linner和对应的直线参数拟合左侧特征矢量线lline包括：由法向量normal和点(xori,yori)得到直线向量v；对于左侧采样点子集Linner中每个点，计算经过该点与点(xori,yori)的直线向量vk，然后计算直线向量vk在直线向量v上的投影长度Projk；对Projk进行排序，Linner中具有最大投影长度的点和具有最小投影长度的点为要拟合的线段(即左侧特征矢量线)的两各端点，根据这两个端点拟合得到左侧特征矢量线lline。
在本发明实施例中，通过步骤S205能够去除模拟点子集中的噪声数据，进而有助于提高道路边沿的识别精度。
步骤S206、计算所述采样点到所述对应的特征矢量线的垂足，然后根据所述垂足到所述特征矢量线中心点的距离对该模拟点子集的采样点进行排序。
其中，特征矢量线中心点即RANSAC算法返回的直线上的一点(xori,yori)。所述垂足到所述特征矢量线中心点的距离可理解为“带有方向的距离值”，具体可按照如下方式计算：根据两点距离计算公式计算垂足到所述特征矢量线中心点的距离绝对值；然后，对于垂足点落在特征矢量线的正方向上的，规定距离为正值，对于垂足点落在特征矢量线负方向上的，规定距离为负值。之后，对带有方向的距离值进行排序。
示例性地，在得到左侧采样点子集Linner之后，计算Linner中每个点到左侧特征矢量线lline的垂足点Tk，然后计算垂足点Tk到特征矢量线中心点(即RANSAC算法返回的直线上的一点(xori,yori))的距离disk；对左侧采样点子集Linner按照disk的大小进行排序，以得到排序后的左侧采样点序列Sl。类似地，可得到排序后的右侧采样点序列Sr。
步骤S207、根据排序后的采样点序列构建道路边沿分段矢量线。
在本发明实施例中，构建的道路边沿分段矢量线如图5所示。在一可选实施方式中，步骤S207包括：将所述采样点序列中的点顺次相连，以得到道路边沿分段矢量线。
在另一可选实施方式中，步骤S207包括：在每个采样点的指定邻域内进行点云点检索，并将该指定邻域内高度变化最大的点云点作为道路边沿点，然后，按照所述采样点序列的排序将所述道路边沿点顺次相连，以得到道路边沿分段矢量线。其中，所述指定邻域可为距离采样点指定距离(比如0.3米)的圆形邻域。
具体地，在该可选实施方式中，通过在Sl中的每个采样点的邻域内检索点云点能够得左侧道路边沿点序列Sfl，然后，将左侧道路边沿点序列Sfl中的点顺次相连，能够得到左侧道路边沿分段矢量线。另外，通过在Sr中的每个采样点的邻域内检索点云点能够得右侧道路边沿点序列Sfr，然后将Sfr中的点顺次相连，能够得到右侧道路边沿分段矢量线。通过该实施方式，能够进一步提高道路边沿的识别精度。
在本发明实施例中，通过以上步骤能够自动对点云数据中的道路边沿要素(比如马路牙子)进行识别，提高道路边沿的识别效率和识别精度，降低识别所耗费的人力成本。
图3是根据本发明实施例的轨迹线组、选取框示意图。在图3中，两个矩形框为选取框，三根虚线为轨迹线组，具体包括：位于中间的车辆行驶轨迹线、位于两边的虚拟轨迹线。其中，车辆行驶轨迹线可由全局坐标系下不同时刻的车体中心点连线而成，虚拟轨迹线可由全局坐标系下距离车体中心点一定宽度(比如所述一定宽度为0.5倍的道路宽度)的模拟点连线而成。如图3所示，本发明实施例中的细采样可包括：b1、通过图3中较大的选取框(可称为“A选取框”)初步选取点云数据；b2、通过图3中较小的选取框(可称为“B选取框”)对A选取框内部的点云数据进行中心采样；沿着车辆行驶轨迹方向，重复执行步骤b1和b2，直到对所有感兴趣的点云数据处理完毕。其中，A选取框的长边(即垂直于车辆行驶轨迹的一边)长度可根据道路的实际宽度合理设置。通过以上细采样，能够进一步减少识别过程中的数据量，提高道路边沿的识别效率和识别准确率。
图6是根据本发明一个实施例的道路边沿识别装置的主要模块示意图。如图6所示，本发明实施例的道路边沿识别装置600包括：分割模块601、选取模块602、聚类模块603、拟合模块604。
分割模块601，用于对待处理点云数据进行网格分割，以得到第一网格集合。
其中，所述点云数据可由车辆在行驶过程中采集得到。所述点云数据通常包括：道路、道路边沿(比如马路牙子)、车辆以及建筑物等物体的点云点。
在一可选实施方式中，分割模块601对待处理点云数据进行网格分割，以得到第一网格集合包括：将待处理点云数据的外包盒中平行于地面的矩形底面作为铺设网格的区域，然后分别在垂直于车辆行驶轨迹的方向(网格的列序号增长的方向)、沿着车辆行驶轨迹的方向进行网格划分，以得到第一网格集合。例如，在对左侧道路边沿进行识别时，可对车辆行驶轨迹左侧区域进行网格分割，得到第一网格集合。又例如，在对右侧道路边沿进行识别时，可对车辆行驶轨迹右侧区域进行网格分割，得到第一网格集合。
在本发明实施例中，以网格为单元进行道路边沿的识别，能够减少道路识别过程的计算量，提高识别效率。另外，通过以车辆行驶轨迹为基准对待处理点云数据进行网格分割，能够使网格中包括更多的有效点云，也有助于提高道路边沿识别的准确率和效率。
选取模块602，用于根据网格的坡度特征从所述第一网格集合中选取候选网格，并根据所述候选网格构建道路边沿模拟点集合。
其中，选取模块602根据网格的坡度特征从所述第一网格集合中选取候选网格可包括：选取模块602计算第一网格集合中每个网格的坡度值；按照由近及远的顺序，选取模块602对第一网格集合中位于车辆行驶轨迹左侧或右侧的网格进行逐列检索，并将每列网格中检索到的第一个坡度值大于等于预设坡度阈值的网格作为候选网格。其中，所述预设坡度阈值可根据道路边沿的高度变化特征设置。由于通过以上方式选取的候选网格极大可能包括道路边沿点，因此实现了对道路边沿位置的初步确定。
其中，选取模块602根据所述候选网格构建道路边沿模拟点集合可包括：选取模块602根据候选网格对应的点云点坐标确定道路边沿模拟点坐标，以得到由所有道路边沿模拟点构成的道路边沿模拟点集合。例如，在对左侧道路边沿进行识别时，选取模块602处理得到的道路边沿模拟点集合具体为左侧道路边沿模拟点集合，可表示为Cleft。又例如，在对右侧道路边沿进行识别时，选取模块602处理得到的道路边沿模拟点集合具体为右侧道路边沿模拟点集合，可表示为Cright。
聚类模块603，用于对所述道路边沿模拟点集合中的点进行密度聚类处理，以得到至少一个模拟点子集。
示例性地，聚类模块603可基于DBSCAN算法对所述道路边沿模拟点集合中的点进行指定距离的密度聚类处理，以得到至少一个模拟点子集。例如，在对左侧道路边沿进行识别时，聚类模块603通过对左侧道路边沿模拟点集合Cleft进行处理，能得到至少一个左侧模拟点子集leftd。又例如，在对右侧道路边沿进行识别时，聚类模块603通过对右侧道路边沿模拟点集合Cright进行处理，能得到至少一个右侧模拟点子集rightd。
在本发明实施例中，考虑到实际情况中道路边沿是分段的，因此通过聚类模块603的聚类处理能够初步确定各个道路边沿分段(比如马路牙子分段)的大致位置。
拟合模块604，用于根据所述模拟点子集拟合道路边沿分段矢量线。
在本发明实施例中，通过以上装置能够自动从点云数据中识别出道路边沿(比如马路牙子)，提高道路边沿的识别效率和识别精度，降低识别所耗费的人力成本。
图7是根据本发明另一实施例的道路边沿识别装置的主要模块示意图。如图7所示，本发明实施例的道路边沿识别装置700包括：抽稀模块701、分割模块702、选取模块703、聚类模块704、拟合模块705。
抽稀模块701，用于对点云数据进行抽稀处理，以得到所述待处理点云数据。
其中，所述点云数据可由车辆在行驶过程中采集得到。所述点云数据通常包括：道路、道路边沿(比如马路牙子)、车辆以及建筑物等物体的点云点。
在一可选实施方式中，抽稀模块701对点云数据进行抽稀处理，以得到所述待处理点云数据具体包括：步骤C1至步骤C2。
步骤C1、抽稀模块701对点云数据进行网格分割，以得到第二网格集合。
示例性地，在步骤C1中，抽稀模块701可将点云数据的外包盒中平行于地面的矩形底面作为铺设网格的区域，然后在该区域上分别沿x轴和y轴方向进行网格划分，以得到第二网格集合。具体来说，假设网格为w*w的矩形网格，则x轴上网格个数nx、y轴上网格数目ny满足：
Figure BDA0001767504520000161
Figure BDA0001767504520000162
其中，length为外包盒在x轴方向上的长度，width为外包盒在y轴上方向上的长度，
Figure BDA0001767504520000163
为向下取整的运算符。进一步，length＝xmax-xmin，width＝ymax-ymin。其中，xmin、ymin、xmax、ymax分别为点云数据的最小x坐标、最小y坐标、最大x坐标、最大y坐标。进而，第二网格集合中的网格总数n满足：n＝nx×ny。
进一步，在得到第二网格集合之后，抽稀模块701可根据如下公式将点云数据分配到对应的网格、以及计算点云点的网格索引值：
Figure BDA0001767504520000164
Figure BDA0001767504520000165
nj＝gy×nx+gx
其中，gx可以为点云点(xj,yj)所在网格的列序数，gy可以为点云点(xj,yj)所在网格的行序数，nj为点云点(xj,yj)的网格索引值。
步骤C2、抽稀模块701遍历第二网格集合中每个网格对应的点云点，以从该网格对应的点云点中筛选出z坐标位于[zmin,zmin+h1]区间内的点云点，并将从所有网格筛选出的点云点作为待处理点云数据；其中，zmin是指所述待处理点云数据中的最小z值，h1为预设高度值。具体实施时，h1可根据经验进行设置，比如将h1设置为0.3米或0.4米。
在本发明实施例中，通过抽稀模块701对点云数据进行抽稀处理，能够在点云数据不损失物体特性(比如物体的形状、高度不会发生大的畸变)的前提下减少数据计算量，进而有助于提高道路边沿识别的准确率和处理效率。
在另一可选实施例中，为了得到所述待处理点云数据，除了对点云数据进行抽稀处理之外，抽稀模块701还可用于：对抽稀处理后的点云数据进行细采样，并将细采样结果作为所述待处理点云数据。示例性地，所述细采样可包括：根据道路的宽度特征对抽稀处理后的点云数据进行细采样。
分割模块702，用于对待处理点云数据进行网格分割，以得到第一网格集合。
具体地，分割模块702可将待处理点云数据的外包盒中平行于地面的矩形底面作为铺设网格的区域，然后在该区域上分别在垂直于车辆行驶轨迹的方向(网格的列序号增长的方向)、沿着车辆行驶轨迹的方向进行网格划分，以得到第一网格集合。例如，在对左侧道路边沿进行识别时，分割模块702可对车辆行驶轨迹左侧区域进行网格分割，得到第一网格集合。又例如，在对右侧道路边沿进行识别时，分割模块702可对车辆行驶轨迹右侧区域进行网格分割，得到第一网格集合。
选取模块703，用于根据网格的坡度特征从所述第一网格集合中选取候选网格，并根据所述候选网格构建道路边沿模拟点集合。示例性地，在对左侧道路边沿进行识别时，选取模块703得到的道路边沿模拟点集合具体为左侧道路边沿模拟点集合，可表示为Cleft；在对右侧道路边沿进行识别时，选取模块703得到的道路边沿模拟点集合具体为右侧道路边沿模拟点集合，可表示为Cright。
在一可选实施方式中，选取模块703根据网格的坡度特征从所述第一网格集合中选取候选网格包括：选取模块703计算第一网格集合中每个网格的坡度值；按照由近及远的顺序，选取模块703对第一网格集合中位于车辆行驶轨迹左侧或右侧的网格进行逐列检索，并将每列网格中检索到的第一个坡度值大于等于预设坡度阈值的网格作为候选网格；其中，所述预设坡度阈值可根据道路边沿的高度变化特征设置的。
其中，选取模块703计算第一网格集合中每个网格的坡度值可包括：若网格有对应的点云点，则选取模块703将该网格对应的点云点的最小z坐标值作为该网格的高度；若网格没有对应的点云点，则选取模块703将车体中心点距离地面的高度作为该网格的高度；在确定每个网格的高度以后，选取模块703根据如下公式计算每个网格的坡度值：
Figure BDA0001767504520000181
其中，Di为第i个网格在垂直于车辆行驶轨迹方向的坡度，mi+1为第i+1个网格的高度，mi为第i个网格的高度，w为网格的边长。
在一可选实施方式中，选取模块703根据所述候选网格构建道路边沿模拟点集合包括：选取模块703确定候选网格的高度和候选网格的中心点坐标(xcenter,ycenter)；然后，选取模块703将xcenter作为道路边沿模拟点的x轴坐标分量，将ycenter作为道路边沿模拟点的y轴坐标分量，将候选网格的高度作为道路边沿模拟点的z轴坐标分量，以得到道路边沿模拟点的坐标。
聚类模块704，用于基于DBSCAN算法对所述道路边沿模拟点集合中的点进行指定距离的密度聚类处理，以得到至少一个模拟点子集。
在本发明实施例中，所述指定距离可根据路口大小进行设置，比如可设置为4米。示例性地，在对左侧道路边沿进行识别时，聚类模块704对左侧道路边沿模拟点集合Cleft进行处理，能得到至少一个左侧模拟点子集leftd；在对右侧道路边沿进行识别时，聚类模块704对右侧道路边沿模拟点集合Cright进行处理，能得到至少一个右侧模拟点子集rightd。
拟合模块705，用于根据所述模拟点子集拟合道路边沿分段矢量线，具体包括：步骤D1至步骤D3。
步骤D1、拟合模块705基于RANSAC(随机抽样一致性)算法对所述模拟点子集中的点进行采样处理，然后根据该模拟点子集的采样点拟合得到对应的特征矢量线。
在本发明实施例中，RANSAC算法的输入为模拟点子集(比如左侧模拟点子集leftd或右侧模拟点子集rightd)和直线模型，输出为去除“局外点”的采样点子集(比如对leftd采样得到的左侧采样点子集Linner，或对rightd采样得到的右侧采样点子集Rinner)以及直线的参数(比如直线的法向量normal，直线上一点的坐标(xori,yori))。示例性地，在对左侧道路边沿进行识别时，可根据左侧采样点子集Linner和对应的直线参数拟合左侧特征矢量线lline；在对右侧道路边沿进行识别时，可根据右侧采样点子集Rinner合对应的直线参数拟合右侧特征矢量线rline。
在一可选实施方式中，拟合模块705根据左侧采样点子集Linner和对应的直线参数拟合左侧特征矢量线lline包括：由法向量normal和点(xori,yori)得到直线向量v；对于左侧采样点子集Linner中每个点，计算经过该点与点(xori,yori)的直线向量vk，然后计算直线向量vk在直线向量v上的投影长度Projk；对Projk进行排序，Linner中具有最大投影长度的点和具有最小投影长度的点为要拟合的线段(即左侧特征矢量线)的两各端点，根据这两个端点拟合得到左侧特征矢量线lline。
在本发明实施例中，通过拟合模块执行的步骤C1能够去除模拟点子集中的噪声数据，进而有助于提高道路边沿的识别精度。
步骤D2、拟合模块705计算所述采样点到所述对应的特征矢量线的垂足，然后根据所述垂足到所述特征矢量线中心点的距离对该模拟点子集的采样点进行排序。
其中，特征矢量线中心点即RANSAC算法返回的直线上的一点(xori,yori)。所述垂足到所述特征矢量线中心点的距离可理解为“带有方向的距离值”，具体可按照如下方式计算：根据两点距离计算公式计算垂足到所述特征矢量线中心点的距离绝对值；然后，对于垂足点落在特征矢量线的正方向上的，规定距离为正值，对于垂足点落在特征矢量线负方向上的，规定距离为负值。之后，对带有方向的距离值进行排序。
具体来说，在对左侧道路边沿进行识别时，拟合模块705计算Linner中每个点到左侧特征矢量线lline的垂足点Tk，然后计算垂足点Tk到特征矢量线中心点的距离disk；对左侧采样点子集Linner按照disk的大小进行排序，以得到排序后的左侧采样点序列Sl。类似地，在对右侧道路边沿进行识别时，拟合模块705可通过执行步骤D2得到排序后的右侧采样点序列Sr。
步骤D3、拟合模块705根据排序后的采样点序列构建道路边沿分段矢量线。
在一可选实施方式中，步骤D3包括：拟合模块705将所述采样点序列中的点顺次相连，以得到道路边沿分段矢量线。
在另一可选实施方式中，步骤D3包括：拟合模块705在每个采样点的指定邻域内进行点云点检索，并将该指定邻域内高度变化最大的点云点作为道路边沿点，然后，拟合模块705按照所述采样点序列的排序将所述道路边沿点顺次相连，以得到道路边沿分段矢量线。其中，所述指定邻域可为距离采样点指定距离(比如0.3米)的圆形邻域。
例如，在对左侧道路边沿进行识别时，拟合模块705通过在Sl中的每个采样点的邻域内检索点云点，能够得左侧道路边沿点序列Sfl，然后，拟合模块705通过将左侧道路边沿点序列Sfl中的点顺次相连，能够得到左侧道路边沿分段矢量线。另外，在对左侧道路边沿进行识别时，拟合模块705通过在Sr中的每个采样点的邻域内检索点云点，能够得右侧道路边沿点序列Sfr，然后拟合模块705将Sfr中的点顺次相连，能够得到右侧道路边沿分段矢量线。通过该可选实施方式，能够进一步提高道路边沿的识别精度。
在本发明实施例中，通过以上装置能够自动对点云数据中的道路边沿要素(比如马路牙子)进行识别，提高道路边沿的识别效率和识别精度，降低识别所耗费的人力成本。
图8示出了可以应用本发明实施例的道路边沿的识别方法或道路边沿的识别装置的示例性系统架构800。
如图8所示，系统架构800可以包括终端设备801、802、803，网络804和服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备801、802、803通过网络804与服务器805交互，以接收或发送消息等。终端设备801、802、803上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备801、802、803可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器805可以是提供各种服务的服务器，例如对用户利用终端设备801、802、803所浏览的数据处理应用提供支持的后台管理服务器。后台管理服务器可以对接收到的从点云数据中识别道路边沿要素的请求等数据进行分析等处理，并将处理结果(例如识别结果)反馈给终端设备。
需要说明的是，本发明实施例所提供的道路边沿的识别方法一般由服务器805执行，相应地，道路边沿的识别装置一般设置于服务器805中。
应该理解，图8中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
图9示出了适于用来实现本发明实施例的电子设备的计算机系统900的结构示意图。图9示出的电子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带来任何限制。
如图9所示，计算机系统900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有系统900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；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907；包括硬盘等的存储部分908；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909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本发明中，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。而在本发明中，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。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括分割模块、选取模块、聚类模块、拟合模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，分割模块还可以被描述为“对待处理点云数据进行网格分割的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备执行以下流程：对待处理点云数据进行网格分割，以得到第一网格集合；根据网格的坡度特征从所述第一网格集合中选取候选网格，并根据所述候选网格构建道路边沿模拟点集合；对所述道路边沿模拟点集合中的点进行密度聚类处理，以得到至少一个模拟点子集；根据所述模拟点子集拟合道路边沿分段矢量线。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (14)

1.一种道路边沿的识别方法，其特征在于，所述方法包括：
对点云数据进行抽稀处理，对抽稀处理后的点云数据进行细采样，并将细采样结果作为待处理点云数据；所述细采样包括：通过第一选取框初步选取点云数据，通过第二选取框选取对所述第一选取框内部的点云数据进行中心采样；其中，所述第一选取框大于所述第二选取框，且所述第一选取框的长度是根据道路的宽度特征进行设置的，以根据道路的宽度特征对抽稀处理后的点云数据进行细采样；
对所述待处理点云数据进行网格分割，以得到第一网格集合；
根据网格的坡度特征从所述第一网格集合中选取候选网格，并根据所述候选网格构建道路边沿模拟点集合；
对所述道路边沿模拟点集合中的点进行密度聚类处理，以得到至少一个模拟点子集；
根据所述模拟点子集拟合道路边沿分段矢量线；
其中，所述对待处理点云数据进行网格分割，以得到第一网格集合包括：将待处理点云数据的外包盒中平行于地面的矩形底面作为铺设网格的区域，然后分别在垂直于车辆行驶轨迹的方向、沿着车辆行驶轨迹的方向进行网格划分，以得到第一网格集合；
所述根据网格的坡度特征从所述第一网格集合中选取候选网格的步骤包括：计算第一网格集合中每个网格的坡度值；按照由近及远的顺序，对第一网格集合中位于车辆行驶轨迹左侧或右侧的网格进行逐列检索，并将每列网格中检索到的第一个坡度值大于等于预设坡度阈值的网格作为候选网格。
2.根据权利要求1所述的方法，其特征在于，所述对点云数据进行抽稀处理的步骤包括：
对点云数据进行网格分割，以得到第二网格集合；遍历第二网格集合中每个网格对应的点云点，以从该网格对应的点云点中筛选出z坐标位于[zmin,zmin+h1]区间内的点云点，并将从所有网格筛选出的点云点作为待处理点云数据；其中，zmin是指所述待处理点云数据中的最小z值，h1为预设高度值。
3.根据权利要求1所述的方法，其特征在于，所述根据所述候选网格构建道路边沿模拟点集合的步骤包括：
确定候选网格的高度和候选网格的中心点坐标(xcenter,ycenter)；然后，将xcenter作为道路边沿模拟点的x轴坐标分量，将ycenter作为道路边沿模拟点的y轴坐标分量，将候选网格的高度作为道路边沿模拟点的z轴坐标分量，以得到道路边沿模拟点的坐标。
4.根据权利要求1所述的方法，其特征在于，所述对所述道路边沿模拟点集合中的点进行密度聚类处理，以得到至少一个模拟点子集的步骤包括：
基于DBSCAN算法对所述道路边沿模拟点集合中的点进行指定距离的密度聚类处理，以得到至少一个模拟点子集。
5.根据权利要求1所述的方法，其特征在于，所述根据所述模拟点子集拟合道路边沿分段矢量线的步骤包括：
基于随机抽样一致性算法对所述模拟点子集中的点进行采样处理，然后根据该模拟点子集的采样点拟合得到对应的特征矢量线；计算所述采样点到所述对应的特征矢量线的垂足，然后根据所述垂足到所述特征矢量线中心点的距离对该模拟点子集的采样点进行排序；根据排序后的采样点序列构建道路边沿分段矢量线。
6.根据权利要求5所述的方法，其特征在于，所述根据排序后的采样点序列构建道路边沿分段矢量线的步骤包括：
将所述采样点序列中的点顺次相连，以得到道路边沿分段矢量线；或者，
在每个采样点的指定邻域内进行点云点检索，并将该指定邻域内高度变化最大的点云点作为道路边沿点，然后，按照所述采样点序列的排序将所述道路边沿点顺次相连，以得到道路边沿分段矢量线。
7.一种道路边沿的识别装置，其特征在于，所述装置包括：
抽稀模块，用于对点云数据进行抽稀处理，对抽稀处理后的点云数据进行细采样，并将细采样结果作为待处理点云数据；所述细采样包括：通过第一选取框初步选取点云数据，通过第二选取框选取对所述第一选取框内部的点云数据进行中心采样；其中，所述第一选取框大于所述第二选取框，且所述第一选取框的长度是根据道路的宽度特征进行设置的，以根据道路的宽度特征对抽稀处理后的点云数据进行细采样；
分割模块，用于对待处理点云数据进行网格分割，以得到第一网格集合；
选取模块，用于根据网格的坡度特征从所述第一网格集合中选取候选网格，并根据所述候选网格构建道路边沿模拟点集合；
聚类模块，用于对所述道路边沿模拟点集合中的点进行密度聚类处理，以得到至少一个模拟点子集；
拟合模块，用于根据所述模拟点子集拟合道路边沿分段矢量线；
其中，所述分割模块对待处理点云数据进行网格分割，以得到第一网格集合包括：所述分割模块将待处理点云数据的外包盒中平行于地面的矩形底面作为铺设网格的区域，然后分别在垂直于车辆行驶轨迹的方向、沿着车辆行驶轨迹的方向进行网格划分，以得到第一网格集合；
所述根据网格的坡度特征从所述第一网格集合中选取候选网格的步骤包括：计算第一网格集合中每个网格的坡度值；按照由近及远的顺序，对第一网格集合中位于车辆行驶轨迹左侧或右侧的网格进行逐列检索，并将每列网格中检索到的第一个坡度值大于等于预设坡度阈值的网格作为候选网格。
8.根据权利要求7所述的装置，其特征在于，所述抽稀模块对点云数据进行抽稀处理，以得到所述待处理点云数据包括：
所述抽稀模块对点云数据进行网格分割，以得到第二网格集合；所述抽稀模块遍历第二网格集合中每个网格对应的点云点，以从该网格对应的点云点中筛选出z坐标位于[zmin,zmin+h1]区间内的点云点，并将从所有网格筛选出的点云点作为待处理点云数据；其中，zmin是指所述待处理点云数据中的最小z值，h1为预设高度值。
9.根据权利要求7所述的装置，其特征在于，所述选取模块根据所述候选网格构建道路边沿模拟点集合的步骤包括：
所述选取模块确定候选网格的高度和候选网格的中心点坐标(xcenter,ycenter)；然后，所述选取模块将xcenter作为道路边沿模拟点的x轴坐标分量，将ycenter作为道路边沿模拟点的y轴坐标分量，将候选网格的高度作为道路边沿模拟点的z轴坐标分量，以得到道路边沿模拟点的坐标。
10.根据权利要求7所述的装置，其特征在于，所述聚类模块对所述道路边沿模拟点集合中的点进行密度聚类处理，以得到至少一个模拟点子集包括：
所述聚类模块基于DBSCAN算法对所述道路边沿模拟点集合中的点进行指定距离的密度聚类处理，以得到至少一个模拟点子集。
11.根据权利要求7所述的装置，其特征在于，所述拟合模块根据所述模拟点子集拟合道路边沿分段矢量线包括：
所述拟合模块基于随机抽样一致性算法对所述模拟点子集中的点进行采样处理，然后根据该模拟点子集的采样点拟合得到对应的特征矢量线；所述拟合模块计算所述采样点到所述对应的特征矢量线的垂足，然后根据所述垂足到所述特征矢量线中心点的距离对该模拟点子集的采样点进行排序；所述拟合模块根据排序后的采样点序列构建道路边沿分段矢量线。
12.根据权利要求11所述的装置，其特征在于，所述拟合模块根据排序后的采样点序列构建道路边沿分段矢量线的步骤包括：
所述拟合模块将所述采样点序列中的点顺次相连，以得到道路边沿分段矢量线；或者，
所述拟合模块在每个采样点的指定邻域内进行点云点检索，并将该指定邻域内高度变化最大的点云点作为道路边沿点，然后，按照所述采样点序列的排序将所述道路边沿点顺次相连，以得到道路边沿分段矢量线。
13.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，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至6中任一所述的方法。
14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至6中任一所述的方法。
CN201810934682.1A 2018-08-16 2018-08-16 道路边沿的识别方法和装置 Active CN110378175B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810934682.1A CN110378175B (zh) 2018-08-16 2018-08-16 道路边沿的识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810934682.1A CN110378175B (zh) 2018-08-16 2018-08-16 道路边沿的识别方法和装置

Publications (2)

Publication Number Publication Date
CN110378175A CN110378175A (zh) 2019-10-25
CN110378175B true CN110378175B (zh) 2022-09-30

Family

ID=68243877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810934682.1A Active CN110378175B (zh) 2018-08-16 2018-08-16 道路边沿的识别方法和装置

Country Status (1)

Country Link
CN (1) CN110378175B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111208530B (zh) * 2020-01-15 2022-06-17 北京四维图新科技股份有限公司 定位图层生成方法、装置、高精度地图及设备
CN110956165B (zh) * 2020-02-25 2020-07-21 恒大智慧科技有限公司 智慧社区未栓绳宠物预警方法及系统
CN111811530B (zh) * 2020-06-16 2022-06-21 北京五一视界数字孪生科技股份有限公司 车道线生成方法、装置、存储介质及电子设备
CN113009503A (zh) * 2020-07-20 2021-06-22 青岛慧拓智能机器有限公司 一种用于矿山道路的拓扑结构自动构建系统及方法
CN112037328A (zh) * 2020-09-02 2020-12-04 北京嘀嘀无限科技发展有限公司 生成地图中的道路边沿的方法、装置、设备和存储介质
CN113140021B (zh) * 2020-12-25 2022-10-25 杭州今奥信息科技股份有限公司 矢量线生成方法、系统及计算机可读存储介质
CN112912894B (zh) * 2021-02-07 2022-08-09 华为技术有限公司 道路边界识别方法和装置
CN113190723A (zh) * 2021-05-19 2021-07-30 云南电网有限责任公司电力科学研究院 一种基于网格化的点云数据检索方法
CN116229405A (zh) * 2023-05-05 2023-06-06 倍基智能科技(四川)有限公司 一种从点云数据中检测地面的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701798A (zh) * 2015-12-31 2016-06-22 百度在线网络技术（北京）有限公司 柱状物体的点云提取方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636763B (zh) * 2014-12-01 2018-10-09 北京工业大学 一种基于无人驾驶车的道路与障碍物检测方法
CN108021844B (zh) * 2016-10-31 2020-06-02 阿里巴巴（中国）有限公司 一种道路边沿识别方法及装置
CN106842231B (zh) * 2016-11-08 2019-03-22 长安大学 一种道路边界检测及跟踪方法
CN108898672A (zh) * 2018-04-27 2018-11-27 厦门维斯云景信息科技有限公司 一种制作三维高清道路图车道线的半自动点云方法
CN110345952A (zh) * 2019-07-09 2019-10-18 同济人工智能研究院(苏州)有限公司 一种序列化车道线地图构建方法及构建系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701798A (zh) * 2015-12-31 2016-06-22 百度在线网络技术（北京）有限公司 柱状物体的点云提取方法及装置

Also Published As

Publication number Publication date
CN110378175A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN110378175B (zh) 道路边沿的识别方法和装置
CN111462275B (zh) 一种基于激光点云的地图生产方法和装置
US11145073B2 (en) Computer vision systems and methods for detecting and modeling features of structures in images
CN110493333B (zh) 一种目标位置点的确定方法、装置、设备及存储介质
CN110533055B (zh) 一种点云数据的处理方法和装置
CN108734780B (zh) 用于生成地图的方法、装置和设备
CN110413905B (zh) 获取道路线形的方法、装置、设备及存储介质
CN111695488A (zh) 兴趣面识别方法、装置、设备以及存储介质
US10380454B2 (en) Identifying a visual center of a polygon
CN115272572A (zh) 输电线路重建方法、装置、电子设备及存储介质
CN113792690A (zh) 车道线检测方法和装置
CN110377776B (zh) 生成点云数据的方法和装置
CN112988933A (zh) 地址信息管理的方法和装置
CN110378904B (zh) 对点云数据进行分割的方法和装置
CN114417075B (zh) 一种建立寻路网格数据索引的方法、装置、介质和设备
CN112132845A (zh) 三维模型的单体化方法、装置、电子设备和可读介质
CN110363847B (zh) 一种基于点云数据的地图模型构建方法和装置
CN114357102A (zh) 一种路网数据生成方法和装置
CN113658338A (zh) 点云树木单体分割方法、装置、电子设备及存储介质
CN115100231A (zh) 一种区域边界的确定方法和装置
CN114049449A (zh) 一种高精度地图道路层级的计算方法及系统
CN113269827B (zh) 一种实现自动化标定的方法和计算装置
CN111986243A (zh) 路肩提取方法及装置、电子设备和计算机可读介质
CN113761090A (zh) 一种基于点云地图的定位方法和装置
CN116912817A (zh) 三维场景模型拆分方法、装置、电子设备和存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20210224

Address after: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080

Applicant after: Beijing Jingbangda Trading Co.,Ltd.

Address before: 100195 Beijing Haidian Xingshikou Road 65 West Cedar Creative Garden 4 District 11 Building East 1-4 Floor West 1-4 Floor

Applicant before: BEIJING JINGDONG SHANGKE INFORMATION TECHNOLOGY Co.,Ltd.

Applicant before: BEIJING JINGDONG CENTURY TRADING Co.,Ltd.

Effective date of registration: 20210224

Address after: Room 222, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant after: Beijing Jingdong three hundred and sixty degree e-commerce Co.,Ltd.

Address before: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080

Applicant before: Beijing Jingbangda Trading Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant