CN110568451A - 一种高精度地图中道路交通标线的生成方法和装置 - Google Patents

Abstract

本申请公开了一种高精度地图中道路交通标线的生成方法和装置。所述方法包括：获取包含道路交通标线的点云数据与图像数据，点云数据与所述图像数据具有对应关系；根据点云数据与所述图像数据生成彩色激光底图；根据所述反射率值、颜色信息和预设的道路交通标线识别模型，从所述彩色激光底图中识别出道路交通标线；根据识别出的道路交通标线生成高精度地图中的道路交通标线元素。有益效果在于，结合图像数据和点云数据，生成彩色的激光底图，然后基于道路交通标线识别模型，自动化完成提取并绘制道路交通标线，大幅减少了对数据后期处理的成本，提高了工作效率和准确性，且较少受到光照和环境的影响，保障了结果输出的稳定性，可用于建立高精度地图。

Description

一种高精度地图中道路交通标线的生成方法和装置

技术领域

本申请涉及高精度地图技术领域，具体涉及一种高精度地图中道路交通标线的生成方法和装置。

背景技术

高精度地图也简称高精地图，是自动驾驶等领域依赖的核心技术之一，传统方法多是采用一定工具进行人工绘制。也有一些技术是利用点云数据和图像数据之间对应的投影关系采用了部分自动化标注流程，最后再借助人工标注的方式优化。但是对于道路交通标线这一对象来说，由于其难以用通常的方式来识别，因而现有技术中往往通过人工的方式来绘制，不能很好地利用采集到的图像数据和点云数据等，效率和准确率也偏低。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的一种高精度地图中道路交通标线的生成方法和装置。

依据本申请的一个方面，提供了一种高精度地图中道路交通标线的生成方法，包括：

获取包含道路交通标线的点云数据与图像数据，其中，所述点云数据与所述图像数据具有对应关系；

根据所述点云数据与所述图像数据生成彩色激光底图；所述彩色激光底图包括彩色激光底图中各点的反射率值和颜色信息；

根据所述反射率值、颜色信息和预设的道路交通标线识别模型，从所述彩色激光底图中识别出道路交通标线；

根据识别出的道路交通标线生成高精度地图中的道路交通标线元素。

可选地，所述点云数据是根据激光雷达探测得到的，所述图像数据是根据摄像头探测得到的；

所述激光雷达和所述摄像头在探测时被设置为同步探测，且均与道路路面成预设的倾斜角度。

可选地，所述根据所述点云数据与所述图像数据生成彩色激光底图包括：

基于俯视角度对所述点云数据进行高度切割处理，得到包含道路路面和道路交通标线的点云子集；

基于反射率值对所述点云子集进行处理，得到灰度激光底图；

根据所述图像数据对所述灰度激光底图进行渲染，得到彩色激光底图。

可选地，所述根据所述图像数据对所述灰度激光底图进行渲染，得到彩色激光底图包括：

基于所述对应关系，计算所述灰度激光底图与所述图像数据的投影矩阵；

根据所述投影矩阵以及所述图像数据包含的颜色信息，对所述灰度激光底图进行渲染，得到彩色激光底图。

可选地，所述道路交通标线识别模型是将标注了各类型道路交通标线的彩色激光底图作为训练数据，基于深度学习训练得到的。

可选地，所述根据所述反射率值、颜色信息和预设的道路交通标线识别模型，从所述彩色激光底图中识别出道路交通标线包括：

对所述彩色激光底图按预设的区块大小分割为多个区块，从各区块中分别识别出道路交通标线；

对识别出的道路交通标线进行拼接处理。

可选地，所述根据识别出的道路交通标线生成高精度地图中的道路交通标线元素包括：

将识别出的道路交通标线进行矢量化处理，并根据识别出的道路交通标线类型设置元素属性。

依据本申请的另一方面，提供了一种高精度地图中道路交通标线的生成装置，包括：

获取单元，用于获取包含道路交通标线的点云数据与图像数据，其中，所述点云数据与所述图像数据具有对应关系；

底图生成单元，用于根据所述点云数据与所述图像数据生成彩色激光底图；所述彩色激光底图包括彩色激光底图中各点的反射率值和颜色信息；

识别单元，用于根据所述反射率值、颜色信息和预设的道路交通标线识别模型，从所述彩色激光底图中识别出道路交通标线；

元素生成单元，用于根据识别出的道路交通标线生成高精度地图中的道路交通标线元素。

可选地，所述点云数据是根据激光雷达探测得到的，所述图像数据是根据摄像头探测得到的；

所述激光雷达和所述摄像头在探测时被设置为同步探测，且均与道路路面成预设的倾斜角度。

可选地，所述底图生成单元，用于基于俯视角度对所述点云数据进行高度切割处理，得到包含道路路面和道路交通标线的点云子集；基于反射率值对所述点云子集进行处理，得到灰度激光底图；根据所述图像数据对所述灰度激光底图进行渲染，得到彩色激光底图。

可选地，所述底图生成单元，用于基于所述对应关系，计算所述灰度激光底图与所述图像数据的投影矩阵；根据所述投影矩阵以及所述图像数据包含的颜色信息，对所述灰度激光底图进行渲染，得到彩色激光底图。

可选地，所述道路交通标线识别模型是将标注了各类型道路交通标线的彩色激光底图作为训练数据，基于深度学习训练得到的。

可选地，所述底图生成单元，用于对所述彩色激光底图按预设的区块大小分割为多个区块，从各区块中分别识别出道路交通标线；对识别出的道路交通标线进行拼接处理。

可选地，元素生成单元，用于将识别出的道路交通标线进行矢量化处理，并根据识别出的道路交通标线类型设置元素属性。

依据本申请的又一方面，提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上述任一所述的方法。

依据本申请的再一方面，提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如上述任一所述的方法。

由上述可知，本申请的技术方案，通过获取包含道路交通标线的点云数据与图像数据，其中，所述点云数据与所述图像数据具有对应关系；根据所述点云数据与所述图像数据生成彩色激光底图；所述彩色激光底图包括彩色激光底图中各点的反射率值和颜色信息；根据所述反射率值、颜色信息和预设的道路交通标线识别模型，从所述彩色激光底图中识别出道路交通标线；根据识别出的道路交通标线生成高精度地图中的道路交通标线元素。有益效果在于，结合图像数据和点云数据，生成彩色的激光底图，然后基于道路交通标线识别模型，自动化完成提取并绘制道路交通标线，大幅减少了对数据后期处理的成本，提高了工作效率和准确性，且较少受到光照和环境的影响，保障了结果输出的稳定性，可用于建立高精度地图。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本申请一个实施例的一种高精度地图中道路交通标线的生成方法的流程示意图；

图2示出了根据本申请一个实施例的一种高精度地图中道路交通标线的生成装置的结构示意图；

图3示出了根据本申请一个实施例的电子设备的结构示意图；

图4示出了根据本申请一个实施例的计算机可读存储介质的结构示意图。

具体实施方式

下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

图1示出了根据本申请一个实施例的一种高精度地图中道路交通标线的生成方法的流程示意图。如图1所示，该方法包括：

步骤S110，获取包含道路交通标线的点云数据与图像数据，其中，点云数据与图像数据具有对应关系。

点云数据和图像数据可以分别由相应的探测设备来获取，例如使用激光雷达获取激光点云，进一步获取到点云数据，通过摄像头进行图像拍摄，进一步得到图像数据。本申请的设计思路在于，结合图像数据获取到的不同的颜色信息和激光激光雷达获取激光点云数据信息以及二者的对应关系，最终根据道路交通标线识别模型识别出道路交通标线，进一步用于完善高精度地图等。因此摄像头和激光雷达的设置以及后续数据处理过程中都需要使点云数据与图像数据的保持准确的对应关系。

步骤S120，根据点云数据与图像数据生成彩色激光底图；彩色激光底图包括彩色激光底图中各点的反射率值和颜色信息。

激光雷达遇到不同的物体反射回的点云数据回呈现出不同的反射率值差异，摄像头探测的图像数据可以获取到不同物体对应的颜色信息。结合反射率值和颜色信息生成彩色激光底图。彩色激光底图中包含了道路交通标线较细粒度的特征数据和颜色数据，这为后续准确识别出道路交通标线，并借此绘制得到高精度地图提供了底图。

步骤S130，根据反射率值、颜色信息和预设的道路交通标线识别模型，从彩色激光底图中识别出道路交通标线。

采用机器深度学习的方法，结合道路交通标线的反射率值、颜色信息数据对道路交通标线识别模型进行训练。将训练好的道路交通标线识别模型作为预设模型，再结合激光雷达和摄像头实际获取的道路反射率值、颜色信息等数据最终从激光底图中识别出道路交通标线。彩色激光底图是对道路情况的较未精细的还原，再从激光底图中进行道路交通标线的识别，可以减少处理过程中可能的误差，精度较高。具有较高识别准确率、自动化程度而且识别成本也较低。

步骤S140，根据识别出的道路交通标线生成高精度地图中的道路交通标线元素。生成的道路交通标线元素可直接在高精度地图的建图过程中使用，例如适配相应的建图工具。

可见，如图1所示的方法，结合图像数据和点云数据，生成彩色的激光底图，然后基于道路交通标线识别模型，自动化完成提取并绘制道路交通标线，大幅减少了对数据后期处理的成本，提高了工作效率和准确性，且较少受到光照和环境的影响，保障了结果输出的稳定性，可用于建立高精度地图。

在本申请的一个实施例中，上述方法中，点云数据是根据激光雷达探测得到的，图像数据是根据摄像头探测得到的；激光雷达和摄像头在探测时被设置为同步探测，且均与道路路面成预设的倾斜角度。

平行放置的摄像头和激光雷达虽然可以获取到较强的反射率值，但是这一特征对于有效区分道路交通标线和柏油路面提升有限。将摄像头和激光雷达倾斜一定角度放置后，道路交通标线获得的反射率值特征在与柏油路面或其他物体上的反射率值特征之间会产生明显区分性。这样，倾斜放置后得到的较明显的发射率特征，将有利于促进改善道路交通标线的识别效果。

在本申请的一个实施例中，上述方法中，根据点云数据与图像数据生成彩色激光底图包括：基于俯视角度对点云数据进行高度切割处理，得到包含道路路面和道路交通标线的点云子集；基于反射率值对点云子集进行处理，得到灰度激光底图；根据图像数据对灰度激光底图进行渲染，得到彩色激光底图。

获取的原始激光点云数据是3D的，为了简化后续处理需要获取包含道路路面和道路交通标线的2D激光点云子集。具体可以采用俯视角度对激光点云数据进行特定高度的切割，将包含路面区域的点云数据切分出来。路面因不同物体具有的反射率值差异会呈现出道路应有形态的激光点云数据，但此时的图像是未经着色处理的单通道灰度激光点云图，由此得到2D的灰度激光点云子集。之后结合图像数据中的颜色信息以及图像数据和点云数据的对应关系对灰度激光底图进行渲染处理，经过渲染后灰度激光底图就有了相应的着色，从而得到彩色激光底图。经过着色后，可以直观且准确的反映出白色、黄色、红色等不同颜色道路交通标志线的颜色特征，便于后续对道路交通标识线的准确识别。而且激光点云数据具有较高的精度，在3D激光点云数据的基础上得到2D灰度激光点云子集，并在此基础上采用同样坐标系进行高精度地图的绘制，可以保证较高的精确度，减少坐标系转化带来的误差影响。

在本申请的一个实施例中，上述方法中，根据图像数据对灰度激光底图进行渲染，得到彩色激光底图包括：基于对应关系，计算灰度激光底图与图像数据的投影矩阵；根据投影矩阵以及图像数据包含的颜色信息，对灰度激光底图进行渲染，得到彩色激光底图。

图像数据与灰度激光底图具有场景上的透视对应关系，依据这种对应关系建立灰度激光底图与图像数据的投影矩阵，再根据图像数据对应的颜色信息和投影矩阵关系实现对灰色激光底图得渲染处理，最终得到彩色激光底图。这样，借助投影矩阵得方法计算出灰度激光点图区域对应的渲染颜色，可以实现对灰度激光底图的精确着色，为后续准确识别出黄色、白色、红色道路交通标线打下基础。

在本申请的一个实施例中，上述方法中，道路交通标线识别模型是将标注了各类型道路交通标线的彩色激光底图作为训练数据，基于深度学习训练得到的。

为了提高道路交通标线的识别效率和识别准确性，可以采用道路交通标线识别模型进行自动化的识别。为了进一步提高道路交通标线识别模型的识别结果的准确性和自动化程度，可以采用深度学习的方法，事先用已标注好各种类型道路交通标线标签的彩色激光底图作为训练数据，对道路交通标线识别模型进行大量训练。这样，采用深度学习方法训练的道路交通标线识别模型可以实现低成本、高效率、自动化、准确的识别道路交通标线。

在本申请的一个实施例中，上述方法中，根据反射率值、颜色信息和预设的道路交通标线识别模型，从彩色激光底图中识别出道路交通标线包括：对彩色激光底图按预设的区块大小分割为多个区块，从各区块中分别识别出道路交通标线；对识别出的道路交通标线进行拼接处理。

受制于现有的计算机图形处理能力，待处理的彩色激光底图的大小会影响处理的效率，因此需要在处理前适当调整彩色激光底图的大小，可以采用切割方法，将采集的较大区域范围的彩色激光底图进行切分处理，分割为为较小单元分别处理，识别出道路交通标线，然后再对识别出的道路交通标线进行拼接处理。例如，当彩色激光底图为“北京市朝阳区”的采集图时，需要将大幅的彩色激光底图进行适当切分，可以切割为若干个等大小且大小适中的彩色激光底图区块，分别进行道路交通标线的识别。在各区块彩色激光底图都完成识别道路交通标线后，再将各区块中已经识别出的道路交通标线进行拼合，最终获取到完整的“北京市朝阳区”彩色激光底图。当采集的是较小区域的彩色激光底图时，再满足处理条件时也可以不进行分割。这样，可以针对不同区域大小的彩色激光底图的道路交通标线进行识别和拼合工作，具有较好的灵活度和适应性，同时具备规模较大区域下应用的能力。

在本申请的一个实施例中，上述方法中，根据识别出的道路交通标线生成高精度地图中的道路交通标线元素包括：将识别出的道路交通标线进行矢量化处理，并根据识别出的道路交通标线类型设置元素属性。

识别出道路交通标线后，对包含道路交通标线的彩色激光底图进行矢量化处理，从而得到道路交通标线的矢量化信息，这些道路交通标线的矢量化信息将构成相应的道路交通标线元素。为了快速生成高精度地图，可以将获取到的这些道路交通标线元素导入到特定的高精度地图工具中进行处理和绘制，并最终中得到完整的高精度地图。另外，还可以根据识别出的道路交通标线类型，如右转指示标线、停止线等等，来设置元素属性，这样，可以减少道路交通标线提取过程中出现的误差，较高效率的实现了道路交通标线的准确绘制并最终形成高精度地图。

图2示出了根据本申请一个实施例的一种高精度地图中道路交通标线的生成装置的结构示意图。如图2所示，道路交通标线的生成装置200包括：

获取单元210，用于获取包含道路交通标线的点云数据与图像数据，其中，点云数据与图像数据具有对应关系。

点云数据和图像数据可以分别由相应的探测设备来获取，例如使用激光雷达获取激光点云，进一步获取到点云数据，通过摄像头进行图像拍摄，进一步得到图像数据。本申请的设计思路在于，结合图像数据获取到的不同的颜色信息和激光激光雷达获取激光点云数据信息以及二者的对应关系，最终根据道路交通标线识别模型识别出道路交通标线，进一步用于完善高精度地图等。因此摄像头和激光雷达的设置以及后续数据处理过程中都需要使点云数据与图像数据的保持准确的对应关系。

底图生成单元220，用于根据点云数据与图像数据生成彩色激光底图；彩色激光底图包括彩色激光底图中各点的反射率值和颜色信息。

激光雷达遇到不同的物体反射回的点云数据回呈现出不同的反射率值差异，摄像头探测的图像数据可以获取到不同物体对应的颜色信息。结合反射率值和颜色信息生成彩色激光底图。彩色激光地图中包含了道路交通标线较细粒度的特征数据和颜色数据，这为后续准确识别出道路交通标线，并借此绘制得到高精度地图提供了底图。

识别单元230，用于根据反射率值、颜色信息和预设的道路交通标线识别模型，从彩色激光底图中识别出道路交通标线。

采用机器深度学习的方法，结合道路交通标线的反射率值、颜色信息数据对道路交通标线识别模型进行训练。将训练好的道路交通标线识别模型作为预设模型，再结合激光雷达和摄像头实际获取的道路反射率值、颜色信息等数据最终从激光底图中识别出道路交通标线。彩色激光底图是对道路情况的较未精细的还原，再从激光底图中进行道路交通标线的识别，可以减少处理过程中可能的误差，精度较高。具有较高识别准确率、自动化程度而且识别成本也较低。

元素生成单元240，用于根据识别出的道路交通标线生成高精度地图中的道路交通标线元素。生成的道路交通标线元素可直接在高精度地图的建图过程中使用，例如适配相应的建图工具。

可见，如图2所示的装置，结合图像数据和点云数据，生成彩色的激光底图，然后基于道路交通标线识别模型，自动化完成提取并绘制道路交通标线，大幅减少了对数据后期处理的成本，提高了工作效率和准确性，且较少受到光照和环境的影响，保障了结果输出的稳定性，可用于建立高精度地图。

在本申请的一个实施例中，上述装置中，点云数据是根据激光雷达探测得到的，图像数据是根据摄像头探测得到的；激光雷达和摄像头在探测时被设置为同步探测，且均与道路路面成预设的倾斜角度。

平行放置的摄像头和激光雷达虽然可以获取到较强的反射率值，但是这一特征对于有效区分道路交通标线和柏油路面提升有限。将摄像头和激光雷达倾斜一定角度放置后，道路交通标线获得的反射率值特征在与柏油路面或其他物体上的反射率值特征之间会产生明显区分性。这样，倾斜放置后得到的较明显的发射率特征，将有利于促进改善道路交通标线的识别效果。

在本申请的一个实施例中，上述装置中，底图生成单元220，用于基于俯视角度对点云数据进行高度切割处理，得到包含道路路面和道路交通标线的点云子集；基于反射率值对点云子集进行处理，得到灰度激光底图；根据图像数据对灰度激光底图进行渲染，得到彩色激光底图。

获取的原始激光点云数据是3D的，为了简化后续处理需要获取包含道路路面和道路交通标线的2D激光点云子集。具体可以采用俯视角度对激光点云数据进行特定高度的切割，将包含路面区域的点云数据切分出来。路面因不同物体具有的反射率值差异会呈现出道路应有形态的激光点云数据，但此时的图像是未经着色处理的单通道灰度激光点云图，由此得到2D的灰度激光点云子集。之后结合图像数据中的颜色信息以及图像数据和点云数据的对应关系对灰度激光底图进行渲染处理，经过渲染后灰度激光底图就有了相应的着色，从而得到彩色激光底图。经过着色后，可以直观且准确的反映出白色、黄色、红色等不同颜色道路交通标志线的颜色特征，便于后续对道路交通标识线的准确识别。而且激光点云数据具有较高的精度，在3D激光点云数据的基础上得到2D灰度激光点云子集，并在此基础上采用同样坐标系进行高精度地图的绘制，可以保证较高的精确度，减少坐标系转化带来的误差影响。

在本申请的一个实施例中，上述装置中，底图生成单元220，用于基于对应关系，计算灰度激光底图与图像数据的投影矩阵；根据投影矩阵以及图像数据包含的颜色信息，对灰度激光底图进行渲染，得到彩色激光底图。

图像数据与灰度激光底图具有场景上的透视对应关系，依据这种对应关系建立灰度激光底图与图像数据的投影矩阵，再根据图像数据对应的颜色信息和投影矩阵关系实现对灰色激光底图得渲染处理，最终得到彩色激光底图。这样，借助投影矩阵得方法计算出灰度激光点图区域对应的渲染颜色，可以实现对灰度激光底图的精确着色，为后续准确识别出黄色、白色、红色道路交通标线打下基础。

在本申请的一个实施例中，上述装置中，道路交通标线识别模型是将标注了各类型道路交通标线的彩色激光底图作为训练数据，基于深度学习训练得到的。

为了提高道路交通标线的识别效率和识别准确性，可以采用道路交通标线识别模型进行自动化的识别。为了进一步提高道路交通标线识别模型的识别结果的准确性和自动化程度，可以采用深度学习的方法，事先用已标注好各种类型道路交通标线标签的彩色激光底图作为训练数据，对道路交通标线识别模型进行大量训练。这样，采用深度学习方法训练的道路交通标线识别模型可以实现低成本、高效率、自动化、准确的识别道路交通标线。

在本申请的一个实施例中，上述装置中，底图生成单元220，用于对彩色激光底图按预设的区块大小分割为多个区块，从各区块中分别识别出道路交通标线；对识别出的道路交通标线进行拼接处理。

受制于现有的计算机图形处理能力，待处理的彩色激光底图的大小会影响处理的效率，因此需要在处理前适当调整彩色激光底图的大小，可以采用切割方法，将采集的较大区域范围的彩色激光底图进行切分处理，分割为为较小单元分别处理，识别出道路交通标线，然后再对识别出的道路交通标线进行拼接处理。例如，当彩色激光底图为“北京市朝阳区”的采集图时，需要将大幅的彩色激光底图进行适当切分，可以切割为若干个等大小且大小适中的彩色激光底图区块，分别进行道路交通标线的识别。在各区块彩色激光底图都完成识别道路交通标线后，再将各区块中已经识别出的道路交通标线进行拼合，最终获取到完整的“北京市朝阳区”彩色激光底图。当采集的是较小区域的彩色激光底图时，再满足处理条件时也可以不进行分割。这样，可以针对不同区域大小的彩色激光底图的道路交通标线进行识别和拼合工作，具有较好的灵活度和适应性，同时具备规模较大区域下应用的能力。

在本申请的一个实施例中，上述装置中，元素生成单元240，用于将识别出的道路交通标线进行矢量化处理，并根据识别出的道路交通标线类型设置元素属性。

识别出道路交通标线后，对包含道路交通标线的彩色激光底图进行矢量化处理，从而得到道路交通标线的矢量化信息，这些道路交通标线的矢量化信息将构成相应的道路交通标线元素。为了快速生成高精度地图，可以将获取到的这些道路交通标线元素导入到特定的高精度地图工具中进行处理和绘制，并最终中得到完整的高精度地图。另外，还可以根据识别出的道路交通标线类型，如右转指示标线、停止线等等，来设置元素属性，这样，可以减少道路交通标线提取过程中出现的误差，较高效率的实现了道路交通标线的准确绘制并最终形成高精度地图。

综上所述，本申请的技术方案，通过获取包含道路交通标线的点云数据与图像数据，点云数据与所述图像数据具有对应关系；根据点云数据与所述图像数据生成彩色激光底图；根据所述反射率值、颜色信息和预设的道路交通标线识别模型，从所述彩色激光底图中识别出道路交通标线；根据识别出的道路交通标线生成高精度地图中的道路交通标线元素。有益效果在于，结合图像数据和点云数据，生成彩色的激光底图，然后基于道路交通标线识别模型，自动化完成提取并绘制道路交通标线，大幅减少了对数据后期处理的成本，提高了工作效率和准确性，且较少受到光照和环境的影响，保障了结果输出的稳定性，可用于建立高精度地图。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的高精度地图中道路交通标线的生成装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图3示出了根据本申请一个实施例的电子设备的结构示意图。该电子设备300包括处理器310和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器320。存储器320可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器320具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码331的存储空间330。例如，用于存储计算机可读程序代码的存储空间330可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码331。计算机可读程序代码331可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图4所述的计算机可读存储介质。图4示出了根据本申请一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质400存储有用于执行根据本申请的方法步骤的计算机可读程序代码331，可以被电子设备300的处理器310读取，当计算机可读程序代码331由电子设备300运行时，导致该电子设备300执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码331可以执行上述任一实施例中示出的方法。计算机可读程序代码331可以以适当形式进行压缩。

应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种高精度地图中道路交通标线的生成方法，其特征在于，该方法包括：

获取包含道路交通标线的点云数据与图像数据，其中，所述点云数据与所述图像数据具有对应关系；

根据所述点云数据与所述图像数据生成彩色激光底图；所述彩色激光底图包括彩色激光底图中各点的反射率值和颜色信息；

根据所述反射率值、颜色信息和预设的道路交通标线识别模型，从所述彩色激光底图中识别出道路交通标线；

根据识别出的道路交通标线生成高精度地图中的道路交通标线元素。

2.如权利要求1所述的方法，其特征在于，所述点云数据是根据激光雷达探测得到的，所述图像数据是根据摄像头探测得到的；

所述激光雷达和所述摄像头在探测时被设置为同步探测，且均与道路路面成预设的倾斜角度。

3.如权利要求1所述的方法，其特征在于，所述根据所述点云数据与所述图像数据生成彩色激光底图包括：

基于俯视角度对所述点云数据进行高度切割处理，得到包含道路路面和道路交通标线的点云子集；

基于反射率值对所述点云子集进行处理，得到灰度激光底图；

根据所述图像数据对所述灰度激光底图进行渲染，得到彩色激光底图。

4.如权利要求3所述的方法，其特征在于，所述根据所述图像数据对所述灰度激光底图进行渲染，得到彩色激光底图包括：

基于所述对应关系，计算所述灰度激光底图与所述图像数据的投影矩阵；

根据所述投影矩阵以及所述图像数据包含的颜色信息，对所述灰度激光底图进行渲染，得到彩色激光底图。

5.如权利要求1所述的方法，其特征在于，所述道路交通标线识别模型是将标注了各类型道路交通标线的彩色激光底图作为训练数据，基于深度学习训练得到的。

6.如权利要求1所述的方法，其特征在于，所述根据所述反射率值、颜色信息和预设的道路交通标线识别模型，从所述彩色激光底图中识别出道路交通标线包括：

对所述彩色激光底图按预设的区块大小分割为多个区块，从各区块中分别识别出道路交通标线；

对识别出的道路交通标线进行拼接处理。

7.如权利要求1-6中任一项所述的方法，其特征在于，所述根据识别出的道路交通标线生成高精度地图中的道路交通标线元素包括：

将识别出的道路交通标线进行矢量化处理，并根据识别出的道路交通标线类型设置元素属性。

8.一种高精度地图中道路交通标线的生成装置，其特征在于，该装置包括：

获取单元，用于获取包含道路交通标线的点云数据与图像数据，其中，所述点云数据与所述图像数据具有对应关系；

底图生成单元，用于根据所述点云数据与所述图像数据生成彩色激光底图；所述彩色激光底图包括彩色激光底图中各点的反射率值和颜色信息；

识别单元，用于根据所述反射率值、颜色信息和预设的道路交通标线识别模型，从所述彩色激光底图中识别出道路交通标线；

元素生成单元，用于根据识别出的道路交通标线生成高精度地图中的道路交通标线元素。

9.一种电子设备，其中，该电子设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如权利要求1-7中任一项所述的方法。