CN111160328B - 一种基于语义分割技术的交通标线自动提取的方法 - Google Patents

一种基于语义分割技术的交通标线自动提取的方法 Download PDF

Info

Publication number
CN111160328B
CN111160328B CN202010256927.7A CN202010256927A CN111160328B CN 111160328 B CN111160328 B CN 111160328B CN 202010256927 A CN202010256927 A CN 202010256927A CN 111160328 B CN111160328 B CN 111160328B
Authority
CN
China
Prior art keywords
point cloud
image
model
ground point
pixel
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
CN202010256927.7A
Other languages
English (en)
Other versions
CN111160328A (zh
Inventor
李俊
徐忠建
朱必亮
徐云和
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.)
Speed China Technology Co Ltd
Original Assignee
Speed China 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 Speed China Technology Co Ltd filed Critical Speed China Technology Co Ltd
Priority to CN202010256927.7A priority Critical patent/CN111160328B/zh
Publication of CN111160328A publication Critical patent/CN111160328A/zh
Application granted granted Critical
Publication of CN111160328B publication Critical patent/CN111160328B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于语义分割技术的交通标线自动提取的方法，具体包括以下步骤：S1加载车载激光点云数据，再通过布料模拟滤波算法将车载激光点云数据分为地面点云和非地面点云，S2基于原始地面点云数据的颜色信息，将原始地面点云数据转换为图像，并获得图像中每个地面点云的像素坐标，再依次对图像做增强处理和去噪处理；S3再通过深度学习语义分割技术提取所述图像中的交通标志标线信息；S4结合步骤S2中获得的每个地面点云的像素坐标，将所述步骤S3提取到的交通标志标线信息映射到原始地面点云数据中，提取出位于交通标志标线上的点云数据，S5将交通标志标线点云数据通过点云处理软件矢量化并输出。

Description

一种基于语义分割技术的交通标线自动提取的方法
技术领域
本发明涉及高精地图的制作技术领域，具体涉及一种基于语义分割技术的交通标线自动提取的方法。
背景技术
伴随着数字城市，无人驾驶等概念的提出，高精地图的生产愈来愈受到诸多行业的关注。而交通标线，作为道路上的重要特征标识，对司机和行人提供重要的引导信息，同时也是高精地图重要的组成部分之一。目前，交通标志标线的信息的自动提取方式主要有两种：一种是基于影象数据提取标志标线，这种方法大多是通过边缘检测的方法提取到道路交通标志的轮廓，然后再通过与事先准备的模板信息匹配进而提取到不同类别的标志标线信息。但是通过这种方式无法提取到字母等一些复杂类型的道路标识，并且在模板匹配的过程算法复杂度较高。另外一种是基于点云数据提取标志标线，这种方法一般是通过强度信息提取标志标线，但是通过这种方式获取到的标志标线可能并不完整，而且最后也有一个基于模板分类的过程，导致标志标线的自动提取效率不高。因此，有必要研发一种基于语义分割技术的交通标线自动提取的方法，结合了深度学习语义分割技术在图像处理中的优势以及点云所具备的空间信息，实现了高精地图数据生产过程中的标志标线的自动化提取。
发明内容
本发明要解决的技术问题是提供一种适用于基于语义分割技术的交通标线自动提取的方法，结合了深度学习语义分割技术在图像处理中的优势以及点云所具备的空间信息，实现了高精地图数据生产过程中的标志标线的自动化提取。
为了解决上述技术问题，本发明采用的技术方案是：该基于语义分割技术的交通标线自动提取的方法，具体包括以下步骤：
S1加载车载激光点云数据，再通过布料模拟滤波算法将车载激光点云数据分为地面点云和非地面点云，并提取出所述地面点云作为原始地面点云数据；
S2基于所述原始地面点云数据的颜色信息，将所述原始地面点云数据转换为图像，并获得所述图像中每个地面点云的像素坐标，再依次对所述图像做增强处理和去噪处理；
S3再通过深度学习语义分割技术提取所述图像中的交通标志标线信息；其中语义分割的网络采用的deeplapv3+网络，并增加了网络的视觉感受野，增加网络的视觉感受野的具体方法为：在原始网络开始训练的数据输入之前增加至少一层卷积层，并且将原始网络中张量数据输入尺寸的分辨率扩大一倍；
S4结合所述步骤S2中获得的每个所述地面点云的像素坐标，将所述步骤S3提取到的所述交通标志标线信息映射到所述原始地面点云数据中，从而提取出位于所述交通标志标线上的点云数据，获得标志标线点云数据；
S5将所述标志标线点云数据通过点云处理软件矢量化并输出。
采用上述技术方案，步骤S1中在交通标线的提取过程中以布料模拟滤波算法代替了传统的区域增长检测地面点的方法，提高了地面点检测的准确性及效率；步骤S2中对地面点云转成的图像加入了图像滤波及增强处理，以提高后续深度学习语义分割技术对图像的检测识别准确度，从而加强算法最终提取效果的鲁棒性；步骤S3中传统算法是首先在图像中通过边缘检测算子检测道路标志线，然后通过模板匹配的方法分类提取标志标线，这种方式虽在一定程度上可以提取道路标志标线，但是提取的信息并不全面并且分类提取的效率不高；本发明的技术方案区别于这种提取方式，采用深度学习语义分割的方法直接对图像标志标线信息进行分类提取；结合了深度学习语义分割技术在图像处理中的优势以及点云所具备的空间信息，同时采用的deeplapv3+网络进行语义分割，并通过在训练数据输入之前增加至少一层卷积层，优选为两层卷积层，再将原始网络中张量数据输入尺寸的分辨率扩大一倍，达到增加网络的视觉感受野的目的，实现了高精地图数据生产过程中的标志标线的自动化提取。
作为本发明的优选技术方案，所述步骤S2具体包括以下步骤：
S21首先找到所述原始地面点云中的
Figure DEST_PATH_IMAGE001
的最大最小坐标值，分别记为
Figure 613359DEST_PATH_IMAGE002
，则生成的所述图像的大小为：
Figure DEST_PATH_IMAGE003
其中，
Figure 950799DEST_PATH_IMAGE004
表示向上取整；
Figure DEST_PATH_IMAGE005
表示每个像素的边长大小，可取经验值为
Figure 391008DEST_PATH_IMAGE006
；
Figure DEST_PATH_IMAGE007
表示地面点云的密度，即每平方米所包含的点数；
S22遍历每个所述地面点云并将每个所述地面点云分配到相应的像素中，设每个 点的坐标为
Figure 292885DEST_PATH_IMAGE008
，则每个所述地面点云在所述图像中相应的像素坐标为：
Figure DEST_PATH_IMAGE009
遍历完全之后，则定义图像中每个像素的RGB值为该像素中所有点云RGB信息的平均值，若像素中没有分配到点，则定义该像素的RGB值为[0,0,0]；
S23先对生成的所述图像进行掩膜增强处理，然后通过双边滤波算法对所述图像进行去噪并保留所述图像的边缘信息；所述的双边滤波算法具体如下：
Figure 84124DEST_PATH_IMAGE010
；
Figure DEST_PATH_IMAGE011
；
式中，
Figure 225255DEST_PATH_IMAGE012
表示滤波后图像，p是像素点，q是其周边像素点，S是相邻像素的集合；
Figure DEST_PATH_IMAGE013
是像素p和相邻像素q之间的欧式距离；
Figure 519970DEST_PATH_IMAGE014
表是像素p和相邻像素q之间的灰度相 似性；
Figure DEST_PATH_IMAGE015
和
Figure 353934DEST_PATH_IMAGE016
均表示高斯函数。
作为本发明的优选技术方案，所述步骤S3的具体步骤为：
S31首先对Apollo开源数据集进行预处理，将其分辨率调整至与所述步骤S2所转换的所述图像的分辨率相同，这样有利于使后续训练的模型更好适应本地数据的标志标线提取；
S32通过deeplabv3+训练标志标线提取模型；
S33使用训练好的所述标志标线提取模型来分类提取本地图像中的交通标志标线信息。
作为本发明的优选技术方案，所述步骤S23中对所述图像进行掩膜增强处理的方式为：
Figure DEST_PATH_IMAGE017
其中，
Figure 868354DEST_PATH_IMAGE018
表示位于图像
Figure DEST_PATH_IMAGE019
的像素值。通过掩膜操作可以使图像的线条感和 对比度明显增强。
作为本发明的优选技术方案，所述步骤S32通过deeplabv3+训练标志标线提取模型的具体步骤为：
S321数据准备及定义网络模型；
S322设置参数，并将预训练模型导入进行模型训练；
S323若得到的模型为全局的优值，则进行模型验证；若不是返回步骤S322，重新进行模型训练，直至得到的模型为全局的优值；
S324对全局的优值的模型进行验证，若模型验证结果满足精度，则输出模型；若不满足精度则返回步骤S322，循环步骤S322~步骤S324，直至模型验证结果满足精度后输出模型；
S325将输出模型的测试结果可视化，判定是否满足泛化性，若满足则进行模型的部署及应用；若不满足，则返回步骤S321，循环S321~S325，直至满足泛化性后进行模型的部署及应用。需要注意的是在此过程中需扩大原始deeplabv3+网络结构中的视觉感受野，以保证网络能够充分提取到道路表面的标志标线信息特征。
与现有技术相比，本发明具有的有益效果为：将深度学习语义分割的方法应用于地面点云生成的图像，实现对其标志标线信息进行分类提取，避免了传统算法中以单一强度信息在点云中提取标志标线缺陷，最后再以模板匹配的方式将标志标线分类的繁琐过程；对点云生成的图像进行了图像掩膜增强及滤波处理，使其线条感和对比度明显增强，为后续的语义分割提供良好的数据输入；扩大了原始网络的视觉感受野使其能够捕捉到图像更深层次的细节信息；结合了深度学习语义分割技术在图像处理中的优势以及点云所具备的空间信息，实现了高精地图数据生产过程中的标志标线的自动化提取。
附图说明
图1是本发明基于语义分割技术的交通标线自动提取的方法流程示意图；
图2是本发明基于语义分割技术的交通标线自动提取的方法的步骤S32通过deeplabv3+训练标志标线提取模型的流程图；
图3本发明基于语义分割技术的交通标线自动提取的方法的是语义分割结构说明图。
具体实施方式
下面将结合本发明的实施例图中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。
实施例：如图1所示，该基于语义分割技术的交通标线自动提取的方法，具体包括以下步骤：
S1加载车载激光点云数据，再通过布料模拟滤波算法将车载激光点云数据分为地面点云和非地面点云，并提取出所述地面点云作为原始地面点云数据；这里所指的布料模拟滤波算法为张吴明在《An Easy-to-Use Airborne LiDAR Data Filtering MethodBased on Cloth Simulation》中所述滤波方法；
S2基于所述原始地面点云数据的颜色信息，将所述原始地面点云数据转换为图像，并获得所述图像中每个地面点云的像素坐标，再依次对所述图像做增强处理和去噪处理；
所述步骤S2具体包括以下步骤：
S21首先找到所述原始地面点云中的
Figure 547597DEST_PATH_IMAGE020
的最大最小坐标值，分别记为
Figure 431240DEST_PATH_IMAGE002
，则生成的所述图像的大小为：
Figure DEST_PATH_IMAGE021
其中，
Figure 170526DEST_PATH_IMAGE004
表示向上取整；
Figure 139619DEST_PATH_IMAGE022
表示每个像素的边长大小，可取经验值为
Figure DEST_PATH_IMAGE023
；
Figure 121088DEST_PATH_IMAGE024
表示地面点云的密度，即每平方米所包含的点数；
S22遍历每个所述地面点云并将每个所述地面点云分配到相应的像素中，设每个 点的坐标为
Figure DEST_PATH_IMAGE025
，则每个所述地面点云在所述图像中相应的像素坐标为：
Figure 390395DEST_PATH_IMAGE026
遍历完全之后，则定义图像中每个像素的RGB值为该像素中所有点云RGB信息的平均值，若像素中没有分配到点，则定义该像素的RGB值为[0,0,0]；
S23先对生成的所述图像进行掩膜增强处理，然后通过双边滤波算法对所述图像进行去噪并保留所述图像的边缘信息；所述的双边滤波算法具体如下：
Figure DEST_PATH_IMAGE027
；
Figure 300582DEST_PATH_IMAGE011
；
式中，
Figure 756971DEST_PATH_IMAGE012
表示滤波后图像，p是像素点，q是其周边像素点，S是相邻像素的集合；
Figure 512438DEST_PATH_IMAGE013
是像素p和相邻像素q之间的欧式距离；
Figure 105093DEST_PATH_IMAGE014
表是像素p和相邻像素q之间的灰度相 似性；
Figure 655023DEST_PATH_IMAGE015
和
Figure 100173DEST_PATH_IMAGE016
均表示高斯函数。
所述步骤S23中对所述图像进行掩膜增强处理的方式为：
Figure 659331DEST_PATH_IMAGE017
其中，
Figure 106492DEST_PATH_IMAGE018
表示位于图像
Figure 827324DEST_PATH_IMAGE028
的像素值；
S3再通过深度学习语义分割技术提取所述图像中的交通标志标线信息；其中语义分割的网络采用的deeplapv3+网络，并增加了网络的视觉感受野，增加网络的视觉感受野的具体方法为：在原始网络开始训练的数据输入之前增加两层卷积层，并且将原始网络中张量数据输入尺寸的分辨率扩大一倍；
如图3所示，所述步骤S3的具体步骤为：
S31首先对Apollo开源数据集进行预处理，将其分辨率调整至与所述步骤S2所转换的所述图像的分辨率相同，这样有利于使后续训练的模型更好适应本地数据的标志标线提取；
S32通过deeplabv3+训练标志标线提取模型；
如图2所示，所述步骤S32通过deeplabv3+训练标志标线提取模型的具体步骤为：
S321数据准备及定义网络模型；
S322设置参数，并将预训练模型导入进行模型训练；
S323若得到的模型为全局的优值，则进行模型验证；若不是返回步骤S322，重新进行模型训练，直至得到的模型为全局的优值；
S324对全局的优值的模型进行验证，若模型验证结果满足精度，则输出模型；若不满足精度则返回步骤S322，循环步骤S322~步骤S324，直至模型验证结果满足精度后输出模型；
S325将输出模型的测试结果可视化，判定是否满足泛化性，若满足则进行模型的部署及应用；若不满足，则返回步骤S321，循环S321~S325，直至满足泛化性后进行模型的部署及应用；需要注意的是在此过程中需扩大原始deeplabv3+网络结构中的视觉感受野，以保证网络能够充分提取到道路表面的标志标线信息特征；
S33使用训练好的所述标志标线提取模型来分类提取本地图像中的交通标志标线信息；
S4结合所述步骤S2中获得的每个所述地面点云的像素坐标，将所述步骤S3提取到的所述交通标志标线信息映射到所述原始地面点云数据中，从而提取出位于所述交通标志标线上的点云数据，获得标志标线点云数据；
S5将所述标志标线点云数据通过点云处理软件矢量化并输出。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于语义分割技术的交通标线自动提取的方法，其特征在于，具体包括以下步骤：
S1加载车载激光点云数据，再通过布料模拟滤波算法将车载激光点云数据分为地面点云和非地面点云，并提取出所述地面点云作为原始地面点云数据；
S2基于所述原始地面点云数据的颜色信息，将所述原始地面点云数据转换为图像，并获得所述图像中每个地面点云的像素坐标，再依次对所述图像做增强处理和去噪处理；
S3再通过深度学习语义分割技术提取所述图像中的交通标志标线信息，其中语义分割的网络采用的deeplapv3+网络，并增加了网络的视觉感受野，增加网络的视觉感受野的具体方法为：在原始网络开始训练的数据输入之前增加至少一层卷积层，并且将原始网络中张量数据输入尺寸的分辨率扩大一倍；
S4结合所述步骤S2中获得的每个所述地面点云的像素坐标，将所述步骤S3提取到的所述交通标志标线信息映射到所述原始地面点云数据中，从而提取出位于所述交通标志标线上的点云数据，获得标志标线点云数据；
S5将所述标志标线点云数据通过点云处理软件矢量化并输出；
所述步骤S2具体包括以下步骤：
S21首先找到所述原始地面点云中的x，y，z的最大最小坐标值，分别记为[xmin，ymin，zmin]，[xmax，ymax，zmax]，则生成的所述图像的大小为：
Figure FDA0004140559360000011
其中，ceil表示向上取整；interval表示每个像素的边长大小，可取经验值为2.5*1/(sqrt(density))；density表示地面点云的密度，即每平方米所包含的点数；
S22遍历每个所述地面点云并将每个所述地面点云分配到相应的像素中，设每个点的坐标为pi，则每个所述地面点云在所述图像中相应的像素坐标为：
Figure FDA0004140559360000021
遍历完全之后，则定义图像中每个像素的RGB值为该像素中所有点云RGB信息的平均值，若像素中没有分配到点，则定义该像素的RGB值为[0,0,0]；
S23先对生成的所述图像进行掩膜增强处理，然后通过双边滤波算法对所述图像进行去噪并保留所述图像的边缘信息；所述的双边滤波算法具体如下：
Figure FDA0004140559360000022
Figure FDA0004140559360000023
式中，
Figure FDA0004140559360000024
表示滤波后图像，p是像素点，q是其周边像素点，S是相邻像素的集合；||p-q||是像素p和相邻像素q之间的欧式距离；|Ip-Iq|表是像素p和相邻像素q之间的灰度相似性；
Figure FDA0004140559360000025
和/>
Figure FDA0004140559360000026
均表示高斯函数；
所述步骤S3的具体步骤为：
S31首先对Apollo开源数据集进行预处理，将其分辨率调整至与所述步骤S2所转换的所述图像的分辨率相同；
S32通过deeplabv3+训练标志标线提取模型；
S33使用训练好的所述标志标线提取模型来分类提取本地图像中的交通标志标线信息。
2.根据权利要求1所述的基于语义分割技术的交通标线自动提取的方法，其特征在于，所述步骤S23中对所述图像进行掩膜增强处理的方式为：
I(i，j)＝5*I(i，j)-[I(i-1，j)+I(i+1，j)+I(i，j-1)+I(i，j+1)]
其中，I(i，j)表示位于图像I(i，j)的像素值。
3.根据权利要求2所述的基于语义分割技术的交通标线自动提取的方法，其特征在于，所述步骤S32通过deeplabv3+训练标志标线提取模型的具体步骤为：
S321数据准备及定义网络模型；
S322设置参数，并将预训练模型导入进行模型训练；
S323若得到的模型为全局的优值，则进行模型验证；若不是返回步骤S322，重新进行模型训练，直至得到的模型为全局的优值；
S324对全局的优值的模型进行验证，若模型验证结果满足精度，则输出模型；
若不满足精度则返回步骤S322，循环步骤S322～步骤S324，直至模型验证结果满足精度后输出模型；
S325将输出模型的测试结果可视化，判定是否满足泛化性，若满足则进行模型的部署及应用；若不满足，则返回步骤S321，循环S321～S325，直至满足泛化性后进行模型的部署及应用。
CN202010256927.7A 2020-04-03 2020-04-03 一种基于语义分割技术的交通标线自动提取的方法 Active CN111160328B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010256927.7A CN111160328B (zh) 2020-04-03 2020-04-03 一种基于语义分割技术的交通标线自动提取的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010256927.7A CN111160328B (zh) 2020-04-03 2020-04-03 一种基于语义分割技术的交通标线自动提取的方法

Publications (2)

Publication Number Publication Date
CN111160328A CN111160328A (zh) 2020-05-15
CN111160328B true CN111160328B (zh) 2023-07-07

Family

ID=70567856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010256927.7A Active CN111160328B (zh) 2020-04-03 2020-04-03 一种基于语义分割技术的交通标线自动提取的方法

Country Status (1)

Country Link
CN (1) CN111160328B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695486B (zh) * 2020-06-08 2022-07-01 武汉中海庭数据技术有限公司 一种基于点云的高精度方向标志牌目标提取方法
CN111968133A (zh) * 2020-07-31 2020-11-20 上海交通大学 自动驾驶场景下的三维点云数据实例分割方法及系统
CN112070054B (zh) * 2020-09-17 2022-07-29 福州大学 基于图结构与注意力机制的车载激光点云标线分类方法
CN115588178B (zh) * 2022-12-12 2023-05-02 速度时空信息科技股份有限公司 一种高精地图要素自动化提取的方法
CN115620001B (zh) * 2022-12-15 2023-04-07 长春理工大学 基于3d点云双边扩增算法的视觉辅助系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097620A (zh) * 2019-04-15 2019-08-06 西安交通大学 基于图像和三维激光的高精度地图创建系统
CN110119438A (zh) * 2019-04-23 2019-08-13 东华理工大学 基于主动学习的机载LiDAR点云滤波方法
CN110349092A (zh) * 2019-05-27 2019-10-18 香港理工大学深圳研究院 一种点云滤波方法及设备
CN110378174A (zh) * 2018-08-10 2019-10-25 北京京东尚科信息技术有限公司 道路线提取方法和装置
CN110705577A (zh) * 2019-09-29 2020-01-17 武汉中海庭数据技术有限公司 一种激光点云车道线提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378174A (zh) * 2018-08-10 2019-10-25 北京京东尚科信息技术有限公司 道路线提取方法和装置
CN110097620A (zh) * 2019-04-15 2019-08-06 西安交通大学 基于图像和三维激光的高精度地图创建系统
CN110119438A (zh) * 2019-04-23 2019-08-13 东华理工大学 基于主动学习的机载LiDAR点云滤波方法
CN110349092A (zh) * 2019-05-27 2019-10-18 香港理工大学深圳研究院 一种点云滤波方法及设备
CN110705577A (zh) * 2019-09-29 2020-01-17 武汉中海庭数据技术有限公司 一种激光点云车道线提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘艳洋等."基于深度学习的车道线与绿植分割算法".《电子技术与软件工程》.2020,第132-135页. *

Also Published As

Publication number Publication date
CN111160328A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111160328B (zh) 一种基于语义分割技术的交通标线自动提取的方法
CN106097444B (zh) 高精地图生成方法和装置
CN105260699B (zh) 一种车道线数据的处理方法及装置
CN110263717B (zh) 一种融入街景影像的土地利用类别确定方法
CN107516077A (zh) 基于激光点云和影像数据融合的交通标牌信息提取方法
CN106651872A (zh) 基于Prewitt算子的路面裂缝识别方法及系统
CN105488454A (zh) 基于单目视觉的前方车辆检测与测距
CN104778721A (zh) 一种双目图像中显著性目标的距离测量方法
CN103971126A (zh) 一种交通标志识别方法和装置
CN110532855B (zh) 基于深度学习的自然场景证件图像文字识别方法
CN111461122B (zh) 一种证件信息检测与提取方法
CN112488046B (zh) 一种基于无人机高分辨率影像的车道线提取方法
CN107067015A (zh) 一种基于多特征深度学习的车辆检测方法及装置
CN106407924A (zh) 基于路面特征的双目道路识别检测方法
CN113392930B (zh) 基于多层次分治网络的交通标志目标检测方法
CN112434706B (zh) 一种基于图像点云融合的高精度交通要素目标提取方法
CN113409267A (zh) 一种基于深度学习的路面裂缝检测与分割方法
CN107704833A (zh) 一种基于机器学习的前方车辆检测与跟踪方法
CN108022245B (zh) 基于面线基元关联模型的光伏面板模板自动生成方法
CN112906616A (zh) 一种车道线提取与生成方法
CN116824347A (zh) 一种基于深度学习的道路裂纹检测方法
CN110390228A (zh) 基于神经网络的交通标志图片识别方法、装置及存储介质
CN114299394A (zh) 一种遥感影像智能解译方法
CN116071725B (zh) 一种路面标线识别方法及系统
Bala et al. Image simulation for automatic license plate recognition

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 210000 8 -22, 699 Xuanwu Road, Xuanwu District, Nanjing, Jiangsu.

Applicant after: Speed Technology Co.,Ltd.

Address before: 210042 8 Blocks 699-22 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province

Applicant before: SPEED TIME AND SPACE INFORMATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant