CN111368605B - 车道线提取方法及装置 - Google Patents

车道线提取方法及装置 Download PDF

Info

Publication number
CN111368605B
CN111368605B CN201811602542.0A CN201811602542A CN111368605B CN 111368605 B CN111368605 B CN 111368605B CN 201811602542 A CN201811602542 A CN 201811602542A CN 111368605 B CN111368605 B CN 111368605B
Authority
CN
China
Prior art keywords
point cloud
cloud data
dimensional
dimensional image
lane lines
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
CN201811602542.0A
Other languages
English (en)
Other versions
CN111368605A (zh
Inventor
赵萌醒
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.)
Emapgo Technologies Beijing Co ltd
Original Assignee
Emapgo Technologies Beijing 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 Emapgo Technologies Beijing Co ltd filed Critical Emapgo Technologies Beijing Co ltd
Priority to CN201811602542.0A priority Critical patent/CN111368605B/zh
Publication of CN111368605A publication Critical patent/CN111368605A/zh
Application granted granted Critical
Publication of CN111368605B publication Critical patent/CN111368605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种车道线提取方法及装置，其中，该方法包括：获取激光雷达扫描得到的三维点云数据，并对所述三维点云数据进行预处理得到路面对应的三维点云数据；对所述路面对应的三维点云数据进行坐标映射处理，得到二维图像；将所述二维图像输入至用于提取车道线的深度学习模型中，识别得到车道线的位置信息；对所述车道线的位置信息进行坐标逆映射处理，得到车道线对应的三维点云数据；利用车道线对应的三维点云数据拟合得到车道线对应的曲线。

Description

车道线提取方法及装置
技术领域
本发明涉及电子地图技术领域，更具体地，涉及一种车道线提取方法、一种车道线提取装置。
背景技术
随着智能时代的发展，自动驾驶引起了人们广泛关注。在自动驾驶行为中，高精度地图由于能为车辆提供的先验信息，大大增加车辆行驶安全性。自动驾驶系统的安全的需求需要高精度地图提供丰富的车道级信息，例如道路中心线、车道分割线、道路边界线等。
在高精度地图制作过程中，车道线的检测是关键一环。目前，车道线提取方案主要包括摄像头采集的视觉图片为数据源提取车道线。这种以摄像头采集的视觉图片为数据源提取车道线的方式，对光线要求较高，无法对应低照度环境，尤其是没有路灯的黑夜。另外，还存在测距不精确和定位算法复杂问题。
发明内容
本发明的一个目的是提供一种提取车道线的新技术方案。
根据本发明的第一方面，提供了一种车道线提取方法，包括：
获取激光雷达扫描得到的三维点云数据，并对所述三维点云数据进行预处理得到路面对应的三维点云数据；
对所述路面对应的三维点云数据进行坐标映射处理，得到二维图像；
将所述二维图像输入至用于提取车道线的深度学习模型中，识别得到车道线的位置信息；
对所述车道线的位置信息进行坐标逆映射处理，得到车道线对应的三维点云数据；
利用车道线对应的三维点云数据拟合得到车道线对应的曲线。
可选地，所述对所述三维点云数据进行预处理得到路面对应的三维点云数据包括：
利用预设高程阈值对所述三维点云数据进行切割处理，得到路面对应的三维点云数据，其中，所述三维点云数据包括各扫描点在点云坐标系中的位置信息和强度信息，所述点云坐标系中的位置信息包括高程信息。
可选地，所述对所述路面对应的三维点云数据进行坐标映射处理，得到二维图像信息包括：
将所述路面对应的三维点云数据映射到二维图像坐标系中，得到路面对应的各扫描点在二维图像坐标系中的位置信息，
获取路面对应的各扫描点的强度信息，
利用路面对应的各扫描点在二维图像坐标系中的位置信息和强度信息生成二维图像信息。
可选地，所述训练后的深度学习模型按照以下步骤训练得到：
将训练数据集和标注数据集输入至深度学习模型，对深度学习模型的参数进行迭代处理，得到训练后的深度学习模型，
将测试数据集输入至所述训练后的深度学习模型，输出测试结果，其中，测试结果为二维图像中的车道线的位置信息；
在所述测试结果满足车道线提取结果准确度要求的情况下，将所述训练后的深度学习模型作为用于车道线提取的深度学习模型，其中，
所述训练数据集、所述标注数据集和所述测试数据集均包括由不同场景下的路面对应的三维点云数据经过坐标映射处理后得到的二维图像，且所述标注数据集中的二维图像中的车道线已被标注出。
可选地，所述标注数据集按照以下步骤生成：
获取由激光雷达扫描得到的三维点云数据生成的路面对应的二维图像；
获取车道线矢量数据，并将车道线矢量数据栅格化为车道线对应的点云数据，并将所述车道线对应的点云数据进行坐标映射处理，得到车道线对应的二维图像；
将所述车道线对应的二维图像和所述路面对应的二维图像进行叠加，得到标注出车道线的二维图像。
对所述标注出车道线的二维图像进行二值化处理，得到二值化图像。
可选地，所述方法还包括：
对车道线对应的曲线进行合并，得到电子地图中的车道线。
根据本发明的第二方面，提供了一种车道线提取装置，包括：
获取模块，用于获取激光雷达扫描得到的三维点云数据，并对所述三维点云数据进行预处理得到路面对应的三维点云数据；
坐标映射处理模块，用于对所述路面对应的三维点云数据进行坐标映射处理，得到二维图像；
识别模块，用于将所述二维图像输入至用于提取车道线的深度学习模型中，识别得到车道线的位置信息；
坐标逆映射处理模块，用于对所述车道线的位置信息进行坐标逆映射处理，得到车道线对应的三维点云数据；
拟合模块，用于利用车道线对应的三维点云数据拟合得到车道线对应的曲线。
可选地，所述坐标映射处理模块进一步用于：
将所述路面对应的三维点云数据映射到二维图像坐标系中，得到路面对应的各扫描点在二维图像坐标系中的位置信息，
获取路面对应的各扫描点的强度信息，
利用路面对应的各扫描点在二维图像坐标系中的位置信息和强度信息生成二维图像信息。
可选地，所述装置还包括：
合并模块，用于对车道线对应的曲线进行合并，得到电子地图中的车道线。
根据本发明的第三方面，提供了一种车道线提取装置，包括存储器和处理器，所述存储器用于存储指令，所述指令用于控制所述处理器进行操作以执行根据第一方面中任一项所述的方法。
本发明的一个实施例的有益效果在于，获取激光雷达扫描得到的三维点云数据，并对所述三维点云数据进行预处理得到路面对应的三维点云数据，对所述路面对应的三维点云数据进行坐标映射处理，得到二维图像，将所述二维图像输入至用于提取车道线的深度学习模型中，识别得到车道线的位置信息，对所述车道线的位置信息进行坐标逆映射处理，得到车道线对应的三维点云数据，利用车道线对应的三维点云数据拟合得到车道线对应的曲线，利用激光雷达测量得到的点云数据对应的精确位置信息，同时结合深度学习模型，提高了车道线信息提取的准确性，鲁棒性强，不易受各种环境因素影响，能够满足不同的应用场景。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的车道线的提取方法的处理流程图。
图2是根据本发明一个实施例的利用路面对应的三维点云数据生成的三维视图。
图3是基于图2示出的三维视图坐标映射处理后得到的二维图像的示意图。
图4是基于图3示出的二维图像得到的作为标注数据集中的一个二维图像的示意图。
图5是基于图4示出的二值化图像得到的、利用不同灰度值示出的车道线的示意图。
图6是根据本发明一个实施例的车道线的示意图。
图7是根据本发明一个实施例的车道线提取装置的原理框图。
图8是根据本发明实施例的车道线提取装置的硬件结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
<方法>
图1是根据本发明一个实施例的车道线的提取方法的处理流程图。
根据图1所示，车道线的提取方法至少包括以下步骤：
步骤S1100，获取激光雷达扫描得到的三维点云数据，并对三维点云数据进行预处理得到路面对应的三维点云数据。
在本发明实施例中，三维点云数据包括各扫描点在点云坐标系中的位置信息和强度信息。点云坐标系中的位置信息包括各扫描点在点云坐标系中的坐标信息，其中，三个坐标信息中的一个坐标值为高程信息，另外两个坐标值为经纬度信息。表征高程信息的坐标轴的坐标值代表扫描点相对于设置的大地水准面的高度值。利用强度信息可以得到各扫描点的灰度值。
激光雷达扫描得到的三维点云数据包括路面对应的三维点云数据和路面周围场景对应的三维点云数据。
在该实施例中，利用预设高程阈值对三维点云数据进行切割处理，得到路面对应的三维点云数据。具体地，利用预设高程阈值对三维点云数据进行切割处理，过滤掉路面周围场景对应的三维点云数据，得到路面对应的三维点云数据。
图2是根据本发明一个实施例的利用路面对应的三维点云数据生成的三维视图。
步骤S1200，对路面对应的三维点云数据进行坐标映射处理，得到二维图像信息。
在本发明实施例中，将路面对应的三维点云数据映射到二维图像坐标系中，得到路面对应的各扫描点在二维图像坐标系中的位置信息。然后，获取路面对应的各扫描点的强度信息，再利用路面对应的各扫描点在二维图像坐标系中的位置信息和强度信息生成二维图像。
在该实施例中，基于以下计算式(1a)和计算式(1b)对三维点云数据进行坐标映射处理，得到路面对应的各扫描点在二维图像坐标系中的位置信息，
其中，(Ximg，Yimg)代表扫描点在二维图像坐标系中的位置信息，(Xpoints，Ypoints)代表扫描点在点云坐标系中的位置信息，res代表二维图像的图像分辨率的等级参数。(Xoffset，Yoffset)为点云坐标系的坐标原点和二维图像坐标系的坐标原点的偏移量。需要说明地是，点云坐标系的Z轴代表扫描点的高程信息。
图3是基于图2示出的三维视图坐标映射处理后得到的二维图像的示意图。
根据图3所示，坐标映射处理是将三维视图中各扫描点的位置信息投影映射到二维图像坐标系中。各扫描点的强度信息是不变的。
步骤S1300，将二维图像信息输入至用于提取车道线的深度学习模型中，识别得到车道线的位置信息。
在本发明的一个实施例中，用于提取车道线的深度学习模型根据以下步骤S1310-S1330得到的。
步骤S1310，将训练数据集和标注数据集输入至深度学习模型，对深度学习模型的参数进行迭代处理，得到训练后的深度学习模型。
在该实施例中，训练数据集、标注数据集和测试数据集均包括由不同场景下的路面对应的三维点云数据经过坐标映射处理后得到的二维图像，且标注数据集中的二维图像中的车道线已被标注出。
该二维图像可以通过上述步骤S1100-S1200得到，在此不做过多赘述。
不同场景不仅包括图2示出直道情况对应的场景，包括特定场景，例如，变道引起的车道线数量变化的场景、弯路引起的车道线弯曲的场景等等。
在本发明的一个实施例中，标注数据集中各二维图像可以根据以下步骤S1311-S1314得到。
步骤S1311，获取由激光雷达扫描得到的三维点云数据生成的路面对应的二维图像。
具体地，获取激光雷达扫描得到的三维点云数据，并对三维点云数据进行切割处理，得到路面对应的三维点云数据。对路面对应的三维点云数据进行坐标映射处理，得到路面对应的二维图像。
步骤S1312，获取车道线矢量数据，并将车道线矢量数据栅格化为车道线对应的点云数据，并将车道线对应的点云数据进行坐标映射处理，得到车道线对应的二维图像。
车道线矢量数据是用于标注出车道线的数据。车道线矢量数据是由测试人员采集的场景中车道线的位置信息。
步骤S1313，将车道线对应的二维图像和路面对应的二维图像进行叠加，得到标注出车道线的二维图像。
应当理解的是，车道线对应的二维图像中各像素点均携带有位置信息，路面对应的二维图像中各像素点均携带有位置信息。利用该两个二维图像中像素点携带的位置信息的对应关系，进行叠加处理，得到标注出车道线的二维图像。
步骤S1314，对标注出车道线的二维图像进行二值化处理，得到二值化图像。其中，车道线对应的图像的像素值为1，其余图像的像素值为0。
图4是基于图3示出的二维图像得到的作为标注数据集中的一个二维图像的示意图。
为了区分不同的车道线，二值化图像中的各个车道线利用不同的灰度值示出。图5是基于图4示出的二值化图像得到的、利用不同灰度值示出的车道线的示意图。
步骤S1320，将测试数据集输入至训练后的深度学习模型，输出测试结果，其中，测试结果为二维图像中的车道线的位置信息。
测试数据集包括由不同场景下的路面对应的三维点云数据经过坐标映射处理后得到的二维图像。
不同场景不仅包括图2示出直道情况对应的场景，包括特定场景，例如，变道引起的车道线数量变化的场景、弯路引起的车道线弯曲的场景等等。
步骤S1330，在测试结果满足车道线提取结果准确度要求的情况下，将训练后的深度学习模型作为用于车道线提取的深度学习模型。
在该实施例中，将测试数据集中各二维图像对应的测试结果分别与对应的已知车道线的位置信息进行匹配，得到多个匹配结果。然后检测匹配结果为一致的数量，并根据该数量确定测试结果是否满足车道线提取结果准确度要求。
步骤S1400，对车道线的位置信息进行坐标逆映射处理，得到车道线对应的三维点云数据。
在本发明实施例中，利用用于提取车道线的深度学习模型提取得到的车道线的位置信息是位于二维图像坐标系中的坐标信息。基于上述计算式(1a)和计算式(1b)的逆运算，得到组成车道线各点在点云坐标系中的三维点云数据。
需要说明地是，基于计算式(1a)和计算式(1b)的逆运算，可以得到组成车道线各点在点云坐标系中的X轴和Y轴的坐标值。作为代表高程信息的Z轴的坐标值可以根据激光雷达扫描得到的三维点云数据中的X轴、Y轴和Z轴的对应关系确定。
步骤S1500，利用车道线对应的三维点云数据拟合得到车道线对应的曲线。
在本发明实施例中，利用最小二乘法对车道线对应的三维点云数据进行拟合，得到车道线对应的曲线。
图6是根据本发明一个实施例的车道线的示意图。
在本发明的一个实施例中，对车道线对应的曲线进行合并，得到电子地图中车道线。
在该实施例中，车道线对应的曲线仅仅为一段道路场景中的车道线。在得到各段道路场景中的车道线后，对不同道路场景中的车道线进行合并，得到电子地图中的车道线。
根据本发明的一个实施例，利用激光雷达测量得到的点云数据对应的精确位置信息，同时结合深度学习模型，提高了车道线信息提取的准确性，鲁棒性强，不易受各种环境因素影响，能够满足不同的应用场景。
<装置>
图7是根据本发明一个实施例的车道线提取装置的原理框图。
根据图7所示，车道线提取装置包括获取模块710、坐标映射处理模块720、识别模块730、坐标逆映射处理模块740和拟合模块750。
获取模块710用于获取激光雷达扫描得到的三维点云数据，并对三维点云数据进行预处理得到路面对应的三维点云数据。
坐标映射处理模块720用于对路面对应的三维点云数据进行坐标映射处理，得到二维图像。
识别模块730用于将二维图像输入至用于提取车道线的深度学习模型中，识别得到车道线的位置信息。
坐标逆映射处理模块740用于对车道线的位置信息进行坐标逆映射处理，得到车道线对应的三维点云数据。
拟合模块750用于利用车道线对应的三维点云数据拟合得到车道线对应的曲线。
获取模块710进一步用于利用预设高程阈值对所述三维点云数据进行切割处理，得到路面对应的三维点云数据。
坐标映射处理模块720进一步用于将路面对应的三维点云数据映射到二维图像坐标系中，得到路面对应的各扫描点在二维图像坐标系中的位置信息，获取路面对应的各扫描点的强度信息，利用路面对应的各扫描点在二维图像坐标系中的位置信息和强度信息生成二维图像信息。
车道线提取装置还包括：合并模块，用于对车道线对应的曲线进行合并，得到电子地图中的车道线。
图8是根据本发明实施例的车道线提取装置的硬件结构示意图。
根据图8所示，车道线提取装置包括存储器810和处理器820。
存储器810用于存储指令，该指令用于控制处理器820进行操作以执行根据本发明实施例的车道线提取方法。本领域技术人员可以根据本发明所公开的技术方案设计指令。指令是如何控制处理器进行操作，这是本领域的公知，故本发明实施例在此不再详细描述。
本发明可以是装置、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(装置)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的装置、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (8)

1.一种车道线提取方法，其特征在于，包括：
获取激光雷达扫描得到的三维点云数据，并对所述三维点云数据进行预处理得到路面对应的三维点云数据；
对所述路面对应的三维点云数据进行坐标映射处理，得到二维图像；
将所述二维图像输入至用于提取车道线的深度学习模型中，识别得到车道线的位置信息；其中，所述深度学习模型按照以下步骤训练得到：
将训练数据集和标注数据集输入至深度学习模型，对深度学习模型的参数进行迭代处理，得到训练后的深度学习模型；
其中，所述标注数据集按照以下步骤生成：
获取由激光雷达扫描得到的三维点云数据生成的路面对应的二维图像；
获取车道线矢量数据，并将车道线矢量数据栅格化为车道线对应的点云数据，并将所述车道线对应的点云数据进行坐标映射处理，得到车道线对应的二维图像；
将所述车道线对应的二维图像和所述路面对应的二维图像进行叠加，得到标注出车道线的二维图像；
对所述标注出车道线的二维图像进行二值化处理，得到二值化图像；
对所述车道线的位置信息进行坐标逆映射处理，得到车道线对应的三维点云数据；
利用车道线对应的三维点云数据拟合得到车道线对应的曲线。
2.根据权利要求1所述的方法，其特征在于，所述对所述三维点云数据进行预处理得到路面对应的三维点云数据包括：
利用预设高程阈值对所述三维点云数据进行切割处理，得到路面对应的三维点云数据，其中，所述三维点云数据包括各扫描点在点云坐标系中的位置信息和强度信息，所述点云坐标系中的位置信息包括高程信息。
3.根据权利要求1所述的方法，其特征在于，所述对所述路面对应的三维点云数据进行坐标映射处理，得到二维图像信息包括：
将所述路面对应的三维点云数据映射到二维图像坐标系中，得到路面对应的各扫描点在二维图像坐标系中的位置信息；
获取路面对应的各扫描点的强度信息；
利用路面对应的各扫描点在二维图像坐标系中的位置信息和强度信息生成二维图像信息。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对车道线对应的曲线进行合并，得到电子地图中的车道线。
5.一种车道线提取装置，其特征在于，包括：
获取模块，用于获取激光雷达扫描得到的三维点云数据，并对所述三维点云数据进行预处理得到路面对应的三维点云数据；
坐标映射处理模块，用于对所述路面对应的三维点云数据进行坐标映射处理，得到二维图像；
识别模块，用于将所述二维图像输入至用于提取车道线的深度学习模型中，识别得到车道线的位置信息；其中，所述深度学习模型按照以下步骤训练得到：
将训练数据集和标注数据集输入至深度学习模型，对深度学习模型的参数进行迭代处理，得到训练后的深度学习模型；
其中，所述标注数据集按照以下步骤生成：
获取由激光雷达扫描得到的三维点云数据生成的路面对应的二维图像；
获取车道线矢量数据，并将车道线矢量数据栅格化为车道线对应的点云数据，并将所述车道线对应的点云数据进行坐标映射处理，得到车道线对应的二维图像；
将所述车道线对应的二维图像和所述路面对应的二维图像进行叠加，得到标注出车道线的二维图像；
对所述标注出车道线的二维图像进行二值化处理，得到二值化图像；
坐标逆映射处理模块，用于对所述车道线的位置信息进行坐标逆映射处理，得到车道线对应的三维点云数据；
拟合模块，用于利用车道线对应的三维点云数据拟合得到车道线对应的曲线。
6.根据权利要求5所述的装置，其特征在于，所述坐标映射处理模块进一步用于：
将所述路面对应的三维点云数据映射到二维图像坐标系中，得到路面对应的各扫描点在二维图像坐标系中的位置信息，
获取路面对应的各扫描点的强度信息，
利用路面对应的各扫描点在二维图像坐标系中的位置信息和强度信息生成二维图像信息。
7.根据权利要求5所述的装置，其特征在于，所述装置还包括：
合并模块，用于对车道线对应的曲线进行合并，得到电子地图中的车道线。
8.一种车道线提取装置，其特征在于，包括存储器和处理器，所述存储器用于存储指令，所述指令用于控制所述处理器进行操作以执行根据权利要求1-4中任一项所述的方法。
CN201811602542.0A 2018-12-26 2018-12-26 车道线提取方法及装置 Active CN111368605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811602542.0A CN111368605B (zh) 2018-12-26 2018-12-26 车道线提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811602542.0A CN111368605B (zh) 2018-12-26 2018-12-26 车道线提取方法及装置

Publications (2)

Publication Number Publication Date
CN111368605A CN111368605A (zh) 2020-07-03
CN111368605B true CN111368605B (zh) 2023-08-25

Family

ID=71210142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811602542.0A Active CN111368605B (zh) 2018-12-26 2018-12-26 车道线提取方法及装置

Country Status (1)

Country Link
CN (1) CN111368605B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132138A (zh) * 2020-09-21 2020-12-25 中国科学院合肥物质科学研究院 一种基于2d-激光雷达的物料自动识别与定位方法
CN112102496B (zh) * 2020-09-27 2024-03-26 安徽省农业科学院畜牧兽医研究所 牛体格测量方法、模型训练方法和系统
CN112417965B (zh) * 2020-10-21 2021-09-14 湖北亿咖通科技有限公司 激光点云处理方法、电子装置和存储介质
CN112434591B (zh) * 2020-11-19 2022-06-17 腾讯科技（深圳）有限公司 车道线确定方法、装置
CN112240772B (zh) * 2020-12-16 2021-09-28 北京赛目科技有限公司 一种车道线生成方法及装置
CN112560680A (zh) * 2020-12-16 2021-03-26 北京百度网讯科技有限公司 车道线处理方法、装置、电子设备及存储介质
CN112528892B (zh) * 2020-12-17 2022-12-13 武汉中海庭数据技术有限公司 一种无人机点云车道线提取方法及系统
CN113009880B (zh) * 2021-02-09 2023-01-03 中铁工程机械研究设计院有限公司 一种运梁车的运行控制方法、运梁车及可读存储介质
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
CN113223179B (zh) * 2021-05-12 2022-08-05 武汉中仪物联技术股份有限公司 管道选定线路长度的确定方法和装置
CN114863380B (zh) * 2022-07-05 2022-10-25 高德软件有限公司 车道线识别方法、装置及电子设备
CN116955517A (zh) * 2023-09-19 2023-10-27 高德软件有限公司 路口区域检测方法、装置、设备及计算机可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234547A (zh) * 2013-04-18 2013-08-07 易图通科技（北京）有限公司 真三维导航中道路场景的显示方法和装置
CN104766058A (zh) * 2015-03-31 2015-07-08 百度在线网络技术（北京）有限公司 一种获取车道线的方法和装置
CN105046235A (zh) * 2015-08-03 2015-11-11 百度在线网络技术（北京）有限公司 车道线的识别建模方法和装置、识别方法和装置
CN105701449A (zh) * 2015-12-31 2016-06-22 百度在线网络技术（北京）有限公司 路面上的车道线的检测方法和装置
CN107392103A (zh) * 2017-06-21 2017-11-24 海信集团有限公司 路面车道线的检测方法及装置、电子设备
CN108460815A (zh) * 2017-02-22 2018-08-28 腾讯科技（深圳）有限公司 地图道路要素编辑方法和装置
CN108470159A (zh) * 2018-03-09 2018-08-31 腾讯科技（深圳）有限公司 车道线数据处理方法、装置、计算机设备和存储介质
CN108875607A (zh) * 2017-09-29 2018-11-23 惠州华阳通用电子有限公司 车道线检测方法、装置以及计算机可读存储介质
CN109002795A (zh) * 2018-07-13 2018-12-14 清华大学 车道线检测方法、装置及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI334517B (en) * 2007-08-30 2010-12-11 Ind Tech Res Inst Method for predicting lane line and lane departure warning system using the same

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234547A (zh) * 2013-04-18 2013-08-07 易图通科技（北京）有限公司 真三维导航中道路场景的显示方法和装置
CN104766058A (zh) * 2015-03-31 2015-07-08 百度在线网络技术（北京）有限公司 一种获取车道线的方法和装置
CN105046235A (zh) * 2015-08-03 2015-11-11 百度在线网络技术（北京）有限公司 车道线的识别建模方法和装置、识别方法和装置
CN105701449A (zh) * 2015-12-31 2016-06-22 百度在线网络技术（北京）有限公司 路面上的车道线的检测方法和装置
CN108460815A (zh) * 2017-02-22 2018-08-28 腾讯科技（深圳）有限公司 地图道路要素编辑方法和装置
CN107392103A (zh) * 2017-06-21 2017-11-24 海信集团有限公司 路面车道线的检测方法及装置、电子设备
CN108875607A (zh) * 2017-09-29 2018-11-23 惠州华阳通用电子有限公司 车道线检测方法、装置以及计算机可读存储介质
CN108470159A (zh) * 2018-03-09 2018-08-31 腾讯科技（深圳）有限公司 车道线数据处理方法、装置、计算机设备和存储介质
CN109002795A (zh) * 2018-07-13 2018-12-14 清华大学 车道线检测方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李怡静.基于LiDAR数据与遥感影像的城市地区道路自动提取.《中国博士学位论文全文数据库 基础科学辑》.2018,(第7期),全文. *

Also Published As

Publication number Publication date
CN111368605A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN111368605B (zh) 车道线提取方法及装置
CN109658504B (zh) 地图数据标注方法、装置、设备及存储介质
CN107328424B (zh) 导航方法和装置
US10416681B2 (en) Barcode: global binary patterns for fast visual inference
Liu et al. Main road extraction from zy-3 grayscale imagery based on directional mathematical morphology and vgi prior knowledge in urban areas
El-Halawany et al. Detecting road poles from mobile terrestrial laser scanning data
KR20200105004A (ko) 자동 영상 합성 장치 및 방법
CN112258519B (zh) 一种高精度地图制作中道路的让行线自动化提取方法及装置
Wang et al. Combining semantic scene priors and haze removal for single image depth estimation
US11651288B2 (en) Learning data generation apparatus, change area detection method and computer program
CN113822996B (zh) 机器人的位姿估计方法及装置、电子设备、存储介质
Li et al. 3D map system for tree monitoring in hong kong using google street view imagery and deep learning
US9898846B1 (en) Method and apparatus for traffic condition diagram generation
CN111860084B (zh) 图像特征的匹配、定位方法及装置、定位系统
Koc-San et al. A model-based approach for automatic building database updating from high-resolution space imagery
Sadekov et al. Road sign detection and recognition in panoramic images to generate navigational maps
CN112132845A (zh) 三维模型的单体化方法、装置、电子设备和可读介质
CN110827340B (zh) 地图的更新方法、装置及存储介质
CN115235493B (zh) 一种基于矢量地图进行自动驾驶定位的方法及装置
CN115565072A (zh) 一种道路垃圾识别和定位方法、装置、电子设备及介质
Novais et al. Community based repository for georeferenced traffic signs
Izquierdo et al. Road lane landmark extraction: a state-of-the-art review
Sami et al. Text detection and recognition for semantic mapping in indoor navigation
CN110826568A (zh) 基于路标的室内定位方法、装置和电子设备
Zhang et al. Extraction of road traffic sign information based on a vehicle‐borne mobile photogrammetric system

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