CN111597987B - 用于生成信息的方法、装置、设备和存储介质 - Google Patents
用于生成信息的方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111597987B CN111597987B CN202010411217.7A CN202010411217A CN111597987B CN 111597987 B CN111597987 B CN 111597987B CN 202010411217 A CN202010411217 A CN 202010411217A CN 111597987 B CN111597987 B CN 111597987B
- Authority
- CN
- China
- Prior art keywords
- image
- lane
- indicator
- target image
- information
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- 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
Abstract
本申请公开了用于生成信息的方法、装置、设备和存储介质,涉及自动驾驶领域。具体实现方案为:从目标图像中分割出车道指示物图像;获取该目标图像对应的相机姿态信息;根据该相机姿态信息,将与该目标图像匹配的高精地图数据投影至该目标图像所在平面,生成投影图像,其中,该匹配的高精地图数据包括车道指示物的三维数据;基于该车道指示物图像和该投影图像的比较,生成车道指示物变更信息,其中,该车道指示物变更信息用于指示该匹配的高精地图数据对应的车道指示物是否发生变更。从而实现了通过小成本方式、快速及时地判断高精地图数据所呈现的车道指示物是否发生了现实变更,具有良好的泛化性。进而可以为打造分钟级高精地图自动化更新提供坚实的数据基础。
Description
技术领域
本申请的实施例涉及计算机技术领域,具体涉及自动驾驶领域的高精地图变更检测技术。
背景技术
随着自动驾驶技术的发展,高精地图中核心元素(如车道线等)跟随实际情况的变更对于保证高精地图的时效性和自动驾驶系统的安全起到举足轻重的作用。
现有技术通常是利用专门的地图采集车辆对主要的道路进行快速覆盖并将采集的数据回传。通过对采集到的点云和图像进行分析处理,结合定位数据对道路上的目标元素进行后台融合,通过各个局部信息构建出高精地图的全局信息。但这种方式存在着采集周期长、制图周期长和制作成本高等问题。
发明内容
提供了一种用于生成信息的方法、装置、设备以及存储介质。
根据第一方面,提供了一种用于生成信息的方法,该方法包括:从目标图像中分割出车道指示物图像;获取目标图像对应的相机姿态信息;根据相机姿态信息,将与目标图像匹配的高精地图数据投影至目标图像所在平面,生成投影图像,其中,匹配的高精地图数据包括车道指示物的三维数据;基于车道指示物图像和投影图像的比较,生成车道指示物变更信息,其中,车道指示物变更信息用于指示匹配的高精地图数据对应的车道指示物是否发生变更。
根据第二方面,提供了一种用于生成信息的装置,该装置包括:分割单元,被配置成从目标图像中分割出车道指示物图像;获取单元,被配置成获取目标图像对应的相机姿态信息;投影单元,被配置成根据相机姿态信息,将与目标图像匹配的高精地图数据投影至目标图像所在平面,生成投影图像,其中,匹配的高精地图数据包括车道指示物的三维数据;生成单元,被配置成基于车道指示物图像和投影图像的比较,生成车道指示物变更信息,其中,车道指示物变更信息用于指示匹配的高精地图数据对应的车道指示物是否发生变更。
根据第三方面,提供了一种电子设备,该电子设备包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,存储器存储有可被上述至少一个处理器执行的指令,上述指令被至少一个处理器执行,以使上述至少一个处理器能够执行如第一方面中任一实现方式所描述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机能够执行如第一方面中任一实现方式所描述的方法。
根据本申请的技术实现了通过小成本方式、快速及时地判断高精地图数据所呈现的车道指示物(例如车道线)是否发生了现实变更,具有良好的泛化性。进而可以为打造分钟级高精地图自动化更新提供坚实的数据基础。从而解决了现有高精地图更新方法采集周期长、制图周期长和制作成本高等问题。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图;
图3是可以实现本申请实施例的用于生成信息的方法的一个应用场景的示意图;
图4是根据本申请实施例的用于生成信息的装置的示意图;
图5是用来实现本申请实施例的用于生成信息的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请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,而不会背离本申请的范围和精神。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。
图1是示出了根据本申请第一实施例的示意图100。该用于生成信息的方法包括以下步骤:
S101,从目标图像中分割出车道指示物图像。
在本实施例中,用于生成信息的执行主体可以通过各种方式从目标图像中分割出车道指示物图像。其中,上述目标图像可以包括从车载相机中获取的图像。上述目标图像中通常可以包括各种车道指示物图像。上述车道指示物可以包括但不限于以下至少一项:黄实线,黄虚线,白实线,白虚线,停止线,双黄实线,人行横道,地面箭头。上述图像分割的方法可以包括但不限于以下至少一项:基于阈值的分割方法,分水岭算法,基于边缘检测的分割方法,基于小波分析和小波变换的图像分割方法,基于主动轮廓模型(Active ContourModels)的分割方法,基于深度学习的分割模型。
在本实施例的一些可选的实现方式中,上述执行主体还可以将目标图像输入至预先训练的车道指示物分割模型,生成包括至少一个车道指示物图像的分割结果。其中,上述车道指示物分割模型中可以包括基于空洞可分离卷积的编码网络和解码网络。上述车道指示物分割模型可以以Xception作为主干网络,在原有的编码网络和解码网络的基础上增加了空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块,从而能够获取多个尺度上的卷积特征。上述车道指示物分割模型可以使用深度可分离卷积结构(depthwiseseparable convolution),从而不仅可以降低网络参数,还可以提高网络推断的鲁棒性。实践中,可以将DeepLab v3+的深度神经网络结构作为初始模型,利用机器学习算法采用预设的训练样本集合进行训练,得到上述车道指示物分割模型。
S102,获取目标图像对应的相机姿态信息。
在本实施例中,上述执行主体可以通过各种方式获取目标图像对应的相机姿态信息。上述目标图像对应的相机姿态信息可以为上述车载相机的位姿。作为示例,上述执行主体可以通过各种姿态估计(Pose Estimation)的方法获取上述相机姿态信息。上述姿态估计的方法例如可以包括但不限于基于特征的方法和直接匹配法。
S103,根据相机姿态信息,将与目标图像匹配的高精地图数据投影至目标图像所在平面,生成投影图像。
在本实施例中,根据S102所获取的相机姿态信息,上述执行主体可以将与上述目标图像匹配的高精地图数据投影至目标图像所在平面,生成投影图像。其中,上述匹配的高精地图数据可以包括车道指示物的三维数据。上述匹配的高精地图数据可以是包括与上述目标图像所指示的车道指示物一致的数据的高精地图数据。可选地,上述匹配可以根据定位数据和高精地图中的坐标而确定。上述定位数据可以通过各种方式获取,例如从目标图像的EXIF信息(Exchangeable image file format,可交换图像文件格式)中获取或从车载相机对应的车辆定位系统获取。由于高精地图数据中往往包含着对应于点云的三维数据,上述执行主体可以根据S102所获取的相机姿态信息所指示的坐标变换矩阵,将与上述目标图像匹配的高精地图数据进行投影,从而生成上述投影图像。
在本实施例的一些可选的实现方式中,上述执行主体可以按照如下步骤生成投影图像:
第一步,根据相机姿态信息,将与目标图像匹配的高精地图数据投影至目标图像所在平面,生成准投影图像。
在这些实现方式中,上述执行主体可以根据所获取的相机姿态信息所指示的坐标变换矩阵,将上述匹配的高精地图数据投影至目标图像所在平面,生成准投影图像。
可选地,上述执行主体还可以将上述匹配的高精地图数据投影至目标图像所在平面上之后,将投影得到的车道指示物图像进行后处理,从而将后处理后得到的图像作为上述准投影图像。其中,上述后处理可以包括但不限于以下至少一项:区域扩展,轮廓曲线上点的稀释,轮廓曲线上点的直角化处理,重复点线的删除等。
基于上述可选的实现方式,可以对投影后的车道指示物图像进行优化修正,如避免有规则的几何体出现不规则、不合理的情况,还可以减小由于过多数据冗余带来的存储空间浪费。
第二步,确定准投影图像与目标图像中的车道指示物图像之间的交集区域。
在这些实现方式中,上述执行主体可以确定准投影图像中的车道指示物与上述目标图像中对应的车道指示物图像之间的交集区域。实践中,由于根据定位数据而确定的相机姿态信息与实际情况存在一定偏差(gap),因此交集区域往往并不完全覆盖图像中的车道指示物图像。
第三步,基于交集区域的占比,生成目标函数。
在这些实现方式中,上述执行主体可以将上述所确定的交集区域作为分子,生成交集区域的占比。其中,上述交集区域的占比的分母可以包括但不限于以下至少一项:上述目标图像中的车道指示物区域,上述准投影图像中的车道指示物区域,上述目标图像中的车道指示物区域和上述准投影图像中的车道指示物区域的并集区域。而后,上述执行主体还可以根据上述所确定的交集区域的占比,生成目标函数。作为示例,上述执行主体可以将上述车道指示物区域的交并比作为目标函数。作为又一示例,上述执行主体还可以根据上述交集区域的占比生成损失函数,以表征准投影图像投影后的车道指示物区域与上述目标图像中对应的车道指示物图像之间的位置差异。
第四步,对目标函数进行优化求解,生成调整后的相机姿态信息。
在这些实现方式中,上述执行主体可以通过各种方式对上述第三步所生成的目标函数进行优化求解,从而生成调整后的相机姿态信息。作为示例,上述执行主体可以利用ceres-solver工具求解上述目标函数的最大或最小值(依据目标函数而定),得到对应的作为最优解的相机姿态信息作为上述调整后的相机姿态信息。
第五步,根据调整后的相机姿态信息,将与目标图像匹配的高精地图数据投影至目标图像所在平面,生成投影图像。
在这些实现方式中,上述执行主体可以根据上述第四步所生成的调整后的相机姿态信息所指示的坐标变换矩阵,将上述与目标图像匹配的高精地图数据投影至上述目标图像所在平面,从而生成投影图像。
基于上述可选的实现方式,上述执行主体可以通过构建目标函数来对相机姿态信息进行优化调整,从而使得投影后的高精度地图数据的车道指示物图像与上述目标图像中对应的车道指示物图像之间的位置尽可能靠近,为后续进行图像之间的对比提供更为准确的数据基础。
S104,基于车道指示物图像和投影图像的比较,生成车道指示物变更信息。
在本实施例中,基于上述车道指示物图像和S103所得到的投影图像之间的比较,上述执行主体可以通过各种方式生成上述车道指示物变更信息。其中,上述车道指示物变更信息可以用于指示上述匹配的高精地图数据对应的车道指示物是否发生变更。
作为示例,响应于确定上述车道指示物图像所指示的车道类别(例如黄实线)和S103所得到的投影图像所指示的车道类别(例如黄虚线)不同,上述执行主体可以生成用于指示上述车道指示物发生变更的车道指示物变更信息。
在本实施例的一些可选的实现方式中,上述执行主体还可以采用网格搜索(gridsearching)法来确定上述车道指示物图像所指示的车道类别与S103所得到的投影图像所指示的车道类别是否一致。
在本实施例的一些可选的实现方式中,上述执行主体还可以通过以下步骤生成车道指示物变更信息:
第一步,将车道指示物图像和投影图像进行差分,生成差分结果。
在这些实现方式中,上述执行主体可以直接将上述车道指示物图像和投影图像进行差分,从而生成差分结果。其中,上述差分结果可以用于指示图像中的不同部分。
第二步,根据差分结果,生成车道指示物变更信息。
在这些实现方式中,上述执行主体可以根据上述第一步所得到的差分结果,生成对应的车道指示物变更信息。作为示例,响应于确定上述差分结果用于指示上述车道指示物图像与投影图像之间的差异大于预设的差异阈值,上述执行主体可以生成用于指示上述车道指示物发生变更的车道指示物变更信息。响应于确定上述差分结果用于指示上述车道指示物图像与投影图像之间的差异未达到预设的差异阈值,上述执行主体可以生成用于指示上述车道指示物未发生变更的车道指示物变更信息。
基于上述可选的实现方式,可以通过图像差分的方式快速识别出上述目标图像中包括的车道指示物图像和投影图像中的车道指示物图像之间的差别,从而能够快速、准确地生成上述车道指示物变更信息。
本申请的上述实施例提供的方法,通过将与目标图像匹配的高精地图数据投影至目标图像所在平面并进行比对,从而生成用于指示车道指示物是否发生变更的车道指示物变更信息,实现了通过小成本方式、快速及时地判断高精地图数据所呈现的车道指示物是否发生了现实变更,并具有良好的泛化性。进而可以为打造分钟级高精地图自动化更新提供坚实的数据基础。
继续参见图2,图2是根据本申请第二实施例的示意图200。该用于生成信息的方法包括以下步骤:
S201,从目标图像中分割出车道指示物图像。
S202,获取目标图像对应的相机姿态信息。
S203,根据相机姿态信息,将与目标图像匹配的高精地图数据投影至目标图像所在平面,生成投影图像。
S204,将车道指示物图像和投影图像进行差分,生成差分结果。
上述S201、S202、S203和S204分别与前述实施例中的S101、S102、S103及其可选的实现方式和S104的可选的实现方式一致,上文针对S101、S102、S103及其可选的实现方式和S104的可选的实现方式的描述也适用于S201、S202、S203和S204,此处不再赘述。
S205,获取目标数目张与目标图像关联的扩展图像。
在本实施例中,用于生成信息的方法的执行主体可以通过各种方式获取目标数目张与上述目标图像关联的扩展图像。其中,上述扩展图像所匹配的高精地图数据通常与目标图像所匹配的高精地图数据一致。作为示例,上述执行主体可以从拍摄上述目标图像的车载相机获取上述与目标图像关联的扩展图像。例如,搭载上述车载相机的车辆在行驶过程中可以连续拍摄图像,与上述目标图像关联的扩展图像可以是在图像序列中与上述目标图像相邻的若干张图像。
S206,从目标数目张扩展图像中分割出车道指示物图像。
在本实施例中,上述执行主体可以采用与前述实施例中S101所描述的方法一致的方式,将车道指示物图像从上述目标数目张扩展图像中分割出来。
S207,根据目标数目张扩展图像中分割出的车道指示物图像和投影图像的比较,生成目标数目个车道指示物变更子信息。
在本实施例中,上述执行主体可以采用与前述实施例中S102至S104及其可选的实现方式中描述的方法一致的方式,生成目标数目个车道指示物变更子信息。其中,上述车道指示物变更子信息可以用于指示根据单张图像所得到的上述匹配的高精地图数据对应的车道指示物是否发生变更。
S208,对所生成的多个车道指示物变更子信息和差分结果进行统计,生成车道指示物变更信息。
在本实施例中,上述执行主体可以通过各种方式对上述所生成的多个车道指示物子信息和差分结果进行统计。作为示例,上述执行主体可以分别统计指示车道指示物变更的车道指示物变更子信息和指示车道指示物未变更的车道指示物变更子信息的数目。而后,上述执行主体可以生成与数目较多的车道指示物变更子信息所指示的车道指示物变更情况一致的车道指示物变更信息。作为又一示例,上述执行主体还可以确定指示车道指示物变更的车道指示物变更子信息的数目占上述目标数目的占比是否大于预设比例阈值。响应于确定大于,上述执行主体可以生成指示车道指示物变更的车道指示物变更信息。响应于确定不大于,上述执行主体可以生成指示车道指示物未变更的车道指示物变更信息。
在本实施例的一些可选的实现方式中,响应于确定指示车道指示物是否变更的车道指示物变更子信息的数目不满足预设的生成指示车道指示物是否变更的条件,上述执行主体还可以表征不确定车道指示物是否变更的车道指示物变更信息。在这些实现方式中,上述执行主体可以发送提示表征人工接管的信息或针对上述目标图像对应的区域重新执行上述用于生成信息的方法。
从图2中可以看出,本实施例中的用于生成信息的方法的流程200体现了通过目标数目张扩展图像所确定的车道指示物变更子信息的统计结果来确定最终生成的车道指示物变更信息的步骤。由此,本实施例描述的方案可以通过目标图像的多张关联图像来共同确定车道指示物的变化,从而提升了车道指示物变更信息的可信度,进而为高精地图的准确性提供保障。
继续参见图3,图3是根据本申请的实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,自动驾驶车辆301可以在行驶过程中利用车载相机拍摄目标图像302。而后,自动驾驶车辆301可以将上述目标图像302上传至后台服务器303。之后,后台服务器303可以利用图像分割方法从目标图像302中分割出车道线图像304。后台服务器303还可以从自动驾驶车辆301获取车载相机的相机姿态信息305。之后,上述后台服务器303可以根据所获取的相机姿态信息305所指示的坐标转换矩阵,将与目标图像302的拍摄位置对应的高精地图数据投影至上述目标图像302所在平面,生成投影图像306。最后,后台服务器可以将车道线图像304和投影图像306进行比较,从而生成车道指示物变更信息307。其中,上述车道指示物变更信息307可以用于指示车道指示物未变更。
目前,现有技术之一通常是通过将采集到的点云和图像进行后台融合,利用各个局部信息构建出高精地图的全局信息,导致采集周期长、制图周期长和制作成本高等问题。而本申请的上述实施例提供的方法,通过将与目标图像匹配的高精地图数据投影至目标图像所在平面并进行比对,从而生成用于指示车道指示物是否发生变更的车道指示物变更信息,实现了通过小成本方式、快速及时地判断高精地图数据所呈现的车道指示物是否发生了现实变更,并具有良好的泛化性。进而可以为打造分钟级高精地图自动化更新提供坚实的数据基础。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了用于生成信息的装置的一个实施例,该装置实施例与图1或图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例提供的用于生成信息的装置400包括分割单元401、获取单元402、投影单元403和生成单元404。其中,分割单元401,被配置成从目标图像中分割出车道指示物图像;获取单元402,被配置成获取目标图像对应的相机姿态信息;投影单元403,被配置成根据相机姿态信息,将与目标图像匹配的高精地图数据投影至目标图像所在平面,生成投影图像,其中,匹配的高精地图数据包括车道指示物的三维数据;生成单元404,被配置成基于车道指示物图像和投影图像的比较,生成车道指示物变更信息,其中,车道指示物变更信息用于指示匹配的高精地图数据对应的车道指示物是否发生变更。
在本实施例中,用于生成信息的装置400中:分割单元401、获取单元402、投影单元403和生成单元404的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤S101、S102、S103和S104的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述投影单元403可以包括投影模块(图中未示出)、确定模块(图中未示出)、第一生成模块(图中未示出)、优化模块(图中未示出)、第二生成模块(图中未示出)。其中,上述投影模块,可以被配置成根据相机姿态信息,将与目标图像匹配的高精地图数据投影至目标图像所在平面,生成准投影图像。上述确定模块,可以被配置成确定准投影图像与目标图像中的车道指示物图像之间的交集区域。上述第一生成模块,可以被配置成基于交集区域的占比,生成目标函数。上述优化模块,可以被配置成对目标函数进行优化求解,生成调整后的相机姿态信息。上述第二生成模块,可以被配置成根据调整后的相机姿态信息,将与目标图像匹配的高精地图数据投影至目标图像所在平面,生成投影图像。
在本实施例的一些可选的实现方式中,上述生成单元404可以包括差分模块(图中未示出)、第三生成模块(图中未示出)。其中,上述差分模块,可以被配置成将车道指示物图像和投影图像进行差分,生成差分结果。其中,上述差分结果可以用于指示图像中的不同部分。上述第三生成模块,可以被配置成根据差分结果,生成车道指示物变更信息。
在本实施例的一些可选的实现方式中,上述第三生成模块可以包括获取子模块(图中未示出)、分割子模块(图中未示出)、第一生成子模块(图中未示出)、第二生成子模块(图中未示出)。其中,上述获取子模块,可以被配置成获取目标数目张与目标图像关联的扩展图像。其中,上述扩展图像所匹配的高精地图数据可以与目标图像所匹配的高精地图数据一致。上述分割子模块,可以被配置成从目标数目张扩展图像中分割出车道指示物图像。上述第一生成子模块,可以被配置成根据目标数目张扩展图像中分割出的车道指示物图像和投影图像的比较,生成目标数目个车道指示物变更子信息。上述第二生成子模块,可以被配置成对所生成的多个车道指示物变更子信息和差分结果进行统计,生成车道指示物变更信息。
在本实施例的一些可选的实现方式中,上述分割单元401可以被进一步配置成将目标图像输入至预先训练的车道指示物分割模型,生成包括至少一个车道指示物图像的分割结果。其中,上述车道指示物分割模型中可以包括基于空洞可分离卷积的编码网络和解码网络。
本申请的上述实施例提供的装置,通过分割单元401从目标图像中分割出车道指示物图像。而后,获取单元402获取目标图像对应的相机姿态信息。之后,投影单元403根据相机姿态信息,将与目标图像匹配的高精地图数据投影至目标图像所在平面,生成投影图像。其中,匹配的高精地图数据包括车道指示物的三维数据。最后,生成单元404基于车道指示物图像和投影图像的比较,生成车道指示物变更信息。其中,车道指示物变更信息用于指示匹配的高精地图数据对应的车道指示物是否发生变更。从而实现了通过小成本方式、快速及时地判断高精地图数据所呈现的车道指示物是否发生了现实变更,并具有良好的泛化性。进而可以为打造分钟级高精地图自动化更新提供坚实的数据基础。
下面参考图5,根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图5所示,是根据本申请实施例的用于生成信息的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,自动驾驶车辆的自动控制系统,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的用于生成信息的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用于生成信息的方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的用于生成信息的方法对应的程序指令/模块(例如,附图4所示的分割单元401、获取单元402、投影单元403和生成单元404)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的用于生成信息的方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据用于生成信息的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至用于生成信息的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于生成信息的方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与用于生成信息的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,可以生成用于指示车道指示物是否发生变更的车道指示物变更信息。从而实现了通过小成本方式、快速及时地判断高精地图数据所呈现的车道指示物是否发生了现实变更,并具有良好的泛化性。进而可以为打造分钟级高精地图自动化更新提供坚实的数据基础。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种用于生成信息的方法,其特征在于,包括:
从目标图像中分割出车道指示物图像;
获取所述目标图像对应的相机姿态信息;
根据所述相机姿态信息,将与所述目标图像匹配的高精地图数据投影至所述目标图像所在平面,生成投影图像,其中,所述匹配的高精地图数据包括车道指示物的三维数据;
基于所述车道指示物图像和所述投影图像的比较,生成车道指示物变更信息,其中,所述车道指示物变更信息用于指示所述匹配的高精地图数据对应的车道指示物是否发生变更;
其中,所述根据所述相机姿态信息,将与所述目标图像匹配的高精地图数据投影至所述目标图像所在平面,生成投影图像,包括:根据所述相机姿态信息,将与所述目标图像匹配的高精地图数据投影至所述目标图像所在平面,生成准投影图像;确定所述准投影图像与所述目标图像中的车道指示物图像之间的交集区域;基于所述交集区域的占比,生成目标函数;对所述目标函数进行优化求解,生成调整后的相机姿态信息;根据所述调整后的相机姿态信息,将与所述目标图像匹配的高精地图数据投影至所述目标图像所在平面,生成所述投影图像。
2.根据权利要求1所述的方法,其中,所述基于所述车道指示物图像和所述投影图像的比较,生成车道指示物变更信息,包括:
将所述车道指示物图像和所述投影图像进行差分,生成差分结果,其中,所述差分结果用于指示图像中的不同部分;
根据所述差分结果,生成所述车道指示物变更信息。
3.根据权利要求2所述的方法,其中,所述根据所述差分结果,生成所述车道指示物变更信息,包括:
获取目标数目张与所述目标图像关联的扩展图像,其中,扩展图像所匹配的高精地图数据与所述目标图像所匹配的高精地图数据一致;
从所述目标数目张扩展图像中分割出车道指示物图像;
根据所述目标数目张扩展图像中分割出的车道指示物图像和所述投影图像的比较,生成目标数目个车道指示物变更子信息;
对所生成的多个车道指示物变更子信息和所述差分结果进行统计,生成所述车道指示物变更信息。
4.根据权利要求1-3之一所述的方法,其中,所述从目标图像中分割出车道指示物图像,包括:
将所述目标图像输入至预先训练的车道指示物分割模型,生成包括至少一个车道指示物图像的分割结果,其中,所述车道指示物分割模型中包括基于空洞可分离卷积的编码网络和解码网络。
5.一种用于生成信息的装置,其特征在于,包括:
分割单元,被配置成从目标图像中分割出车道指示物图像;
获取单元,被配置成获取所述目标图像对应的相机姿态信息;
投影单元,被配置成根据所述相机姿态信息,将与所述目标图像匹配的高精地图数据投影至所述目标图像所在平面,生成投影图像,其中,所述匹配的高精地图数据包括车道指示物的三维数据;
生成单元,被配置成基于所述车道指示物图像和所述投影图像的比较,生成车道指示物变更信息,其中,所述车道指示物变更信息用于指示所述匹配的高精地图数据对应的车道指示物是否发生变更;
其中,所述投影单元包括:投影模块,被配置成根据所述相机姿态信息,将与所述目标图像匹配的高精地图数据投影至所述目标图像所在平面,生成准投影图像;确定模块,被配置成确定所述准投影图像与所述目标图像中的车道指示物图像之间的交集区域;第一生成模块,被配置成基于所述交集区域的占比,生成目标函数;优化模块,被配置成对所述目标函数进行优化求解,生成调整后的相机姿态信息;第二生成模块,被配置成根据所述调整后的相机姿态信息,将与所述目标图像匹配的高精地图数据投影至所述目标图像所在平面,生成所述投影图像。
6.根据权利要求5所述的装置,所述生成单元包括:
差分模块,被配置成将所述车道指示物图像和所述投影图像进行差分,生成差分结果,其中,所述差分结果用于指示图像中的不同部分;
第三生成模块,被配置成根据所述差分结果,生成所述车道指示物变更信息。
7.根据权利要求6所述的装置,所述第三生成模块包括:
获取子模块,被配置成获取目标数目张与所述目标图像关联的扩展图像,其中,扩展图像所匹配的高精地图数据与所述目标图像所匹配的高精地图数据一致;
分割子模块,被配置成从所述目标数目张扩展图像中分割出车道指示物图像;
第一生成子模块,被配置成根据所述目标数目张扩展图像中分割出的车道指示物图像和所述投影图像的比较,生成目标数目个车道指示物变更子信息;
第二生成子模块,被配置成对所生成的多个车道指示物变更子信息和所述差分结果进行统计,生成所述车道指示物变更信息。
8.根据权利要求5-7之一所述的装置,所述分割单元进一步被配置成:
将所述目标图像输入至预先训练的车道指示物分割模型,生成包括至少一个车道指示物图像的分割结果,其中,所述车道指示物分割模型中包括基于空洞可分离卷积的编码网络和解码网络。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010411217.7A CN111597987B (zh) | 2020-05-15 | 2020-05-15 | 用于生成信息的方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010411217.7A CN111597987B (zh) | 2020-05-15 | 2020-05-15 | 用于生成信息的方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111597987A CN111597987A (zh) | 2020-08-28 |
CN111597987B true CN111597987B (zh) | 2023-09-01 |
Family
ID=72190909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010411217.7A Active CN111597987B (zh) | 2020-05-15 | 2020-05-15 | 用于生成信息的方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597987B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668428A (zh) * | 2020-12-21 | 2021-04-16 | 北京百度网讯科技有限公司 | 车辆变道的检测方法、路侧设备、云控平台和程序产品 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260699A (zh) * | 2015-09-10 | 2016-01-20 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法及装置 |
CN105528588A (zh) * | 2015-12-31 | 2016-04-27 | 百度在线网络技术(北京)有限公司 | 一种车道线识别方法及装置 |
CN108447090A (zh) * | 2016-12-09 | 2018-08-24 | 株式会社理光 | 对象姿态估计的方法、装置及电子设备 |
CN108802785A (zh) * | 2018-08-24 | 2018-11-13 | 清华大学 | 基于高精度矢量地图和单目视觉传感器的车辆自定位方法 |
JP2019003606A (ja) * | 2017-06-09 | 2019-01-10 | 株式会社デンソー | 地図変化点検出装置 |
CN109579856A (zh) * | 2018-10-31 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 高精度地图生成方法、装置、设备及计算机可读存储介质 |
CN110147382A (zh) * | 2019-05-28 | 2019-08-20 | 北京百度网讯科技有限公司 | 车道线更新方法、装置、设备、系统及可读存储介质 |
CN110163930A (zh) * | 2019-05-27 | 2019-08-23 | 北京百度网讯科技有限公司 | 车道线生成方法、装置、设备、系统及可读存储介质 |
CN110595494A (zh) * | 2019-09-17 | 2019-12-20 | 百度在线网络技术(北京)有限公司 | 地图误差确定方法和装置 |
CN110648363A (zh) * | 2019-09-16 | 2020-01-03 | 腾讯科技(深圳)有限公司 | 相机姿态确定方法、装置、存储介质及电子设备 |
CN110675635A (zh) * | 2019-10-09 | 2020-01-10 | 北京百度网讯科技有限公司 | 相机外参的获取方法、装置、电子设备及存储介质 |
-
2020
- 2020-05-15 CN CN202010411217.7A patent/CN111597987B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260699A (zh) * | 2015-09-10 | 2016-01-20 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法及装置 |
CN105528588A (zh) * | 2015-12-31 | 2016-04-27 | 百度在线网络技术(北京)有限公司 | 一种车道线识别方法及装置 |
CN108447090A (zh) * | 2016-12-09 | 2018-08-24 | 株式会社理光 | 对象姿态估计的方法、装置及电子设备 |
JP2019003606A (ja) * | 2017-06-09 | 2019-01-10 | 株式会社デンソー | 地図変化点検出装置 |
CN108802785A (zh) * | 2018-08-24 | 2018-11-13 | 清华大学 | 基于高精度矢量地图和单目视觉传感器的车辆自定位方法 |
CN109579856A (zh) * | 2018-10-31 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 高精度地图生成方法、装置、设备及计算机可读存储介质 |
CN110163930A (zh) * | 2019-05-27 | 2019-08-23 | 北京百度网讯科技有限公司 | 车道线生成方法、装置、设备、系统及可读存储介质 |
CN110147382A (zh) * | 2019-05-28 | 2019-08-20 | 北京百度网讯科技有限公司 | 车道线更新方法、装置、设备、系统及可读存储介质 |
CN110648363A (zh) * | 2019-09-16 | 2020-01-03 | 腾讯科技(深圳)有限公司 | 相机姿态确定方法、装置、存储介质及电子设备 |
CN110595494A (zh) * | 2019-09-17 | 2019-12-20 | 百度在线网络技术(北京)有限公司 | 地图误差确定方法和装置 |
CN110675635A (zh) * | 2019-10-09 | 2020-01-10 | 北京百度网讯科技有限公司 | 相机外参的获取方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111597987A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11586218B2 (en) | Method and apparatus for positioning vehicle, electronic device and storage medium | |
CN110979346B (zh) | 确定车辆所处车道的方法、装置及设备 | |
CN111753961B (zh) | 模型训练方法和装置、预测方法和装置 | |
JP2021119507A (ja) | 車線の決定方法、車線測位精度の評価方法、車線の決定装置、車線測位精度の評価装置、電子デバイス、コンピュータ可読記憶媒体、及びプログラム | |
KR20220113829A (ko) | 차량 추적 방법, 장치 및 전자 기기 | |
CN111739005B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN111310840B (zh) | 数据融合处理方法、装置、设备和存储介质 | |
CN111402161B (zh) | 点云障碍物的去噪方法、装置、设备和存储介质 | |
CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
EP3842995A1 (en) | Method and apparatus for generating map | |
CN111539347B (zh) | 用于检测目标的方法和装置 | |
JP2022050311A (ja) | 車両の車線変更を検出するための方法、装置、電子機器、記憶媒体、路側機、クラウド制御プラットフォーム、及びコンピュータプログラム | |
CN111612852A (zh) | 用于验证相机参数的方法和装置 | |
CN111462179B (zh) | 三维物体跟踪方法、装置及电子设备 | |
CN112147632A (zh) | 车载激光雷达感知算法的测试方法、装置、设备和介质 | |
CN111523515A (zh) | 自动驾驶车辆环境认知能力评价方法、设备及存储介质 | |
CN111597986B (zh) | 用于生成信息的方法、装置、设备和存储介质 | |
CN112487979A (zh) | 目标检测方法和模型训练方法、装置、电子设备和介质 | |
CN111353466B (zh) | 车道线识别处理方法、设备、存储介质 | |
EP3958219A2 (en) | Method and apparatus for generating a license plate defacement classification model, license plate defacement classification method and apparatus, electronic device, storage medium, and computer program product | |
CN112528932B (zh) | 用于优化位置信息的方法、装置、路侧设备和云控平台 | |
CN111597987B (zh) | 用于生成信息的方法、装置、设备和存储介质 | |
CN111260722B (zh) | 车辆定位方法、设备及存储介质 | |
CN111833391B (zh) | 图像深度信息的估计方法及装置 | |
CN112749727A (zh) | 本地服务器、影像辨识系统及其更新方法 |
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: 20211011 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd. Address before: 2 / F, baidu building, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |