CN111881790A - 一种高精度地图制作中道路人行横道自动化提取方法和装置 - Google Patents
一种高精度地图制作中道路人行横道自动化提取方法和装置 Download PDFInfo
- Publication number
- CN111881790A CN111881790A CN202010676719.2A CN202010676719A CN111881790A CN 111881790 A CN111881790 A CN 111881790A CN 202010676719 A CN202010676719 A CN 202010676719A CN 111881790 A CN111881790 A CN 111881790A
- Authority
- CN
- China
- Prior art keywords
- pedestrian crossing
- point cloud
- pedestrian
- crosswalk
- dimensional
- 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.)
- Granted
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
- 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
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
- G09B29/003—Maps
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种高精度地图制作中道路人行横道自动化提取方法及装置,提取方法包括如下步骤:步骤A:提取高精度地图采集的RGB图像中的人行横道;步骤B:获取激光点云中离所述人行横道最近的轨迹点;步骤C:根据所述轨迹点将包含所述人行横道的三维激光点云区域投影为二维投影图像,对所述二维投影图像进行语义分割和提取;步骤D:对所述二维投影图像提取的人行横道信息进行反算、去重、优化、合并,直至提取出高精度地图中所有三维激光点云中的人行横道目标要素。本发明提供的人高精度地图制作中道路人行横道自动化提取方法及装置,用全自动化代替人工制作,解决高精度地图制作人工消耗成本问题,加快城市道路要素制作的速度。
Description
技术领域
本发明属于高精度电子地图制作领域,高精度地图制作城市道路要素制作范畴,用于在激光点云城市道路中人行横道的高精度、全自动化提取。
背景技术
在自动驾驶中,仅仅使用激光雷达、摄像机等传感器,由于可探索的距离有一定的范围,超出范围的无法进行感知,一旦某个目标无法正确的探测成功,往往会造成事故。如果有高精度地图进行辅助,就可以提前获取道路的情况,避免很多意外。所以高精度地图在自动驾驶中是其重要的辅助之一。而在高精度地图制作中,城市道路的人行横道制作可以提前让车辆感知道路人行横道情况,能够让车辆提前了解前方存在人行横道,并提醒车辆行驶速度,避免发生不可挽回的事故。相较于二维地图,高精度地图的制作精度更高,制作要素更全面、详细,所以人工制作更耗神。
发明内容
本发明针对现有技术中存在的技术问题,提供一种高精度地图制作中道路人行横道自动化提取方法。
本发明解决上述技术问题的技术方案如下:一种高精度地图制作中道路人行横道自动化提取方法,包括如下步骤:步骤A:提取高精度地图采集的RGB图像中的人行横道;步骤B:获取激光点云中离所述人行横道最近的轨迹点;步骤C:根据所述轨迹点将包含所述人行横道的三维激光点云区域投影为二维投影图像,对所述二维投影图像进行语义分割和提取;步骤D:对所述二维投影图像提取的人行横道信息进行反算、去重、优化、合并,直至提取出高精度地图中所有三维激光点云中的人行横道目标要素。
在本发明的一些实施例中,所述步骤A通过目标检测模型执行。
在本发明的一些实施例中,所述步骤B包括:获取相邻轨迹点对应图片中的目标关系,去掉包含同一目标的图片并保留包含该人行横道最大目标的图片。
进一步的,所述步骤B包括:保留多个连续图片中单个人行横道的最大目标图,删除包含该人行横道的其他重复的图片。
在本发明的一些实施例中,所述步骤C包括:将该激光点云区域切割成多个固定长宽的3D点云块。
进一步的,所述步骤C还包括:将所述多个固定长宽的3D点云块投影成二维点云投影图像并保存3D坐标和2D图像坐标映射信息。
在上述的实施例中,所述步骤D包括通过语义分割模型对投影图像进行人行横道预测,获取人行横道对应的mask图并提取mask图中的轮廓。
本发明还提供了一种高精度地图制作中道路人行横道自动化提取装置,包括获取模块、目标检测网络、投影模块、图像语义识别模型、提取模块,所述获取模块,用于获取道路的激光点云、RGB图像、轨迹;所述目标检测网络,用于提取高精度地图采集的RGB图像中的人行横道;所述投影模块,用于根据所述轨迹点将包含所述人行横道的三维激光点云区域投影为二维投影图像;所述图像语义识别模型,用于根据深度学习算法对所述二维投影图像进行语义分割和提取;所述提取模块,用于对所述二维投影图像提取的人行横道信息进行反算、去重、优化、合并,直至提取出高精度地图中所有三维激光点云中的人行横道目标要素。
在发明的一些实施例中,所述提取模块对语义根据图像语义识别模型对投影图像进行人行横道预测,获取人行横道对应的mask图,并提取所述mask图的轮廓,通过反算获取激光点云中人行横道轮廓的三维坐标。
本发明的有益效果是:
1.解决高精度地图制作人工消耗成本问题,用自动化代替人工制作,加快城市道路要素制作的速度;
2.相较于传统算法,将深度学习与传统算法相结合,既可以提高自动化提取的泛化能力,使其适用于多种城市道路人行横道提取;同时又可以保证其高精度地图制作的精度需求,使其误差在厘米级范围之内;
3.解决高精度地图制作中的速度问题,使用高精度地图采集的RGB彩色实景图像进行粗过滤,能够快速查找包含人行横道的三维激光点云区域和极大地减少三维激光点云的计算,有效提高自动化提取的速度。
附图说明
图1为本发明的一些实施例中的高精度地图制作中道路人行横道自动化提取方法的基本流程图;
图2为本发明的一些实施例中的高精度地图制作中道路人行横道自动化提取方法的流程图;
图3为本发明的一些实施例中的高精度地图制作中道路人行横道自动化提取装置的结构图;
图4为采集到的包含人行横道的RGB图像;
图5为3D激光点云和部分目标的轮廓示意图;
图6为提取后的人行横道示例示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
首先,对发明中的一些必要概念作说明:
SSIM(Structual Similarity index,结构相似性),是用以衡量两张数字图像相似的指标。当其中一张为无失真的图片,另一张是失真图片时,二者的SSIM可以看成是失真图片的影响品质衡量指标。
mask图:又称图像掩膜,数字图像处理中的掩膜的概念是借鉴于PCB制版的过程,在半导体制造中,许多芯片工艺步骤采用光刻技术,用于这些步骤的图形“底片”称为掩膜(也称作“掩模”),其作用是:在硅片上选定的区域中对一个不透明的图形模板遮盖,继而下面的腐蚀或扩散将只影响选定的区域以外的区域。图像掩膜与其类似,用选定的图像、图形或物体,对处理的图像(全部或局部)进行遮挡,来控制图像处理的区域或处理过程。
坐标反算,坐标反算是指根据直线的起点和终点的坐标,计算直线的水平距离和坐标方位角的过程。在本发明中,反算是指根据轮廓坐标计算对应的三维激光点云的三维坐标。
IOU(Intersection over Union,交并比):两个矩形框面积的交集和并集的比值。IOU和非极大值抑制(NMS,Non-Maximum Suppression)是目标检测任务中非常重要的两个概念。例如在用训练好的模型进行测试时,网络会预测出一系列的候选框。这时候我们会用NMS来移除一些多余的候选框。即移除一些IOU值大于某个阈值的框。然后在剩下的候选框中,分别计算与ground truth(真实值)的IOU值,通常会规定当候选框和ground truth的IOU值大于0.5时,认为检测正确。
下面对本发明的技术方案进行说明:
参考图1与图2,一种高精度地图制作中道路人行横道自动化提取方法,包括如下步骤:步骤A:提取高精度地图采集的RGB图像中的人行横道;步骤B:获取激光点云中离所述人行横道最近的轨迹点;步骤C:根据所述轨迹点将包含所述人行横道的三维激光点云区域投影为二维投影图像,对所述二维投影图像进行语义分割和提取;步骤D:对所述二维投影图像提取的人行横道信息进行反算、去重、优化、合并,直至提取出高精度地图中所有三维激光点云中的人行横道目标要素。
在本发明的一些实施例中,步骤A的提取高精度地图采集的RGB图像中的人行横道过程中,使用常规的图像目标检测网络对高精度地图采集的RGB彩色实景图像进行人行横道目标提取,过滤未包含人行横道目标的图片。优选的,目标检测网络由深度学习算法构建的模型经训练而得的。目标检测算至少采用Faster R-CNN或基于YOLO的目标检测算法的一种。
在本发明的一些实施例中,步骤B中,采用图像跟踪算法获取相邻轨迹点对应图片中的目标关系,去掉包含同一目标的图片并保留包含该人行横道最大目标的图片,即可获取激光点云中离该人行横道最近的轨迹点。
进一步的,在步骤B中,获取激光点云中离所述人行横道最近的轨迹点通过如下方式实现:保留多个连续图片中单个人行横道的最大目标图,删除包含该人行横道的其他重复的图片,即可获取激光点云中离该人行横道最近的轨迹点。
具体地,由于激光点云中,多个轨迹点相隔较近,多个轨迹点所对应的图片中包含同一个目标,采用提取出的目标形似性(SSIM或余弦相似度)进行提取目标度量以及匈牙利算法进行关联,保留多个连续图片中单个人行横道的最大目标图,删除包含该人行横道的其他重复的图片。根据激光点云中图片和轨迹点关系,即可获取激光点云中包含人行横道最近的轨迹点位置。
优选的,采用KM(Kuhn-Munkres Algorithm)算法对提取目标度量和进行关联。
在本发明的一些实施例中,步骤C中的根据所述轨迹点将包含所述人行横道的三维激光点云区域投影为二维投影图像过程中:首先将该激光点云区域切割成多个固定长宽的3D点云块。切割的方向可以多种形式,以人行横道中或附近的固定目标为中心,沿道路上下行方向顺序切割。
然后以单个站单个点云块为基准,顺序沿着轨迹点以行车方向对点云块进行切割,切割的长宽固定,然后沿着激光点云行车方向即轨迹方向将固定长宽的3D激光点云块投影成2D投影图片。
最后,将所述多个固定长宽的3D点云块投影成二维点云投影图像并保存3D坐标和2D图像坐标映射信息。
在本发明的一些实施例中,步骤C中的通过图像语义识别模型对所述二维投影图像进行语义分割和提取。图像语义识别模型的构建过程:获取2D投影图像人行横道的标注样本,将样本作为图像语义识别模型的输入,经过多轮次的训练后,得到最终的图像语义识别模型。
参考图5,在上述的实施例中,所述步骤D包括通过语义分割模型对投影图像进行人行横道预测,获取人行横道对应的mask图并提取mask图中的轮廓。
参考图3至图6,本发明还提供了一种高精度地图制作中道路人行横道自动化提取装置1,包括获取模块11、目标检测网络12、投影模块13、图像语义识别模型14、提取模块15,所述获取模块11,用于获取道路的激光点云、RGB图像、轨迹;
目标检测网络12,用于提取高精度地图采集的RGB图像中的人行横道;优选的,目标检测网络通过deepsort过滤掉采集到的相邻图片中相同的目标,保留最大目标(人行横道)的图片。
投影模块13,用于根据所述轨迹点将包含所述人行横道的三维激光点云区域投影为二维投影图像;所述图像语义识别模型14,用于根据深度学习算法对所述二维投影图像进行语义分割和提取;所述提取模块15,用于对所述二维投影图像提取的人行横道信息进行反算、去重、优化、合并,直至提取出高精度地图中所有三维激光点云中的人行横道目标要素。
优选的,图像语义识别模型14采用FCN、空洞卷积(Dilated Convolutions),DeepLab网络和RefineNet构建。
在发明的一些实施例中,提取模块15根据图像语义识别模型14对投影图像进行人行横道预测,获取人行横道对应的mask图,并提取所述mask图的轮廓,通过反算获取激光点云中人行横道轮廓的三维坐标。具体地,过滤面积较大或者较小或长宽比例不适应的轮廓,获取单张投影图像中多个人行横道的轮廓,并根据取凸包扩展被遮挡空洞区域。将单个投影图像中提取的人行横道轮廓坐标反算到对应的三维激光点云中,获取激光点云中人行横道轮廓的三维坐标。
提取模块15对三维激光点云的过滤、去重、精提的过程如下:
(1)由于采用滑动窗口的方式进行点云块切割,会造成多个对个点云块中包含同一个人行横道目标以及单个人行横道被裁断的情形,三维反算后对提取的多个轮廓进行合并并采用极大值抑制方法根据得分进行去重,即可获得单个人行横道目标的单个轮廓的三维坐标值。
(2)修正,以提取的三维轮廓点为中心,取该点适当像素区域内的激光点云强度梯度较大的点替换该轮廓点,并小范围内取其凸包进行微调,使其精度误差在几个厘米级范围之内。
(3)上下行合并,将上下行道路对应的点云块合并,根据提取的多个人行横道轮廓的IOU(Intersection over Union,交并比)进行合并去重。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种高精度地图制作中道路人行横道自动化提取方法,其特征在于,包括如下步骤:
步骤A:提取高精度地图采集的RGB图像中的人行横道;
步骤B:获取激光点云中离所述人行横道最近的轨迹点;
步骤C:根据所述轨迹点将包含所述人行横道的三维激光点云区域投影为二维投影图像,对所述二维投影图像进行语义分割和提取;
步骤D:对所述二维投影图像提取的人行横道信息进行反算、去重、优化、合并,直至提取出高精度地图中所有三维激光点云中的人行横道目标要素。
2.根据权利要求1所述的高精度地图制作中道路人行横道自动化提取方法,其特征在于,所述步骤A通过目标检测模型执行。
3.根据权利要求1所述的高精度地图制作中道路人行横道自动化提取方法,其特征在于,所述步骤B包括:获取相邻轨迹点对应图片中的目标关系,去掉包含同一目标的图片并保留包含该人行横道最大目标的图片。
4.根据权利要求3所述的高精度地图制作中道路人行横道自动化提取方法,其特征在于,所述步骤B包括:保留多个连续图片中单个人行横道的最大目标图,删除包含该人行横道的其他重复的图片。
5.根据权利要求1所述的高精度地图制作中道路人行横道自动化提取方法,其特征在于,所述步骤C包括:将该激光点云区域切割成多个固定长宽的3D点云块。
6.根据权利要求5所述的高精度地图制作中道路人行横道自动化提取方法,其特征在于,所述步骤C还包括:将所述多个固定长宽的3D点云块投影成二维点云投影图像并保存3D坐标和2D图像坐标映射信息。
7.根据权利要求1-6中任一所述的高精度地图制作中道路人行横道自动化提取方法,其特征在于,所述步骤D包括:通过语义分割模型对投影图像进行人行横道预测,获取人行横道对应的mask图并提取mask图中的轮廓。
8.根据权利要求7所述的高精度地图制作中道路人行横道自动化提取方法,其特征在于,所述步骤D还包括:对提取的轮廓进行合并,并采用极大值抑制方法进行去重。
9.一种高精度地图制作中道路人行横道自动化提取装置,其特征在于,包括获取模块、目标检测网络、投影模块、图像语义识别模型、提取模块,
所述获取模块,用于获取道路的激光点云、RGB图像、轨迹;
所述目标检测网络,用于提取高精度地图采集的RGB图像中的人行横道;
所述投影模块,用于根据所述轨迹点将包含所述人行横道的三维激光点云区域投影为二维投影图像;
所述图像语义识别模型,用于根据深度学习算法对所述二维投影图像进行语义分割和提取;
所述提取模块,用于对所述二维投影图像提取的人行横道信息进行反算、去重、优化、合并,直至提取出高精度地图中所有三维激光点云中的人行横道目标要素。
10.根据权利要求9所述的高精度地图制作中道路人行横道自动化提取装置,其特征在于,所述提取模块对语义根据图像语义识别模型对投影图像进行人行横道预测,获取人行横道对应的mask图,并提取所述mask图的轮廓,通过反算获取激光点云中人行横道轮廓的三维坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676719.2A CN111881790B (zh) | 2020-07-14 | 2020-07-14 | 一种高精度地图制作中道路人行横道自动化提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676719.2A CN111881790B (zh) | 2020-07-14 | 2020-07-14 | 一种高精度地图制作中道路人行横道自动化提取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881790A true CN111881790A (zh) | 2020-11-03 |
CN111881790B CN111881790B (zh) | 2023-04-28 |
Family
ID=73150313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010676719.2A Active CN111881790B (zh) | 2020-07-14 | 2020-07-14 | 一种高精度地图制作中道路人行横道自动化提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881790B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986214A (zh) * | 2020-08-26 | 2020-11-24 | 湖北亿咖通科技有限公司 | 一种地图中人行横道的构建方法和电子设备 |
CN112434707A (zh) * | 2020-11-14 | 2021-03-02 | 武汉中海庭数据技术有限公司 | 一种交通路口rpp点自动提取方法及装置 |
CN112434593A (zh) * | 2020-11-19 | 2021-03-02 | 武汉中海庭数据技术有限公司 | 一种基于投影图提取道路外侧线的方法及系统 |
CN112561808A (zh) * | 2020-11-27 | 2021-03-26 | 中央财经大学 | 一种基于车载激光点云和卫星影像的道路边界线复原方法 |
CN112632201A (zh) * | 2020-12-12 | 2021-04-09 | 武汉中海庭数据技术有限公司 | 一种交通道路拓扑网构建方法及装置 |
CN112733640A (zh) * | 2020-12-29 | 2021-04-30 | 武汉中海庭数据技术有限公司 | 基于点云高精度地图的交通指示灯定位提取方法及系统 |
CN113587943A (zh) * | 2021-07-28 | 2021-11-02 | 广州小鹏自动驾驶科技有限公司 | 一种地图处理的方法和装置 |
CN113807193A (zh) * | 2021-08-23 | 2021-12-17 | 武汉中海庭数据技术有限公司 | 一种激光点云中交通道路虚线段自动提取方法及系统 |
CN113865600A (zh) * | 2021-09-28 | 2021-12-31 | 北京三快在线科技有限公司 | 一种高精地图的构建方法及装置 |
TWI789267B (zh) * | 2022-03-10 | 2023-01-01 | 國立臺中科技大學 | 使用二維影像自動產生訓練三維點雲學習網路所需之真實資料的方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564874A (zh) * | 2018-05-07 | 2018-09-21 | 腾讯大地通途(北京)科技有限公司 | 地面标志提取的方法、模型训练的方法、设备及存储介质 |
CN109766878A (zh) * | 2019-04-11 | 2019-05-17 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种车道线检测的方法和设备 |
CN110160502A (zh) * | 2018-10-12 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 地图要素提取方法、装置及服务器 |
CN110660062A (zh) * | 2019-08-31 | 2020-01-07 | 南京理工大学 | 一种基于PointNet的点云实例分割方法及系统 |
CN110807461A (zh) * | 2020-01-08 | 2020-02-18 | 深圳市越疆科技有限公司 | 一种目标位置检测方法 |
US20200090357A1 (en) * | 2018-09-14 | 2020-03-19 | Lucas PAGÉ-CACCIA | Method and system for generating synthetic point cloud data using a generative model |
CN111007531A (zh) * | 2019-12-24 | 2020-04-14 | 电子科技大学 | 一种基于激光点云数据的道路边沿检测方法 |
CN111080662A (zh) * | 2019-12-11 | 2020-04-28 | 北京建筑大学 | 车道线的提取方法、装置及计算机设备 |
CN111144315A (zh) * | 2019-12-27 | 2020-05-12 | 北京三快在线科技有限公司 | 目标检测方法、装置、电子设备和可读存储介质 |
CN111192311A (zh) * | 2019-12-31 | 2020-05-22 | 武汉中海庭数据技术有限公司 | 一种高精度地图制作中纵向减速标线自动提取方法和装置 |
-
2020
- 2020-07-14 CN CN202010676719.2A patent/CN111881790B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564874A (zh) * | 2018-05-07 | 2018-09-21 | 腾讯大地通途(北京)科技有限公司 | 地面标志提取的方法、模型训练的方法、设备及存储介质 |
US20200090357A1 (en) * | 2018-09-14 | 2020-03-19 | Lucas PAGÉ-CACCIA | Method and system for generating synthetic point cloud data using a generative model |
CN110160502A (zh) * | 2018-10-12 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 地图要素提取方法、装置及服务器 |
CN109766878A (zh) * | 2019-04-11 | 2019-05-17 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种车道线检测的方法和设备 |
CN110660062A (zh) * | 2019-08-31 | 2020-01-07 | 南京理工大学 | 一种基于PointNet的点云实例分割方法及系统 |
CN111080662A (zh) * | 2019-12-11 | 2020-04-28 | 北京建筑大学 | 车道线的提取方法、装置及计算机设备 |
CN111007531A (zh) * | 2019-12-24 | 2020-04-14 | 电子科技大学 | 一种基于激光点云数据的道路边沿检测方法 |
CN111144315A (zh) * | 2019-12-27 | 2020-05-12 | 北京三快在线科技有限公司 | 目标检测方法、装置、电子设备和可读存储介质 |
CN111192311A (zh) * | 2019-12-31 | 2020-05-22 | 武汉中海庭数据技术有限公司 | 一种高精度地图制作中纵向减速标线自动提取方法和装置 |
CN110807461A (zh) * | 2020-01-08 | 2020-02-18 | 深圳市越疆科技有限公司 | 一种目标位置检测方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986214B (zh) * | 2020-08-26 | 2021-08-06 | 湖北亿咖通科技有限公司 | 一种地图中人行横道的构建方法和电子设备 |
CN111986214A (zh) * | 2020-08-26 | 2020-11-24 | 湖北亿咖通科技有限公司 | 一种地图中人行横道的构建方法和电子设备 |
CN112434707A (zh) * | 2020-11-14 | 2021-03-02 | 武汉中海庭数据技术有限公司 | 一种交通路口rpp点自动提取方法及装置 |
CN112434593A (zh) * | 2020-11-19 | 2021-03-02 | 武汉中海庭数据技术有限公司 | 一种基于投影图提取道路外侧线的方法及系统 |
CN112434593B (zh) * | 2020-11-19 | 2022-05-17 | 武汉中海庭数据技术有限公司 | 一种基于投影图提取道路外侧线的方法及系统 |
CN112561808A (zh) * | 2020-11-27 | 2021-03-26 | 中央财经大学 | 一种基于车载激光点云和卫星影像的道路边界线复原方法 |
CN112561808B (zh) * | 2020-11-27 | 2023-07-18 | 中央财经大学 | 一种基于车载激光点云和卫星影像的道路边界线复原方法 |
CN112632201B (zh) * | 2020-12-12 | 2022-05-13 | 武汉中海庭数据技术有限公司 | 一种交通道路拓扑网构建方法及装置 |
CN112632201A (zh) * | 2020-12-12 | 2021-04-09 | 武汉中海庭数据技术有限公司 | 一种交通道路拓扑网构建方法及装置 |
CN112733640A (zh) * | 2020-12-29 | 2021-04-30 | 武汉中海庭数据技术有限公司 | 基于点云高精度地图的交通指示灯定位提取方法及系统 |
CN113587943A (zh) * | 2021-07-28 | 2021-11-02 | 广州小鹏自动驾驶科技有限公司 | 一种地图处理的方法和装置 |
CN113807193A (zh) * | 2021-08-23 | 2021-12-17 | 武汉中海庭数据技术有限公司 | 一种激光点云中交通道路虚线段自动提取方法及系统 |
CN113865600A (zh) * | 2021-09-28 | 2021-12-31 | 北京三快在线科技有限公司 | 一种高精地图的构建方法及装置 |
CN113865600B (zh) * | 2021-09-28 | 2023-01-06 | 北京三快在线科技有限公司 | 一种高精地图的构建方法及装置 |
TWI789267B (zh) * | 2022-03-10 | 2023-01-01 | 國立臺中科技大學 | 使用二維影像自動產生訓練三維點雲學習網路所需之真實資料的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111881790B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881790A (zh) | 一种高精度地图制作中道路人行横道自动化提取方法和装置 | |
CN110148196B (zh) | 一种图像处理方法、装置以及相关设备 | |
CN113516664B (zh) | 一种基于语义分割动态点的视觉slam方法 | |
EP3171292B1 (en) | Driving lane data processing method, device, storage medium and apparatus | |
CN110443225B (zh) | 一种基于特征像素统计的虚实车道线识别方法及其装置 | |
CN111192311B (zh) | 一种高精度地图制作中纵向减速标线自动提取方法和装置 | |
CN105300403B (zh) | 一种基于双目视觉的车辆里程计算法 | |
WO2022134996A1 (en) | Lane line detection method based on deep learning, and apparatus | |
Gomez et al. | Traffic lights detection and state estimation using hidden markov models | |
CN104282020A (zh) | 一种基于目标运动轨迹的车辆速度检测方法 | |
CN108776974B (zh) | 一种适用于公共交通场景的实时目标跟踪方法 | |
KR20200060194A (ko) | 차선들의 깊이값을 예측하는 방법, 3차원 차선들을 출력하는 방법 및 그 장치 | |
Mu et al. | Multiscale edge fusion for vehicle detection based on difference of Gaussian | |
CN112825192B (zh) | 基于机器学习的对象辨识系统及其方法 | |
CN114419165B (zh) | 相机外参校正方法、装置、电子设备和存储介质 | |
CN107909012B (zh) | 一种基于视差图的实时车辆跟踪检测方法与装置 | |
CN106980855A (zh) | 交通标志快速识别定位系统及方法 | |
WO2021017211A1 (zh) | 一种基于视觉的车辆定位方法、装置及车载终端 | |
CN111723778B (zh) | 基于MobileNet-SSD的车辆测距系统及方法 | |
CN110717445A (zh) | 一种用于自动驾驶的前车距离跟踪系统与方法 | |
CN106803262A (zh) | 利用双目视觉自主解算汽车速度的方法 | |
CN109145897B (zh) | 航天器合作靶标及其识别方法和识别装置 | |
CN107220632B (zh) | 一种基于法向特征的路面图像分割方法 | |
CN113689393A (zh) | 一种基于图像和点云实例匹配的三维目标检测算法 | |
CN111488762A (zh) | 一种车道级定位方法、装置及定位设备 |
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 |