CN112258519A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN112258519A
CN112258519A CN202011086403.4A CN202011086403A CN112258519A CN 112258519 A CN112258519 A CN 112258519A CN 202011086403 A CN202011086403 A CN 202011086403A CN 112258519 A CN112258519 A CN 112258519A
Authority
CN
China
Prior art keywords
road
line
point cloud
dimensional
target
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
Application number
CN202011086403.4A
Other languages
English (en)
Other versions
CN112258519B (zh
Inventor
何豪杰
熊迹
肖圣
刘奋
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.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence 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 Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN202011086403.4A priority Critical patent/CN112258519B/zh
Publication of CN112258519A publication Critical patent/CN112258519A/zh
Application granted granted Critical
Publication of CN112258519B publication Critical patent/CN112258519B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • G06T11/003Reconstruction from projections, e.g. tomography
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/25Determination of region of interest [ROI] or a volume of interest [VOI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation 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
    • G06V10/267Segmentation 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10028Range image; Depth image; 3D point clouds
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及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,其方法包括:获取道路的三维激光点云、图片、轨迹点信息;将道路三维激光点云分割成若干个点云块,并提取其中让行线的三维ROI点云块;将所述三维ROI点云块投影成二维图像;根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性;根据所述二维图像的分类属性和特征点得到高精度道的道路让行线要素。本发明结合了深度学习模和传统的图像处理算法,实现道路场景中的多类让行线的属性自动提取和特征点的高精度自动提取,具有精度高、计算量小、适应性强等特点。

Description

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
技术领域
本发明涉及高精度地图制作领域,尤其涉及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。
背景技术
导航地图只能给驾驶员提供方向性的引导,而高精度地图能够提供更详细的道路拓扑关系,更全面的道路要素信息等,可以为无人驾驶提供更多的预判空间,极大地降低无人车的计算量。在高精度地图中,制作高精度地图需要极大的人工量以及成本,使用传统的算法针对激光点云计算量较大且泛化能力弱,使用3D深度学习模型检测精度低且误检多。
发明内容
本发明针对现有高精度地图制作存在的人工成本高、计算量大、泛化能力弱、精度低等技术问题,在本发明的第一方面提供了一种高精度地图制作中道路的让行线自动化提取方法,包括如下步骤:获取道路的三维激光点云、图片、轨迹点信息;将道路三维激光点云分割成若干个点云块,并提取其中让行线的三维ROI点云块;将所述三维ROI点云块投影成二维图像;根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性;根据所述二维图像的分类属性和特征点得到高精度道的道路让行线要素。
在本发明的一些实施例中,所述将道路三维激光点云分割成若干个点云块,并提取其中让行线的三维ROI点云块包括如下步骤:获取道路的三维激光点云及其对应的轨迹点;沿着所述轨迹点方向,分别按道路的横向和纵向将所述道路的三维激光点云裁剪成多个大小相同的3D点云块;将所述3D点云块的原始三维坐标转换为当前3D点云块的三维矩阵坐标,所述当前3D点云块的坐标中心点为地面上的道路行车方向的横向纵向的中心,并保存坐标转换的映射关系;获取道路让行线的3D标注样本并训练3D目标检测模型,通过所述3D目标检测模型对3D点云块中的要素进行预测,获取道路让行线的包围区域。
在本发明的一些实施例中,所述根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性包括如下步骤:将三维ROI点云块沿着道路行车方向投影成二维投影图并保存投影坐标映射关系;通过语义分割模型获取道路让行线的具体轮廓;对所述具体轮廓的非目标要素进行过滤,保留正确的目标道路让行线轮廓并根据梯度对轮廓点进行修正,使其边缘误差低于阈值,得到高精度的目标道路让行线轮廓。
进一步的,所述根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性包括如下步骤:根据所述目标道路让行线轮廓的角点检测方法对目标让行线的左下角点和右下角点进行检测,得到目标道路让行线的特征点。
更进一步的,所述角点检测方法包括二值图像检测、Harris角点检测、关键点检测。
在本发明的一些实施例中,所述根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性包括如下步骤:根据所述目标道路让行线轮廓获取其对应的原二维投影图的灰度信息;根据所述原二维投影图的灰度特征和/或几何特征进行分类,将道路让行线分为道路停止线、车让行线、减速让行线。
本发明的第二方面提供了一种高精度地图制作中道路的让行线自动化提取装置,包括获取模块、分割模块、投影模块、提取模块、合成模块,所述获取模块,用于获取道路的三维激光点云、图片、轨迹点信息;所述分割模块,将道路三维激光点云分割成若干个点云块,并提取其中让行线的三维ROI点云块;所述投影模块,将所述三维ROI点云块投影成二维图像;所述提取模块,根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性;所述合成模块,根据所述二维图像的分类属性和特征点得到高精度地图的让行线要素。
进一步的所述提取模块包括第一提取模块、第二提取模块、第三提取模块,所述第一提取模块根据所述二维图像提取目标道路让行线的轮廓;所述第二提取模块根据所述二维图像提取目标道路让行线的特征点;所述第三提取模块根据所述二维图像提取目标道路让行线的分类属性。
本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明第一方面提供的高精度地图制作中道路的让行线自动化提取方法。
本发明的第四方面提供了一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现本发明第一方面提供的高精度地图制作中道路的让行线自动化提取方法。
本发明的有益效果是:
1.本发明总体上结合深度学习模型和传统的图像处理算法,将大块激光点云切割成多个小块点云,根据目标检测模型提取道路让行线感兴趣区域,快速的过滤非目标区域,降低计算复杂度;同时将小块点云进行鸟瞰投影进行分割精提等操作,实现道路场景中的多类让行线的属性自动提取和特征点的高精度自动提取;
2.通过分割激光点云、ROI检测与语义分割模型的结合,降低了传统激光点云提取道路让行线的计算量;在前述基础上,利用传统的图像处理算法对边缘轮廓进行进一步过滤提高了深度学习模型提取的道路让行线的精度;
3.在提取道路让行线的特征点和轮廓过程中,通过深度学习模型与传统的图像处理算法结合得到道路让行线的分类属性,以适应不同类型的多种让行线要素的全自动化提取。
附图说明
图1为常见道路让行线的分类示意图;
图2为本发明的一些实施例中的高精度地图制作中道路的让行线自动化提取方法基本流程图;
图3为3D点云及其对应的二维投影的实例图;
图4为本发明本发明的一些实施例中的高精度地图制作中道路的让行线自动化提取方法具体流程图;
图5为提取的多类让行线的轮廓、特征点示意图;
图6为本发明的一些实施例中的高精度地图制作中道路的让行线自动化提取装置基本结构框图;
图7为为本发明的电子设备的基本结构框图。
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。
参考图1与图4,本发明提供了一种高精度地图制作中道路的让行线自动化提取方法,包括如下步骤:S101.获取道路的三维激光点云、图片、轨迹点信息;S102.将道路三维激光点云分割成若干个点云块,并提取其中让行线的三维ROI点云块;S103.将所述三维ROI点云块投影成二维图像;根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性;S104.根据所述二维图像的分类属性和特征点得到高精度道的道路让行线要素。
参考图2与图3,在本发明的一些实施例的步骤S102中,所述将道路三维激光点云分割成若干个点云块,并提取其中让行线的三维ROI点云块包括如下步骤:获取道路的三维激光点云及其对应的轨迹点;沿着所述轨迹点方向,分别按道路的横向和纵向将道路激光点云裁剪(分割)成多个大小相同的3D点云块;通过设置横向裁剪距离使得3D点云块包含行驶方向的所有车道,纵向距离即为道路长度;特别的,分割后的3D点云块沿道路行驶方向适当的重叠以确保要素未被截断。
将所述3D点云块的原始三维坐标转换为当前3D点云块的三维矩阵坐标,所述当前3D点云块的坐标中心点为地面上的道路行车方向的横向纵向的中心,并保存坐标转换的映射关系;获取道路让行线的3D标注样本并训练3D目标检测模型,通过所述3D目标检测模型对3D点云块中的要素进行预测,获取道路让行线的包围区域。需要说明的是,包围区域可根据检测框或检测区域的大小进行适应性调整,以保证提取的精度。
在本发明的一些实施例中,所述根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性包括如下步骤:将三维ROI点云块沿着道路行车方向投影成二维投影图并保存投影坐标映射关系;通过语义分割模型获取道路让行线的具体轮廓,通过面积/长宽比等特征对非目标要素对轮廓进行过滤,保留正确的目标道路让行线轮廓并根据梯度对轮廓点进行修正,使其边缘误差低于阈值(≤5个像素),得到高精度的目标道路让行线轮廓或轮廓信息。可以理解,上述根据梯度对轮廓进行修正(滤波)包括Sobel算子、Scharr算子、Laplacian算子中的一种或多种;优选的,采用Laplacian算子对目标道路让行线轮廓进行修正。
参考图4与图5,进一步的,所述根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性包括如下步骤:根据所述目标道路让行线轮廓的角点检测方法对目标让行线的左下角点和右下角点进行检测,得到目标道路让行线的特征点。
更进一步的,所述角点检测方法包括二值图像检测、Harris角点检测、关键点检测。
参考图1与图5,在本发明的一些实施例中,所述根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性包括如下步骤:根据所述目标道路让行线轮廓获取其对应的原二维投影图的灰度信息;根据所述原二维投影图的灰度特征和/或几何特征进行分类,将道路让行线分为道路停止线、车让行线、减速让行线。
然后将提取的目标要素信息(轮廓、特征点、二维投影图像)反算到三维坐标中,并过滤重复的目标:根据投影坐标映射关系,将二维投影提取的目标要素的特征点信息/轮廓包围box信息/轮廓分类属性,反算到3D点云ROI坐标中;根据三维坐标映射关系将提取的目标要素信息转换到道路点云三维坐标中,并应用非极大值抑制和三维box信息的几何特征对提取的多个重复的目标进行过滤,保留完整的道路让行线目标。最后,将提取到的道路让行线要素的特征点信息和分类信息反馈到高精度地图制作系统中,即可完成道路三维激光点云中让行线要素的全自动化提取。
参考图6,本发明的一些实施例中提供了一种高精度地图制作中道路的让行线自动化提取装1,包括获取模块11、分割模块12、投影模块13、提取模块14、合成模块15,所述获取模块11,用于获取道路的三维激光点云、图片、轨迹点信息;所述分割模块12,将道路三维激光点云分割成若干个点云块,并提取其中让行线的三维ROI点云块;所述投影模块13,将所述三维ROI点云块投影成二维图像;所述提取模块14,根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性;所述合成模块15,根据所述二维图像的分类属性和特征点得到高精度地图的让行线要素。
进一步的,所述提取模块14包括第一提取模块、第二提取模块、第三提取模块,所述第一提取模块根据所述二维图像提取目标道路让行线的轮廓;所述第二提取模块根据所述二维图像提取目标道路让行线的特征点;所述第三提取模块根据所述二维图像提取目标道路让行线的分类属性。
本发明的一些实施例中,公开了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明第一方面提供的高精度地图制作中道路的让行线自动化提取方法。
参考图7,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM502被安装。在该计算机程序被处理装置501执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
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的让行线自动化提取方法,其特征在于,包括如下步骤:
获取道路的三维激光点云、图片、轨迹点信息;
将道路三维激光点云分割成若干个点云块,并提取其中让行线的三维ROI点云块;
将所述三维ROI点云块投影成二维图像;
根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性;
根据所述二维图像的分类属性和特征点得到高精度道的道路让行线要素。
2.根据权利要求1所述的高精度地图制作中道路的让行线自动化提取方法,其特征在于,所述将道路三维激光点云分割成若干个点云块,并提取其中让行线的三维ROI点云块包括如下步骤:
获取道路的三维激光点云及其对应的轨迹点;
沿着所述轨迹点方向,分别按道路的横向和纵向将所述道路的三维激光点云裁剪成多个大小相同的3D点云块;
将所述3D点云块的原始三维坐标转换为当前3D点云块的三维矩阵坐标,所述当前3D点云块的坐标中心点为地面上的道路行车方向的横向纵向的中心,并保存坐标转换的映射关系;
获取道路让行线的3D标注样本并训练3D目标检测模型,通过所述3D目标检测模型对3D点云块中的要素进行预测,获取道路让行线的包围区域。
3.根据权利要求1所述的高精度地图制作中道路的让行线自动化提取方法,其特征在于,所述根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性包括如下步骤:
将三维ROI点云块沿着道路行车方向投影成二维投影图并保存投影坐标映射关系;
通过语义分割模型获取道路让行线的具体轮廓;
对所述具体轮廓的非目标要素进行过滤,保留正确的目标道路让行线轮廓并根据梯度对轮廓点进行修正,使其边缘误差低于阈值,得到高精度的目标道路让行线轮廓。
4.根据权利要求3所述的高精度地图制作中道路的让行线自动化提取方法,其特征在于,所述根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性包括如下步骤:
根据所述目标道路让行线轮廓的角点检测方法对目标让行线的左下角点和右下角点进行检测,得到目标道路让行线的特征点。
5.根据权利要求4所述的高精度地图制作中道路的让行线自动化提取方法,其特征在于,所述角点检测方法包括二值图像检测、Harris角点检测、关键点检测。
6.根据权利要求3所述的高精度地图制作中道路的让行线自动化提取方法,其特征在于,所述根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性包括如下步骤:
根据所述目标道路让行线轮廓获取其对应的原二维投影图的灰度信息;
根据所述原二维投影图的灰度特征和/或几何特征进行分类,将道路让行线分为道路停止线、车让行线、减速让行线。
7.一种高精度地图制作中道路的让行线自动化提取装置,其特征在于,包括获取模块、分割模块、投影模块、提取模块、合成模块,
所述获取模块,用于获取道路的三维激光点云、图片、轨迹点信息;
所述分割模块,将道路三维激光点云分割成若干个点云块,并提取其中让行线的三维ROI点云块;
所述投影模块,将所述三维ROI点云块投影成二维图像;
所述提取模块,根据所述二维图像提取目标道路让行线轮廓及其特征点、分类属性;
所述合成模块,根据所述二维图像的分类属性和特征点得到高精度地图的让行线要素。
8.根据权利要求7所述的高精度地图制作中道路的让行线自动化提取装置,其特征在于,所述提取模块包括第一提取模块、第二提取模块、第三提取模块,
所述第一提取模块根据所述二维图像提取目标道路让行线的轮廓;
所述第二提取模块根据所述二维图像提取目标道路让行线的特征点;
所述第三提取模块根据所述二维图像提取目标道路让行线的分类属性。
9.一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202011086403.4A 2020-10-12 2020-10-12 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 Active CN112258519B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011086403.4A CN112258519B (zh) 2020-10-12 2020-10-12 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011086403.4A CN112258519B (zh) 2020-10-12 2020-10-12 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

Publications (2)

Publication Number Publication Date
CN112258519A true CN112258519A (zh) 2021-01-22
CN112258519B CN112258519B (zh) 2022-09-20

Family

ID=74242858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011086403.4A Active CN112258519B (zh) 2020-10-12 2020-10-12 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

Country Status (1)

Country Link
CN (1) CN112258519B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927338A (zh) * 2021-03-30 2021-06-08 深圳裹动智驾科技有限公司 基于三维轮廓的仿真方法、存储介质及计算机设备
CN113566839A (zh) * 2021-07-23 2021-10-29 湖南省计量检测研究院 基于三维建模的道路区间最短路程距离测量方法
CN113780070A (zh) * 2021-07-30 2021-12-10 武汉中海庭数据技术有限公司 一种人行横道预警标识检测方法及系统
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
WO2024040500A1 (zh) * 2022-08-23 2024-02-29 北京初速度科技有限公司 三维路面的着色方法、装置、存储介质、电子设备及车辆

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858374A (zh) * 2018-12-31 2019-06-07 武汉中海庭数据技术有限公司 高精度地图制作中箭头类标线自动提取方法和装置
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858374A (zh) * 2018-12-31 2019-06-07 武汉中海庭数据技术有限公司 高精度地图制作中箭头类标线自动提取方法和装置
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

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927338A (zh) * 2021-03-30 2021-06-08 深圳裹动智驾科技有限公司 基于三维轮廓的仿真方法、存储介质及计算机设备
CN113566839A (zh) * 2021-07-23 2021-10-29 湖南省计量检测研究院 基于三维建模的道路区间最短路程距离测量方法
CN113566839B (zh) * 2021-07-23 2024-02-06 湖南省计量检测研究院 基于三维建模的道路区间最短路程距离测量方法
CN113780070A (zh) * 2021-07-30 2021-12-10 武汉中海庭数据技术有限公司 一种人行横道预警标识检测方法及系统
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
WO2024040500A1 (zh) * 2022-08-23 2024-02-29 北京初速度科技有限公司 三维路面的着色方法、装置、存储介质、电子设备及车辆

Also Published As

Publication number Publication date
CN112258519B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
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
CN109461211B (zh) 基于视觉点云的语义矢量地图构建方法、装置和电子设备
US11506769B2 (en) Method and device for detecting precision of internal parameter of laser radar
EP3627180A1 (en) Sensor calibration method and device, computer device, medium, and vehicle
CN115540896B (zh) 路径规划方法、装置、电子设备和计算机可读介质
CN111339876B (zh) 用于识别场景中各区域类型的方法和装置
CN113674287A (zh) 高精地图的绘制方法、装置、设备以及存储介质
US20230005278A1 (en) Lane extraction method using projection transformation of three-dimensional point cloud map
CN111353453A (zh) 用于车辆的障碍物检测方法和装置
CN115147328A (zh) 三维目标检测方法及装置
CN114550116A (zh) 一种对象识别方法和装置
CN113763438B (zh) 一种点云配准方法、装置、设备及存储介质
CN115468578B (zh) 路径规划方法、装置、电子设备和计算机可读介质
CN112558036B (zh) 用于输出信息的方法和装置
CN110321854B (zh) 用于检测目标对象的方法和装置
CN110363847B (zh) 一种基于点云数据的地图模型构建方法和装置
CN110377776B (zh) 生成点云数据的方法和装置
CN111383337B (zh) 用于识别对象的方法和装置
CN114643984A (zh) 驾驶避险方法、装置、设备、介质及产品
CN112668371B (zh) 用于输出信息的方法和装置
CN113901903A (zh) 道路识别方法和装置
CN115507873B (zh) 基于公交车尾红绿灯的路径规划方法、装置、设备和介质
CN116740682B (zh) 车辆泊入路线信息生成方法、装置、电子设备和可读介质
CN116309943B (zh) 一种停车场语义地图路网构建方法、装置及电子设备
CN111461982B (zh) 用于拼接点云的方法和装置

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