CN112434119A - 一种基于异构数据融合的高精度地图生产装置 - Google Patents

一种基于异构数据融合的高精度地图生产装置 Download PDF

Info

Publication number
CN112434119A
CN112434119A CN202011273357.9A CN202011273357A CN112434119A CN 112434119 A CN112434119 A CN 112434119A CN 202011273357 A CN202011273357 A CN 202011273357A CN 112434119 A CN112434119 A CN 112434119A
Authority
CN
China
Prior art keywords
point cloud
data
image
detection
module
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.)
Pending
Application number
CN202011273357.9A
Other languages
English (en)
Inventor
熊迹
王畅
文铁谋
肖圣
周智颖
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 CN202011273357.9A priority Critical patent/CN112434119A/zh
Publication of CN112434119A publication Critical patent/CN112434119A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于异构数据融合的高精度地图生产装置，包括：自动化检测与处理模块、点云与图像配准模块和融合数据自动化制作平台；自动化检测与处理模块用于对图像和点云数据的原始数据进行清洗与预处理后送入点云与图像配准模块；点云与图像配准模块根据图像和点云数据的特征进行图像和点云数据的配准和融合，使图像中的目标数据拥有绝对坐标信息，使点云数据拥有目标的属性信息；融合数据自动化制作平台融合机器学习中不同种方法的特征概率模型，提取出组成高精度地图的交通元素，结合交通元素与其周围的等效关系以及相关属性，完成高精度地图生产过程；融合机器学习中不同种方法的特征概率模型，可自动完成构图过程。

Description

一种基于异构数据融合的高精度地图生产装置
技术领域
本发明涉及高精度地图制作生成领域，尤其涉及一种基于异构数据融合的高精度地图生产装置。
背景技术
高精度地图，通俗来讲就是精度更高、数据维度更多的电子地图。精度更高体现在精确到厘米级别，数据维度更多体现在其包括了除道路信息之外的与交通相对的周围静态信息。高精度地图将大量的行车辅助信息存储为结构化数据，比如车道周边的固定对象信息，比如交通标志、交通信号灯等指示信息。
由于高精度地图的精度为厘米级别，而生产高精度地图的点云数据为无序的，点云数据中点与点的距离一般在5cm-15cm之间，所以在点云中高精度提取交通要素，存在很多难点。传统的点云处理方法在对交通要素进行检测的精度比较低，漏检比较高，并不能完整的对整个点云数据中的交通要素进行全量提取，所以国内外有很多学者，研究利用AI技术来对点云进行处理，并提取相关的对象，在对点云进行分类的研究中，AI提出了pointNet++网络可实现对点云对象的分类，在对点云进行语义分割方面，提出了Minet网络，可实现对网络中的点云点进行分类，并形成语义级别的分割。
然而点云数据没有交通要素的属性信息，只有几何精度信息，因此基于AI技术进行点云数据的提取的信息难以保证其完整性。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于异构数据融合的高精度地图生产装置，解决现有技术中问题。
本发明解决上述技术问题的技术方案如下：一种基于异构数据融合的高精度地图生产装置，包括：自动化检测与处理模块、点云与图像配准模块和融合数据自动化制作平台；
所述自动化检测与处理模块用于对图像和点云数据的原始数据进行清洗与预处理后送入所述点云与图像配准模块；
所述点云与图像配准模块根据图像和点云数据的特征进行所述图像和所述点云数据的配准和融合，使所述图像中的目标数据拥有绝对坐标信息，使所述点云数据拥有目标的属性信息；
所述融合数据自动化制作平台融合机器学习中不同种方法的特征概率模型，提取出组成高精度地图的交通元素，结合所述交通元素与其周围的等效关系以及相关属性，完成高精度地图生产过程。。
本发明的有益效果是：充分利用了机器学习对高维数据特征的丰富表达方式，结合自适应的逻辑结构，推导出点云数据和图像数据的最佳匹配模式，同时自动选择最佳的融合特征，并完成配准；融合机器学习中不同种方法的特征概率模型，准确的提取出组成高精度地图的基础元素，结合基础元素与其周围的等效关系以及相关属性，可自动完成构图过程。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述自动化检测与处理模块包括点云数据检测模块和点云数据处理模块；
所述点云数据检测模块对所述点云数据的原始数据的检测包括：点云噪点检测、点云反射强度检测、点云空洞检测、点云上下行精度检测和点云接边位置精度检测；
所述点云数据处理模块对所述点云数据的原始数据的处理包括：点云数据噪点处理、点云数据弯道识别、点云数据植被识别、点云数据动态目标识别、点云数据路面提取和点云数据路口识别。
进一步，所述自动化检测与处理模块包括图像检测模块和图像处理模块；
所述图像检测模块对所述图像的原始数据的检测包括：图片清晰度检测、图片噪声复杂度检测、图像曝光的程度检测、图像局部扭曲程度检测、图像对比度检测和图像饱和度检测；
所述图像处理模块对所述图像的原始数据的处理包括：加强图片清晰度、对比度及饱和度矫正、图像曝光和亮度动态调节。
进一步，所述点云与图像配准模块判断所述原始数据为一般场景数据时启用全自动配准，判断所述原始数据为复杂场景时启动半自动配准。
进一步，所述融合数据自动化制作平台包括自动化要素制作平台，对交通要素进行制作，所述交通要素包括箭头、指示牌及其它交通要素；
所述自动化要素制作平台包括：深度学习目标检测模块和深度学习目标切割模块；
所述深度学习目标检测模块对所述图像进行基于深度学习的训练得到各种交通元素的目标检测模型，利用各个所述目标检测模型对所述图像进行各个交通元素的检测，对所述交通元素对应的点云数据进行保存；
所述深度学习目标切割模块用于对所述图像中的所述交通要素进行目标语义分割，将所述图像的分割的结果映射到所述点云数据的分割，提取得到交通要素目标。
进一步，述自动化要素制作平台还包括深度学习关键点检测模块；所述深度学习关键点检测模块利用基于深度学习的关键点检测算法，对电子地图中的箭头的角点坐标信息进行提取以及对道路上的增加减区域进行检测。
进一步，所述自动化要素制作平台还包括传统机器学习模板匹配模块；
所述传统机器学习模板匹配模块用于对破损或被遮挡的所述交通要素进行判断和处理，并对每个所述交通要素精度过程进行赋值。
进一步，所述自动化要素制作平台还包括置信度模块，所述置信度模块用于根据置信度赋值算法用于对各个交通元素的几何结构以及属性进行置信度赋值。
进一步，所述融合数据自动化制作平台还包括半自动质检系统，所述半自动质检系统根据各个所述交通元素的置信度赋值确定该交通元素为免检或者需要人工排查。
进一步，所述融合数据自动化制作平台还包括路网拓扑构建模块，所述路网拓扑构建模块将所述自动化要素制作平台制作的所述交通要素与基础路网属性相结合，完成高精度地图的路网拓扑图，将所述路网拓扑图存储在地图母库数据库中。
采用上述进一步方案的有益效果是：激光雷达在采集物理世界的空间数据时，会携带多种噪声数据，不规则数据以及干扰数据，在使用相关点云处理方法提取目标点云数据时，这些不相关数据会影响对目标提取的质量，进而会影响高精度电子地图的质量，同时，摄像机所获取视频图像信息，也会受各种因素的影响，如光的强度，灰尘，天气等，受污染的图像也会直接影响电子地图数据属性的准确性，为了解决以上问题，建立了多源异构数据的自动化检测与处理方法，该方法由多个模块组成，每个模块建立一定的逻辑关系，可实现对异构数据的有效数据检测与处理。
附图说明
图1为本发明提供的一种基于异构数据融合的高精度地图生产装置的总体逻辑关系图；
图2为本发明实施例提供的一种基于异构数据融合的高精度地图生产装置总体结构框图；
图3为本发明实施例提供的一种自动化检测与处理模块的分解示意图；
图4为本发明实施例提供的一种点云与图像配准模块的分解示意图；
图5为本发明实施例提供的一种融合数据自动化制作平台的分解示意图；
图6为本发明实施例提供的一种网络拓扑构建过程示意图。
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。
传统的高精度电子导航地图的构建，主要采用人工的制作方法，将原始的点云数据构建成高精度地图，该方法效率低下，成本高，不利于地图的制作，利用机器学习的方法将多源异构数据融合的结果，制作成高精度导航电子地图，将是发展的趋势，利用机器学习的多种概率模型算法，贯穿整个自动化制构图过程，成为了系统方法中的关键技术。
研究的关键技术内容主要包含：图像点云配准，深度学习目标检测算法，深度学习关键点检测算法，深度学习分割算法以及传统基于机器学习的相关视觉处理算法。
如图1所示为本发明提供的一种基于异构数据融合的高精度地图生产装置的总体逻辑关系图，由图1可知，装置包括：自动化检测与处理模块、点云与图像配准模块和融合数据自动化制作平台。
自动化检测与处理模块用于对图像和点云数据的原始数据进行清洗与预处理后送入点云与图像配准模块。
自动化检测与处理模块由四种检测机制构成：自动化图像数据检测、自动化点云数据检测、自动化点云数据处理和自动化图像数据处理，利用这四种检测机制可实现对源始数据中的噪音数据、干扰数据以及不规则数据进行清洗和处理，完成源始数据的处理，可提高下一个处理模块的实现结果，即可提高自适应配准模块的判断准确性。
点云与图像配准模块根据图像和点云数据的特征进行图像和点云数据的配准和融合，使图像中的目标数据拥有绝对坐标信息，使点云数据拥有目标的属性信息。
融合数据自动化制作平台融合机器学习中不同种方法的特征概率模型，提取出组成高精度地图的交通元素，结合交通元素与其周围的等效关系以及相关属性，完成高精度地图生产过程。
本发明提供的一种基于异构数据融合的高精度地图生产装置，充分利用了机器学习对高维数据特征的丰富表达方式，结合自适应的逻辑结构，推导出点云数据和图像数据的最佳匹配模式，同时自动选择最佳的融合特征，并完成配准；融合机器学习中不同种方法的特征概率模型，准确的提取出组成高精度地图的基础元素，结合基础元素与其周围的等效关系以及相关属性，可自动完成构图过程。
实施例1
本发明提供的实施例1为本发明提供的一种基于异构数据融合的高精度地图生产装置的实施例，如图2所示为本发明实施例提供的一种基于异构数据融合的高精度地图生产装置总体结构框图，由图1和图2可知，装置包括：自动化检测与处理模块、点云与图像配准模块和融合数据自动化制作平台。模块与模块之间为强逻辑关联，每个模块都嵌入自动化处理算法，极大的加速了地图的制作，以及提高了地图数据的质量。
自动化检测与处理模块用于对图像和点云数据的原始数据进行清洗与预处理后送入点云与图像配准模块。
优选的，如图3所示为本发明实施例提供的一种自动化检测与处理模块的分解示意图，由图3可知，自动化检测与处理模块包括点云数据检测模块、点云数据处理模块、图像检测模块和图像处理模块。
点云数据检测模块对点云数据的原始数据的检测包括：点云噪点检测、点云反射强度检测、点云空洞检测、点云上下行精度检测和点云接边位置精度检测。
点云数据处理模块对点云数据的原始数据的处理包括：点云数据噪点处理、点云数据弯道识别、点云数据植被识别、点云数据动态目标识别、点云数据路面提取和点云数据路口识别。
由于激光雷达传感器在感知物理世界的空间信息时，会受到外界干扰，部分点云数据会因为缺少而形成噪音甚至被污染，从而影响高精度电子地图的构图过程，针对上述提到的问题，采用自动化检测模块检测出不符合质量要求的点云数据，利用相关的点云数据处理方法和机器学习方法，完成对不符合质量要求点云数据的处理工作。
图像检测模块对图像的原始数据的检测包括：图片清晰度检测、图片噪声复杂度检测、图像曝光的程度检测、图像局部扭曲程度检测、图像对比度检测和图像饱和度检测。
图像处理模块对图像的原始数据的处理包括：加强图片清晰度、对比度及饱和度矫正、图像曝光和亮度动态调节。
图像传感器在感知物理世界的属性信息时，也会受到外界的各种干扰，其中，图像的清晰度，曝光度，扭曲度，噪声，饱和度等都会影响图片上相关目标的提取与分析。针对以上问题，需要建立图像检测与处理方法过程，可提高利用图像信息的准确性与可靠性。
点云与图像配准模块根据图像和点云数据的特征进行图像和点云数据的配准和融合，使图像中的目标数据拥有绝对坐标信息，使点云数据拥有目标的属性信息。
优选的，如图4所示为本发明实施例提供的一种点云与图像配准模块的分解示意图，由图4可知，点云与图像配准模块判断原始数据为一般场景数据时启用全自动配准，判断原始数据为复杂场景时启动半自动配准。
实现了全自动配准与半自动配准的自适应过程。
具体的，进行图像和点云数据的配准和融合的步骤包括：
步骤1：利用深度学习检测网络对图像的RGB数据以及点云数据的高精度交通要素进行提取。
对于激光扫描仪采集到的点云数据和图像(RGB图信息)检查合格以后就开始利用深度学习中的检测网络实现高精度交通要素的提取。
步骤2，利用同名点配准方法对RGB数据和点云数据的相同特征目标进行高精度的匹配，利用RGB数据对对应的点云数据进行属性赋值，将深度学习检测网络预测得的交通要素属性信息和位置信息保存在指定文件中。
步骤3，标志牌去重：以目标检测的IOU(Intersection-over-Union，交并比)评价指标来判断前后轨迹点图像的目标是否属于同一目标，利用卡尔曼滤波器预测图像中交通要素的当前位置，然后通过匈牙利算法关联检测框的目标，将多个前后轨迹点的同一个目标进行去除，保留最大视野的目标图像。
步骤2中的配准方法包括：
步骤201，选择图像和点云数据上的多个特征，构建多个同名特征对。
步骤202，根据图像获取时刻POS(位置姿态)，并将同名特征对的绝对坐标转换至载体坐标。
步骤203，根据相机的外参数初值，将同名特征对的载体坐标转换为相机坐标。
步骤204，根据相机的内标定参数，获取同名特征对的相片上的坐标，计算残差值。
步骤205，根据共线方程原理，使用最小二乘平方差间接求解相机外参数，在满足精度要求时判定完成配准。
步骤102还包括标志牌去重：
以目标检测的IOU(Intersection-over-Union，交并比)评价指标来判断前后轨迹点图像的目标是否属于同一目标，利用卡尔曼滤波器预测图像中交通要素的当前位置，然后通过匈牙利算法关联检测框的目标，将多个前后轨迹点的同一个目标进行去除，保留最大视野的目标图像。
融合数据自动化制作平台融合机器学习中不同种方法的特征概率模型，提取出组成高精度地图的交通元素，结合交通元素与其周围的等效关系以及相关属性，完成高精度地图生产过程。如图5为本发明实施例提供的一种融合数据自动化制作平台制作内容的分解示意图
优选的，融合数据自动化制作平台包括自动化要素制作平台、置信度模块、半自动质检系统和路网拓扑构建模块。
该自动化要素制作平台对交通要素进行制作，交通要素包括箭头、指示牌及其它交通要素。
自动化要素制作平台包括：深度学习目标检测模块、深度学习目标切割模块、深度学习关键点检测模块和传统机器学习模板匹配模块。
具体的，深度学习目标检测模块对图像进行基于深度学习的训练得到各种交通元素的目标检测模型，利用各个目标检测模型对图像进行各个交通元素的检测，对交通元素对应的点云数据进行保存。
基于深度学习目标检测算法，可实现对电子地图中所需的标识信号准确的检测，完成对电子地图数据属性的获取，同时，可实现端对端的嵌入到自动化地图数据制作中，简化自动化构图的过程。
对交通元素对应的点云数据进行保存的过程为：根据检测到的图像中的各个交通元素的轨迹点的位置信息，将轨迹点的位置信息对应的点云数据进行保存。
为了提高查全率和查准率，将训练集中的图像转化为灰度图片后送入到模型进行训练，得到最优的目标检测模型后，利用该最优的目标检测模型对图像进行检测，将检测到的各种交通要素目标进行保存。
深度学习目标切割模块用于对图像中的交通要素进行目标语义分割，将图像的高精度分割的结果也可以映射到点云数据的分割，提取得到交通要素目标。
具体的，该深度学习目标切割模块进行交通要素的目标语义分割可以得到指示牌及其它交通要素的几何坐标。
基于深度学习的语义分割算法，以像素精度的方式分割出交通要素目标和背景，基于图像数据和点云数据进高质量的融合配准，将高精度的语义分割算法，嵌到系统找那个完成对融合数据的分割，可提高地图数据的相对精度，最后利用几何精度提炼算法进一步提升分割后目标轮廓的几何相对精度。
利用语义分割网络将配准的结果进行语义级别的分割，使不同的类别的边缘信息更加准确，以便高精度的获得不同目标的形点串，由于图像与点云数据已经进行了高精度的配准，所以对图像的高精度分割的结果也可以映射到点云的分割最后结构，实现高精度点云的分割，并可以将图像的属性信息赋值到对应的点云目标。
深度学习关键点检测模块利用基于深度学习的关键点检测算法，对电子地图中的箭头的角点坐标信息进行提取以及对道路上的增加减区域进行检测。
基于深度学习的关键点检测算法为目标检测算法的一个子研究方向，可对地图中的结构数据像箭头等角点坐标信息进行提取，同时也可以对结构道路上的增加减区域进行检测，可实现端对端的嵌入到自动化地图数据制作中，简化自动化构图的过程。
自动化要素制作平台还包括传统机器学习模板匹配模块；
传统机器学习模板匹配模块用于对破损或被遮挡的交通要素进行判断和处理，并对每个交通要素精度过程进行赋值
基于传统机器学习的图像处理算法，可实现对深度学习方法不易处理的情况，例如印刷破损、被遮挡的交通要素等进行判断与处理，同时传统的图像处理方法，可完成对每个交通要素精度过程进行赋值，以提高自动化制图的效率。
置信度模块用于根据置信度赋值算法用于对各个交通元素的几何结构以及属性进行置信度赋值。
利用机器学习方法中的深度学习检测算法，语义分割算法，关键点检测算法，置信度赋值算法，可提高地图要素的提取精度和属性的可信任程度，可提高地图要素的提取精度和属性的可信任程度。
半自动质检系统根据各个交通元素的置信度赋值确定该交通元素为免检或者需要人工排查。
融合数据自动化制作平台还包括路网拓扑构建模块，路网拓扑构建模块将自动化要素制作平台制作的交通要素与基础路网属性相结合，完成高精度地图的路网拓扑图，最后将该路网拓扑图存储在地图母库数据库中。如图6所示为本发明实施例提供的一种网络拓扑构建过程示意图。
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)

1.一种基于异构数据融合的高精度地图生产装置，其特征在于，所述装置包括：自动化检测与处理模块、点云与图像配准模块和融合数据自动化制作平台；
所述自动化检测与处理模块用于对图像和点云数据的原始数据进行清洗与预处理后送入所述点云与图像配准模块；
所述点云与图像配准模块根据图像和点云数据的特征进行所述图像和所述点云数据的配准和融合，使所述图像中的目标数据拥有绝对坐标信息，使所述点云数据拥有目标的属性信息；
所述融合数据自动化制作平台融合机器学习中不同种方法的特征概率模型，提取出组成高精度地图的交通元素，结合所述交通元素与其周围的等效关系以及相关属性，完成高精度地图生产过程。
2.根据权利要求1所述的装置，其特征在于，所述自动化检测与处理模块包括点云数据检测模块和点云数据处理模块；
所述点云数据检测模块对所述点云数据的原始数据的检测包括：点云噪点检测、点云反射强度检测、点云空洞检测、点云上下行精度检测和点云接边位置精度检测；
所述点云数据处理模块对所述点云数据的原始数据的处理包括：点云数据噪点处理、点云数据弯道识别、点云数据植被识别、点云数据动态目标识别、点云数据路面提取和点云数据路口识别。
3.根据权利要求1所述的装置，其特征在于，所述自动化检测与处理模块包括图像检测模块和图像处理模块；
所述图像检测模块对所述图像的原始数据的检测包括：图片清晰度检测、图片噪声复杂度检测、图像曝光的程度检测、图像局部扭曲程度检测、图像对比度检测和图像饱和度检测；
所述图像处理模块对所述图像的原始数据的处理包括：加强图片清晰度、对比度及饱和度矫正、图像曝光和亮度动态调节。
4.根据权利要求1所述的装置，其特征在于，所述点云与图像配准模块判断所述原始数据为一般场景数据时启用全自动配准，判断所述原始数据为复杂场景时启动半自动配准。
5.根据权利要求1所述的装置，其特征在于，所述融合数据自动化制作平台包括自动化要素制作平台，对交通要素进行制作，所述交通要素包括箭头、指示牌及其它交通要素；
所述自动化要素制作平台包括：深度学习目标检测模块和深度学习目标切割模块；
所述深度学习目标检测模块对所述图像进行基于深度学习的训练得到各种交通元素的目标检测模型，利用各个所述目标检测模型对所述图像进行各个交通元素的检测，对所述交通元素对应的点云数据进行保存；
所述深度学习目标切割模块用于对所述图像中的所述交通要素进行目标语义分割，将所述图像的分割的结果映射到所述点云数据的分割，提取得到交通要素目标。
6.根据权利要求5所述的装置，其特征在于，所述自动化要素制作平台还包括深度学习关键点检测模块；所述深度学习关键点检测模块利用基于深度学习的关键点检测算法，对电子地图中的箭头的角点坐标信息进行提取以及对道路上的增加减区域进行检测。
7.根据权利要求5所述的装置，其特征在于，所述自动化要素制作平台还包括传统机器学习模板匹配模块；
所述传统机器学习模板匹配模块用于对破损或被遮挡的所述交通要素进行判断和处理，并对每个所述交通要素精度过程进行赋值。
8.根据权利要求5所述的装置，其特征在于，所述自动化要素制作平台还包括置信度模块，所述置信度模块用于根据置信度赋值算法用于对各个交通元素的几何结构以及属性进行置信度赋值。
9.根据权利要求8所述的装置，其特征在于，所述融合数据自动化制作平台还包括半自动质检系统，所述半自动质检系统根据各个所述交通元素的置信度赋值确定该交通元素为免检或者需要人工排查。
10.根据权利要求1所述的装置，其特征在于，所述融合数据自动化制作平台还包括路网拓扑构建模块，所述路网拓扑构建模块将所述自动化要素制作平台制作的所述交通要素与基础路网属性相结合，完成高精度地图的路网拓扑图，将所述路网拓扑图存储在地图母库数据库中。
CN202011273357.9A 2020-11-13 2020-11-13 一种基于异构数据融合的高精度地图生产装置 Pending CN112434119A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011273357.9A CN112434119A (zh) 2020-11-13 2020-11-13 一种基于异构数据融合的高精度地图生产装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011273357.9A CN112434119A (zh) 2020-11-13 2020-11-13 一种基于异构数据融合的高精度地图生产装置

Publications (1)

Publication Number Publication Date
CN112434119A true CN112434119A (zh) 2021-03-02

Family

ID=74699719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011273357.9A Pending CN112434119A (zh) 2020-11-13 2020-11-13 一种基于异构数据融合的高精度地图生产装置

Country Status (1)

Country Link
CN (1) CN112434119A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378694A (zh) * 2021-06-08 2021-09-10 北京百度网讯科技有限公司 生成目标检测和定位系统及目标检测和定位的方法及装置
CN113542800A (zh) * 2021-06-28 2021-10-22 宜宾中星技术智能系统有限公司 视频画面定标方法、装置、终端设备
CN114076595A (zh) * 2022-01-19 2022-02-22 浙江吉利控股集团有限公司 道路高精度地图生成方法、装置、设备及存储介质
CN114120631A (zh) * 2021-10-28 2022-03-01 新奇点智能科技集团有限公司 构建动态高精度地图的方法、装置及交通云控平台
CN115410173A (zh) * 2022-11-01 2022-11-29 北京百度网讯科技有限公司 多模态融合的高精地图要素识别方法、装置、设备及介质
WO2022257358A1 (zh) * 2021-06-08 2022-12-15 北京百度网讯科技有限公司 高精地图的生产方法、装置、设备和计算机存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958451A (zh) * 2017-12-27 2018-04-24 深圳普思英察科技有限公司 视觉高精度地图制作方法和装置
CN109215487A (zh) * 2018-08-24 2019-01-15 宽凳（北京）科技有限公司 一种基于深度学习的高精地图制作方法
KR20200064413A (ko) * 2018-11-29 2020-06-08 현대엠엔소프트 주식회사 정밀지도 구축 장치 및 방법
CN111323027A (zh) * 2018-12-17 2020-06-23 兰州大学 一种基于激光雷达与环视相机融合制作高精度地图方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958451A (zh) * 2017-12-27 2018-04-24 深圳普思英察科技有限公司 视觉高精度地图制作方法和装置
CN109215487A (zh) * 2018-08-24 2019-01-15 宽凳（北京）科技有限公司 一种基于深度学习的高精地图制作方法
KR20200064413A (ko) * 2018-11-29 2020-06-08 현대엠엔소프트 주식회사 정밀지도 구축 장치 및 방법
CN111323027A (zh) * 2018-12-17 2020-06-23 兰州大学 一种基于激光雷达与环视相机融合制作高精度地图方法及装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378694A (zh) * 2021-06-08 2021-09-10 北京百度网讯科技有限公司 生成目标检测和定位系统及目标检测和定位的方法及装置
WO2022257358A1 (zh) * 2021-06-08 2022-12-15 北京百度网讯科技有限公司 高精地图的生产方法、装置、设备和计算机存储介质
CN113542800A (zh) * 2021-06-28 2021-10-22 宜宾中星技术智能系统有限公司 视频画面定标方法、装置、终端设备
CN113542800B (zh) * 2021-06-28 2023-07-18 宜宾中星技术智能系统有限公司 视频画面定标方法、装置、终端设备
CN114120631A (zh) * 2021-10-28 2022-03-01 新奇点智能科技集团有限公司 构建动态高精度地图的方法、装置及交通云控平台
CN114076595A (zh) * 2022-01-19 2022-02-22 浙江吉利控股集团有限公司 道路高精度地图生成方法、装置、设备及存储介质
WO2023137865A1 (zh) * 2022-01-19 2023-07-27 浙江吉利控股集团有限公司 道路高精度地图生成方法、装置、设备及存储介质
CN115410173A (zh) * 2022-11-01 2022-11-29 北京百度网讯科技有限公司 多模态融合的高精地图要素识别方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN112434119A (zh) 一种基于异构数据融合的高精度地图生产装置
CN111144388B (zh) 一种基于单目影像的道路标志标线的更新方法
CN111882612B (zh) 一种基于三维激光检测车道线的车辆多尺度定位方法
CN112396650B (zh) 一种基于图像和激光雷达融合的目标测距系统及方法
CN107516077B (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
CN113111887B (zh) 一种基于相机和激光雷达信息融合的语义分割方法及系统
Nagy et al. Real-time point cloud alignment for vehicle localization in a high resolution 3D map
CN115032651B (zh) 一种基于激光雷达与机器视觉融合的目标检测方法
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
CN113935428A (zh) 基于图像识别的三维点云聚类识别方法及系统
CN112825192B (zh) 基于机器学习的对象辨识系统及其方法
CN115376109B (zh) 障碍物检测方法、障碍物检测装置以及存储介质
CN106446785A (zh) 基于双目视觉的可行道路检测方法
CN114972968A (zh) 基于多重神经网络的托盘识别和位姿估计方法
CN114782729A (zh) 一种基于激光雷达与视觉融合的实时目标检测方法
CN115187737A (zh) 一种基于激光与视觉融合的语义地图构建方法
CN115830265A (zh) 一种基于激光雷达的自动驾驶运动障碍物分割方法
CN115222884A (zh) 一种基于人工智能的空间对象分析及建模优化方法
CN110826364B (zh) 一种库位识别方法及装置
CN116794650A (zh) 一种毫米波雷达与摄像头数据融合的目标检测方法和装置
CN116030130A (zh) 一种动态环境下的混合语义slam方法
CN116012737A (zh) 基于无人机激光和视觉融合的高速施工监测方法和系统
CN114814827A (zh) 基于4d毫米波雷达与视觉融合的行人分类方法及系统
CN115031744A (zh) 一种基于稀疏点云-纹理信息的认知地图定位方法及系统
CN114359861A (zh) 基于视觉和激光雷达的智能车辆障碍物识别深度学习方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210302

RJ01 Rejection of invention patent application after publication