CN112434707B - 一种交通路口rpp点自动提取方法及装置 - Google Patents
一种交通路口rpp点自动提取方法及装置 Download PDFInfo
- Publication number
- CN112434707B CN112434707B CN202011273694.8A CN202011273694A CN112434707B CN 112434707 B CN112434707 B CN 112434707B CN 202011273694 A CN202011273694 A CN 202011273694A CN 112434707 B CN112434707 B CN 112434707B
- Authority
- CN
- China
- Prior art keywords
- point
- rpp
- image
- point cloud
- points
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种交通路口RPP点自动提取方法及装置,该方法包括:获取采集的激光点云数据、车辆轨迹数据和双目图像数据;通过目标检测算法提取双目图像中路口车道分歧或汇流区域的包围框,标记包含有包围框的图像;对轨迹点位置对应的双目图像进行深度估计,预测双目图像深度;根据轨迹点位置对应的双目图像及双目图像深度构建三维点云,将三维点云与激光点云数据进行融合,预测融合后三维点云中RPP点的感兴趣区域;基于融合后的三维点云生成RPP点附近点云的俯视图,在俯视图的感兴趣区域中提取RPP基点。该方案可以实现路口RPP点的自动提取,不需要人工参与,且路口RPP点要素提取效率高、精度高,能有效降低高精度地图制作成本。
Description
技术领域
本发明涉及高精度地图制作领域,尤其涉及一种交通路口RPP点自动提取方法及装置。
背景技术
高精度地图可以为车辆自动驾驶提供辅助信息,相对于普通地图,高精度地图对精度有着更高要求。高精度地图制作过程中各要素制作精度要求高,需要对大量原始数据进行要素提取。交通要素RPP(road probable point)点,即道路变化特征点,作为高精度地图中道路口变化的重要因素,需要进行精准采集。一般在交通道路口RPP点的提取过程,需要人工参与,以保障数据提取的准确性,然而,这样不仅会增加地图制作成本,而且RPP点提取效率低。
发明内容
有鉴于此,本发明实施例提供了一种交通路口RPP点自动提取方法及装置,以解决现有人工提取方法成本高且效率低的问题。
在本发明实施例的第一方面,提供了一种交通路口RPP点自动提取方法,包括:
获取高精度地图采集车采集的激光点云数据、车辆轨迹数据和双目图像数据;
通过目标检测算法提取双目图像数据中路口车道分歧或汇流区域的包围框,标记包含有包围框的图像;
获取标记图像对应的轨迹点位置,对所述轨迹点位置对应的双目图像进行深度估计,预测双目图像深度;
根据所述轨迹点位置对应的双目图像及双目图像深度构建三维点云,将三维点云与激光点云数据进行融合,并预测融合后三维点云中RPP点的感兴趣区域;
基于融合后的三维点云生成RPP点附近点云的俯视图,在俯视图的感兴趣区域中提取RPP基点。
在本发明实施例的第二方面,提供了一种用于交通路口RPP点自动提取的装置,包括:
获取模块,用于获取高精度地图采集车采集的激光点云数据、车辆轨迹数据和双目图像数据;
标记模块,用于通过目标检测算法提取双目图像数据中路口车道分歧或汇流区域的包围框,标记包含有包围框的图像;
预测模块,用于获取标记图像对应的轨迹点位置,对所述轨迹点位置对应的双目图像进行深度估计,预测双目图像深度;
融合模块,用于根据所述轨迹点位置对应的双目图像及双目图像深度构建三维点云,将三维点云与激光点云数据进行融合,并预测融合后三维点云中RPP点的感兴趣区域;
提取模块,用于基于融合后的三维点云生成RPP点附近点云的俯视图,在俯视图的感兴趣区域中提取RPP基点。
在本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中,基于采集车采集的轨迹、点云和双目图像,检测双目图像中路口车道分歧或汇流区域的包围框,对轨迹点位置的双目图像进行深度估计,根据双目图像及图像深度构建三维点云,将三维点云与真实采集的点云融合后,预测点云中RPP点的感兴趣区域,生成RPP点附近点云的俯视图后,在俯视图的感兴趣区域内提取RPP点,从而实现RPP点的自动提取,不需要人工交互,RPP点要素制作效率高、精度高,降低了要素提取的人工成本。从左右目图像中筛选感兴趣区域,能够降低算法的计算量,并加快提取的速度,并可以保障算法提取精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见地,下面描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其他附图。
图1为本发明的一个实施例提供的一种交通路口RPP点自动提取方法的流程示意图;
图2为本发明的一个实施例提供的交通路口感兴趣区域示意图;
图3为本发明的一个实施例提供的路口RPP基点示意图;
图4为本发明的一个实施例提供的一种用于交通路口RPP点自动提取的装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围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。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述,意指覆盖不排他的包含,如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。
请参阅图1,图1为本发明一个实施例提供的一种交通路口RPP点自动提取方法的流程示意图,包括:
S101、获取高精度地图采集车采集的激光点云数据、车辆轨迹数据和双目图像数据;
所述激光点云数据为采集车通过车载激光雷达采集的三维点云数据,所述车辆轨迹数据为采集车的行驶轨迹数据,所述双目图像数据为车载双目相机分别采集的图像数据。基于车辆采集数据可以提取得到交通道路口的RPP点,作为交通路口要素用于制作高精度地图。
S102、通过目标检测算法提取双目图像数据中路口车道分歧或汇流区域的包围框,标记包含有包围框的图像;
沿着道路方向(轨迹方向)获取轨迹点对应的左右目图像数据,通过目标检测算法(如Mask RCNN)确定分歧道路口或汇流道路口的车道交汇区域包围框,标记包含交汇点区域包围框的左右目图像。如图2所示,图2中(a)、(b)、(c)分别表示不同场景下车道线交汇区域的包围框。
S103、获取标记图像对应的轨迹点位置,对所述轨迹点位置对应的双目图像进行深度估计,预测双目图像深度;
所述标记图像即包含有车道线交汇点区域包围框的左右目图像,获取标记图像对应的轨迹点,标记轨迹点位置。顺序获取标记的轨迹点进行双目图像深度估计。
具体的,通过共享网络参数对左右目图像进行卷积,生成以左右图为基底的视差图,采用Encoder-Decoder框架,融合多个尺度层进行解码,获取左右图为基底的视差图,其中,Encoder部分采用Resnet网络作为骨架网络;
构建共享的预测网络,根据右目图像及左图视差图预测左目图像,根据左目图像及右目视差图预测右目图像;
根据预测得到的左目图像和右目图像与真实采集的左右目图像的差值,计算loss损失函数,通过将损失函数反向传播优化预测模型参数。
基于预测模型预测得到双目图像深度。
S104、根据所述轨迹点位置对应的双目图像及双目图像深度构建三维点云,将三维点云与激光点云数据进行融合,并预测融合后三维点云中RPP点的感兴趣区域;
根据当前轨迹点对应的左右目图像以及预测的图像深度进行三维点云的构建,将其与真实的激光点云数据进行修正融合,构建融合后的三维点云特征。
基于融合后的点云特征进行预测,预测俯视图中的二维包围框及其中心、高度值、旋转率等参数,通过训练好的模型后即可预测交通路口RPP点的ROI(感兴趣区域)区域。
可以理解的是,三维点云中RPP点的感兴趣区域即RPP点在三维点云中对应的位置,由于车辆采集的激光点云和双目图像是在车辆视角的点云数据和图像数据,因此,有必要将融合点云转化到道路面的俯视视角,以便于RPP点的精准提取。
S105、基于融合后的三维点云生成RPP点附近点云的俯视图,在俯视图的感兴趣区域中提取RPP基点。
具体的,沿车辆轨迹方向,获取路口感兴趣区域附近激光点云的俯视投影图像,及感兴趣区域投影后的二维包围框信息,保存激光点云俯视投影的映射关系;
通过关键点检测网络提取投影投影图像中感兴趣区域内的特征关键点,所述特征关键点为左边线角点和右边线角点;
对投影图像二值化,通过拉普拉斯边缘检测算子粗提取俯视投影图像中车道线的边缘信息;
以特征关键点为基点,沿轨迹方向做垂线和平行线,获取垂线与车道线边缘的连接点,以及平行线与车道线边缘的连接点;
其中,根据连接点间的距离、车道线的宽度、车道宽度信息,去除距离和梯度未处于预定范围的杂点,并保留局部区域内梯度最大的边缘连接点。根据连接点的距离及车道线的宽度,车道的宽度等信息,去除距离不合理的和梯度不明显等杂点,保留局部区域内梯度最大的边缘连接点,即可获取交通道路口内的RPP点坐标。
如图3所示,图(a)和(b)为交通路口RPP点区域的鸟瞰图,白色方框为感兴趣区域,即ROI区域,方框内的点为RPP基准点,箭头表示激光点云采集的轨迹线,车道线上的点表示轨迹线垂线与车道线边缘的连接点。
根据连接点过滤杂点后,获取俯视投影图像中RPP点对应的三维坐标信息,将其写入到对应的路口数据中,反馈给高精度地图制作中心系统,即可完成高精度地图制作中交通道路口RPP点自动提取。
本实施例提供的方法,直接从采集车采集处理后的数据中全自动提取交通道路口RPP系列点,反馈给地图制作系统,不需要人工交互,制作效率高,精度高。避免直接从激光点云中进行提取,对左右目图像筛选感兴趣区域,能够降低算法的计算量,加快提取的速度。避免复杂的点云与图像配准问题,通过双目深度估计,根据左右图预测对向的视差图进行估计,再与实际激光点云进行融合,过程简单,且能有效提取RPP点的ROI包围框。将点云转换成俯视投影图,对交通道路口RPP点进行精提修正,提高了算法提取的精度。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图4为本发明实施例提供的一种用于交通路口RPP点自动提取的装置的结构示意图,该装置包括:
获取模块410,用于获取高精度地图采集车采集的激光点云数据、车辆轨迹数据和双目图像数据;
标记模块420,用于通过目标检测算法提取双目图像数据中路口车道分歧或汇流区域的包围框,标记包含有包围框的图像;
预测模块430,用于获取标记图像对应的轨迹点位置,对所述轨迹点位置对应的双目图像进行深度估计,预测双目图像深度;
其中,所述预测模块430包括:
视差图获取单元,通过共享网络参数对左右目图像进行卷积,生成以左右图为基底的视差图,采用Encoder-Decoder框架,融合多个尺度层进行解码,获取左右图为基底的视差图;
网络构建单元,构建共享的预测网络,根据右目图像及左图视差图预测左目图像,根据左目图像及右目视差图预测右目图像;
参数优化单元,根据预测得到的左目图像和右目图像与真实采集的左右目图像的差值,计算损失函数,通过将损失函数反向传播优化预测模型参数。
融合模块440,用于根据所述轨迹点位置对应的双目图像及双目图像深度构建三维点云,将三维点云与激光点云数据进行融合,并预测融合后三维点云中RPP点的感兴趣区域;
提取模块450,用于基于融合后的三维点云生成RPP点附近点云的俯视图,在俯视图的感兴趣区域中提取RPP基点。
具体的,所述提取模块450包括:
获取单元,沿车辆轨迹方向,获取路口感兴趣区域附近激光点云的俯视投影图像,及感兴趣区域投影后的二维包围框信息,保存激光点云俯视投影的映射关系
关键点提取单元,通过关键点检测网络提取投影投影图像中感兴趣区域内的特征关键点,所述特征关键点为左边线角点和右边线角点;
粗提取单元,对投影图像二值化,通过拉普拉斯边缘检测算子粗提取俯视投影图像中车道线的边缘信息;
连接点获取单元,以特征关键点为基点,沿轨迹方向做垂线和平行线,获取垂线与车道线边缘的连接点,以及平行线与车道线边缘的连接点;
RPP点提取单元,根据连接点过滤杂点后,获取俯视投影图像中RPP点对应的三维坐标信息。
可选的,所述RPP点提取单元包括:
杂点过滤单元,根据连接点间的距离、车道线的宽度、车道宽度信息,去除距离和梯度未处于预定范围的杂点,并保留局部区域内梯度最大的边缘连接点。
可以理解的是,在一个实施例中,所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述计算机程序执行如实施例一中步骤S101~S105,处理器执行所述计算机程序时实现路口RPP点的自动提取。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括步骤S101~S105,所述的存储介质包括如:ROM/RAM、磁碟、光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种交通路口RPP点自动提取方法,其特征在于,包括:
获取高精度地图采集车采集的激光点云数据、车辆轨迹数据和双目图像数据;
通过目标检测算法提取双目图像数据中路口车道分歧或汇流区域的包围框,标记包含有包围框的图像;
获取标记图像对应的轨迹点位置,对所述轨迹点位置对应的双目图像进行深度估计,预测双目图像深度;
根据所述轨迹点位置对应的双目图像及双目图像深度构建三维点云,将三维点云与激光点云数据进行融合,并预测融合后三维点云中RPP点的感兴趣区域;
基于融合后的三维点云生成RPP点附近点云的俯视图,在俯视图的感兴趣区域中提取RPP基点;
其中,所述基于融合后的三维点云生成RPP点附近点云的俯视图,在俯视图的感兴趣区域中提取RPP基点包括:
沿车辆轨迹方向,获取路口感兴趣区域附近激光点云的俯视投影图像,以及感兴趣区域投影后的二维包围框信息,保存激光点云俯视投影的映射关系;
通过关键点检测网络提取投影图像中感兴趣区域内的特征关键点,所述特征关键点为左边线角点和右边线角点;
对投影图像二值化,通过拉普拉斯边缘检测算子粗提取俯视投影图像中车道线的边缘信息;
以特征关键点为基点,沿轨迹方向做垂线和平行线,获取垂线与车道线边缘的连接点,以及平行线与车道线边缘的连接点;
根据连接点过滤杂点后,获取俯视投影图像中RPP点对应的三维坐标信息。
2.根据权利要求1所述方法,其特征在于,所述对所述轨迹点位置对应的双目图像进行深度估计,预测双目图像深度包括:
通过共享网络参数对左右目图像进行卷积,生成以左右图为基底的视差图,采用Encoder-Decoder框架,融合多个尺度层进行解码,获取左右图为基底的视差图;
构建共享的预测网络,根据右目图像及左图视差图预测左目图像,根据左目图像及右目视差图预测右目图像;
根据预测得到的左目图像和右目图像与真实采集的左右目图像的差值,计算损失函数,通过将损失函数反向传播优化预测模型参数。
3.根据权利要求1所述方法,其特征在于,所述根据连接点过滤杂点包括:
根据连接点间的距离、车道线的宽度、车道宽度信息,去除距离和梯度未处于预定范围的杂点,并保留局部区域内梯度最大的边缘连接点。
4.一种用于交通路口RPP点自动提取的装置,其特征在于,包括:
获取模块,用于获取高精度地图采集车采集的激光点云数据、车辆轨迹数据和双目图像数据;
标记模块,用于通过目标检测算法提取双目图像数据中路口车道分歧或汇流区域的包围框,标记包含有包围框的图像;
预测模块,用于获取标记图像对应的轨迹点位置,对所述轨迹点位置对应的双目图像进行深度估计,预测双目图像深度;
融合模块,用于根据所述轨迹点位置对应的双目图像及双目图像深度构建三维点云,将三维点云与激光点云数据进行融合,并预测融合后三维点云中RPP点的感兴趣区域;
提取模块,用于基于融合后的三维点云生成RPP点附近点云的俯视图,在俯视图的感兴趣区域中提取RPP基点;
其中,所述提取模块包括:
获取单元,沿车辆轨迹方向,获取路口感兴趣区域附近激光点云的俯视投影图像,以及感兴趣区域投影后的二维包围框信息,保存激光点云俯视投影的映射关系;
关键点提取单元,通过关键点检测网络提取投影图像中感兴趣区域内的特征关键点,所述特征关键点为左边线角点和右边线角点;
粗提取单元,对投影图像二值化,通过拉普拉斯边缘检测算子粗提取俯视投影图像中车道线的边缘信息;
连接点获取单元,以特征关键点为基点,沿轨迹方向做垂线和平行线,获取垂线与车道线边缘的连接点,以及平行线与车道线边缘的连接点;
RPP点提取单元,根据连接点过滤杂点后,获取俯视投影图像中RPP点对应的三维坐标信息。
5.根据权利要求4所述装置,其特征在于,所述预测模块包括:
视差图获取单元,通过共享网络参数对左右目图像进行卷积,生成以左右图为基底的视差图,采用Encoder-Decoder框架,融合多个尺度层进行解码,获取左右图为基底的视差图;
网络构建单元,构建共享的预测网络,根据右目图像及左图视差图预测左目图像,根据左目图像及右目视差图预测右目图像;
参数优化单元,根据预测得到的左目图像和右目图像与真实采集的左右目图像的差值,计算损失函数,通过将损失函数反向传播优化预测模型参数。
6.根据权利要求4所述装置,其特征在于,所述RPP点提取单元包括:
杂点过滤单元,根据连接点间的距离、车道线的宽度、车道宽度信息,去除距离和梯度未处于预定范围的杂点,并保留局部区域内梯度最大的边缘连接点。
7.一种电子设备,包括处理器、存储器以及存储在所述存储器中并在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述交通路口RPP点自动提取方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述交通路口RPP点自动提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011273694.8A CN112434707B (zh) | 2020-11-14 | 2020-11-14 | 一种交通路口rpp点自动提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011273694.8A CN112434707B (zh) | 2020-11-14 | 2020-11-14 | 一种交通路口rpp点自动提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112434707A CN112434707A (zh) | 2021-03-02 |
CN112434707B true CN112434707B (zh) | 2022-09-09 |
Family
ID=74700922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011273694.8A Active CN112434707B (zh) | 2020-11-14 | 2020-11-14 | 一种交通路口rpp点自动提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434707B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114323005B (zh) * | 2021-12-28 | 2023-08-11 | 上汽大众汽车有限公司 | 一种微小分歧道路的定位方法 |
CN114509045A (zh) * | 2022-04-18 | 2022-05-17 | 北京中科慧眼科技有限公司 | 车轮区域高程检测方法和系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10859395B2 (en) * | 2016-12-30 | 2020-12-08 | DeepMap Inc. | Lane line creation for high definition maps for autonomous vehicles |
US11017586B2 (en) * | 2019-04-18 | 2021-05-25 | Adobe Inc. | 3D motion effect from a 2D image |
CN110569704B (zh) * | 2019-05-11 | 2022-11-22 | 北京工业大学 | 一种基于立体视觉的多策略自适应车道线检测方法 |
CN110135396B (zh) * | 2019-05-27 | 2021-05-07 | 百度在线网络技术(北京)有限公司 | 地面标志的识别方法、装置、设备及介质 |
CN110988912B (zh) * | 2019-12-06 | 2022-12-02 | 青岛慧拓智能机器有限公司 | 自动驾驶车辆的道路目标与距离检测方法、系统、装置 |
CN110929692B (zh) * | 2019-12-11 | 2022-05-24 | 中国科学院长春光学精密机械与物理研究所 | 一种基于多传感器信息融合的三维目标检测方法及装置 |
CN111192311B (zh) * | 2019-12-31 | 2022-05-17 | 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 |
CN111210488B (zh) * | 2019-12-31 | 2023-02-03 | 武汉中海庭数据技术有限公司 | 激光点云中道路立杆的高精度提取系统及方法 |
CN111881790B (zh) * | 2020-07-14 | 2023-04-28 | 武汉中海庭数据技术有限公司 | 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 |
-
2020
- 2020-11-14 CN CN202011273694.8A patent/CN112434707B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112434707A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112434707B (zh) | 一种交通路口rpp点自动提取方法及装置 | |
CN111462275B (zh) | 一种基于激光点云的地图生产方法和装置 | |
CN111652179A (zh) | 基于点线特征融合激光的语义高精地图构建与定位方法 | |
CN112069856A (zh) | 地图生成方法、驾驶控制方法、装置、电子设备及系统 | |
EP3321887A1 (en) | Urban road recognition method, apparatus, storage medium and device based on laser point cloud | |
CN109584294B (zh) | 一种基于激光点云的路面点云提取方法和装置 | |
CN109271861B (zh) | 多尺度融合的点云交通标识牌自动提取方法 | |
CN112154445A (zh) | 高精度地图中车道线的确定方法和装置 | |
CN112270272B (zh) | 高精度地图制作中道路路口提取方法及系统 | |
CN113640822B (zh) | 一种基于非地图元素过滤的高精度地图构建方法 | |
CN112652065A (zh) | 三维社区建模方法、装置、计算机设备及存储介质 | |
CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
DE112020000590T5 (de) | Karte und verfahren zum erstellen einer karte | |
CN103954970A (zh) | 一种地形要素采集方法 | |
CN113392169A (zh) | 一种高精度地图更新的方法、装置及服务器 | |
CN103839286A (zh) | 一种对象语义约束的真正射影像优化采样方法 | |
CN115752432A (zh) | 无人机采集道路交通图中虚线车道线自动提取方法及系统 | |
CN112837414B (zh) | 基于车载点云数据的三维高精度地图的构建方法 | |
CN114972758A (zh) | 一种基于点云弱监督的实例分割方法 | |
CN112507891B (zh) | 自动化识别高速路口并构建路口向量的方法及装置 | |
KR102384429B1 (ko) | 도로지도 구축을 위한 도로 혼잡 위치 판별 및 재조사 경로 생성 방법 | |
CN113591640B (zh) | 一种道路护栏的检测方法、装置及车辆 | |
CN115628720A (zh) | 一种智能三维地形图测绘方法及系统 | |
Xiao | Automatic building outlining from multi-view oblique images | |
CN112507887A (zh) | 一种路口标志牌提取及关联的方法及装置 |
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 |