CN112507891A - 自动化识别高速路口并构建路口向量的方法及装置 - Google Patents

自动化识别高速路口并构建路口向量的方法及装置 Download PDF

Info

Publication number
CN112507891A
CN112507891A CN202011463967.5A CN202011463967A CN112507891A CN 112507891 A CN112507891 A CN 112507891A CN 202011463967 A CN202011463967 A CN 202011463967A CN 112507891 A CN112507891 A CN 112507891A
Authority
CN
China
Prior art keywords
intersection
speed
point cloud
constructing
vector
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
CN202011463967.5A
Other languages
English (en)
Other versions
CN112507891B (zh
Inventor
王畅
周智颖
何豪杰
万齐斌
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 CN202011463967.5A priority Critical patent/CN112507891B/zh
Publication of CN112507891A publication Critical patent/CN112507891A/zh
Application granted granted Critical
Publication of CN112507891B publication Critical patent/CN112507891B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/52—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

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

Abstract

本发明实施例提供了一种自动化识别高速路口并构建路口向量的方法及装置，首先使用高速路口提取模型获得高速路口目标；接着，根据高速路口目标对应轨迹点位置的点云信息，做正面的投影，获得对应的高速路口点云投影图；之后，使用高速路口关键点检测模型，在点云投影图中自动检测高速路口目标的关键点，并以此构建高速路口的路口向量的坐标信息；最后，将提取过的高速路口的路口向量坐标反算到点云数据中，最终实现自动化构建高速路口的路口向量。解决了现有技术无法自动化识别高速路口并构建路口向量的问题。

Description

自动化识别高速路口并构建路口向量的方法及装置
技术领域
本发明涉及高精度地图制作生成领域，尤其涉及一种自动化识别高速路口并构建路口向量的方法及装置。
背景技术
近年，随着智能交通快速发展，无人驾驶技术已经成为整个汽车产业的最新发展方向，而构建道路拓扑关系是其中一个重要的技术环节。
道路拓扑关系主要发生在路口，路网中的每一条道路都不可能孤立存在，需要与其他道路连通。道路拓扑由进入路口道路向量、驶出路口道路向量及连接两者的路口内道路向量构成。
在高精度地图制作领域，高速路口作为交通环境中非常重要的要素，特别是在高速道路上时，准确的获取高速的路口信息十分重要。而准确的获取高速路口的信息，可以有效的帮助构建路口向量，道路向量之间的拓扑连接构成路网，用于路径规划。目前还没有较好的方法来精确的自动化检测高速路口信息以及构建路口向量。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的自动化识别高速路口并构建路口向量的方法及装置。
第一方面，本发明实施例提供一种自动化识别高速路口并构建路口向量的方法，包括：
S1，将全景图像进行处理，获得包含高速路口的图像数据；
S2，通过预先训练的高速路口提取模型检测所述图像数据中的高速路口目标，根据高速路口目标对应轨迹点位置的点云数据进行投影，获得高速路口点云投影图；
S3，将点云投影图输入预先训练的高速路口关键点检测模型中，在点云投影图中自动检测高速路口的关键点，根据所述关键点坐标信息构建高速路口的路口向量，将所述路口向量的坐标信息反推算至所述点云数据的坐标信息中。
优选的，步骤S2中，通过预先训练的高速路口提取模型检测所述图像数据中的高速路口目标，具体包括：
使用Resnet或者VGG等作为高速路口提取模型的骨干网络，采用特征金字方式塔获取所述图像数据的多尺度的特征，构建多层次的特征金字塔，在每一层上进行目标框的box回归和box类别分类，获取图像数据中的高速路口目标。
优选的，步骤S3中，在点云投影图中自动检测高速路口的关键点，包括：
使用尺度感知高分辨率网络，通过高分辨率特征金字塔生成高分辨率热图，通过反卷积生成高质量和高分辨率的特征图，以精确定位点云投影图中高速路口的关键点。
优选的，所述使用尺度感知高分辨率网络，通过高分辨率特征金字塔生成高分辨率热图，包括：
通过多分辨率监督策略，以将不同分辨率的训练目标分配给相应的特征金字塔级别，引入“多分辨率热图聚合”策略，以生成尺度感知的高分辨率热图。
优选的，步骤S3中，根据所述关键点构建高速路口的路口向量，具体包括：
根据所述关键点的坐标信息，作垂直于道路外侧线的第一垂线，然后在第一垂线相隔预设距离处做第二垂线，所述道路外侧线与两个垂线构建出的四边形即为高速路口的路口向量形状。
第二方面，本发明实施例提供了一种自动化识别高速路口并构建路口向量的装置，包括：
数据获得模块，用于将全景图像进行处理，获得包含高速路口的图像数据；
路口目标提取模块，用于通过预先训练的高速路口提取模型检测所述图像数据中的高速路口目标，根据高速路口目标对应轨迹点位置的点云数据进行投影，获得高速路口点云投影图；
路口向量构建模块，用于将点云投影图输入预先训练的高速路口关键点检测模型中，在点云投影图中自动检测高速路口的关键点，根据所述关键点坐标信息构建高速路口的路口向量，将所述路口向量的坐标信息反推算至所述点云数据的坐标信息中。
第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在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第一方面实施例所提供的自动化识别高速路口并构建路口向量的方法。
第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面实施例所提供的自动化识别高速路口并构建路口向量的方法。
本发明实施例提供的自动化识别高速路口并构建路口向量的方法及装置，首先使用高速路口提取模型获得高速路口目标；接着，根据高速路口目标对应轨迹点位置的点云信息，做正面的投影，获得对应的高速路口点云投影图；之后，使用高速路口关键点检测模型，在点云投影图中自动检测高速路口目标的关键点，并以此构建高速路口的路口向量；最后，将提取过的高速路口的路口向量坐标反射到点云数据中，最终可以实现自动化构建高速路口的路口向量。解决了现有技术无法自动化识别高速路口并构建路口向量的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图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得其他的附图。
图1是本发明实施例提供的一种自动化识别高速路口并构建路口向量的方法流程示意图；
图2为本发明实施例提供的包含高速路口的图像数据；
图3为本发明实施例提供的包含高速路口的图像数据中的高速路口目标示意图；
图4为本发明实施例提供的高速路口点云投影图；
图5为本发明实施例提供的经过高速路口关键点检测模型后的高速路口的关键点图；
图6为本发明实施例提供的高速路口的路口向量示意图；
图7为本发明实施例提供的自动化识别高速路口并构建路口向量的装置的结构框图；
图8为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
目前，在高精度地图制作领域，高速路口作为交通环境中非常重要的要素，特别是在高速道路上时，准确的获取高速的路口信息十分重要。而准确的获取高速路口的信息，可以有效的帮助构建路口向量，道路向量之间的拓扑连接构成路网，用于路径规划。现有技术中，还没有较好的方法来精确的自动化检测高速路口信息以及构建路口向量。
因此，针对现有技术的以上问题，本发明实施例提供一种自动化识别高速路口并构建路口向量的方法，首先使用高速路口提取模型获得高速路口目标；接着，根据高速路口目标对应轨迹点位置的点云信息，做正面的投影，获得对应的高速路口点云投影图；之后，使用高速路口关键点检测模型，在点云投影图中自动检测高速路口目标的关键点，并以此构建高速路口的路口向量；最后，将提取过的高速路口的路口向量坐标反射到点云数据中，最终可以实现自动化构建高速路口的路口向量。解决了现有技术无法自动化识别高速路口并构建路口向量的问题。以下将结合附图通过多个实施例进行展开说明和介绍。
图1是本发明实施例提供的一种自动化识别高速路口并构建路口向量的方法流程示意图。首先对本发明实施例提供的方法的整体原理进行说明，该方法包括以下步骤：
S1，将全景图像进行处理，获得包含高速路口的图像数据；
可以理解的是，用于高精地图制作的采集车上携带有激光雷达、组合惯导、LIDAR和车载相机等传感器，能够采集激光点云、全景图像和轨迹信息数据。本发明获取采集车采集处理好的激光点云和全景图像以及轨迹信息数据。经过采集车采集处理后，还获得了轨迹图片映射关系，即激光点云轨迹点与全景图像的映射关系。
步骤S1可以具体包括以下步骤：
S11，预先对少量包含高速路口的图像数据进行标注，基于少量已标注的高速路口样本图像训练目标检测模型；
S12，利用训练好的目标检测模型，对数据库中已标注的全景图像进行目标检测，根据检测结果筛选包含有高速路口的图像，即“粗样本”，并利用人工微调检测结果，获得符合目标检测模型训练要求的高速路口样本图像，即“精样本”。
S13，迭代执行步骤S11和步骤S12，迭代结束后，最终输出大量的高速路口样本图像。高速路口样本图像即是包含高速路口的图像数据。图2为本发明实施例提供的包含高速路口的图像数据。
S2，通过预先训练的高速路口提取模型检测所述图像数据中的高速路口目标，根据高速路口目标对应轨迹点位置的点云数据进行投影，获得高速路口点云投影图。
本实施例中，在提取所述图像数据中的高速路口目标时，使用Resnet或者VGG等作为高速路口提取模型的骨干网络，采用特征金字方式塔获取所述图像数据的多尺度的特征，构建多层次的特征金字塔，在每一层上进行目标框的box回归和box类别分类，获取图像数据中的高速路口目标。得到的高速路口目标如图3所示，图3所示方框中的目标即高速路口目标。
然后，获取高速路口目标对应轨迹点位置的点云数据，投影到二维平面，获得高速路口点云投影图。得到的点云投影图如图4所示。
S3，将点云投影图输入预先训练的高速路口关键点检测模型中，在点云投影图中自动检测高速路口的关键点，根据所述关键点坐标信息构建高速路口的路口向量，将所述路口向量的坐标信息反推算至所述点云数据的坐标信息中。
其中，路口向量是指在点云数据中人为定义的虚拟路口形状，是构建道路拓扑关系中一个重要的技术环节。
具体地，步骤S3中，在关键点检测时，本发明实施例使用尺度感知高分辨率网络(HigherHRNet)，HigheHRnet通过多分辨率监督策略，以将不同分辨率的训练目标分配给相应的特征金字塔级别，引入了一种简单的“多分辨率热图聚合”策略，以生成尺度感知的高分辨率热图。然后通过反卷积生成高质量和高分辨率的特征图，以精确定位点云投影图中高速路口的关键点。获得的高速路口的关键点如图5所示。
进一步地，根据所述关键点的坐标信息，作垂直于道路外侧线的第一垂线，然后在第一垂线相隔预设距离处做第二垂线，所述道路外侧线与两个垂线构建出的四边形即为高速路口的路口向量形状。路口向量如图6所示，其中道路外侧线在图6中未示出。最后，将路口向量的坐标信息反推算到点云数据的坐标信息中，在点云中记下高速路口的路口向量坐标信息和形状信息，实现自动化构建出高速路口的路口向量。为后期继续自动化构建高速拓扑连接构成路网打下基础。
在一个实施例中，图7为本发明实施例提供的自动化识别高速路口并构建路口向量的装置的结构框图，本发明实施例提供的自动化识别高速路口并构建路口向量的装置用于执行上述方法实施例中的自动化识别高速路口并构建路口向量的方法。参照图7，该装置包括：
数据获得模块701，用于将全景图像进行处理，获得包含高速路口的图像数据；
路口目标提取模块702，用于通过预先训练的高速路口提取模型检测所述图像数据中的高速路口目标，根据高速路口目标对应轨迹点位置的点云数据进行投影，获得高速路口点云投影图；
路口向量构建模块703，用于将点云投影图输入预先训练的高速路口关键点检测模型中，在点云投影图中自动检测高速路口的关键点，根据所述关键点坐标信息构建高速路口的路口向量，将所述路口向量的坐标信息反推算至所述点云数据的坐标信息中。
具体的如何利用数据获得模块701、路口目标提取模块702和路口向量构建模块703来自动化识别高速路口并构建路口向量，可以参照上述方法实施例，本发明实施例在此不再赘述。
在一个实施例中，本发明实施例提供了本发明实施例提供了一种电子设备，如图8所示，该电子设备可以包括：处理器(processor)801、通信接口(CommunicationsInterface)802、存储器(memory)803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信。处理器801可以调用存储器803中的逻辑指令，以执行上述各实施例提供的自动化识别高速路口并构建路口向量的方法的步骤，例如包括：S1，将全景图像进行处理，获得包含高速路口的图像数据；S2，通过预先训练的高速路口提取模型检测所述图像数据中的高速路口目标，根据高速路口目标对应轨迹点位置的点云数据进行投影，获得高速路口点云投影图；S3，将点云投影图输入预先训练的高速路口关键点检测模型中，在点云投影图中自动检测高速路口的关键点，根据关键点坐标信息构建高速路口的路口向量，将所述路口向量的坐标信息反推算至所述点云数据的坐标信息中。
在一个实施例中，基于相同的构思，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的自动化识别高速路口并构建路口向量的方法的步骤，例如包括：S1，将全景图像进行处理，获得包含高速路口的图像数据；S2，通过预先训练的高速路口提取模型检测所述图像数据中的高速路口目标，根据高速路口目标对应轨迹点位置的点云数据进行投影，获得高速路口点云投影图；S3，将点云投影图输入预先训练的高速路口关键点检测模型中，在点云投影图中自动检测高速路口的关键点，根据关键点坐标信息构建高速路口的路口向量，将所述路口向量的坐标信息反推算至所述点云数据的坐标信息中。
综上所述，本发明实施例提供了一种自动化识别高速路口并构建路口向量的方法及装置，首先使用高速路口提取模型获得高速路口目标；接着，根据高速路口目标对应轨迹点位置的点云信息，做正面的投影，获得对应的高速路口点云投影图；之后，使用高速路口关键点检测模型，在点云投影图中自动检测高速路口目标的关键点，并以此构建高速路口的路口向量；最后，将提取过的高速路口的路口向量坐标反射到点云数据中，最终可以自动化构建出高速路口的路口向量。解决了现有技术无法自动化识别高速路口并构建路口向量的问题。
本发明的各实施方式可以任意进行组合，以实现不同的技术效果。
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。
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。
最后应说明的是：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)

1.一种自动化识别高速路口并构建路口向量的方法，其特征在于，包括：
S1，将全景图像进行处理，获得包含高速路口的图像数据；
S2，通过预先训练的高速路口提取模型检测所述图像数据中的高速路口目标，根据高速路口目标对应轨迹点位置的点云数据进行投影，获得高速路口点云投影图；
S3，将点云投影图输入预先训练的高速路口关键点检测模型中，在点云投影图中自动检测高速路口的关键点，根据关键点坐标信息构建高速路口的路口向量，将所述路口向量的坐标信息反推算至所述点云数据的坐标信息中。
2.根据权利要求1所述的自动化识别高速路口并构建路口向量的方法，其特征在于，步骤S2中，通过预先训练的高速路口提取模型检测所述图像数据中的高速路口目标，具体包括：
使用Resnet或者VGG等作为高速路口提取模型的骨干网络，采用特征金字方式塔获取所述图像数据的多尺度的特征，构建多层次的特征金字塔，在每一层上进行目标框的box回归和box类别分类，获取图像数据中的高速路口目标。
3.根据权利要求1所述的自动化识别高速路口并构建路口向量的方法，其特征在于，步骤S3中，在点云投影图中自动检测高速路口的关键点，包括：
使用尺度感知高分辨率网络，通过高分辨率特征金字塔生成高分辨率热图，通过反卷积生成高质量和高分辨率的特征图，以精确定位点云投影图中高速路口的关键点。
4.根据权利要求3所述的自动化识别高速路口并构建路口向量的方法，其特征在于，所述使用尺度感知高分辨率网络，通过高分辨率特征金字塔生成高分辨率热图，包括：
通过多分辨率监督策略，以将不同分辨率的训练目标分配给相应的特征金字塔级别，引入“多分辨率热图聚合”策略，以生成尺度感知的高分辨率热图。
5.根据权利要求1所述的自动化识别高速路口并构建路口向量的方法，其特征在于，步骤S3中，根据所述关键点构建高速路口的路口向量，具体包括：
根据所述关键点的坐标信息，作垂直于道路外侧线的第一垂线，然后在第一垂线相隔预设距离处做第二垂线，所述道路外侧线与两个垂线构建出的四边形即为高速路口的路口向量形状。
6.一种自动化识别高速路口并构建路口向量的装置，其特征在于，包括：
数据获得模块，用于将全景图像进行处理，获得包含高速路口的图像数据；
路口目标提取模块，用于通过预先训练的高速路口提取模型检测所述图像数据中的高速路口目标，根据高速路口目标对应轨迹点位置的点云数据进行投影，获得高速路口点云投影图；
路口向量构建模块，用于将点云投影图输入预先训练的高速路口关键点检测模型中，在点云投影图中自动检测高速路口的关键点，根据关键点坐标信息构建高速路口的路口向量，将所述路口向量的坐标信息反推算至所述点云数据的坐标信息中。
7.一种自动化识别高速路口并构建路口向量的装置，其特征在于，包括存储器、处理器及存储在存储器上并可在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权利要求1至5任一项所述自动化识别高速路口并构建路口向量的方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述自动化识别高速路口并构建路口向量的方法的步骤。
CN202011463967.5A 2020-12-12 2020-12-12 自动化识别高速路口并构建路口向量的方法及装置 Active CN112507891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011463967.5A CN112507891B (zh) 2020-12-12 2020-12-12 自动化识别高速路口并构建路口向量的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011463967.5A CN112507891B (zh) 2020-12-12 2020-12-12 自动化识别高速路口并构建路口向量的方法及装置

Publications (2)

Publication Number Publication Date
CN112507891A true CN112507891A (zh) 2021-03-16
CN112507891B CN112507891B (zh) 2023-02-03

Family

ID=74972604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011463967.5A Active CN112507891B (zh) 2020-12-12 2020-12-12 自动化识别高速路口并构建路口向量的方法及装置

Country Status (1)

Country Link
CN (1) CN112507891B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159044A (zh) * 2021-04-01 2021-07-23 中国公路工程咨询集团有限公司 一种基于深度学习的卷积神经网络的道路材质识别方法
CN114512052A (zh) * 2021-12-31 2022-05-17 武汉中海庭数据技术有限公司 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171967A (zh) * 2017-11-24 2018-06-15 华为技术有限公司 一种交通控制方法及装置
CN108470159A (zh) * 2018-03-09 2018-08-31 腾讯科技（深圳）有限公司 车道线数据处理方法、装置、计算机设备和存储介质
CN111179152A (zh) * 2018-11-12 2020-05-19 阿里巴巴集团控股有限公司 一种道路标识识别方法及装置、介质、终端
WO2020172875A1 (zh) * 2019-02-28 2020-09-03 深圳市大疆创新科技有限公司 道路结构信息的提取方法、无人机及自动驾驶系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171967A (zh) * 2017-11-24 2018-06-15 华为技术有限公司 一种交通控制方法及装置
CN108470159A (zh) * 2018-03-09 2018-08-31 腾讯科技（深圳）有限公司 车道线数据处理方法、装置、计算机设备和存储介质
CN111179152A (zh) * 2018-11-12 2020-05-19 阿里巴巴集团控股有限公司 一种道路标识识别方法及装置、介质、终端
WO2020172875A1 (zh) * 2019-02-28 2020-09-03 深圳市大疆创新科技有限公司 道路结构信息的提取方法、无人机及自动驾驶系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
郑永荣等: "基于单目视觉的智能车路口实时定位方法", 《计算机工程》 *
龙腾等: "面向智轨电车的激光雷达道路入侵物检测技术研究", 《控制与信息技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159044A (zh) * 2021-04-01 2021-07-23 中国公路工程咨询集团有限公司 一种基于深度学习的卷积神经网络的道路材质识别方法
CN114512052A (zh) * 2021-12-31 2022-05-17 武汉中海庭数据技术有限公司 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置

Also Published As

Publication number Publication date
CN112507891B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
US11255973B2 (en) Method and apparatus for extracting lane line and computer readable storage medium
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
JP6595182B2 (ja) マッピング、位置特定、及び姿勢補正のためのシステム及び方法
CN108765487A (zh) 重建三维场景的方法、装置、设备和计算机可读存储介质
CN113034566B (zh) 高精度地图构建方法、装置、电子设备及存储介质
CN113554643B (zh) 一种目标检测方法、装置、电子设备及存储介质
US10984588B2 (en) Obstacle distribution simulation method and device based on multiple models, and storage medium
CN112507891B (zh) 自动化识别高速路口并构建路口向量的方法及装置
CN113240734B (zh) 一种基于鸟瞰图的车辆跨位判断方法、装置、设备及介质
CN112257668A (zh) 主辅路判断方法、装置、电子设备及存储介质
Liu et al. Image-translation-based road marking extraction from mobile laser point clouds
CN113988197A (zh) 基于多相机、多激光雷达的联合标定及目标融合检测方法
CN116433865B (zh) 一种基于场景可重建性分析的空地协同采集路径规划方法
CN116978010A (zh) 图像标注方法和装置、存储介质和电子设备
CN110827340B (zh) 地图的更新方法、装置及存储介质
CN114648639B (zh) 一种目标车辆的检测方法、系统及装置
CN113902047B (zh) 图像元素匹配方法、装置、设备以及存储介质
CN112507887B (zh) 一种路口标志牌提取及关联的方法及装置
CN114419180A (zh) 重构高精地图的方法、装置和电子设备
Lee et al. Semi-automatic framework for traffic landmark annotation
CN112528918A (zh) 道路元素识别方法、地图标注方法及装置、车辆
CN116309943B (zh) 一种停车场语义地图路网构建方法、装置及电子设备
CN112767477A (zh) 一种定位方法、装置、存储介质及电子设备
CN112767458B (zh) 激光点云与图像的配准的方法及系统
CN116958915B (zh) 目标检测方法、装置、电子设备及存储介质

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