CN112833891A

CN112833891A - 基于卫片识别的道路数据与车道级地图数据的融合方法

Info

Publication number: CN112833891A
Application number: CN202011632836.5A
Authority: CN
Inventors: 王军德; 陈治; 郑军
Original assignee: Wuhan Kotei Informatics Co Ltd
Current assignee: Wuhan Kotei Informatics Co Ltd
Priority date: 2020-12-31
Filing date: 2020-12-31
Publication date: 2021-05-25
Anticipated expiration: 2040-12-31
Also published as: CN112833891B

Abstract

本发明涉及一种基于卫片识别的道路数据与车道级地图数据的融合方法，包括：根据待融合的原始地图数据的坐标确定对应的卫片数据；基于AI检测算法对卫片数据进行车道信息检测，得到的检测结果为各个地标数据信息；获取原始地图数据中的道路Link及其对应的所有的拼接卫片的检测结果，融合后得到该条道路Link的地标数据信息，生成含车道级别的融合后地图数据；实现更具体的更准确的数据融合，不需要单独采用高精度数据点云采集车取采集数据，花费小且制作周期短。

Description

基于卫片识别的道路数据与车道级地图数据的融合方法

技术领域

本发明涉及高精度地图数据融合领域，尤其涉及一种基于卫片识别的道路数据与车道级地图数据的融合方法。

背景技术

目前中、高精度地图在车辆辅助驾驶、自动驾驶领域已经必不可少。传统地图是基于道路构建的数据，存储着道路的拓扑关系、车道数量以及车道属性等信息。目前，传统地图技术已经非常成熟，但对于车道线的具体位置则不可获知，无法实现车道级别的导航和定位。高精度地图是指高精度、精细化定义的地图，其精度需要达到能够区分各个车道。

如何代价最小化地实现将各种信息融合到道路上，生成高精度地图，是目前研究的主要技术点。常规的高精度数据点云采集车，采集花费大，数据处理量大，制作周期长。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于卫片识别的道路数据与车道级地图数据的融合方法，解决现有技术中地图更新数据采集成本高的问题。

本发明解决上述技术问题的技术方案如下：一种基于卫片识别的道路数据与车道级地图数据的融合方法，包括：

步骤1，根据待融合的原始地图数据的坐标确定对应的卫片数据；

步骤2，基于AI检测算法对所述卫片数据进行车道信息检测，得到的检测结果为各个地标数据信息；

步骤3，获取所述原始地图数据中的道路Link及其对应的所有的拼接卫片的检测结果，融合后得到该条道路Link的所述地标数据信息，生成含车道级别的融合后地图数据。

本发明的有益效果是：利用通过AI算法检测出地图卫片的地标信息，与原始地图数据融合，生成含车道级别的地图数据，实现更具体的更准确的数据融合，不需要单独采用高精度数据点云采集车取采集数据，花费小且制作周期短。

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，所述步骤1包括：

步骤101，遍历所述原始地图数据中的每一条所述道路Link的形点，根据所述形点的坐标计算得出对应的瓦片坐标，进行形点到卫片瓦片的坐标转换后获取每个形点对应的卫片；

步骤102，获取以该卫片为中心取其四周距离最近的N张卫片，将该卫片与其四周的N张卫片拼接成一张拼接卫片。

进一步，所述步骤1还包括：

步骤103，从所述原始地图数据中提取所述卫片对应的道路的车道信息及属性信息存储在数据库中，提供给所述步骤2中AI检测算法作为辅助使用。

进一步，所述地标数据信息包括：车道线、路面箭头、分歧合流路口、停止线和车道变更。

进一步，所述步骤2中得到的检测结果的过程中，所述拼接卫片输出的检测结果为车道线时，对输出的车道线进行曲线拟合，对各个所述拼接卫片的重合区域的形点进行融合处理；

所述步骤2还包括：

对输出的所述车道线按照设定规则进行编号，对所述重合区域的形点进行融合处理后，对融合后的车道线进行车道编号更新。

进一步，对所述车道进行编号后还包括：

均分所述车道线，根据所述车道线的形点是否平行以及距离宽度计算平行度与相邻宽度值，确定所述车道线的信任值。

进一步，所述步骤3还包括将识别的路面箭头数据和停止线关联到车道上：

根据关联的车道信息，判断处于所述道路Link对应的所有卫片检测出的路面箭头信息，根据与车道线的位置关系，将所述路面箭头关联到所述车道上，记录识别出的所述路面箭头关联的所述道路Link的LinkID、左右侧车道编号及通行方向；

根据关联的车道信息，从处于所述道路Link对应的所有所述卫片中，获取与该道路Link关联的停止线信息。

进一步，所述步骤3还包括提取所述卫片中的分歧合流信息关联到车道上：

根据分歧/合流的起点和终点，分别作与车道垂直的线，找到整个路口的外接多边形，从分歧/合流起点开始，按照逆时针方向存储所述外接多边形的端点；

找到所述外接多边形与每个所述道路Link的交点，记录每个所述交点的位置及与其相交的所述道路Link；

对所述外接多边形范围内的所述车道线按照设定规则进行编号；

将所述外接多边形范围外的所述车道线关联到对应的道路Link的LinkID上，存储在道路Link车道数据中。

进一步，所述步骤3还包括将识别的车道变更数据、车道虚实变更数据以及普通路口数据关联到车道上：

车道数变更数据的关联过程包括：找到车道变更的起点和终点，根据所述起点和终点作车道线的垂线，计算车道变更前和变更后的多边形区域的端点，从变更前车道起点开始，按照逆时针方向的顺序存储所述多边形区域的端点；

找到所述多边形区域与每个所述道路Link的交点，记录每个所述交点的位置及与其相交的所述道路Link的LinkID；

对所述多边形区域内的车道线按照设定规则进行编号，将车道信息关联到所述道路Link的LinkID上,存储在单独的车道变更车道信息数据中；

车道虚实变更数据的关联过程包括：

车道由虚线变成实线时找到变成实线的起点和终点位置；从车道由实线变虚线时找到变成虚线的起点和终点位置；

找到所述起点位置和终点位置与所述道路Link的交点，记录每个所述交点的位置及与其相交的所述道路Link的LinkID；

记录变更后的车道数；

普通路口数据的关联过程包括：

找到每条道路的停止线，对各个所述停止线进行延长至互相相交后得到一个多边形，按逆时针方向的顺序存储所述多边形的端点；

找到所述多边形与每个所述道路Link的交点，记录每个所述交点的位置及与其相交的所述道路Link的LinkID。

进一步，所述步骤3还包括：无法通过算法识别将车道关联到所述道路Link上时通过采用人工干预选择的方式将车道关联到车道上。

采用上述进一步方案的有益效果是：通过AI算法对高分辨率卫星图片进行自动化提取，生成车道线、道路箭头、停止线、分歧合流、车道变更等数据信息，与车道级原始地图数据进行融合更新，以提升数据准确性，完整性，更好地辅助车辆驾驶；对卫片进行拼接后扩大了卫片的检测大小，存在重叠区域，方便进行AI检测过程中出现漏检或错检时进行数据融合，可以提升数据的准确性和完整性；根据原始地图数据以道路Link为单元，获取Link对应的车道，并计算车道编号与车道权重；人工干预的处理无法通过算法识别的特殊场景；对分歧合流口和普通路口数据进行针对处理。

附图说明

图1为本发明提供的一种基于卫片识别的道路数据与车道级地图数据的融合方法的流程图；

图2为所示为本发明实施例提供的卫片拼接处理示意图；

图3为本发明实施例提供的对拼接卫片中的车道线进行处理示意图；

图4为本发明实施例提供的分歧合流路口的处理示意图；

图5为本发明实施例提供的普通十字路口的处理示意图。

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。

卫星像片图简称卫片，也叫卫星图像，是各种人造地球卫星在运行过程中，通过照相机、电视摄象机、多光谱扫描仪等设备，对地面地物进行摄影或扫描所获得的图像资料。

本发明提供一种基于卫片识别的道路数据与车道级地图数据的融合方法，如图1所示为本发明提供的一种基于卫片识别的道路数据与车道级地图数据的融合方法的流程图，由图1可知，该方法包括：

步骤1，根据待融合的原始地图数据的坐标确定对应的卫片数据。

步骤2，基于AI检测算法对卫片数据进行车道信息检测，得到的检测结果为各个地标数据信息。

AI(Artificial Intelligence，人工智能)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。摄影测量与遥感是与人工智能最密切的学科之一，深度学习方法开展遥感目标提取和分类的研究时，通过进行标注的方式建立高精度大样本训练数据库，实现车道信息的检测。

步骤3，获取原始地图数据中的道路Link及其对应的所有的拼接卫片的检测结果，融合后得到该条道路Link的地标数据信息，生成含车道级别的融合后地图数据。

其中，道路Link表示地图道路数据的组织单元。

本发明提供一种基于卫片识别的道路数据与车道级地图数据的融合方法，利用通过AI算法检测出地图卫片的地标信息，与原始地图数据融合，生成含车道级别的地图数据，实现更具体的更准确的数据融合，不需要单独采用高精度数据点云采集车取采集数据，花费小且制作周期短。

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卫片识别的道路数据与车道级地图数据的融合方法的实施例，该实施例包括：

优选的，步骤101，遍历原始地图数据中的每一条道路Link的形点，根据形点的坐标计算得出对应的瓦片坐标，进行形点到卫片瓦片的坐标转换后获取每个形点对应的卫片。

具体实施中要求原始地图数据提供的形点均匀插值，且距离不能超过一张卫片。根据形点坐标计算出对应的瓦片坐标时涉及到wgs84(World Geodetic System1984，为GPS全球定位系统使用而建立的坐标系统)坐标系与卫片瓦片坐标系的转换。

如图2所示为本发明实施例提供的卫片拼接处理示意图，其中Tile表示卫片，图2给出的实施例中，以该卫片为中心，获取与其上下左右相邻的其他8张卫片，共3*3卫片，拼接成一张拼接卫片，保证形点处于拼接卫片正中间。

对卫片进行拼接后扩大了卫片的检测大小，存在重叠区域，方便进行AI检测过程中出现漏检或错检时进行数据融合，可以提升数据的准确性和完整性。

进一步的，步骤1还包括：

步骤103，从原始地图数据中提取卫片对应的道路的车道信息及属性信息存储在数据库中，提供给步骤2中AI检测算法作为辅助使用。

优选的，步骤2中得到的检测结果的过程中，拼接卫片输出的检测结果为车道线时，对输出的车道线进行曲线拟合，对各个拼接卫片的重合区域的形点进行融合处理。

具体实施过程中，计算每条车道的拟合曲线后，还需要过滤错误识别的车道线。

进一步的，步骤2还包括：

对输出的车道线按照设定规则进行编号，因为拼接的卫片存在重合，对重合区域的形点进行融合处理后，对融合后的车道线进行车道编号更新。依此方法，处理完该条道路Link的所有卫片检测的车道信息。

如图3所示为本发明实施例提供的对拼接卫片中的车道线进行处理示意图，图3给出的实施例中，车道编号的设定规则为：根据车道Link方向，从左到右对车道线进行编号0,1,2,3…

进一步的，对车道进行编号后还包括：

均分车道线，根据车道线的形点是否平行以及距离宽度计算平行度与相邻宽度值，确定车道线的信任值，即权重值，满分为100，最小为0，值越小越不可信，根据编号的车道，避免错检的数据干扰数据准确性。

建立道路Link与卫片的检测结果中的车道线的关联的过程包括：计算道路Link的拟合曲线，并在首点尾点作垂线，计算垂线与每个车道线的交点，筛选根据Link信息提取的最终车道。

进一步的，步骤3还包括将识别的路面箭头数据和停止线关联到车道上，提取卫片中的分歧合流信息关联到车道上，将识别的车道变更数据、车道虚实变更数据以及普通路口数据关联到车道上。

根据关联的车道信息，判断处于道路Link对应的所有卫片检测出的路面箭头信息，根据与车道线的位置关系，将路面箭头关联到车道上，记录识别出的路面箭头关联的道路Link的LinkID、左右侧车道编号及通行方向等信息。

根据关联的车道信息，从处于道路Link对应的所有卫片中，获取与该道路Link关联的停止线信息。

如图4所示为本发明实施例提供的分歧合流路口的处理示意图，其中Node表示道路Link与道路Link相连的结点，结合图4可知，计算出分歧合流路口范围，并提取出路口范围的车道线信息，具体包括：

根据分歧/合流的起点和终点，分别作与车道垂直的线，找到整个路口的外接多边形，该外接多边形如图4中虚线多边形框，从分歧/合流起点开始，按照逆时针方向存储外接多边形的端点。

找到外接多边形与每个道路Link的交点，如图4中所示的X，记录每个交点的位置及与其相交的道路Link，即需要记录交点对应的道路Link的LinkID。

对外接多边形范围内的车道线按照设定规则进行编号。

图4给出的实施例中，按照道路的通行方向，从左到右依次给各个车道线编号0,1,2,3.......，将车道信息关联到NodeID上，存储在路口数据中。

将外接多边形范围外的车道线关联到对应的道路Link的LinkID上，存储在道路Link车道数据中。

如图5所示为本发明实施例提供的普通十字路口的处理示意图，结合图5可知，提取卫片中的车道变更信息，提取出交叉路口，并识别出路口中的车道信息。计算出车道数变更、车道线数量变更、普通路口的路口范围，并提取路口范围的车道线信息，具体包括：

车道数变更数据的关联过程包括：找到车道变更的起点和终点，根据起点和终点作车道线的垂线，计算车道变更前和变更后的多边形区域的端点，如图5中所示虚线多边形框，从变更前车道起点开始，按照逆时针方向的顺序存储多边形区域的端点；找到多边形区域与每个道路Link的交点，如图5中所示的X，记录每个交点的位置及与其相交的道路Link的LinkID；对多边形区域内的车道线按照设定规则进行编号，将车道信息关联到道路Link的LinkID上,存储在单独的车道变更车道信息数据中。

图5给出的实施例中，按照道路的通行方向，车道从左到右依此编号0,1,2,3.......

车道虚实变更数据的关联过程包括：

车道由虚线变成实线时找到变成实线的起点和终点位置；从车道由实线变虚线时找到变成虚线的起点和终点位置；找到起点位置和终点位置与道路Link的交点，记录每个交点的位置及与其相交的道路Link的LinkID；记录变更后的车道数。

普通路口数据的关联过程包括：

找到每条道路的停止线，对各个停止线进行延长至互相相交后得到一个多边形，如图5中所示的中间的矩形边框，按逆时针方向的顺序存储多边形的端点；找到多边形与每个道路Link的交点，如图5中所示的X，记录每个交点的位置及与其相交的道路Link的LinkID。

进一步的，步骤3还包括：无法通过算法识别将车道关联到道路Link上时通过采用人工干预选择的方式将车道关联到车道上。

当遇到高架桥、平行路、隧道等特殊场景，无法通过算法识别将车道关联到道路Link上的情况，可以通过采用人工干预选择的方式将车道关联到车道上。

数据关联道路Link和Node后，生成Link车道数据，路面箭头数据，停止线数据，分歧合流路口数据，车道数变更数据，车道虚实变更数据等路口数据及道路Link数据(车道数，车道宽度)数据等。将最终数据融合到原始地图数据上。

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

1.一种基于卫片识别的道路数据与车道级地图数据的融合方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：

3.根据权利要求1所述的方法，其特征在于，所述步骤1还包括：

4.根据权利要求1所述的方法，其特征在于，所述地标数据信息包括：车道线、路面箭头、分歧合流路口、停止线和车道变更。

5.根据权利要求4所述的方法，其特征在于，所述步骤2中得到的检测结果的过程中，所述拼接卫片输出的检测结果为车道线时，对输出的车道线进行曲线拟合，对各个所述拼接卫片的重合区域的形点进行融合处理；

所述步骤2还包括：

6.根据权利要求5所述的方法，其特征在于，对所述车道进行编号后还包括：

7.根据权利要求6所述的方法，其特征在于，所述步骤3还包括将识别的路面箭头数据和停止线关联到车道上：

8.根据权利要求6所述的方法，其特征在于，所述步骤3还包括提取所述卫片中的分歧合流信息关联到车道上：

9.根据权利要求6所述的方法，其特征在于，所述步骤3还包括将识别的车道变更数据、车道虚实变更数据以及普通路口数据关联到车道上：

车道虚实变更数据的关联过程包括：

记录变更后的车道数；

普通路口数据的关联过程包括：

10.根据权利要求6-9任一项所述的方法，其特征在于，所述步骤3还包括：无法通过算法识别将车道关联到所述道路Link上时通过采用人工干预选择的方式将车道关联到车道上。