CN113313629B - 交叉路口自动识别方法、系统及其模型保存方法、系统 - Google Patents

Abstract

本发明涉及一种交叉路口自动识别方法及系统，利用直线检测算法获取构建参考点，以建立光束模型，最后根据光束模型对交叉路口进行自动识别，进而无需人为识别交叉路口，能够实现交叉路口的自动识别，识别效率高。本发明还涉及一种交叉路口模型保存方法及系统，利用LeGO‑LOAM算法构建全局地图模型，以构建参考点在全局地图模型中的位置作为交叉路口中心，以构建参考点与二维点云数据中距离构建参考点最远的道路弯折点之间的距离作为最小分割半径，最后根据交叉路口中心和最小分割半径对全局地图模型进行分割，得到交叉路口模型，并对交叉路口模型进行保存，进而无需人为分割，能够实现交叉路口模型的自动分割和保存，分割效率高。

Description

交叉路口自动识别方法、系统及其模型保存方法、系统

技术领域

本发明涉及交叉路口地图制作技术领域，特别是涉及一种交叉路口自动识别方法、系统及其模型保存方法、系统。

背景技术

现有在制作交叉路口地图时，需要人为识别交叉路口的位置及类型等信息，人为分割获取交叉路口模型并保存，工作复杂，效率低。

基于此，亟需一种能够进行交叉路口自动识别及交叉路口模型自动保存的方法。

发明内容

本发明的目的是提供一种交叉路口自动识别方法、系统及其模型保存方法、系统，能够进行交叉路口的自动识别，并实现交叉路口模型的自动保存。

为实现上述目的，本发明提供了如下方案：

第一方面，本发明提供了一种交叉路口自动识别方法，所述识别方法包括：

获取无人车周围环境的三维点云数据；所述无人车位于交叉路口中；

根据所述三维点云数据，构建二维栅格地图；

根据所述二维栅格地图，利用直线检测算法获取构建参考点；

根据所述构建参考点建立光束模型；

根据所述光束模型对所述交叉路口进行自动识别。

本发明还用于提供一种交叉路口自动识别系统，所述识别系统包括：

第一获取模块，用于获取无人车周围环境的三维点云数据；所述无人车位于交叉路口中；

第一构建模块，用于根据所述三维点云数据，构建二维栅格地图；

构建参考点确定模块，用于根据所述二维栅格地图，利用直线检测算法获取构建参考点；

建立模块，用于根据所述构建参考点建立光束模型；

识别模块，用于根据所述光束模型对所述交叉路口进行自动识别。

第二方面，本发明提供了一种交叉路口模型保存方法，所述保存方法包括：

获取无人车周围环境的三维点云数据；根据所述三维点云数据，构建二维栅格地图；根据所述二维栅格地图，利用直线检测算法获取构建参考点；所述无人车位于交叉路口中；

根据所述三维点云数据，利用LeGO-LOAM算法构建全局地图模型；

利用所述LeGO-LOAM算法确定所述构建参考点在所述全局地图模型中的位置，并将所述位置作为交叉路口中心；

将所述三维点云数据向水平面进行投影，得到二维点云数据；计算所述构建参考点与所述二维点云数据中距离所述构建参考点最远的道路弯折点之间的距离，并将所述距离作为最小分割半径；

根据所述交叉路口中心和所述最小分割半径对所述全局地图模型进行分割，得到交叉路口模型，并对所述交叉路口模型进行保存。

本发明还提供了一种交叉路口模型保存系统，所述保存系统包括：

第二获取模块，用于获取无人车周围环境的三维点云数据；根据所述三维点云数据，构建二维栅格地图；根据所述二维栅格地图，利用直线检测算法获取构建参考点；所述无人车位于交叉路口中；

第二构建模块，用于根据所述三维点云数据，利用LeGO-LOAM算法构建全局地图模型；

中心选取模块，用于利用所述LeGO-LOAM算法确定所述构建参考点在所述全局地图模型中的位置，并将所述位置作为交叉路口中心；

半径确定模块，用于将所述三维点云数据向水平面进行投影，得到二维点云数据；计算所述构建参考点与所述二维点云数据中距离所述构建参考点最远的道路弯折点之间的距离，并将所述距离作为最小分割半径；

分割模块，用于根据所述交叉路口中心和所述最小分割半径对所述全局地图模型进行分割，得到交叉路口模型，并对所述交叉路口模型进行保存。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明所提供的一种交叉路口自动识别方法及系统，获取无人车周围环境的三维点云数据，根据三维点云数据，构建二维栅格地图，根据二维栅格地图，利用直线检测算法获取构建参考点，根据构建参考点建立光束模型，最后根据光束模型对交叉路口进行自动识别，进而无需人为识别交叉路口，能够实现交叉路口的自动识别，识别效率高。

本发明所提供的一种交叉路口模型保存方法及系统，获取三维点云数据和构建参考点，根据三维点云数据，利用LeGO-LOAM算法构建全局地图模型，利用LeGO-LOAM算法确定构建参考点在全局地图模型中的位置，并将位置作为交叉路口中心。将三维点云数据向水平面进行投影，得到二维点云数据，计算构建参考点与二维点云数据中距离构建参考点最远的道路弯折点之间的距离，并将距离作为最小分割半径。最后根据交叉路口中心和最小分割半径对全局地图模型进行分割，得到交叉路口模型，并对交叉路口模型进行保存，进而无需人为分割，能够实现交叉路口模型的自动分割和保存，分割效率高。

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得其他的附图。

图1为本发明实施例1所提供的识别方法的方法流程图；

图2为本发明实施例1所提供的二维栅格地图的示意图；

图3为本发明实施例1所提供的延长边线的示意图；

图4为本发明实施例1所提供的部分栅格对应的更新后数值的示意图；

图5为本发明实施例1所提供的中心区域的示意图；

图6为本发明实施例1所提供的光束模型的示意图；

图7为本发明实施例2所提供的识别系统的系统框图；

图8为本发明实施例3所提供的保存方法的方法流程图；

图9为本发明实施例3所提供的构建参考点与最小分割半径的示意图；

图10为本发明实施例4所提供的保存系统的系统框图。

具体实施方式

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，所描述的实施例仅仅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做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。

本发明的目的是提供一种交叉路口自动识别方法、系统及其模型保存方法、系统，能够进行交叉路口的自动识别，并实现交叉路口模型的自动保存。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1：

目前尚且没有基于无人车对交叉路口进行自动识别的方法。但现有中存在基于无人车对岔道路口类型进行识别的方法，在对岔道路口类型进行识别时所用的方法为：获取无人车在水平方向各角度上的可通行距离，生成由角度-可通行距离定义的直方图，得到光束模型，而后基于该光束模型进行岔道路口的实时识别与分类。但该岔道路口类型识别方法在构建光束模型时，大部分是以固定的车体坐标系原点作为光束模型的构建参考点，另有一种是以从车体坐标系原点沿x轴纵向偏移固定距离的点作为光束模型的构建参考点，由于光束模型的构建参考点都是相对于车体坐标系固定的点，所以其识别结果往往在很大程度上受到车体在岔道路口中位置的影响而产生识别误差。为了解决这一问题，本实施例用于提供一种交叉路口自动识别方法，以避免识别结果受车体在交叉路口中位置的影响而产生识别误差的问题，提高识别精度，如图1所示，所述识别方法包括：

S1：获取无人车周围环境的三维点云数据；所述无人车位于交叉路口中；

具体的，利用安装于无人车上的激光雷达或视觉相机实时获取无人车周围环境的三维点云数据。

S2：根据所述三维点云数据，构建二维栅格地图；

具体的，将三维点云数据向水平面进行投影，得到二维点云数据，再根据工作环境，利用预设边长的栅格对二维点云数据进行划分，得到二维栅格地图。所构建的二维栅格地图如图2所示。

预设边长处于0.2-0.5m范围内，即预设边长大于或等于0.2m，小于或等于0.5m。若预设边长大于该范围，即预设边长大于0.5m，会使所得到的二维栅格地图过于稀疏，影响算法效果；若预设边长小于该范围，即预设边长小于0.2m，会增大计算量，消耗计算资源。故本实施例通过设定预设边长的合适范围（0.2-0.5m），能够在保证算法效果的前提下减少计算量。

S3：根据所述二维栅格地图，利用直线检测算法获取构建参考点；

具体的，1）对二维栅格地图进行初始化，将二维栅格地图内每一栅格对应的数值初始化为0，栅格对应的数值表示该栅格为交叉路口中心的概率。

2）根据二维栅格地图，确定所有与交叉路口相连通的道路。

3）随机选取一与交叉路口相连通的道路作为待测道路，利用直线检测算法获取待测道路两侧的边线，获取待测道路两侧的边线具体包括利用直线检测算法检测待测道路两侧的边，并对边进行拟合得到边线，直线检测算法可为霍夫曼直线检测算法。并将每一边线均向两端进行延伸，直至延伸到二维栅格地图的边界处，得到待测道路的两条延长边线；

4）将完全位于两条延长边线之间的栅格对应的数值加1，其余栅格对应的数值保持不变，进而对二维栅格地图内每一栅格对应的数值进行更新，得到二维栅格地图内每一栅格对应的更新后数值。其中，完全位于两条延长边线之间的栅格是指栅格所包括的整个区域均处于两条延长边线之间。

5）判断所有道路是否均已被检测；已被检测是指已被进行直线检测处理，并依据所获得两条延长边线对栅格对应的数值进行更新。

6）若否，则选取任一未被检测的道路作为待测道路，将二维栅格地图内每一栅格对应的更新后数值作为下一循环中的二维栅格地图内每一栅格对应的数值，返回“利用直线检测算法获取待测道路两侧的边线”的步骤；

7）若是，则选取更新后数值最大的多个栅格所组成的区域作为中心区域，并选取中心区域的几何中心点作为构建参考点。即循环对每一与交叉路口相连通的道路进行上述处理，对栅格对应的数值进行更新，得到二维栅格地图内每一栅格对应的更新后数值。所有道路的延长边线如图3所示，黑色实线即为延长边线。部分栅格对应的更新后数值如图4所示。中心区域的示意图如图5所示，中心区域内的栅格对应的更新后数值均为最大值3。

本实施例基于激光雷达或视觉相机构建二维栅格地图，通过直线检测算法检测与交叉路口相连通的道路两侧的边线，将边线进行延伸，得到延长边线，并增加被两延长边线夹在中间的栅格的数值，循环对每一个与交叉路口相连通的道路执行此操作，最终得到带有交叉路口中心概率分布的二维栅格地图，为栅格赋予非零数值，通过栅格对应的数值来确定该栅格为交叉路口中心的概率。然后选取中心区域的几何中心点，作为光束模型的构建参考点，构建光束模型。进而本实施例在建立光束模型时，所选取的构建参考点不再是相对于车体坐标系固定的点，而是依据交叉路口中心概率值所获得的构建参考点，故其识别结果不再受到无人车车体在交叉路口中位置的影响而产生识别误差，能够显著提高交叉路口的识别精度。

S4：根据所述构建参考点建立光束模型；

具体的，对于位于水平面360度范围内的每一方向，选取二维点云数据中位于该方向上并与构建参考点距离最近的障碍点作为计算障碍点，计算构建参考点与计算障碍点之间的距离作为该方向对应的可通行距离，根据每一方向与可通行距离之间的对应关系，建立光束模型。本实施例中选取一个参考边，则每一方向均可等效于该方向所在边与该参考边之间的角度，计算构建参考点与二维点云数据中在各个角度距离构建参考点最近的障碍点之间的距离，根据每一角度与可通行距离之间的对应关系，建立角度-可通行距离直方图，所述角度-可通行距离直方图即为光束模型。光束模型如图6所示，横坐标为角度，纵坐标为可通行距离。

本实施例仅选取角度整数值，例如1度、2度、...、直至360度。障碍点是指二维点云数据中障碍物所在点，障碍物是指道路的边界、台阶、隔离带、绿化带或者其他车辆等障碍物体。

S5：根据所述光束模型对所述交叉路口进行自动识别。

具体的，通过特定规则或SVM、机器学习算法对上述光束模型进行分析，进而进行交叉路口的实时识别与分类，确定交叉路口的位置和类型，类型是指交叉路口为两条道路相交的交叉路口，或者三条道路相交的交叉路口等，实现对交叉路口的自动识别。

本实施例的识别方法不仅能够实现交叉路口的自动识别，提高识别效率，还能通过对构建参考点的选取方法进行改进，利用该构建参考点所生成的光束模型相对于交叉路口静态稳定，能够有效提高交叉路口的识别稳定性和可探测距离。

实施例2：

本实施例用于提供一种交叉路口自动识别系统，如图7所示，所述识别系统包括：

第一获取模块M1，用于获取无人车周围环境的三维点云数据；所述无人车位于交叉路口中；

第一构建模块M2，用于根据所述三维点云数据，构建二维栅格地图；

构建参考点确定模块M3，用于根据所述二维栅格地图，利用直线检测算法获取构建参考点；

建立模块M4，用于根据所述构建参考点建立光束模型；

识别模块M5，用于根据所述光束模型对所述交叉路口进行自动识别。

实施例3：

本实施例用于提供一种交叉路口模型保存方法，如图8所示，所述保存方法包括：

T1：获取无人车周围环境的三维点云数据；根据所述三维点云数据，构建二维栅格地图；根据所述二维栅格地图，利用直线检测算法获取构建参考点；所述无人车位于交叉路口中；

具体的，该步骤的具体方法与实施例1中的S1、S2、S3的方法相同，此处不再赘述。

T2：根据所述三维点云数据，利用LeGO-LOAM算法构建全局地图模型；

Lego-Loam算法是一种开源SLAM（同步建图与定位）算法。当然，本实施例在构建全局地图模型时也可以采用其他SLAM算法，对此并不做任何限制。

T3：利用所述LeGO-LOAM算法确定所述构建参考点在所述全局地图模型中的位置，并将所述位置作为交叉路口中心；

T4：将所述三维点云数据向水平面进行投影，得到二维点云数据；计算所述构建参考点与所述二维点云数据中距离所述构建参考点最远的道路弯折点之间的距离，并将所述距离作为最小分割半径；

道路弯折点是指位于相邻两条道路之间的连接线上的点。构建参考点和最小分割半径如图9所示，图9中的圆形即为最小分割半径形成的分割圆；位于图9中的实点A即为构建参考点。

T5：根据所述交叉路口中心和所述最小分割半径对所述全局地图模型进行分割，得到交叉路口模型，并对所述交叉路口模型进行保存。

具体的，T5包括：以交叉路口中心所在竖直线作为分割圆柱的轴线，根据最小分割半径确定分割圆柱的底面半径，得到分割圆柱。底面半径大于或等于最小分割半径。然后选取全局地图模型中位于分割圆柱内的部分模型作为交叉路口模型。在得到交叉路口模型后，基于程序保存为文件，从而实现交叉路口模型的自动保存。

本实施例以构建参考点在全局地图模型中的位置作为交叉路口中心，计算并保存交叉路口中心和距其最远的道路弯折点的距离作为最小分割半径，以大于或等于该最小分割半径的数值为半径，联合LeGO-LOAM生成的全局地图模型，以交叉道路中心和半径为参考，进行交叉路口点云模型的分割，进而实现交叉路口点云的自动分割和保存，能够获得并保存特征完整的交叉路口模型。

实施例4：

本实施例用于提供一种交叉路口模型保存系统，如图10所示，所述保存系统包括：

第二获取模块M6，用于获取无人车周围环境的三维点云数据；根据所述三维点云数据，构建二维栅格地图；根据所述二维栅格地图，利用直线检测算法获取构建参考点；所述无人车位于交叉路口中；

第二构建模块M7，用于根据所述三维点云数据，利用LeGO-LOAM算法构建全局地图模型；

中心选取模块M8，用于利用所述LeGO-LOAM算法确定所述构建参考点在所述全局地图模型中的位置，并将所述位置作为交叉路口中心；

半径确定模块M9，用于将所述三维点云数据向水平面进行投影，得到二维点云数据；计算所述构建参考点与所述二维点云数据中距离所述构建参考点最远的道路弯折点之间的距离，并将所述距离作为最小分割半径；

分割模块M10，用于根据所述交叉路口中心和所述最小分割半径对所述全局地图模型进行分割，得到交叉路口模型，并对所述交叉路口模型进行保存。

本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种交叉路口自动识别方法，其特征在于，所述识别方法包括：

获取无人车周围环境的三维点云数据；所述无人车位于交叉路口中；

根据所述三维点云数据，构建二维栅格地图；

根据所述二维栅格地图，利用直线检测算法获取构建参考点；

根据所述构建参考点建立光束模型；

根据所述光束模型对所述交叉路口进行自动识别；

所述根据所述二维栅格地图，利用直线检测算法获取构建参考点具体包括：

将所述二维栅格地图内每一栅格对应的数值初始化为0；

根据所述二维栅格地图，确定所有与所述交叉路口相连通的道路；

随机选取一所述道路作为待测道路；

利用直线检测算法获取所述待测道路两侧的边线，并将每一所述边线均向两端进行延伸，直至延伸到所述二维栅格地图的边界处，得到所述待测道路的两条延长边线；

将完全位于两条所述延长边线之间的栅格对应的数值加1，其余栅格对应的数值保持不变，对所述二维栅格地图内每一所述栅格对应的数值进行更新，得到所述二维栅格地图内每一所述栅格对应的更新后数值；

判断所有所述道路是否均已被检测；

若否，则选取任一未被检测的所述道路作为所述待测道路，将所述二维栅格地图内每一所述栅格对应的更新后数值作为下一循环中的所述二维栅格地图内每一所述栅格对应的数值，返回“利用直线检测算法获取所述待测道路两侧的边线”的步骤；

若是，则选取所述更新后数值最大的多个栅格所组成的区域作为中心区域，并选取所述中心区域的几何中心点作为构建参考点。

2.根据权利要求1所述的识别方法，其特征在于，所述获取无人车周围环境的三维点云数据具体包括：

利用安装于无人车上的激光雷达或视觉相机获取所述无人车周围环境的三维点云数据。

3.根据权利要求1所述的识别方法，其特征在于，所述根据所述三维点云数据，构建二维栅格地图具体包括：

将所述三维点云数据向水平面进行投影，得到二维点云数据；

利用预设边长的栅格对所述二维点云数据进行划分，得到二维栅格地图。

4.根据权利要求3所述的识别方法，其特征在于，所述预设边长处于0.2-0.5m范围内。

5.根据权利要求3所述的识别方法，其特征在于，所述根据所述构建参考点建立光束模型具体包括：

对于位于水平面360度范围内的每一方向，选取所述二维点云数据中位于所述方向上并与所述构建参考点距离最近的障碍点作为计算障碍点，计算所述构建参考点与所述计算障碍点之间的距离作为所述方向对应的可通行距离；

根据每一所述方向与所述可通行距离之间的对应关系，建立光束模型。

6.一种交叉路口自动识别系统，其特征在于，所述识别系统包括：

第一获取模块，用于获取无人车周围环境的三维点云数据；所述无人车位于交叉路口中；

第一构建模块，用于根据所述三维点云数据，构建二维栅格地图；

构建参考点确定模块，用于根据所述二维栅格地图，利用直线检测算法获取构建参考点；

建立模块，用于根据所述构建参考点建立光束模型；

识别模块，用于根据所述光束模型对所述交叉路口进行自动识别；

所述根据所述二维栅格地图，利用直线检测算法获取构建参考点具体包括：

将所述二维栅格地图内每一栅格对应的数值初始化为0；

根据所述二维栅格地图，确定所有与所述交叉路口相连通的道路；

随机选取一所述道路作为待测道路；

利用直线检测算法获取所述待测道路两侧的边线，并将每一所述边线均向两端进行延伸，直至延伸到所述二维栅格地图的边界处，得到所述待测道路的两条延长边线；

将完全位于两条所述延长边线之间的栅格对应的数值加1，其余栅格对应的数值保持不变，对所述二维栅格地图内每一所述栅格对应的数值进行更新，得到所述二维栅格地图内每一所述栅格对应的更新后数值；

判断所有所述道路是否均已被检测；

若否，则选取任一未被检测的所述道路作为所述待测道路，将所述二维栅格地图内每一所述栅格对应的更新后数值作为下一循环中的所述二维栅格地图内每一所述栅格对应的数值，返回“利用直线检测算法获取所述待测道路两侧的边线”的步骤；

若是，则选取所述更新后数值最大的多个栅格所组成的区域作为中心区域，并选取所述中心区域的几何中心点作为构建参考点。

7.一种交叉路口模型保存方法，其特征在于，所述保存方法包括：

获取无人车周围环境的三维点云数据；根据所述三维点云数据，构建二维栅格地图；根据所述二维栅格地图，利用直线检测算法获取构建参考点；所述无人车位于交叉路口中；

根据所述三维点云数据，利用LeGO-LOAM算法构建全局地图模型；

利用所述LeGO-LOAM算法确定所述构建参考点在所述全局地图模型中的位置，并将所述位置作为交叉路口中心；

将所述三维点云数据向水平面进行投影，得到二维点云数据；计算所述构建参考点与所述二维点云数据中距离所述构建参考点最远的道路弯折点之间的距离，并将所述距离作为最小分割半径；

根据所述交叉路口中心和所述最小分割半径对所述全局地图模型进行分割，得到交叉路口模型，并对所述交叉路口模型进行保存；

所述根据所述二维栅格地图，利用直线检测算法获取构建参考点具体包括：

将所述二维栅格地图内每一栅格对应的数值初始化为0；

根据所述二维栅格地图，确定所有与所述交叉路口相连通的道路；

随机选取一所述道路作为待测道路；

利用直线检测算法获取所述待测道路两侧的边线，并将每一所述边线均向两端进行延伸，直至延伸到所述二维栅格地图的边界处，得到所述待测道路的两条延长边线；

将完全位于两条所述延长边线之间的栅格对应的数值加1，其余栅格对应的数值保持不变，对所述二维栅格地图内每一所述栅格对应的数值进行更新，得到所述二维栅格地图内每一所述栅格对应的更新后数值；

判断所有所述道路是否均已被检测；

若否，则选取任一未被检测的所述道路作为所述待测道路，将所述二维栅格地图内每一所述栅格对应的更新后数值作为下一循环中的所述二维栅格地图内每一所述栅格对应的数值，返回“利用直线检测算法获取所述待测道路两侧的边线”的步骤；

若是，则选取所述更新后数值最大的多个栅格所组成的区域作为中心区域，并选取所述中心区域的几何中心点作为构建参考点。

8.根据权利要求7所述的保存方法，其特征在于，所述根据所述交叉路口中心和所述最小分割半径对所述全局地图模型进行分割，得到交叉路口模型具体包括：

以所述交叉路口中心所在竖直线作为分割圆柱的轴线，根据所述最小分割半径确定所述分割圆柱的底面半径，得到所述分割圆柱；所述底面半径大于或等于所述最小分割半径；

选取所述全局地图模型中位于所述分割圆柱内的部分模型作为交叉路口模型。

9.一种交叉路口模型保存系统，其特征在于，所述保存系统包括：

第二获取模块，用于获取无人车周围环境的三维点云数据；根据所述三维点云数据，构建二维栅格地图；根据所述二维栅格地图，利用直线检测算法获取构建参考点；所述无人车位于交叉路口中；

第二构建模块，用于根据所述三维点云数据，利用LeGO-LOAM算法构建全局地图模型；

中心选取模块，用于利用所述LeGO-LOAM算法确定所述构建参考点在所述全局地图模型中的位置，并将所述位置作为交叉路口中心；

半径确定模块，用于将所述三维点云数据向水平面进行投影，得到二维点云数据；计算所述构建参考点与所述二维点云数据中距离所述构建参考点最远的道路弯折点之间的距离，并将所述距离作为最小分割半径；

分割模块，用于根据所述交叉路口中心和所述最小分割半径对所述全局地图模型进行分割，得到交叉路口模型，并对所述交叉路口模型进行保存；

所述根据所述二维栅格地图，利用直线检测算法获取构建参考点具体包括：

将所述二维栅格地图内每一栅格对应的数值初始化为0；

根据所述二维栅格地图，确定所有与所述交叉路口相连通的道路；

随机选取一所述道路作为待测道路；

利用直线检测算法获取所述待测道路两侧的边线，并将每一所述边线均向两端进行延伸，直至延伸到所述二维栅格地图的边界处，得到所述待测道路的两条延长边线；

将完全位于两条所述延长边线之间的栅格对应的数值加1，其余栅格对应的数值保持不变，对所述二维栅格地图内每一所述栅格对应的数值进行更新，得到所述二维栅格地图内每一所述栅格对应的更新后数值；

判断所有所述道路是否均已被检测；

若否，则选取任一未被检测的所述道路作为所述待测道路，将所述二维栅格地图内每一所述栅格对应的更新后数值作为下一循环中的所述二维栅格地图内每一所述栅格对应的数值，返回“利用直线检测算法获取所述待测道路两侧的边线”的步骤；

若是，则选取所述更新后数值最大的多个栅格所组成的区域作为中心区域，并选取所述中心区域的几何中心点作为构建参考点。

Images