CN113435427B - 车道线的聚合方法和装置 - Google Patents
车道线的聚合方法和装置 Download PDFInfo
- Publication number
- CN113435427B CN113435427B CN202110991661.5A CN202110991661A CN113435427B CN 113435427 B CN113435427 B CN 113435427B CN 202110991661 A CN202110991661 A CN 202110991661A CN 113435427 B CN113435427 B CN 113435427B
- Authority
- CN
- China
- Prior art keywords
- lane line
- lane
- lane lines
- lines
- sets
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000004931 aggregating effect Effects 0.000 title claims description 20
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004220 aggregation Methods 0.000 claims description 36
- 230000002776 aggregation Effects 0.000 claims description 36
- 238000005070 sampling Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000005452 bending Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Abstract
本发明提供一种车道线的聚合方法和装置，该方法包括：获取道路的众包数据，并对众包数据中每张车道线图像进行车道线的提取得到包含多条初始车道线的目标图像；对目标图像中的每条初始车道线进行膨胀处理，得到多条膨胀车道线；确定每相邻的两条膨胀车道线之间的相交面积；根据相交面积大于预设面积的各条膨胀车道线，确定目标图像中道路的实际车道线。本发明的方法，通过对众包数据所提取的车道线进行膨胀处理，再计算相邻的膨胀车道线之间的相交面积，并基于相交面积的大小表征车道线是否异常，从而根据相交面积较大的车道线得到道路车道线，剔除了相交面积较小的异常车道线，提高了道路车道线的聚类精度。
Description
技术领域
本发明涉及道路地图技术，尤其涉及一种车道线的聚合方法和装置。
背景技术
随着自动驾驶技术的发展，高精度地图在智能汽车的应用上起着举足轻重的作用。在高精度地图的制作中，路面车道线是高精度地图制作中较为复杂的一种要素，在L3及以上的自动驾驶级别中是不可或缺的。然而，基于专业采集车绘制的高精度地图具有较多显著的缺点，例如制图成本高，往往需要依靠昂贵的传感器设备。
为了弥补以上不足，基于众包模式下的高精度地图制图方案应运而生。相比于专业采集设备，众包采集设备所使用的传感器成本低很多，更适合广泛的部署在不同的采集车上，使得数据来源更加丰富和具有更好的实时性。对众包数据进行融合，可以满足高鲜度和高丰富度的地图需求。
但众包模式产生的数据大多是图像数据，存在较明显的异常值，导致聚类出的道路车道线精度较低。
发明内容
本发明提供一种车道线的聚合方法和装置，用以解决道路车道线的聚类精度较低的问题。
一方面，本发明提供一种车道线的聚合方法，包括：
获取道路的众包数据，并对所述众包数据中每张车道线图像进行车道线的提取得到包含多条初始车道线的目标图像；
对所述目标图像中的每条所述初始车道线进行膨胀处理，得到多条膨胀车道线；
确定每相邻的两条所述膨胀车道线之间的相交面积；
根据相交面积大于预设面积的各条所述膨胀车道线，确定所述目标图像中道路的实际车道线。
在一实施例中，所述根据相交面积大于预设面积的各条所述膨胀车道线，确定所述目标图像中道路的实际车道线的步骤包括：
对相交面积大于预设面积的各条所述膨胀车道线进行聚类得到多个第一集合，其中，每个所述第一集合由一条或者多条所述膨胀车道线构成，且所述第一集合中相邻的两条所述膨胀车道线之间的相交面积大于预设面积；
确定每相邻的两个所述第一集合之间的目标距离，并根据所述目标距离对各个所述第一集合进行聚类得到多个第二集合，其中，所述第二集合包含多个所述第一集合，所述第二集合中相邻的两个所述第一集合之间的目标距离小于预设距离；
根据每个所述第二集合包含的各条所述膨胀车道线，确定每个所述第二集合在所述目标图像中道路上的一条实际车道线。
在一实施例中，所述根据每个所述第二集合包含的各条所述膨胀车道线，确定每个所述第二集合在所述目标图像中道路上的一条实际车道线的步骤包括：
根据每个所述第一集合包含的各条所述膨胀车道线，确定每个所述第一集合对应的分段车道线；
将每个所述第二集合中的各条所述分段车道线进行首尾拼接，得到每个所述第二集合在所述目标图像中道路上的第一实际车道线。
在一实施例中，所述第二集合中包含作为核心车道线的第一分段车道线，所述第一分段车道线是所述道路的分叉路口的车道线，所述第一分段车道线所属的所述第一集合中膨胀车道线的数量位于预设数据区间，所述核心车道线的每一端至多连接一条第二分段车道线，所述第二分段车道线是所述第二集合中除所述核心车道线之外的分段车道线。
在一实施例中，所述确定每相邻的两个所述第一集合之间的目标距离的步骤包括：
确定一个所述第一集合中每条所述膨胀车道线与另一个所述第一集合中每条所述膨胀车道线之间的距离，得到每相邻的两个所述第一集合包含的多个距离；
在每相邻的两个所述第一集合包含的多个距离中确定最小距离，以确定为每相邻的两个所述第一集合的目标距离。
在一实施例中，所述根据每个所述第二集合包含的各条所述膨胀车道线，确定每个所述第二集合在所述目标图像中道路上的一条实际车道线的步骤包括：
在每个所述第二集合包含的每条所述膨胀车道线进行采样，得到每个所述第二集合对应的各个第一目标点；
对每个所述第二集合的各个所述第一目标点进行拟合得到每个所述第二集合在所述目标地图中道路上的一条实际车道线。
在一实施例中，所述第一目标点为所述膨胀车道线的最大弯曲点。
在一实施例中，所述根据每个所述第二集合包含的各条所述膨胀车道线，确定每个所述第二集合在所述目标图像中道路上的一条实际车道线的步骤包括：
根据每个所述第一集合包含的各条所述膨胀车道线，确定每个所述第一集合对应的分段车道线；
在每个所述第二集合包含的每条所述分段车道线进行采样，得到每个所述第二集合对应的各个第二目标点；
对每个所述第二集合的各个所述第二目标点进行拟合得到每个所述第二集合在所述目标地图中道路上的一条实际车道线。
在一实施例中，所述第二目标点为所述分段车道线的最大弯曲点。
在一实施例中，所述对所述众包数据中每张车道线图像进行车道线的提取得到包含多条初始车道线的目标图像的步骤包括：
根据所述众包数据获取各张车道线图像，每张所述车道线内的道路为相同道路；
提取每张所述车道线图像中的车道线，得到每张所述车道线图像对应的初始车道线；
按照每条所述初始车道线在所述道路的位置，将各条所述初始车道线添加至同一所述车道线图像得到所述目标图像。
另一方面，本发明还提供一种车道线的聚合装置，包括：
获取模块，用于获取道路的众包数据，并对所述众包数据中每张车道线图像进行车道线的提取得到包含多条初始车道线的目标图像；
处理模块，用于对所述目标图像中的每条所述初始车道线进行膨胀处理，得到多条膨胀车道线；
确定模块，用于确定每相邻的两条所述膨胀车道线之间的相交面积；
所述确定模块，用于根据相交面积大于预设面积的各条所述膨胀车道线，确定所述目标图像中道路的实际车道线。
另一方面，本发明还提供一种电子设备，包括：存储器和处理器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如上所述的车道线的聚合方法。
另一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上所述的车道线的聚合方法。
另一方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上所述的车道线的聚合方法。
本发明提供的车道线的聚合方法和装置，获取道路的众包数据，并对众包数据中每张车道线图像进行车道线的提取得到包含多条初始车道线的目标图像，再对目标图像中的各条初始车道线进行膨胀处理得到多条膨胀车道线，且确定相邻两条膨胀车道线之间的相交面积，从而根据相交面积大于预设面积膨胀车道线目标图像中道路上的实际车道线。本发明中，装置通过对众包数据所提取的车道线进行膨胀处理，再计算相邻的膨胀车道线之间的相交面积，并基于相交面积的大小表征车道线是否异常，从而根据相交面积较大的车道线得到道路的实际车道线，剔除了相交面积较小的异常车道线，提高了道路车道线的聚类精度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本发明实现车道线的聚合方法的系统构架图；
图2为本发明车道线的聚合方法第一实施例的流程示意图；
图3为本发明初始车道线、膨胀车道线以及第一集合的示意图；
图4为本发明车道线的聚合方法第二实施例中步骤S30的细化流程示意图；
图5为本发明车道线的聚合方法第四实施例中步骤S10的细化流程示意图；
图6为本发明车道线的聚合方法的简要流程示意图；
图7为本发明车道线生成的过程示意图；
图8为本发明车道线的聚合装置的功能模块示意图；
图9为本发明车道线的聚合装置的硬件结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明提供一种车道线的聚合方法，可以通过图1所示的系统构架图实现。如图1所示，车道线的聚合装置100通过网络与服务器200连接。车辆300内的传感器采集道路的图像，该图像即为车道线图像，车辆300再将采集的图像发送至服务器200。服务器200基于各辆车辆300采集的同一道路的图像形成众包数据，车道线的聚合装置100即可从服务器200获取道路的众包数据，从而基于众包数据聚合出道路的实际车道线。可以理解的是，众包数据包含有各个传感器对同一道路采集的车道线图像。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
参照图2，图2为本发明车道线的聚合方法的第一实施例，车道线的聚合方法包括以下步骤：
步骤S10，获取道路的众包数据，并对众包数据中每张车道线图像进行车道线的提取得到包含多条初始车道线的目标图像。
在本实施例中，执行主体为车道线的聚合装置，该聚合装置可以为运行于服务器或者终端上的具有软件代码的软件产品，也即车道线的聚合装置是电子设备。为了便于描述，以下采用装置指代车道线的聚合装置。装置在接收到对道路的车道线的聚合时，获取道路的标识，并基于标识生成获取请求，再将获取请求发送至服务器，使得服务器将道路对应的众包数据下发至装置。众包数据包括不同设备对该道路所采集的车道线图像。装置可以对各张车道线图像进行车道线的提取，也即提取出道路的初始车道线。装置中设置有初始车道线的提取模型，提取模型可以通过深度学习算法训练得到。装置将每张车道线图像内的初始车道线提取出来，并按照初始车道线在车道线图像中道路上的位置，将所有的初始车道线添加于同一张车道线图像内，从而得到包含多条初始车道线的目标图像。
步骤S20，对目标图像中的每条初始车道线进行膨胀处理，得到多条膨胀车道线。
可将每条初始车道线作为样本点，并对样本点设置缓冲区。设置缓冲区即为对每条初始车道线进行膨胀处理。具体的，将每条初始车道线的左右各膨胀预设距离，也即对初始车道线进行缓冲（Buffer）操作，从而生成新的车道线，新的车道线定义为膨胀车道线。Buffer操作可以通过GEOS（Geometry Engine ，Open Source，简称GEOS）算法库实现。
步骤S30，确定每相邻的两条膨胀车道线之间的相交面积。
初始车道线膨胀后，原本距离较小的初始车道线会出现相交的情况，也即各条膨胀车道线会出现相交的情况。相交的程度可以体现出两条初始车道线是否为道路上的同一车道线。具体的，膨胀的预设距离为膨胀系数，基于膨胀系数确定预设面积，预设面积即可作为判定两条初始车道线是否为道路同一车道线的阈值。
计算相邻的两条膨胀车道线之间的相交面积，相交面积即为两条膨胀车道线所重合的面积，从而得到两两相邻的膨胀车道线之间的相交面积。
步骤S40，根据相交面积大于预设面积的膨胀车道线，确定目标图像中道路的实际车道线。
可将所有相交面积大于预设面积的膨胀车道线筛选出来，再将相交面积大于预设面积的膨胀车道线进行聚类，从而可以基于聚类的膨胀车道线得到道路的目标车道线。
具体的，可通过如下公式计算出膨胀车道线之间的相交面积：
；其中，
以及
为初始车道线，而
为膨胀
车道线。通过初始车道线
所属的邻域子样本集
，按照 DBSCAN算法（Density-Based
Spatial Clustering of Applications with，基于密度的聚类算法）进行聚类，最终输出
簇C={C1，C2，…Ck}。也即C1、C2或Ck表示相交面积大于预设面积的各个膨胀车道线所构成的
集合。可以对聚类后的膨胀车道线进行聚合，从而可以得到道路的实际车道线。或者，可以
从聚类的所有膨胀车道线上提取点，在对各个点进行拟合从而得到道路的实际车道线。
参照图3，初始车道线、膨胀车道线以及簇C分别对应图3中Line、Buffer以及MultiLine，Line为单线表征初始车道线，Buffer为进行膨胀操作后得到的车道线, 也即Buffer为带buffer区（缓冲区）的车道线， MultiLine为多线对象，且为相交面积聚类后的各条车道线构成。初始车道线经过膨胀处理得到膨胀车道线，而多条膨胀车道线进行聚类得到MultiLine，即得到多条实际的车道线。
在本实施例中，通过相交面积的大小表征膨胀车道线之间的相关性，也即相交面积大于预设面积的两条膨胀车道线相关性较大，为正常的车道线，可进行聚合；而相交面积小于预设面积的两条膨胀车道线相关性较小，为异常的车道线，则无需进行聚合，从而在多条车道线中剔除了异常的的车道线进行聚合。
在本实施例提供的技术方案中，获取道路的众包数据，并对众包数据中每张车道线图像进行车道线的提取得到包含多条初始车道线的目标图像，再对目标图像中的各条初始车道线进行膨胀处理得到多条膨胀车道线，且确定相邻两条膨胀车道线之间的相交面积，从而根据相交面积大于预设面积膨胀车道线目标图像中道路上的实际车道线。
本发明中，通过对众包数据所提取的车道线进行膨胀处理，再计算相邻的膨胀车道线之间的相交面积，并基于相交面积的大小表征车道线是否异常，从而根据相交面积较大的车道线得到道路的实际车道线，剔除了相交面积较小的异常车道线，提高了道路车道线的聚类精度。
参照图4，图4为本发明车道线的聚合方法第二实施例，基于第一实施例，步骤S40包括：
步骤S41，对相交面积大于预设面积的各条膨胀车道线进行聚类得到多个第一集合，其中，每个第一集合由一条或者多条膨胀车道线构成，且第一集合中相邻的两条膨胀车道线之间的相交面积大于预设面积。
步骤S42，确定每相邻的两个第一集合之间的目标距离，并根据目标距离对各个第一集合进行聚类得到多个第二集合，其中，第二集合包含多个第一集合，第二集合中相邻的两个第一集合之间的目标距离小于预设距离。
在本实施例中，为了能够准确的得到道路的车道线，可进行二次聚类。具体的，通过相交面积进行聚类得到簇C，C={C1，C2，…Ck}C内的每个元素由多条膨胀车道线构成的，每个元素定义为第一集合。第一集合由多条或者一条膨胀车道线构成，且第一集合中相邻的两条膨胀车道线之间的相交面积大于预设面积。第一集合可以看做是目标图像上的虚线框，虚线框内即为第一集合的膨胀车道线，因而，相邻的两个第一集合之间具有距离。计算每相邻的两个第一集合之间的目标距离，并通过目标距离对各个第一集合进行两次聚类得到多个第二集合，第二集合包含多个第一集合，第二集合中相邻的两个第一集合之间的目标距离小于预设距离。
基于第一集合中的膨胀车道线确定第一集合之间的距离，具体的，取任意两个第
一集合，分别定义为Ci以及Cj，Ci由m个膨胀车道线组成，Ci中的膨胀车道线记为l i1 ，l i2 ，… l im ；Cj由n个膨胀车道线组成，Cj中的膨胀车道线记为l j1 ，l j2 ，…l jn 。计算Ci中任意一条膨胀
车道线以及Cj中任意一条膨胀车道线的距离，从而得到每相邻的两个第一集合包含的多个
距离，再从相邻的两个第一集合包含的多个距离中确定最小距离，再将最小距离确定为相
邻的两个第一集合之间的目标距离。最小距离
。两条膨胀车道线之间的距离
计算方式为两条线上点之间的最小距离。
步骤S43，根据每个第二集合包含的各条膨胀车道线，确定每个第二集合在目标图像中道路上的一条实际车道线。
一个第二集合即可表征道路的一条实际车道线。可以基于第二集合中的各条膨胀车道线得到道路上一条实际车道线。可以对第二集合中的各条膨胀车道线进行聚合，从而可以得到每个第二集合在道路上的一条车道线。
此外，第二集合包含多个第一集合，每个第一集合由多条膨胀车道线构成，因此，装置可以从第二集合中每条膨胀车道线进行采样得到每个第二集合对应的各个第一目标点，再对各个第一目标点进行拟合从而得到每个第二集合在道路上的一条实际车道线。第一目标点可以是每条膨胀车道线的任意点，也可以是膨胀车道线上的最大弯曲点。最大弯曲点指的是该条膨胀车道线上弯曲程度最大的点。具体的，可以确定膨胀车道线每个点对应的切线，确定切线夹角最小对应的点，该点即为膨胀车道线的最大弯曲点。
另外，第一集合中的膨胀车道线之间相交面积大于预设面积，预设面积表征两条膨胀车道线重叠的区域。预设面积可设置的较大，因此，第一集合中相邻的膨胀车道线的重叠部分越大，故而，可以将第一集合所对应的车道线看聚合或者作为道路上实际车道线的分段车道线，也即分段车道线是实际车道线上的一部分。第二集合中每个第一集合对应一条分段车道线，每条分段车道线进行首尾拼接即可得到一条完整的实际车道线。
可以从第二集合的每条分段车道线进行采样得到第二集合的各个第二目标点，从而对各第二个目标点进行拟合进而得到第二集合在道路上对应的一条实际车道线。第二目标点可以是每条分段车道线的任意点，也可以是分段车道线上的最大弯曲点。最大弯曲点指的是该条分段车道线上弯曲程度最大的点。
可以采用三阶贝塞尔曲线对各个第一目标点或者各个第二目标点进行拟合，拟合
公式为：
,其中，0
，
、
为第一目标点或者第二目标点。采用矩阵形式表示为：
在本实施例提供的技术方案中，将相交面积大于预设面积所对应的各个膨胀车道线进行聚类得到第一集合，并基于第一集合中的膨胀车道线确定每相邻的两个第一集合之间的目标距离，再通过目标距离对各个第一集合进行二次聚类得到多个第二集合，从而根据第二集合中的各条膨胀车道线准确的得到道路上的实际车道线。
在一实施例中，考虑车道线之间的逻辑关系，会将实际车道线在分叉路口打断。在聚类得到分段车道线时，分叉路口所对应的分段车道线最多连接其他的两条分段车道线，也即分叉路口前后最多连接一条分段车道线。
第二集合中的每个第一集合表征一条分段车道线，因而需要在第二集合中找到代
表分叉路口的分段车道线，定义为第一分段车道线。对此，对DBSCAN算法中条件进行更改，
得到筛选条件：
。
为第一集合中膨胀车道线的数量，
为最小阈值，
为最大阈值。最小阈值以及最大阈值构成预设区间。根据第一
集合内的膨胀车道线的数量，在属于同一个第二集合中的各个第一集合中确定核心集合，
核心集合内的膨胀车道线所聚合的第一分段车道线即为道路的分叉路口的车道线，也即将
第一分段车道线作为核心车道线。可以理解的是，第一分段车道线所属的第一集合中膨胀
车道线的数量位于预设数据区间，核心车道线的每一端至多连接一条第二分段车道线，第
二分段车道线是第二集合中除核心车道线之外的分段车道线。
核心集合中各个膨胀车道线表征一条核心车道线，核心车道线的一端原本可以连接2条或者2条以上的车道线。但核心车道线的每一端最多连接一条第二分段车道线，因此，先确定核心车道线每一端相邻的第二分段车道线，然后计算每一端与相邻的第二分段车道线之间的距离，选取最小距离的第二分段车道线与核心车道线的这一端进行拼接，其他的第二分段车道线则按照首尾连接的原则进行拼接，从而完成得到一个第二集合在道路上的一条实际车道线。
本实施例采用基于密度的聚类思想对车道线进行聚类，算法在基于密度聚类方法的基础上做了一些修改，使其更适用于车道线的聚类。本实施例充分的利用了线的几何特征，如将线分成单线（Line）和多线（MultiLine）对象，考虑不同线对象的空间几何关系（如相交面积、相邻距离），以线为样本点，以线的几何关系作为密度聚类的阈值，并在基于密度聚类的思想上加入车道线之间的逻辑约束，使得聚类算法能够应对包括分叉路在内的任何道路场景。
本实施例将基于众包数据的车道线的聚合方法制作的地图与专业采集制作的高精度地图进行对比分析，发现本实施例中的制图精度能达到使用专业采集制作的高精度地图水准，且具有更高的完备率。相较于现有技术中基于点聚类的方法，本实施例使用车道线的聚合算法具有更强的抗差性和鲁棒性。
参照图5，图5为本发明车道线的聚合方法第三实施例，基于第一或第二实施例，步骤S10包括：
步骤S11，根据众包数据获取各张车道线图像，每张车道线内的道路为相同道路。
步骤S12，提取每张车道线图像中的车道线，得到每张车道线图像对应的初始车道线。
步骤S13，按照每条初始车道线在道路的位置，将各条初始车道线添加至同一车道线图像得到目标图像。
在本实施例中，需要对众包数据进行预处理得到初始车道线。具体的，基于众包数据得到道路的每张车道线图像，每张车道线内的道路为相同道路。再通过深度学习方法训练的模型提取每张车道线图像内的车道线，并将提取的车道线定义为初始车道线。采用单目标测距和图像拼接技术恢复车道线在三维世界中的真实位置。再基于真实位置，采用SLAM（simultaneous localization and mapping，简称SLAM，并发建图与定位）位姿图优化算法对初始车道线进行定位得到每条车道线在道路上的位置。按照每条初始车道线在道路上的位置将各条车道线添加至同一车道线图像，即可得到目标图像。
在本实施例中，通过众包数据得到各张车道线图像，并在每张车道线图像中提取道路的初始车道线，再将各条初始车道线添加至同一车道线图像便于初始车道线的膨胀处理后能够相交，提高了道路的车道线的聚合准确性。
基于上述实施例，对本发明的车道线的聚合方法进行简要说明。
参照图6，道路的车道线确定流程分为三个阶段。
第一阶段：
1、众包采集得到包括众包数据，众包采集例如包括众包采集1、众包采集2，……,采集n；
2、基于众包数据得到车道线片段数据，也即为初始车道线；
3、车道线数据对齐优化，也即将初始车道线添加至同一图像中，得到包括多条初始车道线的目标图像，目标图像即为图7中的A图，A图不同颜色的线段表示一条初始车道线。
第二阶段：
1、遍历每条线（初始车道线），对每条初始车道线设置缓冲区得到样本，也即对初始车道线进行膨胀处理得到膨胀车道线；
2、计算两两样本（膨胀车道线）的相交面积；
3、基于相交面积执行密度聚类算法；
4、判断是否满足聚类要求，也即判断相交面积是否大于预设面积，若是大于预设面积则归为一簇，得到第一集合MultLine（新样本），并将相交面积小于预设面积的膨胀车道线作为异常值进行剔除，参见图7中的B图显示的不同颜色的线段为剔除异常的膨胀车道线（相交面积小于或等于预设面积即为异常的膨胀车道线）后其他膨胀车道线。
第三阶段：
1、计算两两样本（第一集合）之间的距离；
2、基于距离聚类新的簇，也即将距离小于预设距离的第一集合归为一簇得到第二集合，图7中C图显示的每条线条即为聚类出的簇（簇即为第二集合）形成的车道线；
3、对每个第二集合所对应的线条进行拟合，生成单一线，单一线即为道路的一条完整的车道线，图7中D图显示的线条为C图中线条拟合得到；
4、输出车道线，也即显示道路的各条车道线。
本发明还提供一种车道线的聚合装置，参照图8，车道线的聚合装置800包括：
获取模块801，用于获取道路的众包数据，并对众包数据中每张车道线图像进行车道线的提取得到包含多条初始车道线的目标图像；
处理模块802，用于对目标图像中的每条初始车道线进行膨胀处理，得到多条膨胀车道线；
确定模块803，用于确定每相邻的两条膨胀车道线之间的相交面积；
确定模块803，用于根据相交面积大于预设面积的各条膨胀车道线，确定目标图像中道路的实际车道线。
在一实施例中，车道线的聚合装置800包括：
聚类模块，用于对相交面积大于预设面积的各条膨胀车道线进行聚类得到多个第一集合，其中，每个第一集合由一条或者多条膨胀车道线构成，且第一集合中相邻的两条膨胀车道线之间的相交面积大于预设面积；
确定模块803，用于确定每相邻的两个第一集合之间的目标距离，并根据目标距离对各个第一集合进行聚类得到多个第二集合，其中，第二集合包含多个第一集合，第二集合中相邻的两个第一集合之间的目标距离小于预设距离；
确定模块803，用于根据每个第二集合包含的各条膨胀车道线，确定每个第二集合在目标图像中道路上的一条实际车道线。
在一实施例中，车道线的聚合装置800包括：
确定模块803，用于根据每个第一集合包含的各条膨胀车道线，确定每个第一集合对应的分段车道线；
拼接模块，用于将每个第二集合中的各条分段车道线进行首尾拼接，得到每个第二集合在目标图像中道路上的第一实际车道线。
在一实施例中，车道线的聚合装置800包括：
确定模块803，用于确定一个第一集合中每条膨胀车道线与另一个第一集合中每条膨胀车道线之间的距离，得到每相邻的两个第一集合包含的多个距离；
确定模块803，用于在每相邻的两个第一集合包含的多个距离中确定最小距离，以确定为每相邻的两个第一集合的目标距离。
在一实施例中，车道线的聚合装置800包括：
采样模块，用于在每个第二集合包含的每条膨胀车道线进行采样，得到每个第二集合对应的各个第一目标点；
拟合模块，用于对每个第二集合的各个第一目标点进行拟合得到每个第二集合在目标地图中道路上的一条实际车道线。
在一实施例中，车道线的聚合装置800包括：
确定模块803，用于根据每个第一集合包含的各条膨胀车道线，确定每个第一集合对应的分段车道线；
采样模块，用于在每个第二集合包含的每条分段车道线进行采样，得到每个第二集合对应的各个第二目标点；
拟合模块，用于对每个第二集合的各个第二目标点进行拟合得到每个第二集合在目标地图中道路上的一条实际车道线
在一实施例中，车道线的聚合装置800包括：
获取模块801，用于根据众包数据获取各张车道线图像，每张车道线内的道路为相同道路；
提取模块，用于提取每张车道线图像中的车道线，得到每张车道线图像对应的初始车道线。
添加模块，用于按照每条初始车道线在道路的位置，将各条初始车道线添加至同一车道线图像得到目标图像。
图9是根据一示例性实施例示出的一种车道线的聚合装置/电子设备的框图。
车道线的聚合装置900/电子设备900可以包括：处理器91，例如CPU，存储器92以及接发器93。本领域技术人员可以理解，图9中示出的结构并不构成对车道线的聚合装置/电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。存储器92可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。
处理器91可以调用存储器92内存储的计算机程序，以完成上述的车道线的聚合方法的全部或部分步骤。
接发器93用于接收外部设备发送的信息以及向外部设备发送信息。
一种非临时性计算机可读存储介质，当该存储介质中的指令由终端设备的处理器执行时，使得车道线的聚合装置能够执行上述车道线的聚合方法。
一种计算机程序产品，包括计算机程序，当该计算机程序由终端设备的处理器执行时，使得车道线的聚合装置能够执行上述车道线的聚合方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (12)
1.一种车道线的聚合方法，其特征在于，包括：
获取道路的众包数据，并对所述众包数据中每张车道线图像进行车道线的提取得到包含多条初始车道线的目标图像；
对所述目标图像中的每条所述初始车道线进行膨胀处理，得到多条膨胀车道线；
确定每相邻的两条所述膨胀车道线之间的相交面积；
对相交面积大于预设面积的各条所述膨胀车道线进行聚类得到多个第一集合，其中，每个所述第一集合由一条或者多条所述膨胀车道线构成，且所述第一集合中相邻的两条所述膨胀车道线之间的相交面积大于预设面积；
确定每相邻的两个所述第一集合之间的目标距离，并根据所述目标距离对各个所述第一集合进行聚类得到多个第二集合，其中，所述第二集合包含多个所述第一集合，所述第二集合中相邻的两个所述第一集合之间的目标距离小于预设距离；
根据每个所述第二集合包含的各条所述膨胀车道线，确定每个所述第二集合在所述目标图像中道路上的一条实际车道线。
2.根据权利要求1所述的车道线的聚合方法，其特征在于，所述根据每个所述第二集合包含的各条所述膨胀车道线，确定每个所述第二集合在所述目标图像中道路上的一条实际车道线的步骤包括：
根据每个所述第一集合包含的各条所述膨胀车道线，确定每个所述第一集合对应的分段车道线；
将每个所述第二集合中的各条所述分段车道线进行首尾拼接，得到每个所述第二集合在所述目标图像中道路上的第一实际车道线。
3.根据权利要求2所述的车道线的聚合方法，其特征在于，所述第二集合中包含作为核心车道线的第一分段车道线，所述第一分段车道线是所述道路的分叉路口的车道线，所述第一分段车道线所属的所述第一集合中膨胀车道线的数量位于预设数据区间，所述核心车道线的每一端至多连接一条第二分段车道线，所述第二分段车道线是所述第二集合中除所述核心车道线之外的分段车道线。
4.根据权利要求1所述的车道线的聚合方法，其特征在于，所述确定每相邻的两个所述第一集合之间的目标距离的步骤包括：
确定一个所述第一集合中每条所述膨胀车道线与另一个所述第一集合中每条所述膨胀车道线之间的距离，得到每相邻的两个所述第一集合包含的多个距离；
在每相邻的两个所述第一集合包含的多个距离中确定最小距离，以确定为每相邻的两个所述第一集合的目标距离。
5.根据权利要求1所述的车道线的聚合方法，其特征在于，所述根据每个所述第二集合包含的各条所述膨胀车道线，确定每个所述第二集合在所述目标图像中道路上的一条实际车道线的步骤包括：
在每个所述第二集合包含的每条所述膨胀车道线进行采样，得到每个所述第二集合对应的各个第一目标点；
对每个所述第二集合的各个所述第一目标点进行拟合得到每个所述第二集合在所述目标地图中道路上的一条实际车道线。
6.根据权利要求5所述的车道线的聚合方法，其特征在于，所述第一目标点为所述膨胀车道线的最大弯曲点。
7.根据权利要求1所述的车道线的聚合方法，其特征在于，所述根据每个所述第二集合包含的各条所述膨胀车道线，确定每个所述第二集合在所述目标图像中道路上的一条实际车道线的步骤包括：
根据每个所述第一集合包含的各条所述膨胀车道线，确定每个所述第一集合对应的分段车道线；
在每个所述第二集合包含的每条所述分段车道线进行采样，得到每个所述第二集合对应的各个第二目标点；
对每个所述第二集合的各个所述第二目标点进行拟合得到每个所述第二集合在所述目标地图中道路上的一条实际车道线。
8.根据权利要求7所述的车道线的聚合方法，其特征在于，所述第二目标点为所述分段车道线的最大弯曲点。
9.根据权利要求1-8任一项所述的车道线的聚合方法，其特征在于，所述对所述众包数据中每张车道线图像进行车道线的提取得到包含多条初始车道线的目标图像的步骤包括：
根据所述众包数据获取各张车道线图像，每张所述车道线内的道路为相同道路；
提取每张所述车道线图像中的车道线，得到每张所述车道线图像对应的初始车道线；
按照每条所述初始车道线在所述道路的位置，将各条所述初始车道线添加至同一所述车道线图像得到所述目标图像。
10.一种车道线的聚合装置，其特征在于，包括：
获取模块，用于获取道路的众包数据，并对所述众包数据中每张车道线图像进行车道线的提取得到包含多条初始车道线的目标图像；
处理模块，用于对所述目标图像中的每条所述初始车道线进行膨胀处理，得到多条膨胀车道线；
确定模块，用于确定每相邻的两条所述膨胀车道线之间的相交面积；
聚类模块，用于对相交面积大于预设面积的各条所述膨胀车道线进行聚类得到多个第一集合，其中，每个所述第一集合由一条或者多条所述膨胀车道线构成，且所述第一集合中相邻的两条所述膨胀车道线之间的相交面积大于预设面积；
所述确定模块，还用于确定每相邻的两个所述第一集合之间的目标距离，并根据所述目标距离对各个所述第一集合进行聚类得到多个第二集合，其中，所述第二集合包含多个所述第一集合，所述第二集合中相邻的两个所述第一集合之间的目标距离小于预设距离；
所述确定模块，还用于根据每个所述第二集合包含的各条所述膨胀车道线，确定每个所述第二集合在所述目标图像中道路上的一条实际车道线。
11.一种电子设备，其特征在于，包括：存储器和处理器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如权利要求1至9任一项所述的车道线的聚合方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至9任一项所述的车道线的聚合方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110991661.5A CN113435427B (zh) | 2021-08-27 | 2021-08-27 | 车道线的聚合方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110991661.5A CN113435427B (zh) | 2021-08-27 | 2021-08-27 | 车道线的聚合方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113435427A CN113435427A (zh) | 2021-09-24 |
| CN113435427B true CN113435427B (zh) | 2021-11-09 |
Family
ID=77798138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110991661.5A Active CN113435427B (zh) | 2021-08-27 | 2021-08-27 | 车道线的聚合方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435427B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110717141A (zh) * | 2019-09-22 | 2020-01-21 | 武汉中海庭数据技术有限公司 | 一种车道线优化方法、装置及存储介质 |
| CN111222418A (zh) * | 2019-12-24 | 2020-06-02 | 武汉中海庭数据技术有限公司 | 一种车道线的多道路片段的众包数据快速融合优化方法 |
| CN112257762A (zh) * | 2020-10-12 | 2021-01-22 | 武汉中海庭数据技术有限公司 | 一种异源高精度地图间的路网匹配方法及系统 |
| CN112685517A (zh) * | 2019-10-17 | 2021-04-20 | 合肥四维图新科技有限公司 | 分歧/合流区域的识别方法和设备 |
| CN112747755A (zh) * | 2019-10-30 | 2021-05-04 | 武汉四维图新科技有限公司 | 道路线确定方法、装置、可读存储介质及地图更新系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9076046B2 (en) * | 2010-12-15 | 2015-07-07 | Honda Motor Co., Ltd. | Lane recognition device |
-
2021
- 2021-08-27 CN CN202110991661.5A patent/CN113435427B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110717141A (zh) * | 2019-09-22 | 2020-01-21 | 武汉中海庭数据技术有限公司 | 一种车道线优化方法、装置及存储介质 |
| CN112685517A (zh) * | 2019-10-17 | 2021-04-20 | 合肥四维图新科技有限公司 | 分歧/合流区域的识别方法和设备 |
| CN112747755A (zh) * | 2019-10-30 | 2021-05-04 | 武汉四维图新科技有限公司 | 道路线确定方法、装置、可读存储介质及地图更新系统 |
| CN111222418A (zh) * | 2019-12-24 | 2020-06-02 | 武汉中海庭数据技术有限公司 | 一种车道线的多道路片段的众包数据快速融合优化方法 |
| CN112257762A (zh) * | 2020-10-12 | 2021-01-22 | 武汉中海庭数据技术有限公司 | 一种异源高精度地图间的路网匹配方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113435427A (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106778605B (zh) | 导航数据辅助下的遥感影像道路网自动提取方法 | |
| US10984659B2 (en) | Vehicle parking availability map systems and methods | |
| CN105975913B (zh) | 一种基于自适应聚类学习的道路网提取的方法 | |
| CN109165549B (zh) | 基于三维点云数据的道路标识获取方法、终端设备及装置 | |
| CN113468967A (zh) | 基于注意力机制的车道线检测方法、装置、设备及介质 | |
| CN112432650B (zh) | 高精地图数据的获取方法、车辆控制方法以及设备 | |
| Aijazi et al. | Detecting and updating changes in lidar point clouds for automatic 3d urban cartography | |
| CN116484971A (zh) | 车辆的自动驾驶感知自学习方法、装置及电子设备 | |
| CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
| CN111753592A (zh) | 交通标志识别方法、装置、计算机设备和存储介质 | |
| CN114419583A (zh) | 一种大尺度特征的YOLOv4-tiny目标检测算法 | |
| WO2018042208A1 (en) | Street asset mapping | |
| EP3764335A1 (en) | Vehicle parking availability map systems and methods | |
| Al Mamun et al. | Efficient lane marking detection using deep learning technique with differential and cross-entropy loss. | |
| CN113435427B (zh) | 车道线的聚合方法和装置 | |
| CN112329886A (zh) | 双车牌识别方法、模型训练方法、装置、设备及存储介质 | |
| CN112507891A (zh) | 自动化识别高速路口并构建路口向量的方法及装置 | |
| CN112597996A (zh) | 基于任务驱动的自然场景中交通标志显著性检测方法 | |
| CN115689946A (zh) | 图像修复方法、电子设备及计算机程序产品 | |
| CN116071557A (zh) | 一种长尾目标检测方法、计算机可读存储介质及驾驶设备 | |
| CN116628531A (zh) | 众包地图道路对象要素聚类方法、系统及存储介质 | |
| CN112215205B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
| CN117083621A (zh) | 检测器训练方法、装置及存储介质 | |
| CN114118188A (zh) | 针对待检测图像中移动对象的处理系统、方法和存储介质 | |
| Zou et al. | Inertia mutation energy model to extract roads by crowdsourcing trajectories |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220324 Address after: 430051 No. b1336, chuanggu startup area, taizihu cultural Digital Creative Industry Park, No. 18, Shenlong Avenue, Wuhan Economic and Technological Development Zone, Wuhan, Hubei Province Patentee after: Yikatong (Hubei) Technology Co.,Ltd. Address before: 430056 building B, building 7, Qidi Xiexin science and Innovation Park, South Taizi Lake innovation Valley, Wuhan Economic and Technological Development Zone, Wuhan City, Hubei Province (qdxx-f7b) Patentee before: HUBEI ECARX TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right |