CN113808142B - 一种地面标识的识别方法、装置、电子设备 - Google Patents

一种地面标识的识别方法、装置、电子设备 Download PDF

Info

Publication number
CN113808142B
CN113808142B CN202110956074.2A CN202110956074A CN113808142B CN 113808142 B CN113808142 B CN 113808142B CN 202110956074 A CN202110956074 A CN 202110956074A CN 113808142 B CN113808142 B CN 113808142B
Authority
CN
China
Prior art keywords
ground
dimensional
point cloud
cloud data
determining
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
Application number
CN202110956074.2A
Other languages
English (en)
Other versions
CN113808142A (zh
Inventor
顾宇锋
吕天雄
董健
赵锟
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.)
Autonavi Software Co Ltd
Original Assignee
Autonavi Software 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 Autonavi Software Co Ltd filed Critical Autonavi Software Co Ltd
Priority to CN202110956074.2A priority Critical patent/CN113808142B/zh
Publication of CN113808142A publication Critical patent/CN113808142A/zh
Application granted granted Critical
Publication of CN113808142B publication Critical patent/CN113808142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Processing Or Creating Images (AREA)

Abstract

一种地面标识空间位置的确定方法，包括：获得目标区域的点云数据；通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图；基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，所述属性信息至少包括：二维栅格图位置；通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置。本申请提供的上述方法，通过将目标区域中的点云数据转换为二维的栅格图，将通过点云数据确定地面标识的空间位置信息的三维空间问题转换为二维平面问题，降低了目标区域内地面标识的识别难度，提高了地面标识的识别精度；同时降低了确定地面标识空间位置的难度，提高了确定地面标识空间位置的过程在电子地图的生成时的鲁棒性。

Description

一种地面标识的识别方法、装置、电子设备
技术领域
本申请涉及地理信息技术领域，具体涉及一种地面标识的识别方法、装置、电子设备，本申请同时还涉及一种计算机存储介质。
背景技术
随着通信能力和终端设备计算能力的大幅提升，电子地图开始从普通地图（亦可称为标准地图）向高精地图（亦可称为高清地图）演进。地面（路面）上的地面标识（路面标识）是高精地图的组成部分之一，地面标识的数据质量（鲜度、位置精度等）会直接影响高精定位及智能驾驶等功能实现。
现有的技术方案中，常采用聚类或连通域的方式从点云数据中识别地面标识。但在实际生活中，由于地面标识的类型众多，且受不可抗力的影响，地面标识易受到磨损和遮盖，采用上述方法识别地面标识的召回率不够高，且数据质量存在瑕疵
发明内容
本申请提供一种地面标识的识别方法、装置以及电子设备，以解决上述现有技术中存在的上述问题。本申请同时提供一种计算机存储介质。
本申请提供一种地面标识的识别方法，包括：
获得目标区域的点云数据；
通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图；
基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，所述属性信息至少包括：二维栅格图位置；
通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置。
可选的，所述获得目标区域的点云数据，将所述点云数据转换为二维栅格图，包括：
确定将所述点云数据转换为二维数据所需的第一仿射矩阵；
根据所述第一仿射矩阵，将所述点云数据转换为二维数据；
确定将所述二维数据转换为二维栅格图所需的第二仿射矩阵；
根据所述第二仿射矩阵，将所述二维数据转换为二维栅格图。
可选的，所述确定将所述点云数据转换为二维数据所需的第一仿射矩阵，包括：
确定所述点云数据的投影平面；
根据所述投影平面对应的法向量，将所述目标区域调整至所述投影平面的位置，确定将所述点云数据转换为所述二维平面数据所需的第一仿射矩阵。
可选的，所述根据所述投影平面对应的法向量，将所述目标区域调整至所述投影平面的位置，确定将所述点云数据转换为所述二维平面数据所需的第一仿射矩阵，包括：
确定所述投影平面对应的第一单位法向量；
根据所述点云数据，确定所述目标区域对应的地面方程，并获得所述地面方程对应的第二单位法向量；
将所述第一单位法向量调整至与所述第二单位法向量重合；
根据所述将所述第一单位法向量调整至与所述第二单位法向量重合的过程，确定所述第一仿射矩阵。
可选的，所述根据所述点云数据，确定所述目标区域对应的地面方程，包括：
对所述目标区域内的点云数据进行平面拟合，获得所述目标区域对应的地面方程。
可选的，所述基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，包括：
将所述二维栅格图输入用于识别疑似地面标识区域的二维栅格图分析模型中，获得所述二维栅格图分析模型输出的所述二维栅格图中的疑似地面标识区域；
将所述疑似地面标识区域输入用于识别所述地面标识属性的级联神经网络模型，获得所述疑似地面标识区域中的地面标识、所述地面标识在所述二维栅格图的位置；或者，获得所述疑似地面标识区域中的地面标识、所述地面标识在所述二维栅格图的位置、所述地面标识的类别、所述地面标识的轮廓。
可选的，所述级联神经网络模型中包括：前景筛选器；
所述前景筛选器，用于根据预设的交并比，以及所述二维栅格图分析模型输出的标注后的疑似地标区域的标注框与预先设定的地面标识的真值框之间交并比，确定所述疑似地面标识区域中的地面标识区域。
可选的，所述级联神经网络模型中还包括：像素分割器、位置回归器；
所述像素分割器，用于地面标识区域进行分割，确定所述地面标识的轮廓；
所述位置回归器，用于对所述地面标识的轮廓进行位置回归处理，获得所述地面标识在所述二维栅格图中的位置。
可选的，所述级联神经网络模型中还包括：分类器；
所述分类器，用于根据所述前景筛选器输出的所述疑似地面标识区域中的地面标识区域，或者根据所述像素分割器输出的所述地面标识的轮廓中包含的地面标识，获得所述地面标识的类别。
可选的，所述级联神经网络模型的各个神经网络学习模型中前景筛选器中预设的交并比依次增大。
可选的，所述通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置，包括：
根据所述第二仿射矩阵，确定将所述地面标识的二维栅格图位置转换为所述地面标识的二维数据所需的第二反投影矩阵；
根据所述第二反投影矩阵，将所述地面标识的二维栅格图位置转换为所述地面标识的二维数据；
根据所述第一仿射矩阵，确定将所述地面标识的二维数据转换为所述地面标识的空间位置所需的第一反投影矩阵；
根据所述第一反投影矩阵，将所述地面标识的二维数据转换为所述地面标识的空间位置。
本申请同时提供一种地面标识的识别确定装置，包括：
数据获得单元，用于获得目标区域的点云数据；
栅格图生成单元，用于通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图；
识别单元，用于基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，所述属性信息至少包括：二维栅格图位置；
空间位置生成单元，用于通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置。
本申请同时提供一种电子设备，包括：
处理器；
存储器，用于存储计算机程序；所述程序被所述处理器读取执行时，执行如下操作：获得目标区域的点云数据；通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图；基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，所述属性信息至少包括：二维栅格图位置；通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置。
本申请同时提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述程序被执行时执行如下操作：获得目标区域的点云数据；通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图；基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，所述属性信息至少包括：二维栅格图位置；通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置。
与现有技术相比，本申请具有以下优点：
本申请提供的地面标识空间位置的确定方法，包括：
获得目标区域的点云数据；通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图；基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，所述属性信息至少包括：二维栅格图位置；通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置。本申请提供的上述方法，通过将目标区域中的点云数据转换为二维栅格图，将分析点云数据以确定地面标识的空间位置的这一三维空间分析问题，转换为二维平面分析问题。降低了目标区域内地面标识的识别难度，提高了识别地面标识的准确性，同时还提高了确定地面标识控制位置的过程在电子地图的生成过程中的鲁棒性。
附图说明
图1A为本申请场景实施例所述的针对所述地面标识的识别方法的应用场景示意图。
图1B为本申请第一实施例提供的地面标识的识别方法流程图。
图2为本申请第一实施例提供的确定点云数据对应的二维栅格图的方法流程图。
图3为本申请第一实施例提供对二维栅格图中的地面标识进行反投影的流程图。
图4为本申请第二实施例提供的地面标识的识别装置的结构示意图。
图5为本申请第三实施例提供的电子设备的结构示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
在本申请中，提供一种地面标识识别方法、装置、电子设备以及计算机存储介质。
为了更清楚地展示本申请实施例提供的地面标识的识别方法，首先介绍本申请实施例提供的地面标识的识别方法的应用场景。
请参考图1A，其为本申请实施例中针对所述地面标识空间位置的确定方法的应用场景示意图，图1A中包括：点云数据采集装置101以及计算机系统102。
所述点云数据采集装置101一般为激光雷达（LiDAR），确定目标区域（例如：一段道路）后，所述点云数据采集装置获取目标区域内的物体的表面特性（例如：反射率），并获得所述目标区域内物体的各个点的三维坐标，并将所述目标区域内物体的各个点的三维坐标以及所述表面特性组成点云数据。同时，响应于所述计算机系统102发出的点云数据请求信息，向所述计算机系统102发送所述点云数据。
所述计算机系统102，包括：数据获得单元1021、栅格图生成单元1022、识别单元1023、空间位置生成单元1024。
数据获得单元1021，用于获得目标区域的点云数据。
栅格图生成单元1022，用于通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图。
识别单元1023，用于基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，所述属性信息至少包括：二维栅格图位置。
空间位置生成单元1024，用于通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置。
具体的，栅格图生成单元1022在接收到数据获得单元1021发送的所述点云数据后，将所述点云数据这一三维数据转换为二维栅格图。识别单元1023基于所述二维栅格图中的各个像素点的反射率确定所述二维栅格图中的地面标识以及所述地面标识的属性信息。
在本申请的一个可选实施方案中，上述将点云数据转换为二维栅格图的过程，实际上是先将所述点云数据转换为二维数据，再将所述二维数据转换为二维栅格图的过程。因此，确定所述二维栅格图中的地面标识以及所述地面标识在所述二维栅格图中的属性信息（包括：地面标识在所述二维栅格图中的位置）之后，所述空间位置生成单元104可以基于上述生成二维栅格图的过程，对所述地面标识在所述二维栅格图中的位置进行反投影，即，根据所述将所述二维数据转换为二维栅格图的过程，对所述地面标识在所述二维栅格图中的位置信息进行第一次反投影，获得所述地面标识的二维数据；再根据所述将所述点云数据转换为二维数据的过程，对所述地面标识的二维数据进行第二次反投影，获得所述地面标识的三维空间位置。
本申请第一实施例提供一种地面标识空间位置的确定方法，该方法是一种通过分析已知目标区域内的点云数据，确定目标区域中包含的地面标识的空间位置的方法，其核心在于：在获得目标区域的点云数据之后，将目标区域的点云数据转换成二维栅格图，即，将确定地面标识时对点云数据的分析转换成对二维栅格图的分析，以降低目标区域内地面标识空间位置的确定难度，提高地面标识空间位置的精确度。
下面对本申请第一实施例进行详细描述，请参考图1B，其为本申请第一实施例提供的地面标识空间位置的确定方法流程图，所述方法具体包括步骤S101至步骤S104：
步骤S101，获得目标区域的点云数据。
所述目标区域是指期望在电子地图中包含地面标识的相关信息的地理区域。所述目标区域可以是一段道路，也可以是包含道路在内的某一空间区域。
具体的，所述目标区域对应的二维栅格图是根据目标区域的点云数据获得的。所述点云数据是指利用激光雷达（LiDAR）获取的一段道路中所有采样点的数据集合，其中每个采样点对应一个点云数据点，所述点云数据包括采样点对应的三维坐标（x，y，z）以及该采样点的表面特征，例如：反射率数据。
步骤S102，通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图。
所述二维栅格图是指在空间和亮度上都已经离散化的图像，是由一系列像素组成的矩形图像，可以理解的，所述二维栅格图可以理解为一个矩阵，矩阵中的任意元素对应图像中的一个点，在本申请第一实施例中所述二维栅格图中的任意元素对应的值是该点的像素值。
在本申请第一实施例提供的地面标识空间位置的确定方法中，同时提供一种确定点云数据对应的二维栅格图的方法。
如图2所示，其为本申请第一实施例提供的确定点云数据对应的二维栅格图的方法流程图。所述方法包括步骤S201至步骤S202：
步骤S201，确定将所述点云数据转换为二维数据所需的第一仿射矩阵；根据所述第一仿射矩阵，将所述点云数据转换为二维数据；
本申请确定点云数据对应的二维栅格图的方法是基于目标区域对应的地面方程的单位法向量、以及投影平面进行的，在将所述点云数据转化为二维栅格图的过程中，需要先将所述点云数据转换为二维数据。因此，需要确定所述目标区域对应的地面方程对应的单位法向量以及所述投影平面。
在确定所述目标区域对应的地面方程对应的单位法向量之前，需要先获得所述目标区域对应的地面方程。
本申请第一实施例提供一种对所述目标区域内的点云数据进行平面拟合的方法，以获得所述目标区域对应的地面方程。
由于点云数据是道路中所有采样点的集合，因此，基于所述点云数据中任意三个采样点的三维坐标就可以获得一个基于空间直角坐标系的目标区域对应的预选地面方程（例如：Ax+By+Cz+D=0），可以理解的，由于点云数据记录的是真实道路上的采样的数据集合，因此，所述预选地面方程不会适用于所有采样点对应的三维坐标。
因此，还需要进一步对所述预选地面方程进行调整，以获得更为准确的地面方程。可选的，可以通过设置误差阈值的方式，选择合适的预选地面方程作为所述目标区域对应的地面方程，即，通过任意三个采样点的三维坐标获得预设数量的预选平面方程（Aix+Biy+Ciz+Di=0），将所述点云数据分别代入所述预选地面方程，判断每个采样点与每个预选地面方程之间的误差值，并确定误差值小于所述误差阈值的采样点的个数N，选择小于所述误差阈值的采样点个数N最多的预选地面方程作为所述目标区域的地面方程，并默认所述点云数据全部满足所述目标区域对应的地面方程。
获取地面方程后，就可以根据所述地面方程获得所述地面方程对应的第二单位法向量。
另外，由于上述计算所述地面方程的过程是基于空间直角坐标系进行的，因此，可选的，将所述空间直角坐标系的x轴和y轴所组成的面确定为所述点云数据的投影平面，并将空间直角坐标系中的向量（0，0，1）作为所述投影平面的第一单位法向量。
在步骤S201中，所述第一仿射矩阵是所述地面方程由空间位置调整至二维空间重合的过程中产生的变换矩阵。在本申请第一实施中，将所述地面方程由空间位置调整至二维空间重合的过程中，可以理解为，以空间直角坐标系的第一单位向量（0，0，1）为基准，调整所述地面方程的第二单位法向量，直至所述地面方程的第二单位法向量与所述空间直角坐标系中的单位向量（0，0，1）重合。根据调整的过程，确定所述调整过程中产生的第一仿射矩阵。
由于所述点云数据全部满足所述目标区域对应的地面方程，因此，所述确定所述调整过程中的第一仿射矩阵后，就可以根据所述第一仿射矩阵，确定所述点云数据对应的采样点在二维直角坐标系下的二维数据。
步骤S202，确定将所述二维数据转换为二维栅格图所需的第二仿射矩阵；根据所述第二仿射矩阵，将所述二维数据转换为二维栅格图。
确定各个所述点云数据对应的采样点在二维直角坐标系下的二维数据后，分析各个采样点的坐标值，获得采样点在x轴和y轴上的最大值和最小值，基于获得的最大值和最小值，确定将所述点云数据转换为二维栅格图时所述二维栅格图对应的尺寸，即，确定所述点云数据对应的采样点所需的图像像素空间，并将所述采样点由二维直角坐标系投影到所述图像像素空间，获得所述采样点的二维栅格图。
此时，所述采样点由二维直角坐标系投影到所述图像像素空间所对应的仿射矩阵为第二仿射矩阵，所述二维栅格图中的像素值对应所述采样点的反射率数据。
需要说明的是，上述示出的确定点云数据对应的二维栅格图的方法只是本申请的一个优选实施方式，在其他实施方式中，可以采用不同的方法获得所述二维栅格图，例如：可以直接确定将所述点云数据转换为所述二维栅格图所需的第三仿射矩阵；根据所述第三仿射矩阵，将所述点云数据转换为二维栅格图。但这属于对本申请第一实施所述的方法的简单变换，不偏离本申请的核心，在本申请的保护范围之内。
步骤S103，根据基于所述二维栅格图，识别获得所述目标区域中包含的地面标识及其属性信息，所述属性信息至少包括：在所述二维栅格图中的位置信息。
所述根据所述二维栅格图，获得所述目标区域中包含的地面标识在所述二维栅格图中的位置信息，是一种基于机器学习模型确定所述地面标识位置信息的方法。
所述机器学习模型是指根据数据的特点把未知类别的样本映射到给定类别中的某一种，为了提升模型分类的准确性，所述机器学习模型的构造可以有多种形式，例如：在决策树的基础上添加随机森林分类器，即，由多个决策树组成的分类器，当待分类数据进入随机森林后，让每一棵决策树进行分类，最后选择被所有决策数据选择次数最多的结果为最终结果。
在本申请第一实施中，输入到所述机器学习模型的未知类别样本就是所述目标区域对应的二维栅格图，所述机器学习模型的输出结果就是所述二维栅格图中地面标识的属性信息，其中所述属性信息中至少包括：二维栅格图位置。
由于所述二维栅格图对应的是整个目标区域，因此需要基于机器学习模型确定所述目标区域中包含的地面标识在所述二维栅格图中的区域位置，其中，所述区域位置反映的是二维栅格图中哪些部分存在地面标识。确定所述二维栅格图中的区域位置后，再根据所述区域位置，确定所述目标区域中包含的地面标识在所述二维栅格图中的位置。
在本申请的一个可选实施例中，所述机器学习模型包括用于识别疑似地标区域的二维栅格图分析模型和用于识别地面标识的级联神经网络模型。所述二维栅格图分析模型用于识别所述二维栅格图中的疑似地标区域。具体的，是将所述二维栅格图输入到预设的第一地标分析模型中，确定所述二维栅格图中的疑似地标区域。
所述级联神经网络模型是一个包含若干多任务神经网络模型网络分类模型，其中，每个神经网络模型的输入是所述疑似地标区域，输出结果为所述疑似地标区域中的地标区域、以及所述地标区域的属性信息，由于本申请具体是一种地面标识空间位置的确定方法，因此，所述地标区域的属性信息包括但不限于地面标识在所述二维栅格图中的位置，例如：所述地面标识的类型、地面标识的轮廓等。在实际应用过程中，所述二维栅格图分析模型的输入为所述二维栅格图，输出为一系列的对所述疑似地标区域进行标注后的区域，例如：将所述疑似地标区域用方框以形式标注出来。在所述二维栅格图分析模型的训练阶段，所述二维栅格图分析模型的输入数据还包括：人工标注真值框，例如：某个包含地面标识的二维栅格图作为对所述二维栅格图分析模型的训练样本，将所述二维栅格图中的地面标识区域用真值框进行标注。其中，作为训练样本的所述二维栅格图可以通过多种途径获得，例如：互联网中公开的包含地面标识的二维栅格图像。
为了确定所述疑似地标区域中的地面标识区域，获得所述地面标识区域的位置，所述级联网络神经模型中的每个神经网络模型中包括：前景筛选器和位置回归器。
所述前景筛选器，用于根据二维栅格图分析模型输出的标注后疑似地标区域的标注框与预先设定的地面标识的真值框之间的交并比以及预设的交并比阈值，确定所述疑似地面标识区域中的地面标识区域。
具体的，所述预设的交并比，是指所述二维栅格图分析模型输出的标注后疑似地标区域的标注框与预先设定的地面标识的真值框之间的交叠率。在实际应用过程中，上述交并比越大，则代表所述疑似地标区域是所述地标区域的可能性越大。在本申请实施例中，将所述交并比大于或等于所述预设的交并比的疑似地标区域认为是所述地标区域。
在确定所述疑似地标区域中的地标区域之后，即，确定所述地标区域对应的标注框之后，将所述地标区域输入所述位置回归器，所述位置回归器基于预设的回归算法，确定所述地标区域在所述二维栅格图中的位置。
在本申请的另一种可选实施例中，在将所述疑似地标区域中的地面标识输入所述位置回归器之前，还可以对所述地面标识做进一步的分割，获得所述准确的地面标识的轮廓，进而通过位置回归器对所述地面标识的轮廓进行分析，获得更为准确的地面标识在所述二维栅格图中的位置。
具体的，上述每个神经网络模型中还包括：像素分割器，所述像素分割器用于对所述地面标识区域进行分割，以获得所述地面标识的精细轮廓。
在本申请的另一种可选实施例中，上述每个神经网络模型中还包括：分类器，所述分类器用于确定所述地面标识的类型。例如：所述类型包括，车道线、道路指示牌等。
另外，在实际应用的过程中，每个神经网络模型中都包括上述：前景筛选器、位置回归器、像素分割器以及分类器，唯一不同的是，所述神经网络模型的前景筛选器中预设的交并比依次增大。
在对二维栅格图中的地面标识的位置进行识别的过程中，二维栅格图分析模型输出的疑似地标区域先进入排在所述级联神经网络模型中第一位的神经网络模型，输出所述对应的地面标识区域以及地面标识区域的位置、轮廓、类别等信息，之后，该神经网络模型输出的地面标识再进入排在第二位的神经网络模型，再次对所述地面标识区域进行识别，输出所述地面标识区域的位置、轮廓、类别；以此类推，直至排在最后一位的神经网络模型输出对应的输出结果。此处，所述神经网络模型采用级联的方式对不断的增大预设的交并比，使二维栅格图分析模型输出的标注后疑似地标区域的标注框与预先设定的地面标识的真值框之间的交兵比也随之增大，逐级确保对所述二维栅格图的识别结果。
步骤S104，通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置。
所述反投影的过程是根据所述第二仿射矩阵和第一反射矩阵进行的。请参考图3，其为本申请第一实施例提供对二维栅格图中的地面标识的信息进行反转换的流程图，包括：
步骤S301，根据所述第二仿射矩阵，确定将所述地面标识的二维栅格图位置信息转换为所述地面标识的二维数据所需的第二反投影矩阵；根据所述第二反投影矩阵，将所述地面标识的二维栅格图位置转换为所述地面标识的二维数据。
所述第二仿射矩阵是点云数据对应的采样点由二维直角坐标系投影到图像像素空间所需的仿射矩阵。因此，对所述第二仿射矩阵进行逆变换，可以获得将所述地面标识在所述二维栅格图中的位置信息转换为所述二维数据的第二反投影矩阵，进而实现由所述地面标识的二维栅格图位置转换为二维数据的过程。
步骤S302，根据所述第一仿射矩阵，确定将所述地面标识的二维数据转换为所述地面标识的空间位置信息所需的第一反投影矩阵；根据所述第一转换矩阵，将所述地面标识的二维数据转换为所述地面标识的空间位置。
同样的，所述第一仿射矩阵是点云数据对应的采样点由空间位置转换为二维数据所对应的仿射矩阵，因此，对所述第一仿射矩阵进行逆变换，可以获得将所述地面标识的二维数据转换为所述地标区域在所述目标区域内的空间位置信息的第一转换矩阵，进而根据所述第一转换矩阵，实现由所述地面标识的二维数据转换为空间位置的过程。
通过上述对本申请第一实施例的介绍可以看出，本申请提供的上述方法，通过将目标区域中的点云数据转换为二维的栅格图，将通过点云数据确定地面标识的空间位置信息的三维空间问题转换为二维平面问题，降低了目标区域内地面标识的识别难度，提高了识别地面标识的准确性；同时也确定地面标识空间位置的难度，提高了确定地面标识控制位置的过程在电子地图的生成过程中的鲁棒性。
在上述实施例中，提供了一种地面标识的识别方法，与之相应的，本申请第二实施例还提供一种地面标识的识别装置。请参考图4，其为本申请第二实施例提供的地标标识的识别装置的结构示意图，由于该装置实施例基本相似于所述方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请提供的地面标识的识别装置，包括：
数据获得单元401，用于获得目标区域的点云数据；
栅格图生成单元402，用于通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图；
识别单元403，用于基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，所述属性信息至少包括：二维栅格图位置；
空间位置生成单元404，用于通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置。
可选的，所述获得目标区域的点云数据，将所述点云数据转换为二维栅格图，包括：
确定将所述点云数据转换为二维数据所需的第一仿射矩阵；
根据所述第一仿射矩阵，将所述点云数据转换为二维数据；
确定将所述二维数据转换为二维栅格图所需的第二仿射矩阵；
根据所述第二仿射矩阵，将所述二维数据转换为二维栅格图。
可选的，所述确定将所述点云数据转换为二维数据所需的第一仿射矩阵，包括：
确定所述点云数据的投影平面；
根据所述投影平面对应的法向量，将所述目标区域调整至所述投影平面的位置，确定将所述点云数据转换为所述二维平面数据所需的第一仿射矩阵。
可选的，所述根据所述投影平面对应的法向量，将所述目标区域调整至所述投影平面的位置，确定将所述点云数据转换为所述二维平面数据所需的第一仿射矩阵，包括：
确定所述投影平面对应的第一单位法向量；
根据所述点云数据，确定所述目标区域对应的地面方程，并获得所述地面方程对应的第二单位法向量；
将所述第一单位法向量调整至与所述第二单位法向量重合；
根据所述将所述第一单位法向量调整至与所述第二单位法向量重合的过程，确定所述第一仿射矩阵。
可选的，所述根据所述点云数据，确定所述目标区域对应的地面方程，包括：
对所述目标区域内的点云数据进行平面拟合，获得所述目标区域对应的地面方程。
可选的，所述基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，包括：
将所述二维栅格图输入用于识别疑似地面标识区域的二维栅格图分析模型中，获得所述二维栅格图分析模型输出的所述二维栅格图中的疑似地面标识区域；
将所述疑似地面标识区域输入用于识别所述地面标识属性的级联神经网络模型，获得所述地面标识在所述二维栅格图的位置。
可选的，所述级联神经网络模型中包括：前景筛选器、位置回归器；
所述前景筛选器，用于根据预设的交并比，以及所述二维栅格图分析模型输出的标注后的疑似地标区域的标注框与预先设定的地面标识的真值框之间交并比，确定所述疑似地面标识区域中的地面标识区域；
所述位置回归器，用于采用位置回归的方式，确定所述地面标识区域在所述二维栅格图中的位置。
可选的，所述级联神经网络模型中还包括：分类器；
所述分类器，用于确定所述地面标识区域中的地面标识的类型。
可选的，所述级联神经网络模型中还包括：像素分割器；
所述像素分割器，用于地面标识区域进行分割，确定所述地面标识的轮廓。
可选的，所述级联神经网络模型的各个神经网络学习模型中前景筛选器中预设的交并比依次增大。
可选的，所述通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置，包括：
根据所述第二仿射矩阵，确定将所述地面标识的二维栅格图位置转换为所述地面标识的二维数据所需的第二反投影矩阵；
根据所述第二反投影矩阵，将所述地面标识的二维栅格图位置转换为所述地面标识的二维数据；
根据所述第一仿射矩阵，确定将所述地面标识的二维数据转换为所述地面标识的空间位置所需的第一反投影矩阵；
根据所述第一反投影矩阵，将所述地面标识的二维数据转换为所述地面标识的空间位置。与上述第一实施例和第二实施例相对应的，本申请第三实施例还提供一种电子设备，由于该实施例基本相似于上述第一实施例和第二实施例，所以描述的比较简单，相关之处请参见上述第一实施例和第二实施例的部分说明即可，下述描述的第三实施例仅仅是示意性的。
请参考图5，其为本申请第三实施例提供的电子设备的结构示意图，所述电子设备，包括：
处理器501；
存储器502，用于存储计算机程序；所述程序被所述处理器读取执行时，执行如下操作：获得目标区域的点云数据；通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图；基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，所述属性信息至少包括：二维栅格图位置；通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置。
与上述第一实施例和第二实施例相对应的，本申请第四实施例还提供一种电子设备，由于该实施例基本相似于上述第一实施例和第二实施例，所以描述的比较简单，相关之处请参见上述第一实施例和第二实施例的部分说明即可，下述描述的第四实施例仅仅是示意性的。
所述计算机存储介质存储有计算机程序，所述程序被执行时执行如下操作：获得目标区域的点云数据；通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图；基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，所述属性信息至少包括：二维栅格图位置；通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
2、本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

Claims (11)

1.一种地面标识的识别方法，其中，包括：
获得目标区域的点云数据；
通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图；
基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，所述属性信息至少包括：二维栅格图位置；
通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置；
所述通过对所述点云数据进行投影，至少包括：
通过确定所述点云数据的投影平面，确定所述投影平面对应的第一单位法向量，根据所述点云数据，确定所述目标区域对应的地面方程，并获得所述地面方程对应的第二单位法向量，将所述第一单位法向量调整至与所述第二单位法向量重合，根据所述将所述第一单位法向量调整至与所述第二单位法向量重合的过程，确定第一仿射矩阵。
2.根据权利要求1所述的地面标识的识别方法，其中，所述通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图，还包括：
根据所述第一仿射矩阵，将所述点云数据转换为二维数据；
确定将所述二维数据转换为二维栅格图所需的第二仿射矩阵；
根据所述第二仿射矩阵，将所述二维数据转换为二维栅格图。
3.根据权利要求1所述的地面标识的识别方法，其中，所述基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，包括：
将所述二维栅格图输入用于识别疑似地面标识区域的二维栅格图分析模型中，获得所述二维栅格图分析模型输出的所述二维栅格图中的疑似地面标识区域；
将所述疑似地面标识区域输入用于识别所述地面标识属性的级联神经网络模型，获得所述疑似地面标识区域中的地面标识、所述地面标识在所述二维栅格图的位置；或者，获得所述疑似地面标识区域中的地面标识、所述地面标识在所述二维栅格图的位置、所述地面标识的类别及所述地面标识的轮廓。
4.根据权利要求3所述的地面标识的识别方法，其中，所述级联神经网络模型中包括：前景筛选器；
所述前景筛选器，用于根据预设的交并比，以及所述二维栅格图分析模型输出的标注后的疑似地标区域的标注框与预先设定的地面标识的真值框之间交并比，确定所述疑似地面标识区域中的地面标识区域。
5.根据权利要求4所述的地面标识的识别方法，其中，所述级联神经网络模型中还包括：像素分割器、位置回归器；所述像素分割器，用于地面标识区域进行分割，确定所述地面标识的轮廓；
所述位置回归器，用于对所述地面标识的轮廓进行位置回归处理，获得所述地面标识在所述二维栅格图中的位置。
6.根据权利要求4或5所述的地面标识的识别方法，其中，所述级联神经网络模型中还包括：分类器；
所述分类器，用于根据所述前景筛选器输出的所述疑似地面标识区域中的地面标识区域，或者根据所述像素分割器输出的所述地面标识的轮廓中包含的地面标识，获得所述地面标识的类别。
7.根据权利要求4所述的地面标识的识别方法，其中，所述级联神经网络模型的各个神经网络学习模型中前景筛选器中预设的交并比依次增大。
8.根据权利要求2所述的地面标识的识别方法，其中，所述通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置，包括：
根据所述第二仿射矩阵，确定将所述地面标识的二维栅格图位置转换为所述地面标识的二维数据所需的第二反投影矩阵；
根据所述第二反投影矩阵，将所述地面标识的二维栅格图位置转换为所述地面标识的二维数据；
根据所述第一仿射矩阵，确定将所述地面标识的二维数据转换为所述地面标识的空间位置所需的第一反投影矩阵；
根据所述第一反投影矩阵，将所述地面标识的二维数据转换为所述地面标识的空间位置。
9.一种地面标识的识别确定装置，其中，包括：
数据获得单元，用于获得目标区域的点云数据；
栅格图生成单元，用于通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图；
识别单元，用于基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，所述属性信息至少包括：二维栅格图位置；
空间位置生成单元，用于通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置；
所述通过对所述点云数据进行投影，至少包括：
通过确定所述点云数据的投影平面，确定所述投影平面对应的第一单位法向量，根据所述点云数据，确定所述目标区域对应的地面方程，并获得所述地面方程对应的第二单位法向量，将所述第一单位法向量调整至与所述第二单位法向量重合，根据所述将所述第一单位法向量调整至与所述第二单位法向量重合的过程，确定第一仿射矩阵。
10.一种电子设备，其中，包括：
处理器；
存储器，用于存储计算机程序；所述程序被所述处理器读取执行时，执行如下操作：获得目标区域的点云数据；通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图；基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，所述属性信息至少包括：二维栅格图位置；通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置；
所述通过对所述点云数据进行投影，至少包括：
通过确定所述点云数据的投影平面，确定所述投影平面对应的第一单位法向量，根据所述点云数据，确定所述目标区域对应的地面方程，并获得所述地面方程对应的第二单位法向量，将所述第一单位法向量调整至与所述第二单位法向量重合，根据所述将所述第一单位法向量调整至与所述第二单位法向量重合的过程，确定第一仿射矩阵。
11.一种计算机存储介质，其中，所述计算机存储介质存储有计算机程序，所述程序被执行时执行如下操作：获得目标区域的点云数据；通过对所述点云数据进行投影，生成所述点云数据对应的二维栅格图；基于所述二维栅格图，识别所述目标区域中包含的地面标识及其属性信息，所述属性信息至少包括：二维栅格图位置；通过对所述二维栅格图位置进行反投影，生成所述地面标识的三维空间位置；
所述通过对所述点云数据进行投影，至少包括：
通过确定所述点云数据的投影平面，确定所述投影平面对应的第一单位法向量，根据所述点云数据，确定所述目标区域对应的地面方程，并获得所述地面方程对应的第二单位法向量，将所述第一单位法向量调整至与所述第二单位法向量重合，根据所述将所述第一单位法向量调整至与所述第二单位法向量重合的过程，确定第一仿射矩阵。
CN202110956074.2A 2021-08-19 2021-08-19 一种地面标识的识别方法、装置、电子设备 Active CN113808142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110956074.2A CN113808142B (zh) 2021-08-19 2021-08-19 一种地面标识的识别方法、装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110956074.2A CN113808142B (zh) 2021-08-19 2021-08-19 一种地面标识的识别方法、装置、电子设备

Publications (2)

Publication Number Publication Date
CN113808142A CN113808142A (zh) 2021-12-17
CN113808142B true CN113808142B (zh) 2024-04-26

Family

ID=78941500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110956074.2A Active CN113808142B (zh) 2021-08-19 2021-08-19 一种地面标识的识别方法、装置、电子设备

Country Status (1)

Country Link
CN (1) CN113808142B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581287B (zh) * 2022-02-18 2023-02-07 高德软件有限公司 数据处理方法以及装置
CN117807434B (zh) * 2023-12-06 2024-07-16 中国信息通信研究院 一种通信数据集处理方法和装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355194A (zh) * 2016-08-22 2017-01-25 广东华中科技大学工业技术研究院 一种基于激光成像雷达的无人艇水面目标处理方法
CN109165549A (zh) * 2018-07-09 2019-01-08 厦门大学 基于三维点云数据的道路标识获取方法、终端设备及装置
CN109544443A (zh) * 2018-11-30 2019-03-29 北京小马智行科技有限公司 一种路线图生成方法及装置
CN109781119A (zh) * 2017-11-15 2019-05-21 百度在线网络技术（北京）有限公司 一种激光点云定位方法和系统
CN110363054A (zh) * 2018-11-16 2019-10-22 北京京东尚科信息技术有限公司 道路标识线识别方法、装置和系统
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
CN111881239A (zh) * 2020-07-17 2020-11-03 上海高仙自动化科技发展有限公司 构建方法、构建装置、智能机器人及可读存储介质
CN112102151A (zh) * 2020-07-27 2020-12-18 广州视源电子科技股份有限公司 栅格地图的生成方法、装置、移动智慧设备和存储介质
WO2021016751A1 (zh) * 2019-07-26 2021-02-04 深圳市大疆创新科技有限公司 一种点云特征点提取方法、点云传感系统及可移动平台
WO2021062581A1 (zh) * 2019-09-30 2021-04-08 深圳市大疆创新科技有限公司 路面标识识别方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951847B (zh) * 2017-03-13 2020-09-29 百度在线网络技术（北京）有限公司 障碍物检测方法、装置、设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355194A (zh) * 2016-08-22 2017-01-25 广东华中科技大学工业技术研究院 一种基于激光成像雷达的无人艇水面目标处理方法
CN109781119A (zh) * 2017-11-15 2019-05-21 百度在线网络技术（北京）有限公司 一种激光点云定位方法和系统
CN109165549A (zh) * 2018-07-09 2019-01-08 厦门大学 基于三维点云数据的道路标识获取方法、终端设备及装置
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
CN110363054A (zh) * 2018-11-16 2019-10-22 北京京东尚科信息技术有限公司 道路标识线识别方法、装置和系统
CN109544443A (zh) * 2018-11-30 2019-03-29 北京小马智行科技有限公司 一种路线图生成方法及装置
WO2021016751A1 (zh) * 2019-07-26 2021-02-04 深圳市大疆创新科技有限公司 一种点云特征点提取方法、点云传感系统及可移动平台
WO2021062581A1 (zh) * 2019-09-30 2021-04-08 深圳市大疆创新科技有限公司 路面标识识别方法及装置
CN111881239A (zh) * 2020-07-17 2020-11-03 上海高仙自动化科技发展有限公司 构建方法、构建装置、智能机器人及可读存储介质
CN112102151A (zh) * 2020-07-27 2020-12-18 广州视源电子科技股份有限公司 栅格地图的生成方法、装置、移动智慧设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Deep Learning based Vehicle Position and Orientation Estimation via Inverse Perspective Mapping Image;Youngseok Kim等;《IEEE》;全文 *
Efficient Dense Frontier Detection for 2D Graph SLAM Based on Occupancy Grid Submaps;Juraj Orsulic等;《Arxiv》;全文 *
车载激光点云的道路标线提取及语义关联;姚连璧;秦长才;张邵华;陈启超;阮东旭;聂顺根;;测绘学报(第04期);全文 *

Also Published As

Publication number Publication date
CN113808142A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
US11328401B2 (en) Stationary object detecting method, apparatus and electronic device
CN108228798B (zh) 确定点云数据之间的匹配关系的方法和装置
CN109285220B (zh) 一种三维场景地图的生成方法、装置、设备及存储介质
US10592780B2 (en) Neural network training system
CN112257605B (zh) 基于自标注训练样本的三维目标检测方法、系统及装置
CN110632608B (zh) 一种基于激光点云的目标检测方法和装置
CN113808142B (zh) 一种地面标识的识别方法、装置、电子设备
EP4451231A1 (en) Vehicle autonomous driving perception self-learning method and apparatus, and electronic device
US20240112398A1 (en) Plant model generation method and apparatus, computer device and storage medium
US11255678B2 (en) Classifying entities in digital maps using discrete non-trace positioning data
CN112329846A (zh) 激光点云数据高精度标注方法及系统、服务器及介质
CN111767962A (zh) 基于生成对抗式网络的一阶段目标检测方法、系统及装置
US20230401691A1 (en) Image defect detection method, electronic device and readable storage medium
CN113033516A (zh) 对象识别统计方法及装置、电子设备、存储介质
EP4250245A1 (en) System and method for determining a viewpoint of a traffic camera
CN116168246A (zh) 一种用于铁路工程的弃渣场识别方法、装置、设备及介质
CN110909623A (zh) 三维目标检测方法及三维目标检测器
CN113822892B (zh) 仿真雷达的评测方法、装置、设备及计算机存储介质
Keyvanfar et al. Performance comparison analysis of 3D reconstruction modeling software in construction site visualization and mapping
CN114283343A (zh) 基于遥感卫星图像的地图更新方法、训练方法和设备
CN113704276A (zh) 地图更新方法、装置、电子设备及计算机可读存储介质
CN114638996A (zh) 基于对抗学习的模型训练方法、装置、设备和存储介质
CN113763438A (zh) 一种点云配准方法、装置、设备及存储介质
US20230104674A1 (en) Machine learning techniques for ground classification
WO2023004560A1 (en) Systems and methods for electron cryotomography reconstruction

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