CN114140772A - 基于深度学习的激光点云车道印刷虚线块提取方法及系统 - Google Patents

Abstract

本发明涉及一种基于深度学习的激光点云车道印刷虚线块提取方法及系统，其方法包括：获取待提取车道印刷虚线块的激光点云，并将其投影为一张或多张图像；利用训练完成的目标检测模型提取每张投影图像中的一个或多个虚线块，以及识别一个或多个虚实变化的位置；根据所述一个或多个虚实变化的位置，反演提取到的每个虚线块在激光点云的坐标信息；根据多个虚实变化的位置、所述激光点云的轨迹信息和每个虚线块的几何性质，对提取到的每个虚线块进行质检。本发明利用多维度交叉提取的方法获取虚线块，提高了虚线块的覆盖率，并降低了其错误率和漏检率，也为其他道路要素的自动化提取方法提供了新的方向。

Description

基于深度学习的激光点云车道印刷虚线块提取方法及系统

技术领域

本发明属于车辆辅助驾驶技术领域，具体涉及一种基于深度学习的激光点云车道印刷虚线块提取方法及系统。

背景技术

自动驾驶领域中，会参考道路要素的信息进行车身定位。车道印刷线是道路中最为重要的道路要素，包含有位置信息和规制信息，并且通常制作比较规范、完整，也是自动驾驶定位技术中最重要的依赖要素。结合GNSS信号和车道印刷线的信息可以进行车道内高精度的定位。

车道印刷线按照印刷的连续性，可以分为实线和虚线。实线由于纵向特征不明显，主要用于保障横向定位精度。而虚线可以同时保障横向和纵向的定位精度。

现有的从激光点云中提取虚线块的方法包括基于强度分割的传统方法、基于深度学习的激光点云语义分割方法。并且以基于强度分割的传统方法为主，因为激光点云的直接深度学习方法，数据集标注成本极高，并且目前已经开源的相关语义分割网络对虚线块这类小目标的效果尚不到工程化应用的程度。而基于强度分割的传统方法，依赖于强度阈值的计算，最常使用的方法是大津算法。最主要的问题是不同场景的数据强度分布差异明显，例如有金属护栏、或有汽车遮挡的路段，高强度点云的占比较高，对于强度阈值的计算都有干扰，容易引起误提取和漏提取。

发明内容

为解决现有从激光点云中提取虚线块的技术成本高、准确率低、容易误提取和漏提取的问题，在本发明的第一方面提供了一种基于深度学习的激光点云车道印刷虚线块提取方法，包括：获取待提取车道印刷虚线块的激光点云，并将其投影为一张或多张图像；利用训练完成的目标检测模型提取每张投影图像中的一个或多个虚线块，以及识别一个或多个虚实变化的位置；根据所述一个或多个虚实变化的位置，反演提取到的每个虚线块在激光点云的坐标信息；根据多个虚实变化的位置、所述激光点云的轨迹信息和每个虚线块的几何性质，对提取到的每个虚线块进行质检。

在本发明的一些实施例中，所述利用训练完成的目标检测模型提取每张投影图像中的一个或多个虚线块，以及识别一个或多个虚实变化的位置包括：所述目标检测网络包括语义分割网络和目标检测网络，所述语义分割网络，用于提取每张投影图像中的一个或多个虚线块；所述目标检测网络，用于检测虚实变化的位置。

进一步的，所述语义分割网络和目标检测网络通过相同的数据集训练。

在本发明的一些实施例中，所述根据所述一个或多个虚实变化的位置，反演提取到的每个虚线块在激光点云的坐标信息包括：将提取到的每个虚线块的图像坐标反演到对应分块激光点云的局部坐标；将每个虚实变化的位置的图像坐标反演到对应分块激光点云的局部坐标；根据每个分块激光点云的序列分块切割信息，计算其在分块切割前的全局点云坐标信息。

在本发明的一些实施例中，所述根据多个虚实变化的位置、所述激光点云的轨迹信息和每个虚线块的几何性质，对提取到的每个虚线块进行质检包括：根据多个虚实变化的位置确定所述激光点云的所有虚线区间，并根据其判断每个虚线块的置信度；计算每个虚线区间中虚线块的覆盖率，并根据其判断每个虚线块的置信度。

在上述的实施例中，所述获取待提取车道印刷虚线块的激光点云，并将其投影为一张或多张图像包括：沿轨迹方向将待提取车道印刷虚线块的激光点云纵向切割成块，并将其正射投影为一张或多张图像。

本发明的第二方面，提供了一种基于深度学习的激光点云车道印刷虚线块提取系统，包括：投影模块，用于获取待提取车道印刷虚线块的激光点云，并将其投影为一张或多张图像；提取模块，用于利用训练完成的目标检测模型提取每张投影图像中的一个或多个虚线块，以及识别一个或多个虚实变化的位置；反演模块，用于根据所述一个或多个虚实变化的位置，反演提取到的每个虚线块在激光点云的坐标信息；质检模块，用于根据多个虚实变化的位置、所述激光点云的轨迹信息和每个虚线块的几何性质，对提取到的每个虚线块进行质检。

进一步的，所述反演模块包括第一反演单元、第二反演单元和计算单元，所述第一反演单元，用于将提取到的每个虚线块的图像坐标反演到对应分块激光点云的局部坐标；所述第二反演单元，用于将每个虚实变化的位置的图像坐标反演到对应分块激光点云的局部坐标；所述计算单元，用于根据每个分块激光点云的序列分块切割信息，计算其在分块切割前的全局点云坐标信息。

本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明在第一方面提供的基于深度学习的激光点云车道印刷虚线块提取方法。

本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明在第一方面提供的基于深度学习的激光点云车道印刷虚线块提取方法。

本发明的有益效果是：

1.本发明相较于现有的单纯依赖点云反射强度求解道路要素的方法，从多维度交叉提取的方法获取虚线块，从而提高了虚线块的覆盖率；

2.通过反演坐标与深度学习方法的交叉验证，降低了虚线块的错误率和漏检率；

3.由于高精度地图中的其他道路要素也都具备虚线块相似的性质，提取方法可延伸到其他道路要素的自动化提取中，为其提取提供了新的思路。

附图说明

图1为本发明的一些实施例中的基于深度学习的激光点云车道印刷虚线块提取方法的基本流程示意图；

图2为本发明的一些实施例中的激光点云投影图像及其提取到的虚线块示意图；

图3为本发明的一些实施例中的激光点云投影图像及其提取到的虚实变化位置示意图；

图4为本发明的一些实施例中的提取到的虚线块的效果示意图；

图5为本发明的一些实施例中的基于深度学习的激光点云车道印刷虚线块提取系统的结构示意图；

图6为本发明的一些实施例中的电子设备的结构示意图。

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。

参考图1、图2和图4，在本发明的第一方面，提供了一种基于深度学习的激光点云车道印刷虚线块提取方法，包括：S100.获取待提取车道印刷虚线块的激光点云，并将其投影为一张或多张图像；S200.利用训练完成的目标检测模型提取每张投影图像中的一个或多个虚线块，以及识别一个或多个虚实变化的位置；S300.根据所述一个或多个虚实变化的位置，反演提取到的每个虚线块在激光点云的坐标信息；S400.根据多个虚实变化的位置、所述激光点云的轨迹信息和每个虚线块的几何性质，对提取到的每个虚线块进行质检。

参考图2和图3，在本发明的一些实施例的步骤S200中，所述利用训练完成的目标检测模型提取每张投影图像中的一个或多个虚线块，以及识别一个或多个虚实变化的位置包括：所述目标检测网络包括语义分割网络和目标检测网络，所述语义分割网络，用于提取每张投影图像中的一个或多个虚线块；所述目标检测网络，用于检测虚实变化的位置。图2中示出了从激光点云的投影图像中提取虚线块的效果图，左半部分表示投影图像，右半部分表示提取到的虚线块。

具体地，训练步骤包括：S201.在投影图像数据集上标注虚线块语义，使用训练数据集，训练虚线块语义分割网络；S202.在投影图像数据集上标注虚实变化位置目标框，使用训练数据集，训练虚实变化位置目标检测网络；S203.在验证数据集上，使用虚线块语义分割网络分割虚线块，使用虚实变化目标检测网络检测虚实变化的位置。

可以理解，上述语义分割网络或目标检测网络包括RCNN系列、Mask－RCNN、R－FCN、YOLO系列、SSD、FPN等，训练过程可通过Pytorch、Tesorflow、Paddle等深度学习框架实现。

参考图3，示意性地，图中左半部分表示激光点云的投影图像或普通车道图像，图中右半部分用方框标记的部分代表虚实变化位置，即：本发明中的虚实变化位置是指投影图像中的虚线块变化到实线块，或实线块变化到虚线块中的位置。

在本发明的一些实施例的步骤S300中，所述根据所述一个或多个虚实变化的位置，反演提取到的每个虚线块在激光点云的坐标信息包括：S301.将提取到的每个虚线块的图像坐标反演到对应分块激光点云的局部坐标；S302.将每个虚实变化的位置的图像坐标反演到对应分块激光点云的局部坐标；S303.根据每个分块激光点云的序列分块切割信息，计算其在分块切割前的全局点云坐标信息。

在本发明的一些实施例的步骤S400中，所述根据多个虚实变化的位置、所述激光点云的轨迹信息和每个虚线块的几何性质，对提取到的每个虚线块进行质检包括：S401.根据多个虚实变化的位置确定所述激光点云的所有虚线区间，并根据其判断每个虚线块的置信度；S402.计算每个虚线区间中虚线块的覆盖率，并根据其判断每个虚线块的置信度。

具体地，在步骤S401中，包括：

S4011：对虚实变化位置中由实变为虚的点P1，沿着轨迹延伸的方向，以0.5m宽形成缓冲区，查找一个距离最近的由虚变为实的虚实变化位置P2；

S4012：由P1和P2沿轨迹延伸的方向，以0.5m宽形成一个虚线区间；

S4013：遍历所有的虚实变化点集执行S4011～S4012，收集到当前数据中所有的虚线区间；

S4014：遍历虚线块数据，计算每一个虚线块是否存在于S4013的某一个虚线区间范围内，如果存在，则认为该虚线块数据正确，标记置信度为99；如果不在某区间内，则继续沿轨迹延伸的方向，向前后量两侧20mf范围内检索最近的虚线块；

S4015：如果前后20m范围内没有其他虚线块，则认为该虚线块为误检，标记其置信度为0；如果有其他虚线块，则计算该范围内所有虚线块的累计跨越长度，长度小于10m，则认为这些虚线块均为误检，标记置信度为0；长度大于10m则，认为该虚线块不是误检，标记置信度为99。

在步骤S402中，对存在漏检的虚线区间，补充生成虚线块，并标记置信度。具体实施如下：

S4021.遍历S43中的虚线区间，计算虚线区间中虚线块的覆盖率；

S4022.对于覆盖率低于80％的虚线区间，根据内部包含的虚线段数据，前后内插，生成新的虚线块，标记置信度为50。

在上述的实施例的步骤S100中，所述获取待提取车道印刷虚线块的激光点云，并将其投影为一张或多张图像包括：沿轨迹方向将待提取车道印刷虚线块的激光点云纵向切割成块，并将其正射投影为一张或多张图像。

具体地，包括：S101：基于轨迹数据，沿轨迹方向计算无重叠无缝隙的多边形序列；S102：使用多边形序列将激光点云切割成块；S103：对点云块使用CSF(Cloth SimulationFilter，点云地面点滤波)滤波，剔除路面以上的点云，保留路面点云；S104：将路面点云逐块正射投影成图像。

示意性地，图4示出了利用本发明提供的激光点云车道印刷虚线块提取方法提取到的虚线块，白色为车道线，车道线内侧的黑色部分为虚线块，外侧为轨迹线。

实施例2

参考图5，本发明的第二方面，提供了一种基于深度学习的激光点云车道印刷虚线块提取系统1，包括：投影模块11，用于获取待提取车道印刷虚线块的激光点云，并将其投影为一张或多张图像；提取模块12，用于利用训练完成的目标检测模型提取每张投影图像中的一个或多个虚线块，以及识别一个或多个虚实变化的位置；反演模块13，用于根据所述一个或多个虚实变化的位置，反演提取到的每个虚线块在激光点云的坐标信息；质检模块14，用于根据多个虚实变化的位置、所述激光点云的轨迹信息和每个虚线块的几何性质，对提取到的每个虚线块进行质检。

进一步的，所述反演模块13包括第一反演单元、第二反演单元和计算单元，所述第一反演单元，用于将提取到的每个虚线块的图像坐标反演到对应分块激光点云的局部坐标；所述第二反演单元，用于将每个虚实变化的位置的图像坐标反演到对应分块激光点云的局部坐标；所述计算单元，用于根据每个分块激光点云的序列分块切割信息，计算其在分块切割前的全局点云坐标信息。

实施例3

参考图6，本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明在第一方面的方法。

电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD－ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

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 (10)

1.一种基于深度学习的激光点云车道印刷虚线块提取方法，其特征在于，包括：

获取待提取车道印刷虚线块的激光点云，并将其投影为一张或多张图像；

利用训练完成的目标检测模型提取每张投影图像中的一个或多个虚线块，以及识别一个或多个虚实变化的位置；

根据所述一个或多个虚实变化的位置，反演提取到的每个虚线块在激光点云的坐标信息；

根据多个虚实变化的位置、所述激光点云的轨迹信息和每个虚线块的几何性质，对提取到的每个虚线块进行质检。

2.根据权利要求1所述的基于深度学习的激光点云车道印刷虚线块提取方法，其特征在于，所述利用训练完成的目标检测模型提取每张投影图像中的一个或多个虚线块，以及识别一个或多个虚实变化的位置包括：所述目标检测网络包括语义分割网络和目标检测网络，

所述语义分割网络，用于提取每张投影图像中的一个或多个虚线块；

所述目标检测网络，用于检测虚实变化的位置。

3.根据权利要求2所述的基于深度学习的激光点云车道印刷虚线块提取方法，其特征在于，所述语义分割网络和目标检测网络通过相同的数据集训练。

4.根据权利要求1所述的基于深度学习的激光点云车道印刷虚线块提取方法，其特征在于，所述根据所述一个或多个虚实变化的位置，反演提取到的每个虚线块在激光点云的坐标信息包括：

将提取到的每个虚线块的图像坐标反演到对应分块激光点云的局部坐标；

将每个虚实变化的位置的图像坐标反演到对应分块激光点云的局部坐标；

根据每个分块激光点云的序列分块切割信息，计算其在分块切割前的全局点云坐标信息。

5.根据权利要求1所述的基于深度学习的激光点云车道印刷虚线块提取方法，其特征在于，所述根据多个虚实变化的位置、所述激光点云的轨迹信息和每个虚线块的几何性质，对提取到的每个虚线块进行质检包括：

根据多个虚实变化的位置确定所述激光点云的所有虚线区间，并根据其判断每个虚线块的置信度；

计算每个虚线区间中虚线块的覆盖率，并根据其判断每个虚线块的置信度。

6.根据权利要求1至5任一项所述的基于深度学习的激光点云车道印刷虚线块提取方法，其特征在于，所述获取待提取车道印刷虚线块的激光点云，并将其投影为一张或多张图像包括：

沿轨迹方向将待提取车道印刷虚线块的激光点云纵向切割成块，并将其正射投影为一张或多张图像。

7.一种基于深度学习的激光点云车道印刷虚线块提取系统，其特征在于，包括：

投影模块，用于获取待提取车道印刷虚线块的激光点云，并将其投影为一张或多张图像；

提取模块，用于利用训练完成的目标检测模型提取每张投影图像中的一个或多个虚线块，以及识别一个或多个虚实变化的位置；

反演模块，用于根据所述一个或多个虚实变化的位置，反演提取到的每个虚线块在激光点云的坐标信息；

质检模块，用于根据多个虚实变化的位置、所述激光点云的轨迹信息和每个虚线块的几何性质，对提取到的每个虚线块进行质检。

8.根据权利要求7所述的基于深度学习的激光点云车道印刷虚线块提取系统，其特征在于，所述反演模块包括第一反演单元、第二反演单元和计算单元，

所述第一反演单元，用于将提取到的每个虚线块的图像坐标反演到对应分块激光点云的局部坐标；

所述第二反演单元，用于将每个虚实变化的位置的图像坐标反演到对应分块激光点云的局部坐标；

所述计算单元，用于根据每个分块激光点云的序列分块切割信息，计算其在分块切割前的全局点云坐标信息。

9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6任一项所述的基于深度学习的激光点云车道印刷虚线块提取方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于深度学习的激光点云车道印刷虚线块提取方法。

Images