CN114428259A - 一种基于地图车采集的地库激光点云中车辆自动提取方法 - Google Patents

一种基于地图车采集的地库激光点云中车辆自动提取方法 Download PDF

Info

Publication number
CN114428259A
CN114428259A CN202111527413.1A CN202111527413A CN114428259A CN 114428259 A CN114428259 A CN 114428259A CN 202111527413 A CN202111527413 A CN 202111527413A CN 114428259 A CN114428259 A CN 114428259A
Authority
CN
China
Prior art keywords
point cloud
vehicle
data
image data
feature fusion
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.)
Pending
Application number
CN202111527413.1A
Other languages
English (en)
Inventor
何豪杰
万齐斌
王畅
何云
刘奋
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.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence 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 Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN202111527413.1A priority Critical patent/CN114428259A/zh
Publication of CN114428259A publication Critical patent/CN114428259A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G01S17/894—3D imaging with simultaneous measurement of time-of-flight at a 2D array of receiver pixels, e.g. time-of-flight cameras or flash lidar
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/497—Means for monitoring or calibrating

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及一种基于地图车采集的地库激光点云中车辆自动提取方法，包括：在地图采集车上配置激光雷达和鱼眼相机，分别进行点云数据和图像数据的采集；获取点云数据和图像数据的位置匹配参数；对点云数据和图像数据进行特征融合后得到特征融合数据，基于特征融合数据训练得到车辆的3D目标检测网络模型，将待检测的点云数据和图像数据的特征融合数据输入训练好的3D目标检测网络模型，3D目标检测网络模型输出点云数据中的车辆位置信息；为行驶车辆提高其他车辆的位置信息辅助地图制作人员对地库地图的制作。

Description

一种基于地图车采集的地库激光点云中车辆自动提取方法
技术领域
本发明涉及高精度地图生产领域，尤其涉及一种基于地图车采集的地库激光点云中车辆自动提取方法。
背景技术
在高精度地图制作中，需要对采集的激光点云和图像中的车辆进行自动识别，以便及时获取其他车辆的位置信息，以便辅助车辆进行安全行驶避障、合理规划选择行驶方向等。用人工进行制作，无法保证信息的实效性。所以需要对当前地库车辆情况进行实时监测，以便及时辅助车辆获知当前车辆周围地库中的其他车辆信息。能够辅助驾驶员便捷的做出车辆行驶应对措施。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于地图车采集的地库激光点云中车辆自动提取方法，为行驶车辆提高其他车辆的位置信息辅助地图制作人员对地库地图的制作。
根据本发明的第一方面，提供了一种基于地图车采集的地库激光点云中车辆自动提取方法，包括：步骤1，在地图采集车上配置激光雷达和鱼眼相机，分别进行点云数据和图像数据的采集；
步骤2，获取所述点云数据和图像数据的位置匹配参数；
步骤3，对所述点云数据和图像数据进行特征融合后得到特征融合数据，基于所述特征融合数据训练得到车辆的3D目标检测网络模型，将待检测的所述点云数据和图像数据的特征融合数据输入训练好的所述3D目标检测网络模型，所述3D目标检测网络模型输出点云数据中的车辆位置信息。
在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，所述鱼眼相机数量为四个，分别设置在车辆的前后左右四个方向上。
可选的，所述步骤2包括：获取鱼眼相机图像坐标系到相机坐标系的转换关系；获取相机坐标系到激光点云坐标系之间的转换关系；根据多组的转换关系通过参数拟合分别获取所述点云数据和各个鱼眼相机采集的图像数据直接的位置匹配参数信息。
可选的，所述鱼眼相机图像坐标系到相机坐标系的转换关系采用鱼眼相机模型，所述鱼眼相机模型中透镜组的映射关系r＝f*d(θ)；
d(θ)＝θ+k1θ3+k2θ5+k3θ7+k4θ9；参数k1、k2、k3、k4的值以及鱼眼相机内参通过标定得到；获取所述相机坐标系到激光点云坐标系之间的转换关系的过程包括：通过激光雷达对标定板进行扫描，根据传感器的原点到标定板的距离对应性，求得激光雷达点云数据与各个所述鱼眼相机获取的图像数据的映射关系。
可选的，所述步骤3中对所述点云数据和图像数据进行特征融合包括：
沿着车辆行驶方向，将单帧雷达激光点云和其对应时刻的四个鱼眼相机的图像数据特征进行特征融合。
可选的，所述步骤3之后还包括：
步骤4，获取车辆周围小范围内的点云数据，根据其点云强度信息、实际车辆的大小比例以及地面高度，对提取的信息进行局部修正并对非车辆目标进行过滤筛选。
可选的，所述步骤3之后还包括：
步骤5，根据雷达激光点云和对应摄像机的标定参数信息，获取各个鱼眼相机中的车辆坐标信息；将提取的车辆的三维激光点云中的位置信息以及鱼眼相机图像中的位置信息反馈给高精度地图制作系统中。
根据本发明的第二方面，提供一种基于地图车采集的地库激光点云中车辆自动提取系统，包括：数据采集模块、参数匹配模块和提取模块；
所述数据采集模块，用于在地图采集车上配置激光雷达和鱼眼相机，分别进行点云数据和图像数据的采集；
所述参数匹配模块，用于获取所述点云数据和图像数据的位置匹配参数；
所述提取模块，用于对所述点云数据和图像数据进行特征融合后得到特征融合数据，基于所述特征融合数据训练得到车辆的3D目标检测网络模型，将待检测的所述点云数据和图像数据的特征融合数据输入训练好的所述3D目标检测网络模型，所述3D目标检测网络模型输出点云数据中的车辆位置信息。
根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现基于地图车采集的地库激光点云中车辆自动提取方法的步骤。
根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现基于地图车采集的地库激光点云中车辆自动提取方法的步骤。
本发明提供的一种基于地图车采集的地库激光点云中车辆自动提取方法、系统、电子设备及存储介质，提取的车辆较全，对鱼眼相机和雷达激光点云进行标定后，融合激光点云特征和前后左右四个方向的图片特征进行提取，对周围的车辆信息提取更加全面；同时，采用深度学习网络，提高了泛化能力，加快了提取速度，具有更高的时效性；符合高精度地图的精度需求，通过传统方法的阈值设置以及对应特征的提取修正过滤，使得提取的精度较高，符合高精度地图制作的高精度需求。
附图说明
图1为本发明提供的一种基于地图车采集的地库激光点云中车辆自动提取的流程图；
图2(a)为本发明实施例提供的单帧的激光点云图；
图2(b)为本发明实施例提供的前置鱼眼相机图像；
图2(c)为本发明实施例提供的激光点云与前置鱼眼相机图像经过鱼眼相机的标定以及激光雷达与相机标定后的点的映射关系示意图；
图3(a)为发明实施例提供的单帧激光点云经过网络推理以及处理后得到的目标框信息示意图；
图3(b)为本发明实施例提供的该点云提取中的目标在前鱼眼相机中对应的图像中的目标包围框二维点坐标信息的示意图；
图3(c)为本发明实施例提供的该点云提取中的目标在后鱼眼相机中对应的图像中的目标包围框二维点坐标信息的示意图；
图4为本发明提供的一种基于地图车采集的地库激光点云中车辆自动提取系统的结构框图；
图5为本发明提供的一种可能的电子设备的硬件结构示意图；
图6为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
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。
图1为本发明提供的一种基于地图车采集的地库激光点云中车辆自动提取方法的流程图，如图1所示，车辆自动提取方法包括：
步骤1，在地图采集车上配置激光雷达和鱼眼相机，分别进行点云数据和图像数据的采集。
步骤2，获取点云数据和图像数据的位置匹配参数。
步骤3，对点云数据和图像数据进行特征融合后得到特征融合数据，基于特征融合数据训练得到车辆的3D目标检测网络模型，将待检测的点云数据和图像数据的特征融合数据输入训练好的3D目标检测网络模型，3D目标检测网络模型输出点云数据中的车辆位置信息。
本发明提供的一种基于地图车采集的地库激光点云中车辆自动提取方法，为行驶车辆提高其他车辆的位置信息辅助地图制作人员对地库地图的制作。
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地图车采集的地库激光点云中车辆自动提取方法的实施例，结合图2可知，该实施例包括：车辆自动提取方法包括：
步骤1，在地图采集车上配置激光雷达和鱼眼相机，分别进行点云数据和图像数据的采集。
在一种可能的实施例方式中，鱼眼相机数量为四个，分别设置在车辆的前后左右四个方向上，用于前后左右方向的道路车辆情况采集。
具体实施中，步骤1中获取的为地图采集车采集的单帧激光点云数据，对应前后左右四个鱼眼相机采集的鱼眼图片信息。
步骤2，获取点云数据和图像数据的位置匹配参数。
为了使激光雷达采集的点云数据与前后左右四个鱼眼相机图片匹配，需要进行标定并分别获取鱼眼相机图像坐标系到相机坐标系的转换关系以及相机坐标系到激光点云坐标系之间的转换关系。
在一种可能的实施例方式中，步骤2包括：获取鱼眼相机图像坐标系到相机坐标系的转换关系；获取相机坐标系到激光点云坐标系之间的转换关系；根据多组的转换关系通过参数拟合分别获取点云数据和各个鱼眼相机采集的图像数据直接的位置匹配参数信息。
在一种可能的实施例方式中，鱼眼相机图像坐标系到相机坐标系的转换关系采用kannala－brandt的鱼眼相机模型，鱼眼相机模型中透镜组的映射关系r＝f*θd＝f*d(θ)，其中r表示鱼眼图像的点到畸变中心的距离，f表示鱼眼相机的焦距，θ表示入射角。
d(θ)＝θ+k1θ3+k2θ5+k3θ7+k4θ9；鱼眼相机主要通过kannala－brandt的鱼眼相机模型获取参数信息，d(θ)设置为奇函数，kannala前五项即可足够近似鱼眼投影模型。
参数k1、k2、k3、k4的值以及鱼眼相机内参
Figure BDA0003408558460000061
通过标定得到，其中fx＝f/dx，fy＝f/dy，称为相机在u轴和v轴方向上的尺度因子，f为鱼眼相机的焦距，cx、cy为不停方向上原点的平移尺寸。
获取相机坐标系到激光点云坐标系之间的转换关系的过程包括：通过激光雷达对标定板进行扫描，根据传感器的原点到标定板的距离对应性，求得激光雷达点云数据与各个鱼眼相机获取的图像数据的映射关系，即激光雷达数据和前后左右摄像机相机坐标系的坐标转换关系。
如图2所示为本发明实施例提供的单帧雷达激光点云与前鱼眼相机采集图像的配准图，其中，图2(a)为本发明实施例提供的单帧的激光点云图，图2(b)为本发明实施例提供的前置鱼眼相机图像，图2(c)为本发明实施例提供的激光点云与前置鱼眼相机图像经过鱼眼相机的标定以及激光雷达与相机标定后的点的映射关系示意图。
步骤3，对点云数据和图像数据进行特征融合后得到特征融合数据，基于特征融合数据训练得到车辆的3D目标检测网络模型，将待检测的点云数据和图像数据的特征融合数据输入训练好的3D目标检测网络模型，3D目标检测网络模型输出点云数据中的车辆位置信息。
为了获取实时的地图中其他车辆的行驶信息，采用三维目标检测方法对激光点云中的车辆目标进行检测，能够使得处理速度更加快速。同时为了避免地库中雷达激光点云的扫描不全问题，将前后左右四个方向鱼眼相机中的特征与激光雷达点云特征相融合进行检测，以便获取更全的目标信息。
在一种可能的实施例方式中，步骤3中对点云数据和图像数据进行特征融合包括：
沿着车辆行驶方向，将单帧雷达激光点云和其对应时刻的四个鱼眼相机的图像数据特征进行特征融合。
由于对地图车辆提取的精度需求较高，采用深度学习的方法进行目标检测后，存在较多的误检错检漏检及精度较差的问题，同时需要对提取的目标进行一些后续的操作。主要是根据车辆的实际大小比例范围信息以及激光点云提取的车辆周围的点云强度信息等，进行过滤局部修正、合并、过滤等。使提取的目标信息更加准确。
在一种可能的实施例方式中，步骤3之后还包括：
步骤4，获取车辆周围小范围内的点云数据，根据其点云强度信息、实际车辆的大小比例以及地面高度等信息，对提取的信息进行局部修正并对非车辆目标进行过滤筛选。
并对非车辆目标中的激光点云进行过滤，进一步提高车辆信息的精度。
在一种可能的实施例方式中，步骤3之后还包括：
步骤5，根据雷达激光点云和对应摄像机的标定参数信息，获取各个鱼眼相机中的车辆坐标信息；将提取的车辆的三维激光点云中的位置信息以及鱼眼相机图像中的位置信息反馈给高精度地图制作系统中。将处理后的三维目标信息分别映射到前后左右四个鱼眼图像中，反馈给高精度地图系统即可完成激光点云中的车辆自动提取。
如图3所示为本发明实施例提供的雷达激光点云中提取的目标与前后鱼眼相机图像中目标映射关系图，其中，图3(a)为本发明实施例提供的单帧激光点云经过网络推理以及处理后得到的目标框信息示意图，图3(b)和图3(c)分别为本发明实施例提供的该点云提取中的目标在前后鱼眼相机中对应的图像中的目标包围框二维点坐标信息的示意图。
实施例2
本发明提供的实施例2为本发明提供的一种基于地图车采集的地库激光点云中车辆自动提取系统的实施例，图4为本发明实施例提供的一种基于地图车采集的地库激光点云中车辆自动提取系统结构图，结合图4可知，该车辆自动提取系统的实施例包括：数据采集模块、参数匹配模块和提取模块。
数据采集模块，用于在地图采集车上配置激光雷达和鱼眼相机，分别进行点云数据和图像数据的采集。
参数匹配模块，用于获取点云数据和图像数据的位置匹配参数。
提取模块，用于对点云数据和图像数据进行特征融合后得到特征融合数据，基于特征融合数据训练得到车辆的3D目标检测网络模型，将待检测的点云数据和图像数据的特征融合数据输入训练好的3D目标检测网络模型，3D目标检测网络模型输出点云数据中的车辆位置信息。
可以理解的是，本发明提供的一种基于地图车采集的地库激光点云中车辆自动提取系统与前述各实施例提供的基于地图车采集的地库激光点云中车辆自动提取方法相对应，基于地图车采集的地库激光点云中车辆自动提取系统的相关技术特征可参考基于地图车采集的地库激光点云中车辆自动提取方法的相关技术特征，在此不再赘述。
请参阅图5，图5为本发明实施例提供的电子设备的实施例示意图。如图5所示，本发明实施例提了一种电子设备，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现以下步骤：在地图采集车上配置激光雷达和鱼眼相机，分别进行点云数据和图像数据的采集；获取点云数据和图像数据的位置匹配参数；对点云数据和图像数据进行特征融合后得到特征融合数据，基于特征融合数据训练得到车辆的3D目标检测网络模型，将待检测的点云数据和图像数据的特征融合数据输入训练好的3D目标检测网络模型，3D目标检测网络模型输出点云数据中的车辆位置信息。
请参阅图6，图6为本发明提供的一种计算机可读存储介质的实施例示意图。如图6所示，本实施例提供了一种计算机可读存储介质1400，其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现如下步骤：在地图采集车上配置激光雷达和鱼眼相机，分别进行点云数据和图像数据的采集；获取点云数据和图像数据的位置匹配参数；对点云数据和图像数据进行特征融合后得到特征融合数据，基于特征融合数据训练得到车辆的3D目标检测网络模型，将待检测的点云数据和图像数据的特征融合数据输入训练好的3D目标检测网络模型，3D目标检测网络模型输出点云数据中的车辆位置信息。
本发明实施例提供的一种基于地图车采集的地库激光点云中车辆自动提取方法、系统、电子设备及存储介质，提取的车辆较全，对鱼眼相机和雷达激光点云进行标定后，融合激光点云特征和前后左右四个方向的图片特征进行提取，对周围的车辆信息提取更加全面；同时，采用深度学习网络，提高了泛化能力，加快了提取速度，具有更高的时效性；符合高精度地图的精度需求，通过传统方法的阈值设置以及对应特征的提取修正过滤，使得提取的精度较高，符合高精度地图制作的高精度需求。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种基于地图车采集的地库激光点云中车辆自动提取方法，其特征在于，所述车辆自动提取方法包括：
步骤1，在地图采集车上配置激光雷达和鱼眼相机，分别进行点云数据和图像数据的采集；
步骤2，获取所述点云数据和图像数据的位置匹配参数；
步骤3，对所述点云数据和图像数据进行特征融合后得到特征融合数据，基于所述特征融合数据训练得到车辆的3D目标检测网络模型，将待检测的所述点云数据和图像数据的特征融合数据输入训练好的所述3D目标检测网络模型，所述3D目标检测网络模型输出点云数据中的车辆位置信息。
2.根据权利要求1所述的车辆自动提取方法，其特征在于，所述鱼眼相机数量为四个，分别设置在车辆的前后左右四个方向上。
3.根据权利要求1所述的车辆自动提取方法，其特征在于，所述步骤2包括：获取鱼眼相机图像坐标系到相机坐标系的转换关系；获取相机坐标系到激光点云坐标系之间的转换关系；根据多组的转换关系通过参数拟合分别获取所述点云数据和各个鱼眼相机采集的图像数据直接的位置匹配参数信息。
4.根据权利要求3所述的车辆自动提取方法，其特征在于，所述鱼眼相机图像坐标系到相机坐标系的转换关系采用鱼眼相机模型，所述鱼眼相机模型中透镜组的映射关系r＝f*d(θ)；
d(θ)＝θ+k1θ3+k2θ5+k3θ7+k4θ9；参数k1、k2、k3、k4的值以及鱼眼相机内参通过标定得到；
获取所述相机坐标系到激光点云坐标系之间的转换关系的过程包括：通过激光雷达对标定板进行扫描，根据传感器的原点到标定板的距离对应性，求得激光雷达点云数据与各个所述鱼眼相机获取的图像数据的映射关系。
5.根据权利要求2所述的车辆自动提取方法，其特征在于，所述步骤3中对所述点云数据和图像数据进行特征融合包括：
沿着车辆行驶方向，将单帧雷达激光点云和其对应时刻的四个鱼眼相机的图像数据特征进行特征融合。
6.根据权利要求1所述的车辆自动提取方法，其特征在于，其特征在于，所述步骤3之后还包括：
步骤4，获取车辆周围小范围内的点云数据，根据其点云强度信息、实际车辆的大小比例以及地面高度，对提取的信息进行局部修正并对非车辆目标进行过滤筛选。
7.根据权利要求1所述的车辆自动提取方法，其特征在于，其特征在于，所述步骤3之后还包括：
步骤5，根据雷达激光点云和对应摄像机的标定参数信息，获取各个鱼眼相机中的车辆坐标信息；将提取的车辆的三维激光点云中的位置信息以及鱼眼相机图像中的位置信息反馈给高精度地图制作系统中。
8.一种基于地图车采集的地库激光点云中车辆自动提取系统，其特征在于，所述车辆自动提取系统包括：数据采集模块、参数匹配模块和提取模块；
所述数据采集模块，用于在地图采集车上配置激光雷达和鱼眼相机，分别进行点云数据和图像数据的采集；
所述参数匹配模块，用于获取所述点云数据和图像数据的位置匹配参数；
所述提取模块，用于对所述点云数据和图像数据进行特征融合后得到特征融合数据，基于所述特征融合数据训练得到车辆的3D目标检测网络模型，将待检测的所述点云数据和图像数据的特征融合数据输入训练好的所述3D目标检测网络模型，所述3D目标检测网络模型输出点云数据中的车辆位置信息。
9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的基于地图车采集的地库激光点云中车辆自动提取方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的基于地图车采集的地库激光点云中车辆自动提取方法的步骤。
CN202111527413.1A 2021-12-13 2021-12-13 一种基于地图车采集的地库激光点云中车辆自动提取方法 Pending CN114428259A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111527413.1A CN114428259A (zh) 2021-12-13 2021-12-13 一种基于地图车采集的地库激光点云中车辆自动提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111527413.1A CN114428259A (zh) 2021-12-13 2021-12-13 一种基于地图车采集的地库激光点云中车辆自动提取方法

Publications (1)

Publication Number Publication Date
CN114428259A true CN114428259A (zh) 2022-05-03

Family

ID=81311567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111527413.1A Pending CN114428259A (zh) 2021-12-13 2021-12-13 一种基于地图车采集的地库激光点云中车辆自动提取方法

Country Status (1)

Country Link
CN (1) CN114428259A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115468576A (zh) * 2022-09-29 2022-12-13 东风汽车股份有限公司 一种基于多模态数据融合的自动驾驶定位方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115468576A (zh) * 2022-09-29 2022-12-13 东风汽车股份有限公司 一种基于多模态数据融合的自动驾驶定位方法及系统

Similar Documents

Publication Publication Date Title
CN110322702B (zh) 一种基于双目立体视觉系统的车辆智能测速方法
CN108647638B (zh) 一种车辆位置检测方法及装置
CN110531376B (zh) 用于港口无人驾驶车辆的障碍物检测和跟踪方法
Bensrhair et al. Stereo vision-based feature extraction for vehicle detection
CN115032651B (zh) 一种基于激光雷达与机器视觉融合的目标检测方法
CN112270713A (zh) 标定方法以及装置、存储介质、电子装置
CN109741241B (zh) 鱼眼图像的处理方法、装置、设备和存储介质
CN110197173B (zh) 一种基于双目视觉的路沿检测方法
JP2008158958A (ja) 路面判別方法および路面判別装置。
CN107796373B (zh) 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法
CN115049700A (zh) 一种目标检测方法及装置
CN110490936A (zh) 车辆摄像头的标定方法、装置、设备及可读存储介质
CN114419098A (zh) 基于视觉变换的运动目标轨迹预测方法及装置
CN110717445A (zh) 一种用于自动驾驶的前车距离跟踪系统与方法
WO2021017211A1 (zh) 一种基于视觉的车辆定位方法、装置及车载终端
CN114463303A (zh) 一种基于双目相机和激光雷达融合的道路目标检测方法
CN114119682A (zh) 一种激光点云和图像配准方法及配准系统
CN114428259A (zh) 一种基于地图车采集的地库激光点云中车辆自动提取方法
CN113988197A (zh) 基于多相机、多激光雷达的联合标定及目标融合检测方法
CN114549542A (zh) 视觉语义分割方法、装置及设备
CN113034583A (zh) 基于深度学习的车辆停车测距方法、装置及电子设备
CN108961378B (zh) 一种多目点云三维重建方法、装置及其设备
CN116794650A (zh) 一种毫米波雷达与摄像头数据融合的目标检测方法和装置
CN116052120A (zh) 基于图像增强和多传感器融合的挖掘机夜间物体检测方法
CN112991372B (zh) 一种基于多边形匹配的2d-3d相机外参标定方法

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