CN114625823A - 车道线数据处理方法、装置、设备及存储介质 - Google Patents
车道线数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114625823A CN114625823A CN202210204916.3A CN202210204916A CN114625823A CN 114625823 A CN114625823 A CN 114625823A CN 202210204916 A CN202210204916 A CN 202210204916A CN 114625823 A CN114625823 A CN 114625823A
- Authority
- CN
- China
- Prior art keywords
- lane line
- grid
- type
- map
- lane
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供的车道线数据处理方法、装置、设备及存储介质,涉及数据处理技术领域,尤其涉及车联网、智能交通、智能搜索、自动驾驶技术领域。具体实现方案为:通过获取车道线数据点集,该车道线数据点集的每个车道线数据点携带位置信息,然后基于每个车道线数据点携带的位置信息,确定车道线数据点集对应的车道线骨架图,再对车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点,最后对至少一类车道线栅格点进行拟合,得到车道线。该技术方案可以准确确定地图中车道线的位置,从而在一定程度上提高了地图的准确性,提升用户导航时的使用体验。
Description
技术领域
本公开涉及数据处理中的车联网、智能交通、智能搜索、自动驾驶技术领域,尤其涉及一种车道线数据处理方法、装置、设备及存储介质。
背景技术
高精度地图应用于自动驾驶,无人机等场景,提供非常精确且重要的先验知识。不同于传统导航地图,高精度地图要求对覆盖范围内的道路元素的变化能够迅速且精确反馈更新。
相关技术中,在高精度地图的制作过程中,通过采集用户回传的位置数据,然后利用该位置数据进行地图的构建或更新,但这种方案由于处理的数据量非常大,可能会存在处理的车道线位置不准确的问题,从而无法保证无人驾驶过程的安全性。
发明内容
本公开提供了一种车道线数据处理方法、装置、设备及存储介质。
根据本公开的第一方面,提供了一种车道线数据处理方法,包括:
获取车道线数据点集,所述车道线数据点集的每个车道线数据点携带位置信息;
基于每个车道线数据点携带的位置信息,确定所述车道线数据点集对应的车道线骨架图;
对所述车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点;
对所述至少一类车道线栅格点进行拟合,得到至少一类车道线。
根据本公开的第二方面,提供了一种车道线数据处理装置,包括:
获取单元,用于获取车道线数据点集,所述车道线数据点集的每个车道线数据点携带位置信息;
确定单元,用于基于每个车道线数据点携带的位置信息,确定所述车道线数据点集对应的车道线骨架图;
聚类单元,用于对所述车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点;
拟合单元,用于对所述至少一类车道线栅格点进行拟合,得到至少一类车道线。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
根据本公开的技术方案,解决了更新地图过程中,可能会存在处理的车道线位置不准确的问题,提高了无人驾驶过程的安全性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例所适用的一种应用场景示意图;
图2是本公开第一实施例提供的车道线数据处理方法的流程示意图;
图3是本公开第二实施例提供的车道线数据处理方法的流程示意图;
图4是本公开第三实施例提供的车道线数据处理方法的流程示意图;
图5是本公开实施例提供的一种车道线数据处理装置的结构示意图;
图6是用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开的技术方案应用于地图更新,尤其是高精地图的更新场景中。由于地图采集及构建地图的人工成本高,更新周期时间长,因此,利用回传数据对现有地图进行更新是一种低成本的维持地图现势性的方案,但是这种方案由于处理的数据量非常大,可能存在处理的车道线位置不准确,导致更新的地图不精确的问题,从而无法保证无人驾驶过程的安全性。
针对上述问题,本公开技术方案的技术构思过程如下:发明人发现利用回传数据进行地图构建的过程中可以基于栅格地图的方式确定出车道线骨架图,然后在每个栅格点出通过聚类方式确定出每个位置出的车道线,最后再对其进行拟合,该方式能够提高构建地图中车道线的准确性,从而在一定程度上提高了无人驾驶过程中的安全性。
基于上述技术构思过程,本公开实施例提供了一种车道线数据处理方法,通过获取车道线数据点集,该车道线数据点集的每个车道线数据点携带位置信息,然后基于每个车道线数据点携带的位置信息,确定车道线数据点集对应的车道线骨架图,再对车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点,最后对至少一类车道线栅格点进行拟合,得到车道线。该技术方案可以准确确定地图中车道线的位置,从而在一定程度上提高了地图的准确性,提升用户导航时的使用体验。
本公开提供一种车道线数据处理方法、装置、设备及存储介质,应用于数据处理中的车联网、智能交通、智能搜索、自动驾驶技术领域,以提高地图中车道线的位置,从而提高地图的准确性,提升用户导航时的使用体验。
需要说明的是,本实施例中的概率图模型并不是针对某一特定对象的概率模型,并不能反映出某一特定对象的概率信息。需要说明的是,本实施例中的车道线数据点集自于公开数据集。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
示例性的,图1是本公开实施例所适用的一种应用场景示意图。如图1所示,该应用场景中可以包括:行驶道100、行驶在行驶道100上的车辆111至车辆114和处理设备12。
可选的,本公开实施例中的车辆可以是自动驾驶车辆,也可以是有人驾驶车辆,车辆上均安装有车载终端和车载传感器,该车载终端可以用于与处理设备12进行信息交互。车载传感器用于采集行驶道100的道路数据。示例性的,该车载传感器可以是摄像头,该摄像头采集的道路数据可以是行驶道图像,相应的,通过对该行驶道图像进行图像预处理可以得到车道线数据。该车载传感器可以是雷达、探测传感器等,其可以通过探测方式获取行驶道上的车道线数据等。
可理解,由于车载终端控制车载传感器采集车道线数据时可以携带采集的位置信息,因而,本实施例中的车道线数据点均携带位置信息。
在本公开的实施例中,处理设备12可以接收车辆111至车辆114中的至少一个车辆回传的车道线数据,得到车道线数据点集,进而执行本公开实施例提供的技术方案,能够得到车道线。
可理解,本申请实施例以车辆111至车辆114采集车道线数据进行解释说明,例如,车辆111为自动驾驶车辆,本申请实施例中的车载终端也可以称为车载计算平台,其可以在自动驾驶功能激活运行状态下,控制处理器以周期方式运行自动驾驶相关任务程序,包括但不限于感知、决策、规划及控制任务程序,可理解,各个任务程序可并行执行,此次不作限定。
在实际应用中,自动驾驶车辆在行驶道上行驶时,需要车载终端利用车载的计算资源执行自动驾驶任务,例如,遇到障碍物变道、在十字路口按照交规行驶、礼让行人等操作,以满足自动驾驶的功能。
可选的,在实际应用中,有些车辆内还设置有行车电脑或车载单元(on boardunit,OBU),有些车辆内搭载有用户终端例如手机,以及持有用户终端的用户等。车辆的行车电脑或OBU可与处理设备12进行通信等。
可以理解的是,图1所示的应用场景中各对象只是示意性说明,本公开实施例并不对该应用场景包括的对象进行具体限定。在该应用场景中,车辆和车辆之间可以进行无线通信,各个车辆和处理设备12之间可进行无线通信等等。
还需要说明的是,本公开实施例中处理设备可以是终端设备,也可以是服务器或者虚拟机等,还可以是一个或多个服务器和/或计算机等组成的分布式计算机系统等。其中,该终端设备包括但不限于:智能手机、笔记本电脑、台式电脑、平台电脑、车载设备、智能穿戴设备等,本公开实施例不作限定。服务器可以为普通服务器或者云服务器,云服务器又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
值得说明的是,本公开的产品实现形态是包含在平台软件中,并部署在处理设备(也可以是计算云或移动终端等具有计算能力的硬件)上的程序代码。在图1所示的系统结构图中,本公开的程序代码可以存储在处理设备内部。运行时,程序代码运行于处理设备的主机内存和/或GPU内存。
本公开实施例中,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
下面,结合上述图1所示的应用场景,通过具体实施例对本公开的技术方案进行详细说明。需要说明的是,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。
示例性的,图2是本公开第一实施例提供的车道线数据处理方法的流程示意图。该方法以图1中的处理设备作为执行主体进行解释说明。如图2所示,该车道线数据处理方法可以包括如下步骤:
S201、获取车道线数据点集,该车道线数据点集的每个车道线数据点携带位置信息。
在本公开的实施例中,处理设备可以接收来自于其他设备的车道线数据点集,也可以从自身存储的数据库中读取车道线数据点集(此时,处理设备中部署有数据库),还可以是直接从行驶在行驶道上的车辆接收车道线数据点集。
可理解,在本公开的实施例中,处理设备获取到的车道线数据点集可以是经过预处理后的数据点集,也可以是未经处理的数据点集,本实施例不对其进行限定。
S202、基于每个车道线数据点携带的位置信息,确定该车道线数据点集对应的车道线骨架图。
示例性的,在本实施例中,由于每个车道线数据点携带位置信息,其可以反映出采集数据的具体位置,因而,通过对车道线数据点集中每个车道线数据点进行位置处理,可以确定出车道线的大致位置分布,进而得到该车道线数据点集对应的车道线骨架图。
在本实施例的一种示例中,处理设备可以对车道线数据点集中的每个车道线数据点进行栅格化处理,基于栅格图的形式确定出车道线的概率分布,最后确定出车道线骨架图。
S203、对车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点。
可选的,在确定出车道线骨架图后,可以针对车道线骨架图中的栅格点进行车道线聚类处理,确定出各个栅格点处可能存在的车道线类型,然后再确定出至少一类车道线的栅格点。
在实际应用中,车道线都均有一个或多个要素,例如,线型、颜色、粗细等,不同的要素可以对应不同的车道线类型,因而,处理设备可以基于至少一个车道线要素对车道线骨架图中的栅格点进行车道线聚类,进而确定出至少一类车道线栅格点。
S204、对至少一类车道线栅格点进行拟合,得到至少一类车道线。
在本公开的实施例中,该步骤主要是将输出的车道线栅格点拟合成车道线。具体的,在确定出至少一类车道线栅格点后,可以针对每类车道线栅格点进行线段拟合,确定出每类车道线栅格点对应的车道线,从而实现对地图中车道线的更新。
示例性的,在本实施例的一种可能设计中,该步骤的具体实现如下:
首先根据每类车道线栅格点形成曲线的曲率大小,确定切分线长度,然后基于每个切分线长度对每类车道线栅格点形成曲线进行切分,得到每类车道线栅格点对应的至少一段车道线线段,最后对每类车道线栅格点对应的至少一段车道线线段进行线段拟合,得到至少一类车道线。
可选的,对于S203确定的每类车道线栅格点,可以根据曲率大小来决定切分长度。曲率大的多切几段,曲率小(直线)少切几段,便于保证拟合效果。
本公开实施例中,通过获取车道线数据点集,该车道线数据点集的每个车道线数据点携带位置信息,然后基于每个车道线数据点携带的位置信息,确定车道线数据点集对应的车道线骨架图,再对车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点,最后对至少一类车道线栅格点进行拟合,得到车道线。该技术方案可以准确确定地图中车道线的位置,从而在一定程度上提高了地图的准确性,提升用户导航时的使用体验。
在图2所示实施例的基础上,下述对本公开实施例提供的车道线数据处理方法进行更详细的介绍。
示例性的,图3是本公开第二实施例提供的车道线数据处理方法的流程示意图。如图3所示,在本公开的实施例中,上述S203可以通过如下步骤实现:
S301、根据车道线骨架图中每个栅格点的位置,查询属性字典,确定每个栅格点的车道线要素。
其中,属性字典存储有每个栅格点的位置与车道线要素的对应关系。
在本公开的实施例中,处理设备在对车道线数据点集中的每个车道线数据点进行处理的过程中,即生成栅格点的过程中可以确定出每个栅格点的位置以及每个栅格点处的车道线要素,并建立每个栅格点的位置与车道线要素的对应关系,最后可以以每个栅格点的位置为索引,将该每个栅格点的位置对应的车道线要素存储至预先构建或直接构建的属性字典中,以便后续使用。
相应的,在对车道线骨架图中的栅格点进行车道线聚类的过程中,处理设备可以基于每个栅格点的位置,查询属性字典,确定出每个栅格点的位置对应的车道线要素,为后续的车道线聚类提供实现可能。
S302、基于每个栅格点的车道线要素对车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点。
可选的,处理设备可以该步骤将不同的车道线区分开。示例性的,处理设备可以基于车道线要素确定车道线骨架图中各个栅格点处的车道线类型,然后再通过车道线类型聚类的形式确定出车道线骨架图对应的至少一类车道线栅格点。
示例性的,在本实施例的一种可能设计中,车道线要素包括:车道线角度;示例性的,该车道线角度可以是以正北方向为基准的角度。相应的,该S302可以通过如下步骤实现:
A1、按照车道线角度对车道线骨架图中的每个栅格点进行车道线聚类,确定每个栅格点对应的至少一类车道线角度。
可选的,在本步骤中,处理设备可以基于车道线骨架图中各栅格点的位置在属性字典里找到对应的车道线角度,然后基于车道线角度确定车道线骨架图中每个栅格点存在的车道线角度类型,即确定出有几个不同方向的车道线穿过该栅格点。
示例性的,处理设备可以使用1D聚类方式确定出每个栅格点对应的至少一类车道线角度。具体实现如下:对车道线骨架图中的每个栅格点进行车道线角度排序,得到排序后的骨架图栅格点以及相邻骨架图栅格点之间的车道线角度差,根据相邻骨架图栅格点之间的车道线角度差和预设角度差对排序后的骨架图栅格点进行聚类,确定每个栅格点对应的至少一类车道线角度。
其中,在本实施例中,假设预设角度差为10度,且-pi(-π,-180度)和pi(π,180度)要聚类到一起,因而,对车道线骨架图中的每个栅格点进行车道线角度排序后,首先可以得到排序后的骨架图栅格点,然后针对排序后的骨架图栅格点,计算出相邻骨架图栅格点之间的车道线角度差,并将车道线角度差小于10度的车道线栅格点聚为一类,最后对排序后的所有骨架图栅格点均聚类后,可以确定出每个栅格点对应的至少一类车道线角度。
A2、根据每类车道线角度,分别对车道线骨架图中的栅格点进行深度优先搜索,得到每类车道线角度对应的车道线栅格点。
在本实施例中,因为该车道线骨架图基本是连接在一起的,因而,可以针对车道线骨架图的一个边点开始深度优先搜索,动态连接与上一个栅格点的车道线角度小于预设角度差的点从而实现聚类。
可理解,深度优先搜索(depth-first search,DFS)是用于遍历或搜索车道线骨架图数据结构的算法,其可以从车道线骨架图中的任意一个栅格点开始,遍历车道线骨架图中的所有栅格点,即保证车道线骨架图中的所有栅格点具备访问到为止,确定出每类车道线角度对应的车道线栅格点。
A3、遍历每类车道线角度对应的车道线栅格点中的车道线分歧点,得到车道线骨架图对应的至少一类车道线栅格点。
在本实施例中,处理设备在确定出每类车道线角度对应的车道线栅格点后,可以再判断每类车道线角度对应的车道线栅格点中是否存在车道线分歧点,若存在车道线分歧点,将车道线分歧点之后的多条车道线划分为不同的车道线类型。
示例性的,处理设备可以利用壳模型(shell model)来寻找车道分歧点,并按照实际情况将分岔出来的车道线设为另一类,输出为不同类的车道线栅格点。其中,壳模型是用于识别车道线分歧点的模型,并将分歧的车道线分为不同类,提高了车道线类型的准确性。
在本实施例的一种示例中,车道线要素还包括:车道线颜色和/或车道线线型;相应的,处理设备在遍历每类车道线角度对应的车道线栅格点中的车道线分歧点,得到车道线骨架图对应的至少一类车道线栅格点之前,还可以首先执行如下操作:
基于车道线颜色和/或车道线线型对每类车道线角度对应的车道线栅格点进行车道线聚类。
在实际应用中,由于不同颜色、不同线型也可以区分不同的车道线,因而,处理设备可以基于车道线骨架图中各栅格点的位置在属性字典里找到对应的车道线颜色和/或车道线线型,进而基于车道线颜色和/或车道线线型确定车道线骨架图中每个栅格点存在的车道线类型,即,不同的车道线颜色、不同的车道线线型均属于不同的车道线类型。
相应的,处理设备还可以基于车道线颜色和/或车道线线型对每类车道线角度对应的车道线栅格点进行车道线聚类,确定出更多的车道线类型。
示例性的,属性字典中储存有数据点的位置的每次检测到的车道线要素,例如,各存为list在不同的key下面:{pos:{color:[],markings:[],headings:[]}}。其中,pos表示栅格点的位置,color表示车道线的颜色,markings表示车道线的线型(实线或虚线),headings表示车道线的角度。
在本公开的实施例中,通过根据车道线骨架图中每个栅格点的位置,查询属性字典,确定每个栅格点的车道线要素,然后再基于每个栅格点的车道线要素对车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点。该技术方案中,基于车道线要素对车道线栅格图中的栅格点进行车道线聚类,提高了车道线分类的准确性。
示例性的,图4是本公开第三实施例提供的车道线数据处理方法的流程示意图。如图4所示,在本公开的实施例中,上述S202可以通过如下步骤实现:
S401、根据每个车道线数据点携带的位置信息和车道线方程,建立初始栅格图。
其中,该初始栅格图中每个栅格点的数值为栅格点存在车道线的概率。
在本实施例中,处理设备中可以预先存储有某些行驶道的车道线方程,因而,在获取到车道线数据点集后,便可以基于车道线数据点集中每个车道线数据点携带的位置信息和车道线方程,建立初始栅格图。
示例性的,该初始栅格图中的大小可以为0.5m,初始栅格图中的每个栅格位置均能体现车道线的位置。
可选的,处理设备可以基于车道线数据点集中每个车道线数据点携带的位置信息确定出车道线的位置区域,然后对车道线的位置区域进行栅格化处理,得到栅格图,然后利用每个栅格点中的数据点个数,确定出每个栅格点存在车道线的概率,并将其作为该栅格点的数值。
S402、利用概率图模型对初始栅格图的每个栅格点进行概率更新,得到车道线栅格图。
其中,概率图模型(Probabilistic graphical model,PGM)是由图表示的概率分布。其中,概率无向图模型又称马尔可夫随机场(Markov random field),表示一个联合概率分布,能够表示随机变量间的依赖关系。
在本实施例中,利用概率图模型对初始栅格图的每个栅格点进行概率更新,即,针对初始栅格图中的每个有数值的栅格点,用循环置信传播(Loopy Belief Propagation)计算其他有数据的栅格对当前栅格的概率传播,而不对未观测到的栅格点进行概率惩罚,从而避免了没有车道线的栅格点被磨没的风险(尤其是高架场景)。
示例性的,对于高架场景,车道线可能有多层,处理设备则不对底层的车道线对应的栅格点进行概率惩罚,即对于不同方向的车道线进行了分层操作时,可以避免将不同层车道线合并为同一层时出现的车道线重复现象。该方法依赖于传感器噪声的高斯特性,利用了其多次观测结果会集中在真实位置的特点,可以确定出准确的车道线栅格图。
S403、基于车道线栅格图中每个栅格点的概率,对车道线栅格图进行处理,得到车道线骨架图。
示例性的,在确定出车道线栅格图中每个栅格点的概率后,通过二值化处理、去噪处理、骨架图提取等操作后,得到车道线骨架图。
可选的,在该步骤中,处理设备可以首先根据车道线栅格图中每个栅格点的概率和预设概率阈值,确定车道线栅格图对应的栅格二值图,然后对栅格二值图进行去噪处理,得到处理后的栅格二值图,最后对处理后的栅格二值图进行骨架图提取,得到车道线骨架图。
在本实施例中,在确定出车道线栅格图后,首先可以通过二值化处理提取出栅格点中概率超过一定阈值的栅格点,例如,概率超过阈值的栅格点设置1,概率未超过阈值的栅格点设为0,得到栅格二值图,然后利用开运算、中值滤波等算法对栅格二值图进行去噪处理,得到处理后的栅格二值图,最后基于openCV扩展包ximgproc的thinning(细化算法)进行骨架图提取处理,得到车道线骨架图。
其中,开运算是指将孤立的栅格点去除,从而减少噪音,中值滤波主要是对栅格区域进行平滑处理,它将每个栅格的概率值设置为该栅格邻域栅格内的所有概率值的中值,也可以减少噪音。可理解,本公开实施例并不对去噪处理的算法进行限定,其可以根据实际需求确定。
openCV是一个基于开源发行的跨平台计算机视觉和机器学习软件库,ximgproc是改扩展模块中的图像处理模块,利用该ximgproc的thinning(细化算法)可以进行车道线骨架图提取。
在本公开的实施例中,根据每个车道线数据点携带的位置信息和车道线方程,建立初始栅格图,利用概率图模型对初始栅格图的每个栅格点进行概率更新,得到车道线栅格图,基于车道线栅格图中每个栅格点的概率,对车道线栅格图进行处理,得到车道线骨架图。该技术方案可以通过栅格概率处理的方法,可以得到准确的车道线骨架图,为后续确定准确的车道线奠定了基础。
图5是本公开实施例提供的一种车道线数据处理装置的结构示意图。本实施例提供的车道线数据处理装置可以为图1中的处理设备或者为处理设备中的装置。如图5所示,本公开实施例提供的车道线数据处理装置500可以包括:
获取单元501,用于获取车道线数据点集,所述车道线数据点集的每个车道线数据点携带位置信息;
确定单元502,用于基于每个车道线数据点携带的位置信息,确定所述车道线数据点集对应的车道线骨架图;
聚类单元503,用于对所述车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点;
拟合单元504,用于对所述至少一类车道线栅格点进行拟合,得到至少一类车道线。
在本实施例的一种可能设计中,所述聚类单元503,包括:
查询模块,用于根据所述车道线骨架图中每个栅格点的位置,查询属性字典,确定每个栅格点的车道线要素,所述属性字典存储有每个栅格点的位置与车道线要素的对应关系;
聚类模块,用于基于每个栅格点的车道线要素对所述车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点。
可选的,所述车道线要素包括:车道线角度;
所述聚类模块,包括:
确定子模块,用于按照车道线角度对所述车道线骨架图中的每个栅格点进行车道线聚类,确定每个栅格点对应的至少一类车道线角度;
搜索子模块,用于根据每类车道线角度,分别对所述车道线骨架图中的栅格点进行深度优先搜索,得到每类车道线角度对应的车道线栅格点;
遍历子模块,用于遍历每类车道线角度对应的车道线栅格点中的车道线分歧点,得到所述车道线骨架图对应的至少一类车道线栅格点。
其中,所述确定子模块,用于:
对所述车道线骨架图中的每个栅格点进行车道线角度排序,得到排序后的骨架图栅格点以及相邻骨架图栅格点之间的车道线角度差;
根据相邻骨架图栅格点之间的车道线角度差和预设角度差对所述排序后的骨架图栅格点进行聚类,确定每个栅格点对应的至少一类车道线角度。
可选的,所述车道线要素还包括:车道线颜色和/或车道线线型;
所述聚类模块,还用于基于车道线颜色和/或车道线线型对每类车道线角度对应的车道线栅格点进行车道线聚类。
在本实施例的另一种可能设计中,所述确定单元502,包括:
建立模块,用于根据每个车道线数据点携带的位置信息和车道线方程,建立初始栅格图,所述初始栅格图中每个栅格点的数值为所述栅格点存在车道线的概率;
更新模块,用于利用概率图模型对所述初始栅格图的每个栅格点进行概率更新,得到车道线栅格图;
处理模块,用于基于所述车道线栅格图中每个栅格点的概率,对所述车道线栅格图进行处理,得到所述车道线骨架图。
其中,所述处理模块,包括:
二值化子模块,用于根据所述车道线栅格图中每个栅格点的概率和预设概率阈值,确定所述车道线栅格图对应的栅格二值图;
去噪子模块,用于对所述栅格二值图进行去噪处理,得到处理后的栅格二值图;
提取子模块,用于对所述处理后的栅格二值图进行骨架图提取,得到所述车道线骨架图。
在本实施例的另一种可能设计中,所述拟合单元504,包括:
确定模块,用于根据每类车道线栅格点形成曲线的曲率大小,确定切分线长度;
切分模块,用于基于每个切分线长度对每类车道线栅格点形成曲线进行切分,得到每类车道线栅格点对应的至少一段车道线线段;
拟合模块,用于对每类车道线栅格点对应的至少一段车道线线段进行线段拟合,得到至少一类车道线。
本实施例提供的车道线数据处理装置,可用于执行上述任意方法实施例中由处理设备执行的车道线数据处理方法,其实现原理和技术效果类似,此处不做作赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,本公开还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图6是用来实施本公开的实施例的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如,车道线数据处理方法。例如,在一些实施例中,车道线数据处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的车道线数据处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车道线数据处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种车道线数据处理方法,包括:
获取车道线数据点集,所述车道线数据点集的每个车道线数据点携带位置信息;
基于每个车道线数据点携带的位置信息,确定所述车道线数据点集对应的车道线骨架图;
对所述车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点;
对所述至少一类车道线栅格点进行拟合,得到至少一类车道线。
2.根据权利要求1所述的方法,其中,所述对所述车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点,包括:
根据所述车道线骨架图中每个栅格点的位置,查询属性字典,确定每个栅格点的车道线要素,所述属性字典存储有每个栅格点的位置与车道线要素的对应关系;
基于每个栅格点的车道线要素对所述车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点。
3.根据权利要求2所述的方法,所述车道线要素包括:车道线角度;
所述基于每个栅格点的车道线要素对所述车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点,包括:
按照车道线角度对所述车道线骨架图中的每个栅格点进行车道线聚类,确定每个栅格点对应的至少一类车道线角度;
根据每类车道线角度,分别对所述车道线骨架图中的栅格点进行深度优先搜索,得到每类车道线角度对应的车道线栅格点;
遍历每类车道线角度对应的车道线栅格点中的车道线分歧点,得到所述车道线骨架图对应的至少一类车道线栅格点。
4.根据权利要求3所述的方法,其中,所述按照车道线角度对所述车道线骨架图中的每个栅格点进行车道线聚类,确定每个栅格点对应的至少一类车道线角度,包括:
对所述车道线骨架图中的每个栅格点进行车道线角度排序,得到排序后的骨架图栅格点以及相邻骨架图栅格点之间的车道线角度差;
根据相邻骨架图栅格点之间的车道线角度差和预设角度差对所述排序后的骨架图栅格点进行聚类,确定每个栅格点对应的至少一类车道线角度。
5.根据权利要求3或4所述的方法,所述车道线要素还包括:车道线颜色和/或车道线线型;
在所述遍历每类车道线角度对应的车道线栅格点中的车道线分歧点,得到所述车道线骨架图对应的至少一类车道线栅格点之前,还包括:
基于车道线颜色和/或车道线线型对每类车道线角度对应的车道线栅格点进行车道线聚类。
6.根据权利要求1至5任一项所述的方法,所述基于每个车道线数据点携带的位置信息,确定所述车道线数据点集对应的车道线骨架图,包括:
根据每个车道线数据点携带的位置信息和车道线方程,建立初始栅格图,所述初始栅格图中每个栅格点的数值为所述栅格点存在车道线的概率;
利用概率图模型对所述初始栅格图的每个栅格点进行概率更新,得到车道线栅格图;
基于所述车道线栅格图中每个栅格点的概率,对所述车道线栅格图进行处理,得到所述车道线骨架图。
7.根据权利要求6所述的方法,其中,所述基于所述车道线栅格图中每个栅格点的概率,对所述车道线栅格图进行处理,得到所述车道线骨架图,包括:
根据所述车道线栅格图中每个栅格点的概率和预设概率阈值,确定所述车道线栅格图对应的栅格二值图;
对所述栅格二值图进行去噪处理,得到处理后的栅格二值图;
对所述处理后的栅格二值图进行骨架图提取,得到所述车道线骨架图。
8.根据权利要求1至7任一项所述的方法,其中,所述对所述至少一类车道线栅格点进行拟合,得到至少一类车道线,包括:
根据每类车道线栅格点形成曲线的曲率大小,确定切分线长度;
基于每个切分线长度对每类车道线栅格点形成曲线进行切分,得到每类车道线栅格点对应的至少一段车道线线段;
对每类车道线栅格点对应的至少一段车道线线段进行线段拟合,得到至少一类车道线。
9.一种车道线数据处理装置,包括:
获取单元,用于获取车道线数据点集,所述车道线数据点集的每个车道线数据点携带位置信息;
确定单元,用于基于每个车道线数据点携带的位置信息,确定所述车道线数据点集对应的车道线骨架图;
聚类单元,用于对所述车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点;
拟合单元,用于对所述至少一类车道线栅格点进行拟合,得到至少一类车道线。
10.根据权利要求9所述的装置,其中,所述聚类单元,包括:
查询模块,用于根据所述车道线骨架图中每个栅格点的位置,查询属性字典,确定每个栅格点的车道线要素,所述属性字典存储有每个栅格点的位置与车道线要素的对应关系;
聚类模块,用于基于每个栅格点的车道线要素对所述车道线骨架图中的栅格点进行车道线聚类,得到至少一类车道线栅格点。
11.根据权利要求10所述的装置,所述车道线要素包括:车道线角度;
所述聚类模块,包括:
确定子模块,用于按照车道线角度对所述车道线骨架图中的每个栅格点进行车道线聚类,确定每个栅格点对应的至少一类车道线角度;
搜索子模块,用于根据每类车道线角度,分别对所述车道线骨架图中的栅格点进行深度优先搜索,得到每类车道线角度对应的车道线栅格点;
遍历子模块,用于遍历每类车道线角度对应的车道线栅格点中的车道线分歧点,得到所述车道线骨架图对应的至少一类车道线栅格点。
12.根据权利要求11所述的装置,其中,所述确定子模块,用于:
对所述车道线骨架图中的每个栅格点进行车道线角度排序,得到排序后的骨架图栅格点以及相邻骨架图栅格点之间的车道线角度差;
根据相邻骨架图栅格点之间的车道线角度差和预设角度差对所述排序后的骨架图栅格点进行聚类,确定每个栅格点对应的至少一类车道线角度。
13.根据权利要求11或12所述的装置,所述车道线要素还包括:车道线颜色和/或车道线线型;
所述聚类模块,还用于基于车道线颜色和/或车道线线型对每类车道线角度对应的车道线栅格点进行车道线聚类。
14.根据权利要求9至13任一项所述的装置,所述确定单元,包括:
建立模块,用于根据每个车道线数据点携带的位置信息和车道线方程,建立初始栅格图,所述初始栅格图中每个栅格点的数值为所述栅格点存在车道线的概率;
更新模块,用于利用概率图模型对所述初始栅格图的每个栅格点进行概率更新,得到车道线栅格图;
处理模块,用于基于所述车道线栅格图中每个栅格点的概率,对所述车道线栅格图进行处理,得到所述车道线骨架图。
15.根据权利要求14所述的装置,其中,所述处理模块,包括:
二值化子模块,用于根据所述车道线栅格图中每个栅格点的概率和预设概率阈值,确定所述车道线栅格图对应的栅格二值图;
去噪子模块,用于对所述栅格二值图进行去噪处理,得到处理后的栅格二值图;
提取子模块,用于对所述处理后的栅格二值图进行骨架图提取,得到所述车道线骨架图。
16.根据权利要求9至15任一项所述的装置,其中,所述拟合单元,包括:
确定模块,用于根据每类车道线栅格点形成曲线的曲率大小,确定切分线长度;
切分模块,用于基于每个切分线长度对每类车道线栅格点形成曲线进行切分,得到每类车道线栅格点对应的至少一段车道线线段;
拟合模块,用于对每类车道线栅格点对应的至少一段车道线线段进行线段拟合,得到至少一类车道线。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1至8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210204916.3A CN114625823A (zh) | 2022-03-02 | 2022-03-02 | 车道线数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210204916.3A CN114625823A (zh) | 2022-03-02 | 2022-03-02 | 车道线数据处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114625823A true CN114625823A (zh) | 2022-06-14 |
Family
ID=81899888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210204916.3A Pending CN114625823A (zh) | 2022-03-02 | 2022-03-02 | 车道线数据处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114625823A (zh) |
-
2022
- 2022-03-02 CN CN202210204916.3A patent/CN114625823A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN113421432B (zh) | 交通限行信息检测方法、装置、电子设备和存储介质 | |
CN113989777A (zh) | 高精地图限速标牌与车道位置的识别方法、装置和设备 | |
CN113806464A (zh) | 路牙确定方法、装置、设备以及存储介质 | |
CN114170797A (zh) | 交通限制路口的识别方法、装置、设备、介质及产品 | |
CN113971723A (zh) | 高精地图中三维地图的构建方法、装置、设备和存储介质 | |
CN114882198A (zh) | 一种目标确定方法、装置、设备及介质 | |
CN114283343A (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
CN114092909A (zh) | 一种车道线提取方法、装置、车辆及存储介质 | |
CN113722342A (zh) | 高精地图要素变更检测方法、装置、设备及自动驾驶车辆 | |
CN115049997B (zh) | 边缘车道线的生成方法、装置、电子设备及存储介质 | |
CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
CN116469073A (zh) | 目标识别方法、装置、电子设备、介质及自动驾驶车辆 | |
CN116434181A (zh) | 地面点检测方法、装置、电子设备和介质 | |
CN115797961A (zh) | 车道线变更检测方法、装置、电子设备及存储介质 | |
CN114689061A (zh) | 自动驾驶设备的导航路线处理方法、装置及电子设备 | |
CN114625823A (zh) | 车道线数据处理方法、装置、设备及存储介质 | |
CN114998863A (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
CN114495049A (zh) | 识别车道线的方法和装置 | |
CN115060249A (zh) | 电子地图的构建方法、装置、设备和介质 | |
CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN114218344A (zh) | 地图数据更新方法、装置、设备、存储介质和程序产品 | |
CN114036247A (zh) | 高精地图数据关联方法、装置、电子设备及存储介质 | |
CN113587937A (zh) | 车辆的定位方法、装置、电子设备和存储介质 | |
CN112147602A (zh) | 一种基于激光点云的路沿识别方法及系统 |
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 |