CN114863026B - 三维车道线信息生成方法、装置、设备和计算机可读介质 - Google Patents

三维车道线信息生成方法、装置、设备和计算机可读介质 Download PDF

Info

Publication number
CN114863026B
CN114863026B CN202210539152.3A CN202210539152A CN114863026B CN 114863026 B CN114863026 B CN 114863026B CN 202210539152 A CN202210539152 A CN 202210539152A CN 114863026 B CN114863026 B CN 114863026B
Authority
CN
China
Prior art keywords
dimensional
matching information
sampling point
information set
dimensional matching
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
CN202210539152.3A
Other languages
English (en)
Other versions
CN114863026A (zh
Inventor
胡禹超
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.)
Heduo Technology Guangzhou Co ltd
Original Assignee
HoloMatic Technology Beijing 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 HoloMatic Technology Beijing Co Ltd filed Critical HoloMatic Technology Beijing Co Ltd
Priority to CN202210539152.3A priority Critical patent/CN114863026B/zh
Publication of CN114863026A publication Critical patent/CN114863026A/zh
Application granted granted Critical
Publication of CN114863026B publication Critical patent/CN114863026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本公开的实施例公开了三维车道线信息生成方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括：获取道路图像、三维采样点坐标组序列和相机内参矩阵；将三维采样点坐标组序列中各个三维采样点坐标组中的三维采样点坐标转换至目标车辆坐标系，得到转换采样点坐标序列；对转换采样点坐标序列中的各个转换采样点坐标进行筛选处理，得到筛选后采样点坐标序列；生成三维匹配信息集；对道路图像进行车道线特征提取，得到二维车道线关键点坐标序列；生成二维匹配信息集；对历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息。该实施方式可以提高生成的三维车道线信息方程的准确度。

Description

三维车道线信息生成方法、装置、设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及三维车道线信息生成方法、装置、设备和计算机可读介质。
背景技术
三维车道线信息的生成对自动驾驶领域具有重要意义。目前，在生成三维车道线信息时，通常采用的方式为：基于特征点的三角化方法提取车道线特征点，以此生成三维车道线信息，或者通过神经网络、直接回归三维车道线的方法，生成三维车道线信息。
然而，当采用上述方式进行三维车道线信息生成时，经常会存在如下技术问题：
三角化方法对于实线缺乏足够的纹理用于提取可信度较高的特征点，难以适用于实车道线，以及通过神经网络、直接回归三维车道线的方法往往容易对场景过拟合，导致泛化能力差，从而，导致生成的三维车道线信息的准确度不足，进而，无法满足自动驾驶需求。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了三维车道线信息生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种三维车道线信息生成方法，该方法包括：获取道路图像、三维采样点坐标组序列和相机内参矩阵；利用上述相机内参矩阵，将上述三维采样点坐标组序列中各个三维采样点坐标组中的三维采样点坐标转换至目标车辆坐标系，得到转换采样点坐标序列；对上述转换采样点坐标序列中的各个转换采样点坐标进行筛选处理，得到筛选后采样点坐标序列；基于上述筛选后采样点序列和预先生成的历史三维采样点坐标序列，生成三维匹配信息集；对上述道路图像进行车道线特征提取，得到二维车道线关键点坐标序列；基于上述二维车道线关键点坐标序列和上述历史三维采样点坐标序列，生成二维匹配信息集；基于上述三维匹配信息集和上述二维匹配信息集，对上述历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息。
第二方面，本公开的一些实施例提供了一种三维车道线信息生成装置，该装置包括：获取单元，被配置成获取道路图像、三维采样点坐标组序列和相机内参矩阵；坐标转换单元，被配置成利用上述相机内参矩阵，将上述三维采样点坐标组序列中各个三维采样点坐标组中的三维采样点坐标转换至目标车辆坐标系，得到转换采样点坐标序列；筛选处理单元，被配置成对上述转换采样点坐标序列中的各个转换采样点坐标进行筛选处理，得到筛选后采样点坐标序列；第一生成单元，被配置成基于上述筛选后采样点序列和预先生成的历史三维采样点坐标序列，生成三维匹配信息集；特征提取单元，被配置成对上述道路图像进行车道线特征提取，得到二维车道线关键点坐标序列；第二生成单元，被配置成基于上述二维车道线关键点坐标序列和上述历史三维采样点坐标序列，生成二维匹配信息集；优化处理单元，被配置成基于上述三维匹配信息集和上述二维匹配信息集，对上述历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的三维车道线信息生成方法，可以提高生成的三维车道线信息的准确度。具体来说，造成生成的三维车道线信息的准确度不足的原因在于：三角化方法对于实线缺乏足够的纹理用于提取可信度较高的特征点，难以适用于实车道线，以及通过神经网络、直接回归三维车道线的方法往往容易对场景过拟合，导致泛化能力差。基于此，本公开的一些实施例的三维车道线信息生成方法，首先，获取道路图像、三维采样点坐标组序列和相机内参矩阵。然后，利用上述相机内参矩阵，将上述三维采样点坐标组序列中各个三维采样点坐标组中的三维采样点坐标转换至目标车辆坐标系，得到转换采样点坐标序列。通过坐标转换，可以将三维采样点坐标转换至同一坐标系，便于后续三维车道线信息的生成。接着，对上述转换采样点坐标序列中的各个转换采样点坐标进行筛选处理，得到筛选后采样点坐标序列。之后，基于上述筛选后采样点序列和预先生成的历史三维采样点坐标序列，生成三维匹配信息集。通过生成三维匹配信息集，可以用于三维坐标之间的约束，以此提高生成的三维车道线信息的准确度。而后，对上述道路图像进行车道线特征提取，得到二维车道线关键点坐标序列。通过筛选处理和特征提取，使得本公开的一些实施例的三维车道线信息生成方法不仅可以适用于实车道线，还更具泛化能力。再然后，基于上述二维车道线关键点坐标序列和上述历史三维采样点坐标序列，生成二维匹配信息集。通过生成二维匹配信息集，可以用于二维坐标之间的约束，以此提高生成的三维车道线信息的准确度。最后，基于上述三维匹配信息集和上述二维匹配信息集，对上述历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息。因此，无需考虑车道线纹理，即可生成三维车道线信息。另外，通过优化处理，可以进一步提高生成的三维车道线信息的准确度。进而，可以满足自动驾驶需求。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的三维车道线信息生成方法的一些实施例的流程图；
图2是根据本公开的三维车道线信息生成装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的三维车道线信息生成方法的一些实施例的流程100。该三维车道线信息生成方法的流程100，包括以下步骤：
步骤101，获取道路图像、三维采样点坐标组序列和相机内参矩阵。
在一些实施例中，三维车道线信息生成方法的执行主体可以通过有线方式或无线方式获取道路图像、三维采样点坐标组序列和相机内参矩阵。其中，道路图像可以是车载相机在当前时刻拍摄的道路图像。三维采样点坐标组序列中的各个三维采样点坐标组可以是当前车辆在连续帧的时间内的不同时刻测得的、同一车道线的车道线坐标集合。
步骤102，利用相机内参矩阵，将三维采样点坐标组序列中各个三维采样点坐标组中的三维采样点坐标转换至目标车辆坐标系，得到转换采样点坐标序列。
在一些实施例中，上述执行主体可以利用上述相机内参矩阵，将上述三维采样点坐标组序列中各个三维采样点坐标组中的三维采样点坐标转换至目标车辆坐标系，得到转换采样点坐标序列。其中，相机内参矩阵与三维采样点坐标的乘积可以得到三维向量。可以将三维向量中前两项参数、分别确定为转换采样点坐标的横坐标值和纵坐标值。以此，可以得到转换采样点坐标。
实践中，通过坐标转换，可以将连续帧的三维采样点坐标全部投影至当前时刻的车辆坐标系中。以此，可以提高三维采样点坐标的密度。进而，避免坐标稀疏和单帧的三维采样点坐标的误差，导致降低生成的三维车道线信息的准确度的情况。
步骤103，对转换采样点坐标序列中的各个转换采样点坐标进行筛选处理，得到筛选后采样点坐标序列。
在一些实施例中，上述执行主体可以对上述转换采样点坐标序列中的各个转换采样点坐标进行筛选处理，得到筛选后采样点坐标序列。
在一些实施例的一些可选的实现方式中，上述执行主体对上述转换采样点坐标序列中的各个转换采样点坐标进行筛选处理，得到筛选后采样点坐标序列，可以包括以下步骤：
去除上述转换采样点坐标序列中满足预设坐标条件的转换采样点坐标，得到筛选后采样点坐标序列。其中，上述预设坐标条件可以是转换采样点坐标处于车载相机在当前时刻观测范围之外。
实践中，由于车辆移动，使用连续帧数据会拉长三维采样点坐标的观测范围。但并不需要车辆视野后方(即，观测范围之外)的三维采样点坐标。因此，可以用于去除视野后方的三维采样点坐标。
步骤104，基于筛选后采样点序列和预先生成的历史三维采样点坐标序列，生成三维匹配信息集。
在一些实施例中，上述执行主体可以基于上述筛选后采样点序列和预先生成的历史三维采样点坐标序列，生成三维匹配信息集。其中，若当前时刻为生成三维车道线信息的第一帧，则历史三维采样点坐标序列中的各个三维采样点坐标可以是对第一帧道路图像中检测到的二维车道线坐标投影至车辆坐标系所得到的。否则，历史三维采样点坐标序列可以是上述执行主体在上一帧生成的三维车道线信息中的三维采样点坐标。
在一些实施例的一些可选的实现方式中，上述执行主体基于上述筛选后采样点序列和预先生成的历史三维采样点坐标序列，生成三维匹配信息集，可以包括以下步骤：
第一步，确定上述筛选后采样点坐标序列中每两个相邻筛选后采样点坐标的直线方程，得到采样点直线方程集合。其中，每两个筛选后采样点坐标联立可得直线方程。采样点直线方程可以是车辆坐标系中的三维直线方程。
第二步，对上述采样点直线方程集合与预先生成的历史三维采样点坐标序列进行匹配处理，得到匹配采样点信息集。其中，上述匹配采样点信息集中的匹配采样点信息可以包括采样点直线方程和对应的历史三维采样点坐标。对于每个历史三维采样点坐标，匹配处理可以是：确定与上述历史三维采样点坐标距离最近的采样点直线方程，将该采样点直线方程与上述历史三维采样点坐标确定为匹配采样点信息。
步骤105，对道路图像进行车道线特征提取，得到二维车道线关键点坐标序列。
在一些实施例中，上述执行主体可以对上述道路图像进行车道线特征提取，得到二维车道线关键点坐标序列。其中，可以通过预设的特征提取算法，对上述道路图像进行车道线特征提取，得到二维车道线关键点坐标序列。
作为示例，上述特征提取算法可以包括但不限于以下至少一项：UFLD(Ultra FastStructure-aware Deep Lane Detection，车道线检测)算法、LanNet(车道线检测网络)模型。
步骤106，基于二维车道线关键点坐标序列和历史三维采样点坐标序列，生成二维匹配信息集。
在一些实施例中，上述执行主体可以基于上述二维车道线关键点坐标序列和上述历史三维采样点坐标序列，通过各种方式，生成二维匹配信息集。
在一些实施例的一些可选的实现方式中，上述执行主体基于上述二维车道线关键点坐标序列和上述历史三维采样点坐标序列，生成二维匹配信息集，可以包括以下步骤：
第一步，确定上述二维车道线关键点坐标序列中每两个相邻二维车道线关键点坐标的直线方程，得到关键点直线方程集合。其中，关键点直线方程可以是上述道路图像的图像坐标系中的二维直线方程。
第二步，将上述历史三维采样点坐标序列中的各个历史三维采样点坐标投影至上述道路图像的图像坐标系，得到投影采样点坐标序列。其中，可以通过逆变换投影算法，将上述历史三维采样点坐标序列中的各个历史三维采样点坐标，从上一帧的车辆坐标系投影至上述道路图像的图像坐标系，得到投影采样点坐标序列。
第三步，对上述关键点直线方程集合与上述投影采样点坐标序列进行匹配处理，得到二维匹配信息集。
在一些实施例的一些可选的实现方式中，上述执行主体对上述关键点直线方程集合与上述投影采样点坐标序列进行匹配处理，得到二维匹配信息集，可以包括以下步骤：
将上述投影采样点坐标序列中每个投影采样点坐标与上述关键点直线方程集合中对应的关键点直线方程确定为二维匹配信息，得到二维匹配信息集。其中，投影采样点坐标可以与距离最近的关键点直线方程相对应。另外，在上述图像坐标系中每个二维匹配信息中的投影采样点坐标和关键点直线方程之间的距离可以是最近的。
步骤107，基于三维匹配信息集和二维匹配信息集，对历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息。
在一些实施例中，上述执行主体可以基于上述三维匹配信息集和上述二维匹配信息集，对上述历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息。
在一些实施例的一些可选的实现方式中，上述执行主体基于上述三维匹配信息集和上述二维匹配信息集，对上述历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息，可以包括以下步骤：
第一步，获取与上述三维匹配信息集合中各个三维匹配信息包括的历史三维采样点坐标的位置误差方差，以及与上述二维匹配信息集中各个二维匹配信息包括的投影采样点坐标的投影误差方差，得到位置误差方差集和投影误差方差集。其中，位置误差方差值和投影误差方差值可以是在生成历史三维采样点坐标与投影采样点坐标时随之生成的。因此，可以直接从内存中获取。位置误差方差可以是上述执行主体在上一帧生成历史三维采样点坐标时生成的位置误差的方差值。例如，位置误差方差值可以是1。投影误差方差可以是将历史三维采样点坐标投影至上述图像坐标系的投影误差的方差值。
第二步，基于上述位置误差方差集、上述投影误差方差集、上述三维匹配信息集和上述二维匹配信息集，对上述历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息。其中，首先，可以通过以下公式进行优化处理，以生成目标三维车道线坐标集：
Figure BDA0003649855660000091
其中，l1表示三维车道线误差值。e1表示上述三维匹配信息集中第1个三维匹配信息包括的历史三维采样点坐标的误差。e2表示上述三维匹配信息集中第2个三维匹配信息包括的历史三维采样点坐标的误差。en表示上述三维匹配信息集中第n个三维匹配信息包括的历史三维采样点坐标的误差。i、n表示序号。ei表示上述三维匹配信息集中第i个三维匹配信息包括的历史三维采样点坐标的误差。T表示转置矩阵。∑1表示位置误差方差对角矩阵。
Figure BDA0003649855660000092
表示位置误差方差对角矩阵的逆。x表示上述三维匹配信息集中三维匹配信息包括的历史三维采样点坐标的横坐标值。xi表示上述三维匹配信息集中第i个三维匹配信息包括的历史三维采样点坐标的横坐标值。y表示上述三维匹配信息集中三维匹配信息包括的历史三维采样点坐标的纵坐标值。yi表示上述三维匹配信息集中第i个三维匹配信息包括的历史三维采样点坐标的纵坐标值。Z表示上述三维匹配信息集中三维匹配信息包括的历史三维采样点坐标的竖坐标值。Zi表示上述三维匹配信息集中第i个三维匹配信息包括的历史三维采样点坐标的竖坐标值。a表示上述三维匹配信息集中三维匹配信息包括的采样点直线方程中的横坐标系数。ai表示上述三维匹配信息集中第i个三维匹配信息包括的采样点直线方程中的横坐标系数。b表示上述三维匹配信息集中三维匹配信息包括的采样点直线方程中的纵坐标系数。bi表示上述三维匹配信息集中第i个三维匹配信息包括的采样点直线方程中的纵坐标系数。c表示上述三维匹配信息集中三维匹配信息包括的采样点直线方程中的竖坐标系数。ci表示上述三维匹配信息集中第i个三维匹配信息包括的采样点直线方程中的竖坐标系数。d表示上述三维匹配信息集中三维匹配信息包括的采样点直线方程中的常数项。di表示上述三维匹配信息集中第i个三维匹配信息包括的采样点直线方程中的常数项。diag()表示对角矩阵函数。
Figure BDA0003649855660000101
表示上述位置误差方差集中与上述三维匹配信息集中第1个三维匹配信息包括的历史三维采样点坐标对应的位置误差方差。
Figure BDA0003649855660000102
表示上述位置误差方差集中与上述三维匹配信息集中第2个三维匹配信息包括的历史三维采样点坐标对应的位置误差方差。
Figure BDA0003649855660000103
表示上述位置误差方差集中与上述三维匹配信息集中第n个三维匹配信息包括的历史三维采样点坐标对应的位置误差方差。l2表示二维车道线误差值。s1表示上述二维匹配信息集中第1个二维匹配信息包括的投影采样点坐标的误差。s2表示上述二维匹配信息集中第2个二维匹配信息包括的投影采样点坐标的误差。sn表示上述二维匹配信息集中第n个二维匹配信息包括的投影采样点坐标的误差。∑2表示投影误差方差对角矩阵。
Figure BDA0003649855660000111
表示投影误差方差对角矩阵的逆。si表示上述二维匹配信息集中第i个二维匹配信息包括的投影采样点坐标的误差。u表示上述二维匹配信息集中二维匹配信息包括的投影采样点坐标的横坐标值。ui表示上述二维匹配信息集中第i个二维匹配信息包括的投影采样点坐标的横坐标值。v表示上述二维匹配信息集中二维匹配信息包括的投影采样点坐标的纵坐标值。vi表示上述二维匹配信息集中第i个二维匹配信息包括的投影采样点坐标的纵坐标值。a′表示上述二维匹配信息集中二维匹配信息包括的关键点直线方程的横坐标系数。a′i表示上述二维匹配信息集中第i个二维匹配信息包括的关键点直线方程的横坐标系数。b′表示上述二维匹配信息集中二维匹配信息包括的关键点直线方程的纵坐标系数。b′i表示上述二维匹配信息集中第i个二维匹配信息包括的关键点直线方程的纵坐标系数。c′表示上述二维匹配信息集中二维匹配信息包括的关键点直线方程的常数项。c′i表示上述二维匹配信息集中第i个二维匹配信息包括的关键点直线方程的常数项。
Figure BDA0003649855660000112
表示上述二维匹配信息集中第1个二维匹配信息包括的投影采样点坐标对应的投影误差方差。
Figure BDA0003649855660000113
表示上述二维匹配信息集中第2个二维匹配信息包括的投影采样点坐标对应的投影误差方差。
Figure BDA0003649855660000114
表示上述二维匹配信息集中第n个二维匹配信息包括的投影采样点坐标对应的投影误差方差。
Figure BDA0003649855660000115
表示上述目标三维车道线坐标集。
Figure BDA0003649855660000116
表示上述目标三维车道线坐标集中第i个目标三维车道线坐标的横坐标值。
Figure BDA0003649855660000117
表示上述目标三维车道线坐标集中第i个目标三维车道线坐标的纵坐标值。
Figure BDA0003649855660000118
表示上述目标三维车道线坐标集中第i个目标三维车道线坐标的竖坐标值。
然后，可以将上述目标三维车道线坐标集确定为三维车道线信息。实践中，上述公式可以通过ISAM(Incremental Smoothing And Mapping，增量平滑和建图)方法、GTSAM(非线性优化库)等方法进行求解。
上述公式及其相关内容作为本公开的实施例的一个发明点，进一步解决了背景技术提及的技术问题“三角化方法对于实线缺乏足够的纹理用于提取可信度较高的特征点，难以适用于实车道线，以及通过神经网络、直接回归三维车道线的方法往往容易对场景过拟合，导致泛化能力差，从而，导致生成的三维车道线信息的准确度不足，进而，无法满足自动驾驶需求”。首先，考虑到历史三维采样点坐标序列与筛选后采样点坐标序列之间的对应关系及误差。由此，通过引入位置误差方差集，以供生成三维车道线误差值，以此可以用于表征历史三维采样点坐标序列对应的三维车道线与筛选后采样点坐标序列对应的三维车道线之间的差异。然后，考虑到投影采样点坐标序列与关键点直线方程集合之间的对应关系及误差。由此，通过引入投影误差方差集，以供生成二维车道线误差值，因此，可以用于表征投影采样点坐标序列对应的二维车道线与关键点直线方程集合对应的二维车道线之间的差异。也因为生成了三维车道线误差值和二维车道线误差值，可以实现对历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息。使得可以在一定程度上降低生成的三维车道线信息中的目标三维车道线坐标集与历史三维采样点坐标序列之间的误差。从而，可以提高生成的三维车道线信息的准确度。
可选的，上述执行主体还可以将上述三维车道线信息发送至显示终端以供显示。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的三维车道线信息生成方法，可以提高生成的三维车道线信息的准确度。具体来说，造成生成的三维车道线信息的准确度不足的原因在于：三角化方法对于实线缺乏足够的纹理用于提取可信度较高的特征点，难以适用于实车道线，以及通过神经网络、直接回归三维车道线的方法往往容易对场景过拟合，导致泛化能力差。基于此，本公开的一些实施例的三维车道线信息生成方法，首先，获取道路图像、三维采样点坐标组序列和相机内参矩阵。然后，利用上述相机内参矩阵，将上述三维采样点坐标组序列中各个三维采样点坐标组中的三维采样点坐标转换至目标车辆坐标系，得到转换采样点坐标序列。通过坐标转换，可以将三维采样点坐标转换至同一坐标系，便于后续三维车道线信息的生成。接着，对上述转换采样点坐标序列中的各个转换采样点坐标进行筛选处理，得到筛选后采样点坐标序列。之后，基于上述筛选后采样点序列和预先生成的历史三维采样点坐标序列，生成三维匹配信息集。通过生成三维匹配信息集，可以用于三维坐标之间的约束，以此提高生成的三维车道线信息的准确度。而后，对上述道路图像进行车道线特征提取，得到二维车道线关键点坐标序列。通过筛选处理和特征提取，使得本公开的一些实施例的三维车道线信息生成方法不仅可以适用于实车道线，还更具泛化能力。再然后，基于上述二维车道线关键点坐标序列和上述历史三维采样点坐标序列，生成二维匹配信息集。通过生成二维匹配信息集，可以用于二维坐标之间的约束，以此提高生成的三维车道线信息的准确度。最后，基于上述三维匹配信息集和上述二维匹配信息集，对上述历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息。因此，无需考虑车道线纹理，即可生成三维车道线信息。另外，通过优化处理，可以进一步提高生成的三维车道线信息的准确度。进而，可以满足自动驾驶需求。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种三维车道线信息生成装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的三维车道线信息生成装置200包括：获取单元201、坐标转换单元202、筛选处理单元203、第一生成单元204、特征提取单元205、第二生成单元206和优化处理单元207。其中，获取单元201，被配置成获取道路图像、三维采样点坐标组序列和相机内参矩阵；坐标转换单元202，被配置成利用上述相机内参矩阵，将上述三维采样点坐标组序列中各个三维采样点坐标组中的三维采样点坐标转换至目标车辆坐标系，得到转换采样点坐标序列；筛选处理单元203，被配置成对上述转换采样点坐标序列中的各个转换采样点坐标进行筛选处理，得到筛选后采样点坐标序列；第一生成单元204，被配置成基于上述筛选后采样点序列和预先生成的历史三维采样点坐标序列，生成三维匹配信息集；特征提取单元205，被配置成对上述道路图像进行车道线特征提取，得到二维车道线关键点坐标序列；第二生成单元206，被配置成基于上述二维车道线关键点坐标序列和上述历史三维采样点坐标序列，生成二维匹配信息集；优化处理单元207，被配置成基于上述三维匹配信息集和上述二维匹配信息集，对上述历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息。
可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：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306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，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3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，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；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：获取道路图像、三维采样点坐标组序列和相机内参矩阵；利用上述相机内参矩阵，将上述三维采样点坐标组序列中各个三维采样点坐标组中的三维采样点坐标转换至目标车辆坐标系，得到转换采样点坐标序列；对上述转换采样点坐标序列中的各个转换采样点坐标进行筛选处理，得到筛选后采样点坐标序列；基于上述筛选后采样点序列和预先生成的历史三维采样点坐标序列，生成三维匹配信息集；对上述道路图像进行车道线特征提取，得到二维车道线关键点坐标序列；基于上述二维车道线关键点坐标序列和上述历史三维采样点坐标序列，生成二维匹配信息集；基于上述三维匹配信息集和上述二维匹配信息集，对上述历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息。
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一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、坐标转换单元、筛选处理单元、第一生成单元、特征提取单元、第二生成单元和优化处理单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取道路图像、三维采样点坐标组序列和相机内参矩阵的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (6)

1.一种三维车道线信息生成方法，包括：
获取道路图像、三维采样点坐标组序列和相机内参矩阵；
利用所述相机内参矩阵，将所述三维采样点坐标组序列中各个三维采样点坐标组中的三维采样点坐标转换至目标车辆坐标系，得到转换采样点坐标序列；
对所述转换采样点坐标序列中的各个转换采样点坐标进行筛选处理，得到筛选后采样点坐标序列；
基于所述筛选后采样点坐标序列和预先生成的历史三维采样点坐标序列，生成三维匹配信息集，其中，历史三维采样点坐标序列是上一帧生成的三维车道线信息中的三维采样点坐标，若当前时刻为生成三维车道线信息的第一帧，则历史三维采样点坐标序列中的各个三维采样点坐标是对第一帧道路图像中检测到的二维车道线坐标投影至车辆坐标系所得到的；
对所述道路图像进行车道线特征提取，得到二维车道线关键点坐标序列；
基于所述二维车道线关键点坐标序列和所述历史三维采样点坐标序列，生成二维匹配信息集；
基于所述三维匹配信息集和所述二维匹配信息集，对所述历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息；
其中，所述基于所述筛选后采样点坐标序列和预先生成的历史三维采样点坐标序列，生成三维匹配信息集，包括：
确定所述筛选后采样点坐标序列中每两个相邻筛选后采样点坐标的直线方程，得到采样点直线方程集合；
对所述采样点直线方程集合与预先生成的历史三维采样点坐标序列进行匹配处理，得到匹配采样点信息集，其中，所述匹配采样点信息集中的匹配采样点信息包括采样点直线方程和对应的历史三维采样点坐标，匹配采样点信息集即为生成的三维匹配信息集；
其中，所述基于所述二维车道线关键点坐标序列和所述历史三维采样点坐标序列，生成二维匹配信息集，包括：
确定所述二维车道线关键点坐标序列中每两个相邻二维车道线关键点坐标的直线方程，得到关键点直线方程集合；
将所述历史三维采样点坐标序列中的各个历史三维采样点坐标投影至所述道路图像的图像坐标系，得到投影采样点坐标序列；
对所述关键点直线方程集合与所述投影采样点坐标序列进行匹配处理，得到二维匹配信息集；
其中，所述对所述关键点直线方程集合与所述投影采样点坐标序列进行匹配处理，得到二维匹配信息集，包括：
将所述投影采样点坐标序列中每个投影采样点坐标与所述关键点直线方程集合中对应的关键点直线方程确定为二维匹配信息，得到二维匹配信息集，其中，投影采样点坐标与距离最近的关键点直线方程相对应；
其中，所述基于所述三维匹配信息集和所述二维匹配信息集，对所述历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息，包括：
获取与所述三维匹配信息集中各个三维匹配信息包括的历史三维采样点坐标的位置误差方差，以及与所述二维匹配信息集中各个二维匹配信息包括的投影采样点坐标的投影误差方差，得到位置误差方差集和投影误差方差集，其中，位置误差方差是在上一帧生成历史三维采样点坐标时生成的位置误差的方差值，投影误差方差是将历史三维采样点坐标投影至图像坐标系的投影误差的方差值；
基于所述位置误差方差集、所述投影误差方差集、所述三维匹配信息集和所述二维匹配信息集，对所述历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息；
其中，通过以下公式进行优化处理，以生成目标三维车道线坐标集，以及将目标三维车道线坐标集确定为三维车道线信息：
其中，l1表示三维车道线误差值，e1表示所述三维匹配信息集中第1个三维匹配信息包括的历史三维采样点坐标的误差，e2表示所述三维匹配信息集中第2个三维匹配信息包括的历史三维采样点坐标的误差，en表示所述三维匹配信息集中第n个三维匹配信息包括的历史三维采样点坐标的误差，i、n表示序号，ei表示所述三维匹配信息集中第i个三维匹配信息包括的历史三维采样点坐标的误差，T表示转置矩阵，∑1表示位置误差方差对角矩阵，表示位置误差方差对角矩阵的逆，x表示所述三维匹配信息集中三维匹配信息包括的历史三维采样点坐标的横坐标值，xi表示所述三维匹配信息集中第i个三维匹配信息包括的历史三维采样点坐标的横坐标值，y表示所述三维匹配信息集中三维匹配信息包括的历史三维采样点坐标的纵坐标值，yi表示所述三维匹配信息集中第i个三维匹配信息包括的历史三维采样点坐标的纵坐标值，Z表示所述三维匹配信息集中三维匹配信息包括的历史三维采样点坐标的竖坐标值，Zi表示所述三维匹配信息集中第i个三维匹配信息包括的历史三维采样点坐标的竖坐标值，a表示所述三维匹配信息集中三维匹配信息包括的采样点直线方程中的横坐标系数，ai表示所述三维匹配信息集中第i个三维匹配信息包括的采样点直线方程中的横坐标系数，b表示所述三维匹配信息集中三维匹配信息包括的采样点直线方程中的纵坐标系数，bi表示所述三维匹配信息集中第i个三维匹配信息包括的采样点直线方程中的纵坐标系数，C表示所述三维匹配信息集中三维匹配信息包括的采样点直线方程中的竖坐标系数，Ci表示所述三维匹配信息集中第i个三维匹配信息包括的采样点直线方程中的竖坐标系数，d表示所述三维匹配信息集中三维匹配信息包括的采样点直线方程中的常数项，di表示所述三维匹配信息集中第i个三维匹配信息包括的采样点直线方程中的常数项，diag()表示对角矩阵函数，表示所述位置误差方差集中与所述三维匹配信息集中第1个三维匹配信息包括的历史三维采样点坐标对应的位置误差方差，表示所述位置误差方差集中与所述三维匹配信息集中第2个三维匹配信息包括的历史三维采样点坐标对应的位置误差方差，表示所述位置误差方差集中与所述三维匹配信息集中第n个三维匹配信息包括的历史三维采样点坐标对应的位置误差方差，l2表示二维车道线误差值，S1表示所述二维匹配信息集中第1个二维匹配信息包括的投影采样点坐标的误差，S2表示所述二维匹配信息集中第2个二维匹配信息包括的投影采样点坐标的误差，Sn表示所述二维匹配信息集中第n个二维匹配信息包括的投影采样点坐标的误差，∑2表示投影误差方差对角矩阵，表示投影误差方差对角矩阵的逆，Si表示所述二维匹配信息集中第i个二维匹配信息包括的投影采样点坐标的误差，u表示所述二维匹配信息集中二维匹配信息包括的投影采样点坐标的横坐标值，ui表示所述二维匹配信息集中第i个二维匹配信息包括的投影采样点坐标的横坐标值，v表示所述二维匹配信息集中二维匹配信息包括的投影采样点坐标的纵坐标值，vi表示所述二维匹配信息集中第i个二维匹配信息包括的投影采样点坐标的纵坐标值，a′表示所述二维匹配信息集中二维匹配信息包括的关键点直线方程的横坐标系数，a′i表示所述二维匹配信息集中第i个二维匹配信息包括的关键点直线方程的横坐标系数，b′表示所述二维匹配信息集中二维匹配信息包括的关键点直线方程的纵坐标系数，b′i表示所述二维匹配信息集中第i个二维匹配信息包括的关键点直线方程的纵坐标系数，C′表示所述二维匹配信息集中二维匹配信息包括的关键点直线方程的常数项，c′i表示所述二维匹配信息集中第i个二维匹配信息包括的关键点直线方程的常数项，表示所述二维匹配信息集中第1个二维匹配信息包括的投影采样点坐标对应的投影误差方差，表示所述二维匹配信息集中第2个二维匹配信息包括的投影采样点坐标对应的投影误差方差，表示所述二维匹配信息集中第n个二维匹配信息包括的投影采样点坐标对应的投影误差方差，表示所述目标三维车道线坐标集，表示所述目标三维车道线坐标集中第i个目标三维车道线坐标的横坐标值，表示所述目标三维车道线坐标集中第i个目标三维车道线坐标的纵坐标值，表示所述目标三维车道线坐标集中第i个目标三维车道线坐标的竖坐标值。
2.根据权利要求1所述的方法，其中，所述方法还包括：
将所述三维车道线信息发送至显示终端以供显示。
3.根据权利要求1所述的方法，其中，所述对所述转换采样点坐标序列中的各个转换采样点坐标进行筛选处理，得到筛选后采样点坐标序列，包括：
去除所述转换采样点坐标序列中满足预设坐标条件的转换采样点坐标，得到所述筛选后采样点坐标序列。
4.一种三维车道线信息生成装置，包括：
获取单元，被配置成获取道路图像、三维采样点坐标组序列和相机内参矩阵；
坐标转换单元，被配置成利用所述相机内参矩阵，将所述三维采样点坐标组序列中各个三维采样点坐标组中的三维采样点坐标转换至目标车辆坐标系，得到转换采样点坐标序列；
筛选处理单元，被配置成对所述转换采样点坐标序列中的各个转换采样点坐标进行筛选处理，得到筛选后采样点坐标序列；
第一生成单元，被配置成基于所述筛选后采样点坐标序列和预先生成的历史三维采样点坐标序列，生成三维匹配信息集，其中，历史三维采样点坐标序列是上一帧生成的三维车道线信息中的三维采样点坐标，若当前时刻为生成三维车道线信息的第一帧，则历史三维采样点坐标序列中的各个三维采样点坐标是对第一帧道路图像中检测到的二维车道线坐标投影至车辆坐标系所得到的；
特征提取单元，被配置成对所述道路图像进行车道线特征提取，得到二维车道线关键点坐标序列；
第二生成单元，被配置成基于所述二维车道线关键点坐标序列和所述历史三维采样点坐标序列，生成二维匹配信息集；
优化处理单元，被配置成基于所述三维匹配信息集和所述二维匹配信息集，对所述历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息；
其中，所述基于所述筛选后采样点坐标序列和预先生成的历史三维采样点坐标序列，生成三维匹配信息集，包括：
确定所述筛选后采样点坐标序列中每两个相邻筛选后采样点坐标的直线方程，得到采样点直线方程集合；
对所述采样点直线方程集合与预先生成的历史三维采样点坐标序列进行匹配处理，得到匹配采样点信息集，其中，所述匹配采样点信息集中的匹配采样点信息包括采样点直线方程和对应的历史三维采样点坐标，匹配采样点信息集即为生成的三维匹配信息集；
其中，所述基于所述二维车道线关键点坐标序列和所述历史三维采样点坐标序列，生成二维匹配信息集，包括：
确定所述二维车道线关键点坐标序列中每两个相邻二维车道线关键点坐标的直线方程，得到关键点直线方程集合；
将所述历史三维采样点坐标序列中的各个历史三维采样点坐标投影至所述道路图像的图像坐标系，得到投影采样点坐标序列；
对所述关键点直线方程集合与所述投影采样点坐标序列进行匹配处理，得到二维匹配信息集；
其中，所述对所述关键点直线方程集合与所述投影采样点坐标序列进行匹配处理，得到二维匹配信息集，包括：
将所述投影采样点坐标序列中每个投影采样点坐标与所述关键点直线方程集合中对应的关键点直线方程确定为二维匹配信息，得到二维匹配信息集，其中，投影采样点坐标与距离最近的关键点直线方程相对应；
其中，所述基于所述三维匹配信息集和所述二维匹配信息集，对所述历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息，包括：
获取与所述三维匹配信息集中各个三维匹配信息包括的历史三维采样点坐标的位置误差方差，以及与所述二维匹配信息集中各个二维匹配信息包括的投影采样点坐标的投影误差方差，得到位置误差方差集和投影误差方差集，其中，位置误差方差是在上一帧生成历史三维采样点坐标时生成的位置误差的方差值，投影误差方差是将历史三维采样点坐标投影至图像坐标系的投影误差的方差值；
基于所述位置误差方差集、所述投影误差方差集、所述三维匹配信息集和所述二维匹配信息集，对所述历史三维采样点坐标序列中的各个历史三维采样点坐标进行优化处理，以生成三维车道线信息；
其中，通过以下公式进行优化处理，以生成目标三维车道线坐标集，以及将目标三维车道线坐标集确定为三维车道线信息：
其中，l1表示三维车道线误差值，e1表示所述三维匹配信息集中第1个三维匹配信息包括的历史三维采样点坐标的误差，e2表示所述三维匹配信息集中第2个三维匹配信息包括的历史三维采样点坐标的误差，en表示所述三维匹配信息集中第n个三维匹配信息包括的历史三维采样点坐标的误差，i、n表示序号，ei表示所述三维匹配信息集中第i个三维匹配信息包括的历史三维采样点坐标的误差，T表示转置矩阵，∑1表示位置误差方差对角矩阵，表示位置误差方差对角矩阵的逆，x表示所述三维匹配信息集中三维匹配信息包括的历史三维采样点坐标的横坐标值，xi表示所述三维匹配信息集中第i个三维匹配信息包括的历史三维采样点坐标的横坐标值，y表示所述三维匹配信息集中三维匹配信息包括的历史三维采样点坐标的纵坐标值，yi表示所述三维匹配信息集中第i个三维匹配信息包括的历史三维采样点坐标的纵坐标值，Z表示所述三维匹配信息集中三维匹配信息包括的历史三维采样点坐标的竖坐标值，Zi表示所述三维匹配信息集中第i个三维匹配信息包括的历史三维采样点坐标的竖坐标值，a表示所述三维匹配信息集中三维匹配信息包括的采样点直线方程中的横坐标系数，ai表示所述三维匹配信息集中第i个三维匹配信息包括的采样点直线方程中的横坐标系数，b表示所述三维匹配信息集中三维匹配信息包括的采样点直线方程中的纵坐标系数，bi表示所述三维匹配信息集中第i个三维匹配信息包括的采样点直线方程中的纵坐标系数，c表示所述三维匹配信息集中三维匹配信息包括的采样点直线方程中的竖坐标系数，ci表示所述三维匹配信息集中第i个三维匹配信息包括的采样点直线方程中的竖坐标系数，d表示所述三维匹配信息集中三维匹配信息包括的采样点直线方程中的常数项，di表示所述三维匹配信息集中第i个三维匹配信息包括的采样点直线方程中的常数项，diag()表示对角矩阵函数，表示所述位置误差方差集中与所述三维匹配信息集中第1个三维匹配信息包括的历史三维采样点坐标对应的位置误差方差，表示所述位置误差方差集中与所述三维匹配信息集中第2个三维匹配信息包括的历史三维采样点坐标对应的位置误差方差，表示所述位置误差方差集中与所述三维匹配信息集中第n个三维匹配信息包括的历史三维采样点坐标对应的位置误差方差，l2表示二维车道线误差值，S1表示所述二维匹配信息集中第1个二维匹配信息包括的投影采样点坐标的误差，S2表示所述二维匹配信息集中第2个二维匹配信息包括的投影采样点坐标的误差，Sn表示所述二维匹配信息集中第n个二维匹配信息包括的投影采样点坐标的误差，Σ2表示投影误差方差对角矩阵，表示投影误差方差对角矩阵的逆，Si表示所述二维匹配信息集中第i个二维匹配信息包括的投影采样点坐标的误差，u表示所述二维匹配信息集中二维匹配信息包括的投影采样点坐标的横坐标值，ui表示所述二维匹配信息集中第i个二维匹配信息包括的投影采样点坐标的横坐标值，v表示所述二维匹配信息集中二维匹配信息包括的投影采样点坐标的纵坐标值，vi表示所述二维匹配信息集中第i个二维匹配信息包括的投影采样点坐标的纵坐标值，a′表示所述二维匹配信息集中二维匹配信息包括的关键点直线方程的横坐标系数，a′i表示所述二维匹配信息集中第i个二维匹配信息包括的关键点直线方程的横坐标系数，b′表示所述二维匹配信息集中二维匹配信息包括的关键点直线方程的纵坐标系数，b′i表示所述二维匹配信息集中第i个二维匹配信息包括的关键点直线方程的纵坐标系数，c′表示所述二维匹配信息集中二维匹配信息包括的关键点直线方程的常数项，c′i表示所述二维匹配信息集中第i个二维匹配信息包括的关键点直线方程的常数项，表示所述二维匹配信息集中第1个二维匹配信息包括的投影采样点坐标对应的投影误差方差，表示所述二维匹配信息集中第2个二维匹配信息包括的投影采样点坐标对应的投影误差方差，表示所述二维匹配信息集中第n个二维匹配信息包括的投影采样点坐标对应的投影误差方差，表示所述目标三维车道线坐标集，表示所述目标三维车道线坐标集中第i个目标三维车道线坐标的横坐标值，表示所述目标三维车道线坐标集中第i个目标三维车道线坐标的纵坐标值，表示所述目标三维车道线坐标集中第i个目标三维车道线坐标的竖坐标值。
5.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
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1-3中任一所述的方法。
6.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-3中任一所述的方法。
CN202210539152.3A 2022-05-18 2022-05-18 三维车道线信息生成方法、装置、设备和计算机可读介质 Active CN114863026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210539152.3A CN114863026B (zh) 2022-05-18 2022-05-18 三维车道线信息生成方法、装置、设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210539152.3A CN114863026B (zh) 2022-05-18 2022-05-18 三维车道线信息生成方法、装置、设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN114863026A CN114863026A (zh) 2022-08-05
CN114863026B true CN114863026B (zh) 2023-04-14

Family

ID=82638529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210539152.3A Active CN114863026B (zh) 2022-05-18 2022-05-18 三维车道线信息生成方法、装置、设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN114863026B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005182303A (ja) * 2003-12-17 2005-07-07 Mitsubishi Electric Corp 車線認識画像処理装置
CN114399589A (zh) * 2021-12-20 2022-04-26 禾多科技（北京）有限公司 三维车道线生成方法、装置、电子设备和计算机可读介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180050823A (ko) * 2016-11-07 2018-05-16 삼성전자주식회사 3차원의 도로 모델을 생성하는 방법 및 장치
US11023746B2 (en) * 2019-01-02 2021-06-01 Here Global B.V. Lane count estimation
CN110135376A (zh) * 2019-05-21 2019-08-16 北京百度网讯科技有限公司 确定图像传感器的坐标系转换参数的方法、设备和介质
CN111753605A (zh) * 2019-06-11 2020-10-09 北京京东尚科信息技术有限公司 车道线定位方法、装置、电子设备及可读介质
KR102115004B1 (ko) * 2019-07-19 2020-05-26 네이버랩스 주식회사 항공사진을 이용하여 3차원 지도를 생성하는 장치 및 방법
WO2021051344A1 (zh) * 2019-09-19 2021-03-25 深圳市大疆创新科技有限公司 高精度地图中车道线的确定方法和装置
CN111091076B (zh) * 2019-12-03 2022-03-11 西北工业大学 基于立体视觉的隧道限界数据测量方法
CN114445583A (zh) * 2020-10-30 2022-05-06 阿里巴巴集团控股有限公司 数据处理方法、装置、电子设备及存储介质
CN112488150B (zh) * 2020-11-04 2023-04-07 浙江吉利控股集团有限公司 一种基于车路协同的目标修正方法、装置、系统及存储介质
CN112733812B (zh) * 2021-03-01 2023-08-29 知行汽车科技(苏州)股份有限公司 三维车道线检测方法、装置及存储介质
CN113255619B (zh) * 2021-07-09 2021-11-23 禾多科技（北京）有限公司 车道线识别及定位方法、电子设备和计算机可读介质
CN113869293B (zh) * 2021-12-03 2022-03-11 禾多科技（北京）有限公司 车道线识别方法、装置、电子设备和计算机可读介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005182303A (ja) * 2003-12-17 2005-07-07 Mitsubishi Electric Corp 車線認識画像処理装置
CN114399589A (zh) * 2021-12-20 2022-04-26 禾多科技（北京）有限公司 三维车道线生成方法、装置、电子设备和计算机可读介质

Also Published As

Publication number Publication date
CN114863026A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN112598762B (zh) 三维车道线信息生成方法、装置、电子设备和介质
CN114742958B (zh) 三维车道信息生成方法、装置、设备和计算机可读介质
CN112668588B (zh) 车位信息生成方法、装置、设备和计算机可读介质
CN114399588B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN114399589B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN114964296B (zh) 车辆行驶路径规划方法、装置、设备和计算机可读介质
CN113327318A (zh) 图像显示方法、装置、电子设备和计算机可读介质
CN114993328B (zh) 车辆定位评估方法、装置、设备和计算机可读介质
CN115393815A (zh) 道路信息生成方法、装置、电子设备和计算机可读介质
CN114894205A (zh) 三维车道线信息生成方法、装置、设备和计算机可读介质
CN116182878B (zh) 道路曲面信息生成方法、装置、设备和计算机可读介质
CN114863026B (zh) 三维车道线信息生成方法、装置、设备和计算机可读介质
CN114723640B (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN115100536B (zh) 建筑物识别方法、装置、电子设备和计算机可读介质
CN115393826A (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN113688928B (zh) 图像匹配方法、装置、电子设备和计算机可读介质
CN112597788B (zh) 目标测定方法、装置、电子设备和计算机可读介质
CN114119973A (zh) 一种基于图像语义分割网络的空间距离预测方法及系统
CN110209851B (zh) 模型训练方法、装置、电子设备及存储介质
CN114863025B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN115345931B (zh) 物体姿态关键点信息生成方法、装置、电子设备和介质
CN116912631B (zh) 目标识别方法、装置、电子设备及存储介质
CN114399555B (zh) 数据在线标定方法、装置、电子设备和计算机可读介质
CN114842448B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN116630436B (zh) 相机外参修正方法、装置、电子设备和计算机可读介质

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
CP03 Change of name, title or address

Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806

Patentee after: Heduo Technology (Guangzhou) Co.,Ltd.

Address before: 100099 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing

Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd.

CP03 Change of name, title or address