CN115410173B - 多模态融合的高精地图要素识别方法、装置、设备及介质 - Google Patents

多模态融合的高精地图要素识别方法、装置、设备及介质 Download PDF

Info

Publication number
CN115410173B
CN115410173B CN202211352837.3A CN202211352837A CN115410173B CN 115410173 B CN115410173 B CN 115410173B CN 202211352837 A CN202211352837 A CN 202211352837A CN 115410173 B CN115410173 B CN 115410173B
Authority
CN
China
Prior art keywords
target map
image data
pixel
target
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
CN202211352837.3A
Other languages
English (en)
Other versions
CN115410173A (zh
Inventor
蔡俊杰
杨建忠
夏德国
钟开
张通滨
卢振
黄际洲
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202211352837.3A priority Critical patent/CN115410173B/zh
Publication of CN115410173A publication Critical patent/CN115410173A/zh
Application granted granted Critical
Publication of CN115410173B publication Critical patent/CN115410173B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种多模态融合的高精地图要素识别方法、装置、设备及介质，涉及人工智能和计算机视觉领域，具体涉及自动驾驶、高精地图，以及智能交通领域，可应用于高精地图制作场景。该方法包括：基于目标地图要素的点云数据和至少两种候选图像数据，确定目标地图要素的属性特征、像素配准特征和混合配准特征；根据目标地图要素的像素配准特征确定目标地图要素的像素对应关系，并根据目标地图要素的混合配准特征确定目标地图要素的混合对应关系；基于像素对应关系和混合对应关系对目标地图要素的属性特征进行融合处理得到目标地图要素的融合特征，并基于目标地图要素的融合特征确定目标地图要素的要素类别。本公开能提高地图要素识别的准确性。

Description

多模态融合的高精地图要素识别方法、装置、设备及介质
技术领域
本公开涉及涉及人工智能领域，尤其涉及计算机视觉领域，具体涉及自动驾驶、高精地图，以及智能交通领域，可应用于高精地图制作场景。
背景技术
相对于普通地图而言，高精地图所提供的地图信息精度更高，内容更丰富。高精地图可以作为现有传感器的有效补充，为自动驾驶系统提供了更加可靠的感知能力。
地图要素是构成高精地图的基本内容，保证地图要素识别的准确性对于保证高精地图的地图质量，提高自动驾驶系统的感知能力和决策能力具有重要意义。
发明内容
本公开提供了一种多模态融合的高精地图要素识别方法、装置、设备及介质。
根据本公开的一方面，提供了一种多模态融合的高精地图要素识别方法，该方法包括：
基于目标地图要素的点云数据和至少两种候选图像数据，确定所述目标地图要素的属性特征、像素配准特征和混合配准特征；
根据所述目标地图要素的像素配准特征确定目标地图要素的像素对应关系，并根据所述目标地图要素的混合配准特征确定目标地图要素的混合对应关系；
基于所述像素对应关系和所述混合对应关系，对所述目标地图要素的属性特征进行融合处理得到目标地图要素的融合特征，并基于所述目标地图要素的融合特征确定所述目标地图要素的要素类别。
根据本公开的另一方面，提供了一种多模态融合的高精地图要素识别装置，包括：
要素特征确定模块，用于基于目标地图要素的点云数据和至少两种候选图像数据，确定所述目标地图要素的属性特征、像素配准特征和混合配准特征；
对应关系确定模块，用于根据所述目标地图要素的像素配准特征确定目标地图要素的像素对应关系，并根据所述目标地图要素的混合配准特征确定目标地图要素的混合对应关系；
特征融合模块，用于基于所述像素对应关系和所述混合对应关系，对所述目标地图要素的属性特征进行融合处理得到目标地图要素的融合特征，并基于所述目标地图要素的融合特征确定所述目标地图要素的要素类别。
根据本公开的另一方面，提供了一种电子设备，该电子设备包括：
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本公开任一实施例所述的多模态融合的高精地图要素识别方法。
根据本公开的另一方面，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计算机执行本公开任一实施例所述的多模态融合的高精地图要素识别方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开任一实施例所述的多模态融合的高精地图要素识别方法。
根据本公开的技术，可以地图要素识别的准确性。
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是根据本公开实施例提供的一种多模态融合的高精地图要素识别方法的流程图；
图2是根据本公开实施例提供的另一种多模态融合的高精地图要素识别方法的流程图；
图3是根据本公开实施例提供的另一种多模态融合的高精地图要素识别方法的流程图；
图4是根据本公开实施例提供的另一种多模态融合的高精地图要素识别方法的流程图；
图5是根据本公开实施例提供的一种多模态融合的高精地图要素识别装置的结构示意图；
图6是用来实现本公开实施例的多模态融合的高精地图要素识别方法的电子设备的框图。
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。
图1是根据本公开实施例提供的一种多模态融合的高精地图要素识别方法的流程图，本公开实施例适用于高精地图生成场景。该装置可以采用软件和/或硬件的方式实现，并可集成于承载多模态融合的高精地图要素识别功能的电子设备中。如图1所示，本实施例的多模态融合的高精地图要素识别方法可以包括：
S101，基于目标地图要素的点云数据和至少两种候选图像数据，确定所述目标地图要素的属性特征、像素配准特征和混合配准特征；
S102，根据所述目标地图要素的像素配准特征确定目标地图要素的像素对应关系，并根据所述目标地图要素的混合配准特征确定目标地图要素的混合对应关系；
S103，基于所述像素对应关系和所述混合对应关系，对所述目标地图要素的属性特征进行融合处理得到目标地图要素的融合特征，并基于所述目标地图要素的融合特征确定所述目标地图要素的要素类别。
其中，目标地图要素用于生成高精地图。其中，高精地图是相对普通地图而言的，高精地图中地图信息的精度更高，内容更加丰富。目标地图要素是构成高精地图的基本内容。可选的，目标地图要素是指高精地图中的地理要素。可选的，目标地图要素为交通要素。其中，交通要素包括但不限于地面交通标识，如车道线，还可以是地上交通标识，如信号灯。在一个可选的实施例中，所述目标地图要素为车道线。车道线识别是视觉感知任务中一个重要组成部分，准确的车道线识别技术可为整个自动驾驶系统提供可靠的信息指导。基于本公开实施例提供的多模态融合的高精地图要素识别方法，可以准确识别车道线所属类别，有效保证了本公开实例所提供方法的场景适用性。
目标地图要素的点云数据和候选图像数据，分别从三维角度和二维角度对目标地图要素进行描述。相对于点云数据，候选图像数据包括更加丰富的要素纹理，在确定目标地图要素的要素类型的过程中，候选图像数据可以起到关键的参考作用。而点云数据可以准确刻画目标地图要素在三维空间中要素位置，这是候选图像数据无法比拟的。目标地图要素的要素类型和要素位置是生成高精地图的数据基础。
本公开中候选图像数据通过不同类型的图像采集设备采集得到，候选图像数据至少为两种。受到图像采集设备拍摄条件如拍摄角度，以及自身参数如标定参数的影响，不同候选图像数据的质量存在差异，基于不同候选图像数据确定的目标地图要素的属性特征也存在差异。可以理解的是，候选图像数据的种类越多，从候选图像数据提取的属性特征就越丰富，同时处理属性特征所需花费的计算资源也会相应提高。候选图像数据的种类具体根据实际业务需求确定，在这里不作限定。
在一个可选的实施例中，所述候选图像数据包括融合图像、全景图像和工业相机图像中的至少两种。
其中，融合图像是指通过融合点云数据及图像数据生成的道路图像，融合图像的定位精度较高，其像素坐标可以映射到经纬度。但是，融合图像存在色彩清晰度低，地图要素颜色信息难以区分，边缘存在畸变拼接过程容易出现错位，以及物体遮挡的区域数据容易缺失的问题。可以理解的是，在目标地图要素为地面交通标识如车道线的情况下，融合图像是以俯视角度对地图要素进行描述的图像如鸟瞰图。在目标地图要素为地上交通标识的情况下，候选图像数据可以是其他角度对地图要素进行描述的图像。
全景图像具有清晰度高，地图要素颜色信息丰富的优点，在地面交通标识被物体遮挡的情况下也能分辨要素类型。但是，全景图像没有经过严格的参数校准难以进行精确定位，此外，全景图像的视野容易受物体遮挡，采集地面交通标识的连续性差。
工业相机图像是指通过高速工业相机拍摄得到的图像。拍摄工业相机图像的高速工业相机经过严格的参数校准，满足点云配准条件。可以理解的是，上述图像数据类型并不对本公开实施例造成限定，候选图像数据并不限于此，还可以是其他图像采集设备采集到的图像数据。
在要素位置确定方面，以及要素类型识别方面，不同候选图像数据具备不同的是参考价值，仅将其中一种候选图像数据和点云数据进行特征融合，基于二者融合得到的融合特征确定目标地图要素的要素类型，会存在要素类型识别准确度低的问题。这是因为仅将一种将候选图像数据与点云数据无法同时保证混合配准特征与属性特征的准确性。
相关技术中，大多基于点云数据与图像数据融合得到融合图像，识别地图要素所属要素类别。虽然融合图像的定位精度较高，但是融合图像存在色彩清晰度低，地图要素颜色信息难以区分的问题，基于融合图像确定的属性特征其准确性难以保证，使得地图要素所属要素类型识别的准确性低，后期需要花费较大人工成本进行修正。
本公开技术方案，通过将融合图像、全景图像和工业相机图像中的至少两种与点云数据进行融合，将多模态图像数据用于地图要素识别，可以弥补单一类型数据的不足，提升地图要素识别的准确率，在高精地图生产过程中，减少了地图要素的人工修正成本。
其中，目标地图要素的属性特征用于确定目标地图要素所属要素类别。可选的，属性特征为外观特征，示例性的，外观特征可以包括目标地图要素的形状特征和/或颜色特征。
基于目标地图要素的点云数据和至少两种候选图像数据分别提取目标地图要素的属性特征，具体的，对目标地图要素的点云数据和至少两种候选图像数据分别进行特征提取，得到属于点云数据的属性特征，以及属于候选图像数据的属性特征。候选图像数据为至少两种，得到的属于候选图像数据的属性特征也为至少两种。可选的，基于深度神经网络的语义分割模型比如DeepLabV3，来分割目标地图要素并提取目标地图要素的属性特征，或是基于深度神经网络的目标分类模型，比如Faster-RCNN等，来识别目标地图要素，提取目标地图要素的属性特征。对于点云数据而言，可以采用基于体素的语义分割模型比如PointNet++，来分割目标地图要素并提取目标地图要素的属性特征。
将属于至少两种图像数据的属性特征，与属于点云数据的属性特征共同用于确定目标地图要素所属要素类别，具体的，基于像素对应关系和混合对应关系，对目标地图要素的属性特征进行融合处理得到目标地图要素的融合特征，基于目标地图要素的融合特征确定目标地图要素的要素类别。
其中，像素对应关系是指不同候选图像数据中像素坐标之间的对应关系。基于像素对应关系可以在不同候选图像数据中确定目标对象要素。像素对应关系基于像素配准特征确定。其中，像素配准特征用于对不同候选图像数据进行配准。
混合对应关系是指点云数据与候选图像数据之间的对应关系。可选的，混合对应关系可以是点云数据与至少两种候选图像数据中任意一种的对应关系。优选的，用于确定混合对应关系的候选图像数据具备点云配准条件。其中，点云配准条件是指图像数据与点云数据进行配准的条件，点云配准条件基于图像采集设备的设备参数确定。基于混合对应关系可以在点云数据和候选图像数据中确定目标对象要素。
混合对应关系基于混合配准特征确定，混合配准特征包括属于点云数据的混合配准特征和属于候选图像数据的混合配准特征。混合配准特征用于对点云数据与候选图像数据进行配准。
混合对应关系和像素对应关系，打通了至少两种候选图像数据与点云数据之间的数据壁垒，可将属于点云数据的属性特征和属于至少两种图像数据的属性特征进行关联，为融合不同数据来源的属性特征提供了指导。
基于混合对应关系和像素对应关系对目标地图要素的属性特征进行融合处理，得到目标地图要素的融合特征，保证了特征融合的准确性。
其中，目标地图要素的融合特征既包括从点云数据提取到的属性特征，同时包括从至少两种候选图像数据提取到的属性特征。融合特征相对于单一来源的属性特征更加丰富，可以更加全面准确地刻画目标地图要素的要素类别。基于目标地图要素的融合特征确定目标地图要素的要素类别，可以提高要素类别识别的准确性。
本公开实施例基于点云数据与至少两种候选图像数据共同确定目标地图要素所属要素类别，有效弥补单一数据资料的不足，提高了目标地图要素所属要素类型识别的准确率，有利于降低高精地图制作成本。本公开实施例通过基于像素配准特征和混合配准特征分别确定目标地图要素的像素对应关系和混合对应关系，将像素对应关系和混合对应关系用于特征融合，打通了点云数据与至少两种候选图像数据之间的数据壁垒，建立了点云数据与至少两种候选图像数据之间的关联关系，为融合属性特征提供了指导，为融合点云数据与多模态图像数据提供数据支持，从而提高了目标地图要素所属要素类型识别的准确率。
在一个可选的实施例中，所述方法还包括：根据所述点云数据，确定所述目标地图要素的要素位置；根据所述混合对应关系，将所述要素位置关联目标地图要素的要素类别；根据所述目标地图要素的要素位置和要素类别，生成高精地图。
要素位置是指目标地图要素在三维空间中的位置坐标。要素位置基于点云数据确定，点云数据可以准确刻画目标地图要素在三维空间中要素位置，这是候选图像数据无法比拟的。相对于点云数据，候选图像数据包括更加丰富的要素纹理，在确定目标地图要素的要素类型的过程中，候选图像数据可以起到关键的参考作用。
混合对应关系是指点云数据与候选图像数据之间的对应关系，基于混合对应关系可以将目标地图要素的要素位置与要素类别进行关联，目标地图要素的要素类型和要素位置是生成高精地图的数据基础。基于目标地图要素的要素位置和要素类别，生成高精地图。
可选的，在候选图像数据为点云数据与图像数据融合得到的融合图像如鸟瞰图的情况下，基于融合图像确定目标地图要素得到要素位置。相应的，根据混合对应关系，将要素位置关联目标地图要素的要素类别。
上述技术方案，根据混合对应关系，对目标地图要素的要素位置与要素类别进行关联，根据目标地图要素的要素位置和要素类别，生成高精地图，为生成高精地图提供了数据支持。
图2是根据本公开实施例提供的另一种多模态融合的高精地图要素识别方法的流程图；本实施例是在上述实施例的基础上提出的一种可选方案。具体的，本公开实施例对操作“根据所述目标地图要素的像素配准特征确定目标地图要素的像素对应关系，并根据所述目标地图要素的混合配准特征确定目标地图要素的混合对应关系”进行了细化。
参见图2，本实施例提供的多模态融合的高精地图要素识别方法包括：
S201，基于目标地图要素的点云数据和至少两种候选图像数据，确定所述目标地图要素的属性特征、像素配准特征和混合配准特征。
S202，从所述至少两种候选图像数据选择目标图像数据。
其中，目标图像数据具备点云配准条件，其中，点云配准条件是指图像数据与点云数据进行配准的条件，点云配准条件基于图像采集设备的设备参数确定。目标图像数据作为关联不同候选图像数据，以及关联点云数据与候选图像数据的纽带，用于确定混合对应关系和像素对应关系。
S203，基于所述目标地图要素的像素配准特征，将所述目标图像数据与除所述目标图像数据之外的其他候选图像数据进行配准，得到目标地图要素的像素对应关系。
像素配准条件用于对不同候选图像进行配准。每种候选图像数据均存在对应的像素配准特征。基于像素配准特征将目标图像数据与除目标图像数据之外的其他图像数据进行配准，建立不同候选图像数据之间的关联关系，将该关联关系作为像素对应关系。
S204，基于所述目标地图要素的混合配准特征，将所述目标图像数据与所述点云数据进行配准，确定目标地图要素的混合对应关系。
混合对应关系用于对点云数据与目标图像数据进行配准。基于目标地图要素的混合配准特征，将目标图像数据与点云数据进行配准，确定点云数据与目标图像数据之间的关联关系，将该关联关系作为的混合对应关系。
S205，基于所述像素对应关系和所述混合对应关系，对所述目标地图要素的属性特征进行融合处理得到目标地图要素的融合特征，并基于所述目标地图要素的融合特征确定所述目标地图要素的要素类别。
混合对应关系记录了目标图像数据与点云数据之间的对应关系；像素对应关系记录了目标图像数据与除目标图像数据之外的其他候选图像数据之间的对应关系。混合对应关系和像素对应关系可以将点云数据和至少两种候选图像数据关联起来。混合对应关系和像素对应关系用于指导属性特征融合。
本公开实施例通过在至少两种候选图像数据中确定目标图像数据。将目标图像数据作为联通不同候选图像数据，以及候选图像数据与点云数据的纽带，基于目标图像数据确定像素对应关系和混合对应关系，打通不同类型数据之间的数据壁垒。为将至少两种候选图像数据与点云数据进行融合，将多模态图像数据用于要素类别识别提供了技术支持。
在一个可选的实施例中，基于所述目标地图要素的像素配准特征，将所述目标图像数据与除所述目标图像数据之外的其他候选图像数据进行配准，得到目标地图要素的像素对应关系，包括：基于所述目标地图要素的像素配准特征，对所述目标地图要素在所述目标图像数据中的像素坐标，以及所述目标地图要素在除所述目标图像数据之外的其他候选图像数据中的像素坐标进行配准，得到所述目标地图要素的像素对应关系。
可选的，对不同候选图像数据之间进行像素级别的配准。像素对应关系是指像素坐标之间的对应关系。具体的，基于目标地图要素的像素配准特征，确定目标地图要素在目标图像数据中的像素坐标，作为第一像素坐标；基于目标地图要素的像素配准特征，确定目标地图要素在除目标图像数据之外的其他候选图像数据中的像素坐标，作为第二像素坐标；对第一像素坐标与第二像素坐标进行配准，得到目标地图要素的像素对应关系。
值得注意的是，本公开实施例中“第一”和“第二”仅用于区分不同候选图像数据。利用
Figure DEST_PATH_IMAGE002
表示目标图像数据，/>
Figure DEST_PATH_IMAGE004
表示除目标图像数据之外的其他候选图像数据。像素对应关系可以表示为：/>
Figure DEST_PATH_IMAGE006
，/>
Figure DEST_PATH_IMAGE008
，其中，/>
Figure DEST_PATH_IMAGE010
表示目标地图要素的像素/>
Figure DEST_PATH_IMAGE012
在/>
Figure DEST_PATH_IMAGE014
，/>
Figure DEST_PATH_IMAGE016
表示目标地图要素的像素/>
Figure 82516DEST_PATH_IMAGE012
在/>
Figure DEST_PATH_IMAGE018
。K为正整数，根据目标地图要素的像素数量确定。
在一个可选的实施例中，基于所述目标地图要素的混合配准特征，将所述目标图像数据与所述点云数据进行配准，确定目标地图要素的混合对应关系，包括：基于所述目标地图要素的混合配准特征，将所述目标地图要素在所述目标图像数据中的像素坐标，与所述目标地图要素在所述点云数据中的点云坐标进行配准，得到所述目标地图要素的混合对应关系。
混合对应关系是指点云坐标与像素坐标之间的对应关系。具体的，基于混合配准特征确定目标地图要素在目标图像数据中的像素坐标；基于混合配准特征确定目标地图要素在点云数据中的点云坐标；对像素坐标与点云坐标进行配准，得到目标地图要素的混合对应关系。基于混合对应关系可以将三维的点云坐标映射到二维的像素坐标。
上述技术方案，通过对不同来源数据进行像素级别的配准，分别提供了像素对应关系的确定方法，以及混合对应关系的确定方法，为后续基于像素对应关系和混合对应关系，对目标地图要素的属性特征进行融合处理提供了数据支持，保证了特征融合的准确性。
图3是根据本公开实施例提供的另一种多模态融合的高精地图要素识别方法的流程图；本实施例是在上述实施例的基础上提出的一种可选方案。具体的，本公开实施例对操作“从所述至少两种候选图像数据选择目标图像数据”进行了细化。
参见图3，本实施例提供的多模态融合的高精地图要素识别方法包括：
S301，基于目标地图要素的点云数据和至少两种候选图像数据，确定所述目标地图要素的属性特征、像素配准特征和混合配准特征。
S302，根据所述候选图像数据关联的设备标定参数，确定所述候选图像数据的配准参考等级。
其中，设备标定参数是指图像采集设备的标定参数。设备标定参数根据图像采集设备的设备内参和设备外参确定。由于产生不同候选图像数据的图像采集设备不同，不同候选图像数据关联的设备标定参数存在差异。基于设备标定参数可以候选图像数据发生畸变的概率。
基于设备标定参数可以确定候选图像数据的配准参考等级。其中，配准参考等级用于衡量候选图像数据的点云配准条件。一般来说，经过严格参数校准的工业相机图像，其配准参考等级要高于全景图像。
S303，基于所述配准参考等级，从所述至少两种候选图像数据中确定目标图像数据。
一般来说，配准参考等级越高，与其关联的候选图像数据越可能具备点云配准条件。可选的，选择配准参考等级最高的候选图像数据作为目标图像数据。
S304，基于所述目标地图要素的像素配准特征，将所述目标图像数据与除所述目标图像数据之外的其他候选图像数据进行配准，得到目标地图要素的像素对应关系。
S305，基于所述目标地图要素的混合配准特征，将所述目标图像数据与所述点云数据进行配准，确定目标地图要素的混合对应关系。
S306，基于所述像素对应关系和所述混合对应关系，对所述目标地图要素的属性特征进行融合处理得到目标地图要素的融合特征，并基于所述目标地图要素的融合特征确定所述目标地图要素的要素类别。
本公开实施例，通过根据候选图像数据关联的设备标定参数，确定候选图像数据的配准参考等级，基于配准参考等级，从至少两种候选图像数据中确定目标图像数据，目标图像数据作为联通不同来源数据的纽带，用于确定像素对应关系和混合对应关系，是打通点云数据与候选图像数据之间数据壁垒的关键，这样做可以保证目标图像数据选择的准确性，为将至少两种候选图像数据与点云数据进行融合，将多模态图像数据用于要素类别识别提供了技术支持。
图4是根据本公开实施例提供的另一种多模态融合的高精地图要素识别方法的流程图；本实施例是在上述实施例的基础上提出的一种可选方案。具体的，本公开实施例对操作“基于所述像素对应关系和所述混合对应关系，对所述目标地图要素的属性特征进行融合处理得到目标地图要素的融合特征”进行了细化。
参见图4，本实施例提供的多模态融合的高精地图要素识别方法包括：
S401，基于目标地图要素的点云数据和至少两种候选图像数据，确定所述目标地图要素的属性特征、像素配准特征和混合配准特征。
目标地图要素的属性特征中既包括基于点云数据确定的属性特征，还包括基于至少两种候选图像数据确定的属性特征。
S402，根据所述目标地图要素的像素配准特征确定目标地图要素的像素对应关系，并根据所述目标地图要素的混合配准特征确定目标地图要素的混合对应关系。
S403，基于所述像素对应关系，从属于所述候选图像数据的属性特征中确定所述目标地图要素的至少两种属性特征。
其中，属于候选图像数据的属性特征，是指基于候选图像数据确定属性特征。每种候选图像数据均存在对应的属性特征。属于候选图像数据的属性特征，其数量根据候选图像数据的种类确定。示例性的，在候选图像数据包括：融合图像、全景图像和工业相机图像的情况下，三种候选图像数据均存在对应的属性特征。
可以理解的是，候选图像数据中并不仅仅包括目标地图要素，一般还包括其他地图要素。
可选的，确定目标地图要素在任一候选图像数据中的像素坐标，根据该像素坐标和像素对应关系，从属于候选图像数据的属性特征中确定目标地图要素的至少两种属性特征。
S404，基于所述混合对应关系，在属于所述点云数据的属性特征中确定所述目标地图要素的属性特征。
属于点云数据的属性特征，是指基于点云数据确定的属性特征。同样的，点云数据中除了目标地图要素，还可能包括其他地图要素。
可选的，在目标地图要素的像素坐标确定的情况下，根据该像素坐标和混合对应关系，从属于点云数据的属性特征中确定目标地图要素的属性特征。
S405，对属于所述候选图像数据的所述属性特征和属于所述点云数据的所述属性特征进行融合处理，并基于所述目标地图要素的融合特征确定所述目标地图要素的要素类别。
本公开实施例，通过根据像素对应关系，从属于候选图像数据的属性特征中确定目标地图要素的至少两种属性特征；根据混合对应关系，在属于点云数据的属性特征中确定目标地图要素的属性特征，保证属性特征选择的准确性，有利于提高要素类别识别的准确性。
在一个可选的实施例中，基于目标地图要素的至少两种候选图像数据，确定所述目标地图要素的像素配准特征，包括：根据所述至少两种候选图像数据，确定所述目标地图要素的关键像素；根据所述关键像素的像素特征，确定所述目标地图要素的像素配准特征。
其中，关键像素是指能够为图像配准提供有效参考的像素。关键像素是目标地图要素中具有代表性的像素，关键像素的梯度一般较大。关键像素往往处于目标地图要素的轮廓边缘。示例性的，关键像素可以是目标地图要素的角点。
提取关键像素的像素特征，根据关键像素的像素特征，确定目标地图要素的像素配准特征。
像素配准特征可以基于图像配准算法对候选图像数据进行特征提取得到。示例性，像素配准特征可以是角点特征。像素配准特征与图像配准算法相匹配，像素配准特征的具体类型在这里不作限定，具体根据实际情况确定。
上述技术方案，提供了一种切实可行的像素配准特征确定方法，保证了像素配准特征的准确性，为确定像素对应关系，将像素对应关系用于属性特征融合提供了数据支持。
在一个可选的实施例中，基于目标地图要素的点云数据和至少两种候选图像数据，确定所述目标地图要素的混合配准特征，包括：确定所述至少两种候选图像数据关联的设备标定参数；根据所述设备标定参数、所述目标地图要素在所述至少两种候选图像数据中的像素坐标，以及所述目标地图要素在所述点云数据中的点云坐标，确定所述目标地图要素的混合配准特征。
其中，设备标定参数包括设备内参和设备外参，设备标定参数在设备标定过程中确定。设备标定参数用于建立候选图像数据的像素位置与场景点位置之间的关系。
根据设备标定参数，目标地图要素在至少两种候选图像数据中的像素坐标，以及目标地图要素在点云数据中的点云坐标，确定混合配准特征。基于混合配准特征可以将三维的点云坐标映射到二维的像素坐标。
上述技术方案，提供了一种切实可行的混合配准特征确定方法，保证了混合配准特征的准确性，为确定混合对应关系，将混合对应关系用于属性特征融合提供了数据支持。
在一个具体的实施例中，在候选图像数据包括：融合图像、全景图像和工业相机图像的情况下，利用本公开实施例所提供的多模态融合的高精地图要素识别对车道线进行识别。
可以知道的是，不同类型的车道线其线性和颜色存在差异。示例性的，车道线的颜色主要包括：白色、黄色、一黄一白（双线）等。车道线的样式主要包括：单实线、双实线、单虚线、双虚线、一虚一实等。对车道线进行识别，具体是基于车道线的属性特征如颜色和样式，对车道线所属类型进行识别。
首先，基于车道线的点云数据、融合图像、全景图像和工业相机图像，确定车道线的属性特征。可选的，对融合图像、全景图像、工业相机图像和点云数据分别标注并预先训练车道线识别模型，得到模型集合M=(m1, m2, m3 , m4)。对于候选图像数据如融合图像、全景图像和工业相机图像可以采用基于深度神经网络的语义分割模型比如DeepLabV3，来分割车道线，确定车道线的属性信息，或者基于深度神经网络的目标分类模型，比如Faster-RCNN等，来从候选图像数据识别车道线，确定车道线的属性信息。
对于点云数据而言，可以采用基于体素的语义分割模型比如PointNet++，来分割车道线，并提取车道线的属性特征。基于由车道线识别模型构成的模型集合，提取到的车道线的属性特征用属性特征集合A表示，其中，A=(a1, a2, a3, a4)。a1为模型m1从融合图像提取到的属性特征，a1是n1×n2的二维矩阵，矩阵中的元素a1[x,y]代表像素点(x,y)处的车道线的属性特征；a2为模型m2从全景图像提取到的属性特征，a3为模型m3从工业相机图像提取到的属性特征，a2和a3与a1类似，a2和a3均为二维矩阵，矩阵元素均为车道线的属性特征。a4为模型m4从点云数据提取到的属性特征。a4为n4×4的二维矩阵，其中，n4是点云数量 ，a4矩阵中的一行则记录一个点云的三维空间坐标x4，y4，z4和车道线的属性特征s4 。
除了基于候选图像数据和点云数据提取车道线的属性特征以外，还需要基于候选图像数据和点云数据提取是车道线的像素配准特征和混合配准特征。
其中，像素配准特征根据车道线中关键像素的像素特征确定，可选的，基于图像配准算法确定像素属性特征。混合属性特征根据设备标定参数，车道线在候选图像数据中的像素坐标，以及车道线在点云数据中的点云坐标确定。像素配准特征和混合配准特征，分别用于确定像素对应关系和混合对应关系。
将上述候选图像数据中的工业相机图像确定为目标图像数据，这是因为拍摄工业相机图像的高速工业相机经过严格的参数校准，满足点云配准条件。
基于像素配准特征将工业相机数据与全景图像进行配准得到像素对应关系；基于混合配准特征将工业相机图像数据与点云数据进行配准得到混合对应关系。混合对应关系和像素对应关系，用于打破点云数据与至少两种候选图像数据之间的数据壁垒，建立了点云数据、全景图像和工业相机图像之间的对应关系。在融合图像并未参与确定像素对应关系，这是因为融合图像是点云数据与图像数据融合得到的，其已经关联到点云数据。这样做可以节省计算资源。
接下来，基于像素对应关系和混合对应关系，对车道线的属性特征进行融合处理得到车道线的融合特征，基于车道线的融合特征确定车道线所属类别。可选的，基于贝叶斯的特征融合算法对属于不同类型数据的属性特征进行特征融合，然后基于决策融合模型，通过决策融合模型确定高置信度的车道线所属类型识别结果。
已知车道线属性Ω包含C种类别，记为Ω=(ω1，ω2，…，ωC)，属性特征集合A作为输入数据输入到决策融合模型中，使得决策融合模型.根据最小错误率的贝叶斯决策理论，若将样本A分为第ωj类，则该类就是在已知样本A条件下后验概率最大的模式类。
图5是根据本公开实施例提供的一种多模态融合的高精地图要素识别装置的结构示意图。本公开实施例适用于高精地图生成场景。该装置可以采用软件和/或硬件来实现，该装置可以实现本公开任意实施例所述的多模态融合的高精地图要素识别方法。如图5所示，该多模态融合的高精地图要素识别装置500包括：
要素特征确定模块501，用于基于目标地图要素的点云数据和至少两种候选图像数据，确定所述目标地图要素的属性特征、像素配准特征和混合配准特征；
对应关系确定模块502，用于根据所述目标地图要素的像素配准特征确定目标地图要素的像素对应关系，并根据所述目标地图要素的混合配准特征确定目标地图要素的混合对应关系；
特征融合模块503，用于基于所述像素对应关系和所述混合对应关系，对所述目标地图要素的属性特征进行融合处理得到目标地图要素的融合特征，并基于所述目标地图要素的融合特征确定所述目标地图要素的要素类别。
本公开实施例基于点云数据与至少两种候选图像数据共同确定目标地图要素所属要素类别，有效弥补单一数据资料的不足，提高了目标地图要素所属要素类型识别的准确率，有利于降低高精地图制作成本。本公开实施例通过基于像素配准特征和混合配准特征分别确定目标地图要素的像素对应关系和混合对应关系，打通了点云数据与至少两种候选图像数据之间的数据壁垒，建立了点云数据与至少两种候选图像数据之间的关联关系，为融合属性特征提供了指导，为融合点云数据与多模态图像数据提供数据支持，从而提高了目标地图要素所属要素类型识别的准确率。
可选的，所述对应关系确定模块502，包括：目标图像选择子模块，用于从所述至少两种候选图像数据选择目标图像数据；像素对应关系确定子模块，用于基于所述目标地图要素的像素配准特征，将所述目标图像数据与除所述目标图像数据之外的其他候选图像数据进行配准，得到目标地图要素的像素对应关系；混合对应关系确定子模块，用于基于所述目标地图要素的混合配准特征，将所述目标图像数据与所述点云数据进行配准，确定目标地图要素的混合对应关系。
可选的，所述目标图像选择子模块，包括：配准参考等级确定单元，用于根据所述候选图像数据关联的设备标定参数，确定所述候选图像数据的配准参考等级；目标图像选择单元，用于基于所述配准参考等级，从所述至少两种候选图像数据中确定目标图像数据。
可选的，像素对应关系确定子模块，具体用于基于所述目标地图要素的像素配准特征，对所述目标地图要素在所述目标图像数据中的像素坐标，以及所述目标地图要素在除所述目标图像数据之外的其他候选图像数据中的像素坐标进行配准，得到所述目标地图要素的像素对应关系。
可选的，混合对应关系确定子模块，具体用于基于所述目标地图要素的混合配准特征，将所述目标地图要素在所述目标图像数据中的像素坐标，与所述目标地图要素在所述点云数据中的点云坐标进行配准，得到所述目标地图要素的混合对应关系。
可选的，要素特征确定模块501，包括：关键像素确定子模块，用于根据所述至少两种候选图像数据，确定所述目标地图要素的关键像素；像素配准特征确定子模块，用于根据所述关键像素的像素特征，确定所述目标地图要素的像素配准特征。
可选的，要素特征确定模块501，包括：设备标定参数确定子模块，用于确定所述至少两种候选图像数据关联的设备标定参数；混合配准特征确定子模块，用于根据所述设备标定参数、所述目标地图要素在所述至少两种候选图像数据中的像素坐标，以及所述目标地图要素在所述点云数据中的点云坐标，确定所述目标地图要素的混合配准特征。
可选的，特征融合模块503，包括：第一属性特征确定子模块，用于基于所述像素对应关系，从属于所述候选图像数据的属性特征中确定所述目标地图要素的至少两种属性特征；第二属性特征确定子模块，用于基于所述混合对应关系，在属于所述点云数据的属性特征中确定所述目标地图要素的属性特征；对属于所述候选图像数据的所述属性特征和属于所述点云数据的所述属性特征进行融合处理。
可选的，所述装置还包括：要素位置确定模块，用于根据所述点云数据，确定所述目标地图要素的要素位置；要素类别确定模块，用于根据所述混合对应关系，将所述要素位置关联目标地图要素的要素类别；高精地图生成模块，用于根据所述目标地图要素的要素位置和要素类别，生成高精地图。
可选的，所述目标地图要素为车道线。
可选的，所述候选图像数据包括融合图像、全景图像和工业相机图像中的至少两种。
本公开实施例所提供的多模态融合的高精地图要素识别装置可执行本公开任意实施例所提供的多模态融合的高精地图要素识别方法，具备执行多模态融合的高精地图要素识别方法相应的功能模块和有益效果。
本公开的技术方案中，所涉及的用户信息的收集、存储、使用、加工、传输、提供和公开等，均符合相关法律法规的规定，且不违背公序良俗。
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。
图6示出了可以用来实施本公开的实施例的示例电子设备600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，电子设备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，还可存储电子设备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。
电子设备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允许电子设备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，例如多模态融合的高精地图要素识别方法。例如，在一些实施例中，多模态融合的高精地图要素识别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/或安装到电子设备600上。当计算机程序加载到RAM 503并由计算单元601执行时，可以执行上文描述的多模态融合的高精地图要素识别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）而被配置为执行多模态融合的高精地图要素识别方法。
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）、负载可编程逻辑设备（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多模态融合的高精地图要素识别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，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。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算（cloud computing），指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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 (22)

1.一种多模态融合的高精地图要素识别方法，所述方法包括：
基于目标地图要素的点云数据和至少两种候选图像数据，确定所述目标地图要素的属性特征、像素配准特征和混合配准特征；其中，像素配准特征用于对不同候选图像数据进行配准；混合配准特征包括属于点云数据的混合配准特征和属于候选图像数据的混合配准特征；所述混合配准特征用于对点云数据与候选图像数据进行配准；
根据所述目标地图要素的像素配准特征确定目标地图要素的像素对应关系，并根据所述目标地图要素的混合配准特征确定目标地图要素的混合对应关系；其中，所述像素对应关系是指不同候选图像数据中像素坐标之间的对应关系；所述混合对应关系是指点云坐标与像素坐标之间的对应关系；
基于所述像素对应关系和所述混合对应关系，对所述目标地图要素的属性特征进行融合处理得到目标地图要素的融合特征，并基于所述目标地图要素的融合特征确定所述目标地图要素的要素类别；
其中，基于所述像素对应关系和所述混合对应关系，对所述目标地图要素的属性特征进行融合处理得到目标地图要素的融合特征，包括：
基于所述像素对应关系，从属于所述候选图像数据的属性特征中确定所述目标地图要素的至少两种属性特征；
基于所述混合对应关系，在属于所述点云数据的属性特征中确定所述目标地图要素的属性特征；
对属于所述候选图像数据的所述属性特征和属于所述点云数据的所述属性特征进行融合处理。
2.根据权利要求1所述的方法，其中，所述根据所述目标地图要素的像素配准特征确定目标地图要素的像素对应关系，并根据所述目标地图要素的混合配准特征确定目标地图要素的混合对应关系，包括：
从所述至少两种候选图像数据选择目标图像数据；
基于所述目标地图要素的像素配准特征，将所述目标图像数据与除所述目标图像数据之外的其他候选图像数据进行配准，得到目标地图要素的像素对应关系；
基于所述目标地图要素的混合配准特征，将所述目标图像数据与所述点云数据进行配准，确定目标地图要素的混合对应关系。
3.根据权利要求2所述的方法，其中，所述从所述至少两种候选图像数据选择目标图像数据，包括：
根据所述候选图像数据关联的设备标定参数，确定所述候选图像数据的配准参考等级；
基于所述配准参考等级，从所述至少两种候选图像数据中确定目标图像数据。
4.根据权利要求2所述的方法，其中，基于所述目标地图要素的像素配准特征，将所述目标图像数据与除所述目标图像数据之外的其他候选图像数据进行配准，得到目标地图要素的像素对应关系，包括：
基于所述目标地图要素的像素配准特征，对所述目标地图要素在所述目标图像数据中的像素坐标，以及所述目标地图要素在除所述目标图像数据之外的其他候选图像数据中的像素坐标进行配准，得到所述目标地图要素的像素对应关系。
5.根据权利要求2所述的方法，其中，基于所述目标地图要素的混合配准特征，将所述目标图像数据与所述点云数据进行配准，确定目标地图要素的混合对应关系，包括：
基于所述目标地图要素的混合配准特征，将所述目标地图要素在所述目标图像数据中的像素坐标，与所述目标地图要素在所述点云数据中的点云坐标进行配准，得到所述目标地图要素的混合对应关系。
6.根据权利要求1所述的方法，其中，基于目标地图要素的至少两种候选图像数据，确定所述目标地图要素的像素配准特征，包括：
根据所述至少两种候选图像数据，确定所述目标地图要素的关键像素；
根据所述关键像素的像素特征，确定所述目标地图要素的像素配准特征。
7.根据权利要求1所述的方法，其中，基于目标地图要素的点云数据和至少两种候选图像数据，确定所述目标地图要素的混合配准特征，包括：
确定所述至少两种候选图像数据关联的设备标定参数；
根据所述设备标定参数、所述目标地图要素在所述至少两种候选图像数据中的像素坐标，以及所述目标地图要素在所述点云数据中的点云坐标，确定所述目标地图要素的混合配准特征。
8.根据权利要求1所述的方法，所述方法还包括：
根据所述点云数据，确定所述目标地图要素的要素位置；
根据所述混合对应关系，将所述要素位置关联目标地图要素的要素类别；
根据所述目标地图要素的要素位置和要素类别，生成高精地图。
9.根据权利要求1所述的方法，其中，所述目标地图要素为车道线。
10.根据权利要求1所述的方法，其中，所述候选图像数据包括融合图像、全景图像和工业相机图像中的至少两种。
11.一种多模态融合的高精地图要素识别装置，所述装置包括：
要素特征确定模块，用于基于目标地图要素的点云数据和至少两种候选图像数据，确定所述目标地图要素的属性特征、像素配准特征和混合配准特征；其中，像素配准特征用于对不同候选图像数据进行配准；混合配准特征包括属于点云数据的混合配准特征和属于候选图像数据的混合配准特征；所述混合配准特征用于对点云数据与候选图像数据进行配准；
对应关系确定模块，用于根据所述目标地图要素的像素配准特征确定目标地图要素的像素对应关系，并根据所述目标地图要素的混合配准特征确定目标地图要素的混合对应关系；其中，所述像素对应关系是指不同候选图像数据中像素坐标之间的对应关系；所述混合对应关系是指点云坐标与像素坐标之间的对应关系；
特征融合模块，用于基于所述像素对应关系和所述混合对应关系，对所述目标地图要素的属性特征进行融合处理得到目标地图要素的融合特征，并基于所述目标地图要素的融合特征确定所述目标地图要素的要素类别；
其中，特征融合模块，包括：第一属性特征确定子模块，用于基于所述像素对应关系，从属于所述候选图像数据的属性特征中确定所述目标地图要素的至少两种属性特征；第二属性特征确定子模块，用于基于所述混合对应关系，在属于所述点云数据的属性特征中确定所述目标地图要素的属性特征；对属于所述候选图像数据的所述属性特征和属于所述点云数据的所述属性特征进行融合处理。
12.根据权利要求11所述的装置，其中，所述对应关系确定模块，包括：
目标图像选择子模块，用于从所述至少两种候选图像数据选择目标图像数据；
像素对应关系确定子模块，用于基于所述目标地图要素的像素配准特征，将所述目标图像数据与除所述目标图像数据之外的其他候选图像数据进行配准，得到目标地图要素的像素对应关系；
混合对应关系确定子模块，用于基于所述目标地图要素的混合配准特征，将所述目标图像数据与所述点云数据进行配准，确定目标地图要素的混合对应关系。
13.根据权利要求12所述的装置，其中，所述目标图像选择子模块，包括：
配准参考等级确定单元，用于根据所述候选图像数据关联的设备标定参数，确定所述候选图像数据的配准参考等级；
目标图像选择单元，用于基于所述配准参考等级，从所述至少两种候选图像数据中确定目标图像数据。
14.根据权利要求12所述的装置，其中，像素对应关系确定子模块，具体用于基于所述目标地图要素的像素配准特征，对所述目标地图要素在所述目标图像数据中的像素坐标，以及所述目标地图要素在除所述目标图像数据之外的其他候选图像数据中的像素坐标进行配准，得到所述目标地图要素的像素对应关系。
15.根据权利要求12所述的装置，其中，混合对应关系确定子模块，具体用于基于所述目标地图要素的混合配准特征，将所述目标地图要素在所述目标图像数据中的像素坐标，与所述目标地图要素在所述点云数据中的点云坐标进行配准，得到所述目标地图要素的混合对应关系。
16.根据权利要求11所述的装置，其中，要素特征确定模块，包括：
关键像素确定子模块，用于根据所述至少两种候选图像数据，确定所述目标地图要素的关键像素；
像素配准特征确定子模块，用于根据所述关键像素的像素特征，确定所述目标地图要素的像素配准特征。
17.根据权利要求11所述的装置，其中，要素特征确定模块，包括：
设备标定参数确定子模块，用于确定所述至少两种候选图像数据关联的设备标定参数；
混合配准特征确定子模块，用于根据所述设备标定参数、所述目标地图要素在所述至少两种候选图像数据中的像素坐标，以及所述目标地图要素在所述点云数据中的点云坐标，确定所述目标地图要素的混合配准特征。
18.根据权利要求11所述的装置，所述装置还包括：
要素位置确定模块，用于根据所述点云数据，确定所述目标地图要素的要素位置；
要素类别确定模块，用于根据所述混合对应关系，将所述要素位置关联目标地图要素的要素类别；
高精地图生成模块，用于根据所述目标地图要素的要素位置和要素类别，生成高精地图。
19.根据权利要求11所述的装置，其中，所述目标地图要素为车道线。
20.根据权利要求11所述的装置，其中，所述候选图像数据包括融合图像、全景图像和工业相机图像中的至少两种。
21.一种电子设备，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1-10中任一项所述的方法。
22.一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根据权利要求1-10中任一项所述的方法。
CN202211352837.3A 2022-11-01 2022-11-01 多模态融合的高精地图要素识别方法、装置、设备及介质 Active CN115410173B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211352837.3A CN115410173B (zh) 2022-11-01 2022-11-01 多模态融合的高精地图要素识别方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211352837.3A CN115410173B (zh) 2022-11-01 2022-11-01 多模态融合的高精地图要素识别方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN115410173A CN115410173A (zh) 2022-11-29
CN115410173B true CN115410173B (zh) 2023-03-24

Family

ID=84167352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211352837.3A Active CN115410173B (zh) 2022-11-01 2022-11-01 多模态融合的高精地图要素识别方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115410173B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097444B (zh) * 2016-05-30 2017-04-12 百度在线网络技术（北京）有限公司 高精地图生成方法和装置
CN111784837B (zh) * 2020-06-28 2024-04-16 北京百度网讯科技有限公司 高精地图生成方法、装置、设备、存储介质和程序产品
CN111812658B (zh) * 2020-07-09 2021-11-02 北京京东乾石科技有限公司 位置确定方法、装置、系统和计算机可读存储介质
CN112434119A (zh) * 2020-11-13 2021-03-02 武汉中海庭数据技术有限公司 一种基于异构数据融合的高精度地图生产装置
KR102296596B1 (ko) * 2021-02-22 2021-09-03 네이버시스템(주) 자율주행 정밀도로지도 제작을 위한 mms 데이터 갱신 시스템
CN112927363A (zh) * 2021-04-07 2021-06-08 Oppo广东移动通信有限公司 体素地图构建方法及装置、计算机可读介质和电子设备
CN113688935A (zh) * 2021-09-03 2021-11-23 阿波罗智能技术(北京)有限公司 高精地图的检测方法、装置、设备以及存储介质

Also Published As

Publication number Publication date
CN115410173A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN107067003B (zh) 感兴趣区域边界的提取方法、装置、设备和计算机存储介质
EP4027299A2 (en) Method and apparatus for generating depth map, and storage medium
CN113377888B (zh) 训练目标检测模型和检测目标的方法
CN113887418A (zh) 车辆违规行驶的检测方法、装置、电子设备及存储介质
EP4105600A2 (en) Method for automatically producing map data, related apparatus and computer program product
CN113674287A (zh) 高精地图的绘制方法、装置、设备以及存储介质
CN114724117A (zh) 车道线关键点数据生成方法、装置、电子设备及存储介质
CN113408662A (zh) 图像识别、图像识别模型的训练方法和装置
CN114443794A (zh) 数据处理和地图更新方法、装置、设备以及存储介质
CN114037966A (zh) 高精地图特征提取方法、装置、介质及电子设备
CN113724388B (zh) 高精地图的生成方法、装置、设备以及存储介质
CN113779167B (zh) 一种地图数据处理方法、装置、设备以及存储介质
CN113011298B (zh) 截断物体样本生成、目标检测方法、路侧设备和云控平台
CN114186007A (zh) 高精地图生成方法、装置、电子设备和存储介质
CN114359932A (zh) 文本检测方法、文本识别方法及装置
CN115410173B (zh) 多模态融合的高精地图要素识别方法、装置、设备及介质
CN114724113B (zh) 道路标牌识别方法、自动驾驶方法、装置和设备
CN115719436A (zh) 模型训练方法、目标检测方法、装置、设备以及存储介质
CN115995075A (zh) 一种车辆自适应导航方法、装置、电子设备及存储介质
CN113706705B (zh) 用于高精地图的图像处理方法、装置、设备以及存储介质
CN113591569A (zh) 障碍物检测方法、装置、电子设备以及存储介质
CN115527028A (zh) 地图数据处理方法及装置
CN113901903A (zh) 道路识别方法和装置
CN114419564A (zh) 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆
CN114140813A (zh) 高精地图标注方法、装置、设备及存储介质

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