CN115588174A - 车道线处理方法、装置、计算机设备和存储介质 - Google Patents
车道线处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115588174A CN115588174A CN202211097600.5A CN202211097600A CN115588174A CN 115588174 A CN115588174 A CN 115588174A CN 202211097600 A CN202211097600 A CN 202211097600A CN 115588174 A CN115588174 A CN 115588174A
- Authority
- CN
- China
- Prior art keywords
- target
- sampling point
- point set
- lane line
- road section
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种车道线处理方法、装置、计算机设备和存储介质。所述方法包括:获取目标路段的多帧图像以及每帧所述图像对应的位姿点;基于所述位姿点确定所述目标路段的路段特征和路段速度;基于所述路段特征和所述路段速度对所述多帧图像进行选择,得到目标图像;基于所述目标图像生成所述目标路段的目标车道线。采用本方法能够提高车道线的精确度。
Description
技术领域
本申请涉及自动驾驶领域,特别是涉及一种车道线处理的方法、装置、计算机设备和存储介质。
背景技术
自动驾驶高度依赖于语义地图,语义地图中具有道路、交通标志、车道线、交通灯等交通元素信息,用于控制车辆的转向、速度、路径规划等。
在传统技术中,通过激光雷达等设备采集代表车道线的三维点云,对三维点云进行处理得到语义地图中的车道线,由于车辆或者其他障碍物的阻挡,三维点云会出现误采集的情况,生成的车道线存在不准确问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高车道线精确度的车道线处理方法、装置、计算机设备和计算机可读存储介质。
第一方面,本申请提供了一种车道线处理方法。所述方法包括:
获取目标路段的多帧图像以及每帧所述图像对应的位姿点;
基于所述位姿点确定所述目标路段的路段特征和路段速度;
基于所述路段特征和所述路段速度对所述多帧图像进行选择,得到目标图像;
基于所述目标图像生成所述目标路段的目标车道线。
在一个实施例中,所述基于所述路段特征和所述路段速度对所述多帧图像进行选择,得到目标图像包括:
若所述目标路段的路段速度为零,则从所述多帧图像中选择一帧图像作为目标图像;
若所述目标路段为直线路段且路段速度不为零,则基于所述路段速度确定目标数量,从所述多帧图像中选择所述目标数量的目标图像;
若所述目标路段为弯曲路段且路段速度不为零,则将所述多帧图像作为目标图像。
在一个实施例中,所述基于所述目标图像生成所述目标路段的目标车道线包括:
获取每帧所述目标图像对应的三维采样点集合;
将各个所述三维采样点采集合组合为融合采样点集合;
对所述融合采样点集合进行曲线拟合和采样,得到目标采样点集合;
基于所述目标采样点集合生成目标车道线。
在一个实施例中,所述基于所述目标图像生成所述目标路段的目标车道线包括:
若所述目标路段对应的路段速度不为零且包含直线路段和弯曲路段,则分别选择所述直线路段对应的第一目标图像和所述弯曲路段对应的第二目标图像;
将所述第一目标图像对应的三维采样点集合组成第一采样点集合,将所述第二目标图像对应的三维采样点集合组成第二采样点集合;
分别对所述第一采样点集合和所述第二采样点集合进行曲线拟合和采样,得到目标采样点集合;
基于所述目标采样点集合生成目标车道线。
在一个实施例中,所述车道线处理方法还包括:
若所述目标路段存在参考车道线,则获取参考车道线对应的参考采样点集合;
基于所述目标采样点集合与所述参考采样点集合,计算所述目标车道线与所述参考车道线之间的相离度;
将所述相离度与相离度阈值进行比较,若所述相离度小于所述相离度阈值,则对所述参考采样点集合和目标采样点集合进行曲线拟合和采样,得到更新采样点集合,基于所述更新采样点集合生成更新车道线;若所述相离度等于或者大于所述相离度阈值,则基于所述目标采样点集合生成更新车道线;
用所述更新车道线更新所述参考车道线。
在一个实施例中,所述基于所述目标采样点集合与所述参考采样点集合,计算所述目标车道线与所述参考车道线之间的相离度包括:
获取所述目标采样点集合中的目标采样点;
计算所述目标采样点与所述参考采样点集合中参考采样点之间的间隔距离,基于所述间隔距离从所述参考采样点集合中确定所述目标采样点对应的两个对照采样点;
计算所述目标采样点到所述两个对照采样点所在直线的垂直距离;
统计各个所述垂直距离,得到所述目标车道线与所述参考车道线之间的相离度。
在一个实施例中,所述车道线处理方法还包括:
若所述目标路段存在多个目标车道线,则获取多个所述目标车道线对应的目标采样点集合和位姿误差平均值;
选择所述位姿误差平均值小于误差阈值的目标车道线对应的目标采样点集合,作为匹配采样点集合;
将各个所述匹配采样点集合组成匹配融合采样点集合,对所述匹配融合采样点集合进行曲线拟合和采样,得到匹配目标采样点集合;
基于所述匹配目标采样点集合生成匹配目标车道线。
第二方面,本申请还提供了一种车道线处理装置。所述装置包括:
获取模块,用于获取目标路段的多帧图像以及每帧所述图像对应的位姿点;
确定模块,用于基于所述位姿点确定所述目标路段的路段特征和路段速度;
选择模块,用于基于所述路段特征和所述路段速度对所述多帧图像进行选择,得到目标图像;
生成模块,用于基于所述目标图像生成所述目标路段的目标车道线。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标路段的多帧图像以及每帧所述图像对应的位姿点;
基于所述位姿点确定所述目标路段的路段特征和路段速度;
基于所述路段特征和所述路段速度对所述多帧图像进行选择,得到目标图像;
基于所述目标图像生成所述目标路段的目标车道线。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取目标路段的多帧图像以及每帧所述图像对应的位姿点;
基于所述位姿点确定所述目标路段的路段特征和路段速度;
基于所述路段特征和所述路段速度对所述多帧图像进行选择,得到目标图像;
基于所述目标图像生成所述目标路段的目标车道线。
上述车道线处理方法、装置、计算机设备和存储介质,获取目标路段的多帧图像以及每帧图像对应的位姿点,根据位姿点确定目标路段的路段特征和路段速度,根据目标路段对应的路段特征和路段速度,从多帧图像中选择出目标图像,基于目标图像生成目标路段的目标车道线。通过位姿点确定目标路段对应的路段特征和路段速度,根据路段特征和路段速度选择目标图像,减少了参与生成目标车道线的目标图像的数量,从而减小了目标车道线的误差,并且提高了参与生成目标车道线的目标图像的代表性,根据目标图像生成目标路段的目标车道线,提高了目标车道线的精确度。
附图说明
图1为一个实施例中车道线处理方法的应用环境图;
图2为一个实施例中车道线处理方法的流程示意图;
图3为一个实施例中目标车道线生成步骤的流程示意图;
图4为另一个实施例中目标车道线生成步骤的流程示意图;
图5为一个实施例中车道线更新步骤的流程示意图;
图6为一个实施例中相离度计算步骤的流程示意图;
图7为一个实施例中垂直距离的示意图;
图8为另一个实施例中车道线处理方法的流程示意图;
图9为一个实施例中车道线处理装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的车道线处理方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端和服务器均可单独用于执行本申请实施例中提供的车道线处理方法。终端和服务器也可协同用于执行本申请实施例中提供的车道线处理方法。例如,终端102将车道线处理请求发送给服务器104,服务器104接收车道线处理请求,获取目标路段的多帧图像以及每帧图像对应的位姿点,根据位姿点确定所述目标路段的路段特征和路段速度,根据目标路段对应的路段特征和路段速度,从多帧图像中选择出目标图像,基于目标图像生成目标路段的目标车道线。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种车道线处理方法,该方法可应用于计算机设备,计算机设备可以是终端或服务器,由终端或服务器自身单独执行,也可以通过终端和服务器之间的交互来实现。本实施例以该方法应用于计算机设备为例进行说明,包括以下步骤:
步骤202,获取目标路段的多帧图像以及每帧图像对应的位姿点。
其中,位姿点是指具有位置信息和姿态信息的点。可以理解为,代表车辆位置信息和朝向信息的点。位置信息可以用坐标表示,姿态信息可以用角度表示。
示例性地,计算机设备从车载系统或者服务器或者云端等处,获取目标路段中采集的多帧图像,以及每帧图像对应的位姿点。
步骤204,基于位姿点确定目标路段的路段特征和路段速度。
其中,路段特征是指路段的形状特征。可以理解为路段的形状。路段特征可以为直线路段或者弯曲路段,弯曲路段可以细分为弯曲度不相同的多种弯曲路段。路段速度是指采集图像的装置所在的车辆在目标路段上行驶的速度。
示例性地,计算机设备基于每帧图像对应的位姿点进行计算,根据计算的结果确定目标路段的路段特征和路段速度。
在一个实施例中,计算机设备获取目标路段对应的多个位姿点中的当前位姿点,获取当前位姿点的后一相邻位姿点作为第一参考位姿点,获取第一参考位姿点的后一相邻位姿点作为第二参考位姿点,计算当前位姿点与第一参考位姿点之间的第一斜率,以及第一参考位姿点与第二参考位姿点之间的第二斜率,计算第二斜率与第一斜率之间的差值,得到当前位姿点对应的弯曲度,计算两个相邻的当前位姿点对应弯曲度之间的差值,如果差值均小于差异阈值,则该目标路段为直线路段,如果差值大于差异度阈值,则该目标路段为曲线路段。例如,A(x1,y1)、B(x2,y2)、C(x3,y3)三个位姿点,获取A点作为当前位姿点,则B点为第一参考位姿点、C点为第二参考位姿点,A点与B点之间的斜率为(y2-y1)/(x2-x1),B点与C点之间的斜率为(y3-y2)/(x3-x2),A点的弯曲度位(y3-y2)/(x3-x2)-(y2-y1)/(x2-x1)。
在一个实施例中,计算机设备获取平均弯曲度与路段特征之间对应关系的参照表,然后将各个当前位姿点对应的弯曲度相加,得到曲线弯曲度,将曲线弯曲度除以位姿点的个数,得到目标平均弯曲度,在参照表中查找目标平均弯曲度对应的路段特征,得到目标路段的路段特征。
在一个实施例中,计算机设备对多个位姿点进行曲线拟合得到拟合曲线,根据曲率求解公式求解拟合曲线对应的曲率表达式,将位姿点带入曲率表达式得到位姿点对应的曲率,计算间隔预设数量位姿点的两个位姿点对应的曲率之间的差值,如果差值均小于差异阈值,则该目标路段为直线路段,如果差值大于差异度阈值,则该目标路段为曲线路段。
在一个实施例中,计算机设备获取目标路段对应的首个位姿点和末尾位姿点,以及首个位姿点对应的第一时刻和末尾位姿点对应的第二时刻,计算首个位姿点与末尾位姿点之间的物理距离、第一时刻与第二时刻之间的时间间隔,基于物理距离和时间间隔计算得到路段速度。
在一个实施例中,计算机设备获取每个位姿点对应的时刻,计算相邻两个位姿点之间的物理距离,计算相邻两个位姿点对应时刻之间的时间间隔,将物理距离除以时间间隔得到相邻两个位姿点之间的速度,将各个相邻位姿点对应的速度相加得到总速度,统计相加速度的数量得到总数量,将总速度除以总数量,得到目标路段的路段速度。
步骤206,基于路段特征和路段速度对多帧图像进行选择,得到目标图像。
示例性地,计算机设备根据目标路段的路段特征和路段速度确定选择方案,然后按照选择方案从多帧图像中选择出目标图像
在一个实施例中,计算机设备获取路段属性与选择方案之间的匹配表,路段属性中包括多个特征属性,多个特征属性的组合对应一个选择方案,根据目标路段对应的多个特征属性在匹配表中查询目标路段对应的选择方案。例如,匹配表中的第一特征属性为路段特征,具体分为直线路段和多个弯曲程度的弯曲路段,匹配表中的第二特征属性为路段速度,具体分为多个速度区间,根据目标路段对应的路段特征和路段速度确定目标路段对应的选择方案,然后根据选择方案从多帧图像中选择出目标图像。
步骤208,基于目标图像生成目标路段的目标车道线。
其中,车道线是指道路中对车辆的行驶起约束保障作用的线段。车道线是道路交通中重要的交通标志。车道线包括但不限于白色虚线、白色实线、黄色虚线、黄色实线。例如,准许行人穿过车道的人行横道线、分隔同向行驶车辆的车道分界线等等。
示例性地,计算机设备根据目标图像生成目标路段的目标车道线。
上述车道线处理方法中,获取目标路段的多帧图像以及每帧图像对应的位姿点,根据位姿点确定目标路段的路段特征和路段速度,根据目标路段对应的路段特征和路段速度,从多帧图像中选择出目标图像,基于目标图像生成目标路段的目标车道线。通过位姿点确定目标路段对应的路段特征和路段速度,根据路段特征和路段速度选择目标图像,减少了参与生成目标车道线的目标图像的数量,从而减小了目标车道线的误差,并且提高了参与生成目标车道线的目标图像的代表性,根据目标图像生成目标路段的目标车道线,提高了目标车道线的精确度。
在一个实施例中,基于路段特征和路段速度对多帧图像进行选择,得到目标图像包括:
若目标路段的路段速度为零,则从多帧图像中选择一帧图像作为目标图像;若目标路段为直线路段且路段速度不为零,则基于路段速度确定目标数量,从多帧图像中选择目标数量的目标图像;若目标路段为弯曲路段且路段速度不为零,则将多帧图像作为目标图像。
示例性地,计算机设备获取到目标路段对应的路段速度为零,则从多帧图像中选择一帧图像作为目标图像,如果目标路段为直线路段,则根据路段速度确定目标数量,然后从多帧图像中选择目标数量的目标图像,如果目标路段为弯曲路段且路段速度不为零,则将目标路段对应的所有图像作为目标图像。
在一个实施例中,计算计算设备从目标图像中选择目标图像为随机抽选,例如,目标路段为直线路段,则根据路段速度确定目标数量,然后从多帧图像中随机选择目标数量的目标图像。
在一个实施例中,计算机设备从目标图形中选择目标图像为间隔抽选,例如,目标路段为直线路段,则根据路段速度确定目标数量,然后用目标路段对应多帧图像的总数量除以目标数量,得到抽取间隔,然后从多帧图像中每间隔抽检间隔选择一张目标图像。
本实施例中,根据路段特征和路段速度选择目标图像,减少了参与生成目标车道线的目标图像的数量,从而减小了目标车道线的误差,并且提高了参与生成目标车道线的目标图像的代表性。
在一个实施例中,如图3所示,基于目标图像生成目标路段的目标车道线包括:
步骤302,获取每帧目标图像对应的三维采样点集合。
其中,三维采样点集合是指由多个代表图像中车道线的三维坐标点组成的集合。三维坐标点是指是通过相互独立的三个变量构成的具有一定意义的点。三维坐标点表示空间中的点,在不同的三维坐标系下具有不同的表达形式,例如,三维笛卡尔坐标系中的三维坐标点(x,y,z),x、y、z分别是拥有共同的原点且彼此相互正交的X轴,Y轴,Z轴的坐标值。
示例性地,计算机设备获取代表每一帧目标图像中车道线的三维采样点集合。
步骤304,将各个三维采样点采集合组合为融合采样点集合。
示例性地,计算机设备将多个三维采样点集合组合成一个融合采样点集合。
步骤306,对融合采样点集合进行曲线拟合和采样,得到目标采样点集合;
其中,曲线拟合是指用解析表达式逼近离散数据的一种方法。可以理解为,用连续曲线近似地刻画或比拟平面上的离散点集合。采样是指从总体中抽取个体的过程。采样包括随机采样和非随机采样,随机采样是指遵照随机化原则从总体中抽取个体,非随机采样是指根据设定规则从总体中抽取个体。
示例性地,计算机设备对融合采样点集合进行曲线拟合,得到拟合曲线,然后对拟合曲线进行采样,得到目标采样点集合。
步骤308,基于目标采样点集合生成目标车道线。
示例性的,计算机设备根据目标采样点集合生成目标车道线。
在一个实施例中,计算机设备用线段连接任意相邻两个的目标采样点,由目标采样点以及相邻目标采样点之间的线段组成目标车道线。
在一个实施例中,计算机设备对目标采样点集合进行平滑滤波,得到优化后的目标采样点集合,基于优化后的目标采样点序列生成目标车道线。
本实施例中,获取代表每一帧目标图像中车道线的三维采样点集合,将多个三维采样点集合组合成一个融合采样点集合,对融合采样点集合进行曲线拟合,得到拟合曲线,然后对拟合曲线进行采样,得到目标采样点集合,根据目标采样点集合生成目标车道线。通过对融合采样点集合进行曲线拟合和采样得到的目标采样点集合,曲线拟合的过程中过滤掉了偏离整体的三维采样点,减少了目标采样点集合中存在误差的目标采样点,提高了目标车道线平滑度和精确度。
在一个实施例中,如图4所示,基于目标图像生成目标路段的目标车道线包括:
步骤402,若目标路段对应的路段速度不为零且包含直线路段和弯曲路段,则分别选择直线路段对应的第一目标图像和弯曲路段对应的第二目标图像。
示例性的,计算机设备判断目标路段的路段速度不为零,且目标路段中包含直线路段和弯曲路段,则根据直线路段的对应的位姿点计算直线路段的路段速度,根据直线路段的路段速度确定目标数量,然后从直线路段对应的多帧图像中选择目标数量的第一目标图像,将弯曲路段对应的所有图像作为第二目标图像。
步骤404,将第一目标图像对应的三维采样点集合组成第一采样点集合,将第二目标图像对应的三维采样点集合组成第二采样点集合。
示例性的,计算机设备获取第一目标图像对应的三维采样点集合,将第一目标图像对应的三维采样点集合组合成第一采样点集合,然后获取第二目标图像对应的三维采样点集合,将第二目标图像对应的三维采样点集合组合成第二采样点集合。
步骤406,分别对第一采样点集合和第二采样点集合进行曲线拟合和采样,得到目标采样点集合。
示例性的,计算机设备对第一采样点集合进行曲线拟合,得到第一拟合曲线,对第一拟合曲线进行采样,得到第一目标采样点集合,然后对第二采样点集合进行曲线拟合,得到第二拟合曲线,对第二拟合曲线进行采样,得到第二目标采样点集合,最后将第一目标采样点集合和第二目标采样点集合组成目标采样点集合。
步骤408,基于目标采样点集合生成目标车道线。
示例性的,计算机设备根据目标采样点集合生成目标车道线。
本实施例中,分别对弯曲路段对应的第一采样点集合和直线路段对应的第二采样点集合进行曲线拟合,保留了第一采样点集合的分布特性和第二采样点集合的分布特性,提高了曲线拟合的精确度,从而提高了目标采样点集合的精确度,根据目标采样点集合生成目标车道线,提高了目标车道线的精确度。
在一个实施例中,如图5所示,车道线处理方法还包括:
步骤502,若目标路段存在参考车道线,则获取参考车道线对应的参考采样点集合。
其中,参考车道线是指语义地图中已存在的目标路段对应的车道线。
示例性的,计算机设备查询语义地图中是否存在目标路段的参考车道线,如果存在,则获取参考车道线对应的参考采样点集合。
步骤504,基于目标采样点集合与参考采样点集合,计算目标车道线与参考车道线之间的相离度。
其中,相离度是指对象与对象之间相离的程度。相离度可以用对象与对象之间的距离表示,也可以用对象与对象之间的平均距离表示等等。
示例性的,计算机设备根据目标采样点集合与参考采样点集合,计算目标车道线与参考车道线之间的相离度。
步骤506,将相离度与相离度阈值进行比较,若相离度小于相离度阈值,则对参考采样点集合和目标采样点集合进行曲线拟合和采样,得到更新采样点集合,基于更新采样点集合生成更新车道线;若相离度等于或者大于相离度阈值,则基于目标采样点集合生成更新车道线。
示例性的,计算机设备将相离度与相离度阈值进行比较,如果相离度小于相离度阈值,则将参考采样点集合和目标采样点集合组成融合采样点集合,对融合采样点集合进行曲线拟合和采样,得到更新采样点集合,用更新采样点集合生成更新车道线;如果相离度等于或者大于相离度阈值,则用目标采样点集合生成更新车道新。
步骤508,用更新车道线更新参考车道线。
示例性的,计算机设备用更新车道线替换语义地图中的参考车道线。
本实施例中,如果语义地图中已经存在目标车道对应的参考车道线,则计算参考车道线对应的参考采样点集合与目标采样点集合之间的相离度,如果相离度小于相离度阈值,说明参考采样点集合与目标采样点集合之间偏离程度较小,则将参考采样点集合和目标采样点集合进行曲线拟合和采样,用得到的更新采样点集合生成更新车道线,可以理解为使用目标采样点集合对参考采样点集合进行调整,提高更新车道线的精确度,如果相离度大于或者等于相离度阈值,说明参考采样点集合的误差较大,则直接用目标采样点集合生成更新车道线,用更新车道线替换参考车道线,提高了语义地图中车道线的精确度。
在一个实施例中,如图6所示,基于目标采样点集合与参考采样点集合,计算目标车道线与参考车道线之间的相离度包括:
步骤602,获取目标采样点集合中的目标采样点。
示例性地,计算机设备从目标采样点集合中获取一个目标采样点。
步骤604,计算目标采样点与参考采样点集合中参考采样点之间的间隔距离,基于间隔距离从参考采样点集合中确定目标采样点对应的两个对照采样点。
示例性地,计算机设备计算目标采样点与参考采样点集合中每一个参考采样点之间的间隔距离,根据间隔距离选择目标采样点对应的两个对照采样点。
在一个实施例中,计算机设备对目标采样点对应的多个间隔距离进行比较,选择最短的间隔距离对应的参考采样点和第二短的间隔距离对应的参考采样点作为对照采样点。
在一个实施例中,计算机设备对间隔距离相加得到距离总和,将距离总和除以间隔距离的数量,得到间隔距离平均值,将各个间隔距离与间隔距离平均值进行比较,选择与间隔距离平均值最相近的两个参考间隔距离,将两个参考间隔距离对应的参考采样点作为对照采样点。
步骤606,计算目标采样点到两个对照采样点所在直线的垂直距离,。
示例性地,计算机设备根据三维空间中采样点到直线的垂直距离的计算方法,计算目标采样点到两个对照点所在直线的垂直距离。例如,如图7所示,目标采样点A,两个对照采样点分别为B、C,A、B、C均用采样坐标点表示,目标采样点A减去对照采样点B得到向量BA,对照采样点B减去对照采样点C得到向量BC,向量BA与向量BC进行叉乘,得到叉乘结果,向量BA的长度与向量BC的长度进行相乘,得到乘积结果,用叉乘结果除以乘积结果得到向量BA与向量BC之间夹角α的正弦值,将向量BA的长度和α的正弦值相乘,得到目标采样点A点到对照采样点B和C所在直线的垂直距离。
步骤608,统计各个垂直距离,得到目标车道线与参考车道线之间的相离度。
示例性地,计算机设备根据设定的计算规则对各个垂直距离进行统计,得到目标采样点集合与参考采样点集合之间的相离度。
在一个实施例中,计算机设备对各个垂直距离进行比较,选择垂直距离的中间值作为目标采样点集合与参考采样点集合之间的相离度。
在一个实施例中,计算机设备将目标采样点集合中每个目标采样点对应的垂直距离进行相加,将相加得到的结果除以目标采样点集合中目标采样点的总数量,得到目标采样点集合与参考采样点集合之间的相离度。
在本实施例中,从参考采样点集合中选择出两个对照采样点,计算目标采样点到两个对照采样点所在直线的垂直距离,垂直距离可以准确的表示目标采样点到参考采样点集合之间的距离,对各个垂直距离进行统计,得到目标采样点集合与参考采样点集合之间的相离度,可以准确的表示目标采样点集合与参考采样点集合之间的相离度,提高相离度计算的准确性。
在一个实施例中,车道线处理方法还包括:
若目标路段存在多个目标车道线,则获取多个目标车道线对应的目标采样点集合和位姿误差平均值;选择位姿误差平均值小于误差阈值的目标车道线对应的目标采样点集合,作为匹配采样点集合;将各个匹配采样点集合组成匹配融合采样点集合,对匹配融合采样点集合进行曲线拟合和采样,得到匹配目标采样点集合;基于匹配目标采样点集合生成匹配目标车道线。
其中,位姿误差平均值是指位姿点误差的平均值。可以理解为,目标路段对应的位姿点误差的平均值,可以衡量目标路段位姿点的准确程度。位姿点误差可以为相对位姿误差和绝对轨迹误差等等。
示例性地,计算机设备获取到多个车辆提供的目标路段对应的目标车道线,然后获取每个目标车道线对应的目标采样点集合和位姿误差平均值,将每个位姿误差平均值与误差阈值进行比较,如果位姿误差平均值小于误差阈值,则确定该位姿误差平均值对应的目标采样点集合为匹配采样点集合,将各个匹配采样点集合组成匹配融合采样点集合,对匹配融合采样点集合进行曲线拟合和采样,得到匹配目标采样点集合,基于匹配目标采样点集合生成匹配车道线,然后将匹配车道线作为语义地图中目标路段的车道线。
本实施例中,通过对位姿误差平均值与误差阈值进行比较,选择位姿误差平均值小于误差阈值的目标采样点集合作为匹配采样点集合,位姿误差平均值小,说明位姿点的准确率高,与位姿误差平均值对应的目标采样点集合的准确率高,将准确率高的目标采样点集合作为匹配采样点集合,提高了匹配目标采样点集合的准确率,基于匹配目标采样点集合生成目标车道线,提高了匹配目标车道线的准确率。
在一个示例性地实施例中,车道线处理的方法如图8所示:
获取在目标路段拍摄的多张图片,以及拍摄每一张图片时目标车辆的位姿点,通过车载系统中的感知模型将每一张图片中的目标车道线转换成一个三维采样点集合。
基于位姿点进行计算,根据计算的结果确定目标路段的路段特征和路段速度,如果目标路段对应的路段速度为零,则从多帧图像中选择一帧图像作为目标图像,如果目标路段为直线路段,则根据路段速度确定目标数量,然后从多帧图像中选择目标数量的目标图像,如果目标路段为弯曲路段且路段速度不为零,则将目标路段对应的所有图像作为目标图像。
获取每一帧目标图像对应的三维采样点集合,将多个三维采样点集合组合成一个融合采样点集合,对融合采样点集合进行曲线拟合,得到拟合曲线,然后对拟合曲线进行采样,得到目标采样点集合。
查询语义地图中是否存在目标路段的参考车道线,如果存在目标路段的参考车道线,则获取参考车道线对应的参考采样点集合,计算目标采样点集合与参考采样点集合之间的相离度,将相离度与相离度阈值进行比较,如果相离度小于相离度阈值,则将参考采样点集合和目标采样点集合组成融合采样点集合,对融合采样点集合进行曲线拟合和采样,得到更新采样点集合,用更新采样点集合生成目标车道线;如果相离度等于或者大于相离度阈值,则用目标采样点集合生成目标车道新。
如果语义地图中不存在目标路段的参考车道线,则查询目标路段是否存在多个车辆提供的目标采样点集合,如果存在多个目标采样点集合,则获取多个车辆提供的目标采样点集合和与目标采样点集合对应的位姿误差平均值,将每个位姿误差平均值与误差阈值进行比较,如果位姿误差平均值小于误差阈值,则确定位姿误差平均值对应的目标采样点集合为匹配采样点集合,将各个匹配采样点集合组成匹配融合采样点集合,对匹配融合采样点集合进行曲线拟合和采样,得到匹配目标采样点集合,基于匹配目标采样点集合生成匹配目标车道线,将匹配车道线作为语义地图中目标路段的车道线;如果不存在多个目标采样点集合,则基于上述的目标采样点集合生成目标车道线,将目标车道线作为语义地图中目标路段的车道线。
在本实施例中,获取目标路段的多帧图像以及每帧图像对应的位姿点,根据位姿点确定目标路段的路段特征和路段速度,根据目标路段对应的路段特征和路段速度,从多帧图像中选择出目标图像,基于目标图像生成目标路段的目标车道线。通过位姿点确定目标路段对应的路段特征和路段速度,根据路段特征和路段速度选择目标图像,减少了参与生成目标车道线的目标图像的数量,从而减小了目标车道线的误差,并且提高了参与生成目标车道线的目标图像的代表性,根据目标图像生成目标路段的目标车道线,提高了目标车道线的精确度。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的车道线处理方法的车道线处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个车道线处理装置实施例中的具体限定可以参见上文中对于车道线处理方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种车道线处理装置,包括获取模块、确定模块、选择模块、生成模块,其中:
获取模块902,用于获取目标路段的多帧图像以及每帧图像对应的位姿点;
确定模块904,用于基于位姿点确定目标路段的路段特征和路段速度;
选择模块906,用于基于路段特征和路段速度对多帧图像进行选择,得到目标图像;
生成模块908,用于基于目标图像生成目标路段的目标车道线。
在一个实施例中,选择模块906还用于:若目标路段的路段速度为零,则从多帧图像中选择一帧图像作为目标图像;若目标路段为直线路段且路段速度不为零,则基于路段速度确定目标数量,从多帧图像中选择目标数量的目标图像;若目标路段为弯曲路段且路段速度不为零,则将多帧图像作为目标图像。
在一个实施例中,生成模块908还用于:获取每帧目标图像对应的三维采样点集合;将各个三维采样点采集合组合为融合采样点集合;对融合采样点集合进行曲线拟合和采样,得到目标采样点集合;基于目标采样点集合生成目标车道线。
在一个实施例中,生成模块908还用于:若目标路段对应的路段速度不为零且包含直线路段和弯曲路段,则分别选择直线路段对应的第一目标图像和弯曲路段对应的第二目标图像;将第一目标图像对应的三维采样点集合组成第一采样点集合,将第二目标图像对应的三维采样点集合组成第二采样点集合;分别对第一采样点集合和第二采样点集合进行曲线拟合和采样,得到目标采样点集合;基于目标采样点集合生成目标车道线。
在一个实施例中,生成模块908还包括第一获取单元、相离度计算单元、比较单元、更新单元,其中:
第一获取单元,用于若目标路段存在参考车道线,则获取参考车道线对应的参考采样点集合;
相离度计算单元,用于基于目标采样点集合与参考采样点集合,计算目标车道线与参考车道线之间的相离度;
比较单元,用于将相离度与相离度阈值进行比较,若相离度小于相离度阈值,则对参考采样点集合和目标采样点集合进行曲线拟合和采样,得到更新采样点集合,基于更新采样点集合生成更新车道线;若相离度等于或者大于相离度预设,则基于目标采样点集合生成更新车道线;
更新单元,用于用更新车道线更新参考车道线。
在一个实施例中,相离度计算单元还用于:获取目标采样点集合中的目标采样点;计算目标采样点与参考采样点集合中参考采样点之间的间隔距离,基于间隔距离从参考采样点集合中确定目标采样点对应的两个对照采样点;计算目标采样点到两个对照采样点所在直线的垂直距离;统计各个垂直距离,得到目标车道线与参考车道线之间的相离度。
在一个实施例中,生成模块908还用于:若目标路段存在多个目标车道线,则获取多个目标车道线对应的目标采样点集合和位姿误差平均值;选择位姿误差平均值小于误差阈值的目标车道线对应的目标采样点集合,作为匹配采样点集合;将各个匹配采样点集合组成匹配融合采样点集合,对匹配融合采样点集合进行曲线拟合和采样,得到匹配目标采样点集合;基于匹配目标采样点集合生成目标车道线。
上述车道线处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车道线调整方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,示例性地计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了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上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种车道线处理方法,其特征在于,所述方法包括:
获取目标路段的多帧图像以及每帧所述图像对应的位姿点;
基于所述位姿点确定所述目标路段的路段特征和路段速度;
基于所述路段特征和所述路段速度对所述多帧图像进行选择,得到目标图像;
基于所述目标图像生成所述目标路段的目标车道线。
2.根据权利要求1所述的方法,其特征在于,所述基于所述路段特征和所述路段速度对所述多帧图像进行选择,得到目标图像包括:
若所述目标路段的路段速度为零,则从所述多帧图像中选择一帧图像作为目标图像;
若所述目标路段为直线路段且路段速度不为零,则基于所述路段速度确定目标数量,从所述多帧图像中选择所述目标数量的目标图像;
若所述目标路段为弯曲路段且路段速度不为零,则将所述多帧图像作为目标图像。
3.根据权利要求1所述的方法,其特征在于,所述基于所述目标图像生成所述目标路段的目标车道线包括:
获取每帧所述目标图像对应的三维采样点集合;
将各个所述三维采样点采集合组合为融合采样点集合;
对所述融合采样点集合进行曲线拟合和采样,得到目标采样点集合;
基于所述目标采样点集合生成目标车道线。
4.根据权利要求1所述的方法,其特征在于,所述基于所述目标图像生成所述目标路段的目标车道线包括:
若所述目标路段对应的路段速度不为零且包含直线路段和弯曲路段,则分别选择所述直线路段对应的第一目标图像和所述弯曲路段对应的第二目标图像;
将所述第一目标图像对应的三维采样点集合组成第一采样点集合,将所述第二目标图像对应的三维采样点集合组成第二采样点集合;
分别对所述第一采样点集合和所述第二采样点集合进行曲线拟合和采样,得到目标采样点集合;
基于所述目标采样点集合生成目标车道线。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述目标路段存在参考车道线,则获取参考车道线对应的参考采样点集合;
基于所述目标采样点集合与所述参考采样点集合,计算所述目标车道线与所述参考车道线之间的相离度;
将所述相离度与相离度阈值进行比较,若所述相离度小于所述相离度阈值,则对所述参考采样点集合和目标采样点集合进行曲线拟合和采样,得到更新采样点集合,基于所述更新采样点集合生成更新车道线;若所述相离度等于或者大于所述相离度阈值,则基于所述目标采样点集合生成更新车道线;
用所述更新车道线更新所述参考车道线。
6.根据权利要求5所述的方法,其特征在于,所述基于所述目标采样点集合与所述参考采样点集合,计算所述目标车道线与所述参考车道线之间的相离度包括:
获取所述目标采样点集合中的目标采样点;
计算所述目标采样点与所述参考采样点集合中参考采样点之间的间隔距离,基于所述间隔距离从所述参考采样点集合中确定所述目标采样点对应的两个对照采样点;
计算所述目标采样点到所述两个对照采样点所在直线的垂直距离;
统计各个所述垂直距离,得到所述目标车道线与所述参考车道线之间的相离度。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述目标路段存在多个目标车道线,则获取多个所述目标车道线对应的目标采样点集合和位姿误差平均值;
选择所述位姿误差平均值小于误差阈值的目标车道线对应的目标采样点集合,作为匹配采样点集合;
将各个所述匹配采样点集合组成匹配融合采样点集合,对所述匹配融合采样点集合进行曲线拟合和采样,得到匹配目标采样点集合;
基于所述匹配目标采样点集合生成匹配目标车道线。
8.一种车道线处理的装置,其特征在于,所述装置包括:
获取模块,用于获取目标路段的多帧图像以及每帧所述图像对应的位姿点;
确定模块,用于基于所述位姿点确定所述目标路段的路段特征和路段速度;
选择模块,用于基于所述路段特征和所述路段速度对所述多帧图像进行选择,得到目标图像;
生成模块,用于基于所述目标图像生成所述目标路段的目标车道线。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211097600.5A CN115588174A (zh) | 2022-09-08 | 2022-09-08 | 车道线处理方法、装置、计算机设备和存储介质 |
PCT/CN2023/070501 WO2023131203A1 (zh) | 2022-01-04 | 2023-01-04 | 语义地图更新方法、路径规划方法以及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211097600.5A CN115588174A (zh) | 2022-09-08 | 2022-09-08 | 车道线处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115588174A true CN115588174A (zh) | 2023-01-10 |
Family
ID=84771745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211097600.5A Pending CN115588174A (zh) | 2022-01-04 | 2022-09-08 | 车道线处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115588174A (zh) |
-
2022
- 2022-09-08 CN CN202211097600.5A patent/CN115588174A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11320836B2 (en) | Algorithm and infrastructure for robust and efficient vehicle localization | |
EP3361278B1 (en) | Autonomous vehicle localization based on walsh kernel projection technique | |
US20200132476A1 (en) | Method and apparatus for producing a lane-accurate road map | |
US20190066328A1 (en) | Method, apparatus, and system for a vertex-based evaluation of polygon similarity | |
CN110386142A (zh) | 用于自动驾驶车辆的俯仰角校准方法 | |
CN108981730A (zh) | 用于为操作自动驾驶车辆生成参考路径的方法和系统 | |
US8589075B1 (en) | Method, system, and computer program product for visualizing trip progress | |
CN108995657A (zh) | 操作自动驾驶车辆的方法和数据处理系统 | |
WO2020055767A1 (en) | Mapping objects detected in images to geographic positions | |
CN111295569B (zh) | 用于生成道路地图的系统和方法 | |
TW201738838A (zh) | 共乘路徑的計算方法及使用此方法的計算裝置與記錄媒體 | |
CN111415024A (zh) | 一种到达时间预估方法以及预估装置 | |
US20240077331A1 (en) | Method of predicting road attributers, data processing system and computer executable code | |
CN112236764A (zh) | 数字制图的视口外位置指示 | |
CN113592015B (zh) | 定位以及训练特征匹配网络的方法和装置 | |
Huang et al. | Multi-view and multi-scale localization for intelligent vehicles in underground parking lots | |
CN115588174A (zh) | 车道线处理方法、装置、计算机设备和存储介质 | |
CN115222815A (zh) | 障碍物距离检测方法、装置、计算机设备和存储介质 | |
CN114882183A (zh) | 车道线标注方法、装置、计算机设备及存储介质 | |
Wong et al. | Single camera vehicle localization using feature scale tracklets | |
CN115112144A (zh) | 导航方法、装置、设备、存储介质和程序产品 | |
CN111968030B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
JP2015207168A (ja) | 情報提示システム、方法及びプログラム | |
CN114743395A (zh) | 一种信号灯检测方法、装置、设备及介质 | |
CN113543307B (zh) | 视觉信息特征指纹库构建方法、定位方法及装置 |
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 |