CN116229446A - 路面文字识别的处理方法、装置及介质 - Google Patents

路面文字识别的处理方法、装置及介质 Download PDF

Info

Publication number
CN116229446A
CN116229446A CN202310245858.3A CN202310245858A CN116229446A CN 116229446 A CN116229446 A CN 116229446A CN 202310245858 A CN202310245858 A CN 202310245858A CN 116229446 A CN116229446 A CN 116229446A
Authority
CN
China
Prior art keywords
point cloud
text
value
pavement
road surface
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310245858.3A
Other languages
English (en)
Inventor
邵书竹
赖晗
李兴涛
张建平
余汪江
夏坤
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.)
Wuhan Navinfo Technology Co ltd
Original Assignee
Wuhan Navinfo 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 Wuhan Navinfo Technology Co ltd filed Critical Wuhan Navinfo Technology Co ltd
Priority to CN202310245858.3A priority Critical patent/CN116229446A/zh
Publication of CN116229446A publication Critical patent/CN116229446A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19107—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Instructional Devices (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种路面文字识别的处理方法、装置及介质，该方法包括：获取地图采集车采集到的待识别路面的激光点云；根据路面分离算法，从激光点云数据中分离获取路面点云，并将路面点云转换为二维的强度俯视BEV图像；采用图像语义分割神经网络，对BEV图像进行识别处理，以获取含有路面标志的语义信息，并从含有路面标志的语义信息中分离获取含有文字的像素；根据含有文字像素，并采用文本识别网络，获取含有路面文字内容的文字检测框，并保存至地图数据库中。本发明对路面文字识别的处理的准确率高、效率高，从而可提高对携带有路面印刷文字的高精度地图制作的准确率和效率。

Description

路面文字识别的处理方法、装置及介质
技术领域
本发明涉及高精度地图技术领域，尤其涉及一种路面文字识别的处理方法、装置及介质。
背景技术
高精度地图(High Definition Map，HD Map)在自动驾驶领域具有重要意义，自动驾驶车可根据高精度地图获知到当前行驶道路的路况和当前周围环境，进而可做出相应的驾驶处理。基于高精度地图对于自动驾驶的辅助作用，使得对高精度地图的精准制作成本领域技术人员研究的热点，尤其是对携带有与道路规章相关的路面印刷文字的高精度地图的制作。
现有技术中，对于携带有路面印刷文字的高精度地图的制作，首先需采集携带有路面印刷文字的路面图像，利用目标检测模型对路面图像进行目标检测处理，以识别路面印刷文字的文本框像素，并将文本框像素所对应的坐标经过图像深度转换处理，以获取文字识别结果；而后将路面识别结果标记在高精度地图的相应位置上，以完成携带有路面印刷文字的高精度地图的制作。
但是，现有技术采集路面图像易受到天气因素以及遮挡物的影响，这可能导致初步采集到的路面图像不够清晰，而基于不够清晰的图像，利用深度图像转换处理方法而得到的路面文字识别结果不够精准，又由于深度图像处理存在位置偏差影响，增加了人工矫正的工作量，从而降低了对文字识别的处理效率，进而影响了高精度地图的制作效率。
发明内容
本发明提供一种路面文字识别的处理方法、装置及介质，以解决现有技术中对携带有路面印刷文字的高精度地图制作精准度、效率不高的问题。
本发明的第一方面提供一种路面文字的识别处理方法，包括：
获取地图采集车采集到的待识别路面的激光点云；
根据路面分离算法，从所述激光点云数据中分离获取路面点云，并将所述路面点云转换为二维的强度俯视BEV图像；
采用图像语义分割神经网络，对所述BEV图像进行识别处理，以获取含有路面标志的语义信息，并从所述含有路面标志的语义信息中分离获取含有文字的像素；
根据所述含有文字像素，并采用文本识别网络，获取含有路面文字内容的文字检测框，并保存至地图数据库中。
在一种可选的实施方式中，所述根据路面分离算法，从所述激光点云中分离获取路面点云，包括：
遍历所述激光点云中的每个点的坐标信息，以获取最大的X值，最大的Y值，最大的Z值，最小的X值，最小的Y值和最小的Z值，将最大的X值，最大的Y值，最大的Z值，最小的X值，最小的Y值和最小的Z值作为所述激光点云的边界；
根据所述激光点云的边界，确定网格划分参数，并根据所述网格划分参数，对所述激光点云进行划分处理以构建点云网格；
获取所述地图采集车行驶的GPS轨迹，并根据所述GPS轨迹，获取所述采集车的高度范围；
以所述GPS轨迹作为种子点，根据所述地图采集车的高度范围中的最大高度值、预设高度阈值范围和预设密度阈值，从所述点云网格中获取有效网格，其中，每个所述有效网格内的点云密度超过所述预设密度阈值；
将所述有效网格的点组成的点集，作为所述路面点云。
在一种可选的具体实施方式中，所述将所述路面点云转换为二维的强度俯视BEV图像，包括：
根据预设的距离，对所述GPS轨迹进行划分处理，以获取多个轨迹路段，其中，每个所述轨迹路段内包括多个GPS点；
遍历每个轨迹路段，以检验所述轨迹路段中的所述多个GPS点是否真正落在所述轨迹路段中；
对于检验后的每个轨迹路段：
以所述轨迹路段中的中心GPS点为中心，将所述轨迹路段中所有GPS点对应的记录时间中的最大记录时间和最小记录时间作为时间区间，遍历所述路面点云，以获取所述时间区间内的第一路面点云；
根据所述第一路面点云到所述轨迹路段中的每个GPS点的距离，筛选满足预设范围的第二路面点云，并将所述第二路面点云映射到预设的二维像素坐标中，以记录所述第二路面点云与所述像素坐标的位置索引；
根据所述位置索引，将所述第二路面点云生成所述BEV图像。
在一种可选的实施方式中，所述遍历每个轨迹路段，以检验所述轨迹路段中的所述多个GPS点是否真正落在所述轨迹路段中，包括：
对于第k个轨迹路段，根据所述预设距离D，采用公式：
centerDisk＝(k*(1-overlay)+0.5)*D
获取所述第k个轨迹路段中的中心GPS点到所述GPS轨迹的起始GPS点的第一距离，并遍历所述第k个轨迹路段中的其他GPS点与所述中心GPS点的第二距离是否在centerDisk/2范围内，以确定所述其他GPS点是否落在所述第k个轨迹路段；
其中，overlay表示相邻轨迹路段GPS轨迹长度的重复率。
在一种可选的具体实施方式中，所述根据所述含有文字像素，并采用文本识别网络，获取含有路面文字内容的文字检测框，包括：
针对每个所述文字像素，利用连通域查找法，获取与所述文字像素的关联文字像素，对所述文字像素以及与所述文字像素的关联文字像素进行聚类处理，获取文字串像素；
根据所述文字串像素的像素坐标，获取所述文字串像素的最小外包框的角点，并根据所述角点，获取所述文字串像素所对应的文字串原子图以及与所述文字串原子图对应的黑白文字图像；
采用文本识别网络，对所述黑白文字图像进行文本识别处理，获取含有路面文字内容的文字检测框。
本发明的第二方面提供一种路面文字识别的处理装置，包括：
获取模块，用于获取地图采集车采集到的待识别路面的激光点云；
处理模块，用于根据路面分离算法，从所述激光点云数据中分离获取路面点云，并将所述路面点云转换为二维的强度俯视BEV图像；
所述获取模块，还用于采用图像语义分割神经网络，对所述BEV图像进行识别处理，以获取含有路面标志的语义信息，并从所述含有路面标志的语义信息中分离获取含有文字的像素；
所述处理模块，还用于根据所述含有文字像素，并采用文本识别网络，获取含有路面文字内容的文字检测框，并保存至地图数据库中。
在一种可选的具体实施方式中，所述获取模块，具体用于：
遍历所述激光点云中的每个点的坐标信息，以获取最大的X值，最大的Y值，最大的Z值，最小的X值，最小的Y值和最小的Z值，将最大的X值，最大的Y值，最大的Z值，最小的X值，最小的Y值和最小的Z值作为所述激光点云的边界；
获取所述地图采集车行驶的GPS轨迹，并根据所述GPS轨迹，获取所述采集车的高度范围；
根据所述激光点云的边界和所述采集车的高度，确定网格划分参数，并根据所述网格划分参数，对所述激光点云进行划分处理以构建点云网格；
以所述GPS轨迹作为种子点，根据所述地图采集车的高度范围中的最大高度值、预设高度阈值范围和预设密度阈值，从所述点云网格中获取有效网格，其中，每个所述有效网格内的点云密度超过所述预设密度阈值；
将所述有效网格的点组成的点集，作为所述路面点云。
本发明的第三方面提供一种路面文字识别的处理装置，所述处理装置包括：至少一个处理器和云服务器；
所述云服务器用于存储计算机执行指令；
所述至少一个处理器执行所述云服务器的计算机执行指令，以实现上述路面文字识别的处理方法。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机执行指令，当所述计算机执行指令被处理器执行时，实现上述路面文字识别的处理方法。
本发明的第五方面提供一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现上述路面文字识别的处理方法。
本发明提供一种路面文字识别的处理方法、装置及介质，该方法包括：获取地图采集车采集到的待识别路面的激光点云；根据路面分离算法，从所述激光点云数据中分离获取路面点云，并将所述路面点云转换为二维的强度俯视BEV图像；采用图像语义分割神经网络，对所述BEV图像进行识别处理，以获取含有路面标志的语义信息，并从所述含有路面标志的语义信息中分离获取含有文字的像素；根据所述含有文字像素，并采用文本识别网络，获取含有路面文字内容的文字检测框，并保存至地图数据库中。相比与现有技术，利用本发明所提供的路面文字的识别处理方法，对路面文字要素进行自动化提取输出，在减少人工成本的同时，可提高对携带有路面印刷文字的高精度地图制作的精准度和效率。
附图说明
图1为本发明提供的路面文字识别的处理方法实施例一的流程示意图；
图2为本发明提供的路面文字识别的处理方法实施例二的流程示意图；
图3为本发明提供的路面文字识别的处理方法实施例三的流程示意图；
图4为本发明提供的路面文字识别的处理方法实施例四的流程示意图；
图5为本发明提供的路面文字识别的处理装置实施例一的结构示意图；
图6为本发明提供的路面文字识别的处理装置实施例二的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
高精度地图指可服务于自动驾驶系统，是面向自动驾驶汽车的一种新的地图数据范式。高精地图可准确全面地表征道路特征，并要求更高的实时性。因此，如何制作出精度较高的高精度地图成为领域研究人员研究的热点，尤其对携带有路面印刷文字的高精度地图的制作。
现有技术中有根据地图采集车上报的数据进行携带有路面印刷文字高精度地图的制作方式，但由于该方式所处理的数据均是以图像呈现的，而采集图像的清晰度易收到天气的影响，进而使得以清晰度不高的图像所制作的携带有路面印刷文字的高精度地图不够精准，此外，现有方式中包括将采集图像的坐标进行三维坐标转换这一处理步骤，该处理步骤存在转换位置偏差，进而使得本领域技术人员还需要进行人工矫正处理，这降低了制作携带有路面印刷文字的高精度地图的效率。
基于上述技术问题，本发明的发明构思在于：如何设计出精准度较高、效率较高的路面文字识别方法。
图1为本发明提供的路面文字识别的处理方法实施例一的流程示意图，图1所示方法流程的执行主体可以为路面文字识别的处理装置，该路面文字识别的处理装置可由任意的软件和/或硬件实现。如图1所示，本实施例提供的路面文字识别的处理方法可以包括：
S201，获取地图采集车采集到的待识别路面的激光点云。
本实施例中的地图采集车在对待识别路面进行地图采集处理时，安置于地图采集车上的高精度采集设备，如激光雷达，可采集到与待识别路面所处场景的多个激光点云，且激光点云中包括有三维坐标、反射强度等。其中，三维坐标具体指的是：待识别路面上及其上空、周边所有物体的三维像素坐标，反射强度具体指的是：不同地物对于激光雷达的反射程度。
需要说明的是，地图采集车采集到待识别路面的激光点云后，需将地图采集车从同一个位置采集到的多个单帧激光点云进行融合处理，以获取更加精准的激光点云。可选的，地图采集车可将多个单帧的激光点云按照前后帧位置关系和采集区域范围坐标进行融合处理，获得融合处理后的激光点云。为了方便说明，后续描述中将融合处理后的激光点云仍记为激光点云。
相应的，地图采集车完成融合处理后，便将融合处理后的激光点云发送给路面文字识别的处理装置，以便该处理装置进行路面文字识别处理。
可以想到的是，本实施例所提供的方式可同时对多个不同的待识别的路面激光点云进行处理，以获取多个不同待识别路面的文字内容，进而可根据多个不同待识别路面的文字内容进行高精度地图的制作。由于对多个不同待识别路面的激光点云处理的原理同对一个待识别路面的激光点云的原理类似，本实施例仅以一个待识别路面为例对路面文字识别处理进行说明。
S202，根据路面分离算法，从激光点云中分离获取路面点云，并将路面点云转换为二维的强度俯视BEV图像。
本实施例中处理装置在接收到采集车上传的激光点云后，立即调取其内部预存的路面分离算法，该算法是由技术人员通过对大量点云进行反复分析处理后总结而成的，且该算法用于将待识别路面上及路面上空物体所对应的点云从激光点云中分离出来。
在处理装置从激光点云中分离出路面点云后，调取获取地图采集车的GPS行驶轨迹，并结合处理装置内部预设的区域路段索引规则，将路面点云映射为二维的强俯视BEV图像，以便后续进行路面文字的识别处理。
其中，预设的区域路段索引规则具体指的是：GPS轨迹中的GPS点在预设面积范围内与路面点云映射关系，且该区域路段索引规则的具体实现方式包括但不限于：由本领域的技术人员根据经验设置的。
可以想到的是，本实施例从激光点云中分离出与待识别路面相关的路面点云后，再根据区域路段索引规则，从路面点云中确定出每一个GPS点相关的点云，以此类推，处理装置最终将获取与待识别路面相关性最高的点云，这大大减少了处理数据量，可提高对路面文字识别的处理效率；此外，由于设置了GPS点的预设面积范围，避免丢失与路面文字内容相关点云的情况发生；再者，本实施例将路面点云映射为清晰度较高的BEV图像，可提高对路面文字识别的精准度。
S203，采用图像语义分割神经网络，对BEV图像进行识别处理，以获取含有路面标志的语义信息，并从含有路面标志的语义信息中分离获取含有文字的像素。
在本实施例中，处理装置将获取到的BEV图像后，需要将BEV图像输入至预设的图像语义分割神经网络中，以识别出与路面标志的语义信息，并根据文字标志标识，从路面标志的语义信息中提取出文字标志标识所对应的语义信息，即提取到含有路面文字的文字像素。
可选的，本实施例所使用的语义分割网络可为DeeplabV3Plus语义分割网络模型，但不限于其他可用于语义分割的神经网络模型。其中，本实施例的DeeplabV3Plus语义分割网络模型在投入使用之前，已利用与路面相关的图像训练集训练完成。
例如，路面标志可为“标牌1、文字2和栏杆3”，相应的，将BEV图像输入至DeeplabV3Plus语义分割网络模型后，可获取到标牌1、文字2和栏杆3所对应的语义信息，继而，处理装置将从这些语义信息中抽取出与文字2所对应的语义信息。
S204，根据含有文字像素，并采用文本识别网络，获取含有路面文字内容的文字检测框，并保存至地图数据库中。
在本实施例中，考虑到根据图像获取到的文字像素均是相互独立的像素点，而相互独立的像素点无法构成连续的文字内容，因此，处理装置在获取到文字像素后还需要对文字像素进行聚类处理，以获取与每一个路面文字相关联的像素点集合。可选的，处理装置可利用聚类处理算法对文字像素进行聚类处理，以获取多个像素点的集合，并根据这些像素点的集合，生成文字串像素。
为了将文字串像素所对应的文字内容识别出来，处理装置将文字串像素转换为文字串的原子图像，进而可根据对图像的识别处理，获取待识别路面的文字内容。
此外，考虑到提高对文字的识别处理效率和准确度，处理装置需要对文字串的原子图像进行色彩处理。可选的，处理装置可利用自适应单峰阈值分割方法，对文字串的原子图像进行色彩处理，获取到二值化的黑白文字图像。
进而，处理装置将黑白文字图像输入至预存的文本识别网络中，可选的，本实施例所使用的文本识别网络可为RCNN文本识别网络模型，但不限于其他可用于文本识别的神经网络模型，类似于DeeplabV3Plus语义分割网络模型，RCNN文本识别网络模型在投入使用前也利用了相关的训练数据集进行了训练。基于此，处理装置可获取含有路面文字内容的文字检测框，读取该文字内容的文字检测框后，获取待识别路面的文字内容，同时将文字内容保存在地图数据中。
在本实施例中，提供了一种路面文字识别的处理方法，通过获取地图采集车采集到的待识别路面的激光点云，根据路面分离算法，从激光点云中分离获取路面点云，并将路面点云转换为二维的强度俯视BEV图像，并采用图像语义分割神经网络，对BEV图像进行识别处理，以获取含有路面标志的语义信息，并从含有路面标志的语义信息中分离获取含有文字的像素，继而根据含有文字像素，并采用文本识别网络，获取含有路面文字内容的文字检测框，并保存至地图数据库中。相比于现有技术，本实施例利用激光点云提取待识别路面的文字内容，解决了现有技术受到天气影响导致高精度地图制作不够精准的问题，同时避免了技术人员进行人工校准处理的情况，可提高对高精度地图的制作效率。
下面结合图2对本发明提供的路面文字识别的处理方法中如何根据路面分离算法，从激光点云中分离获取路面点云进行进一步说明。图2为本发明提供的路面文字识别的处理方法实施例二的流程示意图，如图2所示，本实施例提供的路面文字识别的处理方法可以包括：
S301，遍历激光点云中的每个点的坐标信息，以获取最大的X值，最大的Y值，最大的Z值，最小的X值，最小的Y值和最小的Z值，将最大的X值，最大的Y值，最大的Z值，最小的X值，最小的Y值和最小的Z值作为激光点云的边界。
在本实施例中，从激光点云中分离出路面点云时，首先需要确定出激光点云所构成的空间的边界，然后基于该空间的边界进行路面点云的提取处理。
可想到的是，激光点云中携带有三维坐标，而众多的三维坐标聚集在一起可构成三维空间，相应的，激光点云所构成的空间的边界可由激光点云的三维坐标在X轴、Y轴和Z轴的取值范围确定。
具体的，处理装置遍历每一个激光点云的坐标信息，即激光点云的三维坐标在X轴、Y轴和Z轴的坐标值，进而可确定出在X轴方向上的最大的X值和最小的X值、在Y轴方向上的最大的Z值和最小的Z值，以及在Z轴方向上的最大的Z值和最小的Z值，由此，处理装置确定出激光点云对应的空间的边界。
可以理解为，地图采集车在待识别路面上进行地图采集处理时，地图采集车所经过的场景中的物体，均可被激光雷达采集到并形成点云，因此，激光点云相当于将待识别路面所经过的场景以三维形式展示出来，而激光点云所构成的空间的边界，实质上为待识别路面所经过的场景的边界。
S302，根据激光点云的边界，确定网格划分参数，并根据网格划分参数，对激光点云进行划分处理以构建点云网格。
在本实施例中，处理装置中预存有单个体素网格的大小，作为激光点云所构成空间的单位体积的大小，可用于对该空间进行网格划分处理，且该单个体素网格大小可由技术人员跟据实际场景进行设置。例如，待识别路面的周边场景比较复杂，则设置的单个体素网格的值要偏小一些以保证处理的精准度。
具体的，为了便于说明，本实施例采用下述示例对网格的划分处理进行阐释：
例如，将在X轴方向上的最大的X值和最小的X值、在Y轴方向上的最大的Z值和最小的Z值，以及在Z轴方向上的最大的Z值和最小的Z值分别用MaxX、MinX、MaxY、MinY、MaxZ、MinZ来表示，单个体素网格的大小设定为gridSize＝0.5m(单个网格的XYZ方向长度均为0.5m)，同时，假设待识别路面的最大坡度maxSlope为0.11。
处理装置可采用下述公式(1)计算X轴方向网格数量countX、采用述公式(2)计算Y轴方向网格数量countY、采用述公式(3)计算Z轴方向网格数量countZ以及采用述公式(4)计算XY对角线范围maxXY。
countX＝(MaxX-MinX)/gridSize 公式(1)
countY＝(MaxY-MinY)/gridSize 公式(2)
countZ＝(MaxZ-MinZ)/gridSize 公式(3)
Figure BDA0004127439710000101
进而，处理装置获取到网格的划分参数：countX、countY、countZ和maxXY。
可选的，处理装置可在X轴、Y轴以及Z轴方向上划分出相对应的网格数量，并结合XY对角线的长范围，确定出划分网格的最大边界，进而处理装置将激光点云所对应的空间构建为点云网格，并获取点云网格在对应的X轴、Y轴以及Z轴上的编号，该编号可用于表示点云网格中每一个网格在X轴、Y轴和Z轴上所对应的空间位置。
可想到的是，处理装置按照S302对激光点云数据处理后，可将激光点云所对应的空间划分成多个小立方体，且每一个小立方体内至少包括一个激光点云。
处理装置在将激光点云划分为点云网格后，还需要根据S303获取地图采集车的GPS轨迹，确定与GPS轨迹相关的网格，以便获取路面点云。
S303，获取地图采集车行驶的GPS轨迹，并根据GPS轨迹，获取采集车的高度范围，以GPS轨迹作为种子点，根据地图采集车的高度范围中的最大高度值、预设高度阈值范围和预设密度阈值，从点云网格中获取有效网格，其中，每个有效网格内的点云密度超过预设密度阈值；将有效网格的点组成的点集，作为路面点云。
在本实施例中，处理装置获取地图采集车采集待识别路面所形成的GPS轨迹，可选的，该GPS轨迹可由地图采集车的行车记录仪生成，且本实施例不限于从其他的实现方式中获取地图采集车的GPS轨迹。
需要说明的是，基于地图采集车的高精度采集设备设置在一定的高度上，处理装置需根据GPS轨迹中每一个GPS点的坐标在Z轴方向的取值，确定出地图采集车的车高，即将GPS轨迹点坐标在Z轴方向上的最大取值作为车高。此外，由于待识别路面可能存在坡度，为了与实际场景更加切合，根据GPS轨迹点坐标可确定采集车的车高范围，进而可根据该车高范围筛选出在该高度范围内的点云网格。
具体的，在进行筛选出在高度范围内的点云网格之前，处理装置需要建立GPS轨迹中的每个GPS点的与点云网格的索引关系。可选的，为了减少数据处理量，处理装置在本步骤中仅处理激光点云在X轴方向的坐标值和在Y轴方向的坐标值。优选的，处理装置根据MinX、MinY和gridSize，采用下述公式(5)计算出点云网格中的每个点云网格的坐标(x,y)。
x＝MinX +m*gridSize，y＝MinY+n*gridSize 公式(5)
其中，m表示网格在X轴方向的编号(序号从1开始编号)，n表示网格在Y轴方向的编号(序号从1开始编号)。
继而，处理装置针对每个点云网格，计算该点云网格的坐标与每个GPS点坐标的距离值，确定距离该点云网格最近的GPS点，并建立该点云网格与该GPS点的索引关系。例如，第1个GPS点与点云网格的坐标为(1,1)建立的索引关系可为(1,(1,1))。
更为具体的，处理装置根据前述建立的索引关系，对与GPS点具有索引关系的点云网格进行筛选处理，以获取到路面点云。
需要说明的是，处理装置中存储有预设高度阈值范围和预设密度阈值，该高度阈值范围用于表示车辆在待识别路面上行驶的高度波动范围，该预设密度阈值用于表示点云网格密度的合理性，即点云网格中包含的点云既不能过多也不能过少的依据。这两个预设的阈值的具体实现方式包括但不限于：由本领域技术人员根据经验设定。
进一步的，处理装置将GPS点作为种子点，延伸搜索有效点云网格。具体的，处理装置根据地图采集车的高度范围中的最大高度值，遍历所有GPS点的坐标在Z轴方向的取值，并计算最大高度值与每一GPS点的坐标在Z轴方向的取值的差值，并判断该差值的绝对值是否落在预设的高度阈值范围内，若是的话，则证明与当前GPS点对应的点云网格是落于地图采集车所行驶的路面上，并将该点云网格作为达标网格。
再者，处理装置还需要对达标网格进行进一步的筛选处理，以确定当前达标网格是否为有效网格。可选的，处理装置针对每个达标网格，计算该达标网格的点云密度，并将该点云密度与预设的密度阈值进行比较，当该点云密度超过预设的密度阈值时，则将该点云密度所对应的达标网格作为有效网格。
以此类推，处理装置可判断出各个GPS点所对应的点云网格是否为有效网格，进而将有效点云网格的点云组成的点集，作为路面点云。
本实施例中，具体阐释了如何从激光点云中快速分离出路面点云的具体处理步骤，利用本实施例所提供的处理步骤，可减少路面文字识别的处理数据量，进而可提高处理效率。
下面结合图3对本发明提供的路面文字识别的处理方法中如何将路面点云转换为二维的强度俯视BEV图像进行进一步说明。图3为本发明提供的路面文字识别的处理方法实施例三的流程示意图，如图3所示，本实施例提供的路面文字识别的处理方法可以包括：
S401，根据预设的距离，对GPS轨迹进行划分处理，以获取多个轨迹路段，其中，每个轨迹路段内包括多个GPS点。
在本实施例中，为了将路面点云转换到二维强度俯视BEV图像，处理装置将GPS轨迹进行划分处理，以便根据划分后的轨迹路段的中心GPS点确定出用于转换的路面点云。可以理解为，处理装置根据预设的区域路段区域索规则筛选出待转换的路面点云。
具体的，处理装置中预存有预设的距离，该预设的距离用于表征GPS轨迹进行划分处理后每一段轨迹路段的距离，且预设的距离的具体实现方式包括但不限于：由本领域的技术人员根据经验设定的。处理装置将GPS轨迹路段按照预设的距离均等划分出多段轨迹路段，且每个轨迹路段内包括多个GPS点。
S402，遍历每个轨迹路段，以检验轨迹路段中的多个GPS点是否真正落在轨迹路段中。
在本实施例中，考虑到待识别路面的弯曲度，需要对各个轨迹路段中的GPS点进行验证，以防止地图采集车因经过幅度较大的弯道时，所形成的弯道轨迹处所对应的GPS点所归属的路段出现偏差的情况发生，进而也可以防止以每个轨迹路段中心GPS点作为转换中心所进行转换处理不够精准的情况发生。
具体的，处理装置将按照下述公式(6)计算每个轨迹路段的中心GPS点到GPS轨迹的起始GPS点的距离centerDisk。其中，k(k＝1，2，……)表示的是GPS轨迹所划分的第k段轨迹，D表示的是预设的距离，overlay表示的是相邻轨迹路段GPS轨迹长度的重复率。
centerDisk＝(k*(1-overlay)+0.5)*D 公式(6)
可以理解为，处理装置获取第k个轨迹路段中的中心GPS点到GPS轨迹的起始GPS点的第一距离为centerDisk。
更为具体的，处理装置遍历第k个轨迹路段中的其他GPS点与中心GPS点的第二距离是否在centerDisk/2范围内，以确定其他GPS点是否落在第k个轨迹路段中。
也就是说，处理装置计算第k个轨迹路段中的非中心GPS点到该轨迹路段的中心GPS点的第二距离，并判断第二距离是否为第一距离的一半，若是，则确定当前GPS点真实落在当前第k个轨迹路段中
进一步的，在处理装置完成对GPS点所落的轨迹路段的验证处理后，处理装置将继续执行S403。
S403，以轨迹路段中的中心GPS点为中心，将轨迹路段中GPS点对应的记录时间中的最大记录时间和最小记录时间作为时间区间，遍历路面点云，以获取时间区间内的第一路面点云。
在本实施例中，处理装置针对每个轨迹路段，确定每个轨迹路段的中心GPS点，即以该轨迹路段的起始GPS点作为第一个GPS点，获取到排列序号处于中间位置的GPS点作为中心GPS点。与此同时，处理装置还需要获取该轨迹路段中采集各个GPS点所对应的记录时间，确定出该轨迹路段中最大记录时间和最小记录时间，并根据该最大记录时间和最小记录时间确定出时间区间。
继而，处理装置调取该轨迹路段中各个GPS点所对应的点云网格，以及点云网格中的点云和记录该点云的记录时间，从而可根据点云的记录时间，确定出位于时间区间内的第一路面点云。
可以想到的是，本实施例对路面点云进行了筛选处理，筛选出仅落在当前轨迹路段的时间区间范围内的点云，这在保证了对路面文字识别的精准的前提下，缩减了处理数据，提高了处理效率。
S404，根据第一路面点云到轨迹路段中的每个GPS点的距离，筛选满足预设范围的第二路面点云，并将第二路面点云映射到预设的二维像素坐标中，以记录第二路面点云与像素坐标的位置索引；根据位置索引，将第二路面点云生成BEV图像。
在本实施例中，由于在S403中获取到的第一路面点云数据，可能存在距离地面较远的情况，即在某些场景下处于车高范围内的点云，可能是路面上空的物体，如测速装置等，因此，处理装置还需对第一路面点云进行进一步的筛选，以获取更为精准的路面点云，使得处理装置在处理较少的数据量情况下即可获取待识别路面的文字内容。
具体的，处理装置针对每个第一路面点云，获取每个第一路面点云与当前轨迹路段垂直时的第一距离以及垂直时的垂足点，同时计算该垂足点到当前轨迹路段的起始GPS点之间的第二距离。
需要说明的是，处理装置内部预设有距离阈值，该距离阈值用于作为以中心GPS点为截取中心的矩形半径，且该距离阈值的具体实现方式包括但不限于：由本领域技术人员根据经验设定的。
继而，处理装置将第一距离与第二距离分别与距离阈值进行比较处理，当第一距离阈值小于距离阈值且第二距离小于距离阈值时，则判断出该第一路面点云为第二路面点云。如此，处理装置可从第一路面点云中提取出第二路面点云，同时，确定出第二路面点云的坐标在X轴、Y轴方向上的最大值和最小值，进而确定出第二路面点云所对应的空间的边界。示例性的，第二路面点云在X轴的最大值用Xmax1来表示、在X轴的最小值用Xmin1来表示、在Y轴的最大值用Ymax1来表示、在Y轴的最小值用Ymin1来表示。
更为具体的，处理装置根据距离阈值以及预设的分辨率，构建出二维像素图像坐标。可选的，距离阈值的平方可用于表示二维像素图像范围，而预设的分辨率是用于对二维像素图像进行坐标划分的依据，由此，可构建出二维像素坐标。如，距离阈值为20m(Xmax1＝Ymin1＝20m)、预设分辨率grid为0.02m，则第二路面点云对应的二维图像的像素坐标格为(2000,2000)。
进一步的，处理装置遍历每个轨迹路段所对应的第二路面点云，按照下述公式(7)计算出每个第二路面点云坐标(Xi,Yj)与构建的二维像素坐标格的坐标索引：
Figure BDA0004127439710000151
其中，i表示第二路面点云与二维像素坐标对应的行向量索引号，j表示第二路面点云与二维像素坐标对应的列向量索引号，相应的，行向量索引号与列向量索引号则构成了第二路面点云所对应的二维像素坐标。
基于此，处理装置获取到第二路面点云所对应的像素坐标，通过计算每个像素坐标中所有点云的反射强度的平均值，则可获取到每个像素坐标的像素值。处理装置将第二路面点云所对应的像素坐标及像素坐标的像素值进行集合处理，便可生成BEV图像。
在本实施例中，具体阐释了如何将路面点云转换到二维BEV图像的具体处理方法，该方法减少了数据处理量的同时，通过GPS轨迹点与点云的位置对应关系，也保证了提取出相关路面点云的准确性。
下面结合图4对本发明提供的路面文字识别的处理方法中如何根据含有文字像素，并采用文本识别网络，获取含有路面文字内容的文字检测框进行进一步说明。图4为本发明提供的路面文字识别的处理方法实施例四的流程示意图，如图4所示，本实施例提供的路面文字识别的处理方法可以包括：
S501，针对每个文字像素，利用连通域查找法，获取与文字像素的关联文字像素，对文字像素以及与文字像素的关联文字像素进行聚类处理，获取文字串像素。
在本实施例中，处理装置利用文字语义分割神经网络对BEV图像处理后，获取到文字内容对应的文字像素，需要将文字像素处理成为包含语义信息的检测图片。
具体的，处理装置对文字像素进行聚类处理，可选的，可采用八领域连通域范围查找法，在该文字像素的正上、左上、右下、正下、左下、右下、正左和正右这八个方向上，查找与该文字像素所关联的关联文字像素，并计算该文字像素与关联文字像素之间的距离，判断该距离是否小于预设的范围阈值，若小于，则表示当前关联文字像素与该文字像素归属于同一个文字。继而，可应将归属于同一个文字的文字像素及与其关联的文字像素存储在同一个文字像素集合中，以获取聚类后的文字像素，即文字串像素。
S502，根据文字串像素的像素坐标，获取文字串像素的最小外包框的角点，并根据角点，获取文字串像素所对应的文字串原子图以及与文字串原子图对应的黑白文字图像。
具体的，由于文字串像素是以文字像素的集合形式存在的，因此，可根据该文字串像素的坐标确定出文字串像素的角点。可选的，通过确定出文字串像素的边界值，便可确定出文字串像素的最小外包框的角点，而基于最小外包框的角点进行裁剪处理可得到文字串像素所对应的原子图。
进一步的，处理装置根据文字串所对应的原子图，采用自适应单峰阈值分割方法对该原子图进行处理，可获取二值化的黑白文字图像。
S503，采用文本识别网络，对黑白文字图像进行文本识别处理，获取含有路面文字内容的文字检测框。
在本实施例中，处理装置中预存有文本识别网络，可选的，该文本识别网络具体可为经过迁移训练完全的RCNN文本识别网络，但不限于其他可用于识别文本内容的神经网络模型。其中，RCNN文本识别网络在进行迁移训练时，所使用的训练数据涵盖海量的中文、英文、数字等文字数据等，且该RCNN文本识别网络为了适应黑白图像，在训练时需在二值化黑白图像上进行微调处理，以适应横向、纵向、单字、多字等多类场景。
具体的，处理装置将二值化黑白文字图像，输入到迁移训练完全的RCNN文本识别网络，检测该黑白文字图像中的内容，便可获取含有路面文字内容的文字检测框，进而识别该检测框即可获取到待识别路面的文字内容。
可选的，处理器在识别到文字内容后，需要将待识别路面的文字内容与电子地图进行关系绑定，以完成对携带有路面印刷文字的高精度地图的制作，以及将该文字内容展示在高精度地图中以便用户使用。具体的，处理装置基于文字串的角点，以及每个文字串中文字像素所对应的点云的索引，可获取到该文字串所对应的点云集。根据该点云集的坐标的平均坐标，可获取到与当前待识别路面所对应的实际电子地图中的坐标，以此完成文字内容的实际坐标的记录，进而，在制作和应用高精度地图时，直接读取实际坐标和对应的内容即可进行制作或使用。
在本实施例中，具体阐释了如何基于BEV图像特征，通过迁移训练完全的RCNN文本识别网络，快速、准确识别文字内容的具体处理方法。通过利用点云与二维像素坐标的映射关系，避免了采集待识别路面信息受到天气影响的情况发生，以及避免了需要技术人员对识别到的内容进行人工矫正的情况发生。这提高了对高精度地图的制作的精准度及效率，以及在可制作出具有精准度较高的高精度地图的前提下，可提高用户在使用高精度地图进行驾驶时的安全性。
图5为本发明提供的路面文字识别的处理装置实施例一的结构示意图，如图5所示，该处理装置600包括：获取模块601、处理模块602。
获取模块601，用于获取地图采集车采集到的待识别路面的激光点云。
处理模块602，用于根据路面分离算法，从激光点云数据中分离获取路面点云，并将路面点云转换为二维的强度俯视BEV图像。
获取模块601，还用于采用图像语义分割神经网络，对BEV图像进行识别处理，以获取含有路面标志的语义信息，并从含有路面标志的语义信息中分离获取含有文字的像素。
处理模块602，还用于根据含有文字像素，并采用文本识别网络，获取含有路面文字内容的文字检测框，并保存至地图数据库中。
可选的，获取模块601，具体用于：
遍历激光点云中的每个点的坐标信息，以获取最大的X值，最大的Y值，最大的Z值，最小的X值，最小的Y值和最小的Z值，将最大的X值，最大的Y值，最大的Z值，最小的X值，最小的Y值和最小的Z值作为激光点云的边界；
获取地图采集车行驶的GPS轨迹，并根据GPS轨迹，获取采集车的高度范围；
根据激光点云的边界和采集车的高度，确定网格划分参数，并根据网格划分参数，对激光点云进行划分处理以构建点云网格；
以GPS轨迹作为种子点，根据地图采集车的高度范围中的最大高度值、预设高度阈值范围和预设密度阈值，从点云网格中获取有效网格，其中，每个有效网格内的点云密度超过预设密度阈值；
将有效网格的点组成的点集，作为路面点云。
可选的，处理模块602，具体用于：
根据预设的距离，对GPS轨迹进行划分处理，以获取多个轨迹路段，其中，每个轨迹路段内包括多个GPS点；
遍历每个轨迹路段，以检验轨迹路段中的多个GPS点是否真正落在轨迹路段中；
对于检验后的每个轨迹路段：
以轨迹路段中的中心GPS点为中心，将轨迹路段中所有GPS点对应的记录时间中的最大记录时间和最小记录时间作为时间区间，遍历路面点云，以获取时间区间内的第一路面点云；
根据第一路面点云到轨迹路段中的每个GPS点的距离，筛选满足预设范围的第二路面点云，并将第二路面点云映射到预设的二维像素坐标中，以记录第二路面点云与像素坐标的位置索引；
根据位置索引，将第二路面点云生成BEV图像。
可选的，处理模块602，还具体用于：
对于第k个轨迹路段，根据预设距离D，采用公式：
centerDisk＝(k*(1-overlay)+.0.5)*D
获取第k个轨迹路段中的中心GPS点到GPS轨迹的起始GPS点的第一距离，并遍历第k个轨迹路段中的其他GPS点与中心GPS点的第二距离是否在centerDisk/2范围内，以确定其他GPS点是否落在第k个轨迹路段；
其中，overlay表示相邻轨迹路段GPS轨迹长度的重复率。
可选的，处理模块602，还具体用于：
针对每个文字像素，利用连通域查找法，获取与文字像素的关联文字像素，对文字像素以及与文字像素的关联文字像素进行聚类处理，获取文字串像素；
根据文字串像素的像素坐标，获取文字串像素的最小外包框的角点，并根据角点，获取文字串像素对应的文字串原子图以及与文字串原子图对应的黑白文字图像；
采用文本识别网络，对黑白文字图像进行文本识别处理，获取含有路面文字内容的文字检测框。
本实施例提供的路面文字识别的处理装置与上述路面文字识别的处理方法实现的原理和技术效果类似，在此不作赘述。
图6为本发明提供的路面文字识别的处理装置实施例二的结构示意图，该路面文字识别的处理装置例如可以是服务器。如图6所示，该处理装置700包括：云服务器701和至少一个处理器702。
云服务器701，用于存储计算机执行指令、激光点云以及GPS轨迹。
处理器702，用于在云服务器701中的计算机执行指令被执行时实现本实施例中的路面文字识别的处理方法，具体实现原理可参见上述实施例，本实施例此处不再赘述。
该路面文字识别的处理装置700还可以包括及输入/输出接口703。
输入/输出接口703可以包括独立的输出接口和输入接口，也可以为集成输入和输出的集成接口。其中，输出接口用于输出数据，输入接口用于获取输入的数据。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，当路面文字识别的处理装置的至少一个处理器执行该计算机执行指令时，实现上述实施例中的路面文字识别的处理方法。
本发明还提供一种计算机程序产品，包括计算机指令，且计算机指令被处理器执行时实现上述的各种实施方式提供的路面文字识别的处理方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种路面文字识别的处理方法，其特征在于，包括：
获取地图采集车采集到的待识别路面的激光点云；
根据路面分离算法，从所述激光点云数据中分离获取路面点云，并将所述路面点云转换为二维的强度俯视BEV图像；
采用图像语义分割神经网络，对所述BEV图像进行识别处理，以获取含有路面标志的语义信息，并从所述含有路面标志的语义信息中分离获取含有文字的像素；
根据所述含有文字像素，并采用文本识别网络，获取含有路面文字内容的文字检测框，并保存至地图数据库中。
2.根据权利要求1所述的方法，其特征在于，所述根据路面分离算法，从所述激光点云中分离获取路面点云，包括：
遍历所述激光点云中的每个点的坐标信息，以获取最大的X值，最大的Y值，最大的Z值，最小的X值，最小的Y值和最小的Z值，将最大的X值，最大的Y值，最大的Z值，最小的X值，最小的Y值和最小的Z值作为所述激光点云的边界；
根据所述激光点云的边界，确定网格划分参数，并根据所述网格划分参数，对所述激光点云进行划分处理以构建点云网格；
获取所述地图采集车行驶的GPS轨迹，并根据所述GPS轨迹，获取所述采集车的高度范围；
以所述GPS轨迹作为种子点，根据所述地图采集车的高度范围中的最大高度值、预设高度阈值范围和预设密度阈值，从所述点云网格中获取有效网格，其中，每个所述有效网格内的点云密度超过所述预设密度阈值；
将所述有效网格的点组成的点集，作为所述路面点云。
3.根据权利要求2所述的方法，其特征在于，所述将所述路面点云转换为二维的强度俯视BEV图像，包括：
根据预设的距离，对所述GPS轨迹进行划分处理，以获取多个轨迹路段，其中，每个所述轨迹路段内包括多个GPS点；
遍历每个轨迹路段，以检验所述轨迹路段中的所述多个GPS点是否真正落在所述轨迹路段中；
对于检验后的每个轨迹路段：
以所述轨迹路段中的中心GPS点为中心，将所述轨迹路段中所有GPS点对应的记录时间中的最大记录时间和最小记录时间作为时间区间，遍历所述路面点云，以获取所述时间区间内的第一路面点云；
根据所述第一路面点云到所述轨迹路段中的每个GPS点的距离，筛选满足预设范围的第二路面点云，并将所述第二路面点云映射到预设的二维像素坐标中，以记录所述第二路面点云与所述像素坐标的位置索引；
根据所述位置索引，将所述第二路面点云生成所述BEV图像。
4.根据权利要求3所述的方法，其特征在于，所述遍历每个轨迹路段，以检验所述轨迹路段中的所述多个GPS点是否真正落在所述轨迹路段中，包括：
对于第k个轨迹路段，根据预设距离D，采用公式：
centerDisk＝(k*(1-overlay)+0.5)*D
获取所述第k个轨迹路段中的中心GPS点到所述GPS轨迹的起始GPS点的第一距离，并遍历所述第k个轨迹路段中的其他GPS点与所述中心GPS点的第二距离是否在centerDisk/2范围内，以确定所述其他GPS点是否落在所述第k个轨迹路段；
其中，overlay表示相邻轨迹路段GPS轨迹长度的重复率。
5.根据权利要求1所述的方法，其特征在于，所述根据所述含有文字像素，并采用文本识别网络，获取含有路面文字内容的文字检测框，包括：
针对每个所述文字像素，利用连通域查找法，获取与所述文字像素的关联文字像素，对所述文字像素以及与所述文字像素的关联文字像素进行聚类处理，获取文字串像素；
根据所述文字串像素的像素坐标，获取所述文字串像素的最小外包框的角点，并根据所述角点，获取所述文字串像素对应的文字串原子图以及与所述文字串原子图对应的黑白文字图像；
采用文本识别网络，对所述黑白文字图像进行文本识别处理，获取含有路面文字内容的文字检测框。
6.一种路面文字识别的处理装置，其特征在于，包括：
获取模块，用于获取地图采集车采集到的待识别路面的激光点云；
处理模块，用于根据路面分离算法，从所述激光点云数据中分离获取路面点云，并将所述路面点云转换为二维的强度俯视BEV图像；
所述获取模块，还用于采用图像语义分割神经网络，对所述BEV图像进行识别处理，以获取含有路面标志的语义信息，并从所述含有路面标志的语义信息中分离获取含有文字的像素；
所述处理模块，还用于根据所述含有文字像素，并采用文本识别网络，获取含有路面文字内容的文字检测框，并保存至地图数据库中。
7.根据权利要求6所述的装置，其特征在于，所述获取模块，具体用于：
遍历所述激光点云中的每个点的坐标信息，以获取最大的X值，最大的Y值，最大的Z值，最小的X值，最小的Y值和最小的Z值，将最大的X值，最大的Y值，最大的Z值，最小的X值，最小的Y值和最小的Z值作为所述激光点云的边界；
获取所述地图采集车行驶的GPS轨迹，并根据所述GPS轨迹，获取所述采集车的高度范围；
根据所述激光点云的边界和所述采集车的高度，确定网格划分参数，并根据所述网格划分参数，对所述激光点云进行划分处理以构建点云网格；
以所述GPS轨迹作为种子点，根据所述地图采集车的高度范围中的最大高度值、预设高度阈值范围和预设密度阈值，从所述点云网格中获取有效网格，其中，每个所述有效网格内的点云密度超过所述预设密度阈值；
将所述有效网格的点组成的点集，作为所述路面点云。
8.一种路面文字识别的处理装置，其特征在于，所述处理装置包括：至少一个处理器和云服务器；
所述云服务器用于存储计算机执行指令、激光点云以及GPS轨迹；
所述至少一个处理器执行所述云服务器的计算机执行指令，以实现如权利要求1-5中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被处理器执行时，实现如权利要求1-5任一项所述的方法。
10.一种计算机程序产品，包括计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-5任一项所述方法。
CN202310245858.3A 2023-03-10 2023-03-10 路面文字识别的处理方法、装置及介质 Pending CN116229446A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310245858.3A CN116229446A (zh) 2023-03-10 2023-03-10 路面文字识别的处理方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310245858.3A CN116229446A (zh) 2023-03-10 2023-03-10 路面文字识别的处理方法、装置及介质

Publications (1)

Publication Number Publication Date
CN116229446A true CN116229446A (zh) 2023-06-06

Family

ID=86571215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310245858.3A Pending CN116229446A (zh) 2023-03-10 2023-03-10 路面文字识别的处理方法、装置及介质

Country Status (1)

Country Link
CN (1) CN116229446A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117292349A (zh) * 2023-11-22 2023-12-26 魔视智能科技(武汉)有限公司 确定路面高度的方法、装置、计算机设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117292349A (zh) * 2023-11-22 2023-12-26 魔视智能科技(武汉)有限公司 确定路面高度的方法、装置、计算机设备及存储介质
CN117292349B (zh) * 2023-11-22 2024-04-12 魔视智能科技(武汉)有限公司 确定路面高度的方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN109034047B (zh) 一种车道线检测方法及装置
CN106570446B (zh) 车道线提取的方法和装置
CN109753885B (zh) 一种目标检测方法、装置以及行人检测方法、系统
CN111179152B (zh) 一种道路标识识别方法及装置、介质、终端
US9129163B2 (en) Detecting common geographic features in images based on invariant components
CN112257605B (zh) 基于自标注训练样本的三维目标检测方法、系统及装置
KR101261409B1 (ko) 영상 내 노면표시 인식시스템
CN106951898B (zh) 一种车辆候选区域推荐方法及系统、电子设备
CN112699834B (zh) 交通标识检测方法、装置、计算机设备和存储介质
KR101285106B1 (ko) 영상 데이터 융합 기반의 장애물체 검출 방법 및 장치
CN107609555A (zh) 车牌检测方法、应用其的车型识别方法及相关装置
CN112991487A (zh) 一种多线程实时构建正射影像语义地图的系统
JP4747122B2 (ja) 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム
CN116229446A (zh) 路面文字识别的处理方法、装置及介质
CN103852034A (zh) 一种电梯导轨垂直度检测方法
CN111931683A (zh) 图像识别方法、装置及计算机可读存储介质
CN111008956B (zh) 基于图像处理的梁底裂纹检测方法、系统、装置及介质
CN113920254B (zh) 一种基于单目rgb的室内三维重建方法及其系统
CN115909096A (zh) 无人机巡航管道隐患分析方法、装置及系统
CN109523570A (zh) 运动参数计算方法及装置
CN113219472B (zh) 一种测距系统和方法
CN112712066B (zh) 图像识别方法、装置、计算机设备和存储介质
CN113989765A (zh) 一种轨道障碍物的检测方法、检测装置及可读存储介质
CN115115535A (zh) 深度图的去噪方法、装置、介质及设备
CN111738088B (zh) 一种基于单目摄像头的行人距离预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination