CN116309943B - 一种停车场语义地图路网构建方法、装置及电子设备 - Google Patents
一种停车场语义地图路网构建方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116309943B CN116309943B CN202310587108.4A CN202310587108A CN116309943B CN 116309943 B CN116309943 B CN 116309943B CN 202310587108 A CN202310587108 A CN 202310587108A CN 116309943 B CN116309943 B CN 116309943B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- frame
- parking lot
- straight line
- semantic
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 60
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 19
- 230000005484 gravity Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000283715 Damaliscus lunatus Species 0.000 description 1
- 101100481875 Drosophila melanogaster topi gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及自动驾驶技术领域，提供了一种停车场语义地图路网构建方法、装置及电子设备。上述方法包括：对停车场图像进行语义分割，得到包含车道线的地面语义标签MASK图像，根据图像采集设备的外参将地面语义标签MASK图像生成第一三维点云数据；从第一三维点云数据中提取车道线点云，根据车辆位姿数据对车道线点云的对应关系，将车道线点云转换为世界坐标系下的第二三维点云；根据第二三维点云拟合直线模型，生成多个矢量线段组合；根据多个矢量线段组合生成多条路，得到停车场路网。本申请实施例可以快速完成停车场车道路网构建，并简化语义点云数据量，易于显示。
Description
技术领域
本发明涉及用于自动驾驶技术领域，具体涉及一种停车场语义地图路网构建方法、装置及电子设备。
背景技术
随着自动驾驶技术的发展，自动泊车的功能在低速和固定的行驶区域的场景能够率先落地。在实际的落地场景中，停车场的语义信息比较丰富，充分利用停车场路面的语义信息，能够更好的辅助车辆进行泊车定位，包括感知和规划控制实现，提升车辆的智能化和安全性。
基于停车场环境，通过车辆在场景地图构建的时候利用车辆的传感器数据和建图输出位姿，能够快速的建构出全局车道级的路网信息，车道上包含丰富的交通标识信息和几何特征，车道与车道之间构建完整的拓扑关系，拟合出的车道线划定可行驶区域，车辆在自动巡航泊入指定车位的时候，可依靠路网信息完成路径规划和辅助定位。
目前针对市面上众多的停车场数据得到语义点云数据非常大，在数据存储和加载显示方面面临着比较大的挑战；其次，目前采用基于图像识别的语义分割技术提取车道线信息，在部分地下停车场光线较暗，车道线不清晰，停车位有停车时候车辆遮挡车道线等情况，分割出来的车道线语义信息出现不连续，或者缺失。矢量化出来的车道线模型信息不完整和精度过低。
发明内容
为克服相关技术中存在的问题，本申请实施例提供了一种停车场语义地图路网构建方法、装置及电子设备。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种停车场语义地图路网构建方法，包括： 对停车场图像进行语义分割，得到地面语义标签MASK图像，根据图像采集设备的外参将所述地面语义标签MASK图像生成第一三维点云数据；所述地面语义标签MASK图像包含车道线，所述停车场图像基于设置在车辆上的图像采集设备采集得到；从所述第一三维点云数据中提取车道线点云，根据车辆位姿数据对所述车道线点云的对应关系，将所述车道线点云转换为世界坐标系下的第二三维点云，所述车辆位姿数据与各帧车道线点云时间同步；根据所述第二三维点云拟合直线模型，生成多个矢量线段组合；根据所述多个矢量线段组合生成多条路，得到停车场路网。
上述停车场语义地图路网构建方法，首先对停车场图像进行语义分割，得到包含车道线的地面语义标签MASK图像，并根据图像采集设备的外参将地面语义标签MASK图像生成第一三维点云数据。之后，从第一三维点云数据中提取车道线点云，根据车辆位姿数据对车道线点云的对应关系，将车道线点云转换为世界坐标系下的第二三维点云。最后，根据第二三维点云拟合直线模型，生成多个矢量线段组合，以及根据多个矢量线段组合生成多条路，得到停车场语义地图路网。本申请实施例提出了语义点云提取和处理，包括语义要素矢量化和生成拓扑地图形成的一整套方法，可以快速完成停车场车道路网构建，并简化语义点云数据量，易于显示。
基于第一方面，在一些实施例中，所述对停车场图像进行语义分割，得到地面语义标签MASK图像，根据图像采集设备的外参将所述地面语义标签MASK图像生成第一三维点云数据，包括：获取车辆通过环视摄像机采集到的停车场图像；对所述停车场图像进行语义分割，得到包含车道线在内的多种地面语义标签MASK图像；根据所述环视摄像机的外参，将各帧地面语义标签MASK图像中的二维点云数据转换为环视摄像机坐标下的第一三维点云数据。
基于第一方面，在一些实施例中，所述从所述第一三维点云数据中提取车道线点云，根据车辆位姿数据与所述车道线点云的对应关系，将所述车道线点云转换为世界坐标系下的第二三维点云，包括：根据语义标签从所述第一三维点云数据中提取出车道线点云；通过世界坐标系下的车辆位姿数据和线性插值时间同步机制，得到每一帧车道线点云对应的车辆位姿数据；通过刚体变换原理将车道线点云从车身坐标系转换到世界坐标系，得到世界坐标系下的第二三维点云。
基于第一方面，在一些实施例中，在所述根据语义标签从所述第一三维点云数据中提取出车道线点云之后，还包括： 通过体素滤波器对所述车道线点云进行下采样，提取车道线的边界轮廓，去除所述边界轮廓之外的噪声数据点。
基于第一方面，在一些实施例中，所述根据所述第二三维点云拟合直线模型，生成多个矢量线段组合，包括：对所述第二三维点云中的每一帧点云进行聚类，计算每个点云类簇的重心，基于所述重心通过主成分分析法确定每个点云类簇中方差最大的方向，作为该帧点云分布的主方向；确定各个点云类簇的拟合直线参数，所述拟合直线参数包含拟合直线起点、拟合直线的增长方向和拟合直线结束条件；根据所述拟合直线参数对所述第二三维点云中的每一帧点云进行直线拟合，生成多个矢量线段。
基于第一方面，在一些实施例中，所述根据所述拟合直线参数对所述第二三维点云中的每一帧点云进行直线拟合，生成多个矢量线段，包括：将第一帧点云分布的主方向确定为第一拟合直线纵坐标分量上的增长方向，将第一帧点云中的最小值作为第一拟合直线的起点； 计算第二帧点云中各个数据点到第一拟合直线的距离，若该距离小于阈值，则确定该数据点为内点；
若第二帧内点数量占比大于或等于第一预设比例，则计算第三帧点云中的各个数据点到第一拟合直线的距离，若第三帧内点数量占比大于或者等于第一预设比例，则继续下一帧点云内点数量占比的比较，直到某一帧点云的内点数量小于第一预设比例；若当前帧点云内点数量占比小于第一预设比例，则停止对第一拟合直线的拟合，以及根据当前帧开始对第二拟合直线进行拟合，并且第二拟合直线的起点作为第一拟合直线的终点；直至所有的数据帧都拟合完毕为止。其中，所述第一帧点云为所述第二三维点云中的一帧点云，所述第二帧点云为所述第一帧点云的下一帧点云，所述第三帧点云为所述第二帧点云的下一帧点云。
示例性的，对第一拟合直线拟合的过程可以包括：计算初始拟定的第一拟合直线的起点和增长方向；将第一帧点云分布的主方向确定为第一拟合直线纵坐标分量上的增长方向，将第一帧点云中的最小值作为第一拟合直线的起点；计算第一帧点云中各个数据点到初始拟定的第一拟合直线的距离，根据该距离确定第一帧点云中内点数量占比；若该第一帧点云中内点数量占比大于或等于第二预设比例，则将该初始拟定的第一拟合直线作为最终的第一拟合直线；其中，第二预设比例大于第一预设比例；若该第一帧点云中内点数量占比小于第二预设比例，则剔除第一帧点云中内点之外的数据点，并重新拟定第一拟合直线的起点和增长方向；重复执行以上步骤，直至第一帧点云中内点数量占比大于或等于第二预设比例。
基于第一方面，在一些实施例中，所述根据所述多个矢量线段组合生成多条路，得到停车场路网，包括：确定所述多个矢量线段中的相邻两个矢量线段之间的夹角；若所述夹角小于第一角度阈值，将相邻两个矢量线段之间的连接点设置为小节点；若所述夹角大于第二角度阈值，将相邻两个矢量线段之间的连接点设置为大节点，所述第二角度阈值大于所述第一角度阈值；根据所述多个矢量线段、所述小节点和所述大节点，生成停车场的道路，得到停车场路网的拓扑图。
第二方面，本申请实施例提供了一种停车场语义地图路网构建装置，包括：
点云生成模块，用于对停车场图像进行语义分割，得到地面语义标签MASK图像，根据图像采集设备的外参将所述地面语义标签MASK图像生成第一三维点云数据；所述地面语义标签MASK图像包含车道线，所述停车场图像基于设置在车辆上的图像采集设备采集得到；
点云转换模块，用于从所述第一三维点云数据中提取车道线点云，根据车辆位姿数据对所述车道线点云的对应关系，将所述车道线点云转换为世界坐标系下的第二三维点云，所述车辆位姿数据与各帧车道线点云时间同步；
矢量线段生成模块，用于根据所述第二三维点云拟合直线模型，生成多个矢量线段组合；
路网生成模块，用于根据所述多个矢量线段组合生成多条路，得到停车场路网。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的停车场语义地图路网构建方法。
第四方面，本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的停车场语义地图路网构建方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面中任一项所述的停车场语义地图路网构建方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的停车场语义地图路网构建方法的流程示意图；
图2为本发明实施例提供的停车场语义地图路网构建装置的结构示意图；
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到所描述条件或事件”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到所描述条件或事件”或“响应于检测到所描述条件或事件”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
目前行业中关于路网信息生成系统的方法，一方面依赖搭载比较昂贵激光雷达、深度相机等设备进行点云数据采集，成本昂贵；也有依靠遥感图像利用卫星成像进行绘制室外路网信息，使用范围局限，只能用于室外；也有在室内环境下预先建立路网地图系统进行定位的商业机器人，对传感器要求比较低，但是需要对场景进行改造处理，比如放置特色标识等，需要对场景进行改造，不利于大规模普及。
基于此，本申请实施例在数据采集车上提取环视拼接图像分割的语义信息和数据采集车在停车场中的位姿信息，对语义信息计算车道线语义点云；然后对车道线语义点云进行拼接、降采样和聚类等处理，进行矢量化处理，根据矢量化的结果自动化生成拓扑地图，最终形成路网信息，能够满足后续语义地图的存储和显示，车辆规划控制和语义地图辅助定位的需求。
图1为本申请一实施例提供的停车场语义地图路网构建方法的示意性流程图。参照图1，对该停车场语义地图路网构建方法的详述如下：
步骤101，对停车场图像进行语义分割，得到地面语义标签MASK图像，根据图像采集设备的外参将所述地面语义标签MASK图像生成第一三维点云数据。
其中，所述地面语义标签MASK图像包含车道线，所述停车场图像基于设置在车辆上的图像采集设备采集得到。
示例性的，可以在数据采集车上设置环视摄像机来采集包含车道线的停车场图像，以及设置车身传感器来采集数据采集车的位姿信息。
需要说明的是，本申请实施例中所述的车辆包括但不限于数据采集车。
一些实施例中，步骤101可以包括：获取车辆通过环视摄像机采集到的停车场图像；对停车场图像进行语义分割，得到包含车道线在内的多种地面语义标签MASK图像；根据环视摄像机的外参，将各帧地面语义标签MASK图像中的二维点云数据转换为环视摄像机坐标下的第一三维点云数据。
其中，第一三维点云数据中的每帧点云对应一个时间戳信息，车辆的位姿信息可以包括三维姿态信息和三维坐标信息以及与每一帧点云同步的时间戳信息，基于此各帧点云数据和车辆的位姿数据之间可以通过时间戳同步对应上。所述三维姿态信息和三维坐标信息的参考坐标系是世界坐标系。由于点云数据和车辆的位姿信息是通过不同的接口获取得到的，而根据时间戳可以对齐同步每一帧点云对应的车辆在世界坐标系下的位姿信息。
一种场景中，通过环视摄像机采集到的停车场图像可以为二维图像，得到该二维图像后可以对该二维图像按照预设语义分割规则进行语义分割，得到包含车道线在内的多种地面语义标签MASK图像。之后，通过预先标定的相对于环视摄像机的外参将该二维图像映射到环视摄像机坐标下的三维点云数据。由于环视摄像机固定在车辆上，因此该三维点云数据也是车辆坐标系下的三维点云数据。
步骤102，从所述第一三维点云数据中提取车道线点云，根据车辆位姿数据对所述车道线点云的对应关系，将所述车道线点云转换为世界坐标系下的第二三维点云。
示例性的，可以根据语义标签从第一三维点云数据的每帧点云中提取出车道线点云，对车道线点云进行降采样，之后使用每帧点云对应的车辆位姿数据对每一帧点云进行拼接，得到在世界坐标系下的3D点云，然后对拼接的点云簇进行聚类，得到至少一个类簇点云。
例如，点云数据和车辆位姿数据是通过不同的接口获取得到的，因此需要利用两者的时间戳进行时间同步（即对两者做线程插值），从而可以获得更加精准的车道线点云对应的世界坐标系下的车辆位姿数据，然后根据刚体变换原理，将点云的坐标信息乘上车辆位姿，便可以得到点云在世界坐标系下的坐标。
一些场景中，步骤102可以包括：根据语义标签从第一三维点云数据中提取出车道线点云；通过世界坐标系下的车辆位姿数据和线性插值时间同步机制，得到每一帧车道线点云对应的车辆位姿数据；通过刚体变换原理将车道线点云从车身坐标系转换到世界坐标系，得到世界坐标系下的第二三维点云。
又一些场景中，步骤102可以包括：根据语义标签从第一三维点云数据中提取出车道线点云；通过体素滤波器对所述车道线点云进行下采样，提取车道线的边界轮廓，去除所述边界轮廓之外的噪声数据点；通过世界坐标系下的车辆位姿数据和线性插值时间同步机制，得到每一帧车道线点云对应的车辆位姿数据；通过刚体变换原理将车道线点云从车身坐标系转换到世界坐标系，得到世界坐标系下的第二三维点云。
步骤103，根据所述第二三维点云拟合直线模型，生成多个矢量线段组合。
一些实施例中，步骤103可以包括：对第二三维点云中的每一帧点云进行聚类，计算每个点云类簇的重心，基于该重心通过主成分分析法确定每个点云类簇中方差最大的方向，作为该帧点云分布的主方向；确定各个点云类簇的拟合直线参数，该拟合直线参数可以包含拟合直线起点、拟合直线的增长方向和拟合直线结束条件；根据拟合直线参数对第二三维点云中的每一帧点云进行直线拟合，生成多个矢量线段。
本申请实施例中，每一帧车道线点云都会有左右两个车道线，所以可以通过聚类得到左右车道线的两簇点云的重心，然后对每一簇点云进行主成分分析便可得到点云的方向，最终此点云的起点作为拟合直线的起点，点云的方向作为拟合直线的增长方向。
示例性的，上述根据拟合直线参数对第二三维点云中的每一帧点云进行直线拟合，生成多个矢量线段，可以包括：
将第一帧点云分布的主方向确定为第一拟合直线纵坐标分量上的增长方向，将第一帧点云中的最小值作为第一拟合直线的起点；
计算第二帧点云中各个数据点到第一拟合直线的距离，若该距离小于阈值，则确定该数据点为内点；
若第二帧内点数量占比大于或等于第一预设比例，则计算第三帧点云的各个数据点到第一拟合直线的距离，若第三帧内点数量占比大于或者等于第一预设比例，则继续下一帧点云内点数量占比的比较，直到某一帧点云的内点数量小于第一预设比例；
若当前帧点云内点数量占比小于第一预设比例，则停止对第一拟合直线的拟合，然后根据当前帧开始对第二拟合直线进行拟合，并且第二拟合直线的起点作为第一拟合直线的终点；直至所有的数据帧都拟合完毕为止。
其中，第一帧点云为第二三维点云中的一帧点云，第二帧点云为第一帧点云的下一帧点云，第三帧点云为第二帧点云的下一帧点云。所述第一帧点云并不表示该帧点云在第二三维点云中的顺序，例如可以为第二三维点云中的第1帧点云，也可以是第二三维点云中的其他帧点云，对此不予限定。
当聚类得到的一个类簇点云满足一定数量即可拟合初始直线参数，并确定矢量段的起始点以及点云分布的主方向，之后使用初始直线参数对下一帧车道线点云进行采集和滤波，并统计所有的内点，计算内点占有率。如果内点率大于或等于60%，判定跟踪成功，完成内点点云的采集，继续下一帧车道线点云；如果内点小于60%，暂停当前的直线段的采集，重新开始拟合下一帧直线参数，而新拟合的直线的起点可以作为上一次拟合成功直线段的终点。当完成学习建图的时候，就可以生成道路中互相连接的矢量段，不同矢量段之间的起始点进行首尾连接形成节点。
示例性的，拟合得到的全部的矢量线段集合L和单个矢量线段可以表示为：，/>。其中，L是全部矢量线段的集合，n表示矢量线段的数量，/>为第/>个矢量线段，/>表示第/>个矢量线段的起点，表示第/>个矢量线段的终点，直线参数可以包括斜率/>和坐标轴的距离/>,/>表示内点的点云数量，/>为大于等于1且小于等于n的整数。
一些实施例中，对第一拟合直线拟合的过程可以包括以下步骤：
步骤A1，计算初始拟定的第一拟合直线的起点和增长方向。将第一帧点云分布的主方向确定为第一拟合直线纵坐标分量上的增长方向，将第一帧点云中的最小值作为第一拟合直线的起点。
步骤B1，计算第一帧点云中各个数据点到初始拟定的第一拟合直线的距离，根据该距离确定第一帧点云中内点数量占比。
步骤C1，若该第一帧点云中内点数量占比大于或等于第二预设比例，则将该初始拟定的第一拟合直线作为最终的第一拟合直线。
步骤D1，若该第一帧点云中内点数量占比小于第二预设比例，则剔除第一帧点云中内点之外的数据点，并重新拟定第一拟合直线的起点和增长方向。
重复执行以上步骤A1至D1，直至第一帧点云中内点数量占比大于或等于第二预设比例。
点云拟合初始直线的过程采用迭代拟合的方式实现，首先对第一帧点云中的点云簇拟合第一直线并筛选出第一帧点云中的内点，如果内点占比大于或等于第二预设比例（例如95%）则对第一直线拟合成功；如果内点占比小于95%，则剔除外点重新对第一直线进行拟合，这样不断的迭代直到内点率达到95%以上。
其中，在拟合的过程中随着外点的剔除点云簇不断的减少，若第一帧点云中数据点数量小于或等于原始数据点数量的第一预设比例（例如60%），内点数量占比仍然达不到95%，则此帧点云簇拟合失败。可以获取对第一帧点云重新进行聚类，再基于新的聚类结果执行上述对第一拟合直线拟合的过程。
在第一帧点云对第一拟合直线拟合成功的基础上，采用第一拟合之下你的直线参数对下一帧点云进行跟踪，跟踪的过程是对计算跟踪的点云到直线的距离满足60%以上是内点，认为跟踪成功；如果跟踪失败则对第二帧点云进行聚类，基于聚类结果对第二拟合直线进行拟合。
当对各帧点云完成直线拟合后，可以生成停车场道路中互相连接的多个矢量段，不同矢量段之间首尾连接形成节点。
步骤104，根据所述多个矢量线段组合生成多条路，得到停车场路网。
一些实施例中，步骤104可以包括：确定多个矢量线段中的相邻两个矢量线段之间的夹角；若夹角小于第一角度阈值，将相邻两个矢量线段之间的连接点设置为小节点；若夹角大于第二角度阈值，将相邻两个矢量线段之间的连接点设置为大节点，第二角度阈值大于第一角度阈值；根据上述多个矢量线段、小节点和大节点，生成停车场的道路，得到停车场路网的拓扑地图。
具体的，对停车场场景中的所有车道线拟合成不同矢量线段，不同矢量线段之间连接形成节点；根据停车场场景中道路几何结构为平行或者垂直的特点，可以确定矢量线段之间是接近平行或者垂直的关系。如果前后两条矢量线段的夹角小于第一角度阈值（例如10度），前后两条矢量线段的连接判定为小节点；如果前后两条矢量线段的夹角大于第二角度阈值（例如80度），前后两条矢量线段的连接判定为大节点。这些经过简洁化处理后的节点，它们之间的连通关系构成停车场道路的拓扑地图。
所述拓扑图在结构上是由顶点和边来表示，可定义为无向图，V表示拓扑地图的顶点数组，一个顶点是由矢量线段之间连接的大节点组成；E为表示不同顶点之间的连接关系的邻接表，具体是很多矢量化的小节点组成。在拓扑地图的构建中，数据的表现形式为/>，其中G为已经构建的拓扑地图，P为当前车辆的位姿，在车辆运行过程中，不断的更新和构建拓扑地图/>，根据P的变化范围以及/>和G中的相似匹配度进行判断，如果是重叠地图就不进行更新，否则更新和增加拓扑地图。拓扑地图的相似度匹配根据拓扑地图中的节点之间的矢量线的参数在方向和几何特征方面确定相似度匹配。
在学习建图的过程中，不断的扫描和匹配是否是新的地图或者在一个位置的不同视角，确定新的地图后进行地图更新。整个拓扑地图的构建流程按照上述构建流程迭代实现，可以表示为，k表示大节点。在实际的操作过程中，每一个路口k都可以用一个无向图/>和在世界坐标系下车辆位姿/>表示，其中每一个无向图/>又可以用一个顶点/>和连接的多条路段/>表示。世界坐标系下车位位姿/>主要用于判断地图是否存在重叠。
上述停车场语义地图路网构建方法，可以基于可商业落地的汽车搭载的传感器和中央处理器单元实现，通过上述方法可以生成停车场语义地图路网，包括数据提取，然后进行语义点云处理，将停车场的车道线语义点云进行矢量化处理，简化数据信息，其次对停车场车道线点云矢量化处理，最后生成拓扑地图路网信息。
上述停车场语义地图路网构建方法，利用车辆在学习建图过程中输出的位姿，以及车载环视拼接分割出来语义点云，实现了语义点云提取拼接、语义点云矢量化以及拓扑地图生成，可以快速生成停车场道路的路网信息，可用于巡航泊车过程中路径规划和辅助定位，以及终端显示路道矢量化信息。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的停车场语义地图路网构建方法，图2示出了本申请实施例提供的停车场语义地图路网构建装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图2，本申请实施例中的停车场语义地图路网构建装置可以包括点云生成模块201、点云转换模块202、矢量线段生成模块203和路网生成模块204。
其中，点云生成模块201用于对停车场图像进行语义分割，得到地面语义标签MASK图像，根据图像采集设备的外参将所述地面语义标签MASK图像生成第一三维点云数据。所述地面语义标签MASK图像包含车道线，所述停车场图像基于设置在车辆上的图像采集设备采集得到。
点云转换模块202用于从所述第一三维点云数据中提取车道线点云，根据车辆位姿数据对所述车道线点云的对应关系，将所述车道线点云转换为世界坐标系下的第二三维点云，所述车辆位姿数据与各帧车道线点云时间同步。
矢量线段生成模块203用于根据所述第二三维点云拟合直线模型，生成多个矢量线段组合。
路网生成模块204用于根据所述多个矢量线段组合生成多条路，得到停车场路网。
可选的，点云生成模块201具体可以用于：获取车辆通过环视摄像机采集到的停车场图像；对所述停车场图像进行语义分割，得到包含车道线在内的多种地面语义标签MASK图像；根据所述环视摄像机的外参，将各帧地面语义标签MASK图像中的二维点云数据转换为环视摄像机坐标下的第一三维点云数据。
例如，点云转换模块202具体可以用于：根据语义标签从所述第一三维点云数据中提取出车道线点云；通过世界坐标系下的车辆位姿数据和线性插值时间同步机制，得到每一帧车道线点云对应的车辆位姿数据；通过刚体变换原理将车道线点云从车身坐标系转换到世界坐标系，得到世界坐标系下的第二三维点云。
可选的，点云转换模块202在根据语义标签从所述第一三维点云数据中提取出车道线点云之后，还可以用于：通过体素滤波器对所述车道线点云进行下采样，提取车道线的边界轮廓，去除所述边界轮廓之外的部分。
可选的，矢量线段生成模块203具体可以用于：对所述第二三维点云中的每一帧点云进行聚类，计算每个点云类簇的重心，基于所述重心通过主成分分析法确定每个点云类簇中方差最大的方向，作为该帧点云分布的主方向；确定各个点云类簇的拟合直线参数，所述拟合直线参数包含拟合直线起点、拟合直线的增长方向和拟合直线结束条件；根据所述拟合直线参数对所述第二三维点云中的每一帧点云进行直线拟合，生成多个矢量线段。
示例性的，上述根据所述拟合直线参数对所述第二三维点云中的每一帧点云进行直线拟合，生成多个矢量线段，包括：将第一帧点云分布的主方向确定为第一拟合直线纵坐标分量上的增长方向，将第一帧点云中的最小值作为第一拟合直线的起点；计算第二帧点云中各个数据点到第一拟合直线的距离，若该距离小于阈值，则确定该数据点为内点；若第二帧内点数量占比大于或等于第一预设比例，则计算第三帧点云中的各个数据点到第一拟合直线的距离，若第三帧内点数量占比大于或者等于第一预设比例，则继续下一帧点云内点数量占比的比较，直到某一帧点云的内点数量小于第一预设比例；若当前帧点云内点数量占比小于第一预设比例，则停止对第一拟合直线的拟合，然后根据当前帧开始对第二拟合直线进行拟合，并且第二拟合直线的起点作为第一拟合直线的终点；直至所有的数据帧都拟合完毕为止。
其中，所述第一帧点云为所述第二三维点云中的一帧点云，所述第二帧点云为所述第一帧点云的下一帧点云，所述第三帧点云为所述第二帧点云的下一帧点云。
可选的，对第一拟合直线拟合的过程包括：计算初始拟定的第一拟合直线的起点和增长方向；将第一帧点云分布的主方向确定为第一拟合直线纵坐标分量上的增长方向，将第一帧点云中的最小值作为第一拟合直线的起点；计算第一帧点云中各个数据点到初始拟定的第一拟合直线的距离，根据该距离确定第一帧点云中内点数量占比；若该第一帧点云中内点数量占比大于或等于第二预设比例，则将该初始拟定的第一拟合直线作为最终的第一拟合直线；若该第一帧点云中内点数量占比小于第二预设比例，则剔除第一帧点云中内点之外的数据点，并重新拟定第一拟合直线的起点和增长方向；重复执行以上步骤，直至第一帧点云中内点数量占比大于或等于第二预设比例。
可选的，路网生成模块204具体可以用于：确定所述多个矢量线段中的相邻两个矢量线段之间的夹角；若所述夹角小于第一角度阈值，将相邻两个矢量线段之间的连接点设置为小节点；若所述夹角大于第二角度阈值，将相邻两个矢量线段之间的连接点设置为大节点，所述第二角度阈值大于所述第一角度阈值；根据所述多个矢量线段、所述小节点和所述大节点，生成停车场的道路，得到停车场路网的拓扑图。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种电子设备，参见图3，该电子设备300可以包括：至少一个处理器310、存储器320以及存储在所述存储器320中并可在所述至少一个处理器310上运行的计算机程序，所述处理器310执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图1所示实施例中的步骤101至步骤104。或者，处理器310执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块201至204的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器320中，并由处理器310执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在电子设备300中的执行过程。
本领域技术人员可以理解，图3仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器310可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320可以是电子设备的内部存储单元，也可以是电子设备的外部存储设备，例如插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。所述存储器320用于存储所述计算机程序以及电子设备所需的其他程序和数据。所述存储器320还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构（Industry Standard Architecture，ISA）总线、外部设备互连（Peripheral Component，PCI）总线或扩展工业标准体系结构（ExtendedIndustry Standard Architecture，EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的停车场语义地图路网构建方法可以应用于车辆的中央处理器、服务器、计算机、车载设备、平板电脑、笔记本电脑、手机等电子设备上，本申请实施例对电子设备的具体类型不作任何限制。
本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述停车场语义地图路网构建方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述停车场语义地图路网构建方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (9)
1.一种停车场语义地图路网构建方法，其特征在于，包括：
对停车场图像进行语义分割，得到地面语义标签MASK图像，根据图像采集设备的外参将所述地面语义标签MASK图像生成第一三维点云数据；所述地面语义标签MASK图像包含车道线，所述停车场图像基于设置在车辆上的图像采集设备采集得到；
从所述第一三维点云数据中提取车道线点云，根据车辆位姿数据对所述车道线点云的对应关系，将所述车道线点云转换为世界坐标系下的第二三维点云，所述车辆位姿数据与各帧车道线点云时间同步；
根据所述第二三维点云拟合直线模型，生成多个矢量线段组合；
根据所述多个矢量线段组合生成多条路，得到停车场路网；
所述根据所述多个矢量线段组合生成多条路，得到停车场路网，包括：
确定所述多个矢量线段中的相邻两个矢量线段之间的夹角；
若所述夹角小于第一角度阈值，将相邻两个矢量线段之间的连接点设置为小节点；
若所述夹角大于第二角度阈值，将相邻两个矢量线段之间的连接点设置为大节点，所述第二角度阈值大于所述第一角度阈值；
根据所述多个矢量线段、所述小节点和所述大节点，生成停车场的道路，得到停车场路网的拓扑图。
2.如权利要求1所述的停车场语义地图路网构建方法，其特征在于，所述对停车场图像进行语义分割，得到地面语义标签MASK图像，根据图像采集设备的外参将所述地面语义标签MASK图像生成第一三维点云数据，包括：
获取车辆通过环视摄像机采集到的停车场图像；
对所述停车场图像进行语义分割，得到包含车道线在内的多种地面语义标签MASK图像；
根据所述环视摄像机的外参，将各帧地面语义标签MASK图像中的二维点云数据转换为环视摄像机坐标下的第一三维点云数据。
3.如权利要求1所述的停车场语义地图路网构建方法，其特征在于，所述从所述第一三维点云数据中提取车道线点云，根据车辆位姿数据与所述车道线点云的对应关系，将所述车道线点云转换为世界坐标系下的第二三维点云，包括：
根据语义标签从所述第一三维点云数据的每帧点云中提取出车道线点云；
通过世界坐标系下的车辆位姿数据和线性插值时间同步机制，得到每一帧车道线点云对应的车辆位姿数据；
通过刚体变换原理将车道线点云从车身坐标系转换到世界坐标系，得到世界坐标系下的第二三维点云。
4.如权利要求3所述的停车场语义地图路网构建方法，其特征在于，在所述根据语义标签从所述第一三维点云数据中提取出车道线点云之后，还包括：
通过体素滤波器对所述车道线点云进行下采样，提取车道线的边界轮廓，去除所述边界轮廓之外的噪声数据点。
5.如权利要求3所述的停车场语义地图路网构建方法，其特征在于，所述根据所述第二三维点云拟合直线模型，生成多个矢量线段组合，包括：
对所述第二三维点云中的每一帧点云进行聚类，计算每个点云类簇的重心，基于所述重心通过主成分分析法确定每个点云类簇中方差最大的方向，作为该帧点云分布的主方向；
确定各个点云类簇的拟合直线参数，所述拟合直线参数包含拟合直线起点、拟合直线的增长方向和拟合直线结束条件；
根据所述拟合直线参数对所述第二三维点云中的每一帧点云进行直线拟合，生成多个矢量线段。
6.如权利要求5所述的停车场语义地图路网构建方法，其特征在于，所述根据所述拟合直线参数对所述第二三维点云中的每一帧点云进行直线拟合，生成多个矢量线段，包括：
将第一帧点云分布的主方向确定为第一拟合直线纵坐标分量上的增长方向，将第一帧点云中的最小值作为第一拟合直线的起点；
计算第二帧点云中各个数据点到第一拟合直线的距离，若该距离小于阈值，则确定该数据点为内点；
若第二帧内点数量占比大于或等于第一预设比例，则计算第三帧点云中的各个数据点到第一拟合直线的距离，若第三帧内点数量占比大于或者等于第一预设比例，则继续下一帧点云内点数量占比的比较，直到某一帧点云的内点数量小于第一预设比例；
若当前帧点云内点数量占比小于第一预设比例，则停止对第一拟合直线的拟合，以及根据当前帧开始对第二拟合直线进行拟合，并且第二拟合直线的起点作为第一拟合直线的终点；直至所有的数据帧都拟合完毕为止；
其中，所述第一帧点云为所述第二三维点云中的一帧点云，所述第二帧点云为所述第一帧点云的下一帧点云，所述第三帧点云为所述第二帧点云的下一帧点云。
7.如权利要求6所述的停车场语义地图路网构建方法，其特征在于，对第一拟合直线拟合的过程包括：
计算初始拟定的第一拟合直线的起点和增长方向；将第一帧点云分布的主方向确定为第一拟合直线纵坐标分量上的增长方向，将第一帧点云中的最小值作为第一拟合直线的起点；
计算第一帧点云中各个数据点到初始拟定的第一拟合直线的距离，根据该距离确定第一帧点云中内点数量占比；
若该第一帧点云中内点数量占比大于或等于第二预设比例，则将该初始拟定的第一拟合直线作为最终的第一拟合直线；
若该第一帧点云中内点数量占比小于第二预设比例，则剔除第一帧点云中内点之外的数据点，并重新拟定第一拟合直线的起点和增长方向；
重复执行以上步骤，直至第一帧点云中内点数量占比大于或等于第二预设比例。
8.一种停车场语义地图路网构建装置，其特征在于，包括：
点云生成模块，用于对停车场图像进行语义分割，得到地面语义标签MASK图像，根据图像采集设备的外参将所述地面语义标签MASK图像生成第一三维点云数据；所述地面语义标签MASK图像包含车道线，所述停车场图像基于设置在车辆上的图像采集设备采集得到；
点云转换模块，用于从所述第一三维点云数据中提取车道线点云，根据车辆位姿数据对所述车道线点云的对应关系，将所述车道线点云转换为世界坐标系下的第二三维点云，所述车辆位姿数据与各帧车道线点云时间同步；
矢量线段生成模块，用于根据所述第二三维点云拟合直线模型，生成多个矢量线段组合；
路网生成模块，用于根据所述多个矢量线段组合生成多条路，得到停车场路网；
所述路网生成模块具体用于：确定所述多个矢量线段中的相邻两个矢量线段之间的夹角；若所述夹角小于第一角度阈值，将相邻两个矢量线段之间的连接点设置为小节点；若所述夹角大于第二角度阈值，将相邻两个矢量线段之间的连接点设置为大节点，所述第二角度阈值大于所述第一角度阈值；根据所述多个矢量线段、所述小节点和所述大节点，生成停车场的道路，得到停车场路网的拓扑图。
9.一种电子设备，包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的停车场语义地图路网构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310587108.4A CN116309943B (zh) | 2023-05-24 | 2023-05-24 | 一种停车场语义地图路网构建方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310587108.4A CN116309943B (zh) | 2023-05-24 | 2023-05-24 | 一种停车场语义地图路网构建方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116309943A CN116309943A (zh) | 2023-06-23 |
| CN116309943B true CN116309943B (zh) | 2023-08-08 |
Family
ID=86783645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310587108.4A Active CN116309943B (zh) | 2023-05-24 | 2023-05-24 | 一种停车场语义地图路网构建方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116309943B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118038027B (zh) * | 2024-04-11 | 2024-07-05 | 深圳市木牛机器人科技有限公司 | 平板运输车的兴趣点检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109131318A (zh) * | 2018-10-19 | 2019-01-04 | 清华大学 | 一种基于拓扑地图的自主泊车路径协调方法 |
| US10929694B1 (en) * | 2020-01-22 | 2021-02-23 | Tsinghua University | Lane detection method and system based on vision and lidar multi-level fusion |
| CN114445592A (zh) * | 2022-01-29 | 2022-05-06 | 重庆长安汽车股份有限公司 | 一种基于逆透视变换和点云投影的鸟瞰图语义分割标签生成方法 |
| KR20220071112A (ko) * | 2020-11-23 | 2022-05-31 | 한국전자통신연구원 | 자율 주행을 위한 지도 생성 및 관리 방법 그리고 이를 이용한 위치 인식 방법 및 장치 |
| CN114612616A (zh) * | 2022-03-10 | 2022-06-10 | 驭势科技（北京）有限公司 | 建图方法、装置、电子设备和存储介质 |
| CN114863380A (zh) * | 2022-07-05 | 2022-08-05 | 高德软件有限公司 | 车道线识别方法、装置及电子设备 |
| CN115164918A (zh) * | 2022-09-06 | 2022-10-11 | 联友智连科技有限公司 | 语义点云地图构建方法、装置及电子设备 |
| CN115435798A (zh) * | 2022-07-29 | 2022-12-06 | 深圳亿嘉和科技研发有限公司 | 无人车高精地图路网生成系统及方法 |
| CN115496873A (zh) * | 2022-09-27 | 2022-12-20 | 重庆长安汽车股份有限公司 | 一种基于单目视觉的大场景车道建图方法及电子设备 |
| CN115690338A (zh) * | 2021-07-30 | 2023-02-03 | 北京图森智途科技有限公司 | 地图构建方法、装置、设备及存储介质 |
-
2023
- 2023-05-24 CN CN202310587108.4A patent/CN116309943B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109131318A (zh) * | 2018-10-19 | 2019-01-04 | 清华大学 | 一种基于拓扑地图的自主泊车路径协调方法 |
| US10929694B1 (en) * | 2020-01-22 | 2021-02-23 | Tsinghua University | Lane detection method and system based on vision and lidar multi-level fusion |
| KR20220071112A (ko) * | 2020-11-23 | 2022-05-31 | 한국전자통신연구원 | 자율 주행을 위한 지도 생성 및 관리 방법 그리고 이를 이용한 위치 인식 방법 및 장치 |
| CN115690338A (zh) * | 2021-07-30 | 2023-02-03 | 北京图森智途科技有限公司 | 地图构建方法、装置、设备及存储介质 |
| CN114445592A (zh) * | 2022-01-29 | 2022-05-06 | 重庆长安汽车股份有限公司 | 一种基于逆透视变换和点云投影的鸟瞰图语义分割标签生成方法 |
| CN114612616A (zh) * | 2022-03-10 | 2022-06-10 | 驭势科技（北京）有限公司 | 建图方法、装置、电子设备和存储介质 |
| CN114863380A (zh) * | 2022-07-05 | 2022-08-05 | 高德软件有限公司 | 车道线识别方法、装置及电子设备 |
| CN115435798A (zh) * | 2022-07-29 | 2022-12-06 | 深圳亿嘉和科技研发有限公司 | 无人车高精地图路网生成系统及方法 |
| CN115164918A (zh) * | 2022-09-06 | 2022-10-11 | 联友智连科技有限公司 | 语义点云地图构建方法、装置及电子设备 |
| CN115496873A (zh) * | 2022-09-27 | 2022-12-20 | 重庆长安汽车股份有限公司 | 一种基于单目视觉的大场景车道建图方法及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 姚连璧 ; 秦长才 ; 张邵华 ; 陈启超 ; 阮东旭 ; 聂顺根 ; .车载激光点云的道路标线提取及语义关联.测绘学报.2020,(第04期),480-488. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116309943A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163930B (zh) | 车道线生成方法、装置、设备、系统及可读存储介质 | |
| CN112581612B (zh) | 基于激光雷达和环视摄像头融合的车载栅格地图生成方法及系统 | |
| CN114413881B (zh) | 高精矢量地图的构建方法、装置及存储介质 | |
| CN112740225B (zh) | 一种路面要素确定方法及装置 | |
| CN112465970B (zh) | 导航地图构建方法、装置、系统、电子装置和存储介质 | |
| CN112258519B (zh) | 一种高精度地图制作中道路的让行线自动化提取方法及装置 | |
| CN116309943B (zh) | 一种停车场语义地图路网构建方法、装置及电子设备 | |
| WO2024012211A1 (zh) | 自动驾驶环境感知方法、介质及车辆 | |
| CN114677435A (zh) | 一种点云全景融合要素提取方法和系统 | |
| CN114612616A (zh) | 建图方法、装置、电子设备和存储介质 | |
| CN117576652B (zh) | 道路对象的识别方法、装置和存储介质及电子设备 | |
| CN112257668A (zh) | 主辅路判断方法、装置、电子设备及存储介质 | |
| CN114295139A (zh) | 一种协同感知定位方法及系统 | |
| CN113255444A (zh) | 图像识别模型的训练方法、图像识别方法和装置 | |
| CN114898321B (zh) | 道路可行驶区域检测方法、装置、设备、介质及系统 | |
| CN115690138A (zh) | 一种融合车载影像与点云的道路边界提取与矢量化方法 | |
| CN116403191A (zh) | 一种基于单目视觉的三维车辆跟踪方法、装置和电子设备 | |
| CN113836251B (zh) | 一种认知地图构建方法、装置、设备及介质 | |
| CN112507891B (zh) | 自动化识别高速路口并构建路口向量的方法及装置 | |
| CN114550117A (zh) | 一种图像检测方法和装置 | |
| CN114120254A (zh) | 道路信息识别方法、装置及存储介质 | |
| CN111860084B (zh) | 图像特征的匹配、定位方法及装置、定位系统 | |
| CN110660113A (zh) | 特征地图的建立方法、装置、采集设备和存储介质 | |
| CN112528918A (zh) | 道路元素识别方法、地图标注方法及装置、车辆 | |
| CN115578703A (zh) | 激光感知融合优化方法、装置、设备及可读存储介质 |
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 |