CN116358526A - 交通设施识别方法、装置、设备及介质 - Google Patents

交通设施识别方法、装置、设备及介质 Download PDF

Info

Publication number
CN116358526A
CN116358526A CN202310340711.2A CN202310340711A CN116358526A CN 116358526 A CN116358526 A CN 116358526A CN 202310340711 A CN202310340711 A CN 202310340711A CN 116358526 A CN116358526 A CN 116358526A
Authority
CN
China
Prior art keywords
position information
point cloud
cloud data
traffic facility
space
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
CN202310340711.2A
Other languages
English (en)
Inventor
李颖嘉
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.)
Autonavi Software Co Ltd
Original Assignee
Autonavi Software 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 Autonavi Software Co Ltd filed Critical Autonavi Software Co Ltd
Priority to CN202310340711.2A priority Critical patent/CN116358526A/zh
Publication of CN116358526A publication Critical patent/CN116358526A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G01C21/3811—Point data, e.g. Point of Interest [POI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开涉及数据处理技术领域，具体涉及一种交通设施识别方法、装置、设备及介质，所述方法包括：获取点云数据；根据点云数据，获取目标交通设施在空间中的平面位置信息；根据目标交通设施在空间中的平面位置信息，将点云数据中的点投影到目标交通设施对应的平面上，以获取交通设施栅格图；根据交通设施栅格图，获取目标道路设施的最小外接矩形框的平面位置信息；根据最小外接矩形框的平面位置信息，获取最小外接矩形框在空间中的空间位置信息。基于本方案获取的最小外接矩形框的空间位置信息，能够以较高的精度确定目标交通设施在三维空间中位置，从而满足高精地图对位置的精度要求。

Description

交通设施识别方法、装置、设备及介质
技术领域
本公开涉及高精地图技术领域，具体涉及一种交通设施识别方法、装置、设备及介质。
背景技术
随着技术的发展，电子地图正在从标准地图向高精地图演进，高精地图可以用于智慧城市管理或者车辆的智能驾驶等场景。以智能驾驶场景为例，车辆搭载的智能驾驶系统可以基于高精地图中的车道级道路信息和道路上的交通设施(比如交通灯、限速牌等)进行智能驾驶决策。
相关技术中，可以通过对采集的图像进行图像识别，并根据图像识别获取交通设施在空间中的位置。然而申请人发现，基于上述方案所获取的交通设施在空间中的位置往往精度较低，不满足高精地图对位置的精度要求，导致基于所获取的位置生成的高精度地图的可靠性较差。
发明内容
为了解决相关技术中的问题，本公开实施例提供一种交通设施识别方法、装置、设备及介质。
第一方面，本公开实施例中提供了一种交通设施识别方法，包括：
获取目标交通设施的点云数据；
根据点云数据，获取目标交通设施在空间中的平面位置信息；
根据目标交通设施在空间中的平面位置信息，将点云数据中的点投影到目标交通设施对应的平面上，以获取交通设施栅格图；
根据交通设施栅格图，获取目标道路设施的最小外接矩形框的平面位置信息；
根据最小外接矩形框的平面位置信息，获取最小外接矩形框在空间中的空间位置信息。
在本公开的一种实现方式中，根据点云数据，获取目标交通设施在空间中的平面位置信息，包括：
在点云数据中确定目标交通设施背板的背板点云数据；
根据背板点云数据，获取目标交通设施在空间中的平面位置信息。
在本公开的一种实现方式中，根据背板点云数据，获取目标交通设施在空间中的平面位置信息，包括：
对背板点云数据进行平面拟合，以获取位于空间中同一平面的背板点云数据；
根据位于空间中同一平面的背板点云数据，获取目标交通设施在空间中的平面位置信息。
在本公开的一种实现方式中，在点云数据中确定目标交通设施背板的背板点云数据，包括：
获取点云语义分割神经网络模型；
将点云数据输入点云语义分割神经网络模型，以获取点云语义分割神经网络模型输出的背板点云数据。
在本公开的一种实现方式中，根据目标交通设施在空间中的平面位置信息，将点云数据中的点投影到目标交通设施对应的平面上，以获取交通设施栅格图，包括：
根据目标交通设施在空间中的平面位置信息，获取目标交通设施对应的平面的法向量；
根据法向量以及点云数据，获取点云数据中的点在目标交通设施对应的平面上的投影点的位置信息，并记录投影点的位置信息与点云数据中的点的空间位置信息之间的位置对应关系；
根据每个投影点在点云数据中对应的点的反射率，获取每个投影点的颜色信息；
根据每个投影点的位置信息及颜色信息，获取交通设施栅格图。
在本公开的一种实现方式中，根据最小外接矩形框的平面位置信息，获取最小外接矩形框在空间中的矩形框空间位置信息，包括：
根据最小外接矩形框的平面位置信息以及投影点的位置信息，确定与最小外接矩形框重合的至少一个投影点；
根据至少一个投影点中每个投影点的位置信息以及位置对应关系，获取矩形框空间位置信息。
在本公开的一种实现方式中，根据交通设施栅格图，获取目标道路设施的最小外接矩形框的平面位置信息，包括：
获取图像检测神经网络模型；
将交通设施栅格图输入图像检测神经网络模型，以获取图像检测神经网络模型输出的最小外接矩形框的平面位置信息。
第二方面，本公开实施例中提供了一种交通设施识别装置，包括：
点云获取模块，被配置为获取目标交通设施的点云数据；
平面位置获取模块，被配置为根据点云数据，获取目标交通设施在空间中的平面位置信息；
栅格图获取模块，被配置为根据目标交通设施在空间中的平面位置信息，将点云数据中的点投影到目标交通设施对应的平面上，以获取交通设施栅格图；
投影位置获取模块，被配置为根据交通设施栅格图，获取目标道路设施的最小外接矩形框的平面位置信息；
空间位置获取模块，被配置为根据最小外接矩形框的平面位置信息，获取最小外接矩形框在空间中的空间位置信息。
第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器，其中，存储器用于存储一条或多条计算机指令，其中，一条或多条计算机指令被处理器执行以实现如本公开的第一方面或第一方面的任一种实现方式中任一项的方法。
第四方面，本公开实施例中提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如本公开的第一方面或第一方面的任一种实现方式中任一项的方法。
根据本公开实施例提供的技术方案，通过获取目标交通设施的点云数据；根据点云数据，获取目标交通设施在空间中的平面位置信息；根据目标交通设施在空间中的平面位置信息，将点云数据中的点投影到目标交通设施对应的平面上，以获取交通设施栅格图，其中，交通设施栅格图可以被理解为在尽量不损失点云数据所携带信息的前提下，将三维数据(即点云数据)转换为二维数据(即交通设施栅格图)；根据交通设施栅格图，获取目标道路设施的最小外接矩形框的平面位置信息，其中最小外接矩形框的平面位置信息可以被理解为用于指示目标交通设施在其对应的二维平面中的位置；根据最小外接矩形框的平面位置信息，获取最小外接矩形框在空间中的空间位置信息，其中最小外接矩形框在空间中的空间位置信息可以被理解为目标交通设施在三维空间中的位置。在上述方案中，考虑到基于二维的交通设施栅格图获取最小外接矩形框的平面位置信息时处理难度较低，从而使最小外接矩形框的平面位置信息的精度及准确率较高，而最小外接矩形框在空间中的空间位置信息是基于该最小外接矩形框的平面位置信息获取的，因此该最小外接矩形框的空间位置信息的精度与准确率也较高。综上所述，基于本方案获取的最小外接矩形框的空间位置信息，能够以较高的精度确定目标交通设施在三维空间中位置，从而满足高精地图对位置的精度要求，有助于提高基于目标交通设施在三维空间中位置生成的高精度地图的可靠性。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
图1示出根据本公开的实施例的交通设施识别方法的流程图。
图2示出根据本公开的实施例的点云数据的示意图。
图3示出根据本公开的实施例的交通设施识别装置的结构框图。
图4示出根据本公开的实施例的电子设备的结构框图。
图5示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
在本公开中，如涉及对用户信息或用户数据的获取操作或向他人展示用户信息或用户数据的操作，则所述操作均为经用户授权、确认，或由用户主动选择的操作。
相关技术中，可以由相应的工作人员对设置有交通设施的道路或路口进行图像采集，并根据所采集的图像进行图像识别，根据图像识别结果并结合采集相同图像时的图像采集位置获取相应图像中交通设施的位置。
然而，申请人发现，基于上述方案所获取的交通设施在空间中的位置往往精度较低，不满足高精地图对位置的精度要求，导致基于所获取的位置生成的高精度地图的可靠性较差若车辆在自动驾驶时基于该高精度地图行驶，则可能会增加车辆出现交通事故的几率，损害用户体验。
为了解决上述问题，在本公开实施例提供的技术方案中，通过获取目标交通设施的点云数据；根据点云数据，获取目标交通设施在空间中的平面位置信息；根据目标交通设施在空间中的平面位置信息，将点云数据中的点投影到目标交通设施对应的平面上，以获取交通设施栅格图，其中，交通设施栅格图可以被理解为在尽量不损失点云数据所携带信息的前提下，将三维数据(即点云数据)转换为二维数据(即交通设施栅格图)；根据交通设施栅格图，获取目标道路设施的最小外接矩形框的平面位置信息，其中最小外接矩形框的平面位置信息可以被理解为用于指示目标交通设施在其对应的二维平面中的位置；根据最小外接矩形框的平面位置信息，获取最小外接矩形框在空间中的空间位置信息，其中最小外接矩形框在空间中的空间位置信息可以被理解为目标交通设施在三维空间中的位置。在上述方案中，考虑到基于二维的交通设施栅格图获取最小外接矩形框的平面位置信息时处理难度较低，从而使最小外接矩形框的平面位置信息的精度及准确率较高，而最小外接矩形框在空间中的空间位置信息是基于该最小外接矩形框的平面位置信息获取的，因此该最小外接矩形框的空间位置信息的精度与准确率也较高。综上所述，基于本方案获取的最小外接矩形框的空间位置信息，能够以较高的精度确定目标交通设施在三维空间中位置，从而满足高精地图对位置的精度要求，有助于提高基于目标交通设施在三维空间中位置生成的高精度地图的可靠性。
图1示出根据本公开的实施例的交通设施识别方法的流程图。如图1所示，所述交通设施识别方法包括以下步骤S101-S105：
在步骤S101中，获取目标交通设施的点云数据；
在步骤S102中，根据点云数据，获取目标交通设施在空间中的平面位置信息；
在步骤S103中，根据目标交通设施在空间中的平面位置信息，将点云数据中的点投影到目标交通设施对应的平面上，以获取交通设施栅格图；
在步骤S104中，根据交通设施栅格图，获取目标道路设施的最小外接矩形框的平面位置信息；
在步骤S105中，根据最小外接矩形框的平面位置信息，获取最小外接矩形框在空间中的空间位置信息。
在本公开的一种实施方式中，目标交通设施的点云数据，可以被理解为空间中位于目标交通设施表面的点的数据集。点云数据可以由三维扫描仪获取，点云数据中每个点的位置都由对应的三维坐标(例如可以为笛卡尔坐标)描述，点云数据还可以包括其中每个点对应的激光反射强度(用于指示对应点处的物体反射率)、颜色信息等。
在本公开的一种实施方式中，目标交通设施在空间中的平面位置信息，可以被理解为用于指示目标交通设施对应的平面在三维空间中的位置。目标交通设施对应的平面，可以被理解为能够体现目标交通设施在三维空间中位置的平面。示例性的，目标交通设施对应的平面，可以被理解为同时包括该目标交通设施的横向中轴线与纵向中轴线的平面。
在本公开的一种实施方式中，根据点云数据，获取目标交通设施在空间中的平面位置信息，可以被理解为基于事先获取的交通设施平面位置算法，将点云数据代入进行计算以获取目标交通设施在空间中的平面位置信息，也可以理解为发送该点云数据，并接收其他装置或系统发送的目标交通设施在空间中的平面位置信息。
在本公开的一种实施方式中，根据目标交通设施在空间中的平面位置信息，将点云数据中的点投影到目标交通设施对应的平面上，以获取交通设施栅格图，可以被理解为，根据点云数据中对应的点的反射率或颜色信息，对该对应的点在目标交通设施对应的平面上的投影处的灰度信息或颜色信息等进行设置，以获取该交通设施栅格图。
在本公开的一种实施方式中，最小外接矩形框的平面位置信息，可以被理解为用于指示最小外接矩形框边沿上多个点在目标交通设施对应的平面上的位置。示例性的，矩形框平面位置信息可以用于指示最小外接矩形框四个顶点的在目标交通设施对应的平面上的位置。
在本公开的一种实施方式中，根据交通设施栅格图，获取目标道路设施的最小外接矩形框的平面位置信息，可以理解为基于事先获取的矩形框平面算法，将交通设施栅格图代入进行计算以获取该最小外接矩形框的平面位置信息，也可以理解为发送该交通设施栅格图，并接收其他装置或系统发送的该最小外接矩形框的平面位置信息。
在本公开的一种实施方式中，最小外接矩形框在空间中的空间位置信息，可以被理解为用于指示该最小外接矩形框在三维空间中的位置。最小外接矩形框的空间位置信息，可以包括最小外接矩形框的边沿上多个点的空间位置。示例性的，最小外接矩形框的空间位置信息可以用于指示最小外接矩形框四个顶点的在三维空间中的位置。
在本公开的一种实施方式中，根据最小外接矩形框的平面位置信息，获取最小外接矩形框在空间中的空间位置信息，可以被理解为获取预先获取的空间位置算法，将最小外接矩形框的平面位置信息代入进行计算以获取最小外接矩形框的空间位置信息，也可以理解为发送最小外接矩形框的平面位置信息，并接收其他装置或系统发送的最小外接矩形框的空间位置信息。
在本公开实施例提供的技术方案中，通过获取目标交通设施的点云数据；根据点云数据，获取目标交通设施在空间中的平面位置信息；根据目标交通设施在空间中的平面位置信息，将点云数据中的点投影到目标交通设施对应的平面上，以获取交通设施栅格图，其中，交通设施栅格图可以被理解为在尽量不损失点云数据所携带信息的前提下，将三维数据(即点云数据)转换为二维数据(即交通设施栅格图)；根据交通设施栅格图，获取目标道路设施的最小外接矩形框的平面位置信息，其中最小外接矩形框的平面位置信息可以被理解为用于指示目标交通设施在其对应的二维平面中的位置；根据最小外接矩形框的平面位置信息，获取最小外接矩形框在空间中的空间位置信息，其中最小外接矩形框在空间中的空间位置信息可以被理解为目标交通设施在三维空间中的位置。在上述方案中，考虑到基于二维的交通设施栅格图获取最小外接矩形框的平面位置信息时处理难度较低，从而使最小外接矩形框的平面位置信息的精度及准确率较高，而最小外接矩形框在空间中的空间位置信息是基于该最小外接矩形框的平面位置信息获取的，因此该最小外接矩形框的空间位置信息的精度与准确率也较高。综上所述，基于本方案获取的最小外接矩形框的空间位置信息，能够以较高的精度确定目标交通设施在三维空间中位置，从而满足高精地图对位置的精度要求，有助于提高基于目标交通设施在三维空间中位置生成的高精度地图的可靠性。
在本公开的一种实现方式中，根据点云数据，获取目标交通设施在空间中的平面位置信息，包括：
在点云数据中确定目标交通设施背板的背板点云数据；
根据背板点云数据，获取目标交通设施在空间中的平面位置信息。
在本公开的一种实施方式中，背板点云数据，可以被理解为包括位于目标交通设施的背板表面的点的点云数据，其中目标交通设施的背板可以被理解为目标交通设施的主体部分。示例性的，目标交通设施为交通灯时，目标交通设施的背板可以被理解为交通灯中除交通灯的帽檐以及支架以外的其他部分。
在本公开的一种实施方式中，在点云数据中确定目标交通设施背板的背板点云数据，可以理解为基于事先获取的背板点云算法，将点云数据代入进行计算，并根据计算结果在点云数据中确定背板点云数据，也可以理解为发送该点云数据，并接收其他装置或系统发送的背板点云指示信息，并根据该背板点云指示信息在点云数据中确定背板点云数据。
示例性的，图2示出根据本公开的实施例的点云数据的示意图。如图2所示，当目标交通设施为交通灯时，点云数据包括该交通灯背板的背板点云数据101，根据该交通灯背板的背板点云数据101，可以获取该交通灯背板在空间中的平面位置信息，该平面位置信息可以被理解为用于指示交通灯对应的平面102。当目标交通设施为交通倒计时器时，点云数据包括该交通倒计时器的背板点云数据103，根据该交通倒计时器背板的背板点云数据103，可以获取该交通倒计时器在空间中的平面位置信息，该平面位置信息可以被理解为用于指示交通倒计时器对应的平面104。
在本公开实施例提供的技术方案中，考虑到针对目标交通设施，用户所关注的部分仅为目标交通设施背板的位置即目标交通设施的主体部分的位置，因此通过在点云数据中确定目标交通设施背板的背板点云数据，并根据背板点云数据，获取目标交通设施在空间中的平面位置信息，可以在不影响所获取的目标交通设施在空间中的平面位置信息的准确率的前提下，减少运算量，从而降低了处理成本。
在本公开的一种实现方式中，在本公开的一种实现方式中，根据背板点云数据，获取目标交通设施在空间中的平面位置信息，包括：
对背板点云数据进行平面拟合，以获取位于空间中同一平面的背板点云数据；
根据位于空间中同一平面的背板点云数据，获取目标交通设施在空间中的平面位置信息。
在本公开的一种实现实施中，对背板点云数据进行平面拟合，以获取位于空间中同一平面的背板点云数据，可以被理解为基于预先获取的平面拟合算法，将背板点云数据代入进行计算，以获取位于空间中同一平面的背板点云数据；也可以被理解为发送该背板点云数据，并接收其他装置或系统发送的位于空间中同一平面的背板点云数据。
在本公开实施例提供的技术方案中，通过对背板点云数据进行平面拟合，以获取位于空间中同一平面的背板点云数据，并根据位于空间中同一平面的背板点云数据，获取目标交通设施在空间中的平面位置信息，其中，由于基于位于空间中同一平面的背板点云数据获取目标交通设施的平面位置信息时难度较低，因此可以降低处理成本。
在本公开的一种实现方式中，在本公开的一种实现方式中，在点云数据中确定目标交通设施背板的背板点云数据，包括：
获取点云语义分割神经网络模型；
将点云数据输入点云语义分割神经网络模型，以获取点云语义分割神经网络模型输出的背板点云数据。
在本公开的一种实施方式中，获取点云语义分割神经网络模型，可以为读取储存的预先训练得到的点云语义分割神经网络模型，也可以为接收其他装置或系统发送的预先训练得到的点云语义分割神经网络模型。点云语义分割神经网络模型可以为神经网络(neural network，NN)模型、卷积神经网络(convolutional neural networks，CNN)模型或长短期记忆网络(long short-term memory，LSTM)模型等。
在本公开实施例提供的技术方案中，通过获取点云语义分割神经网络模型，并将点云数据输入点云语义分割神经网络模型，以获取点云语义分割神经网络模型输出的背板点云数据，可以提高所确定的背板点云的准确率。
在本公开的一种实现方式中，根据目标交通设施在空间中的平面位置信息，将点云数据中的点投影到目标交通设施对应的平面上，以获取交通设施栅格图，包括：
根据目标交通设施在空间中的平面位置信息，获取目标交通设施对应的平面的法向量；
根据法向量以及点云数据，获取点云数据中的点在目标交通设施对应的平面上的投影点的位置信息，并记录投影点的位置信息与点云数据中的点的空间位置信息之间的位置对应关系；
根据每个投影点在点云数据中对应的点的反射率，获取每个投影点的颜色信息；
根据每个投影点的位置信息及颜色信息，获取交通设施栅格图。
在本公开的一种实施方式中，投影点的位置信息与点云数据中的点的空间位置信息之间的位置对应关系，可以理解为投影点在目标交通设施对应的平面中的二维坐标，与点云数据中的点在空间中的三维坐标之间的对应关系。
在本公开的一种实施方式中，根据每个投影点在点云数据中对应的点的反射率，获取每个投影点的颜色信息，可以被理解为根据预先获取的颜色算法，将上述对应的点的反射率代入进行计算，以获取每个投影点的颜色信息；也可以被理解为获取预先储存的颜色查询表，并根据上述对应的点的反射率在该颜色查询表进行查询，以获取每个投影点的颜色信息。
在本公开实施例提供的技术方案中，通过根据目标交通设施在空间中的平面位置信息，获取目标交通设施对应的平面的法向量，根据法向量以及点云数据，获取点云数据中的点在目标交通设施对应的平面上的投影点的位置信息，并记录投影点的位置信息与点云数据中的点的空间位置信息之间的位置对应关系，根据每个投影点的位置信息及颜色信息，获取交通设施栅格图，可以尽量以简化获取交通设施栅格图的方式，减少了运算量，降低了处理成本。
在本公开的一种实现方式中，根据最小外接矩形框的平面位置信息，获取最小外接矩形框在空间中的矩形框空间位置信息，包括：
根据最小外接矩形框的平面位置信息以及投影点的位置信息，确定与最小外接矩形框重合的至少一个投影点；
根据至少一个投影点中每个投影点的位置信息以及位置对应关系，获取矩形框空间位置信息。
在本公开的一种实施方式中，与最小外接矩形框重合的至少一个投影点，可以被理解为与最小外接矩形框的边沿或顶点重合的至少一个投影点。示例性的，与最小外接矩形框重合的至少一个投影点可以包括与最小外接矩形框至少三个顶点各自对应的投影点。
在本公开的一种实施方式中，根据至少一个投影点中每个投影点的位置信息以及位置对应关系，获取矩形框空间位置信息，可以被理解为根据上述位置对应关系，将至少一个投影点中每个投影点在目标交通设施对应的平面上的二维坐标，转换为与每个投影点各自对应的点云数据中的点在空间中的三维坐标，根据转换得到的三维坐标可以获取能够用于指示最小外接矩形框在空间中的位置的矩形框空间位置信息。
在本公开实施例提供的技术方案中，通过根据最小外接矩形框的平面位置信息以及投影点的位置信息，确定与最小外接矩形框重合的至少一个投影点，并根据至少一个投影点中每个投影点的位置信息以及位置对应关系，获取矩形框空间位置信息，可以尽量简化获矩形框空间位置信息的过程，减少了运算量，降低了处理成本。
在本公开的一种实现方式中，根据交通设施栅格图，获取目标道路设施的最小外接矩形框的平面位置信息，包括：
获取图像检测神经网络模型；
将交通设施栅格图输入图像检测神经网络模型，以获取图像检测神经网络模型输出的最小外接矩形框的平面位置信息。
在本公开的一种实施方式中，获取图像目标检测神经网络模型，可以为读取储存的预先训练得到的图像目标检测神经网络模型，也可以为接收其他装置或系统发送的预先训练得到的图像目标检测神经网络模型。图像目标检测神经网络模型可以为神经网络模型、卷积神经网络模型或长短期记忆网络模型等。
在本公开实施例提供的技术方案中，通过获取图像检测神经网络模型，并将交通设施栅格图输入图像检测神经网络模型，以获取图像检测神经网络模型输出的最小外接矩形框的平面位置信息，可以提高所获取的最小外接矩形框的平面位置信息的准确率。
图3示出根据本公开的实施例的交通设施识别装置的结构框图。其中，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图3所示，所述交通设施识别装置包括：
点云获取模块201，被配置为获取目标交通设施的点云数据；
平面位置获取模块202，被配置为根据点云数据，获取目标交通设施在空间中的平面位置信息；
栅格图获取模块203，被配置为根据目标交通设施在空间中的平面位置信息，将点云数据中的点投影到目标交通设施对应的平面上，以获取交通设施栅格图；
投影位置获取模块204，被配置为根据交通设施栅格图，获取目标道路设施的最小外接矩形框的平面位置信息；
空间位置获取模块205，被配置为根据最小外接矩形框的平面位置信息，获取最小外接矩形框在空间中的空间位置信息。
根据本公开实施例提供的技术方案，通过获取目标交通设施的点云数据；根据点云数据，获取目标交通设施在空间中的平面位置信息；根据目标交通设施在空间中的平面位置信息，将点云数据中的点投影到目标交通设施对应的平面上，以获取交通设施栅格图，其中，交通设施栅格图可以被理解为在尽量不损失点云数据所携带信息的前提下，将三维数据(即点云数据)转换为二维数据(即交通设施栅格图)；根据交通设施栅格图，获取目标道路设施的最小外接矩形框的平面位置信息，其中最小外接矩形框的平面位置信息可以被理解为用于指示目标交通设施在其对应的二维平面中的位置；根据最小外接矩形框的平面位置信息，获取最小外接矩形框在空间中的空间位置信息，其中最小外接矩形框在空间中的空间位置信息可以被理解为目标交通设施在三维空间中的位置。在上述方案中，考虑到基于二维的交通设施栅格图获取最小外接矩形框的平面位置信息时处理难度较低，从而使最小外接矩形框的平面位置信息的精度及准确率较高，而最小外接矩形框在空间中的空间位置信息是基于该最小外接矩形框的平面位置信息获取的，因此该最小外接矩形框的空间位置信息的精度与准确率也较高。综上所述，基于本方案获取的最小外接矩形框的空间位置信息，能够以较高的精度确定目标交通设施在三维空间中位置，从而满足高精地图对位置的精度要求，有助于提高基于目标交通设施在三维空间中位置生成的高精度地图的可靠性。
本公开还公开了一种电子设备，图4示出根据本公开的实施例的电子设备的结构框图。
如图4所示，所述电子设备包括存储器和处理器，其中，存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现根据本公开的实施例的方法。
本公开实施例中提供了一种交通设施识别方法，包括：
获取目标交通设施的点云数据；
根据点云数据，获取目标交通设施在空间中的平面位置信息；
根据目标交通设施在空间中的平面位置信息，将点云数据中的点投影到目标交通设施对应的平面上，以获取交通设施栅格图；
根据交通设施栅格图，获取目标道路设施的最小外接矩形框的平面位置信息；
根据最小外接矩形框的平面位置信息，获取最小外接矩形框在空间中的空间位置信息。
在本公开的一种实现方式中，根据点云数据，获取目标交通设施在空间中的平面位置信息，包括：
在点云数据中确定目标交通设施背板的背板点云数据；
根据背板点云数据，获取目标交通设施在空间中的平面位置信息。
在本公开的一种实现方式中，根据背板点云数据，获取目标交通设施在空间中的平面位置信息，包括：
对背板点云数据进行平面拟合，以获取位于空间中同一平面的背板点云数据；
根据位于空间中同一平面的背板点云数据，获取目标交通设施在空间中的平面位置信息。
在本公开的一种实现方式中，在点云数据中确定目标交通设施背板的背板点云数据，包括：
获取点云语义分割神经网络模型；
将点云数据输入点云语义分割神经网络模型，以获取点云语义分割神经网络模型输出的背板点云数据。
在本公开的一种实现方式中，根据目标交通设施在空间中的平面位置信息，将点云数据中的点投影到目标交通设施对应的平面上，以获取交通设施栅格图，包括：
根据目标交通设施在空间中的平面位置信息，获取目标交通设施对应的平面的法向量；
根据法向量以及点云数据，获取点云数据中的点在目标交通设施对应的平面上的投影点的位置信息，并记录投影点的位置信息与点云数据中的点的空间位置信息之间的位置对应关系；
根据每个投影点在点云数据中对应的点的反射率，获取每个投影点的颜色信息；
根据每个投影点的位置信息及颜色信息，获取交通设施栅格图。
在本公开的一种实现方式中，根据最小外接矩形框的平面位置信息，获取最小外接矩形框在空间中的矩形框空间位置信息，包括：
根据最小外接矩形框的平面位置信息以及投影点的位置信息，确定与最小外接矩形框重合的至少一个投影点；
根据至少一个投影点中每个投影点的位置信息以及位置对应关系，获取矩形框空间位置信息。
在本公开的一种实现方式中，根据交通设施栅格图，获取目标道路设施的最小外接矩形框的平面位置信息，包括：
获取图像检测神经网络模型；
将交通设施栅格图输入图像检测神经网络模型，以获取图像检测神经网络模型输出的最小外接矩形框的平面位置信息。
图5示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
如图5所示，计算机系统包括处理单元，其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行上述实施例中的各种方法。在RAM中，还存储有计算机系统操作所需的各种程序和数据。处理单元、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信过程。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。其中，所述处理单元可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地，根据本公开的实施例，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种交通设施识别方法，其中，包括：
获取目标交通设施的点云数据；
根据所述点云数据，获取所述目标交通设施在空间中的平面位置信息；
根据所述目标交通设施在空间中的平面位置信息，将所述点云数据中的点投影到所述目标交通设施对应的平面上，以获取交通设施栅格图；
根据所述交通设施栅格图，获取所述目标道路设施的最小外接矩形框的平面位置信息；
根据所述最小外接矩形框的平面位置信息，获取所述最小外接矩形框在空间中的空间位置信息。
2.根据权利要求1所述的交通设施识别方法，其中，所述根据所述点云数据，获取所述目标交通设施在空间中的平面位置信息，包括：
在所述点云数据中确定目标交通设施背板的背板点云数据；
根据所述背板点云数据，获取所述目标交通设施在空间中的平面位置信息。
3.根据权利要求2所述的交通设施识别方法，其中，所述根据所述背板点云数据，获取所述目标交通设施在空间中的平面位置信息，包括：
对所述背板点云数据进行平面拟合，以获取位于空间中同一平面的背板点云数据；
根据所述位于空间中同一平面的背板点云数据，获取所述目标交通设施在空间中的平面位置信息。
4.根据权利要求2所述的交通设施识别方法，其中，所述在所述点云数据中确定目标交通设施背板的背板点云数据，包括：
获取点云语义分割神经网络模型；
将所述点云数据输入所述点云语义分割神经网络模型，以获取所述点云语义分割神经网络模型输出的所述背板点云数据。
5.根据权利要求1-4中任一项所述的交通设施识别方法，其中，所述根据所述目标交通设施在空间中的平面位置信息，将所述点云数据中的点投影到所述目标交通设施对应的平面上，以获取交通设施栅格图，包括：
根据所述目标交通设施在空间中的平面位置信息，获取所述目标交通设施对应的平面的法向量；
根据所述法向量以及所述点云数据，获取所述点云数据中的点在所述目标交通设施对应的平面上的投影点的位置信息，并记录投影点的位置信息与所述点云数据中的点的空间位置信息之间的位置对应关系；
根据每个投影点在所述点云数据中对应的点的反射率，获取每个投影点的颜色信息；
根据每个投影点的位置信息及颜色信息，获取所述交通设施栅格图。
6.根据权利要求5所述的交通设施识别方法，其中，所述根据所述最小外接矩形框的平面位置信息，获取所述最小外接矩形框在空间中的矩形框空间位置信息，包括：
根据所述最小外接矩形框的平面位置信息以及所述投影点的位置信息，确定与所述最小外接矩形框重合的至少一个投影点；
根据所述至少一个投影点中每个投影点的位置信息以及所述位置对应关系，获取所述矩形框空间位置信息。
7.根据权利要求1-4中任一项所述的交通设施识别方法，其中，所述根据所述交通设施栅格图，获取所述目标道路设施的最小外接矩形框的平面位置信息，包括：
获取图像检测神经网络模型；
将所述交通设施栅格图输入所述图像检测神经网络模型，以获取所述图像检测神经网络模型输出的所述最小外接矩形框的平面位置信息。
8.一种交通设施识别装置，包括：
点云获取模块，被配置为获取目标交通设施的点云数据；
平面位置获取模块，被配置为根据所述点云数据，获取所述目标交通设施在空间中的平面位置信息；
栅格图获取模块，被配置为根据所述目标交通设施在空间中的平面位置信息，将所述点云数据中的点投影到所述目标交通设施对应的平面上，以获取交通设施栅格图；
投影位置获取模块，被配置为根据所述交通设施栅格图，获取所述目标道路设施的最小外接矩形框的平面位置信息；
空间位置获取模块，被配置为根据所述最小外接矩形框的平面位置信息，获取所述最小外接矩形框在空间中的空间位置信息。
9.一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-7中任一项所述的方法步骤。
10.一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现权利要求1-7中任一项所述的方法步骤。
CN202310340711.2A 2023-03-31 2023-03-31 交通设施识别方法、装置、设备及介质 Pending CN116358526A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310340711.2A CN116358526A (zh) 2023-03-31 2023-03-31 交通设施识别方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310340711.2A CN116358526A (zh) 2023-03-31 2023-03-31 交通设施识别方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116358526A true CN116358526A (zh) 2023-06-30

Family

ID=86919378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310340711.2A Pending CN116358526A (zh) 2023-03-31 2023-03-31 交通设施识别方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116358526A (zh)

Similar Documents

Publication Publication Date Title
CN110286387B (zh) 应用于自动驾驶系统的障碍物检测方法、装置及存储介质
CN110163930B (zh) 车道线生成方法、装置、设备、系统及可读存储介质
CN108764187A (zh) 提取车道线的方法、装置、设备、存储介质以及采集实体
CN110428490B (zh) 构建模型的方法和装置
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
CN110969592B (zh) 图像融合方法、自动驾驶控制方法、装置和设备
US20200082547A1 (en) Method and apparatus for determining motion vector field, device, storage medium and vehicle
Wang et al. Fusion Algorithm of Laser-Point Clouds and Optical Images
CN114430843A (zh) 语义辅助的多分辨率点云配准
CN112639822B (zh) 一种数据处理方法及装置
CN113763438B (zh) 一种点云配准方法、装置、设备及存储介质
CN112580489A (zh) 交通灯检测方法、装置、电子设备及存储介质
CN116358526A (zh) 交通设施识别方法、装置、设备及介质
CN116642490A (zh) 基于混合地图的视觉定位导航方法、机器人及存储介质
CN115790655A (zh) 更新矢量的质量评估方法、电子设备及程序产品
CN114723900A (zh) 地面要素的轮廓绘制方法、电子设备及计算机程序产品
CN115545089A (zh) 点云数据处理方法、模型训练方法、设备、介质及产品
CN116756264B (zh) 重建数据评测方法、装置、电子设备及存储介质
CN118155166B (zh) 减速带识别方法、装置、存储介质及车辆
CN112101299B (zh) 一种基于双目ccd相机的交通标牌自动提取方法及系统
CN115100426B (zh) 信息确定方法、装置、电子设备及计算机程序产品
CN112288799B (zh) 一种行驶设备的定位方法、装置、设备及存储介质
US20230280165A1 (en) Methods for processing map, and vehicle
CN117636344A (zh) 一种基于点云的可行驶区域自动标注方法及装置
CN116416601A (zh) 应用于自动驾驶仿真的标注方法、装置、介质和程序产品

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