CN116625385B - 路网匹配方法、高精地图构建方法、装置及设备 - Google Patents
路网匹配方法、高精地图构建方法、装置及设备 Download PDFInfo
- Publication number
- CN116625385B CN116625385B CN202310915143.4A CN202310915143A CN116625385B CN 116625385 B CN116625385 B CN 116625385B CN 202310915143 A CN202310915143 A CN 202310915143A CN 116625385 B CN116625385 B CN 116625385B
- Authority
- CN
- China
- Prior art keywords
- road network
- area
- image
- areas
- vector data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000010276 construction Methods 0.000 title claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 70
- 230000009466 transformation Effects 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 15
- 241000283070 Equus zebra Species 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012937 correction Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种路网匹配方法、高精地图构建方法、装置及设备,该路网匹配方法包括:基于待匹配的至少两个路网区域的路网矢量数据,投影得到所述至少两个路网区域中各所述路网区域的区域图像,其中,所述路网矢量数据包括路网区域内车道线的矢量数据;基于所述至少两个路网区域的区域图像的特征匹配结果,确定所述至少两个路网区域的坐标转换关系;基于所述坐标转换关系,对所述至少两个路网区域进行几何配准。实现了基于图像特征匹配的路网匹配方法,图像匹配的方式鲁棒性强,不易受到单个数据点误差的影响,且针对重叠区域较小的路网匹配场景,采用图像匹配的方式,匹配准确度高。
Description
技术领域
本申请涉及高精地图技术领域,尤其涉及一种路网匹配方法、高精地图构建方法、装置及设备。
背景技术
在构建高精地图时,通常以路网区域为单位进行。不同的路网区域的路网矢量数据可能来自不同的采集来源或采用不同的数据处理算法,在基于路网矢量数据构建高精地图之前,需对路网区域进行几何配准。
在相关技术中,往往基于路网矢量数据中几何点的坐标,采用基于点集配准的方法进行路网区域几何配准。上述配准方法受矢量数据采集精度的影响较大,且仅适用于重叠区域较大、路网几何相近的场景。
因此,亟需提供一种鲁棒性强、应用范围广的路网配准方案。
发明内容
本申请提供一种路网匹配方法、高精地图构建方法、装置及设备,实现了基于图像特征匹配的路网配准方法,不易受到矢量数据采集误差的影响,可适用于重叠区域小的路网区域的配准,鲁棒性强、应用范围广。
第一方面,本申请提供一种路网匹配方法,包括:
基于待匹配的至少两个路网区域的路网矢量数据,投影得到所述至少两个路网区域中各所述路网区域的区域图像,其中,所述路网矢量数据包括路网区域内车道线的矢量数据;
基于所述至少两个路网区域的区域图像的特征匹配结果,确定所述至少两个路网区域的坐标转换关系;
基于所述坐标转换关系,对所述至少两个路网区域进行几何配准。
第二方面,本申请提供一种高精地图构建方法,包括:
获取至少两个路网区域的几何配准的结果;
基于所述至少两个路网区域的几何配准的结果,拼接所述至少两个路网区域的路网矢量数据,以基于拼接后路网矢量数据构建高精地图;
其中,所述至少两个路网区域的几何配准的结果为基于本申请第一方面提供的路网匹配方法得到的。
第三方面,本申请提供一种路网匹配装置,包括:
图像投影模块,用于基于待匹配的至少两个路网区域的路网矢量数据,投影得到所述至少两个路网区域中各所述路网区域的区域图像,其中,所述路网矢量数据包括路网区域内车道线的矢量数据;
转换关系确定模块,用于基于所述至少两个路网区域的区域图像的特征匹配结果,确定所述至少两个路网区域的坐标转换关系;
几何配准模块,用于基于所述坐标转换关系,对所述至少两个路网区域进行几何配准。
第四方面,本申请提供一种电子设备,包括:
处理器,以及与所述处理器通信连接的存储器;所述存储器存储计算机执行指令;所述处理器执行所述存储器存储的计算机执行指令,以实现本申请第一方面或第二方面提供的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现本申请第一方面或第二方面提供的方法。
第五方面,本申请提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现本申请第一方面或第二方面提供的方法。
本申请提供的路网匹配方法、高精地图构建方法、装置及设备,针对高精地图构建的应用场景,在获取待匹配的多个路网区域的路网矢量数据后,基于路网矢量数据投影得到路网区域对应的区域图像,对多个待匹配的路网区域的区域图像进行特征匹配,基于特征匹配的结果,确定多个路网区域的坐标转换关系,从而基于该坐标转换关系,实现多个路网区域的几何配准,以为后续构建高精地图提供可靠的数据基础,如路网区域拼接、数据偏差纠正、差分变化比对等。基于图像特征匹配的方式,进行路网区域匹配,不容易受到少量车道线上点数据采集误差的影响,鲁棒性强,且图像特征匹配的方式适用于重叠范围较小的路网区域匹配,应用范围广、匹配准确度高。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种路网匹配过程的示意图;
图2为本申请实施例提供的一种路网匹配方法的流程示意图;
图3A为本申请一个实施例提供的路网区域划分结果的示意图;
图3B为本申请另一个实施例提供的路网区域划分结果的示意图;
图4为本申请图2所示实施例中几何配准后的路网区域的示意图;
图5为本申请实施例提供的另一种路网匹配方法的流程示意图;
图6为本申请图5所示实施例中路网区域的重叠区域的示意图;
图7为本申请实施例提供的又一种路网匹配方法的流程示意图;
图8为本申请实施例提供的另一种路网匹配方法的示意图;
图9为本申请实施例提供的一种路网匹配装置的结构示意图;
图10为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
首先,对本申请涉及的名称进行解释:
车道线:地图上用于界定车道边界的线,包括真实世界中道路上绘制的线、护栏对应的线以及道路边界对应的线。
路网区域:地图上需构建的区域,通常为方形区域,如10Km×10Km、600m×600m或者其他规格的区域。
路网矢量数据:以矢量形式描述路网内车道线的数据集,还可以包括车道线的属性信息,如颜色、线型、类型等,还可以包括除车道线以外其他交通标志标线的矢量数据,如转向箭头、斑马线和导流带等。
几何配准:将对应区域存在重叠的图像或数据,经几何变换使得重叠区域的点在位置上和方位上重叠。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
在高精地图的构建过程中,道路元素,如车道线、道路标志等交通标志线,通常以矢量的形式表示,为了实现不同路网区域的道路元素矢量数据的拼接、组合,不同采集来源采集的数据纠偏等,需对路网区域进行几何配准。
图1为本申请实施例提供的一种路网匹配过程的示意图,如图1所示,在构建高精地图时,由于构建范围较大,通常通过多辆采集车进行构建范围数据的采集,采集车及其采集范围如图1所示,图1中以3辆采集车为例,即采集车1至采集车3,采集车1的采集范围包括路网区域1和路网区域2,采集车2的采集范围包括路网区域3和路网区域4,采集车3的采集范围包括路网区域5。
基于采集车传感器采集的源数据,通过数据处理、元素识别、人工验证等环节,得到对应路网区域的路网矢量数据,如图1中的路网矢量数据1至路网矢量数据5。不同的采集车所采用的硬件(如传感器)以及软件(如数据处理算法、元素识别算法等)不尽相同,从而导致路网矢量数据的采集来源为多个。
为了拼接和组合不同路网区域的路网矢量数据、对不同采集来源的数据纠偏等应用,需对存在重叠区域的路网区域进行几何配准,如采用不同软件处理得到路网矢量数据的路网区域1和路网区域2,以及由不同采集车采集路网矢量数据的路网区域1和路网区域3。
在相关技术中,通常基于路网矢量数据中记录的几何点的坐标,通过点集配准的方式实现路网区域的几何配准,几何点可以为表示车道或道路的折线段上的点,如端点。点集配准的方式要求路网矢量数据中存在大量的匹配的几何点,仅适用于重叠区域较大、路网几何相近的场景,且容易陷入局部最优,难以应用于重叠范围较小的路网区域匹配。
点集配准的算法可以为ICP(Iterative closest point,迭代最近点算法)、RPM(Robust point matching,鲁棒点集匹配算法)或者其他算法。
以ICP算法为例,基于IPC算进行点集配准的具体过程为:先获取路网区域内大量几何点的坐标,构成路网区域的几何点集;针对待匹配的两个路网区域,针对其中一个路网区域的几何点集中每个点,在另一个路网区域的几何点集中寻找与该点距离最近的点,结合最小二乘算法,以及两个几何点集中距离最近的几何点对,得到两个几何点集的变换矩阵,基于该变换矩阵实现路网区域的配准。
基于此,本申请提供了一种基于图像特征的路网匹配方法,通过将路网区域的路网矢量数据向地面投影,生成路网区域的二维图像,记为区域图像,基于区域图像之间的特征匹配结果,实现待匹配的路网区域的几何配准。采用图像特征匹配的方式,不易受到单个点数据采集误差的影响,鲁棒性强,且基于图像特征的配准方式精度高,适用于重叠区域小的路网区域的配准。
图2为本申请实施例提供的一种路网匹配方法的流程示意图,该路网匹配方法可以由具备相应数据处理能力的电子设备执行,如路网匹配设备,该路网匹配设备可以为服务器、计算机或者其他设备。
如图2所示,该路网匹配方法包括以下步骤:
步骤S201,基于待匹配的至少两个路网区域的路网矢量数据,投影得到所述至少两个路网区域中各所述路网区域的区域图像。
其中,待匹配的至少两个路网区域可以为需进行高精地图构建的、存在重叠区域的至少两个区域,在该区域内存在一条或多条道路,一条道路上包括一条或多条车道,一条车道对应两条车道线,以界定车道的左右边界。
示例性的,路网区域可以为方形区域,如1Km×1Km的方形区域。
待匹配的多个路网区域可以为规格相同的区域,也可以为多种不同规格的区域。
路网矢量数据包括路网区域内车道线的矢量数据,如车道线的长度、转弯半径、车道数等。路网矢量数据还可以包括车道线上点的路网坐标。路网坐标可以为三维坐标,用于表示车道线上点在物理空间中的位置,如世界坐标系下的坐标,路网坐标还可以采用经度、纬度和高程表示。
采集车在行驶过程中,通过其上设置的传感器,如卫星导航定位系统、激光雷达、摄像头、惯性测量单元(如陀螺仪、加速度计等)等,采集道路的信息,得到源数据。通过对源数据进行数据处理、元素识别等操作,形成路网区域的路网矢量数据。
路网矢量数据中可以采用一条或多条矢量线表征车道线。
路网矢量数据可以包括点云数据,包括采集的点的三维坐标(即路网坐标),还可以包括颜色、发射强度等信息。
在一些实施例中,区域图像为二维图像,区域图像用于显示对应的路网区域内车道线的分布情况,可以采用将路网区域的路网矢量数据向地面所在平面投影的方式,得到路网区域的区域图像。
在投影时,忽略路网矢量数据中车道线的高度或高程(如z方向的数据),将路网矢量数据中车道线的矢量数据调整为平面矢量数据(如包括x方向和y方向的矢量数据),基于该平面矢量数据,生成路网区域的区域图像,在区域图像中,在车道线的平面矢量数据指示的位置处形成一条车道线。
区域图像可以为二值图像、灰度图像或者彩色图像。
一个路网区域的路网矢量数据由同一辆采集车采集的源数据生成。
针对待匹配的任意一个路网区域,将该路网区域的路网矢量数据向地面投影为二维图像,得到该路面区域的区域图像。在区域图像中忽略了车道线的高度或高程,采用二维方式显示车道线。
在一些实施例中,路网区域的尺寸过大,在形成区域图像时,为了确保区域图像的分辨率得以区分不同的车道线,需先对路网区域进行划分,得到多个子区域,分别基于各子区域的路网矢量数据,投影得到子区域的区域图像,以通过区域图像的特征提取、特征匹配实现路网区域的配准。
可选的,基于待匹配的至少两个路网区域的路网矢量数据,投影得到对应路网区域的区域图像,包括:
在所述路网区域的尺寸大于预设尺寸时,对所述路网区域进行切分,得到所述路网区域对应的多个子区域;针对所述路网区域的各子区域,基于所述子区域的路网矢量数据,投影得到所述子区域的区域图像,并记录所述区域图像中像素点的图像坐标和路网坐标的映射关系,以基于所述映射关系得到匹配的特征点的图像坐标以及路网坐标。图像坐标为像素点在图像中的坐标,通常为二维坐标,表示像素点所在的行和列。
预设尺寸可以为预先设置的尺寸,如600m×600m、1Km×1Km或者其他规格。预设尺寸还可以基于区域图像的分辨率以及车道线之间的距离确定,以使预设尺寸的路网区域的路网矢量数据投影得到的区域图像上,不同的车道线得以区分。
以车道宽度(相邻车道线的距离)为3.5米为例,则在区域图像中一个像素代表的实际长度应小于3.5米,方可以在区域图像中区分不同的车道线。像素代表的实际长度由区域图像的分辨率以及图像尺寸确定,进而可以基于区域图像的分辨率以及图像尺寸,确定预设尺寸。
在区域图像的分辨率以及尺寸一定的情况下,可以基于路网区域内车道线之间的最小距离,确定预设尺寸,以在对应的区域图像中区分距离最小的车道线。
在一些实施例中,在路网区域划分时,各子区域互不重叠。
在另一些实施例中,在路网区域划分时,相邻子区域之间存在重叠区域,如设定尺寸的重叠区域。
同一路网区域对应的多个区域的尺寸可以相同,也可以不同。
图3A为本申请一个实施例提供的路网区域划分结果的示意图,图3B为本申请另一个实施例提供的路网区域划分结果的示意图,图3A中的划分方式为不重叠方式,图3B中的划分方式为重叠方式。
参见图3A,路网区域为一个正方形区域,其尺寸为1Km×1Km,以预设尺寸为600m×600m为例,则可以将路网区域均分为4个子区域,各子区域的尺寸为500m×500m。
参见图3B,路网区域为一个长方形区域,其尺寸为1Km×600m,以预设尺寸为600m×600m为例,则可以将路网区域划分为2个存在重叠区域的子区域,各子区域的尺寸为600m×600m,重叠区域如图3B中阴影部分。
通过对过大尺寸的路网区域的区域划分,有效避免了区域图像中无法区分车道线的现象,为车道线特征提取和特征匹配提供基础。
在一些实施例中,可以将路网区域均分为多个子区域,各子区域的尺寸均小于或等于预设尺寸。为了减少子区域的数量,可以基于路网区域的尺寸与预设尺寸的比值,确定子区域的数量,该可以为该比值向上取整后得到的整数。以比值为5.6为例,则将路网区域平均划分为6个子区域。
在另一些实施例中,可以基于预设尺寸,对路网区域进行划分,得到一个或多个预设尺寸的子区域,若存在剩余未划分的区域,可以对剩余的区域进行划分得到小于预设尺寸的一个或多个子区域,也可以扩大剩余未划分的区域与相邻区域的重叠区域,得到一个预设尺寸的子区域,即通过扩增剩余未划分的区域的方式,得到一个新的预设尺寸的子区域。
在对路网区域进行子区域划分后,还可以记录子区域的路网坐标,如子区域中心点或左上角点的路网坐标,以及子区域与路网区域的对应关系,如采用二维坐标表示子区域在路网区域中所处的行和列,(0, 0)表示子区域为路网区域左上角(第一行第一列)的区域。
可选的,所述方法还包括:
基于所述路网区域上车道线之间的距离,以及所述区域图像的尺寸和分辨率,确定所述预设尺寸。
预设尺寸的路网区域投影得到的区域图像上得以区分不同的车道线。即预设尺寸投影得到的区域图像上一个像素对应的实际长度或宽度应小于相邻车道线之间的距离。
具体的,在获取路网区域内各相邻车道线之间的距离或各条车道的宽度之后,基于相邻车道线之间距离的最小值或车道宽度的最小值,以及区域图像的尺寸和分辨率,确定预设尺寸,以在路网区域的尺寸大于该预设尺寸时,对路网区域进行区域划分,得到路网区域对应的多个子区域。
通过预设尺寸的自适应配置,在确保图像得以区分不同车道线的前提下,减少了路网区域划分的数量,从而减少了所需投影得到的区域图像的数量,节省了计算资源。
S202,基于所述至少两个路网区域的区域图像的特征匹配结果,确定所述至少两个路网区域的坐标转换关系。
坐标转换关系用于描述两个路网区域车道线上点的路网坐标的转换关系。
以路网区域为区域R1和区域R2为例,区域R1上点a的路网坐标为(x1,y1,z1),点a的路网坐标乘以区域R1和区域R2的坐标转换关系后,得到点a在区域R2上匹配的点的路网坐标,如(x2,y2,z2)。匹配的点为实际位置相同的点,即匹配的点为物理世界上同一位置点。
在生成路网区域的区域图像之后,对区域图像进行特征提取。由于路网矢量数据中包括车道线的矢量数据,即区域图像中包括车道线对应的图像,则所提取的特征中包括车道线的特征。
针对每两个待匹配的路网区域,基于该两个路网区域的区域图像提取的特征进行特征匹配,确定两张区域图像中匹配的特征点,即对应实际位置相同的像素点,包括车道线上的点,记为车道点。基于匹配的特征点之间图像坐标的转换关系,以及图像坐标与路网坐标之间的转换关系,得到两个待匹配的路网区域之间的坐标转换关系。
具体的,基于两个路网区域的区域图像上匹配的特征点的图像坐标,计算得到两个路网区域的区域图像的单应性变换矩阵,基于该单应性变换矩阵以及图像坐标与路网坐标之间的转换关系,得到两个路网区域之间的坐标转换关系。设图像坐标映射为路网坐标的转换关系为C、单应性变换矩阵为T,则两个路网区域之间的坐标转换关系可以为:。
可选的,基于所述至少两个路网区域的区域图像上车道线对应的图像的特征匹配结果,确定所述至少两个路网区域的坐标转换关系,包括:
提取所述区域图像的特征,得到特征点的图像特征,所述特征点包括车道线对应的部分像素点;对所述至少两个路网区域对应的特征点的图像特征进行特征匹配,得到匹配的特征点;基于匹配的特征点的图像坐标,确定所述至少两个路网区域的坐标转换关系。
特征点为提取的特征的像素点,如区域图像中车道线对应的像素点。
针对各区域图像,通过图像特征提取算法,提取该区域图像的图像特征,得到区域图像上多个特征点的图像特征。进而针对待匹配的任意两个路网区域,对该两个路网区域对应的区域图像对应的特征点的图像特征进行特征匹配,得到两张区域图像上匹配的特征点。通过匹配的特征点的图像坐标,得到两张区域图像之间的单应性变换矩阵。进而基于图像坐标与路网坐标的映射关系,得到待匹配的两个路网区域在路网坐标系下的坐标转换关系。
图像坐标与路网坐标的映射关系,可以基于区域图像的投影方式得到。具体可以在根据路网矢量数据投影得到对应的区域图像时,记录图像坐标与路网坐标的映射关系。
示例性的,可以基于SURF(Speed Up Robust Features,加速鲁棒特征提取算法)、SIFT (Scale Invariant Feature Transform,尺度不变特征转换)描述子、SuperPoint(Self-Supervised Interest Point Detection and Description,自监督特征点检测与描述)卷积神经网络模型等图像特征提取算法,提取区域图像的特征,得到区域图像中多个特征点的图像特征。
示例性的,可以基于Brute-Force(BF,简单匹配或模式匹配)、FLANN(FastApproximate Nearest Neighbor Search Library,快速最邻近搜索函数库)等算法,进行提取的图像特征的特征匹配,得到两张区域图像匹配的特征点。
本申请对图像特征提取的算法以及图像特征匹配的算法均不进行限定。
可选的,所述路网矢量数据还包括车道线的属性信息,所述属性信息包括颜色、线型和类别中的至少一项,区域图像的特征还包括车道线的属性信息对应的特征。
为了进一步丰富区域图像的特征,路网矢量数据中除了包括车道线上点的路网坐标之外,还可以包括车道线的属性信息,如颜色、线型等,从而使得区域图像中采用车道线的属性信息对应的样式展示车道线,如白色虚线、双黄线等,丰富图像中特征点的特征,使得所提取的图像特征包含更多维度的信息,提升车道线特征的区分度,提高特征匹配的准确度。
可选的,所述路网矢量数据还包括车道线以外的其他交通标志标线的矢量数据,区域图像的特征还包括其他交通标志标线的特征;所述其他交通标志标线包括转向箭头、斑马线和导流带中的至少一项。
为了进一步地丰富区域图像展示的信息,路网矢量信息中包括的道路元素除了车道线这一要素外,还可以包括其他道路元素,如斑马线、转向箭头、导流带等,从而使得车道线以及其他道路元素得以采用对应的方式进行渲染,投影得到区域图像,丰富区域图像中包含的道路元素,从而提高所提取的图像特征的区分度,提高特征匹配的准确度。
步骤S203,基于所述坐标转换关系,对所述至少两个路网区域进行几何配准。
在得到待匹配的至少两个路网区域中任意两个路网区域之间的坐标转换关系之后,基于该坐标转换关系对该两个路网区域进行几何配准,以使两个路网区域上重叠的车道线的位置和方位对准。
图4为本申请图2所示实施例中几何配准后的路网区域的示意图,如图4所示,路网区域A和路网区域B为待匹配的两个路网区域,对路网区域A和路网区域B的区域图像进行特征匹配,确定区域图像上匹配的特征点。通过匹配的特征点的图像坐标,得到区域图像的单应性变换矩阵,进而结合图像坐标与路网坐标之间的映射关系,得到路网区域A和路网区域B在路网坐标系下的坐标转换关系,通过该坐标转换关系,对其中一个路网区域进行坐标转换,如路网区域B,从而使得转换后的路网区域B与路网区域A几何配准,配准后的路网区域A和路网区域B如图4所示。
本申请提供的路网匹配方法,针对高精地图构建的应用场景,在获取待匹配的多个路网区域的路网矢量数据后,基于路网矢量数据投影得到路网区域对应的区域图像,对多个待匹配的路网区域的区域图像进行特征匹配,基于特征匹配的结果,确定多个路网区域的坐标转换关系,从而基于该坐标转换关系,实现多个路网区域的几何配准,以为后续构建高精地图提供可靠的数据基础,如路网区域拼接、数据偏差纠正、差分变化比对等。基于图像特征匹配的方式,进行路网区域匹配,不容易受到少量车道线上点数据采集误差的影响,鲁棒性强,且图像特征匹配的方式适用于重叠范围较小的路网区域匹配,应用范围广、匹配准确度高。
在至少两个路网区域几何配准完毕后,可以将配准结果,如配准后的路网矢量数据,反馈至存储路网矢量数据的终端,以更新其存储的路网矢量数据。还可以将配准结果发送至高精地图构建终端,以通过配准后的路网矢量数据进行地图构建。
可选的,在基于所述坐标转换关系,对所述至少两个路网区域进行几何配准之后,所述方法还包括:
基于几何配准的结果,确定所述至少两个路网区域的重叠区域;从对应的路网区域的路网矢量数据中,提取所述重叠区域对应的矢量数据;基于所述重叠区域对应的矢量数据,投影得到所述重叠区域在对应的路网区域下的重叠区域图像;基于所述至少两个路网区域中各路网区域的重叠区域图像的特征匹配结果,更新所述坐标转换关系,并基于更新后的坐标转换关系再次对所述至少两个路网区域进行几何配准。
可选的,所述方法还包括:
基于所述至少两个路网区域的几何配准的结果,拼接所述至少两个路网区域的路网矢量数据,以基于拼接后路网矢量数据构建高精地图;和/或,所述至少两个路网区域的路网矢量数据来自不同采集来源,基于所述至少两个路网区域的几何配准结果,对不同采集来源进行偏差纠正。
图5为本申请实施例提供的另一种路网匹配方法的流程示意图,本实施例是在图2所示实施例的基础上,在步骤S203之后增加重叠区域确定、针对重叠区域的矢量数据重新进行特征匹配以更新坐标转换关系的相关步骤,以及增加基于配准的结果进行路网矢量数据拼接和采集来源纠偏的相关步骤。
在本实施例中需对路网区域进行至少两次几何配准,第一次几何配准以路网区域为对象,目的为确定路网区域之间的重叠区域,第二次几何配准则以重叠区域或其子区域为对象,通过特征匹配,得到路网区域之间新的坐标转换关系,通过新的坐标转换关系进行路网区域的多次几何配准,以使配准精度达到要求。
如图5所示,本实施例提供的路网匹配方法可以包括以下步骤:
步骤S501,获取待匹配的至少两个路网区域的路网矢量数据。
步骤S502,针对所述至少两个路网区域中各路网区域,基于所述网区域的路网矢量数据,投影得到所述路网区域的区域图像。
步骤S503,基于所述至少两个路网区域的区域图像的特征匹配结果,确定所述至少两个路网区域的坐标转换关系。
步骤S504,基于所述坐标转换关系,对所述至少两个路网区域进行几何配准。
在第一次几何配准之后,若几何配准的误差较大,如大于预设误差,还可以通过执行步骤S505至步骤S507,实现多次几何配准,以降低几何配准的误差。
在一些实施例中,可以默认执行N次几何配准,每次几何配准对应一次图像特征匹配。N为大于等于2的整数,如3、5或者其他值,第一次几何配准时以路网区域为目标区域进行图像特征匹配,第二次几何配准时以路网区域的重叠区域为目标区域进行图像特征匹配。不同次图像特征匹配时的目标区域不同,以通过不同区域之间的图像特征匹配,调整路网区域之间的坐标转换关系,以提高几何配准的精度。
步骤S505,基于几何配准的结果,确定所述至少两个路网区域的重叠区域。
针对每组待匹配的两个路网区域,其重叠区域包括该组待匹配的两个路网区域上匹配的点,具体为匹配的车道点。
示例性的,重叠区域的形状可以为方形、圆形或者其他形状。
在通过坐标转换关系,将待匹配的每两个路网区域几何配准,即使得两个路网区域上匹配的点的位置和方位对准之后,得到两个路网区域的重叠区域。
图6为本申请图5所示实施例中路网区域的重叠区域的示意图,如图6所示,路网区域C和路网区域D为其中两个待匹配的路网区域,在基于坐标转换关系对路网区域D上的点的路网坐标进行转换后,路网区域D与路网区域C上多对匹配的点(在图6中采用空心圆点表示)重合,从而得到路网区域C和路网区域D的重叠区域,如图6中采用虚线方框表示重叠区域所在范围。图6中以重叠区域为方形区域为例,在一些实施例中,重叠区域可以为圆形或者不规则形状。
步骤S506,以重叠区域及重叠区域的子区域中至少一项为目标区域,对所述目标区域执行图像特征匹配操作,得到至少一个特征匹配结果。
其中,对所述目标区域执行图像特征匹配操作,包括:针对所述至少两个路网区域中各路网区域,从所述路网区域的路网矢量数据中,提取所述路网区域内所述目标区域对应的矢量数据;基于所述路网区域内所述目标区域对应的矢量数据,投影得到所述路网区域内所述目标区域的目标区域图像;对所述至少两个路网区域中各路网区域内所述目标区域的目标区域图像进行特征匹配。
步骤S507,针对所述至少一个特征匹配结果中各特征匹配结果,基于所述特征匹配结果更新坐标转换关系,并基于更新后的坐标转换关系对所述至少两个路网区域进行几何配准。
在得到重叠区域之后,需对重叠区域或其子区域重新进行图像投影和图像特征匹配。以重叠区域为目标区域为例,首先,从路网矢量数据中提取该重叠区域对应的矢量数据,并对重叠区域对应的矢量数据进行图像投影操作,得到重叠区域在对应的路网区域下的重叠区域图像。对重叠区域对应的两张重叠区域图像进行特征提取和特征匹配,得到两张图像上匹配的特征点。进而基于匹配的特征点的图像坐标,以及图像坐标与路网坐标的映射关系,重新计算重叠区域对应的两个路网区域之间的坐标转换关系,实现坐标转换关系的更新。基于更新后的坐标转换关系对这两个路网区域进而二次几何配准。
以重叠区域对应的路网区域包括第一路网区域和第二路网区域为例,在确定第一路网区域和第二路网区域的重叠区域后,分别从第一路网区域的路网矢量数据和第二路网区域的路网矢量数据中,提取得到该重叠区域对应的矢量数据,并进行图像投影,得到该重叠区域对应的两张重叠区域图像,分别为第一路网区域下该重叠区域的重叠区域图像(记为第一重叠区域图像)和第二路网区域下该重叠区域的重叠区域图像(记为第二重叠区域图像),分别提取第一和第二重叠区域图像的图像特征,并对提取的图像特征进行特征匹配,得到第一重叠区域图像和第二重叠区域图像上匹配的特征点。基于匹配的特征点的图像坐标,以及图像坐标与路网坐标之间的映射关系,重新计算得到第一路网区域和第二路网区域的坐标转换关系。基于新计算得到的坐标转换关系对这两个路网区域进而二次几何配准。
在一些实施例中,重叠区域对应的矢量数据在图像投影时的分辨率高于路网矢量数据在图像投影时的分辨率,即重叠区域图像的分辨率高于区域图像的分辨率。
在一些实施例中,重叠区域图像的尺寸可以与区域图像的尺寸相同。
第一次执行图像特征匹配操作时的目标区域可以为重叠区域,后续的目标区域则为该重叠区域的子区域,即重叠区域中的部分区域。
可选的,第一次执行图像特征匹配操作的目标区域为所述重叠区域,第一次之后执行的图像特征匹配操作的目标区域为所述重叠区域的子区域;各次执行图像特征匹配操作时的目标区域不相同。
即先以重叠区域为目标区域进行图像特征匹配操作,之后再以重叠区域的子区域为目标区域进行图像特征匹配操作,从而通过多次图像特征匹配操作的结果,实现多次几何配准。
一次图像特征匹配操作,对应一次几何配准,不同次图像特征匹配操作针对的目标区域不同。
以两个目标区域为例,在以重叠区域为目标区域,执行图像特征匹配操作以及后续的路网区域几何配准操作之后,从重叠区域中选择一部分区域作为目标区域,执行第二次图像特征匹配操作,得到第二个特征匹配结果,从而基于第二个特征匹配结果更新坐标转换关系,并基于更新后的坐标转换关系对至少两个路网区域进行几何配准。执行路网区域几何配准操作具体为:基于当前的特征匹配结果更新坐标转换关系,并基于更新后的坐标转换关系对至少两个路网区域进行几何配准。
可以通过改变目标区域的方式,重复执行图像特征匹配操作以及后续的路网区域几何配准操作,直至几何配准的误差小于或等于预设误差或者执行次数达到设定次数,如5次、7次或者其他次数。
两个路网区域的几何配准的误差,可以基于几何配准后的两个路网区域内匹配的点的坐标计算,如确定误差为匹配的点之间的距离的平均值。
由于后续几何配准时,以重叠区域或其子区域为单位进行投影成像,相较于第一次投影的范围小,提高了投影范围的精准度,进而提高了图像特征匹配的准确度,且通过多次图像特征匹配进行路网配准,提高了路网配准的精度。
在本实施例中,先以较大范围进行投影成像,即以路网区域为范围进行投影成像,进而通过第一次几何配准,确定重叠区域(相对于路网区域为一个较小的范围),以重叠区域或其子区域为范围,采用精细化图像投影,通过多次图像特征匹配指导路网匹配,提高了路网匹配的精度。
可选的,所述方法还包括:
基于上一次图像特征匹配操作对应的几何配准的结果,更新配准误差;当所述配准误差大于预设误差时,从所述重叠区域中确定执行下一次图像特征匹配操作时的目标区域,以执行下一次图像特征匹配操作。
配准误差的初始值可以设为0,基于各次图像特征操作对应的几何配准的结果,更新配准误差。
在对至少两个路网区域进行几何配准之后,可以基于结合配准的结果,生成或更新配准误差,并判断配准误差是否大于预设误差;若否,则路网匹配完成;若是,则再次执行图像特征匹配操作以及路网区域几何配准操作。
在以重叠区域为目标区执行一次图像特征匹配操作以及几何配准操作后,若最近一次几何配准的结果得到的配准误差仍较大,即大于预设误差,则从重叠区域中选择一个区域作为目标区域,再次执行图像特征匹配操作以及路网区域几何配准操作。
下一次图像特征匹配操作时的目标区域,可以基于之前各次图像特征匹配操作时的目标区域确定,以确保下一次图像特征匹配操作时的目标区域与之前的目标区域均不相同。
示例性的,可以通过滑动窗口的方式,确定各次执行图像特征匹配操作时的目标区域。
当配准误差小于或等于预设误差时,路网区域匹配结束,输出最近一次的几何配准结果,以进行后续的路网矢量数据拼接、采集来源纠偏、高精地图构建等步骤。
当通过两次图像特征匹配,即以路网区域为范围的第一次图像特征匹配和以重叠区域为范围的第二次图像特征匹配之后,路网区域几何配准的精度仍未达到要求时,可以以重叠区域的子区域为目标区域再次进行至少一次图像特征匹配,直至满足精度要求。实现了基于由大范围到小范围的投影方式,通过多轮图像特征匹配,进行路网区域匹配,提高了匹配的准确度。
在一些实施例中,待匹配的路网区域中包括采集来源不同的路网区域,在对采集来源不同的路网区域几何配准之后,可以基于配准结果,得到其中一个或多个采集来源的位置偏差,并对该一个或多个采集来源的位置偏差进行纠正。
在一些实施例中,可以基于配准结果,对配准的至少两个路网区域的路网矢量数据进行拼接、咬合处理,从而得到一个更大范围的路网区域的路网矢量数据。
在一些实施例中,待匹配的至少两个路网区域的路网矢量数据为基于不同时间多次采集的同一待建地图的区域的源数据形成的,则可以基于配准结果,得到该待建地图的区域的差分变化对比结果,以通过描述该区域道路元素的变化。
在一些实施例中,路网匹配方法还可以包括步骤S509和步骤S510中的至少一项。
步骤S508,基于所述至少两个路网区域的再次几何配准的结果,拼接所述至少两个路网区域的路网矢量数据,以基于拼接后路网矢量数据构建高精地图。
步骤S509,基于所述至少两个路网区域的再次几何配准的结果,对不同采集来源进行偏差纠正。
以采集来源包括来源1和来源2为例,来源1对应的路网区域A1,来源2对应路网区域A2,以来源1为基准,在基于路网区域A1和路网区域A2之间的坐标转换关系,对路网区域A2进行坐标转换后,基于路网区域A1和转换后的路网区域A2匹配的点之间的距离或者路网坐标的差距,对来源2进行偏差纠正,以提高来源2采集的数据源的可靠程度。
图7为本申请实施例提供的又一种路网匹配方法的流程示意图,本实施例是在图2所示实施例的基础上,在步骤S203之后增加确定重叠区域,以及基于重叠区域中车道点的点集配准结果对路网区域二次几何配准的相关步骤。
在本实施例中需对路网区域进行两次几何配准,第一次几何配准以路网区域为对象,采用图像特征匹配的方式实现路网区域的匹配,第二次几何配准则以重叠区域为对象,通过点集配准的方式实现路网区域的匹配。
如图7所示,在步骤S203之后,本实施例提供的路网匹配方法还可以包括以下步骤:
步骤S701,基于几何配准的结果,确定所述至少两个路网区域的重叠区域。
步骤S702,针对所述至少两个路网区域中各路网区域,基于所述路网区域的路网矢量数据,得到所述重叠区域在所述路网区域下车道点的路网坐标。
其中,车道点为车道线上的点,车道点的路网坐标存储于路网矢量数据中。路网坐标为路网矢量数据中记录的车道点的坐标,可以为世界坐标系下的坐标,也可以为采用经度、纬度和高程表示的坐标。
针对重叠区域对应的各路网区域,以重叠区域所在范围为搜索范围,从该路网区域的路网矢量数据中,查找该重叠区域范围内的车道点的路网坐标。
步骤S703,基于所述至少两个路网区域中各路网区域下车道点的路网坐标,进行车道点匹配操作,得到所述至少两个路网区域的匹配的车道点。
步骤S704,基于所述匹配的车道点的路网坐标之间的转换关系,再次对所述至少两个路网区域进行几何配准。
一个重叠区域对应的两个待匹配的路网区域,重叠区域在各路网区域下车道点的路网坐标构成一个点集,通过重叠区域对应的两个点集的配准操作,得到该两个待匹配的路网区域上多对匹配的车道点。
在进行点集配准操作时,可以基于ICP(Iterative Closest Point,迭代最近点算法)进行精配准,得到两个路网区域上匹配的车道点。
ICP本质上是基于最小二乘法的最优配准方法,通过重复选择对应关系点对,计算最优刚体变换(包括旋转矩阵R和平移矩阵T),直至满足配准的收敛精度。
在重叠度较小时,ICP配准算法存在容易陷入局部最优的问题。在本实施例中,通过基于图像特征匹配确定重叠区域,在该重叠区域内采用ICP算法对重叠区域对应的点集进行配准,有效克服了路网区域重叠区域较小而导致ICP算法匹配准确度差的问题,且通过二次匹配,采用不同的算法进行匹配,提高了路网匹配的精度。
图8为本申请实施例提供的另一种路网匹配方法的示意图,如图8所示,针对待匹配的两个路网区域,区域A和区域B,首先,需获取区域A和区域B的车道级路网矢量数据;进而分别将区域A和区域B的车道级路网矢量数据投影为二维图像,即上述区域图像,并记录图像坐标与路网坐标的映射关系;对二维图像进行特征提取,并基于提取的特征进行图像特征匹配;基于二维图像中匹配的点,得到两张二维图像的图像坐标变换关系,即单应性变换矩阵;基于单应性变换矩阵以及之前记录的图像与路网坐标的映射关系,得到区域A和区域B的路网坐标变换关系,基于该路网坐标变换关系完成区域A和区域B的路网矢量匹配,即几何配准。
图9为本申请实施例提供的一种路网匹配装置的结构示意图,如图9所示,该路网匹配装置包括:图像投影模块910、转换关系确定模块920和几何配准模块930。
图像投影模块910用于基于待匹配的至少两个路网区域的路网矢量数据,投影得到所述至少两个路网区域中各所述路网区域的区域图像,其中,所述路网矢量数据包括路网区域内车道线的矢量数据;转换关系确定模块920用于基于所述至少两个路网区域的区域图像的特征匹配结果,确定所述至少两个路网区域的坐标转换关系;几何配准模块930用于基于所述坐标转换关系,对所述至少两个路网区域进行几何配准。
可选的,所述装置还包括,第一再次配准模块,用于:
在基于所述坐标转换关系,对所述至少两个路网区域进行几何配准之后,基于几何配准的结果,确定所述至少两个路网区域的重叠区域;从对应的路网区域的路网矢量数据中,提取所述重叠区域对应的矢量数据;基于所述重叠区域对应的矢量数据,投影得到所述重叠区域在对应的路网区域下的重叠区域图像;基于所述至少两个路网区域中各路网区域的重叠区域图像的特征匹配结果,更新所述坐标转换关系,并基于更新后的坐标转换关系再次对所述至少两个路网区域进行几何配准。
可选的,所述装置还包括,第二再次配准模块,用于:
在基于坐标转换关系,对所述至少两个路网区域进行几何配准之后,基于几何配准的结果,确定所述至少两个路网区域的重叠区域;针对所述至少两个路网区域中各路网区域,基于所述路网区域的路网矢量数据,得到所述重叠区域在所述路网区域下车道点的路网坐标,所述车道点为车道线上的点,所述路网坐标为路网矢量数据中记录的车道点的坐标;基于所述至少两个路网区域中各路网区域下车道点的路网坐标,进行车道点匹配操作,得到所述至少两个路网区域的匹配的车道点;基于所述匹配的车道点的路网坐标之间的转换关系,再次对所述至少两个路网区域进行几何配准。
可选的,所述装置还包括,多次配准模块,用于:
在基于所述坐标转换关系,对所述至少两个路网区域进行几何配准之后,以所述重叠区域及所述重叠区域的子区域中至少一项为目标区域,对所述目标区域执行图像特征匹配操作,得到至少一个特征匹配结果;针对所述至少一个特征匹配结果中各特征匹配结果,基于所述特征匹配结果更新坐标转换关系,并基于更新后的坐标转换关系对所述至少两个路网区域进行几何配准。其中,对所述目标区域执行图像特征匹配操作,包括:针对所述至少两个路网区域中各路网区域,从所述路网区域的路网矢量数据中,提取所述路网区域内所述目标区域对应的矢量数据;基于所述路网区域内所述目标区域对应的矢量数据,投影得到所述路网区域内所述目标区域的目标区域图像;对所述至少两个路网区域中各路网区域内所述目标区域的目标区域图像进行特征匹配。
可选的,第一次执行图像特征匹配操作的目标区域为所述重叠区域,第一次之后执行的图像特征匹配操作的目标区域为所述重叠区域的子区域;各次执行图像特征匹配操作时的目标区域不相同;所述装置还包括:
配准误差更新模块,用于基于上一次图像特征匹配操作对应的几何配准的结果,更新配准误差;下一目标区域确定模块,用于当所述配准误差大于预设误差时,从所述重叠区域中确定执行下一次图像特征匹配操作时的目标区域,以执行下一次图像特征匹配操作。
可选的,下一次图像特征匹配操作对应的目标区域图像的分辨率高于上一次图像特征匹配操作对应的目标区域图像的分辨率。
可选的,所述装置还包括:
误差判定模块,用于基于几何配准的结果,确定配准误差;当所述配准误差大于预设误差时,控制第一再次配准模块或第二再次配准模块执行基于几何配准的结果确定所述至少两个路网区域的重叠区域的步骤。
可选的,转换关系确定模块920,具体用于:
提取所述区域图像的特征,得到特征点的图像特征,所述特征点包括车道线对应的部分像素点;对所述至少两个路网区域对应的特征点的图像特征进行特征匹配,得到匹配的特征点;基于匹配的特征点的图像坐标,确定所述至少两个路网区域的坐标转换关系。
可选的,图像投影模块910,具体用于:
在所述路网区域的尺寸大于预设尺寸时,对所述路网区域进行切分,得到所述路网区域对应的多个子区域;针对所述路网区域的各子区域,基于所述子区域的路网矢量数据,投影得到所述子区域的区域图像,并记录所述区域图像中像素点的图像坐标和路网坐标的映射关系,以基于所述映射关系得到匹配的特征点的图像坐标以及路网坐标。
可选的,所述装置还包括预设尺寸确定模块,用于:
基于所述路网区域上车道线之间的距离,以及所述区域图像的尺寸和分辨率,确定所述预设尺寸。
可选的,所述装置还包括:
矢量数据拼接模块,用于基于所述至少两个路网区域的几何配准的结果,拼接所述至少两个路网区域的路网矢量数据,以基于拼接后路网矢量数据构建高精地图;和/或,所述至少两个路网区域的路网矢量数据来自不同采集来源,纠偏模块,用于基于所述至少两个路网区域的几何配准的结果,对不同采集来源进行偏差纠正。
本申请实施例提供的路网匹配装置,可用于执行本申请上述任意实施例提供的路网匹配方法的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
本申请实施例还提供一种高精地图构建方法,包括:
获取至少两个路网区域的几何配准的结果;基于所述至少两个路网区域的几何配准的结果,拼接所述至少两个路网区域的路网矢量数据,以基于拼接后路网矢量数据构建高精地图;其中,所述至少两个路网区域的几何配准的结果为基于上述任意实施例提供的路网匹配方法得到的。
图10为本申请实施例提供的一种电子设备的结构示意图,如图10所示,本实施例的提供的电子设备1000包括:
至少一个处理器1010;以及与所述至少一个处理器通信连接的存储器1020;其中,所述存储器1020存储有计算机执行指令;所述至少一个处理器1010执行所述存储器存储的计算机执行指令,以使电子设备1000执行如前述任一实施例提供的方法。
可选的,存储器1020既可以是独立的,也可以跟处理器1010集成在一起。
本实施例提供的电子设备1000的实现原理和技术效果可以参见前述各实施例,此处不再赘述。
本申请实施例还提供一种计算机可读存储介质,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,可以实现前述任一实施例提供的方法。
本申请实施例还提供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前述任一实施例提供的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)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。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。存储器可能包含高速存储器,也可能还包括非易失性存储器,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器,电可擦除可编程只读存储器,可擦除可编程只读存储器,可编程只读存储器,只读存储器,磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或路网匹配设备中。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例提供的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (11)
1.一种路网匹配方法,其特征在于,包括:
基于待匹配的至少两个路网区域的路网矢量数据,投影得到所述至少两个路网区域中各所述路网区域的区域图像,其中,所述路网矢量数据包括路网区域内车道线的矢量数据;
基于所述至少两个路网区域的区域图像的特征匹配结果,确定所述至少两个路网区域的坐标转换关系;
基于所述坐标转换关系,对所述至少两个路网区域进行几何配准;
其中,基于所述至少两个路网区域的区域图像的特征匹配结果,确定所述至少两个路网区域的坐标转换关系,包括:
对所述区域图像进行特征提取,得到特征点的图像特征;
对所述至少两个路网区域对应的特征点的图像特征进行特征匹配,得到匹配的特征点;
基于匹配的特征点的图像坐标,确定所述至少两个路网区域的坐标转换关系。
2.根据权利要求1所述的方法,其特征在于,在基于所述坐标转换关系,对所述至少两个路网区域进行几何配准之后,所述方法还包括:
基于几何配准的结果,确定所述至少两个路网区域的重叠区域;
以所述重叠区域及所述重叠区域的子区域中至少一项为目标区域,对所述目标区域执行图像特征匹配操作,得到至少一个特征匹配结果;
针对所述至少一个特征匹配结果中各特征匹配结果,基于所述特征匹配结果更新坐标转换关系,并基于更新后的坐标转换关系对所述至少两个路网区域进行几何配准;
其中,对所述目标区域执行图像特征匹配操作,包括:
针对所述至少两个路网区域中各路网区域,从所述路网区域的路网矢量数据中,提取所述路网区域内所述目标区域对应的矢量数据;
基于所述路网区域内所述目标区域对应的矢量数据,投影得到所述路网区域内所述目标区域的目标区域图像;
对所述至少两个路网区域中各路网区域内所述目标区域的目标区域图像进行特征匹配。
3.根据权利要求2所述的方法,其特征在于,第一次执行图像特征匹配操作的目标区域为所述重叠区域,第一次之后执行的图像特征匹配操作的目标区域为所述重叠区域的子区域;各次执行图像特征匹配操作时的目标区域不相同;所述方法还包括:
基于上一次图像特征匹配操作对应的几何配准的结果,更新配准误差;
当更新后的配准误差大于预设误差时,从所述重叠区域中确定执行下一次图像特征匹配操作时的目标区域,以执行下一次图像特征匹配操作。
4.根据权利要求1所述的方法,其特征在于,在基于坐标转换关系,对所述至少两个路网区域进行几何配准之后,所述方法还包括:
基于几何配准的结果,确定所述至少两个路网区域的重叠区域;
针对所述至少两个路网区域中各路网区域,基于所述路网区域的路网矢量数据,得到所述重叠区域在所述路网区域下车道点的路网坐标,所述车道点为车道线上的点,所述路网坐标为路网矢量数据中记录的车道点的坐标;
基于所述至少两个路网区域中各路网区域下车道点的路网坐标,进行车道点匹配操作,得到所述至少两个路网区域的匹配的车道点;
基于所述匹配的车道点的路网坐标之间的转换关系,再次对所述至少两个路网区域进行几何配准。
5.根据权利要求1-4任一项所述的方法,其特征在于,基于待匹配的至少两个路网区域的路网矢量数据,投影得到对应路网区域的区域图像,包括:
在所述路网区域的尺寸大于预设尺寸时,对所述路网区域进行切分,得到所述路网区域对应的多个子区域;
针对所述路网区域的各子区域,基于所述子区域的路网矢量数据,投影得到所述子区域的区域图像,并记录所述区域图像中像素点的图像坐标和路网坐标的映射关系,以基于所述映射关系得到匹配的特征点的图像坐标以及路网坐标。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
基于所述路网区域上车道线之间的距离,以及所述区域图像的尺寸和分辨率,确定所述预设尺寸。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述路网矢量数据还包括车道线的属性信息,所述属性信息包括颜色、线型和类别中的至少一项,区域图像的特征还包括车道线的属性信息对应的特征。
8.根据权利要求1-4任一项所述的方法,其特征在于,所述路网矢量数据还包括车道线以外的其他交通标志标线的矢量数据,区域图像的特征还包括其他交通标志标线的特征;
所述其他交通标志标线包括转向箭头、斑马线和导流带中的至少一项。
9.一种高精地图构建方法,其特征在于,包括:
获取至少两个路网区域的几何配准的结果;
基于所述至少两个路网区域的几何配准的结果,拼接所述至少两个路网区域的路网矢量数据,以基于拼接后路网矢量数据构建高精地图;
其中,所述至少两个路网区域的几何配准的结果为基于权利要求1-8任一项所述的方法得到的。
10.一种路网匹配装置,其特征在于,包括:
图像投影模块,用于基于待匹配的至少两个路网区域的路网矢量数据,投影得到所述至少两个路网区域中各所述路网区域的区域图像,其中,所述路网矢量数据包括路网区域内车道线的矢量数据;
转换关系确定模块,用于对所述区域图像进行特征提取,得到特征点的图像特征,对所述至少两个路网区域对应的特征点的图像特征进行特征匹配,得到匹配的特征点,基于匹配的特征点的图像坐标,确定所述至少两个路网区域的坐标转换关系;
几何配准模块,用于基于所述坐标转换关系,对所述至少两个路网区域进行几何配准。
11.一种电子设备,其特征在于,包括:
处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310915143.4A CN116625385B (zh) | 2023-07-25 | 2023-07-25 | 路网匹配方法、高精地图构建方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310915143.4A CN116625385B (zh) | 2023-07-25 | 2023-07-25 | 路网匹配方法、高精地图构建方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116625385A CN116625385A (zh) | 2023-08-22 |
CN116625385B true CN116625385B (zh) | 2024-01-26 |
Family
ID=87590694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310915143.4A Active CN116625385B (zh) | 2023-07-25 | 2023-07-25 | 路网匹配方法、高精地图构建方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116625385B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104833360A (zh) * | 2014-02-08 | 2015-08-12 | 无锡维森智能传感技术有限公司 | 一种二维坐标到三维坐标的转换方法 |
CN111626206A (zh) * | 2020-05-27 | 2020-09-04 | 北京百度网讯科技有限公司 | 高精地图构建方法、装置、电子设备及计算机存储介质 |
WO2021026705A1 (zh) * | 2019-08-09 | 2021-02-18 | 华为技术有限公司 | 匹配关系确定方法、重投影误差计算方法及相关装置 |
WO2022095596A1 (zh) * | 2020-11-09 | 2022-05-12 | Oppo广东移动通信有限公司 | 图像对齐方法、图像对齐装置及终端设备 |
CN114492582A (zh) * | 2021-12-28 | 2022-05-13 | 广州小鹏自动驾驶科技有限公司 | 一种分片式道路数据融合的方法、装置、设备及存储介质 |
WO2022142206A1 (zh) * | 2020-12-29 | 2022-07-07 | 上海商汤临港智能科技有限公司 | 图像匹配的方法及装置、电子设备及车辆 |
WO2022267287A1 (zh) * | 2021-06-25 | 2022-12-29 | 浙江商汤科技开发有限公司 | 图像配准方法及相关装置、设备和存储介质 |
CN115690180A (zh) * | 2022-10-29 | 2023-02-03 | 武汉中海庭数据技术有限公司 | 一种矢量地图配准方法、配准系统、电子设备及存储介质 |
WO2023029969A1 (zh) * | 2021-08-31 | 2023-03-09 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备及计算机可读存储介质 |
CN116452852A (zh) * | 2023-03-20 | 2023-07-18 | 华南理工大学 | 一种高精度矢量地图的自动生成方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9803985B2 (en) * | 2014-12-26 | 2017-10-31 | Here Global B.V. | Selecting feature geometries for localization of a device |
CN108470159B (zh) * | 2018-03-09 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
-
2023
- 2023-07-25 CN CN202310915143.4A patent/CN116625385B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104833360A (zh) * | 2014-02-08 | 2015-08-12 | 无锡维森智能传感技术有限公司 | 一种二维坐标到三维坐标的转换方法 |
WO2021026705A1 (zh) * | 2019-08-09 | 2021-02-18 | 华为技术有限公司 | 匹配关系确定方法、重投影误差计算方法及相关装置 |
CN111626206A (zh) * | 2020-05-27 | 2020-09-04 | 北京百度网讯科技有限公司 | 高精地图构建方法、装置、电子设备及计算机存储介质 |
WO2022095596A1 (zh) * | 2020-11-09 | 2022-05-12 | Oppo广东移动通信有限公司 | 图像对齐方法、图像对齐装置及终端设备 |
WO2022142206A1 (zh) * | 2020-12-29 | 2022-07-07 | 上海商汤临港智能科技有限公司 | 图像匹配的方法及装置、电子设备及车辆 |
WO2022267287A1 (zh) * | 2021-06-25 | 2022-12-29 | 浙江商汤科技开发有限公司 | 图像配准方法及相关装置、设备和存储介质 |
WO2023029969A1 (zh) * | 2021-08-31 | 2023-03-09 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备及计算机可读存储介质 |
CN114492582A (zh) * | 2021-12-28 | 2022-05-13 | 广州小鹏自动驾驶科技有限公司 | 一种分片式道路数据融合的方法、装置、设备及存储介质 |
CN115690180A (zh) * | 2022-10-29 | 2023-02-03 | 武汉中海庭数据技术有限公司 | 一种矢量地图配准方法、配准系统、电子设备及存储介质 |
CN116452852A (zh) * | 2023-03-20 | 2023-07-18 | 华南理工大学 | 一种高精度矢量地图的自动生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116625385A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7485749B2 (ja) | ビデオベースの位置決め及びマッピングの方法及びシステム | |
CN108416808B (zh) | 车辆重定位的方法及装置 | |
CN111179152B (zh) | 一种道路标识识别方法及装置、介质、终端 | |
CN112154445A (zh) | 高精度地图中车道线的确定方法和装置 | |
WO2020043081A1 (zh) | 定位技术 | |
CN109583313B (zh) | 车道线提取方法、装置及存储介质 | |
CN111932627B (zh) | 一种标识物绘制方法及系统 | |
CN113495940B (zh) | 道路区域校正装置、道路区域校正方法以及能够由计算机读取的记录介质 | |
CN110956100A (zh) | 一种高精度地图生成方法、装置、电子设备和存储介质 | |
CN113834492A (zh) | 地图匹配方法、系统、设备及可读存储介质 | |
CN113139031B (zh) | 用于自动驾驶的交通标识的生成方法及相关装置 | |
CN111427904A (zh) | 高精地图数据的更新方法、装置及电子设备 | |
CN113033497B (zh) | 车道线识别方法、装置、设备及计算机可读存储介质 | |
CN116860906B (zh) | 轨迹生成方法、装置、设备及存储介质 | |
CN113008260A (zh) | 一种导航信息处理方法、装置、电子设备及存储介质 | |
CN112529957A (zh) | 确定摄像设备位姿的方法和装置、存储介质、电子设备 | |
Liu et al. | Image-translation-based road marking extraction from mobile laser point clouds | |
CN115131363A (zh) | 基于语义信息的定位方法、装置和终端设备 | |
CN114758086A (zh) | 一种城市道路信息模型的构建方法及装置 | |
CN111982132B (zh) | 数据处理方法、装置和存储介质 | |
JP2019100924A (ja) | 車両軌跡補正装置 | |
WO2022165802A1 (zh) | 道路边界识别方法和装置 | |
CN116625385B (zh) | 路网匹配方法、高精地图构建方法、装置及设备 | |
JP5435294B2 (ja) | 画像処理装置及び画像処理プログラム | |
CN115661444A (zh) | 图像处理方法、装置、设备、存储介质及产品 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |