CN116758503A - 车道线自动标注方法、装置、设备及存储介质 - Google Patents
车道线自动标注方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116758503A CN116758503A CN202310712598.6A CN202310712598A CN116758503A CN 116758503 A CN116758503 A CN 116758503A CN 202310712598 A CN202310712598 A CN 202310712598A CN 116758503 A CN116758503 A CN 116758503A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- sub
- road
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims description 44
- 230000002776 aggregation Effects 0.000 claims description 33
- 238000004220 aggregation Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 16
- 230000001360 synchronised effect Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 11
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车道线自动标注方法、装置、设备及存储介质。该方法包括:获取车辆行驶过程中的初始点云数据、行驶轨迹数据和道路图像数据;根据初始点云数据和行驶轨迹数据,确定各道路图像数据中的道路子图像分别对应的目标点云数据;对各道路子图像进行图像处理,得到各道路子图像分别对应的车道线区域和车道线类型信息;根据各道路子图像分别对应的车道线区域和目标点云数据,确定各道路子图像分别对应的目标子车道线;根据各目标子车道线,生成目标车道线,并基于各车道线类型信息对目标车道线进行车道线信息标注。本发明实施例实现了对高精地图中的车道线进行自动化标注,提高了车道线标注效率和标注准确度。
Description
技术领域
本发明涉及图像数据处理技术领域,尤其涉及一种车道线自动标注方法、装置、设备及存储介质。
背景技术
高精地图已广泛应用于自动驾驶汽车领域中,在高精地图中拥有精确的车辆位置信息和丰富的道路元素数据信息,可以帮助汽车预知路面复杂情况,其作为先验环境信息的服务提供者,在高精度定位、辅助环境感知以及规划与决策过程中起着至关重要的作用。
目前,对高精度地图中的车道线进行标注的方式,主要是采用人工众包标注。人工标注的过程存在标注进度缓慢、标注工程发布复杂以及对实际道路变化更新不及时等缺点,从而导致对高精地图中车道线的标注效率和准确度均较低。
发明内容
本发明提供了一种车道线自动标注方法、装置、设备及存储介质,以实现对高精地图中的车道线进行自动化标注,提高车道线标注效率和标注准确度。
根据本发明的一方面,提供了一种车道线自动标注方法,所述方法包括:
获取车辆行驶过程中的初始点云数据、行驶轨迹数据和道路图像数据;所述道路图像数据包括在预设的第一时间采集点下采集得到的至少一帧道路子图像;
根据所述初始点云数据和所述行驶轨迹数据,确定各所述道路子图像分别对应的目标点云数据;
对各所述道路子图像进行图像处理,得到各所述道路子图像分别对应的车道线区域和车道线类型信息;
根据各所述道路子图像分别对应的车道线区域和目标点云数据,确定各所述道路子图像分别对应的目标子车道线;
根据各所述目标子车道线,生成目标车道线,并基于各所述车道线类型信息对所述目标车道线进行车道线信息标注。
根据本发明的另一方面,提供了一种车道线自动标注装置,包括:
数据获取模块,用于获取车辆行驶过程中的初始点云数据、行驶轨迹数据和道路图像数据;所述道路图像数据包括在预设的第一时间采集点下采集得到的至少一帧道路子图像;
目标点云数据确定模块,用于根据所述初始点云数据和所述行驶轨迹数据,确定各所述道路子图像分别对应的目标点云数据;
车道线区域确定模块,用于对各所述道路子图像进行图像处理,得到各所述道路子图像分别对应的车道线区域和车道线类型信息;
目标子车道线确定模块,用于根据各所述道路子图像分别对应的车道线区域和目标点云数据,确定各所述道路子图像分别对应的目标子车道线;
目标车道线生成模块,用于根据各所述目标子车道线,生成目标车道线,并基于各所述车道线类型信息对所述目标车道线进行车道线信息标注。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的车道线自动标注方法。
根据本发明的另一方面,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指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的车道线自动标注方法。
本发明实施例技术方案通过获取车辆行驶过程中的初始点云数据、行驶轨迹数据和道路图像数据;根据初始点云数据和行驶轨迹数据,确定道路图像数据中的各道路子图像分别对应的目标点云数据;对各道路子图像进行图像处理,得到各道路子图像分别对应的车道线区域和车道线类型信息;根据各道路子图像分别对应的车道线区域和目标点云数据,确定各道路子图像分别对应的目标子车道线;根据各目标子车道线,生成目标车道线,并基于各车道线类型信息对目标车道线进行车道线信息标注。上述技术方案通过确定各道路子图像分别对应的目标点云数据,并基于确定的车道线区域和目标点云数据,自动生成目标车道线,以及自动根据车道线类型信息对目标车道线进行信息标注,实现了对高精地图中的车道线进行自动化标注,减少了人工标注的人力资源成本,提高了车道线的标注效率和标注精确度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种车道线自动标注方法的流程图;
图2是根据本发明实施例二提供的一种车道线自动标注方法的流程图;
图3A是根据本发明实施例三提供的一种车道线自动标注方法的流程图;
图3B是根据本发明实施例三提供的一种道路边界线区域的邻近道路线区域示意框图;
图4是根据本发明实施例四提供的一种车道线自动标注装置的结构示意图;
图5是实现本发明实施例的车道线自动标注方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种车道线自动标注方法的流程图,本实施例可适用于对高精地图中的车道线进行自动化标注的情况,该方法可以由车道线自动标注装置来执行,该车道线自动标注装置可以采用硬件和/或软件的形式实现,该车道线自动标注装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取车辆行驶过程中的初始点云数据、行驶轨迹数据和道路图像数据;道路图像数据包括在预设的第一时间采集点下采集得到的至少一帧道路子图像。
其中,车辆行驶过程中产生的各种类数据可以是车辆从起始位置行驶至终点位置的过程中所产生的各类数据,包括点云数据、行驶轨迹数据和道路图像数据等。
其中,初始点云数据可以是通过部署在车辆上的激光雷达设备采集得到的点云数据。需要说明的是,在车辆行驶过程中,激光雷达设备可以根据预先设定的时间采集点或采集时间戳,对车辆行驶过程的车道线或道路边界线进行拍摄,从而得到一定帧数下的点云数据。因此,初始点云数据可以包括在不同采集时间点或时间戳下采集得到的至少一帧点云数据。
其中,行驶轨迹数据可以是通过部署在车辆上的组合惯导设备采集获取得到的车辆行驶轨迹数据,具体可以包括车辆的位姿数据和地理位置数据等。其中,行驶轨迹数据中包括至少一个行驶轨迹点,各行驶轨迹点分别对应有生成该行驶轨迹点的时间信息和轨迹点位置信息等。
其中,道路图像数据可以是部署在车辆上的图像采集设备采集获取得到。例如,图像采集设备可以是摄像头或相机等。需要说明的是,在车辆行驶过程中,图像采集设备可以根据预先设定的时间采集点或采集时间戳,对车辆行驶过程的车道线或道路边界线进行拍摄,从而得到一定帧数下的图像数据。因此,道路图像数据可以包括在不同采集时间点或时间戳采集得到的至少一帧道路子图像。
其中,第一时间采集点可以是由相关技术人员预先设定的采集道路图像的时间点或时间戳。
示例性的,可以在车辆从起始位置行驶至终点位置后,通过部署在车辆上的激光雷达设备获取车辆行驶过程中的初始点云数据,通过部署在车辆上的组合惯导设备获取车辆行驶过程中的行驶轨迹数据,以及通过部署在车辆上的图像采集设备获取车辆行驶过程中的道路图像数据。
S120、根据初始点云数据和行驶轨迹数据,确定各道路子图像分别对应的目标点云数据。
示例性的,可以根据初始点云数据和行驶轨迹数据,基于预设的数据融合算法,对初始点云数据和行驶轨迹数据进行数据融合,得到融合后的全景点云数据。其中,数据融合算法可以由相关技术人员进行预先设定。例如,数据融合算法可以是SLAM(SimultaneousLocalization and Mapping,同步定位与地图构建)算法。
示例性的,全景点云数据的融合过程可以是根据初始点云数据中各帧点云数据对应的时间戳,以及行驶轨迹数据中各轨迹点的形成时间戳,进行时间上的数据融合。可选的,在进行时间上的数据融合前,还可以将各帧点云数据根据采集时间点或采集时间戳进行点云数据拼接。根据初始点云数据中各帧点云数据中各点云分别对应的点云位置坐标,以及行驶轨迹数据中各轨迹点的轨迹位置坐标,进行空间上的数据融合,从而得到各点云数据拼接和融合后的全景点云数据。
示例性的,可以根据融合得到的全景点云数据,确定全景点云数据中,与各道路子图像在时间上和空间上的匹配度均较高的目标点云数据。例如可以将全景点云数据与图像数据按照采集时间点或采集时间戳进行时间同步;以及,将全景点云数据和各道路子图像以车辆的中心位置为基准点,建立统一坐标系,针对各传感器相对车辆中心坐标进行空间上的映射处理以达到空间同步。其中,各传感器可以是采集点云数据和图像数据的采集传感器。
S130、对各道路子图像进行图像处理,得到各道路子图像分别对应的车道线区域和车道线类型信息。
其中,对道路子图像的图像处理可以是对道路子图像中的车道线进行车道线区域和车道线类型信息的提取。其中,车道线区域可以是车道线所属最小矩形区域;车道线类型信息可以包括车道线颜色信息和车道线属性信息;其中,车道线属性信息可以包括实线、双实线和虚线等。
示例性的,对道路子图像中车道线区域和车道线类型信息的提取方式可以是通过现有的图像处理软件进行提取;或者,还可以通过预先构建得到车道线检测网络模型进行检测提取。其中,车道线检测网络模型可以由相关技术人员进行预先训练得到,具体可以是基于历史周期下得到的历史车道线区域和历史车道线类型信息作为样本训练集,对预设的网络模型进行训练得到。其中,预设的网络模型可以是LaneNet车道线检测网络模型。
S140、根据各道路子图像分别对应的车道线区域和目标点云数据,确定各道路子图像分别对应的目标子车道线。
示例性的,针对任一道路子图像,可以从相应的目标点云数据中,确定在车道线区域内的参考点云数据,并对参考点云数据的各点云进行点云曲线拟合,得到该道路子图像对应的目标子车道线。其中,曲线拟合的方式例如可以是采用三次曲线拟合方程进行拟合。
S150、根据各目标子车道线,生成目标车道线,并基于各车道线类型信息对目标车道线进行车道线信息标注。
示例性的,可以将生成的各目标子车道线,基于各道路子图像对应的采集时间点或采集时间戳进行拼接,得到目标车道线。将各车道线类型信息赋予至相应的目标车道线上,以实现对目标车道线的车道线信息标注。
可选的,可以将自动生成并标注的目标车道线,反投影到道路图像数据或初始点云数据俯视投影生成的底图上进行检查和验证,对生成的车道线按采集车辆行驶步长添加控制点,并依照b样条曲线调整方式,对目标车道线的细节进行修改,从而提高标注的准确性。
本发明实施例技术方案通过获取车辆行驶过程中的初始点云数据、行驶轨迹数据和道路图像数据;根据初始点云数据和行驶轨迹数据,确定道路图像数据中的各道路子图像分别对应的目标点云数据;对各道路子图像进行图像处理,得到各道路子图像分别对应的车道线区域和车道线类型信息;根据各道路子图像分别对应的车道线区域和目标点云数据,确定各道路子图像分别对应的目标子车道线;根据各目标子车道线,生成目标车道线,并基于各车道线类型信息对目标车道线进行车道线信息标注。上述技术方案通过确定各道路子图像分别对应的目标点云数据,并基于确定的车道线区域和目标点云数据,自动生成目标车道线,以及自动根据车道线类型信息对目标车道线进行信息标注,实现了对高精地图中的车道线进行自动化标注,减少了人工标注的人力资源成本,提高了车道线的标注效率和标注精确度。
实施例二
图2为本发明实施例二提供的一种车道线自动标注方法的流程图,本实施例在上述各技术方案的基础上,进行了优化改进。
进一步的,初始点云数据中包括在预设的第二时间采集点下采集得到的至少一帧初始子点云数据;相应的,将步骤“根据初始点云数据和行驶轨迹数据,确定各道路子图像分别对应的目标点云数据”细化为“根据第二时间采集点,对各初始子点云数据进行点云拼接,得到中间点云数据;根据中间点云数据中各点云的点云位置信息和行驶轨迹数据中各轨迹点的轨迹点位置信息,对中间点云数据和行驶轨迹数据进行数据融合处理,得到融合点云数据;确定融合点云数据中分别与各道路子图像对应的目标点云数据。”以完善对目标点云数据的确定方式。需要说明的是,在本发明实施例中未详述的部分,可参见其他实施例的表述。
如图2所示,该方法包括以下具体步骤:
S210、获取车辆行驶过程中的初始点云数据、行驶轨迹数据和道路图像数据;道路图像数据包括在预设的第一时间采集点下采集得到的至少一帧道路子图像;初始点云数据中包括在预设的第二时间采集点下采集得到的至少一帧初始子点云数据。
其中,第二时间采集点可以是预先设定的采集初始子点云数据的时间点或时间戳。
其中,初始点云数据中包括在车辆从行驶起点至行驶终点中,在相应第二时间采集点下采集得到的至少一帧初始子点云数据。
S220、根据第二时间采集点,对各初始子点云数据进行点云拼接,得到中间点云数据。
示例性的,根据第二时间采集点,按照连续的时间序列,对各初始子点云数据进行点云拼接,得到中间点云数据。例如,若存在初始子点云数据A、初始子点云数据B和初始子点云数据C,且初始子点云数据A的第二时间采集点为2023/05/25/09:00、初始子点云数据B的第二时间采集点为2023/05/25/09:01、初始子点云数据C的第二时间采集点为2023/05/25/09:02,则将初始子点云数据B拼接在初始子点云数据A之后,以及将初始子点云数据C拼接在初始子点云数据B之后,得到拼接后的中间点云数据。
S230、根据中间点云数据中各点云的点云位置信息和行驶轨迹数据中各轨迹点的轨迹点位置信息,对中间点云数据和行驶轨迹数据进行数据融合处理,得到融合点云数据。
其中,点云位置信息可以是点云的坐标信息,轨迹点位置信息可以是轨迹点的坐标信息。
示例性的,可以根据中间点云数据中各点云的点云坐标,以及行驶轨迹数据中的各轨迹点的轨迹坐标,将中间点云数据和轨迹点云数据进行数据融合,具体融合方式可以是根据各点云坐标和各轨迹点坐标,基于预设的数据融合算法进行融合得到。其中,数据融合算法可以由相关技术人员根据实际需求进行预先设定,例如可以是现有的数据融合算法,本实施例对此不进行限制。将进行数据融合后得到的结果,作为融合点云数据。
S240、确定融合点云数据中分别与各道路子图像对应的目标点云数据。
示例性的,可以根据融合点云数据中的各点云数据的时间采集信息,确定各道路子图像对应的目标点云数据。例如,可以将融合点云数据中与相应道路子图像的第一时间采集点相对应的点云数据,作为目标点云数据。
在一个可选实施例中,确定融合点云数据中分别与各道路子图像对应的目标点云数据,包括:根据第一时间采集点和第二时间采集点,确定融合点云数据中,与各道路子图像在时间维度上同步的第一目标点云数据;以及,确定融合点云数据中,与各道路子图像在空间维度上同步的第二目标点云数据;根据各道路子图像对应的第一目标点云数据和第二目标点云数据,确定各道路子图像对应的目标点云数据。
需要说明的是,由于融合点云数据是基于各初始子点云数据进行拼接得到,因此,融合点云数据中包括各点云数据对应的点云数据采集信息,也即第一时间采集点。
示例性的,可以根据融合点云数据中各点云数据对应的第一时间采集点,以及相应道路子图像对应的第二时间采集点,从融合点云数据中选取第一时间采集点和第二时间采集点相同,或满足预设的时间差值阈值条件的点云数据,作为在时间维度上同步的第一目标点云数据。其中,时间差值阈值条件可以由相关技术人员进行预先设定,例如,时间差值阈值条件可以是第一时间采集点和第二时间采集点之间的时间差值不大于预设时间阈值,其中,预设时间阈值可以由相关技术人员预先设定,例如可以是1秒。
其中,第二目标点云数据可以是与各道路子图像在空间维度上同步的点云数据。示例性的,可以将第一目标点云数据和第二目标点云数据进行点云数据合并或数据融合,得到在时间和空间上均同步的各道路子图像对应的目标点云数据。
在一个可选实施例中,确定融合点云数据中,与各道路子图像在空间维度上同步的第二目标点云数据,包括:确定与融合点云数据关联的第一传感器的第一位置坐标;以及,确定与道路子图像关联的第二传感器的第二位置坐标;根据第一位置坐标和车辆的车辆中心坐标,对融合点云数据进行坐标映射,得到第一空间同步结果;以及,根据第二位置坐标和车辆的车辆中心坐标,对各道路子图像进行坐标映射,得到第二空间同步结果;根据第一空间同步结果和第二空间同步结果,确定融合点云数据中,各道路子图像在空间维度上同步的第二目标点云数据。
其中,第一传感器可以是部署在车辆上的用于获取初始子点云数据的激光雷达传感器。第二传感器可以是获取各道路子图像的图像采集传感器。第一位置坐标可以是第一传感器在车辆上的绝对位置坐标;第二位置坐标可以是第二传感器在车辆上的绝对位置坐标。其中,车辆中心坐标可以是车辆的中心位置处的坐标点。
示例性的,根据第一位置坐标和车辆中心坐标,对融合点云数据中的各点云的坐标点进行坐标映射,得到相对于车辆中心位置的第一空间同步结果。以及,根据第二位置坐标和车辆中心坐标,对各道路子图像进行坐标映射,得到相对于车辆中心位置的第二空间同步结果。可以理解的是,融合点云数据和各道路子图像均向同一空间位置,也即车辆中心坐标进行映射,能够得到融合点云数据中,与各道路子图像在空间维度上同步的第二目标点云数据。
S250、对各道路子图像进行图像处理,得到各道路子图像分别对应的车道线区域和车道线类型信息。
S260、根据各道路子图像分别对应的车道线区域和目标点云数据,确定各道路子图像分别对应的目标子车道线。
S270、根据各目标子车道线,生成目标车道线,并基于各车道线类型信息对目标车道线进行车道线信息标注。
本实施例技术方案根据第二时间采集点,对各初始子点云数据进行点云拼接,得到中间点云数据;根据中间点云数据中各点云的点云位置信息和行驶轨迹数据中各轨迹点的轨迹点位置信息,对中间点云数据和行驶轨迹数据进行数据融合处理,得到融合点云数据;确定融合点云数据中分别与各道路子图像对应的目标点云数据。上述技术方案通过根据第一时间采集点和第二时间采集点,以及各点云位置信息和轨迹点位置信息,实现了点云数据在时间上和空间上的数据同步,从而使得确定得到的道路子图像对应的目标点云数据既满足时间同步,也满足空间同步的条件,提高了对目标点云数据的确定准确度,从而提高了后续对目标子车道线的生成准确度,进而提高了对目标车道线的生成和标注准确度。
实施例三
图3A为本发明实施例三提供的一种车道线自动标注方法的流程图,本实施例在上述各技术方案的基础上,进行了优化改进。
进一步的,将步骤“根据各道路子图像分别对应的车道线区域和目标点云数据,确定各道路子图像分别对应的目标子车道线”细化为“根据各道路子图像分别对应的目标点云数据,确定在相应道路子图像的车道线区域内的第一参考点云数据;根据第一参考点云数据中各点云分别对应的反射强度信息,对各点云进行点云聚合,得到至少一个候选聚合类别;根据各候选聚合类别分别对应的类别反射强度,确定目标聚合类别;对目标聚合类别下的各子点云进行点云曲线拟合,得到相应道路子图像对应的目标子车道线。”以完善对目标子车道线的确定方式。需要说明的是,在本发明实施例中未详述的部分,可参见其他实施例的表述。
如图3A所示,该方法包括以下具体步骤:
S310、获取车辆行驶过程中的初始点云数据、行驶轨迹数据和道路图像数据;道路图像数据包括在预设的第一时间采集点下采集得到的至少一帧道路子图像。
S320、根据初始点云数据和行驶轨迹数据,确定各道路子图像分别对应的目标点云数据。
S330、对各道路子图像进行图像处理,得到各道路子图像分别对应的车道线区域和车道线类型信息。
S340、根据各道路子图像分别对应的目标点云数据,确定在相应道路子图像的车道线区域内的第一参考点云数据。
示例性的,可以将目标点云数据中,落入车道线区域内的点云数据,确定为第一参考点云数据。
S350、根据第一参考点云数据中各点云分别对应的反射强度信息,对各点云进行点云聚合,得到至少一个候选聚合类别。
需要说明的是,点云数据可以包括自身点云位置信息和反射强度信息。由于车道线自身颜色和涂料等特点,其所呈现的反射强度与地面反射强度不同。
示例性的,可以根据第一参考点数据中各点云分别对应的反射强度信息,采用聚类算法对各点云数据进行点云聚合,得到至少一个候选聚合类别。其中,各候选聚合类别包括聚合后的类别反射强度。
S360、根据各候选聚合类别分别对应的类别反射强度,确定目标聚合类别。
需要说明的是,由于车道线采用特有的涂料绘制,因此,其反射强度要远高于地面的反射强度。
示例性的,可以将各候选聚合类别中类别反射强度最高的确定为目标聚合类别。
S370、对目标聚合类别下的各子点云进行点云曲线拟合,得到相应道路子图像对应的目标子车道线。
示例性的,可以基于最小二乘法,对目标聚合类别下的各子点云进行点云曲线拟合,生成相应道路子图像对应的目标子车道线。可选的,拟合后得到的曲线可以是三次方程或贝塞尔方程表达的曲线,可以将曲线进行平滑处理后得到目标子车道线。
S380、根据各目标子车道线,生成目标车道线,并基于各车道线类型信息对目标车道线进行车道线信息标注。
本实施例技术方案通过根据各道路子图像分别对应的目标点云数据,确定在相应道路子图像的车道线区域内的第一参考点云数据;根据第一参考点云数据中各点云分别对应的反射强度信息,对各点云进行点云聚合,得到至少一个候选聚合类别;根据各候选聚合类别分别对应的类别反射强度,确定目标聚合类别;对目标聚合类别下的各子点云进行点云曲线拟合,得到相应道路子图像对应的目标子车道线。上述技术方案通过根据车道线区域内的点云数据的反射强度信息,对点云数据进行聚合,从而根据聚合后得到的聚合类别,将反射强度最高的点云数据拟合成相应道路子图像的目标子车道线,实现了对目标子车道线的准确确定,从而提高了后续对目标车道线的生成准确度和标注准确度。
需要说明的是,在获取的各道路子图像中,除存在车道线信息之外,还可能存在道路边界线,因此,还可以生成道路子图像的道路边界线,从而对道路边界线进行标注,以实现对车道线自动标注的全面性。
在一个可选实施例中,对各道路子图像进行图像处理,得到各道路子图像分别对应的道路边界线区域;根据各道路子图像的目标点云数据中,在相应道路边界线区域内的点云数据,生成相应道路子图像的目标道路边界线。
其中,对道路子图像的图像处理可以是对道路子图像中的道路边界线进行道路边界线区域的提取。其中,道路边界线区域可以是道路边界线所属最小矩形区域。
示例性的,可以将落入道路边界线区域对应的矩形框内,且分布在矩形框周围的目标点云数据,作为边界点云数据;对边界点云数据中的各点云进行点云曲线拟合,得到相应道路自图像的目标道路边界线。
需要说明的是,为进一步提高对各道路子图像的目标道路边界线的生成准确度,还可以基于道路边界线的高度差特征生成目标道路边界线。
在一个可选实施例中,根据各道路子图像目标点云数据中,在相应的道路边界线区域内的点云数据,生成相应道路子图像的目标道路边界线,包括:根据各道路边界线区域的区域位置,确定相应道路边界线区域分别对应的邻近道路线区域;根据各道路子图像分别对应的目标点云数据,确定在相应道路子图像的邻近道路线区域内的第二参考点云数据;根据第二参考点云数据中各点云的点云位置坐标,确定满足道路线阈值条件的目标点云;对目标点云进行点云曲线拟合,得到各道路子图像的目标道路边界线。
其中,邻近道路线区域可以是在道路边界线区域范围内,且与道路边界线区域向邻近的矩形区域。如图3B所示的一种道路边界线区域的邻近道路线区域示意框图。其中,阴影部分表示邻近道路线区域,邻近道路线区域的边界线与车道边线区域的边界线之间的边界线差值可以由相关技术人员进行预先设定,并基于设定的边界线差值,生成邻近道路线区域。
示例性的,将邻近道路线区域内的目标点云数据,确定为第二参考点云数据。将第二参考点云数据中的各点云进行两两坐标位置比较,并将满足道路线阈值条件的点云确定为目标点云。其中,道路线阈值条件可以由相关技术人员预先设定。可以理解的是,由于道路边界线边缘存在高度差值,因此,道路边界线的点云两两之间的位置坐标差值应小于预设的高度差值阈值。相应的,道路线阈值条件可以是两个点云之间的位置坐标差值不大于预设的高度差值阈值。例如,高度差值阈值可以是10cm。对各目标点云进行点云曲线拟合,得到各道路子图像的目标道路边界线。
实施例四
图4为本发明实施例四提供的一种车道线自动标注装置的结构示意图。本发明实施例所提供的一种车道线自动标注装置,该装置可适用于对高精地图中的车道线进行自动化标注的情况,该车道线自动标注装置可以采用硬件和/或软件的形式实现,如图4所示,该装置具体包括:数据获取模块401、目标点云数据确定模块402、车道线区域确定模块403、目标子车道线确定模块404和目标车道线生成模块405。其中,
数据获取模块401,用于获取车辆行驶过程中的初始点云数据、行驶轨迹数据和道路图像数据;所述道路图像数据包括在预设的第一时间采集点下采集得到的至少一帧道路子图像;
目标点云数据确定模块402,用于根据所述初始点云数据和所述行驶轨迹数据,确定各所述道路子图像分别对应的目标点云数据;
车道线区域确定模块403,用于对各所述道路子图像进行图像处理,得到各所述道路子图像分别对应的车道线区域和车道线类型信息;
目标子车道线确定模块404,用于根据各所述道路子图像分别对应的车道线区域和目标点云数据,确定各所述道路子图像分别对应的目标子车道线;
目标车道线生成模块405,用于根据各所述目标子车道线,生成目标车道线,并基于各所述车道线类型信息对所述目标车道线进行车道线信息标注。
本发明实施例技术方案通过获取车辆行驶过程中的初始点云数据、行驶轨迹数据和道路图像数据;根据初始点云数据和行驶轨迹数据,确定道路图像数据中的各道路子图像分别对应的目标点云数据;对各道路子图像进行图像处理,得到各道路子图像分别对应的车道线区域和车道线类型信息;根据各道路子图像分别对应的车道线区域和目标点云数据,确定各道路子图像分别对应的目标子车道线;根据各目标子车道线,生成目标车道线,并基于各车道线类型信息对目标车道线进行车道线信息标注。上述技术方案通过确定各道路子图像分别对应的目标点云数据,并基于确定的车道线区域和目标点云数据,自动生成目标车道线,以及自动根据车道线类型信息对目标车道线进行信息标注,实现了对高精地图中的车道线进行自动化标注,减少了人工标注的人力资源成本,提高了车道线的标注效率和标注精确度。
可选的,所述初始点云数据中包括在预设的第二时间采集点下采集得到的至少一帧初始子点云数据;
相应的,所述目标点云数据确定模块402,包括:
中间点云数据确定单元,用于根据所述第二时间采集点,对各所述初始子点云数据进行点云拼接,得到中间点云数据;
融合点云数据确定单元,用于根据所述中间点云数据中各点云的点云位置信息和所述行驶轨迹数据中各轨迹点的轨迹点位置信息,对所述中间点云数据和所述行驶轨迹数据进行数据融合处理,得到融合点云数据;
目标点云数据确定单元,用于确定所述融合点云数据中分别与各所述道路子图像对应的目标点云数据。
可选的,所述目标点云数据确定单元,包括:
第一点云数据确定子单元,用于根据所述第一时间采集点和所述第二时间采集点,确定所述融合点云数据中,与各所述道路子图像在时间维度上同步的第一目标点云数据;以及,
第二点云数据确定子单元,用于确定所述融合点云数据中,与各所述道路子图像在空间维度上同步的第二目标点云数据;
目标点云数据确定子单元,用于根据各所述道路子图像对应的第一目标点云数据和所述第二目标点云数据,确定各所述道路子图像对应的目标点云数据。
可选的,所述第二点云数据确定子单元,具体用于:
确定与所述融合点云数据关联的第一传感器的第一位置坐标;以及,
确定与所述道路子图像关联的第二传感器的第二位置坐标;
根据所述第一位置坐标和所述车辆的车辆中心坐标,对所述融合点云数据进行坐标映射,得到第一空间同步结果;以及,
根据所述第二位置坐标和所述车辆的车辆中心坐标,对各所述道路子图像进行坐标映射,得到第二空间同步结果;
根据所述第一空间同步结果和所述第二空间同步结果,确定所述融合点云数据中,各所述道路子图像在空间维度上同步的第二目标点云数据。
可选的,所述目标子车道线确定模块404,包括:
第一参考数据确定单元,用于根据各所述道路子图像分别对应的目标点云数据,确定在相应道路子图像的车道线区域内的第一参考点云数据;
聚合类别确定单元,用于根据所述第一参考点云数据中各点云分别对应的反射强度信息,对各点云进行点云聚合,得到至少一个候选聚合类别;
目标类别确定单元,用于根据各所述候选聚合类别分别对应的类别反射强度,确定目标聚合类别;
目标子车道线确定单元,用于对所述目标聚合类别下的各子点云进行点云曲线拟合,得到相应道路子图像对应的目标子车道线。
可选的,所述装置还包括:
图像处理模块,用于对各所述道路子图像进行图像处理,得到各所述道路子图像分别对应的道路边界线区域;
边界线生成模块,用于根据各所述道路子图像的目标点云数据中,在相应道路边界线区域内的点云数据,生成相应道路子图像的目标道路边界线。
可选的,所述边界线生成模块,包括:
邻近道路区域确定单元,用于根据各所述道路边界线区域的区域位置,确定相应道路边界线区域分别对应的邻近道路线区域;
第二参考数据生成单元,用于根据各所述道路子图像分别对应的目标点云数据,确定在相应道路子图像的邻近道路线区域内的第二参考点云数据;
目标点云确定单元,用于根据所述第二参考点云数据中各点云的点云位置坐标,确定满足道路线阈值条件的目标点云;
边界线生成单元,用于对所述目标点云进行点云曲线拟合,得到各所述道路子图像的目标道路边界线。
本发明实施例所提供的车道线自动标注装置可执行本发明任意实施例所提供的车道线自动标注方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备50的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备50包括至少一个处理器51,以及与至少一个处理器51通信连接的存储器,如只读存储器(ROM)52、随机访问存储器(RAM)53等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器51可以根据存储在只读存储器(ROM)52中的计算机程序或者从存储单元58加载到随机访问存储器(RAM)53中的计算机程序,来执行各种适当的动作和处理。在RAM 53中,还可存储电子设备50操作所需的各种程序和数据。处理器51、ROM 52以及RAM 53通过总线54彼此相连。输入/输出(I/O)接口55也连接至总线54。
电子设备50中的多个部件连接至I/O接口55,包括:输入单元56,例如键盘、鼠标等;输出单元57,例如各种类型的显示器、扬声器等;存储单元58,例如磁盘、光盘等;以及通信单元59,例如网卡、调制解调器、无线通信收发机等。通信单元59允许电子设备50通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器51可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器51的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器51执行上文所描述的各个方法和处理,例如车道线自动标注方法。
在一些实施例中,车道线自动标注方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元58。在一些实施例中,计算机程序的部分或者全部可以经由ROM 52和/或通信单元59而被载入和/或安装到电子设备50上。当计算机程序加载到RAM 53并由处理器51执行时,可以执行上文描述的车道线自动标注方法的一个或多个步骤。备选地,在其他实施例中,处理器51可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车道线自动标注方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种车道线自动标注方法,其特征在于,包括:
获取车辆行驶过程中的初始点云数据、行驶轨迹数据和道路图像数据;所述道路图像数据包括在预设的第一时间采集点下采集得到的至少一帧道路子图像;
根据所述初始点云数据和所述行驶轨迹数据,确定各所述道路子图像分别对应的目标点云数据;
对各所述道路子图像进行图像处理,得到各所述道路子图像分别对应的车道线区域和车道线类型信息;
根据各所述道路子图像分别对应的车道线区域和目标点云数据,确定各所述道路子图像分别对应的目标子车道线;
根据各所述目标子车道线,生成目标车道线,并基于各所述车道线类型信息对所述目标车道线进行车道线信息标注。
2.根据权利要求1所述的方法,其特征在于,所述初始点云数据中包括在预设的第二时间采集点下采集得到的至少一帧初始子点云数据;
相应的,所述根据所述初始点云数据和所述行驶轨迹数据,确定各所述道路子图像分别对应的目标点云数据,包括:
根据所述第二时间采集点,对各所述初始子点云数据进行点云拼接,得到中间点云数据;
根据所述中间点云数据中各点云的点云位置信息和所述行驶轨迹数据中各轨迹点的轨迹点位置信息,对所述中间点云数据和所述行驶轨迹数据进行数据融合处理,得到融合点云数据;
确定所述融合点云数据中分别与各所述道路子图像对应的目标点云数据。
3.根据权利要求2所述的方法,其特征在于,所述确定所述融合点云数据中分别与各所述道路子图像对应的目标点云数据,包括:
根据所述第一时间采集点和所述第二时间采集点,确定所述融合点云数据中,与各所述道路子图像在时间维度上同步的第一目标点云数据;以及,
确定所述融合点云数据中,与各所述道路子图像在空间维度上同步的第二目标点云数据;
根据各所述道路子图像对应的第一目标点云数据和所述第二目标点云数据,确定各所述道路子图像对应的目标点云数据。
4.根据权利要求3所述的方法,其特征在于,所述确定所述融合点云数据中,与各所述道路子图像在空间维度上同步的第二目标点云数据,包括:
确定与所述融合点云数据关联的第一传感器的第一位置坐标;以及,
确定与所述道路子图像关联的第二传感器的第二位置坐标;
根据所述第一位置坐标和所述车辆的车辆中心坐标,对所述融合点云数据进行坐标映射,得到第一空间同步结果;以及,
根据所述第二位置坐标和所述车辆的车辆中心坐标,对各所述道路子图像进行坐标映射,得到第二空间同步结果;
根据所述第一空间同步结果和所述第二空间同步结果,确定所述融合点云数据中,各所述道路子图像在空间维度上同步的第二目标点云数据。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述根据各所述道路子图像分别对应的车道线区域和目标点云数据,确定各所述道路子图像分别对应的目标子车道线,包括:
根据各所述道路子图像分别对应的目标点云数据,确定在相应道路子图像的车道线区域内的第一参考点云数据;
根据所述第一参考点云数据中各点云分别对应的反射强度信息,对各点云进行点云聚合,得到至少一个候选聚合类别;
根据各所述候选聚合类别分别对应的类别反射强度,确定目标聚合类别;
对所述目标聚合类别下的各子点云进行点云曲线拟合,得到相应道路子图像对应的目标子车道线。
6.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
对各所述道路子图像进行图像处理,得到各所述道路子图像分别对应的道路边界线区域;
根据各所述道路子图像的目标点云数据中,在相应道路边界线区域内的点云数据,生成相应道路子图像的目标道路边界线。
7.根据权利要求6所述的方法,其特征在于,所述根据各所述道路子图像目标点云数据中,在相应的道路边界线区域内的点云数据,生成相应道路子图像的目标道路边界线,包括:
根据各所述道路边界线区域的区域位置,确定相应道路边界线区域分别对应的邻近道路线区域;
根据各所述道路子图像分别对应的目标点云数据,确定在相应道路子图像的邻近道路线区域内的第二参考点云数据;
根据所述第二参考点云数据中各点云的点云位置坐标,确定满足道路线阈值条件的目标点云;
对所述目标点云进行点云曲线拟合,得到各所述道路子图像的目标道路边界线。
8.一种车道线自动标注装置,其特征在于,包括:
数据获取模块,用于获取车辆行驶过程中的初始点云数据、行驶轨迹数据和道路图像数据;所述道路图像数据包括在预设的第一时间采集点下采集得到的至少一帧道路子图像;
目标点云数据确定模块,用于根据所述初始点云数据和所述行驶轨迹数据,确定各所述道路子图像分别对应的目标点云数据;
车道线区域确定模块,用于对各所述道路子图像进行图像处理,得到各所述道路子图像分别对应的车道线区域和车道线类型信息;
目标子车道线确定模块,用于根据各所述道路子图像分别对应的车道线区域和目标点云数据,确定各所述道路子图像分别对应的目标子车道线;
目标车道线生成模块,用于根据各所述目标子车道线,生成目标车道线,并基于各所述车道线类型信息对所述目标车道线进行车道线信息标注。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的车道线自动标注方法。
10.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的车道线自动标注方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310712598.6A CN116758503A (zh) | 2023-06-15 | 2023-06-15 | 车道线自动标注方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310712598.6A CN116758503A (zh) | 2023-06-15 | 2023-06-15 | 车道线自动标注方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116758503A true CN116758503A (zh) | 2023-09-15 |
Family
ID=87958399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310712598.6A Pending CN116758503A (zh) | 2023-06-15 | 2023-06-15 | 车道线自动标注方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758503A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252992A (zh) * | 2023-11-13 | 2023-12-19 | 整数智能信息技术(杭州)有限责任公司 | 基于时序数据的4d道路场景标注方法及装置、电子设备 |
-
2023
- 2023-06-15 CN CN202310712598.6A patent/CN116758503A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252992A (zh) * | 2023-11-13 | 2023-12-19 | 整数智能信息技术(杭州)有限责任公司 | 基于时序数据的4d道路场景标注方法及装置、电子设备 |
CN117252992B (zh) * | 2023-11-13 | 2024-02-23 | 整数智能信息技术(杭州)有限责任公司 | 基于时序数据的4d道路场景标注方法及装置、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10878621B2 (en) | Method and apparatus for creating map and positioning moving entity | |
CN113409459B (zh) | 高精地图的生产方法、装置、设备和计算机存储介质 | |
CN113971723B (zh) | 高精地图中三维地图的构建方法、装置、设备和存储介质 | |
CN114034295A (zh) | 高精地图生成方法、装置、电子设备、介质及程序产品 | |
CN114140592A (zh) | 高精地图生成方法、装置、设备、介质及自动驾驶车辆 | |
CN110675635A (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN116758503A (zh) | 车道线自动标注方法、装置、设备及存储介质 | |
CN115272572A (zh) | 输电线路重建方法、装置、电子设备及存储介质 | |
CN113378605A (zh) | 多源信息融合方法及装置、电子设备和存储介质 | |
CN115861959A (zh) | 一种车道线识别方法、装置、电子设备及存储介质 | |
CN113129375B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN113932796A (zh) | 高精地图车道线生成方法、装置和电子设备 | |
CN114005098A (zh) | 高精地图车道线信息的检测方法、装置和电子设备 | |
CN112507956A (zh) | 信号灯识别方法、装置、电子设备、路侧设备和云控平台 | |
CN115773759A (zh) | 自主移动机器人的室内定位方法、装置、设备及存储介质 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN112988932B (zh) | 高精地图标注方法、装置、设备、可读存储介质及产品 | |
CN115147561A (zh) | 位姿图生成方法、高精地图生成方法和装置 | |
CN111383337A (zh) | 用于识别对象的方法和装置 | |
CN114219907B (zh) | 三维地图生成方法、装置、设备以及存储介质 | |
CN115019554B (zh) | 一种车辆告警方法、装置、电子设备及存储介质 | |
CN115131472B (zh) | 一种全景切换的过渡处理的方法、装置、设备及介质 | |
CN117853614A (zh) | 高精地图元素变更情况的检测方法、装置和车辆 | |
CN116977524A (zh) | 一种三维地图构建方法、装置、电子设备及存储介质 |
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 |