CN117197639A - 真值获取方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开实施例公开了一种真值获取方法、装置、电子设备及存储介质，所述方法包括：获取基于历史点云数据制作的已有线性要素以及当前点云数据；从所述当前点云数据中确定与所述已有线性要素相匹配的目标点云中心线；利用所述目标点云中心线对所述已有线性要素进行位置优化，获得真值线性要素。该技术方案能够基于当前点云数据中目标点云中心线的位置坐标与现实道路上车道线、道路边缘线等线性要素相吻合，以及已有线性要素的其他属性信息准确的特点，将当前点云数据中的位置信息和已有线性要素的其他属性信息相结合，获得真值线性要素，从而减少了人工作业时间，提升了真值获取效率，从而提升了对算法识别的线性要素的质量评测准确度以及评测效率。

Description

真值获取方法、装置、电子设备及存储介质

技术领域

本公开涉及高精地图技术领域，具体涉及一种真值获取方法、装置、电子设备及存储介质。

背景技术

为了满足高精地图数据的质量要求，需要对基于最新采集的点云数据识别得到的矢量数据进行质量评测，从而得到矢量数据的质量评测指标。然而，质量评测是需要有对应的矢量真值的。已有技术通过人工标注的方式获得矢量真值，作业时间较长，尤其是车道线、道路边缘等线性要素的真值标注的人工成本较高。此外，待评测的矢量数据是利用算法对当前采集的点云数据也即当前点云数据进行识别得到的，而已有地图数据中的矢量数据是基于历史采集的点云数据，经过人工或者其他可靠的方式制作得到的，由于现实世界中道路不断在变化等原因，已有地图数据中的矢量数据与现实世界上的实际道路有一定的差距，达不到真值的标准，不能被作为当前采集的点云数据识别得到的矢量数据的真值。

因此，需要提出一种解决方案，用于低成本高效率的获取从最新采集的点云数据识别得到的矢量数据的真值，从而提高对该矢量数据的质量评测准确度以及评测效率。

发明内容

本公开实施例提供一种真值获取方法、装置、电子设备及存储介质。

第一方面，本公开实施例中提供了一种真值获取方法，其中，包括：

获取基于历史点云数据制作的已有线性要素以及当前点云数据；

从所述当前点云数据中确定与所述已有线性要素相匹配的目标点云中心线；

利用所述目标点云中心线对所述已有线性要素进行位置优化，获得真值线性要素。

第二方面，本发明实施例中提供了一种真值获取装置，其中，包括：

第一获取模块，被配置为获取基于历史点云数据制作的已有线性要素以及当前点云数据；

确定模块，被配置为从所述当前点云数据中确定与所述已有线性要素相匹配的目标点云中心线；

第二获取模块，被配置为利用所述目标点云中心线对所述已有线性要素进行位置优化，获得真值线性要素。

所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。

在一个可能的设计中，上述装置的结构中包括存储器和处理器，所述存储器用于存储一条或多条支持上述装置执行上述对应方法的计算机指令，所述处理器被配置为用于执行所述存储器中存储的计算机指令。上述装置还可以包括通信接口，用于上述装置与其他设备或通信网络通信。

第三方面，本公开实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器上的计算机程序，其中，所述处理器执行所述计算机程序以实现上述任一方面所述的方法。

第四方面，本公开实施例提供了一种计算机可读存储介质，用于存储上述任一装置所用的计算机指令，该计算机指令被处理器执行时用于实现上述任一方面所述的方法。

第五方面，本公开实施例提供了一种计算机程序产品，其包含计算机指令，该计算机指令被处理器执行时用于实现上述任一方面所述的方法。

本公开实施例提供的技术方案可以包括以下有益效果：

本实施例中，为了评测利用识别算法从当前点云数据识别出的线性要素的准确率等质量，基于当前点云数据和已有线性要素获取用于上述质量评测的真值线性要素。本实施例先基于当前点云数据获取已有线性要素相匹配的目标点云中心线，之后再利用目标点云中心线对该已有线性要素的位置约束，对已有线性要素上的各采样点进行位置优化，从而获得真值线性要素。通过本公开实施例，可以基于当前点云数据中目标点云中心线的位置坐标与现实道路上车道线、道路边缘线等线性要素相吻合，以及已有线性要素的其他属性信息准确的特点，将当前点云数据中的位置信息和已有线性要素的其他属性信息相结合，获得真值线性要素，从而减少了人工作业时间，提升了真值获取效率，从而提升了对识别算法识别的线性要素的质量评测准确度以及评测效率。

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示出根据本公开一实施方式的真值获取方法的流程图。

图2示出根据本公开一实施方式的真值获取装置的结构框图。

图3示出根据本公开一实施方式的电子设备的结构框图。

图4是适于用来实现根据本公开一实施方式的真值获取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方式，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方式无关的部分。

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。

本公开所涉及的用户信息(包括但不限于用户设备信息如位置信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

下面通过具体实施例详细介绍本公开实施例的细节。

图1示出根据本公开一实施方式的真值获取方法的流程图。如图1所示，该真值获取方法包括以下步骤：

在步骤S101中，获取基于历史点云数据制作的已有线性要素以及当前点云数据；

在步骤S102中，从所述当前点云数据中确定与所述已有线性要素相匹配的目标点云中心线；

在步骤S103中，利用所述目标点云中心线对所述已有线性要素进行位置优化，获得真值线性要素。

本实施例中，该真值获取方法可以在服务器上执行。已有线性要素可以是已制作的高精地图数据中的线性要素，比如车道线、道路边缘等连续、线性的地图要素。历史点云数据可以是用于制作已有的高精地图数据所依据的点云数据。当前点云数据可以理解为最新采集的点云数据，是用来更新已有高精地图数据的点云数据。

为了保证已有高精地图数据的鲜度，通常会定期采集新的点云数据，本实施例中可以将新采集的点云数据称之为当前点云数据。为了能够高效地从当前点云数据中识别出矢量数据，比如从当前点云数据中识别出高精地图数据中的线性要素等，可以利用相应的识别算法对当前点云数据进行识别，得到最新的矢量数据，该最新的矢量数据可用于更新已有高精地图数据。为了评测或者改进识别算法的识别准确率，可以利用相应的真值对识别算法从当前点云数据中识别出的最新的矢量数据进行质量评测。然而，如背景技术所述，相应的真值无法从已有地图数据中直接获得，为此本公开实施例，提出了一种真值获取方案。本公开实施例中，主要针对线性要素获取对应的真值。

为此，本公开实施例获取基于历史点云数据制作的已有线性要素，也即已有高精地图数据中的已有线性要素，还获取当前点云数据。已有高精地图数据中的已有线性要素例如可以是母库数据。可以理解的是，当前点云数据可以是针对一条或者多条现实道路采集的点云数据，而已有线性要素可以是该当前点云数据所覆盖的现实道路，在已有高精地图数中已制作的地图要素。也就是说，已有线性要素所在的区域和当前点云数据所覆盖的区域相同。可以理解的是，该当前点云数据可以预先已经输入至识别算法，并由识别算法识别出了相应的矢量数据，比如当前点云数据对应于现实世界中道路上的车道线、道路边缘线等线性要素。在一些实施例中，该矢量数据可以包括但不限于该线性要素上各位置点的位置坐标、长度、方向等数据。

如背景技术所述，为了评测上述识别算法识别出的线性要素的质量，需要获取对应的真值，然而由于现实世界中道路不断在变化等原因，已有高精地图数据中的矢量数据不能直接作为待评测的矢量数据的真值。为此，本公开实施例提出了利用当前点云数据，对已有高精地图数据中的已有线性要素进行优化，得到能够作为真值的真值线性要素的技术方案。

本公开实施例，从当前点云数据中提取与已有线性要素相匹配的目标点云中心线。在一些实施例中，可以对当前点云数据进行语义分割，得到与已有线性要素位置相匹配的部分点云数据，进而从该部分点云数据中提取目标点云中心线。在另一些实施例中，也可以通过其他方式从当前点云数据中提取点云线，进而再通过位置等匹配得到与已有线性要素相匹配的目标点云中心线。

在一些实施例中，与已有线性要素位置相匹配的部分点云数据可以理解为，已有线性要素所在一片区域内的点云数据。对该部分点云数据进行处理，例如提取部分点云数据中的点云中心点，对应于现实道路上的同一车道线、道路边缘线等的多个点云中心点，可以形成目标点云中心线。在另一些实施例中，还可以通过对该部分点云数据进行直线拟合等方式，提取出目标点云中心线。可以理解的是，从部分点云数据可以提取出一条或多条目标点云中心线。该目标点云中心线可以理解为对应于现实道路上的车道线、道路边缘线等。

考虑到由于现实道路中道路不断在变化，已有线性要素的位置坐标与现实道路中的车道线、道路边缘线等的位置坐标之间可能存在误差，从而导致当前点云数据中提取出的目标点云中心线与该已有线性要素之间存在一定的距离误差。而目标点云中心线对应于现实道路上车道线、道路边缘线等，在当前点云数据精度较高时，目标点云中心线的位置坐标与现实道路上的车道线、道路边缘线等的位置坐标基本相吻合。基于此，真值线性要素的位置坐标可以参考目标点云中心线的位置坐标，而真值线性要素的其他属性信息比如几何数据、拓扑连接等可以沿用已有线性要素。因此，可以基于目标点云中心线对已有线性要素的位置约束，基于已有线性要素确定真值线性要素。可以理解的是，利用目标点云中心线对该已有线性要素的位置进行优化后，可以得到真值线性要素。而真值线性要素的其他属性信息与对应的已有线性要素一致。

本实施例中，为了评测利用识别算法从当前点云数据识别出的线性要素的准确率等质量，基于当前点云数据和已有线性要素获取用于上述质量评测的真值线性要素。本实施例先基于当前点云数据获取已有线性要素相匹配的目标点云中心线，之后再利用目标点云中心线对该已有线性要素的位置约束，对已有线性要素上的各采样点进行位置优化，从而获得真值线性要素。通过本公开实施例，可以基于当前点云数据中目标点云中心线的位置坐标与现实道路上车道线、道路边缘线等线性要素相吻合，以及已有线性要素的其他属性信息准确的特点，将当前点云数据中的位置信息和已有线性要素的其他属性信息相结合，获得真值线性要素，从而减少了人工作业时间，提升了真值获取效率，从而提升了对识别算法识别的线性要素的质量评测准确度以及评测效率。

在本实施例的一个可选实现方式中，步骤S102，即从所述当前点云数据中确定与所述已有线性要素相匹配的目标点云中心线的步骤，进一步包括以下步骤：

从所述当前点云数据中提取至少一条候选点云中心线；

基于所述候选点云中心线的线性属性信息，确定与所述已有线性要素相匹配的目标点云中心线。

该可选的实现方式中，当前点云数据可以是针对一条或多条现实道路采集的点云数据，从该当前点云数据可以提取出一条或多条候选点云中心线。在一些实施例中，可以通过对当前点云数据进行语义分割，并基于分割后的部分点云数据提取中心点，并基于中心点得到候选点云中心线。在另一些实施例中，也可以对语义分割后的部分点云数据进行直线拟合得到候选点云中心线。

针对当前点云数据，可以获得一条或者多条候选点云中心线。基于提取出的该一条或者多条候选点云中心线，可以将其与已有线性要素进行匹配。在一些实施例中，可以利用候选点云中心线的线性属性信息，匹配已有线性要素。可以理解的是，同一条道路上的已有线性要素可以包括多个，而该同一条道路上采集的当前点云数据中也可以提取出一条或多条候选点云中心线。通过该一条或多条候选点云中心线的线性属性信息，与多个已有线性要素进行匹配，一个已有线性要素可能会匹配到一条或多条候选点云中心线，该一条或多条候选点云中心线可以确定为与该已有线性要素相匹配的目标点云中心线。

在一些实施例中，候选点云中心线的线性属性信息可以包括但不限于该候选点云中心线的位置坐标(包括水平面坐标和高度坐标)、几何方向、几何长度、线性类型等。在一些实施例中，线性类型可以包括但不限于实线类型和虚线类型。在一些实施例中，线性类型可以基于该候选点云中心线的宽度与长度之比来确定，假如该候选点云中心线的宽度与长度之比较大，如大于预设上限值，则可以认为该候选点云中心线为虚线类型，并且可以认为是一条虚线车道线上的其中一段。而假如该候选点云中心线的宽度与长度之比较小，如小于预设下限值，则可以认为该候选点云中心线为实现类型。

在本实施例的一个可选实现方式中，基于所述候选点云中心线的线性属性信息，确定与所述已有线性要素相匹配的目标点云中心线的步骤，进一步包括以下步骤：

基于所述候选点云中心线与所述已有线性要素之间的水平面距离、高度差、方向夹角和/或线性类型，确定所述目标点云中心线。

该可选的实现方式中，如上文中所述，已有线性要素的位置坐标与现实道路上的车道线、道路边缘线等的位置坐标有一定的误差，由此可知，目标点云中心线的位置坐标可以位于该已有线性要素周边、且在一定误差范围内。因此，本公开实施例中可以预先在水平面上确定一水平误差范围，并基于候选点云中心线的位置坐标点至该已有线性要素的位置坐标的水平面距离来确定该候选点云中心线是否位于该水平误差范围内。此外，还可以基于两者的高度差确定该候选点云中心线与已有线性要素的高度是否一致，如果不一致则说明该候选点云中心线和已有线性要素属于不同的道路，比如一个属于地面道路，一个属于高架道路等；还可以基于两者的方向夹角确定该候选点云中心线与已有线性要素的几何方向是否一致；还可以确定两者的线性类型是否一致。如果水平面距离在误差范围内、高度一致、方向夹角小于预设夹角、线性类型一致的情况下，可以认为该候选点云中心线与该已有线性要素相匹配，是该已有线性要素对应的目标点云中心线。

在本实施例的一个可选实现方式中，步骤S103，即利用所述目标点云中心线对所述已有线性要素进行位置优化，获得真值线性要素的步骤，进一步包括以下步骤：

至少基于所述目标点云中心线与所述已有线性要素之间的位置误差，对所述已有线性要素的位置进行优化，得到优化线性要素；

基于所述优化线性要素的线性属性以及与所述目标点云中心线的匹配程度，确定所述优化线性要素的置信度；

将所述置信度高于预设置信度阈值的所述优化线性要素确定为真值线性要素。

该可选的实现方式中，如上文中所述，目标点云中心线的位置坐标与现实道路上车道线、道路边缘线等的位置坐标基本相吻合，而已有线性要素的位置坐标存在一定误差，但是其他属性信息是准确的，因此可以基于该目标点云中心线与相匹配的已有线性要素之间的位置误差，对该已有线性要素的位置进行优化，得到优化线性要素；该优化线性要素与已有线性要素的不同在于全部或者部分位置点的位置坐标不同，而其他属性信息均相同。

考虑到某些优化线性要素可能达不到真值线性要素的标准，本公开实施例还进一步基于优化线性要素自身的线性属性以及与目标点云中心线的匹配程度，确定该优化线性要素是否为真值线性要素的置信度。在一些实施例中，线性属性可以包括但不限于该优化线性要素的平滑程度等。优化线性要素与目标点云中心线的匹配程度可以从多方面衡量，比如两者之间的距离误差、线性属性误差等。线性属性可以包括但不限于线性类型，比如实线、虚线、长线、短线等。在一些实施例中，可以将上述优化线性要素的线性属性、与目标点云中心线的匹配程度等衡量指标进行加权求和后，可以得到该优化线性要素的置信度。

假如该优化线性要素的平滑度较高，则对应于该线性属性的指标较高；而优化线性要素，与目标点云中心线的距离误差较小，则可以认为该优化线性要素的该指标较高，而假如该优化线性要素的线性类型与目标点云中心线的一致，则该指标也较高。这样该优化线性要素的置信度则会较高。该置信度高于预设置信度阈值时，可以认为该优化线性要素为真值线性要素，否则该优化线性要素可能不是真值线性要素，需要进一步做判断，例如可以交由人工进行判断。

在本实施例的一个可选实现方式中，至少基于所述目标点云中心线与所述已有线性要素之间的位置误差，对所述已有线性要素的位置进行优化，得到优化线性要素的步骤，进一步包括以下步骤：

至少将优化线性要素上多个优化位置点至所述目标点云中心线的距离误差最小作为约束条件，对所述已有线性要素上的原位置点的位置进行优化；

基于优化结果确定所述优化线性要素上多个优化位置点的位置坐标。

该可选的实现方式中，可以构建目标点云中心线与已有线性要素的距离误差方程，对该距离误差方程进行优化求解，最终使得已有线性要素上各个位置点的优化位置点至目标点云中心线的距离误差最小，例如优化线性要素上各个优化位置点至目标点云中心线的距离之和最小。在求解该距离误差方程时，可以不断尝试将已有线性要素上的多个原位置点(可以是多个采样点)更新为新位置点，该新位置点分别至目标点云中心线的距离之和最小时，可以认为得到了优化结果，该新位置点即为原位置点对应的优化位置点，从而可以确定优化线性要素上各个优化位置点的位置坐标。

在本实施例的一个可选实现方式中，至少将优化线性要素上多个优化位置点至所述目标点云中心线的距离误差最小作为约束条件，对所述已有线性要素上的原位置点的位置进行优化的步骤，进一步包括以下步骤：

将优化线性要素上多个优化位置点分别至所述目标点云中心线的距离误差、优化线性要素上多个优化位置点至相应的所述已有线性要素上的原位置点的距离误差、优化线性要素上多个优化位置点处的平滑度的组合为所述约束条件，对所述已有线性要素上的原位置点在预设范围内进行位置优化。

该可选的实现方式中，在优化已有线性要素上各个原位置点时，除了将多个优化位置点至目标点云中心线的距离误差作为约束条件，还可以将多个优化位置点至对应的原位置点的距离误差和多个优化位置点处的平滑度作为约束条件，这三个约束条件组合一起后，能够使得该三者之和最小的位置点为最终的优化位置点，此外优化后位置点的位置坐标不能超出原位置点所在预设范围。

利用多个优化位置点至目标点云中心线的距离作为约束条件的目的是，真值线性要素的位置应该与目标点云中心线的位置基本吻合，至少不应该相差过大，所以两者之前的距离误差越小越好。此外，原位置点至优化位置点的距离不应过大，虽然已有线性要素在位置上有一定误差，但是该误差应该在一定范围内，如果优化前的原位置点至优化后的优化位置点之间的距离过大，则说明该优化位置点不是最终优化的位置点。另外，优化位置点处于真值线性要素上，真值线性要素对应于现实世界中的车道线、道路边缘线等，应当是平滑的线，如果某个或某些优化位置点处的平滑度较小，该处可能存在折线等，因此该优化位置点不是最终优化的位置点。

在一些实施例中，可以利用如下优化方程对已有线性要素上的原位置点进行优化求解：

其中，x为优化位置点，i为第i个优化位置点，n为优化位置点个数，dist为第i个优化位置点至目标点云中心线的距离，|δx|为第i个优化后位置点与原位置点之间的距离差，|gradient|为第i个优化位置点处的梯度，用于表示第i个优化位置点处的平滑度。

在本实施例的一个可选实现方式中，步骤S102，即从所述当前点云数据中确定与所述已有线性要素相匹配的目标点云中心线的步骤，进一步包括以下步骤：

基于所述已有线性要素的位置坐标，从所述当前点云数据中分割出对应于所述已有线性要素所在预设范围的目标点云数据；

基于所述目标点云数据确定出目标点云中心线。

该可选的实现方式中，可以预先对当前点云数据进行语义分割，也即按照已有线性要素的位置坐标，从当前点云数据中分割出每个已有线性要素所在预设范围内的目标点云数据。

之后，可以从该目标点云数据提取目标点云中心线。由于预先对大面积的当前点云数据进行了语义分割，利用分割后的目标点云数据提取目标点云中心线，能够提高目标点云中心线的准确率。

在本实施例的一个可选实现方式中，基于所述目标点云数据确定出目标点云中心线的步骤，进一步包括以下步骤：

从所述目标点云数据中提取中心点，基于所述中心点确定所述目标点云中心线。

该可选的实现方式中，由于目标点云数据是基于已有线性要素的位置坐标，从当前点云数据分割的部分点云数据，而已有线性要素又呈现线性形状，其在纵向方向上具有较大长度，而在横向方向上具有相对较小的宽度。因此，可以通过在横向方向上提取中心点的方式，获得目标点云中心线。也即在横向方向上选取目标点云数据的点云中心点，在纵向方向上将提取出的点云中心点相连即可获得目标点云中心线。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

图2示出根据本公开一实施方式的真值获取装置的结构框图。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2所示，该真值获取装置包括：

第一获取模块201，被配置为获取基于历史点云数据制作的已有线性要素以及当前点云数据；

确定模块202，被配置为从所述当前点云数据中确定与所述已有线性要素相匹配的目标点云中心线；

第二获取模块203，被配置为利用所述目标点云中心线对所述已有线性要素进行位置优化，获得真值线性要素。

本实施例中，该真值获取装置可以在服务器上执行。已有线性要素可以是已制作的高精地图数据中的线性要素，比如车道线、道路边缘等连续、线性的地图要素。历史点云数据可以是用于制作已有的高精地图数据所依据的点云数据。当前点云数据可以理解为最新采集的点云数据，是用来更新已有高精地图数据的点云数据。

为了保证已有高精地图数据的鲜度，通常会定期采集新的点云数据，本实施例中可以将新采集的点云数据称之为当前点云数据。为了能够高效地从当前点云数据中识别出矢量数据，比如从当前点云数据中识别出高精地图数据中的线性要素等，可以利用相应的识别算法对当前点云数据进行识别，得到最新的矢量数据，该最新的矢量数据可用于更新已有高精地图数据。为了评测或者改进识别算法的识别准确率，可以利用相应的真值对识别算法从当前点云数据中识别出的最新的矢量数据进行质量评测。然而，如背景技术所述，相应的真值无法从已有地图数据中直接获得，为此本公开实施例，提出了一种真值获取方案。本公开实施例中，主要针对线性要素获取对应的真值。

为此，本公开实施例获取基于历史点云数据制作的已有线性要素，也即已有高精地图数据中的已有线性要素，还获取当前点云数据。已有高精地图数据中的已有线性要素例如可以是母库数据。可以理解的是，当前点云数据可以是针对一条或者多条现实道路采集的点云数据，而已有线性要素可以是该当前点云数据所覆盖的现实道路，在已有高精地图数中已制作的地图要素。也就是说，已有线性要素所在的区域和当前点云数据所覆盖的区域相同。可以理解的是，该当前点云数据可以预先已经输入至识别算法，并由识别算法识别出了相应的矢量数据，比如当前点云数据对应于现实世界中道路上的车道线、道路边缘线等线性要素。在一些实施例中，该矢量数据可以包括但不限于该线性要素上各位置点的位置坐标、长度、方向等数据。

如背景技术所述，为了评测上述识别算法识别出的线性要素的质量，需要获取对应的真值，然而由于现实世界中道路不断在变化等原因，已有高精地图数据中的矢量数据不能直接作为待评测的矢量数据的真值，为此，本公开实施例提出了利用当前点云数据，对已有高精地图数据中的已有线性要素进行优化，得到能够作为真值的真值线性要素。

本公开实施例，从当前点云数据中提取与已有线性要素相匹配的目标点云中心线。在一些实施例中，可以对当前点云数据进行语义分割，得到与已有线性要素位置相匹配的部分点云数据，进而从该部分点云数据中提取目标点云中心线。在另一些实施例中，也可以通过其他方式从当前点云数据中提取点云线，进而再通过位置等匹配得到与已有线性要素相匹配的目标点云中心线。

在一些实施例中，与已有线性要素位置相匹配的部分点云数据可以理解为，已有线性要素所在一片区域内的点云数据。对该部分点云数据进行处理，例如提取部分点云数据中的点云中心点，对应于现实道路上的同一车道线、道路边缘线等的多个点云中心点，可以形成目标点云中心线。在另一些实施例中，还可以通过对该部分点云数据进行直线拟合等方式，提取出目标点云中心线。可以理解的是，从部分点云数据可以提取出一条或多条目标点云中心线。该目标点云中心线可以理解为对应于现实道路上的车道线、道路边缘线等。

考虑到由于现实道路中道路不断在变化，已有线性要素的位置坐标与现实道路中的车道线、道路边缘线等的位置坐标之间可能存在误差，从而导致当前点云数据中提取出的目标点云中心线与该已有线性要素之间存在一定的距离误差。而目标点云中心线对应于现实道路上车道线、道路边缘线等，在当前点云数据精度较高时，目标点云中心线的位置坐标与现实道路上的车道线、道路边缘线等的位置坐标基本相吻合。基于此，真值线性要素的位置坐标可以参考目标点云中心线的位置坐标，而真值线性要素的其他属性信息比如几何数据、拓扑连接等可以沿用已有线性要素。因此，可以基于目标点云中心线对已有线性要素的位置约束，基于已有线性要素确定真值线性要素。可以理解的是，利用目标点云中心线对该已有线性要素的位置进行优化后，可以得到真值线性要素。而真值线性要素的其他属性信息与对应的已有线性要素一致。

本实施例中，为了评测利用算法从当前点云数据识别出的线性要素的准确率等质量，基于当前点云数据和已有线性要素获取用于上述质量评测的真值线性要素。本实施例先基于当前点云数据获取已有线性要素相匹配的目标点云中心线，之后再利用目标点云中心线对该已有线性要素的位置约束，对已有线性要素上的各采样点进行位置优化，从而获得真值线性要素。通过本公开实施例，可以基于当前点云数据中目标点云中心线的位置坐标与现实道路上车道线、道路边缘线等线性要素相吻合，以及已有线性要素的其他属性信息准确的特点，将当前点云数据中的位置信息和已有线性要素的其他属性信息相结合，获得真值线性要素，从而减少了人工作业时间，提升了真值获取效率，从而提升了对算法识别的线性要素的质量评测准确度以及评测效率。

在本实施例的一个可选实现方式中，所述确定模块，可被实施为：

从所述当前点云数据中提取至少一条候选点云中心线；

基于所述候选点云中心线的线性属性信息，确定与所述已有线性要素相匹配的目标点云中心线。

该可选的实现方式中，当前点云数据可以是针对一条或多条现实道路采集的点云数据，从该当前点云数据可以提取出一条或多条候选点云中心线。在一些实施例中，可以通过对当前点云数据进行语义分割，并基于分割后的部分点云数据提取中心点，并基于中心点得到候选点云中心线。在另一些实施例中，也可以对语义分割后的部分点云数据进行直线拟合得到候选点云中心线。

针对当前点云数据，可以获得一条或者多条候选点云中心线。基于提取出的该一条或者多条候选点云中心线，可以将其与已有线性要素进行匹配。在一些实施例中，可以利用候选点云中心线的线性属性信息，匹配已有线性要素。可以理解的是，同一条道路上的已有线性要素可以包括多个，而该同一条道路上采集的当前点云数据中也可以提取出一条或多条候选点云中心线。通过该一条或多条候选点云中心线的线性属性信息，与多个已有线性要素进行匹配，一个已有线性要素可能会匹配到一条或多条候选点云中心线，该一条或多条候选点云中心线可以确定为与该已有线性要素相匹配的目标点云中心线。

在一些实施例中，候选点云中心线的线性属性信息可以包括但不限于该候选点云中心线的位置坐标(包括水平面坐标和高度坐标)、几何方向、几何长度、线性类型等。在一些实施例中，线性类型可以包括但不限于实线类型和虚线类型。在一些实施例中，线性类型可以基于该候选点云中心线的宽度与长度之比来确定，假如该候选点云中心线的宽度与长度之比较大，如大于预设上限值，则可以认为该候选点云中心线为虚线类型，并且可以认为是一条虚线车道线上的其中一段。而假如该候选点云中心线的宽度与长度之比较小，如小于预设下限值，则可以认为该候选点云中心线为实现类型。

在本实施例的一个可选实现方式中，基于所述候选点云中心线的线性属性信息，确定与所述已有线性要素相匹配的目标点云中心线，可进一步被实施为：

基于所述候选点云中心线与所述已有线性要素之间的水平面距离、高度差、方向夹角和/或线性类型，确定所述目标点云中心线。

该可选的实现方式中，如上文中所述，已有线性要素的位置坐标与现实道路上的车道线、道路边缘线等的位置坐标有一定的误差，由此可知，目标点云中心线的位置坐标可以位于该已有线性要素周边、且在一定误差范围内。因此，本公开实施例中可以预先在水平面上确定一水平误差范围，并基于候选点云中心线的位置坐标点至该已有线性要素的位置坐标的水平面距离来确定该候选点云中心线是否位于该水平误差范围内。此外，还可以基于两者的高度差确定该候选点云中心线与已有线性要素的高度是否一致，如果不一致则说明该候选点云中心线和已有线性要素属于不同的道路，比如一个属于地面道路，一个属于高架道路等；还可以基于两者的方向夹角确定该候选点云中心线与已有线性要素的几何方向是否一致；还可以确定两者的线性类型是否一致。如果水平面距离在误差范围内、高度一致、方向夹角小于预设夹角、线性类型一致的情况下，可以认为该候选点云中心线与该已有线性要素相匹配，是该已有线性要素对应的目标点云中心线。

在本实施例的一个可选实现方式中，所述第二获取模块，可被实施为：

至少基于所述目标点云中心线与所述已有线性要素之间的位置误差，对所述已有线性要素的位置进行优化，得到优化线性要素；

基于所述优化线性要素的线性属性以及与所述目标点云中心线的匹配程度，确定所述优化线性要素的置信度；

将所述置信度高于预设置信度阈值的所述优化线性要素确定为真值线性要素。

该可选的实现方式中，如上文中所述，目标点云中心线的位置坐标与现实道路上车道线、道路边缘线等的位置坐标基本相吻合，而已有线性要素的位置坐标存在一定误差，但是其他属性信息是准确的，因此可以基于该目标点云中心线与相匹配的已有线性要素之间的位置误差，对该已有线性要素的位置进行优化，得到优化线性要素；该优化线性要素与已有线性要素的不同在于全部或者部分位置点的位置坐标不同，而其他属性信息均相同。

考虑到某些优化线性要素可能达不到真值线性要素的标准，本公开实施例还进一步基于优化线性要素自身的线性属性以及与目标点云中心线的匹配程度，确定该优化线性要素是否为真值线性要素的置信度。在一些实施例中，线性属性可以包括但不限于该优化线性要素的平滑程度等。优化线性要素与目标点云中心线的匹配程度可以从多方面衡量，比如两者之间的距离误差、线性属性误差等。线性属性可以包括但不限于线性类型，比如实线、虚线、长线、短线等。在一些实施例中，可以将上述优化线性要素的线性属性、与目标点云中心线的匹配程度等衡量指标进行加权求和后，可以得到该优化线性要素的置信度。

假如该优化线性要素的平滑度较高，则对应于该线性属性的指标较高；而优化线性要素，与目标点云中心线的距离误差较小，则可以认为该优化线性要素的该指标较高，而假如该优化线性要素的线性类型与目标点云中心线的一致，则该指标也较高。这样该优化线性要素的置信度则会较高。该置信度高于预设置信度阈值时，可以认为该优化线性要素为真值线性要素，否则该优化线性要素可能不是真值线性要素，需要进一步做判断，例如可以交由人工进行判断。

在本实施例的一个可选实现方式中，至少基于所述目标点云中心线与所述已有线性要素之间的位置误差，对所述已有线性要素的位置进行优化，得到优化线性要素，可进一步被实施为：

至少将优化线性要素上多个优化位置点至所述目标点云中心线的距离误差最小作为约束条件，对所述已有线性要素上的原位置点的位置进行优化；

基于优化结果确定所述优化线性要素上多个优化位置点的位置坐标。

该可选的实现方式中，可以构建目标点云中心线与已有线性要素的距离误差方程，对该距离误差方程进行优化求解，最终使得已有线性要素上各个位置点的优化位置点至目标点云中心线的距离误差最小，例如优化线性要素上各个优化位置点至目标点云中心线的距离之和最小。在求解该距离误差方程时，可以不断尝试将已有线性要素上的多个原位置点(可以是多个采样点)更新为新位置点，该新位置点分别至目标点云中心线的距离之和最小时，可以认为得到了优化结果，该新位置点即为原位置点对应的优化位置点，从而可以确定优化线性要素上各个优化位置点的位置坐标。

在本实施例的一个可选实现方式中，至少将优化线性要素上多个优化位置点至所述目标点云中心线的距离误差最小作为约束条件，对所述已有线性要素上的原位置点的位置进行优化，可进一步被实施为：

将优化线性要素上多个优化位置点分别至所述目标点云中心线的距离误差、优化线性要素上多个优化位置点至相应的所述已有线性要素上的原位置点的距离误差、优化线性要素上多个优化位置点处的平滑度的组合为所述约束条件，对所述已有线性要素上的原位置点在预设范围内进行位置优化。

该可选的实现方式中，在优化已有线性要素上各个原位置点时，除了将多个优化位置点至目标点云中心线的距离误差作为约束条件，还可以将多个优化位置点至对应的原位置点的距离误差和多个优化位置点处的平滑度作为约束条件，这三个约束条件组合一起后，能够使得该三者之和最小的位置点为最终的优化位置点，此外优化后位置点的位置坐标不能超出原位置点所在预设范围。

利用多个优化位置点至目标点云中心线的距离作为约束条件的目的是，真值线性要素的位置应该与目标点云中心线的位置基本吻合，至少不应该相差过大，所以两者之前的距离误差越小越好。此外，原位置点至优化位置点的距离不应过大，虽然已有线性要素在位置上有一定误差，但是该误差应该在一定范围内，如果优化前的原位置点至优化后的优化位置点之间的距离过大，则说明该优化位置点不是最终优化的位置点。另外，优化位置点处于真值线性要素上，真值线性要素对应于现实世界中的车道线、道路边缘线等，应当是平滑的线，如果某个或某些优化位置点处的平滑度较小，该处可能存在折线等，因此该优化位置点不是最终优化的位置点。

在一些实施例中，可以利用如下优化方程对已有线性要素上的原位置点进行优化求解：

其中，x为优化位置点，i为第i个优化位置点，n为优化位置点个数，dist为第i个优化位置点至目标点云中心线的距离，|δx|为第i个优化后位置点与原位置点之间的距离差，|gradient|为第i个优化位置点处的梯度，用于表示第i个优化位置点处的平滑度。

在本实施例的一个可选实现方式中，所述确定模块，可被实施为：

基于所述已有线性要素的位置坐标，从所述当前点云数据中分割出对应于所述已有线性要素所在预设范围的目标点云数据；

基于所述目标点云数据确定出目标点云中心线。

该可选的实现方式中，可以预先对当前点云数据进行语义分割，也即按照已有线性要素的位置坐标，从当前点云数据中分割出每个已有线性要素所在预设范围内的目标点云数据。

之后，可以从该目标点云数据提取目标点云中心线。由于预先对大面积的当前点云数据进行了语义分割，利用分割后的目标点云数据提取目标点云中心线，能够提高目标点云中心线的准确率。

在本实施例的一个可选实现方式中，基于所述目标点云数据确定出目标点云中心线，可进一步被实施为：

从所述目标点云数据中提取中心点，基于所述中心点确定所述目标点云中心线。

该可选的实现方式中，由于目标点云数据是基于已有线性要素的位置坐标，从当前点云数据分割的部分点云数据，而已有线性要素又呈现线性形状，其在纵向方向上具有较大长度，而在横向方向上具有相对较小的宽度。因此，可以通过在横向方向上提取中心点的方式，获得目标点云中心线。也即在横向方向上选取目标点云数据的点云中心点，在纵向方向上将提取出的点云中心点相连即可获得目标点云中心线。

本公开还公开了一种电子设备，图3示出根据本公开一实施方式的电子设备的结构框图，如图3所示，所述电子设备300包括存储器301和处理器302；其中，

所述存储器301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302执行以实现上述方法步骤。

图4是适于用来实现根据本公开一实施方式的真值获取方法的计算机系统的结构示意图。

如图4所示，计算机系统400包括处理单元401，其可实现为CPU、GPU、FPGA、NPU等处理单元。处理单元401可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行本公开上述任一方法的实施方式中的各种处理。在RAM403中，还存储有计算机系统400操作所需的各种程序和数据。处理单元401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；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407；包括硬盘等的存储部分408；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409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，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410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408。

特别地，根据本公开的实施方式，上文参考本公开实施方式中的任一方法可以被实现为计算机软件程序。例如，本公开的实施方式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本公开实施方式中任一方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411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方式的系统、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。

描述于本公开实施方式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方式中所述装置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 (11)

1.一种真值获取方法，其中，包括：

获取基于历史点云数据制作的已有线性要素以及当前点云数据；

从所述当前点云数据中确定与所述已有线性要素相匹配的目标点云中心线；

利用所述目标点云中心线对所述已有线性要素进行位置优化，获得真值线性要素。

2.根据权利要求1所述的方法，其中，从所述当前点云数据中确定与所述已有线性要素相匹配的目标点云中心线，包括：

从所述当前点云数据中提取至少一条候选点云中心线；

基于所述候选点云中心线的线性属性信息，确定与所述已有线性要素相匹配的目标点云中心线。

3.根据权利要求2所述的方法，其中，基于所述候选点云中心线的线性属性信息，确定与所述已有线性要素相匹配的目标点云中心线，包括：

基于所述候选点云中心线与所述已有线性要素之间的水平面距离、高度差、方向夹角和/或线性类型，确定所述目标点云中心线。

4.根据权利要求1或2所述的方法，其中，利用所述目标点云中心线对所述已有线性要素进行位置优化，获得真值线性要素，包括：

至少基于所述目标点云中心线与所述已有线性要素之间的位置误差，对所述已有线性要素的位置进行优化，得到优化线性要素；

基于所述优化线性要素的线性属性以及与所述目标点云中心线的匹配程度，确定所述优化线性要素的置信度；

将所述置信度高于预设置信度阈值的所述优化线性要素确定为真值线性要素。

5.根据权利要求4所述的方法，其中，至少基于所述目标点云中心线与所述已有线性要素之间的位置误差，对所述已有线性要素的位置进行优化，得到优化线性要素，包括：

至少将优化线性要素上多个优化位置点至所述目标点云中心线的距离误差最小作为约束条件，对所述已有线性要素上的原位置点的位置进行优化；

基于优化结果确定所述优化线性要素上多个优化位置点的位置坐标。

6.根据权利要求5所述的方法，其中，至少将优化线性要素上多个优化位置点至所述目标点云中心线的距离误差最小作为约束条件，对所述已有线性要素上的原位置点的位置进行优化，包括：

将优化线性要素上多个优化位置点分别至所述目标点云中心线的距离误差、优化线性要素上多个优化位置点至相应的所述已有线性要素上的原位置点的距离误差、优化线性要素上多个优化位置点处的平滑度的组合为所述约束条件，对所述已有线性要素上的原位置点在预设范围内进行位置优化。

7.根据权利要求1-2、5-6任一项所述的方法，其中，从所述当前点云数据中确定与所述已有线性要素相匹配的目标点云中心线，包括：

基于所述已有线性要素的位置坐标，从所述当前点云数据中分割出对应于所述已有线性要素所在预设范围的目标点云数据；

基于所述目标点云数据确定出目标点云中心线。

8.根据权利要求7所述的方法，其中，基于所述目标点云数据确定出目标点云中心线，包括：

从所述目标点云数据中提取中心点，基于所述中心点确定所述目标点云中心线。

9.一种真值获取装置，其中，包括：

第一获取模块，被配置为获取基于历史点云数据制作的已有线性要素以及当前点云数据；

确定模块，被配置为从所述当前点云数据中确定与所述已有线性要素相匹配的目标点云中心线；

第二获取模块，被配置为利用所述目标点云中心线对所述已有线性要素进行位置优化，获得真值线性要素。

10.一种电子设备，其中，包括存储器、处理器以及存储在存储器上的计算机程序，其中，所述处理器执行所述计算机程序以实现权利要求1-8任一项所述的方法。

11.一种计算机可读存储介质，其上存储有计算机指令，其中，该计算机指令被处理器执行时实现权利要求1-8任一项所述的方法。