CN118015580A - 一种基于点云的3d车道线检测方法、装置、设备及存储介质 - Google Patents
一种基于点云的3d车道线检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118015580A CN118015580A CN202410161373.0A CN202410161373A CN118015580A CN 118015580 A CN118015580 A CN 118015580A CN 202410161373 A CN202410161373 A CN 202410161373A CN 118015580 A CN118015580 A CN 118015580A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- lane line
- line detection
- detection result
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007429 general method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 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
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000011218 segmentation Effects 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
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于点云的3D车道线检测方法、装置、设备及存储介质。通过获取采集的点云数据,点云数据为三维空间中的坐标点;将点云数据转换为图像数据,图像数据为二维平面上的像素值;根据算法模型,对图像数据进行车道线检测,得到第一车道线检测结果,第一车道线检测结果为基于图像的2D车道线检测得到的2D检测结果;对第一车道线检测结果进行转换,得到第二车道线检测结果,第二车道线检测结果为基于点云的3D车道线检测得到的3D检测结果。本发明在基于图像的车道线检测时既可以充分利用业界开源的基于图像的算法模型,快速实现点云车道线检测,也可以充分利用业界开源的图像数据集构建图像车道线检测模型,从而极大地降低成本、提高效率。
Description
技术领域
本发明属于自动驾驶技术领域,具体涉及一种基于点云的3D车道线检测方法、装置、设备及存储介质。
背景技术
随着自动驾驶技术的快速发展,应用于自动驾驶的感知、控制、定位和高精地图等技术也在不断的发展,其目的就是为了保证自动驾驶车辆的安全,其中高精地图在自动驾驶过程中占据着重要作用,其为自动驾驶车辆提供当前行驶的道路和周围交通标示等信息,对车道偏移和轨迹规划起到了至关重要的作用,同时也为自动驾驶车辆提供了重要的安全保证。
高精地图的生成需要基于点云做3D车道线检测。基于点云的3D车道线检测,通常有2大类方法,一是采用传统的去噪、边沿检测等算法;二是采用基于深度学习的方式。这2大类方法,都需要设计专门针对点云的算法模型,如果是基于深度学习的方式,还需要专门标注点云数据进行模型训练。
申请人在运营过程中发现,现有的3D车道线检测技术,车道线检测效率较低,且基于点云的车道线检测模型构建困难,成本高。
发明内容
本发明的目的是要解决上述的技术问题,提供一种基于点云的3D车道线检测方法、装置、设备及存储介质。
为了解决上述问题,本发明按以下技术方案予以实现的:
根据本发明的一方面,提供了一种基于点云的3D车道线检测方法,包括:
获取采集的点云数据,所述点云数据为三维空间中的坐标点;
将所述点云数据转换为图像数据,所述图像数据为二维平面上的像素值;
根据算法模型,对所述图像数据进行车道线检测,得到第一车道线检测结果,所述第一车道线检测结果为基于图像的2D车道线检测得到的2D检测结果;
对所述第一车道线检测结果进行转换,得到第二车道线检测结果,所述第二车道线检测结果为基于点云的3D车道线检测得到的3D检测结果。
根据本发明的另一方面,提供了一种基于点云的3D车道线检测装置,包括:
获取点云数据模块,用于获取采集的点云数据,所述点云数据为三维空间中的坐标点;
转换点云数据模块,用于将所述点云数据转换为图像数据,所述图像数据为二维平面上的像素值;
得到第一检测结果模块,用于根据算法模型,对所述图像数据进行车道线检测,得到第一车道线检测结果,所述第一车道线检测结果为基于图像的2D车道线检测得到的2D检测结果;
得到第二检测结果模块,用于对所述第一车道线检测结果进行转换,得到第二车道线检测结果,所述第二车道线检测结果为基于点云的3D车道线检测得到的3D检测结果。
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实施例所述的基于点云的3D车道线检测方法。
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程序,所述计算机程序用于使处理器执行时实现本发明实施例所述的基于点云的3D车道线检测方法。
本发明实施例中,通过获取采集的点云数据,点云数据为三维空间中的坐标点;将点云数据转换为图像数据,图像数据为二维平面上的像素值;根据算法模型,对图像数据进行车道线检测,得到第一车道线检测结果,第一车道线检测结果为基于图像的2D车道线检测得到的2D检测结果;对第一车道线检测结果进行转换,得到第二车道线检测结果,第二车道线检测结果为基于点云的3D车道线检测得到的3D检测结果。本发明通过在进行基于图像的车道线检测时既可以根据需求充分利用业界开源的基于图像的算法模型,快速实现点云车道线检测,也可以充分利用业界开源的图像数据集构建基于图像的车道线检测模型,极大地降低成本、提高效率。
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
下面结合附图对本发明的具体实施方式作进一步详细的说明,其中:
图1是本发明实施例的一种基于点云的3D车道线检测方法的流程图;
图2是本发明实施例的一种基于点云的3D车道线检测装置的结构示意图;
图3是本发明实施例的一种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。
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
高精地图的生成需要基于点云做3D车道线检测。该任务的输入是点云,输出是一系列的车道线,每个车道线可以表示为空间中的一系列点,将这些点按顺序串联起来即可得到一条车道线。而每个点都表示为空间中的3D坐标。比如,某条车道线可表示为[(x1,y1,z1),(x2,y2,z2),...,(xn,yn,zn)]。
基于点云的3D车道线检测,通常有2大类方法,一是采用传统的去噪、边沿检测等算法;二是采用基于深度学习的方式。这2大类方法,都需要设计专门针对点云的算法模型,如果是基于深度学习的方式,还需要专门标注点云数据进行模型训练。业界大都基于图像进行2D车道线检测,检测结果是一系列的车道线,每个车道线可以表示为图片中的一系列2D像素坐标点,将这些点按顺序串联起来即可得到一条车道线。比如,基于图像进行车道线检测后,某条车道线可表示为[(x1,y1),(x2,y2),...,(xk,yk)]。
业界基于点云做3D车道线检测的相关算法模型、开源数据集都非常稀少,使得基于点云的车道线检测模型构建非常困难,成本也很高。
为此,本发明的目的是提供一种可以充分利用业界开源的图像车道线检测模型、图像数据集进行点云3D车道线检测模型的构建,从而极大地降低成本的基于点云的3D车道线检测方法。
图1是本发明实施例的一种基于点云的3D车道线检测方法的流程图,本实施例可适用于进行车道线检测的情况,该方法可以由一种基于点云的3D车道线检测装置来执行,该装置可以采用硬件和/或软件的形式实现,该装置可配置于电子设备中。如图1所示,该方法包括:
步骤101、获取采集的点云数据,点云数据为三维空间中的坐标点。
首先,使用采集设备获取点云数据,采集设备可选的如激光雷达。
具体的,点云数据是指在一个三维坐标系统中的一组向量的集合。扫描资料以点的形式记录,每一个点包含有三维坐标,并且可以携带有关该点属性的其他信息,例如颜色、反射率、强度等。点云数据通常由激光扫描仪、相机、三维扫描仪等设备获取,可以用于三维建模、场景重建、机器人导航、虚拟现实和增强现实等应用中。在本发明实施例中,点云数据为包含有空间三维坐标及intensity等属性的数据。
点云数据的主要特点是具有高精度、高分辨率和高纬度的几何信息,可以直观地表示空间中的物体形状、表面和纹理等信息。点云数据的处理和分析通常需要使用计算机视觉和计算机图形学的技术,例如点云滤波、配准、分割、重建、识别和分类等。
常用的点云数据为激光雷达采集的数据,激光雷达的非接触式测量特点,具有测量速度快、精度高、识别准确等优点。激光雷达每发射并接收一次,便可采集一个点的数据,因此点云数据可以看作是许多个三维坐标点构成的集合。
步骤102、将点云数据转换为图像数据,图像数据为二维平面上的像素值。
对获取到的点云数据进行转换,将其转换成图像数据,以便后续的车道线检测。
其中,图像数据是指用数值表示的各像素的灰度值的集合。
具体的,点云转换为图像的算法:
(1)根据需要,对点云数据进行预处理。
对点云数据进行点云裁剪,得到目标点云数据。点云裁剪的目的为可根据需要将点云数据的三维坐标(x,y,z)限定在特定范围,以便只包含一定范围内的点云。
示例性地,假设原始点云的范围为x、y、z方向都是-100米到100米,即该点云在x、y、z方向的最大值都是100米,最小值都是-100米。若只需要x、y、z方向-50米到50米范围内的点云,此时可以进行点云裁剪。裁剪方式为:假设某个点的坐标为(x0,y0,z0),如果-50<=x0<=50,-50<=y0<=50,-50<=z0<=50这三个条件都满足,则保留该点,否则丢弃该点。对该点云中的所有点都进行这三个条件的判定,并执行保留或丢弃操作。最终保留下来的点即为裁剪后的点云。
点云裁剪完成后,将目标点云数据中的异常点去除。
异常点通常是孤立点,删除方法可选的有多种,下面是列举的其中两种。
①该点附近一定范围内(比如5cm)没有其他点,将这些点进行删除。
②对每个点,寻找距离其最相近的k个点(比如k为50),计算这k个点与该点的平均距离,该平均距离称之为该点的近邻均距。所有点的近邻均距通常是一个高斯分布,其形状由均值和标准差决定。将近邻均距在特定标准差(比如一个标准差)之外的点删除。
(2)预处理完成后,进行地面提取。
由于车道线只会存在于地面,因此将地面提取出来能够过滤掉地面之上的车辆、行人等物体,提高后续车道线检测的效果。地面提取算法有很多种,常见的有:平面栅格法、点云法向量法、模型拟合法和面元网格法。本发明实施例列举一种示例方法如下:
①:在点云中随机选择3个不共线的点。假设选择的这3个点的坐标为p1(x1,y1,z1),p2(x2,y2,z2),p3(x3,y3,z3),如果(x1-x2)/(x1-x3)=(y1-y2)/(y1-y3)=(z1-z2)/(z1-z3),则说明p1,p2,p3这三个点在同一条直线上,需要重新随机选择3个点,直到选出的这三个点不共线。如果分子全部为0或者分母全部为0,则说明这3个点中有2个点是重合的,也需要重新随机选择3个点,直到选出的这三个点不共线。
②:由选择的3个不共线的点确定一个平面,该平面方程为Ax+By+Cz+D=0,其中A=(y2-y1)*(z3-z1)-(z2-z1)*(y3-y1);B=(x3-x1)*(z2-z1)-(x2-x1)*(z3-z1);C=(x2-x1)*(y3-y1)-(x3-x1)*(y2-y1);D=-(A*x1+B*y1+C*z1)。向量(A,B,C)为该平面的法向量,通常路面的法向量垂直于水平面,与z轴平行。因此,如果该步骤得到的法向量与z轴的夹角过大,也即小于某个阈值(比如0.98),则丢弃该平面,回到上一步骤(步骤①),重新选择3个不共线的点并计算得到一个平面方程。
③:计算点云中所有点到该平面的距离,如果某个点到该平面得距离小于一定阈值(比如10cm),则该点可称为该平面的内点,因此可计算得到该平面的内点的数量。具体的,计算某个点到平面的距离的方法,例如:点(x0,y0,z0)到平面Ax+By+Cz+D=0的距离为
④:重复上述步骤N次(比如N为100),从而得到N个平面方程及各自的内点数量,选择内点数量最多的那个平面方程作为最终的平面。
⑤:将最终的平面的内点提取出来,其余点可以丢弃。提取出来的内点便构成了路面,便于后续在这些内点上继续操作。
(3)确定点云数据转换成图像数据的转换精度。
点云转换为图像的基本思想是将点云鸟瞰图切分为一个一个的小网格,每个小网格转换为图像中的一个像素。网格的大小即为转换精度,比如转换精度为:X方向0.01m,Y方向0.02m。
(4)确定并记录点云数据与图像数据的坐标系映射关系,将点云数据对应映射至图像数据的像素点。
一般的点云坐标系,坐标原点为采集车中心,其x轴正方向指向采集车行驶的前方,y轴正方向指向采集车的左侧,z轴正方向指向天空。而图像的坐标原点为图像左上角,x轴正方向从图像左上角指向右上角,y轴正方向从左上角指向左下角。
因此,确定映射关系时需要先转换坐标,再平移坐标原点,然后再转换为像素坐标。即将点云数据的坐标进行转换,平移坐标原点,再根据转换精度,得到像素坐标,并将它们之间的映射关系以字典形式进行记录。
其中,采集车一般由定位器、传感器、数据处理器等硬件设备组成。定位器一般采用高精度GPS定位设备,能够准确获取车辆的位置信息;传感器包括激光雷达(即本发明实施例中用于采集点云数据的设备)、相机、毫米波雷达等,用于感知周围环境,获取交通流量、车辆行驶状态等信息;数据处理器则对采集到的数据进行处理和分析,生成有用的交通数据。
具体的,坐标转换:针对点云数据中的每个点,x=-Y,y=-X,其中大写字母表示点云数据的坐标,小写字母表示转换后的图像坐标。原点平移:x=x-x_min,y=y-y_min,其中x_min,y_min分别表示转换后的x、y的最小值。x=int(x/r_x),y=int(y/r_y),其中r_x为X方向精度,r_y为Y方向精度,int()表示向下取整数。从而得到每个点映射到图像后的像素坐标,即(X,Y,Z)->(x,y)。
接着以字典形式记录该映射关系,key为像素坐标,value为点云坐标:{(x,y):
[(X,Y,Z),...]},可能存在多个点映射到同一个像素,因此该映射是一对多映射,value为一连串的点坐标。也可能存在某个像素坐标,没有任何点映射到该像素坐标。
(5)进行像数值填充,像素值为像素点对应映射关系的点云数据的intensity值或z值。
空间中的每个点都被映射到图像中的某个像素点,该像素点的数值(像素值)可以取该点的intensity值或z值,然后归一化到0~255区间。如果有多个点映射到相同的像素点,则可以取这些点的intensity值或z值的平均值,然后再归一化到0~255区间。如果某个像素点没有任何点云中的点映射到该像素点,则其像素值设置为0。
具体的,归一化方法为:假设总共有N个像素点,这N个像素点的原始值为[v1,v2,…,vN],其最大值为vmax=max([v1,v2,…,vN]),最小值为vmin=min([v1,v2,…,vN]),则归一化后的值为[(v1-vmin)*255/(vmax-vmin),(v2-vmin)*255/(vmax-vmin),…,(vN-vmin)*255/(vmax-vmin)]。
步骤103、根据算法模型,对图像数据进行车道线检测,得到第一车道线检测结果。
第一车道线检测结果为基于图像的2D车道线检测得到的2D检测结果。
使用算法模型,基于图像的2D车道线检测,输出一连串的像素点2D坐标,即输出第一车道线检测结果。
其中,算法模型包括传统算法及深度学习算法。本发明实施例中对使用的算法模型并不限制具体的算法,任何基于图像的2D车道线检测算法都可以,比如基于OpenCV或MapTR的车道线检测。
本发明实施例一方面可以充分利用业界开源的基于图像的算法模型(传统算法或深度学习算法),快速实现点云车道线的检测,另一方面,若选择深度学习算法进行基于图像的车道线检测,也可以充分利用业界开源的大量图像标注数据,进行基于图像的学习模型创建,无需专门标注点云数据,从而极大的降低成本、提高效率。
步骤104、对第一车道线检测结果进行转换,得到第二车道线检测结果。
第二车道线检测结果为基于点云的3D车道线检测得到的3D检测结果。
基于图像的车道线检测输出结果为一连串的像素点2D坐标,用以表示车道线。而点云车道线检测需要输出一连串的x,y,z坐标,表示车道线在空间中的坐标,因此还需要对第一车道线检测结果进行转换,从而得到第二车道线检测结果。
具体的,将第一车道线检测结果转换为第二车道线检测结果步骤如下:根据第一车道线检测结果,得到若干的图像坐标;对每个图像坐标,确定距离该图像坐标最近的、和点云存在映射关系的图像坐标;若图像坐标与其距离最近的图像坐标之间的距离超出预设值,则删除该图像坐标的像素点;根据映射关系,确定图像坐标对应的点云坐标;将图像坐标转换为点云坐标,得到第二车道线检测结果。
示例性地,①寻找最近的像素点坐标:在上述确定坐标系映射关系步骤中,以字典形式{(x,y):[(X,Y,Z),...]}记录了像素坐标到点云坐标的映射关系。因此,给定像素点坐标(xi,yi),如果(xi,yi)存在于字典的key中,则其最近的像素点坐标即为(xi,yi);如果不存在,则从字典的所有key中,找到与(xi,yi)距离最小的key作为其最近的像素点坐标。两个key,(x0,y0)和(x1,y1)的距离可以定义为
②过滤异常:如果某个像素点坐标与其最近的像素点坐标的距离超过了一定值,比如大于10,则删除这样的像素点。通常这样的像素点是因为基于图像的车道线检测算法检测失误造成的。
③找到最近的像素点坐标后,从该字典中得到其对应的一连串的3D点坐标。假设这一连串的点坐标总共有m个,例如:[(X1,Y1,Z1),(X2,Y2,Z2),...(Xm,Ym,Zm)],则转换后的点云3D坐标为((X1+X2+...+Xm)/m,(Y1+Y2+...+Ym)/m,(Z1+Z2+...+Zm)/m)。
④将图像检测结果中的每个2D坐标都按上述三个步骤进行过滤并转换,可得到转换后的3D车道线检测结果。
本发明实施例中,通过获取采集的点云数据,点云数据为三维空间中的坐标点;将点云数据转换为图像数据,图像数据为二维平面上的像素值;根据算法模型,对图像数据进行车道线检测,得到第一车道线检测结果,第一车道线检测结果为基于图像的2D车道线检测得到的2D检测结果;对第一车道线检测结果进行转换,得到第二车道线检测结果,第二车道线检测结果为基于点云的3D车道线检测得到的3D检测结果。本发明通过在进行基于图像的车道线检测时既可以根据需求充分利用业界开源的基于图像的算法模型,快速实现点云车道线检测,也可以充分利用业界开源的图像数据集构建图像车道线检测模型,从而极大地降低成本、提高效率。
图2是本发明实施例的一种基于点云的3D车道线检测装置的结构示意图。如图2所示,该装置包括:
获取点云数据模块201,用于获取采集的点云数据,所述点云数据为三维空间中的坐标点;
转换点云数据模块202,用于将所述点云数据转换为图像数据,所述图像数据为二维平面上的像素值;
得到第一检测结果模块203,用于根据算法模型,对所述图像数据进行车道线检测,得到第一车道线检测结果,所述第一车道线检测结果为基于图像的2D车道线检测得到的2D检测结果;
得到第二检测结果模块204,用于对所述第一车道线检测结果进行转换,得到第二车道线检测结果,所述第二车道线检测结果为基于点云的3D车道线检测得到的3D检测结果。
图3示出了可以用来实施本发明的实施例的电子设备10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3所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13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11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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11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11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11执行上文所描述的各个方法和处理,如基于点云的3D车道线检测方法。
在一些实施例中,基于点云的3D车道线检测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18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的基于点云的3D车道线检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于点云的3D车道线检测方法。
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。
本发明实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序在被处理器执行时实现如本发明实施例所提供的基于点云的3D车道线检测方法。
计算机程序产品在实现的过程中,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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 (9)
1.一种基于点云的3D车道线检测方法,其特征在于,包括:
获取采集的点云数据,所述点云数据为三维空间中的坐标点;
将所述点云数据转换为图像数据,所述图像数据为二维平面上的像素值;
根据算法模型,对所述图像数据进行车道线检测,得到第一车道线检测结果,所述第一车道线检测结果为基于图像的2D车道线检测得到的2D检测结果;
对所述第一车道线检测结果进行转换,得到第二车道线检测结果,所述第二车道线检测结果为基于点云的3D车道线检测得到的3D检测结果。
2.根据权利要求1所述一种基于点云的3D车道线检测方法,其特征在于,所述将所述点云数据转换为图像数据,包括:
根据所述点云数据,对所述点云数据进行预处理;
预处理完成后,进行地面提取;
确定所述点云数据转换成所述图像数据的转换精度;
确定并记录所述点云数据与所述图像数据的坐标系映射关系,将所述点云数据对应映射至所述图像数据的像素点;
根据所述像素值,进行像数值填充,所述像素值为所述像素点对应映射关系的所述点云数据的intensity值或z值。
3.根据权利要求2所述一种基于点云的3D车道线检测方法,其特征在于,所述对所述点云数据进行预处理,包括:
对所述点云数据进行点云裁剪,得到目标点云数据;
将所述目标点云数据中的异常点去除。
4.根据权利要求3所述一种基于点云的3D车道线检测方法,其特征在于,所述确定并记录所述点云数据与所述图像数据的坐标系映射关系,包括:
将所述点云数据的坐标转换为图像坐标,平移坐标原点;
根据所述转换精度,转换得到像素坐标;
将所述映射关系以字典形式进行记录。
5.根据权利要求4所述一种基于点云的3D车道线检测方法,其特征在于,所述进行像数值填充,包括:
取所述intensity值或z值,归一化至[0,255]区间。
6.根据权利要求2所述一种基于点云的3D车道线检测方法,其特征在于,所述对所述第一车道线检测结果进行转换,得到第二车道线检测结果,包括:
根据所述第一车道线检测结果,得到若干的图像坐标;
根据所述图像坐标与所述映射关系,确定距离所述图像坐标最近的图像坐标;
若所述图像坐标与其距离最近的图像坐标之间的距离超出预设值,则删除所述图像坐标的像素点;
根据所述映射关系,确定所述图像坐标对应的所述点云坐标;
将所述图像坐标转换为所述点云坐标,得到第二车道线检测结果。
7.一种基于点云的3D车道线检测装置,其特征在于,包括:
获取点云数据模块,用于获取采集的点云数据,所述点云数据为三维空间中的坐标点;
转换点云数据模块,用于将所述点云数据转换为图像数据,所述图像数据为二维平面上的像素值;
得到第一检测结果模块,用于根据算法模型,对所述图像数据进行车道线检测,得到第一车道线检测结果,所述第一车道线检测结果为基于图像的2D车道线检测得到的2D检测结果;
得到第二检测结果模块,用于对所述第一车道线检测结果进行转换,得到第二车道线检测结果,所述第二车道线检测结果为基于点云的3D车道线检测得到的3D检测结果。
8.一种电子设备,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1-6中任一项所述的基于点云的3D车道线检测方法。
9.一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程序,所述计算机程序用于使处理器执行时实现权利要求1-6中任一项所述的基于点云的3D车道线检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161373.0A CN118015580A (zh) | 2024-02-05 | 2024-02-05 | 一种基于点云的3d车道线检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161373.0A CN118015580A (zh) | 2024-02-05 | 2024-02-05 | 一种基于点云的3d车道线检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118015580A true CN118015580A (zh) | 2024-05-10 |
Family
ID=90955662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410161373.0A Pending CN118015580A (zh) | 2024-02-05 | 2024-02-05 | 一种基于点云的3d车道线检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118015580A (zh) |
-
2024
- 2024-02-05 CN CN202410161373.0A patent/CN118015580A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108228798B (zh) | 确定点云数据之间的匹配关系的方法和装置 | |
CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
CN113761999A (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN115330940B (zh) | 一种三维重建方法、装置、设备和介质 | |
US20230222734A1 (en) | Construction of three-dimensional road network map | |
CN112509126A (zh) | 三维物体检测的方法、装置、设备及存储介质 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN113362420A (zh) | 道路标注生成方法、装置、设备以及存储介质 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN115139303A (zh) | 一种栅格井盖检测方法、装置、设备及存储介质 | |
CN114299242A (zh) | 高精地图中图像处理方法、装置、设备以及存储介质 | |
CN114170596A (zh) | 姿态识别方法、装置、电子设备、工程机械和存储介质 | |
CN116129422A (zh) | 单目3d目标检测方法、装置、电子设备和存储介质 | |
CN117036457A (zh) | 一种屋顶面积的测量方法、装置、设备及存储介质 | |
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 | |
CN115861959A (zh) | 一种车道线识别方法、装置、电子设备及存储介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN118015580A (zh) | 一种基于点云的3d车道线检测方法、装置、设备及存储介质 | |
CN114266879A (zh) | 三维数据增强、模型训练检测方法、设备及自动驾驶车辆 | |
CN113901903A (zh) | 道路识别方法和装置 | |
CN113361371A (zh) | 道路提取方法、装置、设备以及存储介质 | |
US20230142243A1 (en) | Device environment identification method and apparatus, electronic device, and autonomous vehicle | |
CN114612544B (zh) | 图像处理方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |