CN109635641B - 道路边界线的确定方法、装置、设备和存储介质 - Google Patents
道路边界线的确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN109635641B CN109635641B CN201811293275.3A CN201811293275A CN109635641B CN 109635641 B CN109635641 B CN 109635641B CN 201811293275 A CN201811293275 A CN 201811293275A CN 109635641 B CN109635641 B CN 109635641B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- boundary
- alternative
- initial
- 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
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种道路边界线的确定方法、装置、设备和存储介质。该方法包括:在道路的点云数据中提取满足线状特征条件的特征点;对所述特征点形成的初始道路边界进行滤波优化,提取优化后的边界点;对所述边界点进行拟合,得到拟合后的道路边界线。本发明实施例提取出的道路边界线的连续性、平滑性较好。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种道路边界线的确定方法、装置、设备和存储介质。
背景技术
随着科学技术的进步,尤其是汽车制造以及信息技术的发展,自动驾驶技术成为近年来的研究热点,自动驾驶中车辆的安全问题至关重要。
道路边界线给出了道路两侧边界的强约束,这对自动驾驶中车辆的安全行驶至关重要。但是,由于道路边界处通常只有微小的高度变化,并无类似车道线的有效标记,加上路边灌木等的存在,道路边界线的提取十分困难,车辆在自动驾驶时可能无法识别道路边界线,从而增加了安全隐患。因此,对于本领域技术人员来说,亟需实现一种可靠性较高的道路边界线提取方法。
发明内容
本发明提供一种道路边界线的确定方法、装置、设备和存储介质,以实现道路边界线提取的连续性和平滑性。
第一方面,本发明提供一种道路边界线的确定方法,包括:
在道路的点云数据中提取满足线状特征条件的特征点;
对所述特征点形成的初始道路边界进行滤波优化,提取优化后的边界点;
对所述边界点进行拟合,得到拟合后的道路边界线。
第二方面,本发明提供一种道路边界线的确定装置,包括:
提取模块,用于在道路的点云数据中提取满足线状特征条件的特征点;
优化模块,用于对所述特征点形成的初始道路边界进行滤波优化,提取优化后的边界点;
拟合模块,用于对所述边界点进行拟合,得到拟合后的道路边界线。
第三方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中任一项所述的方法。
第四方面,本发明实施例提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的方法。
本发明实施例提供的道路边界线的确定方法、装置、设备和存储介质,在道路的点云数据中提取满足线状特征条件的特征点;对所述特征点形成的初始道路边界进行滤波优化,提取优化后的边界点;对所述边界点进行拟合,得到拟合后的道路边界线,由于对提取出的满足线状特征条件的特征点基于粒子滤波算法进行了滤波,即对提取出的特征点形成的初始道路边界进行优化,使得最终的道路边界线的连续性、平滑性较好,而且该方案的抗噪性能较好。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本发明一实施例提供的应用场景图;
图2是本发明提供的道路边界线的确定方法一实施例的流程示意图;
图3是本发明一实施例的特征点位置示意图;
图4是本发明另一实施例的特征点位置示意图;
图5是本发明提供的道路边界线的确定装置一实施例的结构示意图;
图6是本发明提供的电子设备实施例的结构示意图。
通过上述附图,已示出本公开明确的实施例,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公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
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公开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、本公开的一些方面相一致的装置和方法的例子。
本发明的说明书和权利要求书及所述附图中的术语“包括”和“具有”以及它们任何变形,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、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先对本发明所涉及的名词和应用场景进行介绍:
点云数据:相关技术中多采用激光扫描的方式,获取环境的点云数据;当一束激光照射到物体表面时,所反射的激光会携带方位、距离等信息。若将激光束按照某种轨迹进行扫描,便会边扫描边记录到反射的激光点信息,由于扫描极为精细,则能够得到大量的激光点,因而就可形成物体的激光点云数据。点云数据是在目标表面特性的海量点云的集合。
本发明实施例提供的道路边界线的确定方法,应用于在高精度地图制作过程中、或在车辆自动驾驶过程中对道路边界线的获取,也可以应用于对车道线的获取。
本发明实施例的方法,通过从道路的点云数据中提取满足线状特征条件的特征点,形成初始道路边界,然后对特征点形成的初始道路边界进行滤波优化,提取优化后的边界点,最终对边界点进行拟合,得到拟合后的道路边界线,上述方案提取出的道路边界线的连续性、平滑性较好,该方案的抗噪性能较好。
下面以具体的实施例对本发明的技术方案进行详细说明。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不再赘述。
图1为本发明一实施例提供的应用场景图,可选的,本发明提供的方法可由电子设备12如处理器执行相应的软件代码实现,也可由该电子设备12在执行相应的软件代码的同时,通过和服务器11进行数据交互来实现。电子设备12和服务器11之间可以通过网络连接。
其中,电子设备可以是计算机、车载设备和平板电脑等设备,下面的实施例均以电子设备为执行主体进行说明。
图2是本发明提供的道路边界线的确定方法一实施例的流程示意图。如图2所示,本实施例提供的方法,包括:
步骤201、在道路的点云数据中提取满足线状特征条件的特征点。
具体的,车辆行驶过程中通过激光雷达扫描道路,获取道路的多个单帧点云。然后在获取到的点云数据中提取满足预设的线状特征条件的特征点。
例如,特征点的线状特征大于某一预设阈值。
线状特征可以通过如下方式计算:
对处于该点的某一预设范围内的点形成的协方差矩阵进行特征分解,得到特征值和特征向量;
根据所述特征值和特征向量,确定该点的线状特征。
对于点p=(x,y,z),假设其预设范围(如半径R范围)内的邻近点集为P={pi|i=1,2,…,n},pi=(xi,yi,zi),则点p的线状特征计算方法为:
(1)计算协方差矩阵
其中,dxi=xi-x,dyi=yi-y,dzi=zi-z。
(2)对协方差矩阵进行特征分解
对矩阵C,其特征值和特征向量满足:
Cv=λv
其中λ为特征值,v为特征向量。
由于C为3阶方阵,故C有3个特征值和3个特征向量。设3个特征值分别为λ0,λ1,λ2(λ0≥λ1≥λ2)和v0,v1,v2。
(3)计算线状特征
步骤202、对特征点形成的初始道路边界进行滤波优化,提取优化后的边界点。
具体的,步骤201中提取出大量特征点,特征点的连线形成初始道路边界,该初始道路边界的连续性和平滑性较差,需要进行滤波优化,即在该些特征点中提取最终的边界点,从而形成道路边界线。
本发明实施例中可以基于粒子滤波算法思想,将道路边界线上第n个点Pn的可能位置作为粒子,在Pn的前一个点Pn-1已知的情况下得到Pn的先验概率,通过Pn的下一个点Pn+1在Pn-1和Pn已知的情况下的条件概率,对Pn的概率进行更新,得到Pn的后验概率,根据后验概率的大小,最终确定Pn的最优位置,得到优化后的第n个边界点。其中,处于Pn-1附近一定范围内的点作为Pn的可能位置的粒子。
在本发明的其他实施例中,也可以基于其他滤波算法进行优化,本发明对此并不限定。
步骤203、对边界点进行拟合,得到拟合后的道路边界线。
具体的,在获取到边界点后,对该些边界点进行曲线拟合,获取更平滑的曲线,最终得到道路边界线。
可选的,可以基于样条spline曲线拟合算法,对优化的边界点进行曲线拟合,得到拟合后的道路边界线。
进一步的,为了便于存储和后续使用,在拟合后,可以对拟合后的道路边界线,按照预设间距进行采样,得到道路边界线的多个采样点;多个采样点的序列用于表示道路边界线。
具体的,采样的过程为矢量化的过程,对拟合后的曲线进行采样,获取到采样点序列,来表示该道路边界线,并将该采样点序列进行存储。
本实施例的方法,在道路的点云数据中提取满足线状特征条件的特征点;对所述特征点形成的初始道路边界进行滤波优化,提取优化后的边界点;对所述边界点进行拟合,得到拟合后的道路边界线,由于对提取出的满足线状特征条件的特征点基于粒子滤波算法进行了滤波,即对提取出的特征点形成的初始道路边界进行优化,使得最终的道路边界线的连续性、平滑性较好,而且该方案的抗噪性能较好。。
在上述实施例的基础上,进一步的,对步骤201的具体实现过程进行详细说明。
步骤201包括:
步骤a1、根据所述点云数据,提取高程突变点作为初始备选点;
步骤a2、获取处于所述初始备选点的第一预设范围内的多个点中各点的线状特征;
步骤a3、根据所述各点的线状特征提取满足所述线状特征条件的点作为特征点,将所述特征点作为所述初始备选点,重复执行步骤a2-a3,直至提取到所述道路的所有特征点。
具体的,对每一单帧点云数据,提取高程突变点作为初始备选点。
其中,高程突变点如马路牙子上的点,如处于该点的某一预设范围内的点与该点的高度差大于第一阈值的点。
具体可以通过如下方式获取:
获取所述点云数据中的各个点;
获取处于所述各个点中的每个点的第二预设范围内的各个点的高度差;
将所述高度差大于预设的第一阈值对应的点,作为所述高程突变点。
进一步的,对于任意一个初始备选点搜索处于该初始备选点的第一预设范围内的点,得到点集(例如,搜索以该初始备选点为中心,半径为R的范围内的点,例如R为0.5m范围内的所有点),根据该点集获得该初始备选点对应的协方差矩阵,对该协方差矩阵进行特征分解,得到特征值和特征向量(如3个特征值和特征向量),根据特征值和特征向量确定该初始备选点的线状特征,点集中其他点的线状特征与初始备选点的线状特征的确定过程相同,提取该点集中满足线状特征条件的点,从而形成一条初始备选点到该特征点之间的微线段。确定点的线状特征可以参见前述过程。
进一步的,可以将线状特征大于第二阈值的点作为满足预设的线状特征条件的点,即作为特征点。
进一步的,将获取到的特征点作为初始备选点,重复上述步骤a2-a3,直至提取到道路的所有特征点。
具体,在该微线段的周围以微线段方向进行搜索,找到下一个满足线状特征的点,形成下一条微线段,依此类推找到所有的特征点。
由于道路是沿着两个方向延伸的,从第一个点开始可以先沿着微线段的一个方向提取特征点,完成后,在沿着微线段上与前述方向的反方向接着提取特征点。
本实施例中,通过以高程突变点作为初始备选点,进而提取点云数据中满足线状特征条件的点作为特征点,效率较高。
在上述实施例的基础上,进一步的,对步骤202的具体实现过程进行详细说明。
本实施例中,步骤202具体可以通过如下步骤实现:
步骤b1、根据所述特征点的线状特征,从包括所述特征点的点集中选择初始边界点,并获取所述初始边界点的方向向量;
步骤b2、获取所述点集中处于所述初始边界点的第三预设范围内的多个备选点,确定各个所述备选点相对于所述初始边界点的先验概率;
步骤b3、对于各个所述备选点,获取所述点集中处于所述备选点的第四预设范围内的邻近点,对于各个所述邻近点,确定所述邻近点相对于所述初始边界点和所述备选点的条件概率;
步骤b4、对于各个所述备选点,根据所述先验概率和条件概率,确定所述备选点相对于各个所述邻近点的后验概率;
步骤b5、选取后验概率最大的备选点作为优化的边界点,同时获取所述优化的边界点的方向向量;
步骤b6、将所述优化的边界点作为所述初始边界点,重复执行步骤b2-b5,直到沿所述初始边界点的方向向量的当前路径提取完毕。
具体的,获取所有的特征点的线状特征,得到特征点的点集中满足线状特征条件最好的点,作为初始边界点(假设为Pn-1,n=1时为P0),进一步可以得到初始边界点Pn-1点处的方向向量,方向向量为该初始边界点Pn-1对应的最大特征值的特征向量。
进一步,应用粒子滤波算法思想,对于初始边界点Pn-1搜索处于初始边界点Pn-1的第三预设范围内的多个点,作为优化的边界点的备选点Pn。其中,第三预设范围例如为以初始边界点Pn-1为中心,预设夹角的扇形范围,或者以初始边界点Pn-1为中心,附近预设半径范围。
获取每一备选点Pn相对于前一个点Pn-1的概率,得到先验概率;
其中备选点Pn的先验概率可以根据第一概率函数获得,第一概率函数是根据备选点Pn和所述初始边界点Pn-1的距离,以及所述初始边界点Pn-1到所述备选点Pn之间的线段方向与所述初始点Pn-1的方向向量之间的夹角建立的,即第一概率函数的输入参数,包括:所述备选点Pn和所述初始边界点Pn-1的距离,以及所述初始边界点Pn-1到所述备选点Pn之间的线段方向与所述初始点Pn-1的方向向量之间的夹角。
第一概率函数可以参见如下公式:
其中,如图3所示,α为线段(Pn-1,Pn)与Pn-1的方向向量之间的夹角,方向向量为Pn-1点最大特征值对应的特征向量的方向,
d=||Pn-Pn-1||。
进一步的,获取处于各个所述备选点Pn的第四预设范围内的多个邻近点Pn+1,计算多个邻近点Pn+1的条件概率。
其中,邻近点Pn+1的条件概率为邻近点Pn+1相对于所述备选点Pn和所述初始边界点Pn-1的条件概率。
其中邻近点Pn+1的条件概率可以根据第二概率函数获得,第二概率函数是根据所述备选点Pn和所述条件点Pn+1的距离,以及所述初始边界点Pn-1到所述备选点Pn之间的线段方向与所述备选点Pn到所述条件点Pn+1之间的线段方向之间的夹角建立的,第二概率函数的输入参数,包括:所述备选点Pn和所述条件点Pn+1的距离,以及所述初始边界点Pn-1到所述备选点Pn之间的线段方向与所述备选点Pn到所述条件点Pn+1之间的线段方向之间的夹角。
第二概率函数可以参见如下公式:
其中,如图4所示,θ为线段(Pn-1,Pn)与(Pn,Pn+1)间的夹角,D=||Pn+1-Pn||。
其中,多个邻近点Pn+1的条件概率可以对上述邻近点Pn+1的条件概率进行累计求和得到。
进一步的,根据如下公式确定各个所述备选点Pn的后验概率。
其中,η为Pn-1位置已知时,所有可能的Pn+1位置概率之和,该值为常数。P(Pn=P|Pn+1,Pn-1)为备选点Pn的后验概率,P(Pn+1|Pn,Pn-1)为点Pn+1的条件概率,P(Pn|Pn-1)为备选点Pn相对于所述初始边界点Pn-1的先验概率
最后,选择各备选点Pn中后验概率最大的,作为优化的边界点。
进一步的,本实施例的方法,还包括:
步骤b7、将沿与所述初始边界点的方向向量相反的方向,重复执行步骤b1-b6,直至当前路径的所有优化的边界点提取完毕;将所述点集中除去处于所述当前路径的第五预设范围内的点,得到更新后的点集;
步骤b8、对于所述更新后的点集,重复执行步骤b1-b7,直至所述道路的所有优化的边界点提取完毕。
具体的,步骤b6沿初始边界点的方向向量的当前路径提取完毕,将初始备选点的方向向量反转180°,重复步骤b1-b6,以实现对当前路径沿反方向提取,从而得到当前路径的所有优化的边界点;过滤掉该当前路径一定宽度范围内的点,更新点集;对更新后的点集,重复执行b1-b7,以搜索完成所有的边界点,拟合得到道路边界线。
本实施例中,基于粒子滤波算法思想,将道路边界线上第n个点Pn的可能位置作为粒子,在Pn的前一个点Pn-1已知的情况下得到Pn的先验概率,通过Pn的下一个点Pn+1在Pn-1和Pn已知的情况下的先验概率,对Pn的后验概率进行更新,根据后验概率的大小,最终确定Pn的较优位置,如选取具有最大后验概率的点作为Pn的较优位置,得到优化后的第n个边界点。其中,处于Pn-1附近一定范围内的点作为Pn的可能位置的粒子,得出的边界点形成的曲线连续性和平滑性较好。
图5为本发明提供的道路边界线的确定装置一实施例的结构图,如图2所示,本实施例的道路边界线的确定装置,包括:
提取模块501,用于在道路的点云数据中提取满足线状特征条件的特征点;
优化模块502,用于对所述特征点形成的初始道路边界进行滤波优化,提取优化后的边界点;
拟合模块503,用于对所述边界点进行拟合,得到拟合后的道路边界线。
可选的,提取模块501,具体用于执行如下操作:
步骤a1、根据所述点云数据,提取高程突变点作为初始备选点;
步骤a2、获取处于所述初始备选点的第一预设范围内的多个点中各点的线状特征;
步骤a3、根据所述各点的线状特征提取满足所述线状特征条件的点作为特征点,将所述特征点作为所述初始备选点,重复执行步骤a2-a3,直至提取到所述道路的所有特征点。
可选的,提取模块501,具体用于:
获取所述点云数据中的各个点;
获取处于所述各个点中的每个点的第二预设范围内的各个点的高度差;
将所述高度差大于预设的第一阈值对应的点,作为所述高程突变点。
可选的,提取模块501,具体用于:
确定所述多个点中各点对应的协方差矩阵;
分别对所述各点对应的协方差矩阵进行特征分解,得到特征值和特征向量;
根据所述特征值和特征向量,确定所述各点的线状特征。
可选的,提取模块501,具体用于:
将所述各点中线状特征大于预设的第二阈值的点,作为所述特征点。
可选的,优化模块502,具体用于执行如下操作:
步骤b1、根据所述特征点的线状特征,从包括所述特征点的点集中选择初始边界点,并获取所述初始边界点的方向向量;
步骤b2、获取所述点集中处于所述初始边界点的第三预设范围内的多个备选点,确定各个所述备选点相对于所述初始边界点的先验概率;
步骤b3、对于各个所述备选点,获取所述点集中处于所述备选点的第四预设范围内的邻近点,对于各个所述邻近点,确定所述邻近点相对于所述初始边界点和所述备选点的条件概率;
步骤b4、对于各个所述备选点,根据所述先验概率和条件概率,确定所述备选点相对于各个所述邻近点的后验概率;
步骤b5、选取后验概率最大的备选点作为优化的边界点,同时获取所述优化的边界点的方向向量;
步骤b6、将所述优化的边界点作为所述初始边界点,重复执行步骤b2-b5,直到沿所述初始边界点的方向向量的当前路径提取完毕。
可选的,优化模块502,还具体用于执行如下步骤:
步骤b7、将沿与所述初始边界点的方向向量相反的方向,重复执行步骤b1-b6,直至当前路径的所有优化的边界点提取完毕;将所述点集中除去处于所述当前路径的第五预设范围内的点,得到更新后的点集;
步骤b8、对于所述更新后的点集,重复执行步骤b1-b7,直至所述道路的所有优化的边界点提取完毕。
可选的,优化模块502,具体用于:
根据第一概率函数,确定各个所述备选点相对于所述初始边界点的先验概率;所述第一概率函数的输入参数,包括:所述备选点和所述初始边界点的距离,以及所述初始边界点到所述备选点之间的线段方向与所述初始边界点Pn-1的方向向量之间的夹角。
可选的,优化模块502,具体用于:
根据第二概率函数,确定所述邻近点相对于所述初始边界点和所述备选点的条件概率;所述第二概率函数的输入参数,包括:所述备选点和所述邻近点的距离,以及所述初始边界点到所述备选点之间的线段方向与所述备选点到所述邻近点之间的线段方向之间的夹角。
可选的,拟合模块503,具体用于:
基于样条曲线拟合算法,对所述优化的边界点进行曲线拟合,得到所述拟合后的道路边界线。
可选的,拟合模块503,还用于:
对所述拟合后的道路边界线,按照预设间距进行采样,得到所述道路边界线的多个采样点;所述多个采样点的序列用于表示所述道路边界线。
本实施例的装置,可以用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图6为本发明提供的电子设备实施例的结构图,如图6所示,该电子设备包括:
处理器601,以及,用于存储处理器601的可执行指令的存储器602。
可选的,还可以包括:通信接口603,用于与其他设备通信。
上述部件可以通过一条或多条总线进行通信。
其中,处理器601配置为经由执行所述可执行指令来执行前述方法实施例中对应的方法,其具体实施过程可以参见前述方法实施例,此处不再赘述。
本发明实施例中还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前述方法实施例中对应的方法,其具体实施过程可以参见前述方法实施例,其实现原理和技术效果类似,此处不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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,本公开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,本公开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。本公开的范围仅由所附的权利要求书来限制。
Claims (14)
1.一种道路边界线的确定方法,其特征在于,包括:
在道路的点云数据中提取满足线状特征条件的特征点;
对所述特征点形成的初始道路边界进行滤波优化,提取优化后的边界点;所述优化后的边界点为后验概率最大的备选点,所述后验概率为根据各个所述备选点相对于初始边界点的先验概率,以及各个邻近点相对于所述初始边界点和所述备选点的条件概率得到的,所述备选点为所述特征点的点集中处于初始边界点的第三预设范围内的多个备选点中的任一备选点,所述初始边界点为所述点集中的点,所述邻近点为所述点集中处于所述备选点的第四预设范围内的点;
对所述边界点进行拟合,得到拟合后的道路边界线。
2.根据权利要求1所述的方法,其特征在于,所述在道路的点云数据中提取满足线状特征条件的特征点,包括:
步骤a1、根据所述点云数据,提取高程突变点作为初始备选点;
步骤a2、获取处于所述初始备选点的第一预设范围内的多个点中各点的线状特征;
步骤a3、根据所述各点的线状特征提取满足所述线状特征条件的点作为特征点,将所述特征点作为所述初始备选点,重复执行步骤a2-a3,直至提取到所述道路的所有特征点。
3.根据权利要求2所述的方法,其特征在于,所述根据所述点云数据,提取高程突变点作为初始备选点,包括:
获取所述点云数据中的各个点;
对于所述各个点中的每个点,获取每个点与处于每个点的第二预设范围内的各个点的高度差;
将所述高度差大于预设的第一阈值对应的点,作为所述高程突变点。
4.根据权利要求2或3所述的方法,其特征在于,所述获取处于所述初始备选点的第一预设范围内的多个点中各点的线状特征,包括:
确定所述多个点中各点对应的协方差矩阵;
分别对所述各点对应的协方差矩阵进行特征分解,得到特征值和特征向量;
根据所述特征值和特征向量,确定所述各点的线状特征。
5.根据权利要求2或3所述的方法,其特征在于,所述根据所述各点的线状特征提取满足所述线状特征条件的点作为特征点,包括:
将所述各点中线状特征大于预设的第二阈值的点,作为所述特征点。
6.根据权利要求1-3任一项所述的方法,其特征在于,所述对所述特征点形成的初始道路边界进行滤波优化,提取优化后的边界点,包括:
步骤b1、根据所述特征点的线状特征,从包括所述特征点的点集中选择初始边界点,并获取所述初始边界点的方向向量;所述初始边界点的方向向量为所述初始边界点对应的最大特征值的特征向量;
步骤b2、获取所述点集中处于所述初始边界点的第三预设范围内的多个备选点,确定各个所述备选点相对于所述初始边界点的先验概率;
步骤b3、对于各个所述备选点,获取所述点集中处于所述备选点的第四预设范围内的邻近点,对于各个所述邻近点,确定所述邻近点相对于所述初始边界点和所述备选点的条件概率;
步骤b4、对于各个所述备选点,根据所述先验概率和条件概率,确定所述备选点相对于各个所述邻近点的后验概率;
步骤b5、选取后验概率最大的备选点作为优化的边界点,同时获取所述优化的边界点的方向向量;
步骤b6、将所述优化的边界点作为所述初始边界点,重复执行步骤b2-b5,直到沿所述初始边界点的方向向量的当前路径提取完毕。
7.根据权利要求6所述的方法,其特征在于,还包括:
步骤b7、将沿与所述初始边界点的方向向量相反的方向,重复执行步骤b1-b6,直至当前路径的所有优化的边界点提取完毕;将所述点集中除去处于所述当前路径的第五预设范围内的点,得到更新后的点集;
步骤b8、对于所述更新后的点集,重复执行步骤b1-b7,直至所述道路的所有优化的边界点提取完毕。
8.根据权利要求6所述的方法,其特征在于,所述确定各个所述备选点相对于所述初始边界点的先验概率,包括:
根据第一概率函数,确定各个所述备选点相对于所述初始边界点的先验概率;所述第一概率函数的输入参数,包括:所述备选点和所述初始边界点的距离,以及所述初始边界点到所述备选点之间的线段方向与所述初始边界点的方向向量之间的夹角。
9.根据权利要求6所述的方法,其特征在于,所述确定所述邻近点相对于所述初始边界点和所述备选点的条件概率,包括:
根据第二概率函数,确定所述邻近点相对于所述初始边界点和所述备选点的条件概率;所述第二概率函数的输入参数,包括:所述备选点和所述邻近点的距离,以及所述初始边界点到所述备选点之间的线段方向与所述备选点到所述邻近点之间的线段方向之间的夹角。
10.根据权利要求1-3任一项所述的方法,其特征在于,所述对所述边界点进行拟合,得到拟合后的道路边界线,包括:
基于样条曲线拟合算法,对所述优化的边界点进行曲线拟合,得到所述拟合后的道路边界线。
11.根据权利要求1-3任一项所述的方法,其特征在于,所述对所述边界点进行拟合,得到拟合后的道路边界线之后,还包括:
对所述拟合后的道路边界线,按照预设间距进行采样,得到所述道路边界线的多个采样点;所述多个采样点的序列用于表示所述道路边界线。
12.一种道路边界线的确定装置,其特征在于,包括:
提取模块,用于在道路的点云数据中提取满足线状特征条件的特征点;
优化模块,用于对所述特征点形成的初始道路边界进行滤波优化,提取优化后的边界点;所述优化后的边界点为后验概率最大的备选点,所述后验概率为根据各个所述备选点相对于初始边界点的先验概率,以及各个邻近点相对于所述初始边界点和所述备选点的条件概率得到的,所述备选点为所述特征点的点集中处于初始边界点的第三预设范围内的多个备选点中的任一备选点,所述初始边界点为所述点集中的点,所述邻近点为所述点集中处于所述备选点的第四预设范围内的点;
拟合模块,用于对所述边界点进行拟合,得到拟合后的道路边界线。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-11任一项所述的方法。
14.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-11任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811293275.3A CN109635641B (zh) | 2018-11-01 | 2018-11-01 | 道路边界线的确定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811293275.3A CN109635641B (zh) | 2018-11-01 | 2018-11-01 | 道路边界线的确定方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635641A CN109635641A (zh) | 2019-04-16 |
CN109635641B true CN109635641B (zh) | 2020-06-09 |
Family
ID=66067086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811293275.3A Active CN109635641B (zh) | 2018-11-01 | 2018-11-01 | 道路边界线的确定方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635641B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188661B (zh) * | 2019-05-27 | 2021-07-20 | 广州极飞科技股份有限公司 | 边界识别方法及装置 |
CN111811530B (zh) * | 2020-06-16 | 2022-06-21 | 北京五一视界数字孪生科技股份有限公司 | 车道线生成方法、装置、存储介质及电子设备 |
CN112435333B (zh) * | 2020-10-14 | 2022-03-15 | 腾讯科技(深圳)有限公司 | 一种道路场景的生成方法以及相关装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529415A (zh) * | 2016-10-16 | 2017-03-22 | 北海益生源农贸有限责任公司 | 结合特征和模型的道路检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017220705A1 (en) * | 2016-06-24 | 2017-12-28 | Jaguar Land Rover Limited | Control system for a vehicle |
CN106529417A (zh) * | 2016-10-17 | 2017-03-22 | 北海益生源农贸有限责任公司 | 一种视觉激光数据融合的道路检测方法 |
CN106529431B (zh) * | 2016-10-31 | 2017-12-15 | 武汉大学 | 基于车载激光扫描数据的路坎点自动提取及矢量化方法 |
CN106842231B (zh) * | 2016-11-08 | 2019-03-22 | 长安大学 | 一种道路边界检测及跟踪方法 |
CN106780524B (zh) * | 2016-11-11 | 2020-03-06 | 厦门大学 | 一种三维点云道路边界自动提取方法 |
CN108267747B (zh) * | 2017-01-03 | 2021-10-22 | 中交宇科(北京)空间信息技术有限公司 | 基于激光点云的道路特征提取方法和装置 |
CN107749079B (zh) * | 2017-09-25 | 2020-03-17 | 北京航空航天大学 | 一种面向无人机扫描重建的点云质量评价和轨迹规划方法 |
-
2018
- 2018-11-01 CN CN201811293275.3A patent/CN109635641B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529415A (zh) * | 2016-10-16 | 2017-03-22 | 北海益生源农贸有限责任公司 | 结合特征和模型的道路检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109635641A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11158071B2 (en) | Method and apparatus for point cloud registration, and computer readable medium | |
JP6853560B2 (ja) | 高精度イメージを分析するディープラーニングネットワークの学習に利用するためのトレーニングイメージをオートラベリングするための方法、及びこれを利用したオートラベリング装置{method for auto−labeling training images for use in deep learning network to analyze images with high precision, and auto−labeling device using the same} | |
US11725944B2 (en) | Method, apparatus, computing device and computer-readable storage medium for positioning | |
CN109635641B (zh) | 道路边界线的确定方法、装置、设备和存储介质 | |
US20180189577A1 (en) | Systems and methods for lane-marker detection | |
CN115451983B (zh) | 一种复杂场景下的动态环境建图与路径规划方法及装置 | |
US11762061B2 (en) | System and method for free space estimation | |
CN109636842B (zh) | 车道线修正方法、装置、设备及存储介质 | |
EP3690744B1 (en) | Method for integrating driving images acquired from vehicles performing cooperative driving and driving image integrating device using same | |
CN111144304A (zh) | 车辆目标检测模型的生成方法、车辆目标检测方法及装置 | |
CN111433780A (zh) | 车道线检测方法、设备、计算机可读存储介质 | |
CN114111774B (zh) | 车辆的定位方法、***、设备及计算机可读存储介质 | |
CN116783620A (zh) | 根据点云的高效三维对象检测 | |
CN113189989B (zh) | 车辆意图预测方法、装置、设备及存储介质 | |
CN113139696B (zh) | 一种轨迹预测模型构建方法及轨迹预测方法、装置 | |
Ozgunalp | Robust lane‐detection algorithm based on improved symmetrical local threshold for feature extraction and inverse perspective mapping | |
CN112166446A (zh) | 可通行性的识别方法、***、设备及计算机可读存储介质 | |
CN114973195A (zh) | 基于多信息融合的车辆追踪方法、装置及*** | |
CN112435336B (zh) | 一种弯道类型识别方法、装置、电子设备及存储介质 | |
CN111179290B (zh) | 一种确定凸包的方法和相关装置 | |
CN115147813A (zh) | 基于物体空间特征的稀疏点云处理方法、***、设备及介质 | |
CN115527187A (zh) | 一种障碍物的分类方法以及装置 | |
CN108917768B (zh) | 无人机定位导航方法和*** | |
CN110705519B (zh) | 自主移动机器人及其地图拼接方法、装置和可读存储介质 | |
CN113808077A (zh) | 一种目标检测方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |