CN109726728A - 一种训练数据生成方法及装置 - Google Patents
一种训练数据生成方法及装置 Download PDFInfo
- Publication number
- CN109726728A CN109726728A CN201711044197.9A CN201711044197A CN109726728A CN 109726728 A CN109726728 A CN 109726728A CN 201711044197 A CN201711044197 A CN 201711044197A CN 109726728 A CN109726728 A CN 109726728A
- Authority
- CN
- China
- Prior art keywords
- point
- pixel
- sample
- sample areas
- cloud 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.)
- Granted
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种训练数据生成方法及装置,获取路面的原始点云数据;从原始点云数据中,确定路面交通标志对应的点作为目标点;以路面交通标志对应的目标点为基准,将路面的原始点云进行区域划分,得到样本区域的集合,样本区域包括正样本区域和负样本区域,正样本区域中存在至少一个目标点,负样本区域不存在目标点;根据原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图,其中,正样本区域的灰度图作为训练路面交通标志识别模型的正例样本,负样本区域的灰度图作为训练路面交通标志识别模型的负例样本。本申请无需人工制作,节省人力资源,通过控制所划分的样本区域的数量,可以保证能够生成足够数量的训练样本。
Description
技术领域
本申请涉及训练数据生成技术领域,更具体地说,涉及一种训练数据生成方法及装置。
背景技术
在利用机器学习训练各种路面交通标志识别模型时,需要大量的训练样本数据,以保证训练得到的路面交通标志识别模型的识别准确率。
现有训练样本数据一般是人工制作,即人工对路面的图片进行识别,其中包含路面交通标志的图片作为正例样本,不包含路面交通标志的图片作为负例样本。
显然,人工制作训练数据的方式需要耗费大量人力资源,且生成的训练样本的数量不够多,无法保证训练的路面交通标志识别模型的识别准确率。
发明内容
有鉴于此,本申请提供了一种训练数据生成方法及装置,以解决现有人工制作训练数据的方式耗费人力资源且制作的训练样本数量不足的问题。
为了实现上述目的,现提出的方案如下:
一种训练数据生成方法,包括:
获取路面的原始点云数据;
从所述原始点云数据中,确定路面交通标志对应的点作为目标点;
以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合,所述样本区域包括正样本区域和负样本区域,所述正样本区域中存在至少一个目标点,所述负样本区域不存在所述目标点;
根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图,其中,正样本区域的灰度图作为训练路面交通标志识别模型的正例样本,负样本区域的灰度图作为训练路面交通标志识别模型的负例样本。
优选地,所述路面交通标志为车道线,所述以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合,包括:
以所述车道线对应的任意一个目标点开始,沿所述车道线每隔第一设定单位长度,确定一个车道位置点;
以所述车道位置点为垂足,沿垂直于车道线方向每隔第二设定单位长度,确定一个相对位置点;
以所述车道位置点和所述相对位置点为矩形的中心点,按照设定矩形尺寸生成对应的矩形区域构成样本区域的集合,其中,包含所述车道线对应的目标点的矩形区域对应的样本区域为正样本区域,其余不包含所述车道线对应的目标点的矩形区域对应的样本区域为负样本区域。
优选地,所述路面交通标志为路面标识,所述以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合,包括:
确定所述路面标识对应的目标点覆盖的区域的最小外接矩形;
以所述最小外接矩形的中轴线上任意一个点开始,沿所述中轴线每隔第一设定单位长度,确定一个路面标识位置点;
以所述路面标识位置点为垂足,沿垂直于所述中轴线方向每隔第二设定单位长度确定一个相对位置点;
以所述路面标识位置点和所述相对位置点为矩形的中心点,按照设定矩形尺寸生成对应的矩形区域构成样本区域的集合,其中,包含所述路面标识对应的目标点的矩形区域对应的样本区域为正样本区域,其余不包含所述路面标识对应的目标点的矩形区域对应的样本区域为负样本区域。
优选地,所述根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图,包括:
根据所述原始点云数据中落入样本区域中的点云数据,确定所述点云数据中各点对应所述样本区域的灰度图中的像素点;
若所述样本区域的灰度图中,各像素点在所述点云数据中均存在对应的点,则根据所述样本区域的灰度图中各像素点对应的点的反射率,确定所述样本区域的灰度图中各像素点的灰度值。
优选地,所述根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图,包括:
根据所述原始点云数据中落入样本区域中的点云数据,确定所述点云数据中各点对应所述样本区域的灰度图中的像素点;
以所述样本区域的灰度图中,在所述点云数据中存在对应点的像素点为第一类像素点,根据各第一类像素点对应的点的反射率,确定各所述第一类像素点的反射率;
以所述样本区域的灰度图中,在所述点云数据中不存在对应的点的像素点为第二类像素点,根据各第二类像素点周围设定范围内的反射率已知的像素点的反射率,确定各第二类像素点的反射率;
根据所述样本区域的灰度图中各像素点的反射率,确定所述样本区域的灰度图中各像素点的灰度值。
优选地,所述根据各第二类像素点周围设定范围内的反射率已知的像素点的反射率,确定各第二类像素点的反射率,包括:
以所述第二类像素点为设定范围的中心,确定在所述范围内的反射率已知的像素点;
计算各个已知反射率的像素点至所述第二类像素点的距离;
按照距离与权重成反比的关系,确定各个已知反射率的像素点的权重,各个已知反射率的像素点的权重的和值为1;
将各个已知反射率的像素点的权重和反射率相乘的结果进行相加,得到所述第二类像素点的反射率。
一种训练数据生成装置,包括:
点云数据获取单元,用于获取路面的原始点云数据;
目标点确定单元,用于从所述原始点云数据中,确定路面交通标志对应的点作为目标点;
样本区域集合确定单元,用于以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合,所述样本区域包括正样本区域和负样本区域,所述正样本区域中存在至少一个目标点,所述负样本区域不存在所述目标点;
灰度图生成单元,用于根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图,其中,正样本区域的灰度图作为训练路面交通标志识别模型的正例样本,负样本区域的灰度图作为训练路面交通标志识别模型的负例样本。
优选地,所述路面交通标志为车道线,所述样本区域集合确定单元以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合的过程,具体包括:
以所述车道线对应的任意一个目标点开始,沿所述车道线每隔第一设定单位长度,确定一个车道位置点;
以所述车道位置点为垂足,沿垂直于车道线方向每隔第二设定单位长度,确定一个相对位置点;
以所述车道位置点和所述相对位置点为矩形的中心点,按照设定矩形尺寸生成对应的矩形区域构成样本区域的集合,其中,包含所述车道线对应的目标点的矩形区域对应的样本区域为正样本区域,其余不包含所述车道线对应的目标点的矩形区域对应的样本区域为负样本区域。
优选地,所述路面交通标志为路面标识,所述样本区域集合确定单元以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合的过程,具体包括:
确定所述路面标识对应的目标点覆盖的区域的最小外接矩形;
以所述最小外接矩形的中轴线上任意一个点开始,沿所述中轴线每隔第一设定单位长度,确定一个路面标识位置点;
以所述路面标识位置点为垂足,沿垂直于所述中轴线方向每隔第二设定单位长度确定一个相对位置点;
以所述路面标识位置点和所述相对位置点为矩形的中心点,按照设定矩形尺寸生成对应的矩形区域构成样本区域的集合,其中,包含所述路面标识对应的目标点的矩形区域对应的样本区域为正样本区域,其余不包含所述路面标识对应的目标点的矩形区域对应的样本区域为负样本区域。
优选地,所述灰度图生成单元根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图的过程,具体包括:
根据所述原始点云数据中落入样本区域中的点云数据,确定所述点云数据中各点对应所述样本区域的灰度图中的像素点;
若所述样本区域的灰度图中,各像素点在所述点云数据中均存在对应的点,则根据所述样本区域的灰度图中各像素点对应的点的反射率,确定所述样本区域的灰度图中各像素点的灰度值。
优选地,所述灰度图生成单元根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图的过程,具体包括:
根据所述原始点云数据中落入样本区域中的点云数据,确定所述点云数据中各点对应所述样本区域的灰度图中的像素点;
以所述样本区域的灰度图中,在所述点云数据中存在对应的点的像素点为第一类像素点,根据各第一类像素点对应的点的反射率,确定各所述第一类像素点的反射率;
以所述样本区域的灰度图中,在所述点云数据中不存在对应的点的像素点为第二类像素点,根据各第二类像素点周围设定范围内的反射率已知的像素点的反射率,确定各第二类像素点的反射率;
根据所述样本区域的灰度图中各像素点的反射率,确定所述样本区域的灰度图中各像素点的灰度值。
优选地,所述灰度图生成单元根据各第二类像素点周围设定范围内的反射率已知的像素点的反射率,确定各第二类像素点的反射率的过程,包括:
以所述第二类像素点为设定范围的中心,确定在所述范围内的反射率已知的像素点;
计算各个已知反射率的像素点至所述第二类像素点的距离;
按照距离与权重成反比的关系,确定各个已知反射率的像素点的权重,各个已知反射率的像素点的权重的和值为1;
将各个已知反射率的像素点的权重和反射率相乘的结果进行相加,得到所述第二类像素点的反射率。
从上述的技术方案可以看出,本申请的训练数据生成方法,获取路面的原始点云数据;从所述原始点云数据中,确定路面交通标志对应的点作为目标点;以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合,所述样本区域包括正样本区域和负样本区域,所述正样本区域中存在至少一个目标点,所述负样本区域不存在所述目标点;根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图,其中,正样本区域的灰度图作为训练路面交通标志识别模型的正例样本,负样本区域的灰度图作为训练路面交通标志识别模型的负例样本。由此可见,本申请根据路面的原始点云数据即可自动生成正样本区域及负样本区域的灰度图,分别作为正例样本和负例样本来训练路面交通标识识别模型。本申请无需人工制作,节省人力资源,并且可以通过控制原始点云数据区域划分得到的样本区域的数量,以保证能够生成足够数量的训练样本。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种训练数据生成方法流程图;
图2为本申请实施例公开的一种划分得到样本区域集合的方法流程图;
图3为本申请示例的一种样本区域集合确定示意图;
图4为本申请实施例公开的另一种划分得到样本区域集合的方法流程图;
图5为本申请实施例公开的一种样本区域灰度图生成方法流程图;
图6为本申请实施例公开的另一种样本区域灰度图生成方法流程图;
图7为本申请实施例公开的一种确定第二类像素点的反射率方法流程图;
图8为本申请实施例公开的一种训练数据生成装置结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
路面交通标志识别模型是进行路面交通标志识别的模型,通过将一幅图像输入至模型,模型可以给出该图像是否包含路面交通标志的结论。其中,路面交通标志包括车道线、路面标识。路面标识如路面标记的转向标识、限速标识等。
为了训练得到路面交通标识识别模型,需要预先得到大量的训练数据。为此,本申请提供了一种训练数据生成方法,结合图1对本申请的训练数据生成方法进行介绍。
如图1所示,该方法包括:
步骤S100、获取路面的原始点云数据;
具体地,本步骤中获取的路面的原始点云数据为设定区域大小的路面的原始点云数据。
路面的原始点云数据由众多的三维坐标点组成,且各点均标识有反射率。
步骤S110、从所述原始点云数据中,确定路面交通标志对应的点作为目标点;
具体地,可以通过算法或人工从原始点云数据中确定出路面交通标志对应的点,作为目标点。
步骤S120、以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据覆盖进行区域划分,得到样本区域的集合;
其中,所述样本区域包括正样本区域和负样本区域,所述正样本区域中存在至少一个目标点,所述负样本区域不存在所述目标点。
具体地,在获取到原始点云数据和原始点云数据中组成路面交通标志的目标点之后,可以以目标点为基准,将原始点云数据进行区域划分,得到多个样本区域的集合,样本区域包括若干正样本区域和若干负样本区域。正样本区域中包含组成路面交通标志的目标点,而负样本区域中不包含组成路面交通标志的目标点。
步骤S130、根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图。
其中,正样本区域的灰度图作为训练路面交通标志识别模型的正例样本,负样本区域的灰度图作为训练路面交通标志识别模型的负例样本。
由于样本区域是从原始点云数据中划分得出,因此可以从原始点云数据中确定与样本区域的空间位置对应的点云数据,作为原始点云数据中落入样本区域中的点云数据。
具体地,可以将点云数据中的点沿高度方向投影,得到二维点云数据。进而根据二维点云数据的二维坐标,以及样本区域的二维坐标,确定原始点云数据中,落入样本区域中的点云数据。
为了加快从原始点云数据中确定落入样本区域中的点云数据的速度,本申请可以利用确定的样本区域的集合创建rtree树形结构,进而遍历原始点云数据,确定与各样本区域的空间位置对应的点云数据。
在确定出落入各样本区域中的点云数据之后,可以根据样本区域包含的点云数据,生成对应样本区域的灰度图。
其中,正样本区域由于包含路面交通标志对应的目标点,因此其对应的灰度图作为训练路面交通标志识别模型的正例样本。而负样本区域由于不包含路面交通标志对应的目标点,因此其对应的灰度图作为训练路面交通标志识别模型的负例样本。
在生成样本区域的灰度图时,将样本区域包含的点云数据中点的反射率转换为灰度像素,进而生成灰度图。
本申请根据路面的原始点云数据即可自动生成正样本区域及负样本区域的灰度图,分别作为正例样本和负例样本来训练路面交通标识识别模型。本申请无需人工制作,节省人力资源,并且可以通过控制原始点云数据区域划分得到的样本区域的数量,以保证能够生成足够数量的训练样本。
本申请的另一个实施例中,针对不同形式的路面交通标志,对上述步骤S120,以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合的过程分别进行介绍。
第一,路面交通标志为车道线。
则上述步骤S120,划分得到样本区域的集合的过程可以参照图2所示,该过程包括:
步骤S200、以所述车道线对应的任意一个目标点开始,沿所述车道线每隔第一设定单位长度,确定一个车道位置点;
具体地,本申请可以从车道线对应的任意一个目标点开始,沿车道线每隔第一设定单位长度确定一个车道位置点。其中,可以从目标点开始,沿车道线所在直线,向左、向右依次确定车道位置点。确定的车道位置点的数目可以根据需要而控制。可以理解的是,确定的车道位置点可以位于车道线上,也可以位于车道线的延长线上。
步骤S210、以所述车道位置点为垂足,沿垂直于车道线方向每隔第二设定单位长度,确定一个相对位置点;
具体地,对于上一步骤得到的车道位置点,以其为垂足,沿垂直于车道线的任意一个或两个方向上每隔第二设定单位长度,确定一个相对位置点。确定的相对位置点的数目可以根据需要而控制。
其中,第二设定单位长度可以和第一设定单位长度相同,也可以不同。
步骤S220、以所述车道位置点和所述相对位置点为矩形的中心点,按照设定矩形尺寸生成对应的矩形区域构成样本区域的集合。
其中,包含所述车道线对应的目标点的矩形区域对应的样本区域为正样本区域,其余不包含所述车道线对应的目标点的矩形区域对应的样本区域为负样本区域。
结合图3对上述确定样本区域的集合的过程进行介绍:
如图3所示,以车道线中目标点O1开始,沿车道线左右两个方向,每隔第一设定单位长度x1,确定一个车道位置点。
以上述确定的每一个车道位置点为垂足,沿垂直于车道线上下两个方向,每隔第二设定单位长度x2,确定一个相对位置点。
以上述确定的各个车道位置点和相对位置点为矩形的中心点,按照设定矩形尺寸(如宽为k1,高为k2)生成对应的矩形区域,作为样本区域。矩形尺寸可以由用户设定。可以选择矩形宽度k1大于第一设定单位长度x1,矩形高度k2大于第二设定单位长度x2。
可以理解的是,在沿车道线滑动生成的矩形区域中,当车道位置点不位于车道线上且距离车道线最近一个端点的距离超过矩形宽度k1时,所生成的矩形区域将不包含车道线对应的目标点。
同理,在沿垂直于车道线方向滑动生成的矩形区域中,当相对位置点距离车道线最近边缘点的距离超过矩形高度k2时,所生成的矩形区域将不包含车道线对应的目标点。
除此之外,所生成的其余矩形区域都包含车道线对应的目标点。
可以理解的是,通过控制第一设定单位长度x1、第二设定单位长度x2的大小,可以控制生成的样本区域的数量。第一设定单位长度x1和第二设定单位长度x2越小,生成的正样本区域的数量越多。当然,随着生成的车道线位置点和相对位置点数量的提升,生成的负样本区域的数量也增多。
第二,路面交通标志为路面标识,如转向箭头等。
则上述步骤S120,划分得到样本区域的集合的过程可以参照图4所示,该过程包括:
步骤S400、确定所述路面标识对应的目标点覆盖的区域的最小外接矩形;
步骤S410、以所述最小外接矩形的中轴线上任意一个点开始,沿所述中轴线每隔第一设定单位长度,确定一个路面标识位置点;
具体地,本申请可以以所述最小外接矩形的中轴线上任意一个点开始,沿中轴线每隔第一设定单位长度确定一个路面标识位置点。其中,可以从开始点,沿中轴线所在直线,向左、向右依次确定路面标识位置点。确定的路面标识位置点的数目可以根据需要而控制。可以理解的是,确定的路面标识位置点可以位置中轴线上,也可以位于中轴线的延长线上。
步骤S420、以所述路面标识位置点为垂足,沿垂直于所述中轴线方向每隔第二设定单位长度确定一个相对位置点;
具体地,对于上一步骤得到的路面标识位置点,以其为垂足,沿垂直于中轴线的任意一个或两个方向上每隔第二设定单位长度,确定一个相对位置点。确定的相对位置点的数目可以根据需要而控制。
其中,第二设定单位长度可以和第一设定单位长度相同,也可以不同。
步骤S430、以所述路面标识位置点和所述相对位置点为矩形的中心点,按照设定矩形尺寸生成对应的矩形区域构成样本区域的集合。
其中,包含所述路面标识对应的目标点的矩形区域对应的样本区域为正样本区域,其余不包含所述路面标识对应的目标点的矩形区域对应的样本区域为负样本区域。
可以理解的是,本实施例划分得到样本区域的集合的过程与路面交通标识为车道线时的过程类似。可以将确定的路面标识对应的目标点覆盖的区域的最小外接矩形看作车道线所在的区域,后续步骤类似。
进一步,对步骤S130,根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图的过程进行介绍。其具体实现过程可以参照图5。
如图5所示,该过程包括:
步骤S500、根据所述原始点云数据中落入样本区域中的点云数据,确定所述点云数据中各点对应所述样本区域的灰度图中的像素点;
具体地,原始点云数据落入样本区域中的点云数据,最大横坐标maxX与最小横坐标minX的差值对应样本区域的灰度图的横向像素值w;最大纵坐标maxY与最小纵坐标minY的差值对应样本区域的灰度图的纵向像素值h。因此,可以确定每个像素点的长和宽,分别为:
像素点的长GridL=(maxX-minX)/w
像素点的宽GridW=(maxY-minY)/h
基于此,可以确定落入样本区域的点云数据中,每个点对应样本区域的灰度图中的像素点的位置。
以点云数据中点(x,y)为例,其对应像素点的横坐标为:
Piex_X=(x-minX)/GridL
其对应像素点的纵坐标为:
Piex_Y=(maxY-y)/GridW
步骤S510、若所述样本区域的灰度图中,各像素点在所述点云数据中均存在对应的点,则根据所述样本区域的灰度图中各像素点对应的点的反射率,确定所述样本区域的灰度图中各像素点的灰度值。
具体地,步骤S500中将点云数据中的点向样本区域的灰度图的像素点进行映射。若点云数据足够稠密,则灰度图中每一像素点在点云数据中均存在对应的点。也即,灰度图的像素点矩阵中每一像素点均对应有点云数据中的点。在此情况下,可以根据灰度图中各像素点对应的点的反射率,来确定各像素点的灰度值。
一种可选的实施方式中,可以得到各像素点对应的点中最大反射率maxR和最小反射率minR,最大反射率对应最大灰度值255,最小反射率对应最小灰度值0。因此,在确定像素点的灰度值时,若该像素点对应点的反射率为R,,则其灰度值C=(R-minR)*255/(maxR-minR)。
当然除此之外,还可以定义像素点的反射率为其对应的点的反射率。此时,在确定像素点的灰度值时,若该像素点的反射率为R,则其灰度值C=(R-minR)*255/(maxR-minR)。
在本申请的另一个可选的实施例中,介绍了上述步骤S130,根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图的另一种可选实施过程,具体可以参照图6。
如图6所示,该过程包括:
步骤S600、根据所述原始点云数据中落入样本区域中的点云数据,确定所述点云数据中各点对应所述样本区域的灰度图中的像素点;
具体地,步骤S600与上述步骤S500相互对应,具体可以参照上述实施例介绍,此处不再赘述。
步骤S610、以所述样本区域的灰度图中,在所述点云数据中存在对应点的像素点为第一类像素点,根据各第一类像素点对应的点的反射率,确定各所述第一类像素点的反射率;
步骤S620、以所述样本区域的灰度图中,在所述点云数据中不存在对应的点的像素点为第二类像素点,根据各第二类像素点周围设定范围内的反射率已知的像素点的反射率,确定各第二类像素点的反射率;
具体地,若点云数据比较稀疏,则灰度图中可能存在部分像素点没有对应的点云数据中的点,本申请定义这部分没有对应点的像素点为第二类像素点,其余存在对应点的像素点为第一类像素点。需要说明的是,第一类像素点和第二类像素点仅仅是为了便于描述,其均属于样本区域的灰度图中的像素点。
对于第一类像素点,可以将其反射率确定为对应的点的反射率。对于第二类像素点,可以根据其周围设定范围内的反射率已知的像素点的反射率,确定其反射率。
步骤S630、根据所述样本区域的灰度图中各像素点的反射率,确定所述样本区域的灰度图中各像素点的灰度值。
具体地,经过上述各步骤,对于样本区域的灰度图中每一像素点(包括第一类像素点和第二类像素点)均确定出反射率,本步骤中可以根据各像素点的反射率,确定所述样本区域的灰度图中各像素点的灰度值。
与上述类似的,可以得到灰度图中各像素点的反射率中最大反射率maxR和最小反射率minR,最大反射率对应最大灰度值255,最小反射率对应最小灰度值0。因此,在确定像素点的灰度值时,若该像素点的反射率为R,则其灰度值C=(R-minR)*255/(maxR-minR)。
本实施例中当确定样本区域的灰度图中存在第二类像素点没有对应的点云数据中的点时,利用第二类像素点周围已知反射率的像素点的反射率来确定第二类像素点的反射率,进而可以确定灰度图中各像素点的灰度值,而不会出现第二类像素点无法确定灰度值,存在空白像素点的情况,保证生成的灰度图拥有足够的特征,以提高模型训练效果。
可选的,上述步骤S620,根据各第二类像素点周围设定范围内的反射率已知的像素点的反射率,确定各第二类像素点的反射率的实现过程可以参照图7所示,包括:
步骤S700、以所述第二类像素点为设定范围的中心,确定在所述范围内的反射率已知的像素点;
具体地,设定范围可以由用户设定。在该设定范围内,查找已确定反射率的像素点。
步骤S710、计算各个已知反射率的像素点至所述第二类像素点的距离;
步骤S720、按照距离与权重成反比的关系,确定各个已知反射率的像素点的权重,各个已知反射率的像素点的权重的和值为1;
假设设定范围内共查找到n个已知反射率的像素点,其中第i个像素点至第二类像素点的距离表示为di,其权重表示为pi。则存在如下公式:
p1+p2+…+pi+…+pn=1(1)
由于权重与距离成反比,因此存在如下公式:
选定其中一个像素点,定义其权重为pl,与第二类像素点的距离为dl,则其它像素点的权重为:
pi=pl*dl/di(2)
由公式(1)(2)可以确定每个像素点的权重值。
步骤S730、将各个已知反射率的像素点的权重和反射率相乘的结果进行相加,得到所述第二类像素点的反射率。
第二类像素点的反射率R=r1*p1+r2*p2+…+ri*pi+…+rn*pn
其中,ri表示第i个已知反射率的像素点的反射率。
下面对本申请实施例提供的训练数据生成装置进行描述,下文描述的训练数据生成装置与上文描述的训练数据生成方法可相互对应参照。
参见图8,图8为本申请实施例公开的一种训练数据生成装置结构示意图。如图8所示,该装置包括:
点云数据获取单元11,用于获取路面的原始点云数据;
目标点确定单元12,用于从所述原始点云数据中,确定路面交通标志对应的点作为目标点;
样本区域集合确定单元13,用于以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合,所述样本区域包括正样本区域和负样本区域,所述正样本区域中存在至少一个目标点,所述负样本区域不存在所述目标点;
灰度图生成单元14,用于根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图,其中,正样本区域的灰度图作为训练路面交通标志识别模型的正例样本,负样本区域的灰度图作为训练路面交通标志识别模型的负例样本。
本申请的装置根据路面的原始点云数据即可自动生成正样本区域及负样本区域的灰度图,分别作为正例样本和负例样本来训练路面交通标识识别模型。本申请无需人工制作,节省人力资源,并且可以通过控制原始点云数据区域划分所得到的样本区域的数量,以保证能够生成足够数量的训练样本。
可选的,当所述路面交通标志为车道线时,所述样本区域集合确定单元以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合的过程,具体包括:
以所述车道线对应的任意一个目标点开始,沿所述车道线每隔第一设定单位长度,确定一个车道位置点;
以所述车道位置点为垂足,沿垂直于车道线方向每隔第二设定单位长度,确定一个相对位置点;
以所述车道位置点和所述相对位置点为矩形的中心点,按照设定矩形尺寸生成对应的矩形区域构成样本区域的集合,其中,包含所述车道线对应的目标点的矩形区域对应的样本区域为正样本区域,其余不包含所述车道线对应的目标点的矩形区域对应的样本区域为负样本区域。
可选的,当所述路面交通标志为路面标识时,所述样本区域集合确定单元以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合的过程,具体包括:
确定所述路面标识对应的目标点覆盖的区域的最小外接矩形;
以所述最小外接矩形的中轴线上任意一个点开始,沿所述中轴线每隔第一设定单位长度,确定一个路面标识位置点;
以所述路面标识位置点为垂足,沿垂直于所述中轴线方向每隔第二设定单位长度确定一个相对位置点;
以所述路面标识位置点和所述相对位置点为矩形的中心点,按照设定矩形尺寸生成对应的矩形区域构成样本区域的集合,其中,包含所述路面标识对应的目标点的矩形区域对应的样本区域为正样本区域,其余不包含所述路面标识对应的目标点的矩形区域对应的样本区域为负样本区域。
可选的,所述灰度图生成单元根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图的过程,具体可以包括:
根据所述原始点云数据中落入样本区域中的点云数据,确定所述点云数据中各点对应所述样本区域的灰度图中的像素点;
若所述样本区域的灰度图中,各像素点在所述点云数据中均存在对应的点,则根据所述样本区域的灰度图中各像素点对应的点的反射率,确定所述样本区域的灰度图中各像素点的灰度值。
进一步可选的,所述灰度图生成单元根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图的过程,还可以包括:
根据所述原始点云数据中落入样本区域中的点云数据,确定所述点云数据中各点对应所述样本区域的灰度图中的像素点;
以所述样本区域的灰度图中,在所述点云数据中存在对应的点的像素点为第一类像素点,根据各第一类像素点对应的点的反射率,确定所述第一类像素点的反射率;
以所述样本区域的灰度图中,在所述点云数据中不存在对应的点的像素点为第二类像素点,根据各第二类像素点周围设定范围内的反射率已知的像素点的反射率,确定各第二类像素点的反射率;
根据所述样本区域的灰度图中各像素点的反射率,确定所述样本区域的灰度图中各像素点的灰度值。
可选的,所述灰度图生成单元根据各第二类像素点周围设定范围内的反射率已知的像素点的反射率,确定各第二类像素点的反射率的过程,包括:
以所述第二类像素点为设定范围的中心,确定在所述范围内的反射率已知的像素点;
计算各个已知反射率的像素点至所述第二类像素点的距离;
按照距离与权重成反比的关系,确定各个已知反射率的像素点的权重,各个已知反射率的像素点的权重的和值为1;
将各个已知反射率的像素点的权重和反射率相乘的结果进行相加,得到所述第二类像素点的反射率。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种训练数据生成方法,其特征在于,包括:
获取路面的原始点云数据;
从所述原始点云数据中,确定路面交通标志对应的点作为目标点;
以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合,所述样本区域包括正样本区域和负样本区域,所述正样本区域中存在至少一个目标点,所述负样本区域不存在所述目标点;
根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图,其中,正样本区域的灰度图作为训练路面交通标志识别模型的正例样本,负样本区域的灰度图作为训练路面交通标志识别模型的负例样本。
2.根据权利要求1所述的方法,其特征在于,所述路面交通标志为车道线,所述以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合,包括:
以所述车道线对应的任意一个目标点开始,沿所述车道线每隔第一设定单位长度,确定一个车道位置点;
以所述车道位置点为垂足,沿垂直于车道线方向每隔第二设定单位长度,确定一个相对位置点;
以所述车道位置点和所述相对位置点为矩形的中心点,按照设定矩形尺寸生成对应的矩形区域构成样本区域的集合,其中,包含所述车道线对应的目标点的矩形区域对应的样本区域为正样本区域,其余不包含所述车道线对应的目标点的矩形区域对应的样本区域为负样本区域。
3.根据权利要求1所述的方法,其特征在于,所述路面交通标志为路面标识,所述以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合,包括:
确定所述路面标识对应的目标点覆盖的区域的最小外接矩形;
以所述最小外接矩形的中轴线上任意一个点开始,沿所述中轴线每隔第一设定单位长度,确定一个路面标识位置点;
以所述路面标识位置点为垂足,沿垂直于所述中轴线方向每隔第二设定单位长度确定一个相对位置点;
以所述路面标识位置点和所述相对位置点为矩形的中心点,按照设定矩形尺寸生成对应的矩形区域构成样本区域的集合,其中,包含所述路面标识对应的目标点的矩形区域对应的样本区域为正样本区域,其余不包含所述路面标识对应的目标点的矩形区域对应的样本区域为负样本区域。
4.根据权利要求1所述的方法,其特征在于,所述根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图,包括:
根据所述原始点云数据中落入样本区域中的点云数据,确定所述点云数据中各点对应所述样本区域的灰度图中的像素点;
若所述样本区域的灰度图中,各像素点在所述点云数据中均存在对应的点,则根据所述样本区域的灰度图中各像素点对应的点的反射率,确定所述样本区域的灰度图中各像素点的灰度值。
5.根据权利要求1所述的方法,其特征在于,所述根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图,包括:
根据所述原始点云数据中落入样本区域中的点云数据,确定所述点云数据中各点对应所述样本区域的灰度图中的像素点;
以所述样本区域的灰度图中,在所述点云数据中存在对应点的像素点为第一类像素点,根据各第一类像素点对应的点的反射率,确定各所述第一类像素点的反射率;
以所述样本区域的灰度图中,在所述点云数据中不存在对应的点的像素点为第二类像素点,根据各第二类像素点周围设定范围内的反射率已知的像素点的反射率,确定各第二类像素点的反射率;
根据所述样本区域的灰度图中各像素点的反射率,确定所述样本区域的灰度图中各像素点的灰度值。
6.根据权利要求5所述的方法,其特征在于,所述根据各第二类像素点周围设定范围内的反射率已知的像素点的反射率,确定各第二类像素点的反射率,包括:
以所述第二类像素点为设定范围的中心,确定在所述范围内的反射率已知的像素点;
计算各个已知反射率的像素点至所述第二类像素点的距离;
按照距离与权重成反比的关系,确定各个已知反射率的像素点的权重,各个已知反射率的像素点的权重的和值为1;
将各个已知反射率的像素点的权重和反射率相乘的结果进行相加,得到所述第二类像素点的反射率。
7.一种训练数据生成装置,其特征在于,包括:
点云数据获取单元,用于获取路面的原始点云数据;
目标点确定单元,用于从所述原始点云数据中,确定路面交通标志对应的点作为目标点;
样本区域集合确定单元,用于以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合,所述样本区域包括正样本区域和负样本区域,所述正样本区域中存在至少一个目标点,所述负样本区域不存在所述目标点;
灰度图生成单元,用于根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图,其中,正样本区域的灰度图作为训练路面交通标志识别模型的正例样本,负样本区域的灰度图作为训练路面交通标志识别模型的负例样本。
8.根据权利要求7所述的装置,其特征在于,所述路面交通标志为车道线,所述样本区域集合确定单元以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合的过程,具体包括:
以所述车道线对应的任意一个目标点开始,沿所述车道线每隔第一设定单位长度,确定一个车道位置点;
以所述车道位置点为垂足,沿垂直于车道线方向每隔第二设定单位长度,确定一个相对位置点;
以所述车道位置点和所述相对位置点为矩形的中心点,按照设定矩形尺寸生成对应的矩形区域构成样本区域的集合,其中,包含所述车道线对应的目标点的矩形区域对应的样本区域为正样本区域,其余不包含所述车道线对应的目标点的矩形区域对应的样本区域为负样本区域。
9.根据权利要求7所述的装置,其特征在于,所述路面交通标志为路面标识,所述样本区域集合确定单元以所述路面交通标志对应的目标点为基准,将所述路面的原始点云数据进行区域划分,得到样本区域的集合的过程,具体包括:
确定所述路面标识对应的目标点覆盖的区域的最小外接矩形;
以所述最小外接矩形的中轴线上任意一个点开始,沿所述中轴线每隔第一设定单位长度,确定一个路面标识位置点;
以所述路面标识位置点为垂足,沿垂直于所述中轴线方向每隔第二设定单位长度确定一个相对位置点;
以所述路面标识位置点和所述相对位置点为矩形的中心点,按照设定矩形尺寸生成对应的矩形区域构成样本区域的集合,其中,包含所述路面标识对应的目标点的矩形区域对应的样本区域为正样本区域,其余不包含所述路面标识对应的目标点的矩形区域对应的样本区域为负样本区域。
10.根据权利要求7所述的装置,其特征在于,所述灰度图生成单元根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图的过程,具体包括:
根据所述原始点云数据中落入样本区域中的点云数据,确定所述点云数据中各点对应所述样本区域的灰度图中的像素点;
若所述样本区域的灰度图中,各像素点在所述点云数据中均存在对应的点,则根据所述样本区域的灰度图中各像素点对应的点的反射率,确定所述样本区域的灰度图中各像素点的灰度值。
11.根据权利要求7所述的装置,其特征在于,所述灰度图生成单元根据所述原始点云数据中,落入样本区域中的点云数据,生成对应样本区域的灰度图的过程,具体包括:
根据所述原始点云数据中落入样本区域中的点云数据,确定所述点云数据中各点对应所述样本区域的灰度图中的像素点;
以所述样本区域的灰度图中,在所述点云数据中存在对应的点的像素点为第一类像素点,根据各第一类像素点对应的点的反射率,确定各所述第一类像素点的反射率;
以所述样本区域的灰度图中,在所述点云数据中不存在对应的点的像素点为第二类像素点,根据各第二类像素点周围设定范围内的反射率已知的像素点的反射率,确定各第二类像素点的反射率;
根据所述样本区域的灰度图中各像素点的反射率,确定所述样本区域的灰度图中各像素点的灰度值。
12.根据权利要求11所述的装置,其特征在于,所述灰度图生成单元根据各第二类像素点周围设定范围内的反射率已知的像素点的反射率,确定各第二类像素点的反射率的过程,包括:
以所述第二类像素点为设定范围的中心,确定在所述范围内的反射率已知的像素点;
计算各个已知反射率的像素点至所述第二类像素点的距离;
按照距离与权重成反比的关系,确定各个已知反射率的像素点的权重,各个已知反射率的像素点的权重的和值为1;
将各个已知反射率的像素点的权重和反射率相乘的结果进行相加,得到所述第二类像素点的反射率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711044197.9A CN109726728B (zh) | 2017-10-31 | 2017-10-31 | 一种训练数据生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711044197.9A CN109726728B (zh) | 2017-10-31 | 2017-10-31 | 一种训练数据生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109726728A true CN109726728A (zh) | 2019-05-07 |
CN109726728B CN109726728B (zh) | 2020-12-15 |
Family
ID=66293951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711044197.9A Active CN109726728B (zh) | 2017-10-31 | 2017-10-31 | 一种训练数据生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726728B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419360A (zh) * | 2020-11-16 | 2021-02-26 | 北京理工大学 | 一种基于立体成像的背景去除和目标图像分割方法 |
CN112666553A (zh) * | 2020-12-16 | 2021-04-16 | 动联(山东)电子科技有限公司 | 一种基于毫米波雷达的道路积水识别方法及设备 |
CN113298910A (zh) * | 2021-05-14 | 2021-08-24 | 阿波罗智能技术(北京)有限公司 | 生成交通标志线地图的方法、设备和存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8886387B1 (en) * | 2014-01-07 | 2014-11-11 | Google Inc. | Estimating multi-vehicle motion characteristics by finding stable reference points |
US9052721B1 (en) * | 2012-08-28 | 2015-06-09 | Google Inc. | Method for correcting alignment of vehicle mounted laser scans with an elevation map for obstacle detection |
CN104700099A (zh) * | 2015-03-31 | 2015-06-10 | 百度在线网络技术(北京)有限公司 | 识别交通标志的方法和装置 |
CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 一种获取车道线的方法和装置 |
CN104850834A (zh) * | 2015-05-11 | 2015-08-19 | 中国科学院合肥物质科学研究院 | 基于三维激光雷达的道路边界检测方法 |
CN105488498A (zh) * | 2016-01-15 | 2016-04-13 | 武汉光庭信息技术股份有限公司 | 一种基于激光点云的车道边线自动提取方法及*** |
CN105701449A (zh) * | 2015-12-31 | 2016-06-22 | 百度在线网络技术(北京)有限公司 | 路面上的车道线的检测方法和装置 |
CN106228125A (zh) * | 2016-07-15 | 2016-12-14 | 浙江工商大学 | 基于集成学习级联分类器的车道线检测方法 |
CN106295607A (zh) * | 2016-08-19 | 2017-01-04 | 北京奇虎科技有限公司 | 道路识别方法及装置 |
CN106525000A (zh) * | 2016-10-31 | 2017-03-22 | 武汉大学 | 基于激光扫描离散点强度梯度的道路标线自动化提取方法 |
CN106570446A (zh) * | 2015-10-12 | 2017-04-19 | 腾讯科技(深圳)有限公司 | 车道线提取的方法和装置 |
CN106705962A (zh) * | 2016-12-27 | 2017-05-24 | 首都师范大学 | 一种获取导航数据的方法及*** |
CN106845321A (zh) * | 2015-12-03 | 2017-06-13 | 高德软件有限公司 | 路面标记信息的处理方法和装置 |
US20170193312A1 (en) * | 2014-03-27 | 2017-07-06 | Georgia Tech Research Corporation | Systems and Methods for Identifying Traffic Control Devices and Testing the Retroreflectivity of the Same |
CN107122776A (zh) * | 2017-04-14 | 2017-09-01 | 重庆邮电大学 | 一种基于卷积神经网络的交通标志检测与识别方法 |
-
2017
- 2017-10-31 CN CN201711044197.9A patent/CN109726728B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9052721B1 (en) * | 2012-08-28 | 2015-06-09 | Google Inc. | Method for correcting alignment of vehicle mounted laser scans with an elevation map for obstacle detection |
US8886387B1 (en) * | 2014-01-07 | 2014-11-11 | Google Inc. | Estimating multi-vehicle motion characteristics by finding stable reference points |
US20170193312A1 (en) * | 2014-03-27 | 2017-07-06 | Georgia Tech Research Corporation | Systems and Methods for Identifying Traffic Control Devices and Testing the Retroreflectivity of the Same |
CN104700099A (zh) * | 2015-03-31 | 2015-06-10 | 百度在线网络技术(北京)有限公司 | 识别交通标志的方法和装置 |
CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 一种获取车道线的方法和装置 |
CN104850834A (zh) * | 2015-05-11 | 2015-08-19 | 中国科学院合肥物质科学研究院 | 基于三维激光雷达的道路边界检测方法 |
CN106570446A (zh) * | 2015-10-12 | 2017-04-19 | 腾讯科技(深圳)有限公司 | 车道线提取的方法和装置 |
CN106845321A (zh) * | 2015-12-03 | 2017-06-13 | 高德软件有限公司 | 路面标记信息的处理方法和装置 |
CN105701449A (zh) * | 2015-12-31 | 2016-06-22 | 百度在线网络技术(北京)有限公司 | 路面上的车道线的检测方法和装置 |
CN105488498A (zh) * | 2016-01-15 | 2016-04-13 | 武汉光庭信息技术股份有限公司 | 一种基于激光点云的车道边线自动提取方法及*** |
CN106228125A (zh) * | 2016-07-15 | 2016-12-14 | 浙江工商大学 | 基于集成学习级联分类器的车道线检测方法 |
CN106295607A (zh) * | 2016-08-19 | 2017-01-04 | 北京奇虎科技有限公司 | 道路识别方法及装置 |
CN106525000A (zh) * | 2016-10-31 | 2017-03-22 | 武汉大学 | 基于激光扫描离散点强度梯度的道路标线自动化提取方法 |
CN106705962A (zh) * | 2016-12-27 | 2017-05-24 | 首都师范大学 | 一种获取导航数据的方法及*** |
CN107122776A (zh) * | 2017-04-14 | 2017-09-01 | 重庆邮电大学 | 一种基于卷积神经网络的交通标志检测与识别方法 |
Non-Patent Citations (6)
Title |
---|
HONGHUI ZHANG等: "Joint Segmentation of Images and Scanned Point Cloud in Large-Scale Street Scenes With Low-Annotation Cost", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
MARIO SOILÁN等: "Traffic Sign Detection in MLS Acquired Point Clouds for Geometric and Image-based Semantic Inventory", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
YONGTAO YU等: "Semiautomated Extraction of Street Light Poles From Mobile LiDAR Point-Clouds", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
任洪梅: "基于深度学习的路面交通标志识别", 《信息通信》 * |
罗敏: "数字图像辅助激光点云特征提取研究", 《万方在线》 * |
邹晓亮等: "移动车载激光点云的道路标线自动识别与提取", 《测绘与空间地理信息》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419360A (zh) * | 2020-11-16 | 2021-02-26 | 北京理工大学 | 一种基于立体成像的背景去除和目标图像分割方法 |
CN112419360B (zh) * | 2020-11-16 | 2023-02-21 | 北京理工大学 | 一种基于立体成像的背景去除和目标图像分割方法 |
CN112666553A (zh) * | 2020-12-16 | 2021-04-16 | 动联(山东)电子科技有限公司 | 一种基于毫米波雷达的道路积水识别方法及设备 |
CN112666553B (zh) * | 2020-12-16 | 2023-04-18 | 动联(山东)电子科技有限公司 | 一种基于毫米波雷达的道路积水识别方法及设备 |
CN113298910A (zh) * | 2021-05-14 | 2021-08-24 | 阿波罗智能技术(北京)有限公司 | 生成交通标志线地图的方法、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109726728B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112639888B (zh) | 程序世界生成 | |
Wen et al. | A deep learning framework for road marking extraction, classification and completion from mobile laser scanning point clouds | |
US7707012B2 (en) | Simulated city generation | |
CN109165549B (zh) | 基于三维点云数据的道路标识获取方法、终端设备及装置 | |
CN101770581B (zh) | 高分辨率城区遥感图像中道路中心线的半自动检测方法 | |
CN109064549B (zh) | 标志点检测模型生成方法及标志点检测方法 | |
WO2017020465A1 (zh) | 道路三维模型的建模方法、装置和存储介质 | |
CN109726728A (zh) | 一种训练数据生成方法及装置 | |
WO2017166371A1 (zh) | 一种基于天空可视域评价的开放空间周边建筑形态优化控制方法 | |
CN110782974A (zh) | 预测解剖标志的方法和使用该方法预测解剖标志的设备 | |
CN108520197A (zh) | 一种遥感图像目标检测方法及装置 | |
JP2006506744A5 (zh) | ||
JP6760781B2 (ja) | 3次元モデル生成装置、3次元モデル生成方法及びプログラム | |
CN109858374B (zh) | 高精度地图制作中箭头类标线自动提取方法和装置 | |
Wang et al. | Automatic high-fidelity 3D road network modeling based on 2D GIS data | |
WO2021051346A1 (zh) | 立体车道线确定方法、装置和电子设备 | |
CN112257772B (zh) | 一种道路增减区间切分方法、装置、电子设备及存储介质 | |
CN103177451A (zh) | 基于图像边缘的自适应窗口和权重的立体匹配算法 | |
CN105678747A (zh) | 一种基于主曲率的牙齿网格模型自动分割方法 | |
CN115423935A (zh) | 一种历史文化街区的可视域分析方法及*** | |
Tang et al. | Assessing the visibility of urban greenery using MLS LiDAR data | |
Bellusci et al. | Semantic interpretation of raw survey vehicle sensory data for lane-level HD map generation | |
CN110306809A (zh) | 基于bim三维激光扫描的钢结构幕墙定位安装纠偏方法 | |
WO2021200037A1 (ja) | 道路劣化判定装置、道路劣化判定方法、及び、記録媒体 | |
CN116702299B (zh) | 一种基于园林模拟的园林设计方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200430 Address after: 310052 room 508, floor 5, building 4, No. 699, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Alibaba (China) Co.,Ltd. Address before: 102200, No. 8, No., Changsheng Road, Changping District science and Technology Park, Beijing, China. 1-5 Applicant before: AUTONAVI SOFTWARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |