CN112435336B - 一种弯道类型识别方法、装置、电子设备及存储介质 - Google Patents

一种弯道类型识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112435336B
CN112435336B CN202011271209.3A CN202011271209A CN112435336B CN 112435336 B CN112435336 B CN 112435336B CN 202011271209 A CN202011271209 A CN 202011271209A CN 112435336 B CN112435336 B CN 112435336B
Authority
CN
China
Prior art keywords
central axis
road surface
point
calculating
points
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
Application number
CN202011271209.3A
Other languages
English (en)
Other versions
CN112435336A (zh
Inventor
刘圆
刘春成
惠念
刘奋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN202011271209.3A priority Critical patent/CN112435336B/zh
Publication of CN112435336A publication Critical patent/CN112435336A/zh
Application granted granted Critical
Publication of CN112435336B publication Critical patent/CN112435336B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Graphics (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明提供一种弯道类型识别方法、装置、电子设备及存储介质，该方法包括：采集道路面点云，将道路面点云投影为平面图像，提取道路面中轴线后，对道路面中轴线进行扩展，计算中轴线属性；计算中轴线投影图的图像矩，并计算中轴线的关键特征；通过层次聚类对中轴线特征集合进行聚类，基于初始聚类中心，通过K‑means聚类方法对中轴线特征集合进行聚类，将特征向量输出至模型文件；提取待识别数据的特征向量，计算待识别特征向量与模型特征向量的马氏距离，确定待识别数据类型。通过该方案可以自动识别弯道类型，提高高精度地图制作中道路识别的适应性和识别结果的准确性，方便针对不同弯道场景选择准确的处理算法和配置参数，保障道路提取效果。

Description

一种弯道类型识别方法、装置、电子设备及存储介质
技术领域
本发明涉及高精度地图制作领域，尤其涉及一种弯道类型识别方法、装置、电子设备及存储介质。
背景技术
在高精度地图制作中，自动化辅助制图相比于传统人工矢量化的制图，具有流程自动化、制作效率高、整体成本低等优势。由于地图领域的道路场景多样性，自动化辅助制图需要针对不同场景开发相应处理算法，其中弯道区域是一种特殊的道路场景。
相比一般道路区域，弯道区域具有特殊的空间形态和特有的要素类型，适用于一般道路区域的处理算法不能完全适用于弯道区域。比如前视投影算法对应的深度方向距离需要比一般道路区域更短，高程过滤算法需要考虑地面坡度的影响，车道线残缺补全算法需要考虑横向坡度，路沿石、护栏、车道线等线性要素的自动提取时方向启发阈值需要调整，常见的分歧或合流地面标线一般出现在弯道区域附近，线形诱导标一般出现在匝道区域。不同种类的弯道对应的空间形态、要素种类也是存在细微差异的，针对不同类型的弯道，处理算法的阈值配置会有差别。
目前，已有的弯道识别方法多是直接应用于自动驾驶场景，即实时采集道路场景经视觉分析后进行驾驶控制，需要考虑算法时间复杂度问题，几乎没有将弯道识别用于高精度地图制作。一些常用的制图领域的道路识别方法，在不同类型弯道识别中适应性较差，识别结果准确性不高。
发明内容
有鉴于此，本发明实施例提供了一种弯道类型识别方法、装置、电子设备及存储介质，以解决现有不同类型弯道识别方法中适应性较差，识别结果准确性不高的问题。
在本发明实施例的第一方面，提供了一种弯道类型识别方法，包括：
通过车载激光雷达采集道路面点云，将道路面点云投影为二维XOY平面图像，通过图像形态学算子提取道路面中轴线后，对道路面中轴线进行扩展，计算扩展后道路面中轴线属性；
将道路面中轴线投影至二维XOY平面，计算投影图的图像矩，并计算每条中轴线的关键特征；
通过层次聚类对中轴线特征集合进行聚类，得到初始聚类中心，基于初始聚类中心，通过K-means聚类方法对中轴线特征集合进行聚类，将簇的中心特征向量输出至模型文件中，并确定模型文件对应的弯道类型；
提取待识别数据的特征向量，计算待识别数据特征向量与模型特征向量的马氏距离，选择距离最近弯道类型作为待识别数据类型。
在本发明实施例的第二方面，提供了一种用于弯道类型识别的装置，包括：
预处理模块，用于通过车载激光雷达采集道路面点云，将道路面点云投影为二维XOY平面图像，通过图像形态学算子提取道路面中轴线后，对道路面中轴线进行扩展，计算扩展后道路面中轴线属性；
特征提取模块，用于将道路面中轴线投影至二维XOY平面，计算投影图的图像矩，并计算每条中轴线的关键特征；
模型生成模块，用于通过层次聚类对中轴线特征集合进行聚类，得到初始聚类中心，基于初始聚类中心，通过K-means聚类方法对中轴线特征集合进行聚类，将簇的中心特征向量输出至模型文件中，并确定模型文件对应的弯道类型；
数据识别模块，用于提取待识别数据的特征向量，计算待识别数据特征向量与模型特征向量的马氏距离，选择距离最近弯道类型作为待识别数据类型。
在本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
本发明实施例的第四方面，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，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中，对不同道路面点云进行处理提取中轴线并计算其属性，提取中轴线上关键特征，再通过聚类算法确定不同弯道的模型，最后基于弯道模型对不同场景数据进行分类。可以实现对道路数据进行弯道类型分类，增强弯道识别算法的适应性，保障识别结果的准确性。在高精度地图生产时，可针对特定场景选择合适的处理算法及配置参数，减少算法场景不对应导致的数据提取效果不佳问题，减少单一算法的处理复杂性，提高整体生成效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述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取其他附图。
图1为本发明的一个实施例提供的一种弯道类型识别方法的流程示意图；
图2为本发明的一个实施例提供的一种弯道类型识别方法的另一流程示意图；
图3为本发明的一个实施例提供的一种用于弯道类型识别的装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或***、设备没有限定于已列出的步骤或单元。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或***、设备没有限定于已列出的步骤或单元。此外，“第一”“第二”用于区分不同对象，并非用于描述特定顺序.
请参阅图1，图1为本发明一个实施例提供的一种弯道类型识别方法的流程示意图，包括：
S101、通过车载激光雷达采集道路面点云，将道路面点云投影为二维XOY平面图像，通过图像形态学算子提取道路面中轴线后，对道路面中轴线进行扩展，计算扩展后道路面中轴线属性；
所述道路面点云为空间三维物体外观的点集合，将三维的点云数据投影至二维平面可以方便中轴线的提取、特征计算等。所述二维XOY平面即二维平面，按一定方向将道路面点云数据投影至二维平面，并在二维平面上有XY二维坐标系。
将道路面点云投影为二维XOY平面图像，并记录投影参数，所述投影参数包含有投影区域真实坐标及每个像素对应的实际长度。
可以理解的是，在一个实施例中，使用车载激光点云解算时的POS数据(定位定姿***，即IMU/DGPS组合的高精度位置与姿态测量***)替代点云中轴线。其中，POS数据的每一个点等间隔替代中轴线点，对应点的ro l l角(横滚角)替代横向坡度，对应点的pitch角(俯仰角)代替纵向坡度，对应点的yaw角(航向角)代替航向角。
S102、将道路面中轴线投影至二维XOY平面，计算投影图的图像矩，并计算每条中轴线的关键特征；
将每条中轴线沿XOY平面进行投影得到投影图，计算投影图的Hu矩，所述图像矩，即Hu矩，用于对图像特征进行参数描述，方便图像特征计算及提取。
示例性的，所述投影图宽为1024像素，高为1024像素，单个像素代表实际10厘米。
其中，所述中轴线的关键特征至少包括中轴线的横向坡度的均值及标准差、中轴线的纵向坡度的均值及标准差、中轴线的实际长度/原始长度的比值以及中轴线点的航向。所述实际长度为中轴线投影后像素对应的长度，所述原始长度是中轴线投影前的长度。
S103、通过层次聚类对中轴线特征集合进行聚类，得到初始聚类中心，基于初始聚类中心，通过K-means聚类方法对中轴线特征集合进行聚类，将簇的中心特征向量输出至模型文件中，并确定模型文件对应的弯道类型；
所述层次聚类是通过计算节点间的相似性，对相似性进行高低排序，进行有层次的嵌套聚类。通过层次聚类方法对所有中轴线的特征集合进行聚类，以簇中心为初始聚类中心。基于已知的初始聚类中心，通过K-means聚类方法对中轴线的特征集合进行聚类，聚类收敛速度快，其中，聚类中选用马氏距离进行距离度量。
对所有中轴线特征聚类，将簇中心特征向量输出至文件中，文件对应于不同类型弯道的模型数据。
S104、提取待识别数据的特征向量，计算待识别数据特征向量与模型特征向量的马氏距离，选择距离最近弯道类型作为待识别数据类型。
所述马氏距离用于表征未知样本的相似度，通过计算未识别特征数据与弯道模型中特征向量的马氏距离，判断与各模型的相近程度，进而判断待识别数据对应的弯道类型。
在本发明另一实施例中，在步骤S101基础上，提供了弯道类型识别方法的另一流程示意图，包括：
通过车载激光雷达采集道路面点云，将道路面点云投影为二维XOY平面图像，通过图像形态学算子提取道路面中轴线后，对道路面中轴线进行扩展，计算扩展后道路面中轴线属性
S1011、通过车载激光雷达采集道路面点云；
将激光点云按照一定采集里程间隔进行分段，分段方向垂直于采集轨迹，采集里程间隔可以取200米或其他。
S1012、将道路面点云投影为二维XOY平面图像；
点云投影后，记录投影参数，投影参数至少包括投影区域的真实坐标及每个像素对应的实际长度。
S1013、通过图像形态学算子提取道路面中轴线；
具体的，通过膨胀算子填补道路面点云上的孔洞，并通过腐蚀算子提取道路面中轴线；基于最小二乘法对道路面中轴线形点进行拟合优化，根据投影参数，将道路面中轴线形点坐标反算为真实坐标；按预定间隔对道路面中轴线形点进行抽稀处理。示例性的，提取道路中轴线时点间间隔取1米。
S1014、道路面中轴线进行扩展；
具体的，在二维XOY平面上，过当前中轴线点作当前中轴线与下一个中轴线点连线的垂线，在中轴线点两侧取预定距离(如1.5米)的两个点，将这两个点作为当前中轴线点横向扩展点；
获取中轴线点及横向扩展点XY坐标，在道路面点云中搜索预定范围内的近邻点，将近邻点的Z坐标均值作为和横向扩展点的Z坐标。
S1015、计算扩展后道路面中轴线属性；
所述中轴线属性至少包括横向坡度、纵向坡度、航向角以及航向角偏差值与距离的比值。其中，航向角偏差值与距离的比值计算方法为：航向角偏差值为当前中轴线点的航向与下一个中轴线点的航向的差值的绝对值，距离为当前中轴线点与下一个中轴线点的直线距离。
S1016、过滤中轴线点。
具体的，遍历每个中轴线点，计算每个中轴线点的航向偏差值；若航向角偏差值小于预设阈值(如2°)，则删除对应的中轴线点。
本实施例提供的方法，可以自动识别JCT、I C以及转向专用道等类型弯道，为后续处理提供差异化的弯道场景信息，增强道路识别的适应性和准确性，有利于后续处理选择合适的算法及配置参数，从而高效且准确地完成高精度地图制图。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图3为本发明实施例提供的一种用于弯道类型识别的装置的结构示意图，该装置包括：
预处理模块310，用于通过车载激光雷达采集道路面点云，将道路面点云投影为二维XOY平面图像，通过图像形态学算子提取道路面中轴线后，对道路面中轴线进行扩展，计算扩展后道路面中轴线属性；
其中，所述通过图像形态学算子提取道路面中轴线包括：
通过膨胀算子填补道路面点云上的孔洞，并通过腐蚀算子提取道路面中轴线；基于最小二乘法对道路面中轴线形点进行拟合优化，根据投影参数，将道路面中轴线形点坐标反算为真实坐标；按预定间隔对道路面中轴线形点进行抽稀处理。
其中，所述对道路面中轴线进行扩展包括：
在二维XOY平面上，过当前中轴线点作当前中轴线与下一个中轴线点连线的垂线，在中轴线点两侧取预定距离的两个点，将两个点作为当前中轴线点横向扩展点；在道路面点云中搜索预定范围内的近邻点，将近邻点的Z坐标均值作为和横向扩展点的Z坐标。
所述中轴线属性至少包括横向坡度、纵向坡度、航向角及航向角偏差值与距离的比值。
可选的，所述预处理模块310中还包括：
过滤单元，用于遍历每个中轴线点，计算每个中轴线点的航向偏差值；若航向角偏差值小于预设阈值，则删除对应的中轴线点。
特征提取模块320，用于将道路面中轴线投影至二维XOY平面，计算投影图的图像矩，并计算每条中轴线的关键特征；
其中，所述中轴线的关键特征至少包括中轴线横向坡度均值及标准差、中轴线纵向坡度均值及标准差、中轴线实际长度与原始长度的比值、中轴线点的航向。
模型生成模块330，用于通过层次聚类对中轴线特征集合进行聚类，得到初始聚类中心，基于初始聚类中心，通过K-means聚类方法对中轴线特征集合进行聚类，将簇的中心特征向量输出至模型文件中，并确定模型文件对应的弯道类型；
数据识别模块340，用于提取待识别数据的特征向量，计算待识别数据特征向量与模型特征向量的马氏距离，选择距离最近弯道类型作为待识别数据类型。
可以理解的是，在一个实施例中，所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序执行如实施例一中步骤S101～S104，处理器执行所述计算机程序时实现弯道类型的自动识别。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括步骤S101～S104，所述的存储介质包括如：ROM/RAM、磁碟、光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种弯道类型识别方法，其特征在于，包括：
通过车载激光雷达采集道路面点云，将道路面点云投影为二维XOY平面图像，通过图像形态学算子提取道路面中轴线后，对道路面中轴线进行扩展，计算扩展后道路面中轴线属性；
其中，所述通过图像形态学算子提取道路面中轴线包括：
通过膨胀算子填补道路面点云上的孔洞，并通过腐蚀算子提取道路面中轴线；
基于最小二乘法对道路面中轴线形点进行拟合优化，根据投影参数，将道路面中轴线形点坐标反算为真实坐标；
按预定间隔对道路面中轴线形点进行抽稀处理；
所述对道路面中轴线进行扩展包括：
在二维XOY平面上，过当前中轴线点作当前中轴线与下一个中轴线点连线的垂线，在中轴线点两侧取预定距离的两个点，将两个点作为当前中轴线点横向扩展点；
将道路面中轴线投影至二维XOY平面，计算投影图的图像矩，并计算每条中轴线的关键特征；
通过层次聚类对中轴线特征集合进行聚类，得到初始聚类中心，基于初始聚类中心，通过K-means聚类方法对中轴线特征集合进行聚类，将簇的中心特征向量输出至模型文件中，并确定模型文件对应的弯道类型；
提取待识别数据的特征向量，计算待识别数据特征向量与模型特征向量的马氏距离，选择距离最近弯道类型作为待识别数据类型。
2.根据权利要求1所述方法，其特征在于，所述在中轴线点两侧取预定距离的两个点，将两个点作为当前中轴线点横向扩展点还包括：
获取中轴线点对应的横向扩展点的XY坐标，在道路面点云中搜索横向扩展点的预定范围内的近邻点，将近邻点的Z坐标均值作为和横向扩展点的Z坐标。
3.根据权利要求1所述的方法，其特征在于，所述中轴线属性至少包括横向坡度、纵向坡度、航向角及航向角偏差值与距离的比值。
4.根据权利要求1所述方法，其特征在于，所述计算扩展后道路面中轴线属性还包括：
遍历每个中轴线点，计算每个中轴线点的航向偏差值；
若航向角偏差值小于预设阈值，则删除对应的中轴线点。
5.根据权利要求1所述的方法，其特征在于，所述中轴线的关键特征至少包括中轴线横向坡度均值及标准差、中轴线纵向坡度均值及标准差、中轴线实际长度与原始长度的比值、中轴线点的航向。
6.一种用于弯道类型识别的装置，其特征在于，包括：
预处理模块，用于通过车载激光雷达采集道路面点云，将道路面点云投影为二维XOY平面图像，通过图像形态学算子提取道路面中轴线后，对道路面中轴线进行扩展，计算扩展后道路面中轴线属性；
其中，所述通过图像形态学算子提取道路面中轴线包括：
通过膨胀算子填补道路面点云上的孔洞，并通过腐蚀算子提取道路面中轴线；
基于最小二乘法对道路面中轴线形点进行拟合优化，根据投影参数，将道路面中轴线形点坐标反算为真实坐标；
按预定间隔对道路面中轴线形点进行抽稀处理；
所述对道路面中轴线进行扩展包括：
在二维XOY平面上，过当前中轴线点作当前中轴线与下一个中轴线点连线的垂线，在中轴线点两侧取预定距离的两个点，将两个点作为当前中轴线点横向扩展点；
特征提取模块，用于将道路面中轴线投影至二维XOY平面，计算投影图的图像矩，并计算每条中轴线的关键特征；
模型生成模块，用于通过层次聚类对中轴线特征集合进行聚类，得到初始聚类中心，基于初始聚类中心，通过K-means聚类方法对中轴线特征集合进行聚类，将簇的中心特征向量输出至模型文件中，并确定模型文件对应的弯道类型；
数据识别模块，用于提取待识别数据的特征向量，计算待识别数据特征向量与模型特征向量的马氏距离，选择距离最近弯道类型作为待识别数据类型。
7.一种电子设备，包括处理器、存储器以及存储在所述存储器中并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述弯道类型识别方法的步骤。
8.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述弯道类型识别方法的步骤。
CN202011271209.3A 2020-11-13 2020-11-13 一种弯道类型识别方法、装置、电子设备及存储介质 Active CN112435336B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011271209.3A CN112435336B (zh) 2020-11-13 2020-11-13 一种弯道类型识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011271209.3A CN112435336B (zh) 2020-11-13 2020-11-13 一种弯道类型识别方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112435336A CN112435336A (zh) 2021-03-02
CN112435336B true CN112435336B (zh) 2022-04-19

Family

ID=74701286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011271209.3A Active CN112435336B (zh) 2020-11-13 2020-11-13 一种弯道类型识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112435336B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550121A (zh) * 2022-02-28 2022-05-27 重庆长安汽车股份有限公司 一种基于聚类的自动驾驶换道场景分类方法及识别方法
CN117649635B (zh) * 2024-01-30 2024-06-11 湖北经济学院 狭窄水道场景影消点检测方法、***及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104197897A (zh) * 2014-04-25 2014-12-10 厦门大学 一种基于车载激光扫描点云的城区道路标线自动分类方法
CN106503678A (zh) * 2016-10-27 2017-03-15 厦门大学 基于移动激光扫描点云的道路标线自动检测和分类方法
CN107679458A (zh) * 2017-09-07 2018-02-09 中国地质大学（武汉） 一种基于K‑Means的道路彩色激光点云中道路标线的提取方法
CN108470159A (zh) * 2018-03-09 2018-08-31 腾讯科技（深圳）有限公司 车道线数据处理方法、装置、计算机设备和存储介质
CN110866449A (zh) * 2019-10-21 2020-03-06 北京京东尚科信息技术有限公司 识别道路中目标对象的方法和装置
WO2020154967A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. Map partition system for autonomous vehicles

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111542860A (zh) * 2016-12-30 2020-08-14 迪普迈普有限公司 用于自主车辆的高清地图的标志和车道创建

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104197897A (zh) * 2014-04-25 2014-12-10 厦门大学 一种基于车载激光扫描点云的城区道路标线自动分类方法
CN106503678A (zh) * 2016-10-27 2017-03-15 厦门大学 基于移动激光扫描点云的道路标线自动检测和分类方法
CN107679458A (zh) * 2017-09-07 2018-02-09 中国地质大学（武汉） 一种基于K‑Means的道路彩色激光点云中道路标线的提取方法
CN108470159A (zh) * 2018-03-09 2018-08-31 腾讯科技（深圳）有限公司 车道线数据处理方法、装置、计算机设备和存储介质
WO2020154967A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. Map partition system for autonomous vehicles
CN110866449A (zh) * 2019-10-21 2020-03-06 北京京东尚科信息技术有限公司 识别道路中目标对象的方法和装置

Also Published As

Publication number Publication date
CN112435336A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN108564874B (zh) 地面标志提取的方法、模型训练的方法、设备及存储介质
CN108470159B (zh) 车道线数据处理方法、装置、计算机设备和存储介质
CN111192284B (zh) 一种车载激光点云分割方法及***
CN112801022B (zh) 一种无人驾驶矿卡作业区道路边界快速检测更新的方法
CN110222626B (zh) 一种基于深度学习算法的无人驾驶场景点云目标标注方法
CN109584294B (zh) 一种基于激光点云的路面点云提取方法和装置
CN108280840B (zh) 一种基于三维激光雷达的道路实时分割方法
Xu et al. Robust segmentation and localization of structural planes from photogrammetric point clouds in construction sites
CN111209291B (zh) 一种利用众包感知地图更新高精度地图的方法及***
CN110427797B (zh) 一种基于几何条件限制的三维车辆检测方法
Soheilian et al. 3D road marking reconstruction from street-level calibrated stereo pairs
EP4120123A1 (en) Scan line-based road point cloud extraction method
CN112435336B (zh) 一种弯道类型识别方法、装置、电子设备及存储介质
CN109285163B (zh) 基于激光点云的车道线左右轮廓线交互式提取方法
JP2022522385A (ja) 道路標識認識方法、地図生成方法、及び関連する製品
CN115294293B (zh) 基于低空航摄成果自动化编译高精地图道路参考线的方法
CN112184736A (zh) 一种基于欧式聚类的多平面提取方法
CN117058646B (zh) 基于多模态融合鸟瞰图的复杂道路目标检测方法
CN111783722B (zh) 一种激光点云的车道线提取方法和电子设备
CN114863376A (zh) 一种基于车载激光点云数据的道路标线分割方法及***
CN117576652A (zh) 道路对象的识别方法、装置和存储介质及电子设备
CN115599119A (zh) 一种无人机的避障***
CN111860084B (zh) 图像特征的匹配、定位方法及装置、定位***
CN111323026A (zh) 一种基于高精度点云地图的地面过滤方法
Mattson et al. Reducing ego vehicle energy-use by LiDAR-based lane-level positioning

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