CN113705271A - 一种高精地图车道生成方法及装置 - Google Patents

一种高精地图车道生成方法及装置 Download PDF

Info

Publication number
CN113705271A
CN113705271A CN202010428747.2A CN202010428747A CN113705271A CN 113705271 A CN113705271 A CN 113705271A CN 202010428747 A CN202010428747 A CN 202010428747A CN 113705271 A CN113705271 A CN 113705271A
Authority
CN
China
Prior art keywords
lane
image
position information
vehicle
lane line
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
Application number
CN202010428747.2A
Other languages
English (en)
Inventor
李倩
贾双成
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.)
Mushroom Car Union Information Technology Co Ltd
Original Assignee
Mushroom Car Union Information Technology 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 Mushroom Car Union Information Technology Co Ltd filed Critical Mushroom Car Union Information Technology Co Ltd
Priority to CN202010428747.2A priority Critical patent/CN113705271A/zh
Publication of CN113705271A publication Critical patent/CN113705271A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Library & Information Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开是关于一种高精地图车道生成方法、装置。该方法包括以下步骤：获取车辆行驶中采集的包含车道的图像以及车辆的地理位置信息；对所述图像进行识别，得到所述图像中的车道线像素点的像素坐标；根据所述车道线的像素坐标和对应的所述地理位置信息，获得所述车道线的空间坐标。本公开提供的方案，能既保证数据的精度，又降低了高精地图制作的成本，适合大规模高效率作业，极大地提高了数据采集的效率，降低了采集成本。

Description

一种高精地图车道生成方法及装置
技术领域
本公开涉及地理信息数据处理技术领域，尤其涉及一种高精地图车道生成方法和装置。
背景技术
相关技术中，使用激光雷达、摄像头多传感器融合技术，基于固定的采集车辆进行道路要素数据采集，这种高精地图制作方式的制作成本较高，不适合大规模的地图数据制作，并且高精地图车道线制作的效率受到采集车辆数量的限制。
发明内容
为克服相关技术中存在的问题，本公开提供一种高精地图车道生成方法。
一种高精地图车道生成方法，包括以下步骤：获取车辆行驶中采集的包含车道的图像以及车辆的地理位置信息；对所述图像进行识别，得到所述图像中的车道线像素点的像素坐标；根据所述车道线的像素坐标和对应的所述地理位置信息，获得所述车道线的空间坐标。
上述方法中，所述获取车辆行驶中采集的包含车道的图像以及车辆的地理位置信息具体为：按照预置的时间间隔拍摄图像，并记录拍摄图像时的当前地理位置信息。
或者，所述获取车辆行驶中采集的包含车道的图像以及车辆的地理位置信息具体为：车辆行驶中获取包含车道的视频数据以及采集车辆的地理位置信息；对所述视频数据进行抽帧，根据所述帧的时间信息查找采集到的地理位置信息。
上述方法基础上，还包括，对多次获得的车道线的空间坐标进行融合。
具体的，对多次获得的车道线的空间坐标进行融合具体包括：对获得的多组车道线像素点的空间坐标进行聚类，得到空间坐标的均值，并利用曲线拟合排除掉噪点，得到融合后的车道线空间坐标。
上述方法中，对所述图像进行识别，得到所述图像中的车道线像素点的像素坐标，包括：基于深度学习框架tensorflow进行样本训练，构建模型；对构建的模型进行精度验证；利用通过精度验证的模型提取所述图像中的车道线像素点，得到所述车道线像素点的像素坐标。
本申请还包括一种高精地图车道生成装置，包括：图像获取模块，获取车辆行驶中采集的包含车道的图像；地理位置信息获取模块，用于获取与所述图像对应的车辆的地理位置信息；识别模块，用于对所述图像进行识别，得到所述图像中的车道线像素点的像素坐标；转换模块，用于根据所述车道线的像素坐标和对应的所述地理位置信息，获得所述车道线的空间坐标。
上述装置中，还包括：融合模块，对获得的多组车道线像素点的空间坐标进行聚类，得到空间坐标的均值，并利用曲线拟合排除掉噪点，得到融合后的车道线空间坐标。
上述装置中，还包括，抽帧模块，用于对车辆行驶中获取包含车道的视频数据进行抽帧；以及，将所述帧的时间信息发送给地理位置信息获取模块；地理位置信息获取模块，根据所述帧的时间信息查找采集到的地理位置信息。
上述装置中，所述识别模块，具体包括：构建单元，用于基于深度学习框架tensorflow进行样本训练，构建模型；验证单元，用于对构建的模型进行精度验证；提取单元，用于利用通过精度验证的模型提取所述图像中的车道线像素点，得到所述车道线像素点的像素坐标。
本公开的实施例提供的技术方案可以包括以下有益效果：便于采用众包的方式，通过获取车辆在同一车道的行驶过程中采集回传的车道的视频数据和车辆的地理位置信息得到车道线的空间位置。采用本申请既保证数据的精度，又使得降低了高精地图制作的成本，极大地提高了数据采集的效率，降低了采集成本。
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
通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本发明实施例的一种高精地图车道线生成方法的流程示意图；
图2是本发明另一实施例的一种高精地图车道线生成方法的流程示意图；
图3本发明另一实施例的高精地图车道线生成装置结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以下结合附图详细描述本公开实施例的技术方案。
图1是根据本公开一示例性实施例示出的一种高精地图车道线生成方法流程示意图。
步骤11，获取车辆行驶中采集的包含车道的图像以及车辆的地理位置信息。
该步骤中，可通过车辆安装的行车记录仪或司机的手机等具有摄像功能的设备来记录采集车道的视频数据，视频数据用于后续通过识别模型识别车道线，另外，可通过车载或者手机等移动终端配置的定位设备来采集车辆的地理位置信息，定位设备可采用GPS、北斗等现有设备实现，本实施例对此不作限制，地理位置信息用来确定车辆轨迹的坐标，视频数据和地理位置信息可通过车机经线上方式导入至服务器端。
本发明一种实施例中，可以通过程序的设定，按照预置的时间间隔对车辆前方的车道线进行拍摄。使得摄像装置的拍摄周期与车辆上的GPS采集装置采集获得的车辆地理位置信息的周期相匹配。例如，GPS设备的数据记录频率为每秒1个点。从而，拍摄图像同时采集地理位置信息。由于图像拍摄周期通过软件设定，因而，在其他的实施例中，图像拍摄周期并非与GPS采集装置的地理位置信息采集周期一致。只要在图像拍摄后能够获得相应的地理位置信息即可。
服务器端或者车机端可通过GIS软件读取处理地理位置信息，一般GIS软件进能够读取txt格式的文件，因此，需要先通过格式转换和坐标提取将GPS记录的车辆轨迹坐标的文件格式提取为GIS软件可以读取的txt格式。
本发明也不排除，拍摄装置朝向车辆的后方，从而对车辆已经行驶过的车道线进行拍摄的实现方法。
步骤12，对所述图像进行识别，得到所述图像中的车道线像素点的像素坐标。
该步骤可在服务器端利用GPU实现，该步骤具体包括：基于深度学习框架tensorflow进行样本训练，构建模型，对构建的模型进行精度验证,利用通过精度验证的模型提取步骤11中得到的图像中的车道线像素点，从而得到车道线像素点的像素坐标。
步骤13，根据所述像素坐标和对应的所述地理位置信息，将所述像素坐标转换成空间坐标。
参见图2，本发明另一方法实施例。
步骤21，获取车辆在同一车道的多次行驶过程中采集的多组对应的车道的视频数据和车辆的地理位置信息。
该步骤中，可通过车辆安装的行车记录仪或司机的手机等具有摄像功能的设备来记录采集车道的视频数据，视频数据用于后续通过识别模型识别车道线，另外，可通过车载或者手机等移动终端配置的定位设备来采集车辆的地理位置信息，定位设备可采用GPS、北斗等现有设备实现，本实施例对此不作限制，地理位置信息用来确定车辆轨迹的坐标，视频数据和地理位置信息可通过车机经线上方式导入至服务器端。
步骤22，通过对所述视频数据进行抽帧得到与同组的所述地理位置信息的频率对应的图像。
GPS数据记录频率为每秒1个点。GIS软件进能够读取txt格式的文件，因此，需要先通过格式转换和坐标提取将GPS记录的车辆轨迹的地理位置信息的文件格式提取为GIS软件可以读取的txt格式。
通常，视频的帧率为每秒30帧。对视频抽帧后，获得该帧的拍摄时间信息，根据该时间信息查找所述GPS设备记录的文件中与该时刻匹配的地理位置信息。该步骤的目的在于使抽帧得到的图像能够准确对应车辆当时的位置。
步骤23，对所述图像进行识别，得到所述图像中的车道线像素点的像素坐标。
该步骤可在服务器端利用GPU实现，该步骤具体包括：基于深度学习框架tensorflow进行样本训练，构建模型，对构建的模型进行精度验证,利用通过精度验证的模型提取步骤22中抽帧得到的图像中的车道线像素点，从而得到车道线像素点的像素坐标。
步骤24，根据所述像素坐标和对应的所述地理位置信息，将所述像素坐标转换成空间坐标。将图像中的像素坐标转换为空间坐标可采用现有技术的手段。
在另一发明实施例中，还包括步骤：对通过上述方法得到的多组车道线像素点的空间坐标进行融合，得到车道线空间坐标。
由于定位精度会影响制作的车道线的绝对位置精度，所以为了保证车道线的绝对精度，要求定位设备具有较高的精度。由于识别模型在不同光照或者天气条件下，识别的效果和精度可能是不同的，所以对于同一车道，可能一次采集的视频数据不足以正确并且完整地识别出来当前路段的车道线，所以当车道线识别不完整时，需要对同一车道进行反复采集。进而，对这些多次获得的空间坐标进行融合，可以得到更完整的车道线，弥补单一车辆测试结果的不足。
具体的空间坐标融合方式可采用多种现有技术实现，如聚类、曲线拟合等，本实施例对此不作限制。
一种具体的融合方式包括：对于按照以上步骤得到的多组车道线像素点的空间坐标，分别进行聚类，得到空间坐标的均值，并利用曲线拟合排除掉噪点，得到融合后的车道线空间坐标。
其中，聚类处理可采用DBSCAN(Density-Based Spatial Clustering ofApplications with Noise，具有噪声的基于密度的聚类方法)算法，DBSCAN是一种很典型的密度聚类算法,和K-Means，BIRCH这些一般只适用于凸样本集的聚类相比，DBSCAN既可以适用于凸样本集，也可以适用于非凸样本集。
本公开还提供了一种高精地图车道生成装置的实施例。
图3是根据本公开一示例性实施例示出的装置的结构示意图。参见图3，该装置包括：
图像获取模块31，获取车辆行驶中采集的包含车道的图像；
地理位置信息获取模块32，用于获取与所述图像对应的车辆的地理位置信息；
识别模块33，用于对所述图像进行识别，得到所述图像中的车道线像素点的像素坐标；
转换模块34，用于根据所述车道线的像素坐标和对应的所述地理位置信息，获得所述车道线的空间坐标。
由于识别模型在不同光照或者天气条件下，识别的效果和精度可能是不同的，所以对于同一车道，可能一次采集的视频数据不足以正确并且完整地识别出来当前路段的车道线，所以当车道线识别不完整时，需要对同一车道进行反复采集。进而，对这些多次获得的空间坐标进行融合，可以得到更完整的车道线，弥补单一车辆测试结果的不足。本发明装置中还包括：融合模块，用于对获得的多组车道线像素点的空间坐标进行聚类，得到空间坐标的均值，并利用曲线拟合排除掉噪点，得到融合后的车道线空间坐标。所述空间坐标融合方式可采用多种现有技术实现，如聚类、曲线拟合等，本实施例对此不作限制。
若车辆的摄像头对车道线进行视频录像时，所述图像获取模块获得是连续的视频图像。本发明实施例中还包括：抽帧模块，用于对车辆行驶中获取包含车道的视频数据进行抽帧。
进一步，为了获得与图像时刻对应的地理位置信息以及，抽帧模块将所述帧的时间信息发送给地理位置信息获取模块；地理位置信息获取模块，根据所述帧的时间信息查找采集到的地理位置信息。
为了识别所述识别模块的功能，该模块具体包括：构建单元，用于基于深度学习框架tensorflow进行样本训练，构建模型；验证单元，用于对构建的模型进行精度验证；提取单元，用于利用通过精度验证的模型提取所述图像中的车道线像素点，得到所述车道线像素点的像素坐标。
关于上述实施例中的***，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。
上文中已经参考附图详细描述了本公开的方案。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细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作和模块并不一定是本发明所必须的。另外，可以理解，本公开实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，本公开实施例装置中的模块可以根据实际需要进行合并、划分和删减。
此外，根据本公开的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本公开的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本公开还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本公开的上述方法的各个步骤的部分或全部。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本公开的多个实施例的***和方法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，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续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***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种高精地图车道生成方法，其特征在于，包括以下步骤：
获取车辆行驶中采集的包含车道的图像以及车辆的地理位置信息；
对所述图像进行识别，得到所述图像中的车道线像素点的像素坐标；
根据所述车道线的像素坐标和对应的所述地理位置信息，获得所述车道线的空间坐标。
2.根据权利要求1所述的方法，其特征在于，
对多次获得的车道线的空间坐标进行融合。
3.根据权利要求2所述的方法，其特征在于，对多次获得的车道线的空间坐标进行融合具体包括：
对获得的多组车道线像素点的空间坐标进行聚类，得到空间坐标的均值，并利用曲线拟合排除掉噪点，得到融合后的车道空间坐标。
4.根据权利要求2所述的方法，其特征在于，所述获取车辆行驶中采集的包含车道的图像以及车辆的地理位置信息具体为：
按照预置的时间间隔拍摄图像，并记录拍摄图像时的当前地理位置信息。
5.根据权利要求2所述的方法，其特征在于，所述获取车辆行驶中采集的包含车道的图像以及车辆的地理位置信息具体为：
车辆行驶中获取包含车道的视频数据以及采集车辆的地理位置信息；
对所述视频数据进行抽帧；
根据所述帧的时间信息查找采集到的地理位置信息。
6.根据权利要求4所述的方法，其特征在于，对所述图像进行识别，得到所述图像中的车道线像素点的像素坐标，包括：
基于深度学习框架tensorflow进行样本训练，构建模型；
对构建的模型进行精度验证；
利用通过精度验证的模型提取所述图像中的车道线像素点，得到所述车道线像素点的像素坐标。
7.一种高精地图车道生成装置，其特征在于，包括：
图像获取模块，获取车辆行驶中采集的包含车道的图像；
地理位置信息获取模块，用于获取与所述图像对应的车辆的地理位置信息；
识别模块，用于对所述图像进行识别，得到所述图像中的车道线像素点的像素坐标；
转换模块，用于根据所述车道线的像素坐标和对应的所述地理位置信息，获得所述车道线的空间坐标。
8.根据权利要求7所述的装置，其特征在于，还包括：融合模块，对获得的多组车道线像素点的空间坐标进行聚类，得到空间坐标的均值，并利用曲线拟合排除掉噪点，得到融合后的车道线空间车道线。
9.根据权利要求7或8所述的装置，其特征在于，还包括，
抽帧模块，用于对车辆行驶中获取包含车道的视频数据进行抽帧；以及，将所述帧的时间信息发送给地理位置信息获取模块；
地理位置信息获取模块，根据所述帧的时间信息查找采集到的地理位置信息。
10.根据权利要求7所述的装置，其特征在于，所述识别模块，具体包括：
构建单元，用于基于深度学习框架tensorflow进行样本训练，构建模型；
验证单元，用于对构建的模型进行精度验证；
提取单元，用于利用通过精度验证的模型提取所述图像中的车道线像素点，得到所述车道线像素点的像素坐标。
CN202010428747.2A 2020-05-20 2020-05-20 一种高精地图车道生成方法及装置 Pending CN113705271A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010428747.2A CN113705271A (zh) 2020-05-20 2020-05-20 一种高精地图车道生成方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010428747.2A CN113705271A (zh) 2020-05-20 2020-05-20 一种高精地图车道生成方法及装置

Publications (1)

Publication Number Publication Date
CN113705271A true CN113705271A (zh) 2021-11-26

Family

ID=78645472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010428747.2A Pending CN113705271A (zh) 2020-05-20 2020-05-20 一种高精地图车道生成方法及装置

Country Status (1)

Country Link
CN (1) CN113705271A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419590A (zh) * 2022-01-17 2022-04-29 北京百度网讯科技有限公司 高精地图的验证方法、装置、设备以及存储介质
CN114510055A (zh) * 2022-02-18 2022-05-17 科大国创合肥智能汽车科技有限公司 一种构建后方车道线的方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419590A (zh) * 2022-01-17 2022-04-29 北京百度网讯科技有限公司 高精地图的验证方法、装置、设备以及存储介质
CN114419590B (zh) * 2022-01-17 2024-03-19 北京百度网讯科技有限公司 高精地图的验证方法、装置、设备以及存储介质
CN114510055A (zh) * 2022-02-18 2022-05-17 科大国创合肥智能汽车科技有限公司 一种构建后方车道线的方法

Similar Documents

Publication Publication Date Title
CN111815742A (zh) 一种车道线生成方法及***
CN111830953B (zh) 车辆自定位方法、装置及***
CN109961106B (zh) 轨迹分类模型的训练方法和装置、电子设备
CN110599794B (zh) 一种基于车联网的智能找车方法及***
KR20190090393A (ko) 차선 결정 방법, 디바이스 및 저장 매체
CN111261016B (zh) 道路地图的构建方法、装置和电子设备
US20120166080A1 (en) Method, system and computer-readable medium for reconstructing moving path of vehicle
US11430199B2 (en) Feature recognition assisted super-resolution method
US11990041B2 (en) Moving body tracking system, moving body tracking method, and program
CN110609311A (zh) 基于车载环视图像与毫米波雷达融合的智能车定位方法
JP7259454B2 (ja) 移動***置推定システムおよび移動***置推定方法
CN111310728B (zh) 基于监控相机和无线定位的行人重识别***
CN110634306A (zh) 车辆位置的确定方法及装置、存储介质、计算设备
CN111967368B (zh) 一种交通灯识别的方法和装置
CN113705271A (zh) 一种高精地图车道生成方法及装置
CN115131420A (zh) 基于关键帧优化的视觉slam方法及装置
CN107506753B (zh) 一种面向动态视频监控的多车辆跟踪方法
JP2007226111A (ja) 地図情報編集装置、地図情報調査装置、地図情報調査システム、地図情報調査方法、及び地図情報編集プログラム、並びに地図情報調査プログラム
CN116033544A (zh) 室内停车场定位方法、计算机设备、存储介质及程序产品
CN111126336B (zh) 样本采集方法、装置及设备
CN114648741A (zh) 一种车牌检测方法、装置、无人驾驶车及存储介质
CN106097751A (zh) 车辆行驶控制方法及装置
KR20200077004A (ko) V2x 기지국에서 생성한 도로 레이더 정보를 이용한 도로 객체 지도 생성 방법
TWI770511B (zh) 一種影像辨識導航裝置
CN118033704A (zh) 计算机视觉式车辆定位融合***及方法

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