CN115176288A - 用于重建道路的环境场景中的特征的方法 - Google Patents

用于重建道路的环境场景中的特征的方法 Download PDF

Info

Publication number
CN115176288A
CN115176288A CN202080095447.5A CN202080095447A CN115176288A CN 115176288 A CN115176288 A CN 115176288A CN 202080095447 A CN202080095447 A CN 202080095447A CN 115176288 A CN115176288 A CN 115176288A
Authority
CN
China
Prior art keywords
points
road
images
feature
candidates
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
CN202080095447.5A
Other languages
English (en)
Inventor
全冬兵
W·齐
S·陈
徐林鹍
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.)
Continental Automotive GmbH
Original Assignee
Continental Automotive GmbH
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 Continental Automotive GmbH filed Critical Continental Automotive GmbH
Publication of CN115176288A publication Critical patent/CN115176288A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/579—Depth or shape recovery from multiple images from motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20068—Projection on vertical or horizontal image axis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/56—Particle system, point based geometry or rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Computational Linguistics (AREA)
  • Computer Graphics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

在一种用于重建道路的环境场景中的特征的方法中，生成场景的3D点云和场景的2D图像序列。通过以下操作来识别3D点云的3D点中的候选的一部分：将3D点投影到2D图像中的每个2D图像，通过在图像中的每个图像中进行语义分割来确定3D点云的3D点中的表示特征的多个候选，将3D点的候选投影在2D图像中的每个2D图像中的道路的平面上，以及在2D图像中的每个2D图像中选择3D点中的保持在投影范围中的那些候选。对3D点中的所选择的候选进行合并，以确定特征的估计位置。可以通过沿着估计位置生成拟合曲线来对特征进行建模。

Description

用于重建道路的环境场景中的特征的方法
技术领域
各实施例涉及一种用于重建道路的环境场景中的特征(具体地，位于道路表面上方的平面中或道路附近的对象，例如，垂直特征(诸如护栏))的方法。
背景技术
检测和重建驾驶环境中的特征是用于生成可以用于自主或机器人辅助驾驶的精确道路数据库的基本要求。在对驾驶环境(诸如公路)绘制地图的任务期间，需要识别和建模道路的环境中的特征或位于道路上方的特征。具体地，必须识别垂直特征(即位于垂直地在道路上方的平面中的特征/对象，诸如护栏或其它对象)以进行重建/建模。
例如，可以通过提供深度信息的传感器在3D空间中识别护栏。根据传统方法，可以从激光雷达或雷达***生成3D点云。可以通过语义分割来选择护栏上的点。在最后一步中，可以通过所选择的点对护栏进行建模。
垂直特征(诸如护栏)是高清3D地图的重要组成部分。用于识别和建模这些特征的传统方法是基于使用具有昂贵装置(诸如上述激光雷达和雷达***)的特殊车辆的。利用此类装置基本上很容易获得护栏上的许多明确定位的3D点，并且易于建模。然而，如果假设使用如在一系列客户车辆中使用的低成本装置(诸如单目相机)进行地图绘制，则难以重建足够准确的点来重建垂直特征，例如3D空间中的护栏。诸如从运动恢复结构之类的方法可以推导3D信息。然而，这些方法具有递送的结果经常是有噪声的缺点。
发明内容
本发明要解决的问题是提供一种用于重建道路的环境场景中的特征的方法，该方法可以由低成本装置以高准确度来执行。
在独立权利要求中描述了该问题的解决方案。从属权利要求涉及本发明的进一步改进。
在独立权利要求中详述了一种用于重建/建模道路的环境场景中的特征的方法的实施例，该方法可以利用简单的装置来执行，但是允许以高精度对特征进行建模。
在用于重建道路的环境场景中的特征的方法的实施例中，生成场景的3D点云和该场景的2D图像序列。在下一步中，识别3D点云的3D点中的候选的一部分。通过以下步骤来识别3D点的候选的该部分。
在第一步中，将3D点云的3D点投影到2D图像中的每个2D图像。在下一步中，通过在这些图像中的每个图像中进行语义分割来确定3D点云的3D点中的表示要重建的特征的多个候选。在下一步中，在这些2D图像中的每个2D图像中确定在道路的两侧的投影范围。然后，将3D点中的所确定的候选投影到这些2D图像中的每个2D图像中的道路的平面上。在后续步骤中，在这些图像中的每个图像中选择3D点中的保持在投影范围内的那些候选作为3D点的候选的该部分。
在已经识别出3D点中的候选的该部分之后，对3D点中的所选择的候选进行合并，以确定要重建的特征的估计位置。在最后一步中，通过沿着估计位置生成拟合曲线来建模/重构特征。
在用于重建道路的环境场景中的特征的方法的实施例中，通过将点在不同视图(例如，3D半密集点云、可以从例如前向相机捕获的2D图像和俯视图表示)之间的投影来识别和建模特征(诸如护栏)。通过这种方式，可以将候选点选择并且确认为要重建的特征(例如，护栏)的一部分，并且然后可以对其定位以进行特征的后续3D建模。
利用可以被构造为半密集点云的三维点云以及由光学传感器(诸如前向相机)捕获的2D图像的语义分割，可以通过将相关3D点投影到2D相机图像中的每个2D相机图像并且选择候选3D点中的位于要构建的特征/对象的区域中(例如，在护栏区域中)的那些候选3D点，从而首先选择位于特征上的粗略候选3D点。3D点中的所选择的候选可以潜在地是要重建的特征的一部分。
在随后的步骤中，可以分割/识别粗略候选3D点中的真正作为要重建的特征的一部分的那些3D点。此外，可以移除任何噪声点，因为它们将导致以错误深度重建特征，例如护栏。
在下文的详细描述中阐述了额外的特征和优点。将理解，上文概括描述和下文详细描述都仅是示例性的，并且旨在提供用于理解权利要求的性质和特点的概述或框架。
附图说明
在下文中，将参考附图通过举例的方式描述本发明，但不将总体发明构思限于实施例的示例。
图1示出了说明用于重建道路的环境场景中的特征的方法的步骤的流程图；
图2示出了由光学传感器捕获的场景的2D图像；
图3示出了3D点云的3D点到场景的2D图像的投影；
图4示出了3D点云的3D点中的表示场景中的特征的候选；
图5示出了2D图像中的位于道路的两侧的投影范围；
图6示出了道路上的3D点中的候选在场景的2D图像中的投影；
图7示出了对3D点的有效候选的选择以用于进一步处理以重建道路的环境场景中的特征；以及
图8示出了道路的环境场景中的特征的重建。
具体实施方式
图1示出了根据本发明的网络节点和通信***。在下文中参考图1的框图连同其余图一起描述了用于重建环境场景中的特征的方法，图1示出了各种方法步骤，其余图示出了要通过所提出的方法重建的被配置为护栏的特征的说明性示例。图2-7参考场景的2D图像说明了该方法的各个步骤。需要注意的是，需要在从场景捕获的图像序列的图像中的每个图像中执行所描述的步骤。
在所提出的方法的第一步骤S1中(图1)，光学传感器(例如相机，具体地为单目相机)生成场景的2D图像序列。当将光学传感器(诸如单目相机)移动通过场景时，光学传感器可以捕获图像序列。图2示出了由光学传感器捕获的道路的环境场景的2D图像的示例。所捕获的图像包括在左侧通过护栏限制的道路。植被位于道路的右侧。图像的上部部分示出了在道路之上的天空。
在所提出的方法的第一步骤S1中，除了生成2D图像序列之外，还生成场景的3D点云。3D点云可以解释为半密集点云。具体地，可以在光学传感器沿着道路移动期间，在捕获环境场景的图像的同时生成3D点云。需要注意的是，所提出的方法不限于使用相机(具体地，单目相机)来生成场景的3D点云。3D点云可以由任何其它合适的传感器来生成。
在方法步骤S2中，识别3D点云的3D点中的候选的一部分。步骤S2包括在下文中描述的子步骤S2a、S2b、S2c、S2d和S2e。
在子步骤S2a中，如图3中所示，将3D点云的3D点投影到2D图像中的每个2D图像。在图3中所示的五角星是从在步骤S1中生成的相关3D点云(例如，半密集点云)投影的点。
在子步骤S2b中，通过在2D图像中的每个2D图像中进行语义分割来确定3D点云的3D点中的表示要重建的特征(例如，护栏)的多个候选。图4示出了在图3中所示的3D点中的多个候选，其被确定并且表示在道路的左侧的护栏。在子步骤S2b中，根据在2D图像中的每个2D图像中进行语义分割来确定道路的轮廓和特征(例如，护栏)的轮廓。此外，在子步骤S2b中，例如通过使用最小二乘法来识别道路的边界线和特征(例如，护栏)的边界线。图4示出了道路的左边界线和右边界线以及要重建的护栏的上边界线和下边界线。
在随后的子步骤S2c中，在2D图像中的每个2D图像中在道路的两侧确定投影范围。具体而言，在2D图像中的每个2D图像中确定在第一边界线和第二边界线之间的投影范围。第一边界线位于距离道路的边界线之一的第一距离处。第二边界线位于距离道路的同一边界线的第二距离处。
图5将位于第一边界线和第二边界线之间的投影范围示为虚线。例如，当通过所提出的方法重建在道路的左侧的特征/护栏时，第一边界线可以位于距道路的左侧边界线的右侧1米处，而第二边界线可以位于在道路的左侧边界线的左侧1米处。
在随后的子步骤S2d中，将在子步骤S2b中确定的3D点中的候选投影在2D图像中的每个2D图像中的道路的平面上。图6示出了粗略候选3D点在道路平面上的投影。所投影的候选3D点被投影到驾驶员视图相机图像。
在随后的子步骤S2e中，在2D图像中的每个2D图像中选择3D点中的保持在投影范围内的那些候选，作为3D点中的用于下文描述的进一步处理的候选的该部分。3D点中的所选择的候选的该部分以比在子步骤S2b中确定的3D点的多个候选更高的概率来表示要重建的特征。仅有其投影保持在投影范围内的那些3D点才被视为要重建的特征(例如，护栏)的一部分，并且被保留以用于进一步处理。在子步骤S2b中确定的3D点的多个候选中的其它候选被作为噪声而清除。
在步骤S2之后的步骤S3中，对3D点中的所选择的候选进行合并，以确定要重建的特征的估计位置。具体地，在步骤S3中，确定沿着道路行驶的车辆的轨迹。例如，可以从通过SLAM(同时定位和地图构建)算法而处理的2D相机图像序列来生成车辆的轨迹。所确定的轨迹可以用作参考。
轨迹可以被分为多个区段/区间(bin)。可以通过将轨迹采样到均匀的区间中来确定区间。具体地，可以以相同的距离对参考/轨迹进行采样，以将轨迹划分为经排序的均匀区间。
然后，将3D点中的在步骤S2e中选择的候选分配给多个区间中的相应区间。具体地，可以通过应用KNN(K-最近邻)算法将3D点中的所选择的候选分配给区间中的相应区间。KNN算法可以用于查找用于每个候选点到道路平面的投影所属的区间。
在步骤S3的最后一个子步骤中，可以对每个区间中的相应噪声进行滤波，以确定要重建的特征的估计位置中的相应估计位置。可以通过确定3D点中的被分配给多个区间中的相应区间的所选择的候选的相应质心来对相应噪声进行滤波。每个区间的相应质心被视为要重建的特征的估计位置中的相应估计位置。每个区间的质心可以用作合并结果，其被视为要重建的特征在道路表面上的位置。
在所提出的方法的最后一个步骤S4中，通过沿着在步骤S3中确定的估计位置生成拟合曲线来对特征(例如，护栏)进行建模。此外，还可以在步骤S4中对特征在道路上方的高度进行建模。图8示出了通过曲线(最低的线)建模的经重建的护栏，其具有高度(垂直线)和用于可视化的帮助线(护栏的上部三条线)。
具体地，可以通过应用高斯算法来对全局噪声进行滤波，并且可以通过贪婪算法链接所有区间。可以对拟合曲线进行建模，例如通过NURBS(非均匀有理B样条)。要重建的特征的高度可以根据该特征的所识别的边界线中的一条边界线(例如，根据在子步骤S2b中确定的要重建的特征的上边界线)来推导，该边界线位于该特征的所识别的边界线中的另一边界线上方。
所提出的用于重建道路的环境场景中的特征的方法使得有可能使用低成本光学传感器(例如，单目相机)进行特征绘图，例如进行护栏绘图。该方法允许利用少量3D点来建模特征/具体地为垂直特征，即位于垂直地在道路表面上方的平面中或道路的环境中的特征(例如，护栏)。具体地，所提出的方法允许重建垂直于道路的平面表面的任何对象，例如护栏、新泽西护墙(Jersey wall)、路缘等。
所提出的用于重建道路的环境场景中的特征的方法的方法步骤可以由计算机的处理器来执行。具体而言，用于重建道路的环境场景中的特征的方法可以被实现为体现在计算机可读介质上的计算机程序产品。计算机程序产品包括用于使得计算机执行用于重建道路的环境场景中的特征的方法的各种方法步骤的指令。

Claims (10)

1.一种用于重建道路的环境场景中的特征的方法，包括：
–生成所述场景的3D点云和所述场景的2D图像序列，
–通过以下步骤a)至步骤e)来识别所述3D点云的3D点中的候选的一部分：
a)将所述3D点投影到所述2D图像中的每个2D图像，
b)通过在所述2D图像中的每个2D图像中进行语义分割来确定所述3D点云的所述3D点中的表示所述特征的多个候选，
c)在所述2D图像中的每个2D图像中确定在所述道路的两侧的投影范围，
d)将所述3D点的所述候选投影在所述2D图像中的每个2D图像中的所述道路的平面上，
e)在所述2D图像中的每个2D图像中选择所述3D点的保持在所述投影范围中的那些候选作为所述3D点的所述候选的所述一部分，
–对所述3D点中的所选择的候选进行合并，以确定所述特征的估计位置，
–通过沿着所述估计位置生成拟合曲线来对所述特征进行建模。
2.根据权利要求1所述的方法，包括：
根据在所述2D图像中的每个2D图像中进行语义分割来确定所述道路的轮廓和所述特征的轮廓。
3.根据权利要求1或2所述的方法，包括：
识别所述道路的边界线和所述特征的边界线。
4.根据权利要求3所述的方法，包括：
–在每个2D图像中确定在第一边界线和第二边界线之间的所述投影范围，
–其中，所述第一边界线位于距离所述道路的所述边界线中的一条边界线的第一距离处，并且所述第二边界线位于距离所述道路的所述边界线中的所述一条边界线的第二距离处。
5.根据权利要求1至4中任一项所述的方法，
其中，所述3D点云被解释为半密集点云。
6.根据权利要求1至5中任一项所述的方法，包括：
–确定车辆沿着所述道路行驶的轨迹，
–将所述轨迹划分为多个区间，
–将所述3D点中的所选择的候选分配给所述多个区间中的相应区间，
–对每个区间中的相应噪声进行滤波，以确定所述特征的所述估计位置中的相应估计位置。
7.根据权利要求6所述的方法，
其中，所述区间是通过将所述轨迹采样到均匀区间中来确定的。
8.根据权利要求6或7所述的方法，
其中，所述3D点中的所选择的候选是通过应用K-最近邻算法而被分配给所述区间中的相应区间的。
9.根据权利要求6至8中任一项所述的方法，
其中，所述相应噪声是通过确定所述3D点中的被分配给所述多个区间中的相应区间的所选择的候选的相应质心作为所述特征的所述估计位置中的所述相应估计位置来滤波的。
10.根据权利要求3至9中任一项所述的方法，
其中，所述特征的高度是根据所述特征的所识别的边界线中的一条边界线来推导的，所述一条边界线是在所述特征的所识别的边界线中的另一边界线上方。
CN202080095447.5A 2019-12-11 2020-12-04 用于重建道路的环境场景中的特征的方法 Pending CN115176288A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102019219358.7 2019-12-11
DE102019219358 2019-12-11
PCT/EP2020/084678 WO2021115961A1 (en) 2019-12-11 2020-12-04 Method for reconstruction of a feature in an environmental scene of a road

Publications (1)

Publication Number Publication Date
CN115176288A true CN115176288A (zh) 2022-10-11

Family

ID=73790067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080095447.5A Pending CN115176288A (zh) 2019-12-11 2020-12-04 用于重建道路的环境场景中的特征的方法

Country Status (4)

Country Link
US (1) US20220398856A1 (zh)
EP (1) EP4073750A1 (zh)
CN (1) CN115176288A (zh)
WO (1) WO2021115961A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436223B (zh) * 2021-07-14 2022-05-24 北京市测绘设计研究院 点云数据的分割方法、装置、计算机设备和存储介质
CN115690359B (zh) * 2022-10-27 2023-12-15 科大讯飞股份有限公司 一种点云处理方法、装置、电子设备及存储介质
CN115619963B (zh) * 2022-11-14 2023-06-02 吉奥时空信息技术股份有限公司 一种基于内容感知的城市建筑物实体建模方法
CN115578430B (zh) * 2022-11-24 2023-04-07 深圳市城市交通规划设计研究中心股份有限公司 一种路面车辙病害的三维重构方法、电子设备及存储介质
CN117853682B (zh) * 2024-03-07 2024-06-28 苏州魔视智能科技有限公司 基于隐式特征的路面三维重建方法、装置、设备及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107272019B (zh) * 2017-05-09 2020-06-05 深圳市速腾聚创科技有限公司 基于激光雷达扫描的路沿检测方法
CN110084840B (zh) * 2019-04-24 2022-05-13 阿波罗智能技术(北京)有限公司 点云配准方法、装置、服务器和计算机可读介质

Also Published As

Publication number Publication date
US20220398856A1 (en) 2022-12-15
WO2021115961A1 (en) 2021-06-17
EP4073750A1 (en) 2022-10-19

Similar Documents

Publication Publication Date Title
CN115176288A (zh) 用于重建道路的环境场景中的特征的方法
JP6595182B2 (ja) マッピング、位置特定、及び姿勢補正のためのシステム及び方法
EP4191532A1 (en) Image annotation
US10430659B2 (en) Method and apparatus for urban road recognition based on laser point cloud, storage medium, and device
Broggi et al. Self-calibration of a stereo vision system for automotive applications
Shin et al. Visual lane analysis and higher-order tasks: a concise review
KR20160123668A (ko) 무인자동주차 기능 지원을 위한 장애물 및 주차구획 인식 장치 및 그 방법
CN111771207A (zh) 增强的车辆跟踪
KR102569437B1 (ko) 3차원 영상정보 기반 객체 추적 장치 및 방법
CN113640822B (zh) 一种基于非地图元素过滤的高精度地图构建方法
KR20180059188A (ko) 딥 러닝을 이용한 동적 장애물이 없는 배경 위주의 3차원 지도 생성 방법
KR20190059894A (ko) 카메라 영상에서 대상의 감지
CN109917359A (zh) 基于车载单目视觉的鲁棒车辆距离估计方法
CN114577196B (zh) 使用光流的激光雷达定位
CN117423089A (zh) 基于图像分割与雷达点云的可行驶区域拟合方法及设备
WO2021063756A1 (en) Improved trajectory estimation based on ground truth
CN113227713A (zh) 生成用于定位的环境模型的方法和***
Oniga et al. A fast ransac based approach for computing the orientation of obstacles in traffic scenes
KR20220151572A (ko) IPM 이미지와 정밀도로지도(HD Map) 피팅을 통해 노면객체의 변화를 자동으로 판단하고 갱신하는 정밀도로지도 자동갱신 방법 및 시스템
CN111380529A (zh) 移动设备定位方法、装置、***及移动设备
CN111784798B (zh) 地图生成方法、装置、电子设备和存储介质
JP2021018605A (ja) 画像処理装置
KR101561382B1 (ko) 도로 기하 모델 기반 차선 추적 장치 및 방법
Dekkiche et al. Vehicles detection in stereo vision based on disparity map segmentation and objects classification
Billah et al. Challenges in Partially-Automated Roadway Feature Mapping Using Mobile Laser Scanning and Vehicle Trajectory Data

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