CN117928575A - 车道信息提取方法、***、电子设备以及存储介质 - Google Patents
车道信息提取方法、***、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN117928575A CN117928575A CN202410336833.9A CN202410336833A CN117928575A CN 117928575 A CN117928575 A CN 117928575A CN 202410336833 A CN202410336833 A CN 202410336833A CN 117928575 A CN117928575 A CN 117928575A
- Authority
- CN
- China
- Prior art keywords
- lane
- coordinate system
- image
- local
- world coordinate
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000001131 transforming effect Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了车道信息提取方法、***、电子设备以及存储介质,通过获取包含地面车道标线序列影像信息及其时间对应的车载轨迹定位数据并对每一帧图像进行语义分割后再通过计算车道标线的图像灭点得到车道标线在图像坐标系的坐标并结合轨迹定位数据对车道标线的图像灭点及车道标线在图像坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置;对局部车道标线在世界坐标系的位置进行协方差和距离计算后聚类并曲线拟合得到全局车道信息。可有效降低自动驾驶地图车道信息的提取成本,提高生产效率,扩大车道信息提取的覆盖范围,可提高地图的覆盖范围与更新效率,为自动驾驶地图车道信息的更新提供支撑。
Description
技术领域
本公开涉及自动驾驶地图、摄影测量技术领域,尤其涉及一种车道信息提取方法、***、电子设备以及存储介质。
背景技术
自动驾驶车辆发展迅速,自动驾驶技术是车辆工程发展的必然趋势。自动驾驶技术契合环境友好理念,顺应社会发展高效低成本要求,更加便于人们的工作与生活。普通的导航地图精度低,信息量小,没有包含具体的车道信息、道路特征信息等数据,而高精度电子地图则是推动无人驾驶车辆发展的关键因素之一。获取了高精度的地图之后,无人驾驶车辆无需实时地感知周围环境来构建局部地图,一边探索一边前进,而是只需根据感知的周围环境,将车辆准确地匹配到电子地图中,便能使决策***做出正确的决策。
但是现有基于专业测绘的自动驾驶地图车道信息生产方式,采集成本高、更新效率低,覆盖范围小,难以实现对道路信息的全时空覆盖,无法满足自动驾驶汽车对于地图车道信息实时更新的需求。随着北斗三号全球组网,地基增强***的进一步完善,以及多频、多星座定位芯片的国产化,高精度、低成本的民用定位终端逐步普及,为基于车载轨迹与序列影像数据等众包数据的自动驾驶地图要素提取提供了支持。
发明内容
本发明提供了一种车道信息提取方法、***、电子设备以及存储介质,解决了采集成本高、更新效率低,覆盖范围小,难以实现对道路信息的全时空覆盖,无法满足自动驾驶汽车对于地图车道信息实时更新的需求的问题。结合众包序列影像信息与众包车载轨迹数据,提取自动驾驶地图车道信息,可有效降低自动驾驶地图车道信息的提取成本,提高生产效率,扩大车道信息提取的覆盖范围,可提高地图的覆盖范围与更新效率,为自动驾驶地图车道信息的更新提供支撑。能够提前规划好运动路径,选择最合理的车道行驶,提高车辆的智能性和舒适性,对于自动驾驶的发展具有重要意义。
第一方面,本公开实施例提供了车道信息提取方法,包括:获取包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据并对每一帧影像数据进行语义分割后再通过计算车道标线的图像灭点得到车道标线在图像坐标系的坐标;结合车载轨迹定位数据,对车道标线的图像灭点及车道标线在图像坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置;对局部车道标线在世界坐标系的位置进行协方差和距离计算进行聚类,并对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据。
结合第一方面的实施例,在一些实施例中,所述获取包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据并对每一帧影像数据进行语义分割后再通过计算车道标线的图像灭点得到车道标线在图像坐标系的坐标,包括:
获取自动驾驶地图图像中每一帧包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据
其中,/>为/>时刻的数据集,/>为/>时刻的轨迹定位数据,/>为/>时刻的影像数据;对影像数据进行语义分割,得到车道标线在图像坐标系的目标范围后计算车道标线的图像灭点得到车道标线在图像坐标系的坐标,其中车道标线的图像灭点为/> 其中,/>为车道标线所对应大圆的法向量,/>为相机内参,/>为第/>条车道标线端点,/>为灭点的方向,/>为车道标线的每一帧影像数据所提取车道标线所对应的高斯球大圆的法向量集合,/>为第N条车道标线所对应的法向量,/>为车道标线的图像灭点的图像坐标,/>为第/>条车道标线。
结合第一方面的实施例,在一些实施例中,所述结合车载轨迹定位数据,对车道标线的图像灭点及车道标线在图像坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置,包括:
假设地面为平面,局部车道标线在世界坐标系的位置为 =/>其中,/>,/>,分别为车道标线在世界坐标系的经度、纬度与高度值,/>为相机与车载GNSS方向的固定偏差,/>为相机俯仰角,/>,/>为车道标线在图像坐标系的坐标,/>,/>,/>为车载轨迹定位数据的经纬度与高度,/>为相机焦距,/>为所提取车道标线的图像灭点在图像中的纵坐标,/>为车道标线的方向,/>为轨迹的方向,/>为方位角旋转矩阵,/>为俯仰角旋转矩阵,/>为车道标线的每一帧影像数所提取车道标线所对应的高斯球大圆的法向量集合的逆,/>为车道标线的总数量。
结合第一方面的实施例,在一些实施例中,所述对局部车道标线在世界坐标系的位置进行协方差和距离计算进行聚类,并对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据,包括:局部车道标线在世界坐标系的位置在横向与纵向上的协方差 局部车道标线在世界坐标系的位置之间的距离为/>局部车道标线在世界坐标系的位置之间的方向差异为/>其中,/>为两个局部车道标线在世界坐标系的位置/>之间的距离,/>为方向差异,/>为局部车道标线在世界坐标系的位置横坐标的均值,/>为局部车道标线在世界坐标系的位置在纵向的协方差,/>为局部车道标线在世界坐标系的位置的纵坐标,/>为局部车道标线在世界坐标系的位置纵坐标的均值,/>为局部车道标线在世界坐标系的位置横向与纵向的协方差矩阵,/>为局部车道标线在世界坐标系的位置在横向的协方差,/>为局部车道标线在世界坐标系的位置的数目,/>,/>为两局部车道标线在世界坐标系的位置的方向;将所有局部车道标线在世界坐标系的位置整合,通过距离与方向差异函数对所有数据聚类;对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据,其中曲线拟合方程为/> 其中,/>为切线角,s为曲线上的点与起点/>之间的弧长,/>为前一车道核心点的坐标,
()为后一车道核心点的坐标,/>为曲线上起始点的方向,/>为曲线上起始点处的曲率,/>为曲率的变化率,/>为曲线段的长度。
第二方面,本公开实施例提供了一种车道信息提取***,包括:图像坐标单元,获取包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据并对每一帧影像数据进行语义分割后再通过计算车道标线的图像灭点得到车道标线在图像坐标系的坐标;局部车道单元,结合车载轨迹定位数据,对车道标线的图像灭点及车道标线在图像坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置;全局车道单元,对局部车道标线在世界坐标系的位置进行协方差和距离计算进行聚类,并对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据。
结合第二方面的实施例,在一些实施例中,所述图像坐标单元,获取包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据并对每一帧影像数据进行语义分割后再通过计算车道标线的图像灭点得到车道标线在图像坐标系的坐标,包括:获取自动驾驶地图图像中每一帧包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据其中,/>为/>时刻的数据集,/>为/>时刻的轨迹定位数据,/>为/>时刻的影像数据;对影像数据进行语义分割,得到车道标线在图像坐标系的目标范围后计算车道标线的图像灭点得到车道标线在图像坐标系的坐标,其中车道标线的图像灭点为/> 其中,/>为车道标线所对应大圆的法向量,/>为相机内参,/>为第N条车道标线的端点,/>为灭点的方向,/>为车道标线的每一帧影像数据所提取车道标线所对应的高斯球大圆的法向量集合,/>为第N条车道标线所对应的法向量,/>为车道标线的图像灭点的图像坐标,/>为第/>条车道标线。
结合第二方面的实施例,在一些实施例中,所述局部车道单元,结合车载轨迹定位数据,对车道标线的图像灭点及车道标线在图像坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置,包括:假设地面为平面,局部车道标线在世界坐标系的位置为 =/>其中,/>,/>,/>分别为车道标线在世界坐标系的经度、纬度与高度值,为相机与车载GNSS方向的固定偏差,/>为相机俯仰角,/>,/>为车道标线在图像坐标系的坐标,/>,/>,/>为车载轨迹定位数据的经纬度与高度,/>为相机焦距,/>为所提取车道标线的图像灭点在图像中的纵坐标,/>为车道标线的方向,/>为轨迹的方向,为方位角旋转矩阵,/>为俯仰角旋转矩阵,/>为车道标线的每一帧影像数据所提取车道标线所对应的高斯球大圆的法向量集合的逆,/>为车道标线的总数量。
结合第二方面的实施例,在一些实施例中,所述全局车道单元,对局部车道标线在世界坐标系的位置进行协方差和距离计算进行聚类,并对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据,包括:局部车道标线在世界坐标系的位置在横向与纵向上的协方差 局部车道标线在世界坐标系的位置之间的距离为/>局部车道标线在世界坐标系的位置之间的方向差异为/>
其中,为两个局部车道标线在世界坐标系的位置/>之间的距离,/>为方向差异,/>为局部车道标线在世界坐标系的位置横坐标的均值,/>为局部车道标线在世界坐标系的位置在纵向的协方差,/>为局部车道标线在世界坐标系的位置的纵坐标,/>为局部车道标线在世界坐标系的位置纵坐标的均值,/>为局部车道标线在世界坐标系的位置横向与纵向的协方差矩阵,/>为局部车道标线在世界坐标系的位置在横向的协方差,/>为局部车道标线在世界坐标系的位置的数目,/>,/>为两局部车道标线在世界坐标系的位置的方向;将所有局部车道标线在世界坐标系的位置整合,通过距离与方向差异函数对所有数据聚类;对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据,其中曲线拟合方程为 其中,/>为切线角,s为曲线上的点与起点/>之间的弧长,/>为前一车道核心点的坐标,(/>)为后一车道核心点的坐标,/>为曲线上起始点的方向,/>为曲线上起始点处的曲率,/>为曲率的变化率,/>为曲线段的长度。第三方面,本公开实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现如第一方面上述的车道信息提取方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面上述的车道信息提取方法的步骤。
本发明有益效果:该方法,通过获取包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据并对每一帧影像数据进行语义分割后再通过计算车道标线的图像灭点得到车道标线在图像坐标系的坐标;结合车载轨迹定位数据,对车道标线的图像灭点及车道标线在图像坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置;对局部车道标线在世界坐标系的位置进行协方差和距离计算进行聚类,并对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据。解决了采集成本高、更新效率低,覆盖范围小,难以实现对道路信息的全时空覆盖,无法满足自动驾驶汽车对于地图车道信息实时更新的需求的问题。结合众包序列影像信息与众包车载轨迹数据,提取自动驾驶地图车道信息,可有效降低自动驾驶地图车道信息的提取成本,提高生产效率,扩大车道信息提取的覆盖范围,可提高地图的覆盖范围与更新效率,为自动驾驶地图车道信息的更新提供支撑。能够提前规划好运动路径,选择最合理的车道行驶,提高车辆的智能性和舒适性,对于自动驾驶的发展具有重要意义。
附图说明
图1是根据本公开的车道信息提取方法的一个实施例的流程图;
图2是本公开的局部车道信息提取流程示意图;
图3是本公开的全局车道信息提取流程示意图;
图4是本公开的车道信息提取总体技术流程示意图;
图5是本公开的车道信息提取***的结构示意图;
图6是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
请参考图1,其示出了根据本公开的车道信息提取方法的一个实施例的流程。如图1所示,该方法包括以下步骤:
如图2所示,步骤101,获取包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据并对每一帧影像数据进行语义分割后再通过计算车道标线的图像灭点得到车道标线在图像坐标系的坐标。
在这里,步骤101的包括:
北斗三号全球组网,地基增强***的进一步完善,以及多频、多星座定位芯片的国产化,高精度、低成本的民用定位终端逐步普及,为基于车载轨迹与序列影像数据等众包数据的自动驾驶地图要素提取提供了支持。通过北斗三号获取自动驾驶地图图像中每一帧包含地面车道标线众包序列影像信息及其时间对应的车载轨迹定位数据其中,/>为/>时刻的数据集,/>为/>时刻的轨迹定位数据,/>为/>时刻的影像数据;将获取的数据集一分为二,一部分进行人工标注用来作为训练数据集,另一部分用来做测试训练集,训练集用于网络的训练,测试集用于测试网络训练程度;以DeepLabV3+为基础框架,结合深度残差网络构建车道影像序列的语义分割框架,对序列影像进行语义分割。网络结构可分为三个模块:编码、解码与空间池化金字塔(ASPP)。首先在编码部分使用卷积神经网络进行车道影像卷积运算,并使用ASPP进行多尺度空间卷积,在解码部分,通过上采样逐渐提高图像分辨率。
使用BP算法进行车道影像序列的语义分割网络参数进行优化,通过训练集对车道影像序列的语义分割网络进行训练并通过测试集进行测试训练程度,对序列影像进行语义分割,得到车道标线在图像坐标系的目标范围后计算得到其车道标线所对应大圆的法向量图像空间中两条平行线的两个大圆相交于高斯球上的一点,计算球面中心至交点的射线,通过奇异值分解,计算车道标线的图像灭点的方向计算车道标线的图像灭点的图像坐标得到车道标线在图像坐标系的坐标,其中车道标线的图像灭点的图像坐标/> />其中,/>为车道标线所对应大圆的法向量,/>为相机内参,/>为第N条车道标线的端点,/>为灭点的方向,/>为车道标线的每一帧影像数据所提取车道标线所对应的高斯球大圆的法向量集合,/>为第N条车道标线所对应的法向量,/>为车道标线的图像灭点的图像坐标,/>为第/>条车道标线。
如图2所示,步骤102,结合轨迹定位数据,对车道标线的图像灭点及车道标线在车辆坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置。
在这里,步骤102的包括:假设地面为平面,结合轨迹定位数据,对车道标线的图像灭点及车道标线在车辆坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置,其中局部车道标线在世界坐标系的位置为 =/>其中,/>,/>,分别为车道标线在世界坐标系的经度、纬度与高度值,/>为相机与车载GNSS方向的固定偏差,/>为相机俯仰角,/>,/>为车道标线在图像坐标系的坐标,/>,/>,/>为车载轨迹定位数据的经纬度与高度,/>为相机焦距,/>为所提取车道标线的图像灭点在图像中的纵坐标,/>为车道标线的方向,/>为轨迹的方向,/>为方位角旋转矩阵,/>为俯仰角旋转矩阵,/>为车道标线的每一帧影像数据所提取车道标线所对应的高斯球大圆的法向量集合的逆,/>为车道标线的总数量。
步骤103,对局部车道标线在世界坐标系的位置进行协方差和距离计算进行聚类,并对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据。
该方法,通过获取包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据并对每一帧影像数据进行语义分割后再通过计算车道标线的图像灭点得到车道标线在图像坐标系的坐标;结合车载轨迹定位数据,对车道标线的图像灭点及车道标线在图像坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置;对局部车道标线在世界坐标系的位置进行协方差和距离计算进行聚类,并对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据。结合众包序列影像信息与众包车载轨迹数据,提取自动驾驶地图车道信息,可有效降低自动驾驶地图车道信息的提取成本,提高生产效率,扩大车道信息提取的覆盖范围,可提高地图的覆盖范围与更新效率,为自动驾驶地图车道信息的更新提供支撑。能够提前规划好运动路径,选择最合理的车道行驶,提高车辆的智能性和舒适性,对于自动驾驶的发展具有重要意义。
如图3所示,在这里,步骤103的包括:
某一帧包含地面车道标线序列影像数据所提取的局部车道标线在世界坐标系的位置为局部车道数据点,受光照变化以及建筑物遮挡的影响,噪声点较多,为提高车道数据提取精度,获取整体车道数据。所有局部车道数据点整合,并进行聚类处理,去除噪声点,确定属于同一道路的所有车道数据点,并使用clothoid曲线对其进行拟合,从而得到全局的车道几何信息。
局部车道数据点在横向与纵向上的协方差 局部车道数据点之间的距离为/>判断局部车道数据点之间的靠近程度,当局部车道数据点之间的距离小于阈值/>,则认为两个局部车道数据点为同一类;局部车道数据点之间的方向差异为/>其中,/>为两个局部车道数据点/>之间的距离,/>为向差异,/>为局部车道数据点横坐标的均值,/>为局部车道数据点在纵向的协方差,/>为局部车道数据点的纵坐标,/>为局部车道数据点纵坐标的均值,/>为局部车道数据点横向与纵向的协方差矩阵,/>为局部车道数据点在横向的协方差,/>为局部车道数据点的数目,/>,/>为两局部车道数据点的方向;当局部车道数据点之间的方向差值小于阈值/>,认为两者为同一聚类;将所有局部车道数据点整合,通过距离与方向差异函数,使用DBSCAN算法对所有局部车道数据点进行聚类,从局部车道数据点第一个点开始,通过阈值Eps(邻域半径)和MinPts(邻域内最少包含点的个数)判断其是否为核心点,是则对其建立一个类,否则将其设定为噪声点,从该核心点出发寻找所有密度相连的局部车道数据点,对该类进行扩充,直至没有可扩充的局部车道数据点为止。最终将所有的车道数据点分为核心点、边界点与噪声点三类,去除噪声点,确定属于同一聚类的所有局部车道数据点。
将每一聚类沿着轨迹前进的方向划分为宽度为1.5米的窗口,对每一窗口内的局部车道数据点再次使用DBSCAN算法进行聚类,计算聚类簇中每一局部车道数据点至其他局部车道数据点点的距离,选择距离最小的局部车道数据点作为该窗口的车道核心点;对所有车道核心点,使用曲线进行拟合,生成曲率连续变化的完整车道信息,从第一个车道核心点出发,进行求解,确定连续两个车道核心点之间的曲线,从而得到全局的车道几何信息即全局车道数据,其中曲线拟合方程为 其中,/>为切线角,s为曲线上的点与起点/>之间的弧长,/>为前一车道核心点的坐标,()为后一车道核心点的坐标,/>为曲线上起始点的方向,/>为曲线上起始点处的曲率,为曲率的变化率,/>为曲线段的长度。如图4所示,该车道信息提取总体技术为,包括局部车道信息提取与全局车道信息提取两个部分。在局部车道信息提取过程中,首先获取包含地面车道标线的序列影像及其对应的车载轨迹定位信息;对每一帧图像,使用深度学***台进行数据采集,一方面,可降低高精地图的生产成本,另一方面,众包车载平台覆盖范围广泛,数据采集频率较高,可提高地图的覆盖范围与更新效率,对于自动驾驶的发展具有重要意义。
进一步参考图5,作为对上述图1所示方法的实现,本公开了一种车道信息提取***,该***实施例与图1所示的方法实施例相对应。该***具体可以应用于各种电子设备中。
如图5所示,本实施例的***包括:
图像坐标单元501,获取包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据并对每一帧影像数据进行语义分割后再通过计算车道标线的图像灭点得到车道标线在图像坐标系的坐标;
局部车道单元502,结合车载轨迹定位数据,对车道标线的图像灭点及车道标线在图像坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置;
全局车道单元503,对局部车道标线在世界坐标系的位置进行协方差和距离计算进行聚类,并对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据。
在一些可选实施例中,图像坐标单元501,获取包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据并对每一帧影像数据进行语义分割后再通过计算车道标线的图像灭点得到车道标线在图像坐标系的坐标,包括:
获取自动驾驶地图图像中每一帧包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据其中,/>为/>时刻的数据集,/>为/>时刻的轨迹定位数据,/>为/>时刻的影像数据;对影像数据进行语义分割,得到车道标线在图像坐标系的目标范围后计算车道标线的图像灭点得到车道标线在图像坐标系的坐标,其中车道标线的图像灭点为
其中,为车道标线所对应大圆的法向量,/>为相机内参,/>为第N条车道标线的端点,/>为灭点的方向,/>为车道标线的每一帧影像数据所提取车道标线所对应的高斯球大圆的法向量集合,为第N条车道标线所对应的法向量,/>为车道标线的图像灭点的图像坐标,/>为第/>条车道标线。
在一些可选实施例中,局部车道单元502,结合车载轨迹定位数据,对车道标线的图像灭点及车道标线在图像坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置,包括:假设地面为平面,局部车道标线在世界坐标系的位置为 =/>其中,/>,/>,分别为车道标线在世界坐标系的经度、纬度与高度值,/>为相机与车载GNSS方向的固定偏差,/>为相机俯仰角,/>,/>为车道标线在图像坐标系的坐标,/>,/>,/>为车载轨迹定位数据的经纬度与高度,/>为相机焦距,/>为所提取车道标线的图像灭点在图像中的纵坐标,/>为车道标线的方向,/>为轨迹的方向,/>为方位角旋转矩阵,/>为俯仰角旋转矩阵,/>为车道标线的每一帧影像数据所提取车道标线所对应的高斯球大圆的法向量集合的逆,/>为车道标线的总数量。
在一些可选实施例中,全局车道单元503,对局部车道标线在世界坐标系的位置进行协方差和距离计算进行聚类,并对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据,包括:局部车道标线在世界坐标系的位置在横向与纵向上的协方差 局部车道标线在世界坐标系的位置之间的距离为/>局部车道标线在世界坐标系的位置之间的方向差异为/>其中,/>为两个局部车道标线在世界坐标系的位置/>之间的距离,/>为方向差异,/>为局部车道标线在世界坐标系的位置横坐标的均值,/>为局部车道标线在世界坐标系的位置在纵向的协方差,/>为局部车道标线在世界坐标系的位置的纵坐标,/>为局部车道标线在世界坐标系的位置纵坐标的均值,/>为局部车道标线在世界坐标系的位置横向与纵向的协方差矩阵,/>为局部车道标线在世界坐标系的位置在横向的协方差,/>为局部车道标线在世界坐标系的位置的数目,/>,/>为两局部车道标线在世界坐标系的位置的方向;将所有局部车道标线在世界坐标系的位置整合,通过距离与方向差异函数对所有数据聚类;
对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据,其中曲线拟合方程为 其中,/>为切线角,s为曲线上的点与起点/>之间的弧长,(/>)为前一车道核心点的坐标,()为后一车道核心点的坐标,/>为曲线上起始点的方向,/>为曲线上起始点处的曲率,为曲率的变化率,/>为曲线段的长度。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM903中,还存储有电子设备这操作所需的各种程序和数据。处理装置901、ROM902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常,以下装置可以连接至I/O接口905:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。该计算机程序可以通过通信装置909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM902被安装。在该计算机程序被处理装置901执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取包含地面车道标线众包序列影像信息及其时间对应的车载轨迹定位数据并对每一帧图像进行语义分割后再通过计算车道标线的图像灭点得到车道标线在图像坐标系的坐标;结合轨迹定位数据,对车道标线的图像灭点及车道标线在车辆坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置;对局部车道标线在世界坐标系的位置进行协方差和距离计算进行聚类,并对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++、python,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品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,该模块、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,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示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。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种车道信息提取方法,其特征在于,所述方法包括:
获取包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据并对每一帧影像数据进行语义分割后再通过计算车道标线的图像灭点得到车道标线在图像坐标系的坐标;
结合车载轨迹定位数据,对车道标线的图像灭点及车道标线在图像坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置;
对局部车道标线在世界坐标系的位置进行协方差和距离计算进行聚类,并对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据。
2.根据权利要求1所述的方法,其特征在于,所述获取包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据并对每一帧影像数据进行语义分割后再通过计算车道标线的图像灭点得到车道标线在图像坐标系的坐标,包括:获取自动驾驶地图图像中每一帧包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据其中,/>为时刻的数据集,/>为/>时刻的轨迹定位数据,/>为/>时刻的影像数据;对影像数据进行语义分割,得到车道标线在图像坐标系的目标范围后计算车道标线的图像灭点得到车道标线在图像坐标系的坐标,其中车道标线的图像灭点为/> 其中,/>为车道标线所对应大圆的法向量,/>为相机内参,/>为第N条车道标线的端点,/>为灭点的方向,/>为车道标线的每一帧影像数据所提取车道标线所对应的高斯球大圆的法向量集合,/>为第N条车道标线所对应的法向量,/>为车道标线的图像灭点的图像坐标,/>为第/>条车道标线。
3.根据权利要求2所述的方法,其特征在于,所述结合车载轨迹定位数据,对车道标线的图像灭点及车道标线在图像坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置,包括:
假设地面为平面,局部车道标线在世界坐标系的位置为 =/>其中,/>,/>,分别为车道标线在世界坐标系的经度、纬度与高度值,/>为相机与车载GNSS方向的固定偏差,/>为相机俯仰角,/>,/>为车道标线在图像坐标系的坐标,/>,/>,/>为车载轨迹定位数据的经纬度与高度,/>为相机焦距,/>为所提取车道标线的图像灭点在图像中的纵坐标,/>为车道标线的方向,/>为轨迹的方向,/>为方位角旋转矩阵,/>为俯仰角旋转矩阵,/>为车道标线的每一帧影像数据所提取车道标线所对应的高斯球大圆的法向量集合的逆,/>为车道标线的总数量。
4.根据权利要求3所述的方法,其特征在于,所述对局部车道标线在世界坐标系的位置进行协方差和距离计算进行聚类,并对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据,包括:
局部车道标线在世界坐标系的位置在横向与纵向上的协方差 局部车道标线在世界坐标系的位置之间的距离为/>局部车道标线在世界坐标系的位置之间的方向差异为/>其中,/>为两个局部车道标线在世界坐标系的位置/>之间的距离,/>为方向差异,/>为局部车道标线在世界坐标系的位置横坐标的均值,/>为局部车道标线在世界坐标系的位置在纵向的协方差,/>为局部车道标线在世界坐标系的位置的纵坐标,/>为局部车道标线在世界坐标系的位置纵坐标的均值,/>为局部车道标线在世界坐标系的位置横向与纵向的协方差矩阵,/>为局部车道标线在世界坐标系的位置在横向的协方差,/>为局部车道标线在世界坐标系的位置的数目,/>,/>为两局部车道标线在世界坐标系的位置的方向;
将所有局部车道标线在世界坐标系的位置整合,通过距离与方向差异函数对所有数据聚类;对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据,其中曲线拟合方程为 其中,/>为切线角,s为曲线上的点与起点/>之间的弧长,(/>)为前一车道核心点的坐标,()为后一车道核心点的坐标,/>为曲线上起始点的方向,/>为曲线上起始点处的曲率,为曲率的变化率,/>为曲线段的长度。
5.一种车道信息提取***,其特征在于,所述***包括:
图像坐标单元,获取包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据并对每一帧影像数据进行语义分割后再通过计算车道标线的图像灭点得到车道标线在图像坐标系的坐标;
局部车道单元,结合车载轨迹定位数据,对车道标线的图像灭点及车道标线在图像坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置;
全局车道单元,对局部车道标线在世界坐标系的位置进行协方差和距离计算进行聚类,并对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据。
6.根据权利要求5所述的***,其特征在于,所述图像坐标单元,获取包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据并对每一帧影像数据进行语义分割后再通过计算车道标线的图像灭点得到车道标线在图像坐标系的坐标,包括:
获取自动驾驶地图图像中每一帧包含地面车道标线序列影像数据及其时间对应的车载轨迹定位数据其中,/>为/>时刻的数据集,/>为/>时刻的轨迹定位数据,/>为/>时刻的影像数据;
对影像数据进行语义分割,得到车道标线在图像坐标系的目标范围后计算车道标线的图像灭点得到车道标线在图像坐标系的坐标,其中车道标线的图像灭点为 其中,/>为车道标线所对应大圆的法向量,/>为相机内参,/>为第/>条车道标线端点,/>为灭点的方向,/>为车道标线的每一帧影像数据所提取车道标线所对应的高斯球大圆的法向量集合,/>为第N条车道标线所对应的法向量,/>为车道标线的图像灭点的图像坐标,/>为第/>条车道标线。
7.根据权利要求6所述的***,其特征在于,所述局部车道单元,结合车载轨迹定位数据,对车道标线的图像灭点及车道标线在图像坐标系中坐标进行变换得到局部车道标线在世界坐标系的位置,包括:假设地面为平面,局部车道标线在世界坐标系的位置为 其中,/>,/>,/>分别为车道标线在世界坐标系的经度、纬度与高度值,/>为相机与车载GNSS方向的固定偏差,/>为相机俯仰角,/>,/>为车道标线在图像坐标系的坐标,,/>,/>为车载轨迹定位数据的经纬度与高度,/>为相机焦距,/>为所提取车道标线的图像灭点在图像中的纵坐标,/>为车道为车道标线的方向,/>为轨迹的方向,/>为方位角旋转矩阵,/>为俯仰角旋转矩阵,/>为车道标线的每一帧影像数据所提取车道标线所对应的高斯球大圆的法向量集合的逆,/>为车道标线的总数量。
8.根据权利要求7所述的***,其特征在于,所述全局车道单元,对局部车道标线在世界坐标系的位置进行协方差和距离计算进行聚类,并对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据,包括:局部车道标线在世界坐标系的位置在横向与纵向上的协方差 局部车道标线在世界坐标系的位置之间的距离为/>局部车道标线在世界坐标系的位置之间的方向差异为/>其中,/>为两个局部车道标线在世界坐标系的位置/>之间的距离,/>为方向差异,/>为局部车道标线在世界坐标系的位置横坐标的均值,/>为局部车道标线在世界坐标系的位置在纵向的协方差,/>为局部车道标线在世界坐标系的位置的纵坐标,/>为局部车道标线在世界坐标系的位置纵坐标的均值,/>为局部车道标线在世界坐标系的位置横向与纵向的协方差矩阵,/>为局部车道标线在世界坐标系的位置在横向的协方差,/>为局部车道标线在世界坐标系的位置的数目,/>,/>为两局部车道标线在世界坐标系的位置的方向;将所有局部车道标线在世界坐标系的位置整合,通过距离与方向差异函数对所有数据聚类;对每一聚类选择车道核心点,并对所有车道核心点进行曲线拟合确定连续两个核心点之间的曲线进而得到全局车道数据,其中曲线拟合方程为/> 其中,/>为切线角,s为曲线上的点与起点/>之间的弧长,(/>)为前一车道核心点的坐标,()为后一车道核心点的坐标,/>为曲线上起始点的方向,/>为曲线上起始点处的曲率,为曲率的变化率,/>为曲线段的长度。
9.电子设备,其特征在于,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410336833.9A CN117928575B (zh) | 2024-03-22 | 2024-03-22 | 车道信息提取方法、***、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410336833.9A CN117928575B (zh) | 2024-03-22 | 2024-03-22 | 车道信息提取方法、***、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117928575A true CN117928575A (zh) | 2024-04-26 |
CN117928575B CN117928575B (zh) | 2024-06-18 |
Family
ID=90757807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410336833.9A Active CN117928575B (zh) | 2024-03-22 | 2024-03-22 | 车道信息提取方法、***、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117928575B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101645717B1 (ko) * | 2015-01-28 | 2016-08-12 | (주)한양정보통신 | 첨단 운전자 보조 시스템의 적응적 보정 장치 및 방법 |
CN109900254A (zh) * | 2019-03-28 | 2019-06-18 | 合肥工业大学 | 一种单目视觉的路面坡度计算方法及其计算装置 |
CN110163930A (zh) * | 2019-05-27 | 2019-08-23 | 北京百度网讯科技有限公司 | 车道线生成方法、装置、设备、***及可读存储介质 |
CN110345952A (zh) * | 2019-07-09 | 2019-10-18 | 同济人工智能研究院(苏州)有限公司 | 一种序列化车道线地图构建方法及构建*** |
US20210158567A1 (en) * | 2018-06-05 | 2021-05-27 | Beijing Sensetime Technology Development Co., Ltd. | Visual positioning method and apparatus, electronic device, and system |
CN114140759A (zh) * | 2021-12-08 | 2022-03-04 | 阿波罗智能技术(北京)有限公司 | 高精地图车道线位置确定方法、装置及自动驾驶车辆 |
CN115035138A (zh) * | 2022-08-10 | 2022-09-09 | 武汉御驾科技有限公司 | 基于众包数据的路面坡度提取方法 |
CN115100615A (zh) * | 2022-06-23 | 2022-09-23 | 浙江大学 | 一种基于深度学习的端到端车道线检测方法 |
CN115265493A (zh) * | 2022-09-26 | 2022-11-01 | 四川省公路规划勘察设计研究院有限公司 | 一种基于非标定相机的车道级定位方法及装置 |
CN115423879A (zh) * | 2022-08-31 | 2022-12-02 | 重庆长安汽车股份有限公司 | 图像采集设备姿态标定方法、装置、设备及存储介质 |
CN115690138A (zh) * | 2022-10-18 | 2023-02-03 | 武汉大学 | 一种融合车载影像与点云的道路边界提取与矢量化方法 |
-
2024
- 2024-03-22 CN CN202410336833.9A patent/CN117928575B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101645717B1 (ko) * | 2015-01-28 | 2016-08-12 | (주)한양정보통신 | 첨단 운전자 보조 시스템의 적응적 보정 장치 및 방법 |
US20210158567A1 (en) * | 2018-06-05 | 2021-05-27 | Beijing Sensetime Technology Development Co., Ltd. | Visual positioning method and apparatus, electronic device, and system |
CN109900254A (zh) * | 2019-03-28 | 2019-06-18 | 合肥工业大学 | 一种单目视觉的路面坡度计算方法及其计算装置 |
CN110163930A (zh) * | 2019-05-27 | 2019-08-23 | 北京百度网讯科技有限公司 | 车道线生成方法、装置、设备、***及可读存储介质 |
CN110345952A (zh) * | 2019-07-09 | 2019-10-18 | 同济人工智能研究院(苏州)有限公司 | 一种序列化车道线地图构建方法及构建*** |
CN114140759A (zh) * | 2021-12-08 | 2022-03-04 | 阿波罗智能技术(北京)有限公司 | 高精地图车道线位置确定方法、装置及自动驾驶车辆 |
CN115100615A (zh) * | 2022-06-23 | 2022-09-23 | 浙江大学 | 一种基于深度学习的端到端车道线检测方法 |
CN115035138A (zh) * | 2022-08-10 | 2022-09-09 | 武汉御驾科技有限公司 | 基于众包数据的路面坡度提取方法 |
CN115423879A (zh) * | 2022-08-31 | 2022-12-02 | 重庆长安汽车股份有限公司 | 图像采集设备姿态标定方法、装置、设备及存储介质 |
CN115265493A (zh) * | 2022-09-26 | 2022-11-01 | 四川省公路规划勘察设计研究院有限公司 | 一种基于非标定相机的车道级定位方法及装置 |
CN115690138A (zh) * | 2022-10-18 | 2023-02-03 | 武汉大学 | 一种融合车载影像与点云的道路边界提取与矢量化方法 |
Non-Patent Citations (3)
Title |
---|
WEIRONG 等: "Extraction of lane markings using orientation and vanishing point constraints in structured road scenes", INTERNATIONAL JOURNAL OF COMPUTER MATHEMATICS, vol. 91, no. 11, 1 August 2013 (2013-08-01), pages 2359 - 2373 * |
刘胤伯: "视觉消失点检测及其在车道线识别中的应用", 中国博士学位论文全文数据库 工程科技Ⅱ辑, no. 2023, 15 October 2023 (2023-10-15), pages 035 - 1 * |
王晓云: "复杂环境下的道路检测算法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 2012, 15 October 2012 (2012-10-15), pages 138 - 2329 * |
Also Published As
Publication number | Publication date |
---|---|
CN117928575B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3109842B1 (en) | Map-centric map matching method and apparatus | |
US11320836B2 (en) | Algorithm and infrastructure for robust and efficient vehicle localization | |
KR102338270B1 (ko) | 전자 지도를 업데이트하기 위한 방법, 장치 및 컴퓨터 판독 가능한 저장 매체 | |
US9222786B2 (en) | Methods and systems for creating digital transportation networks | |
US20180225968A1 (en) | Autonomous vehicle localization based on walsh kernel projection technique | |
CN110686686B (zh) | 用于地图匹配的***和方法 | |
EP3663718A1 (en) | Method and apparatus for estimating a localized position on a map | |
CN111465936B (zh) | 确定地图上新道路的***和方法 | |
CN114993328B (zh) | 车辆定位评估方法、装置、设备和计算机可读介质 | |
de Paula Veronese et al. | Evaluating the limits of a LiDAR for an autonomous driving localization | |
CN111275807A (zh) | 一种3d道路建模的方法和*** | |
CN114549562A (zh) | 基于UNet的半自动化的倾斜摄影实景模型建筑物单体化方法、***、设备和存储介质 | |
CN110174892B (zh) | 车辆朝向的处理方法、装置、设备及计算机可读存储介质 | |
CN117928575B (zh) | 车道信息提取方法、***、电子设备以及存储介质 | |
CN114743395B (zh) | 一种信号灯检测方法、装置、设备及介质 | |
US20220178701A1 (en) | Systems and methods for positioning a target subject | |
CN115773744A (zh) | 模型训练和路网处理方法、装置、设备、介质和产品 | |
CN115032672A (zh) | 一种基于定位子***的融合定位方法及*** | |
CN114063091A (zh) | 高精度的定位方法及产品 | |
CN111383337A (zh) | 用于识别对象的方法和装置 | |
CN114526720B (zh) | 定位的处理方法、装置、设备及存储介质 | |
CN111461982B (zh) | 用于拼接点云的方法和装置 | |
CN116246030A (zh) | 基于非新增道路场景的高精地图单要素更新方法及装置 | |
CN117606506A (zh) | 一种车辆定位方法、装置、电子设备及介质 | |
CN117095052A (zh) | 车辆相对位姿矩阵优化方法、装置、电子设备和可读介质 |
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 |