一种获取车道线的方法和装置制造方法及图纸

本申请公开了一种用于获取车道线的方法和装置。所述方法的一具体实施方式包括：采集道路数据，其中道路数据至少包括二维图像数据和三维激光点云数据；采用机器学习方法对二维图像数据中的车道线进行识别；基于二维图像数据和三维激光点云数据的空间位置关系，将车道线识别结果转换为三维车道线散点；根据统计特性对三维车道线散点进行过滤；以及对过滤后的车道线散点进行聚类，以获取车道线。该实施方式可以准确、高效地获取车道线，避免道路图像中车辆、道路边沿、其他标志线对车道线获取的影响，在应用于地图绘制时，可以明显提高绘制速度和精度。

【技术实现步骤摘要】

本申请涉及计算机
，具体涉及图像数据处理领域，尤其涉及一种用于获 取车道线的方法和装置。
技术介绍
车道线的提取技术可以应用于地图绘制、车辆自动驾驶和行车安全提示等领域 中。目前，绘制高精度地图中的车道线时，首先需要将道路图像中的车道线提取出来。现有 的车道线提取方法主要依赖于手工标记或二维图像的车道线识别技术。其中手工标记大多 为人工对卫星图像或航拍图像中的车道线进行标记；基于二维图像的车道线识别则是通过 车载相机拍摄连续的道路图片，在道路图片中根据车道线特征来对车道线进行识别。上述 方法中，手工标记速度较慢，进而导致地图绘制效率较低；基于二维图像的车道线识别则无 法生成精确的三维车道线信息，例如无法排除车辆对车道线提取的影响，从而可能产生错 误的识别结果。
技术实现思路
为解决上述现有技术的缺陷，期望提供一种获取三维车道线数据的方法，进一步 地，还期望车道线的获取不受道路图像中车辆、道路边沿、栏杆以及其他标志线的影响。为 了实现上述一个或多个目的，本申请提供了用于获取车道线的方法和装置。 一方面，本申请提供了一种用于获取车道线的方法，所述方法包括：采集道路数 据，该道路数据至少包括二维图像数据和三维激光点云数据；采用机器学习方法对二维图 像数据中的车道线进行识别；基于二维图像数据和三维激光点云数据的空间位置关系，将 车道线识别结果转换为三维车道线散点；根据统计特性对三维车道线散点进行过滤；以及 对过滤后的车道线散点进行聚类，以获取车道线。 另一方面，本申请提供了一种用于获取车道线的装置，所述装置包括：采集单元， 配置用于采集道路数据，该道路数据至少包括二维图像数据和三维激光点云数据；识别单 元，配置用于采用机器学习方法对二维图像数据中的车道线进行识别；转换单元，配置用于 基于二维图像数据和三维激光点云数据的空间位置关系，将车道线识别结果转换为三维车 道线散点；过滤单元，配置用于根据统计特性对三维车道线散点进行过滤；以及聚类单元， 配置用于对过滤后的车道线散点进行聚类，以获取车道线。 本申请提供的用于获取车道线的方法和装置，通过将二维车道线的识别结果转换 为三维的车道线散点，并对三维车道线散点进行多层级的过滤，而后对三维车道线散点聚 类，可以准确、高效地获取车道线，避免道路图像中车辆、道路边沿、其他标志线对车道线获 取的影响，在应用于地图绘制时，可以明显提高绘制速度和精度。【附图说明】 通过阅读参照以下附图所作的对非限制性实施例详细描述，本申请的其它特征、 目的和优点将会变得更明显： 图1示出了根据本申请一个实施例的用于获取车道线的方法的示意性的流程图； 图2示出了根据本申请一个实施例的对二维图像数据中的车道线进行识别的方 法的示意性的流程图； 图3a示出了一幅二维道路图像的示意图； 图3b示出了对梯形畸变矫正及灰度化后的二维道路图像数据进行训练的结果的 效果不意图； 图3c示出了二维图像数据的车道线识别结果的效果示意图； 图4示出了根据本申请一个实施例的将车道线识别结果转换为三维车道线散点 的示意性流程图； 图5示出了车道线聚类结果的效果示意图； 图6示出了根据本申请一个实施例的用于获取车道线的装置的示意性结构图； 图7示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统的结 构示意图。【具体实施方式】 下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描 述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了 便于描述，附图中仅示出了与有关专利技术相关的部分。 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相 互组合。下面将参考附图并结合实施例来详细说明本申请。 请参考图1，其示出了根据本申请一个实施例的用于获取车道线的方法的示意性 的流程图。本实施例主要以该方法用于具有数据处理能力的服务器、终端设备以及独立的 计算机系统中来说明。 如图1所示，在步骤101中，采集道路数据。 在本实施例中，所采集的道路数据至少包括二维图像数据和三维激光点云数据。 二维图像数据可以通过使用相机拍摄道路图像来采集，三维激光点云数据则可以通过激 光扫描仪来获取。在实际应用中，可以采用车载相机和车载激光扫描系统分别采集二维 道路图像数据和三维扫路激光点云数据。其中车载激光扫描系统除了包括激光扫描仪 之外，还可以包括INS(InertialNavigationSystem，惯性导航系统）和IMU(Inertial MeasurementUnit，惯性测量单元）。惯性导航系统可以获取扫描位置的GPS(Global PositioningSystem，全球定位系统）数据以及车辆行驶数据，例如速度、加速度等。IMU可 以获取车辆的翻滚、俯仰和偏航等数据。 在一些实现中，激光扫描仪可以在垂直于车辆行驶的方向作二维扫描，与车辆行 驶方向构成三维扫描系统，从而获取由离散的向量点形成的三维激光点云数据。具体地， 空间目标点的三维坐标可以按照如下方式获取：激光扫描仪可以向外发射激光脉冲，并记 录发射的激光脉冲的水平方向偏航角a和俯仰角0，之后探测脉冲返回的时间以及返回 的脉冲的强度，根据脉冲返回时间确定激光脉冲飞行的距离S，则空间目标点的三维坐标 (xw,yw,zw)可以根据下式计算： xw= Ssin 9 cos a yw= Ssin 9 sin a (I) Zw=Scos 9 在对扫描范围内每一个空间点进行扫描之后，可以获得多个包含空间点三维坐标 的三维数据点，将这些数据点与每一点返回的脉冲的强度组合起来则可以获得三维激光点 云数据。 在步骤102中，采用机器学习方法对二维图像数据中的车道线进行识别。 在本实施例中，可以基于车道线的特征对二维图像数据进行车道线识别，具体地， 可以采用机器学习的方法进行识别。例如，采用样本数据对车道线识别的模型进行训练，得 到模型的参数和输出。在识别时将步骤101所获取的二维图像数据输入该模型中，输出识 别结果。 在一些实施例中，可以采用Hough变换（霍夫变换）来识别二维图像数据中的长 直线。Hough变换是一种基于投票机制的参数确定方法。首先采用边缘提取方法将图像中 的边缘特征的点提取出来，然后确定直线的参数，例如，如果将平面中的某一条直线方程表 示为Ax+By= 0,其中（x，y)为直线上点的坐标，贝Ij可以通过Hough变换来确定其中的参数 A和B。具体实现方式如下： 首先选定A和B的取值范围，对取值范围中的每一组A、B值，得到一个直线方程， 计算落在该直线上的边缘点的数量，作为这一组A、B值的代价值。遍历取值范围中的所有 A和B，得到每一组A、B值所对应的代价值，将最大代价值（即落在该直线上的边缘点数量 最多）所对应的A、B值作为最终确定的该直线的参数。 可以采用上述方法提取出二维图像数据中的多条直当前第1页1 2 本文档来自技高网...

【技术保护点】
一种用于获取车道线的方法，其特征在于，所述方法包括：采集道路数据，所述道路数据至少包括二维图像数据和三维激光点云数据；采用机器学习方法对所述二维图像数据中的车道线进行识别；基于所述二维图像数据和三维激光点云数据的空间位置关系，将车道线识别结果转换为三维车道线散点；根据统计特性对所述三维车道线散点进行过滤；以及对过滤后的车道线散点进行聚类，以获取车道线。

【技术特征摘要】

【专利技术属性】
技术研发人员：关书伟，姜雨，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京;11