【技术实现步骤摘要】
支持高精度地图车道线实时融合更新的方法和系统
本专利技术涉及地图领域，特别涉及一种支持高精度地图车道线实时融合更新的方法和系统。
技术介绍
高精度地图应用于自动驾驶，无人机等场景，提供非常精确且重要的先验知识。不同于传统导航地图，高精度地图要求对覆盖范围内的道路元素的变化能够迅速且精确反馈更新。为了能对全国的道路信息进行实时的采集与更新，比较好的高精度地图采集方式是通过车辆对主要的道路进行快速覆盖，将数据回传，通过对采集到的视频图像进行分析，结合定位数据，对道路上的目标元素进行后台融合处理，通过各个局部的信息构建出全局的信息。当前的高精度地图采集系统，主要存在以下特点：(1)利用外部图像、惯性测量单元和无线测量技术GNSS和其他非无线测量传感器测量的数据融合结果，确定用户在全球坐标中的回路轨迹，并结合此轨迹和应用了vSLAM技术的图像特征点，获取平面结构和(或)立体结构地图。(2)利用图像拍摄模块、水平激光雷达、GPS处理模块、惯性导航模块、旋转编码器以及图像预处理模块以及地理信息处理模块来生成地图。(3)利用卫星照片、车载传感器(激光雷达和相机)、组合定位系统(...
【技术保护点】
1.一种支持高精度地图车道线实时融合更新的方法，其特征在于，包括：步骤1，采集车辆前方道路场景的视频图像数据和车辆行驶轨迹上各个轨迹点的行驶数据；步骤2，通过深度学习对视频图像数据进行场景分割，提取场景中的物体和物体类别；步骤3，根据分割结果，定位车道线在图像中的区域，把车道线中心投影到俯视图中，再对车道线进行视觉跟踪处理，将跟踪成功的车道线的俯视图坐标转化到原图坐标；步骤4，利用单目测距方法结合车道线的原图坐标和行驶数据对车道线进行重建；步骤5，对车道线进行融合更新。
【技术特征摘要】
1.一种支持高精度地图车道线实时融合更新的方法，其特征在于，包括：步骤1，采集车辆前方道路场景的视频图像数据和车辆行驶轨迹上各个轨迹点的行驶数据；步骤2，通过深度学习对视频图像数据进行场景分割，提取场景中的物体和物体类别；步骤3，根据分割结果，定位车道线在图像中的区域，把车道线中心投影到俯视图中，再对车道线进行视觉跟踪处理，将跟踪成功的车道线的俯视图坐标转化到原图坐标；步骤4，利用单目测距方法结合车道线的原图坐标和行驶数据对车道线进行重建；步骤5，对车道线进行融合更新。2.如权利要求1所述支持高精度地图车道线实时融合更新的方法，其特征在于，步骤2包括：步骤21，预先设置全卷积网络作为深度学习网络对视频图像数据进行场景分割；步骤22，依据预设的高精度地图要素需求，根据包括不同类型的车道线、交通灯、交通标志、车道两旁护栏和限高在内的元素生成深度学习样本；步骤23，搭建全卷积网络生成分割模型；步骤24，利用分割模型提取场景中的物体和物体类别。3.如权利要求1所述支持高精度地图车道线实时融合更新的方法，其特征在于，步骤3包括：步骤31，根据分割结果，生成保存车道线位置信息的二值图Mat_1，其中属于车道线的像素点标为第一颜色，除车道线之外的像素点的标为第二颜色；步骤32，对二值图Mat_1进行搜索，定位车道线在图像中的区域；步骤33，把车道线中心投影到俯视图Mat_2中，再对车道线进行视觉跟踪处理；步骤34，将跟踪成功的车道线的俯视图坐标转化到原图坐标。4.如权利要求3所述支持高精度地图车道线实时融合更新的方法，其特征在于，步骤32包括：步骤321，对二值图Mat_1进行聚类，获取聚类后的范围，并生成聚类后的范围的外接矩形；步骤322，以生成的外接矩形为边界，依据车道线轮廓与趋势，计算出车道线的中点坐标，来定位车道线在图像中的区域。5.如权利要求3所述支持高精度地图车道线实时融合更新的方法，其特征在于，步骤33包括：步骤331，把车道线中心投影到俯视图Mat_2中，将第一颜色的点连成线line(i)；其中i＝1，2......n；步骤332，根据连续k帧的车道线数据进行车道线跟踪模型的初始化，生成跟踪线trackline(j)；其中3＜k＜10，j＝1，2......m；步骤333，根据跟踪线trackline(j)，选取位置与跟踪线trackline(j)相差小于位置坐标变化阈值，且角度差小于角度变化阈值的线line(i)作为候选线candidate_line(s)，并记下每条跟踪线跟踪到的线tracked_line(t，cl)；其中s＝0，1，2...c，t代表跟踪线id，cl代表被跟踪到的候选线id；步骤334，计算每条候选线candidate_line(s)...
【专利技术属性】
技术研发人员：古明辉，刘尚武，刘福明，童睿，
申请(专利权)人：广东星舆科技有限公司，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。