【技术实现步骤摘要】
车道线的生成方法、装置和设备
本申请涉及数据处理
,尤其涉及智能交通
技术介绍
高精地图是自动驾驶时代不可或缺的基础设施,车道线作为高精地图的基础要素,在高精地图生成过程中是转关重要的。现有技术,在生成车道线时,先将获取的道路图像输入至语义分割网络中,并基于语义分割网络的方法生成车道线。但是由于道路图像中的车道线存在磨损或者被遮挡等情况,使得基于语义分割网络生成的车道线存在不连续的现象,后续还需要再通过人工方式进行车道线的连接,才能生成车道线。因此,采用现有的车道线生成方法,生成过程比较复杂,导致车道线的生成效率较低。
技术实现思路
本申请实施例提供了一种车道线的生成方法、装置和设备,在生成车道线时,降低了生成过程的复杂度,从而提高了车道线的生成效率。第一方面,本申请实施例提供了一种车道线的生成方法,该车道线的生成方法可以包括:获取道路图像对应的反射值底图;其中,所述道路图像中包括待处理道路。根据所述反射值底图,确定所述待处理道路中包括的每一个车道线端点的位置。针对每一个车道线端点,将所述车道线端点所在区域的反射值底图和所述车道线端点的位置输入至第一预测模型,得到与所述车道线端点关联的至少一个连接点的位置。根据所述车道线端点的位置和所述至少一个连接点的位置,生成所述车道线端点对应的矢量化的目标车道线。第二方面,本申请实施例提供了一种车道线的生成装置,该车道线的生成装置可以包括:获取模块,用于获取道路图像 ...
【技术保护点】
1.一种车道线的生成方法,包括:/n获取道路图像对应的反射值底图;其中,所述道路图像中包括待处理道路;/n根据所述反射值底图,确定所述待处理道路中包括的每一个车道线端点的位置;/n针对每一个车道线端点,将所述车道线端点所在区域的反射值底图和所述车道线端点的位置输入至第一预测模型,得到与所述车道线端点关联的至少一个连接点的位置;/n根据所述车道线端点的位置和所述至少一个连接点的位置,生成所述车道线端点对应的矢量化的目标车道线。/n
【技术特征摘要】
1.一种车道线的生成方法,包括:
获取道路图像对应的反射值底图;其中,所述道路图像中包括待处理道路;
根据所述反射值底图,确定所述待处理道路中包括的每一个车道线端点的位置;
针对每一个车道线端点,将所述车道线端点所在区域的反射值底图和所述车道线端点的位置输入至第一预测模型,得到与所述车道线端点关联的至少一个连接点的位置;
根据所述车道线端点的位置和所述至少一个连接点的位置,生成所述车道线端点对应的矢量化的目标车道线。
2.根据权利要求1所述的方法,其中,所述将所述车道线端点所在区域的反射值底图和所述车道线端点的位置输入至第一预测模型,得到与所述车道线端点关联的至少一个连接点的位置,包括:
步骤A:将所述车道线端点所在区域的反射值底图和所述车道线端点的位置输入至第一预测模型,得到与所述车道线端点关联的第一连接点的位置;
步骤B:将所述第一连接点作为新的车道线端点,并重复执行步骤A-步骤B,直至不存在与所述车道线端点关联的连接点。
3.根据权利要求1所述的方法,
所述第一预测模型为采用多组第一样本数据对初始深度神经网络模型进行训练得到;其中,每一组第一样本数据包括样本车道线端点所在区域的反射值底图、所述样本车道线端点的位置以及与所述样本车道线端点关联的下一个连接点的位置。
4.根据权利要求1所述的方法,其中,所述根据所述反射值底图,确定所述待处理道路中包括的每一个车道线端点的位置,包括:
将所述反射值底图输入至第二预测模型,得到所述待处理道路中包括的每一个车道线端点的位置。
5.根据权利要求4所述的方法,
所述第二预测模型为采用多组第二样本数据对初始深度神经网络模型进行训练得到;其中,每一组第二样本数据包括样本反射值底图以及样本反射值底中包括的车道线端点的位置。
6.根据权利要求1-5任一项所述的方法,其中,所述根据所述车道线端点的位置和所述至少一个连接点的位置,生成所述车道线端点对应的矢量化的目标车道线,包括:
根据所述车道线端点的位置和所述至少一个连接点的位置,依次连接所述车道线端点和所述至少一个连接点,生成所述车道线端点对应的矢量化的车道线;
若所述车道线端点对应的矢量化的车道线大于或者等于预设阈值,则将所述矢量化的车道线确定为所述车道线端点对应的矢量化的目标车道线。
7.根据权利要求1-5任一项所述的方法,其中,所述获取道路图像对应的反射值底图,包括:
获取道路图像对应的点云图像;
对所述点云图像进行转换处理,得到所述反射值底图。
8.一种车道线的生成装置,包括:
获取模块,用于获取道路图像对应的反射值底图...
【专利技术属性】
技术研发人员:杨光垚,何雷,宋适宇,
申请(专利权)人:北京百度网讯科技有限公司,
类型:发明
国别省市:北京;11
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。