【技术实现步骤摘要】
一种基于激光雷达数据的图像语义重建方法
本专利技术涉及交通安全
，具体来说，涉及一种基于激光雷达数据的图像语义重建方法。
技术介绍
在夜间车辆驾驶中，当环境光照太暗或者太亮时，比如被对面车辆用大灯照射，或者驾驶车辆的车灯发生故障时，容易因为看不清周围环境而发生交通事故。基于视觉的摄像头在这些情况下也很难记录下当时的周围环境。然而，随着高性价比激光雷达应用的普及，装备激光雷达已经成为驾驶辅助系统的一个可行方案。汽车装备激光雷达开始主要用于无人驾驶系统，用激光雷达感知周围环境的障碍物。当无人驾驶的车辆不得不与周围环境发生碰撞时，由于激光雷达数据本身没有任何语义信息，往往会发生无选择的碰撞，如果能从激光雷达数据中提取语义信息，将可以帮助无人驾驶汽车做有选择的碰撞。针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
针对相关技术中的问题，本专利技术提出一种基于激光雷达数据的图像语义重建方法，以克服现有相关技术所存在的上述技术问题。本专利技术的技术方案是这样实现的：
【技术保护点】
1.一种基于激光雷达数据的图像语义重建方法，其特征在于，包括以下步骤：/n采集街景图像数据获取图像的语义分割图；/n将激光雷达图作为深度卷积神经网络的输入，获取的语义分割图作为深度卷积神经网络的标签，以标签与网络输出之间的最小误差即最小损失函数，作为目标训练网络模型；/n采集激光雷达图输入至训练好的深度卷积神经网络模型；/n深度卷积神经网络模型的输出作为重建的图像语义并进行呈现。/n
【技术特征摘要】
1.一种基于激光雷达数据的图像语义重建方法，其特征在于，包括以下步骤：
采集街景图像数据获取图像的语义分割图；
将激光雷达图作为深度卷积神经网络的输入，获取的语义分割图作为深度卷积神经网络的标签，以标签与网络输出之间的最小误差即最小损失函数，作为目标训练网络模型；
采集激光雷达图输入至训练好的深度卷积神经网络模型；
深度卷积神经网络模型的输出作为重建的图像语义并进行呈现。
2.根据权利要求1所述的基于激光雷达数据的图像语义重建方法，其特征在于，所述语义分割图，进一步包括以下步骤：
采集街景图像数据；
采集与街景图像数据同步的激光雷达数据；
进行街景图像数据和激光雷达数据的位置坐标校正。
3.根据权利要求2所述的基于激光雷达数据的图像语义重建方法，其特征在于，所述激光雷达数据，进一步，包括以下步骤：
激光雷达数据进行补值。
4.根据权利要求3所述的基于激光雷达数据的图像语义重建方法，其特征在于，所述补值，包括把激光雷达数据的分辨率从616×184提高到1232×368。
5.根据权利要求1...
【专利技术属性】
技术研发人员：陈咖宁，金宜嘉，孙亦可，陈加忠，舒琴，
申请(专利权)人：武汉华链科技有限公司，嘉兴泊令科技有限公司，
类型：发明
国别省市：湖北;42
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。