一种车道线自动提取方法技术

本发明专利技术公开了一种车道线自动提取方法，涉及自动驾驶高精度地图制作技术领域，首先从二维影像中提取车道线的像素坐标，其次将数据转换为车道点坐标，再根据位姿数据计算出车道点的地图坐标系，再对一个区域内的全部车道点采用DBSCAN算法进行距离聚类，进行噪点过滤，得到初步的车道线数据，最后对对车道线进行合并、补齐和打断，并最终输出完整的车道线数据；根据无人车采集到的影像数据、激光雷达数据和位姿数据提取出车道线信息，用于高精度地图数据的生产，借助激光雷达数据能够将图像提取的二维车道像素点解算到三维地图坐标系下，且转换精度高；此外对提取的多帧数据进行融合及后处理，能够大大增加车道线的完整度，提高车道线提取的自动化率。线提取的自动化率。线提取的自动化率。

【技术实现步骤摘要】
一种车道线自动提取方法


[0001]本专利技术涉及自动驾驶高精度地图制作
，特别是涉及一种车道线自动提取方法。

技术介绍

[0002]车道线为确定一条行车道范围的左右边线，一般情况下，车道范围由地面印刷的车道线确定，大致分为单虚线、单实线、双实线、双虚线以及虚实线五种类型，确保车辆行驶在正确车道内，为车辆行驶提供安全保障，在自动驾驶高精度地图制作中，是最重要的道路要素，而现有技术的提取方法存在精度不高以及自动化率不高的缺点。

技术实现思路

[0003]为了解决以上技术问题，本专利技术提供一种车道线自动提取方法，包括以下步骤
[0004]S1、获取当前帧的影像数据，基于深度学习车道线检测模型LaneATT从图像中提取车道线的像素坐标；
[0005]S2、获取当前帧的激光雷达数据，筛选出距离车辆较近且能够扫描到地面的多个ring，将点云投影到影像的像素坐标系下计算ring与车道线的交点，并通过线段求交算法将交点反算到激光雷达三维坐标系下；
[0006]S3、基于当前时刻的位姿信息，将提取车道的三维点转换到地图坐标系下；
[0007]S4、对一个区域内提取的全部车道点采用DBSCAN算法进行距离聚类，并进行噪点过滤，得到初步的车道线数据；
[0008]S5、对同一路段多个离散的车道线采用横向延长算法及纵向距离判断方法对车道线进行合并、补齐和打断操作，并最终输出完整的车道线数据。
[0009]本专利技术进一步限定的技术方案是：
[0010]进一步的，步骤S2中的线段求交算法包括以下步骤
[0011]A1、计算出车道线与激光雷达扫描线在像素坐标系下的交点p0；
[0012]A2、记录交点前后的点云坐标p1、p2；
[0013]A3、记录交点距离点云前后距离的比例系数I；
[0014]A4、根据比例系数I及交点前后的两个激光雷达点p1、p2线性插值出交点的三维坐标p。
[0015]前所述的一种车道线自动提取方法，步骤S3中的转换方法设置为，通过线性差值计算出当前时间的位姿信息，通过矩阵变换将点云坐标系转换为车辆的baselink坐标系，再将baselink坐标系转为地图坐标系。
[0016]前所述的一种车道线自动提取方法，步骤S4中噪点过滤的方法包括以下步骤
[0017]B1、通过距离阈值过滤掉较短的车道线；
[0018]B2、依次计算每个点与前后相邻点的夹角，该相邻点不包括首尾的两个点；
[0019]B3、通过角度阈值过滤掉凸点，得到初步的车道线数据。
[0020]前所述的一种车道线自动提取方法，步骤S5中车道线的合并方法设置为，根据车道线首尾两点计算斜率；再根据斜率分别对首尾两点向外延长一定的横向距离dx；接着计算延长后的首尾两点到其它车道线的纵向距离dy，当纵向距离小于阈值时，将两个车道线首尾相连(认为两个车道线很近)。
[0021]前所述的一种车道线自动提取方法，步骤S5中车道线的打断方法设置为，读取已提取的停止线数据，遍历车道线是否与停止线相交，若相交则将车道线打断去掉超出停止线的部分。
[0022]前所述的一种车道线自动提取方法，步骤S5中车道线的补齐方法设置为，读取已提取的停止线数据，遍历车道线是否与停止线相交，若不相交则将车道线横向延长一定距离，并再次判断是否与停止线相交，若相交则延长车道线到交点。
[0023]本专利技术的有益效果是：
[0024]本方法可以根据无人车采集到的影像数据、激光雷达数据和位姿数据提取出车道线信息，并用于高精度地图数据的生产。
[0025]借助激光雷达数据能够将图像提取的二维车道像素点解算到三维地图坐标系下，且转换精度高；此外对提取的多帧数据进行融合及后处理，能够大大增加车道线的完整度，提高车道线提取的自动化率。
附图说明
[0026]图1为本专利技术车道点二维转三维的示意图；
[0027]图2为本专利技术车道线合并的示意图；
[0028]图3为本专利技术车道线补齐、打断的示意图。
具体实施方式
[0029]本实施例提供的一种车道线自动提取方法，结构如图1至3所示，包括以下步骤
[0030]S1、获取当前帧的影像数据，基于深度学习车道线检测模型LaneATT从图像中提取车道线的像素坐标；
[0031]S2、获取当前帧的激光雷达数据，筛选出距离车辆较近且能够扫描到地面的多个ring，并通过事先标定好的外方位元素将点云坐标转换到影像的像素坐标系下，如图1所示，通过线段求交算法，计算出车道线与激光雷达扫描线在像素坐标系下的交点p0；记录交点前后的点云坐标p1、p2；记录交点距离点云前后距离的比例系数I；根据比例系数I及交点前后的两个激光雷达点p1、p2线性插值出交点的三维坐标p；
[0032]S3、根据当前激光雷达数据的时间戳获取相近的位姿信息，并通过线性差值计算出当前时间的位姿信息，通过矩阵变换将点云坐标系转换为车辆的baselink坐标系，再将baselink坐标系转为地图坐标系；
[0033]S4、对一个区域内提取的全部车道点采用DBSCAN算法进行距离聚类，接着对聚类后的结果通过距离阈值过滤掉较短的车道线，然后依次计算每个点与前后相邻点的夹角(除首尾两个点)，并通过角度阈值来过滤掉凸点，从而得到初步的车道线数据；
[0034]S5、聚类后的车道线存在同一路段不连续、超出路段范围等情况，首先根据车道线首尾两点计算斜率，根据斜率分别对首尾两点向外延长一定距离dx(横向距离)；如图2所
示，计算延长后的首尾两点到其它车道线的距离dy(纵向距离)，若纵向距离小于阈值则认为两个车道线很近并将两个车道线首尾相连；读取已提取的停止线数据，遍历车道线是否与停止线相交，若相交则将车道线打断去掉超出停止线的部分；如图3所示，否则横向延长车道线一定距离并再次判断是否与停止线相交，若相交则延长车道线到交点，经过合并、补齐、打断等操作，并最终输出完整的车道线数据。
[0035]本方法可以根据无人车采集到的影像数据、激光雷达数据和位姿数据提取出车道线信息，并用于高精度地图数据的生产。
[0036]首先基于深度学习模型LaneATT从二维影像中提取车道线的像素坐标，其次将同一时刻的激光雷达数据转换到影像坐标系并选择多个ring与车道线求交，获取交点前后的激光点并根据比例插值出交点的三维坐标即为车道点坐标，根据位姿数据计算出车道点的地图坐标系。
[0037]对一个区域内的全部车道点采用DBSCAN算法进行距离聚类，并通过距离、角度进行噪点过滤，得到初步的车道线数据。
[0038]最后对同一路段多个离散的车道线采用横向延长算法及纵向距离判断从而对车道线进行合并、补齐和打断，并最终输出完整的车道线数据。
[0039]借助激光雷达数据能够将图像提取的二维车道像素点解算到三维地图坐标系下，且转换精度高；此外对提取的多帧数据进行融合及后处理，能够大大增加车本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线自动提取方法，其特征在于：包括以下步骤S1、获取当前帧的影像数据，基于深度学习车道线检测模型LaneATT从图像中提取车道线的像素坐标；S2、获取当前帧的激光雷达数据，筛选出距离车辆较近且能够扫描到地面的多个ring，将点云投影到影像的像素坐标系下计算ring与车道线的交点，并通过线段求交算法将交点反算到激光雷达三维坐标系下；S3、基于当前时刻的位姿信息，将提取车道的三维点转换到地图坐标系下；S4、对一个区域内提取的全部车道点采用DBSCAN算法进行距离聚类，并进行噪点过滤，得到初步的车道线数据；S5、对同一路段多个离散的车道线采用横向延长算法及纵向距离判断方法对车道线进行合并、补齐和打断操作，并最终输出完整的车道线数据。2.根据权利要求1所述的一种车道线自动提取方法，其特征在于：所述步骤S2中的线段求交算法包括以下步骤A1、计算出车道线与激光雷达扫描线在像素坐标系下的交点p0；A2、记录交点前后的点云坐标p1、p2；A3、记录交点距离点云前后距离的比例系数I；A4、根据比例系数I及交点前后的两个激光雷达点p1、p2线性插值出交点的三维坐标p。3.根据权利要求1所述的一种车道线自动提取方法，其特征在于：所述步骤S3中的转换方法设置为，通过线性差值计算出当前时间的位姿信息，...

【专利技术属性】
技术研发人员：王伟，牛群遥，王劲，
申请(专利权)人：中智行苏州科技有限公司，
类型：发明
国别省市：