交通标识线的提取方法、装置、设备和可读存储介质制造方法及图纸

本申请的实施例提供了交通标识线的提取方法、装置、设备和计算机可读存储介质。所述方法包括基于道路点云数据，得到像素的强度特征图像；通过实例分割算法对所述强度特征图像进行像素级语义分割，得到交通标志线的实例分割结果；基于所述交通标志线的实例分割结果，提取对应的交通标识线。以此方式，实现了对交通标识线的精准提取。标识线的精准提取。标识线的精准提取。

【技术实现步骤摘要】
交通标识线的提取方法、装置、设备和可读存储介质


[0001]本申请的实施例涉及数据处理领域，尤其涉及交通标识线的提取方法、装置、设备和计算机可读存储介质。

技术介绍

[0002]随着我国经济快速发展，汽车保有量也逐渐地增加。汽车在给人们日常生活带来极大便利的同时，也随之带来了诸多的问题，如城市交通环境逐渐恶化、交通堵塞日益严重、交通事故时有发生等。提高交通的智能化水平、减少道路交通事故，将有助于整个社会安全健康良性的发展，也是科技工作者所面临的重要的技术挑战。
[0003]道路标志线检测是车辆环境感知的基本任务，也是安全驾驶的重要保证。道路标志线的识别是道路环境感知和建模领域的关键内容，准确并且快速地实现道路标志线的分类提取，对于城市道路建模、车辆的智能驾驶和安全应急都具有重要意义。

技术实现思路

[0004]根据本申请的实施例，提供了一种交通标识线的提取方案。
[0005]在本申请的第一方面，提供了一种交通标识线的提取方法。该方法包括：
[0006]基于道路点云数据，得到像素的强度特征图像；
[0007]通过实例分割算法对所述强度特征图像进行像素级语义分割，得到交通标志线的实例分割结果；
[0008]基于所述交通标志线的实例分割结果，提取对应的交通标识线。
[0009]进一步地，所述基于道路点云数据，得到像素的强度特征图像包括：
[0010]对道路点云数据进行去噪；
[0011]基于去噪后的道路点云数据范围，构建空白影像；
[0012]将去噪后的道路点云数据，投影到所述空白影像；
[0013]基于点云的强度值对投影后的影像进行赋值，得到像素的强度特征图像。
[0014]进一步地，所述实例分割算法包括深度残差网络、特征金字塔网络、区域建议网络和感兴趣区域头部网络。
[0015]进一步地，所述通过实例分割算法对所述强度特征图像进行像素级语义分割，得到交通标志线的实例分割结果包括：
[0016]通过深度残差网络，提取所述强度特征图像的多层次特征图；
[0017]通过特征金字塔网络，整合所述强度特征图像的多层次特征图中各个特征层的信息；
[0018]通过区域建议网络计算的候选框，将候选框映射到金子塔网络中相应的特征图，得到感兴趣区域的多层次特征；
[0019]对所述感兴趣区域的多层次特征进行像素级语义分割，得到交通标志线的实例分割结果。
[0020]进一步地，所述通过特征金字塔网络，整合所述强度特征图像的多层次特征图，基于特征金字塔网络，将通过如下公式将候选框映射到金字塔网络的第N层特征图：
[0021][0022]其中，W和H的乘积表示候选框的面积。
[0023]进一步地，所述对所述叠加特征进行像素级语义分割，得到交通标志线的实例分割结果包括：
[0024]对所述感兴趣区域的多层次特征进行池化；
[0025]对池化后的特征进行标线类别判断和边框回归；同时对所述叠加特征进行像素级语义分割；
[0026]基于标线类别判断和边框回归以及语义分割结果，得到交通标志线的实例分割结果。
[0027]进一步地，还包括：
[0028]通过Focal Loss损失函数优化模型，对所述区域建议网络进行优化；
[0029]其中，所述Focal Loss损失函数优化模型包括：
[0030][0031]其中，p和q分别表示特征图中像素点的预测分布和真实分布；
[0032]α表示平衡参数；
[0033]γ表示调制参数。
[0034]在一种可能的实现方式中，
[0035]在本申请的第二方面，提供了一种交通标识线的提取装置。该装置包括：
[0036]处理模块，用于基于道路点云数据，得到像素的强度特征图像；
[0037]分割模块，用于通过实例分割算法对所述强度特征图像进行像素级语义分割，得到交通标志线的实例分割结果；
[0038]提取模块，用于基于所述交通标志线的实例分割结果，提取对应的交通标识线。
[0039]在本申请的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
[0040]在本申请的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本申请的第一方面的方法。
[0041]本申请实施例提供的交通标识线的提取方法，通过基于道路点云数据，得到像素的强度特征图像；通过实例分割算法对所述强度特征图像进行像素级语义分割，得到交通标志线的实例分割结果；基于所述交通标志线的实例分割结果，提取对应的交通标识线，实现了对交通标识线的提取。
[0042]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征，亦非用于限制本申请的范围。本申请的其它特征将通过以下的描述变得容易理解。
附图说明
[0043]结合附图并参考以下详细说明，本申请各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
[0044]图1示出了根据本申请的实施例的交通标识线的提取方法的流程图；
[0045]图2示出了根据本申请的实施例的点云对应的像素强度特征图像；
[0046]图3示出了根据本申请的实施例的标志线分割流程示意图；
[0047]图4示出了根据本申请的实施例的道路标志线的实例分割结果示意图；
[0048]图5示出了根据本申请的实施例的车道线及非车道线的矢量化示意图；
[0049]图6示出了根据本申请的实施例的交通标识线的提取装置的方框图；
[0050]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结构示意图。
具体实施方式
[0051]为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
[0052]另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0053]图1示出了根据本公开实施例的交通标识线的提取方法的流程图。所述方法包括：
[0054]S110，基于道路点云数据，得到像素的强度特征图像。
[0055]其中，道路点云数据，通常通过车载设备进行获取；所述道路点云数据为三维激光点云。
[0056]在一些实施例中，根据高程值和高程邻域对三维激光点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通标识线的提取方法，其特征在于，包括：基于道路点云数据，得到像素的强度特征图像；通过实例分割算法对所述强度特征图像进行像素级语义分割，得到交通标志线的实例分割结果；基于所述交通标志线的实例分割结果，提取对应的交通标识线。2.根据权利要求1所述的方法，其特征在于，所述基于道路点云数据，得到像素的强度特征图像包括：对道路点云数据进行去噪；基于去噪后的道路点云数据范围，构建空白影像；将去噪后的道路点云数据，投影到所述空白影像；基于点云的强度值对投影后的影像进行赋值，得到像素的强度特征图像。3.根据权利要求2所述的方法，其特征在于，所述实例分割算法包括深度残差网络、特征金字塔网络、区域建议网络和感兴趣区域头部网络。4.根据权利要求3所述的方法，其特征在于，所述通过实例分割算法对所述强度特征图像进行像素级语义分割，得到交通标志线的实例分割结果包括：通过深度残差网络，提取所述强度特征图像的多层次特征图；通过特征金字塔网络，整合所述强度特征图像的多层次特征图中各个特征层的信息；通过区域建议网络计算的候选框，将其映射到金字塔网络中相应的特征图下，得到感兴趣区域的多层次特征；对所述感兴趣区域的多层次特征进行像素级语义分割，得到交通标志线的实例分割结果。5.根据权利要求4所述的方法，其特征在于，所述通过特征金字塔网络，整合所述强度特征图像的多层次特征图，并计算感兴趣区域的多层次特征：基于特征金字塔网络，通过如下公式将候...

【专利技术属性】
技术研发人员：马浩，陈思耘，张攀科，毛明楷，
申请(专利权)人：北京四维远见信息技术有限公司，
类型：发明
国别省市：