一种高精地图要素自动化提取的方法技术

本发明专利技术公开了一种高精地图要素自动化提取的方法，步骤为：S1模型训练：对采集的点云数据进行预处理，将处理后的点云数据作为基于深度学习的语义点云自动化提取模型训练的输入，进行语义点云自动化提取模型训练；S2语义化点云：对增强处理后的点云数据采用步骤S1中的语义点云自动化提取模型进行语义化分割处理，获得语义点云数据；S3单体化点云：对语义点云数据进行单体化处理，获得单体化点云数据；S4自动化提取：对单体化点云数据进行点要素、线要素和面要素的几何信息的自动化提取，获得高精地图的三维矢量要素。该方法可以有效自动化提取高精地图要素信息，提高了高精地图的生产效率，减少了生产成本。减少了生产成本。减少了生产成本。

【技术实现步骤摘要】
一种高精地图要素自动化提取的方法


[0001]本专利技术涉及高精地图数据生产
，具体涉及一种基于深度学习技术与点云处理算法相结合的高精地图要素自动化提取的方法。

技术介绍

[0002]随着自动驾驶技术的蓬勃发展，对高精地图的需求日趋庞大。行业对高精地图的解读丰富，对应的高精地图标准也有所不同。以往基于传统人工制图方式的高精地图生产已经不能满足目前高精地图数据量和快速更新的需求。
[0003]而现有高精地图数据生产过程中，要素种类繁杂多样，自动分类精度不高，人工绘制工作量大等问题，且存在大量的数据需要内业人员花费大量时间进行人工判读，语义信息提取，属性录入等非自动化步骤。
[0004]中国专利文献CN 115147609 A公开了一种地图要素特征提取方法、装置、电子设备、存储介质及产品，涉及自动驾驶和智能交通
，尤其涉及用于自动驾驶的高精地图的要素特征的
具体实现方案为：获取地图的线性要素特征，并获取所述自动驾驶车辆行驶的路径轨迹线；基于所述线性要素特征与所述路径轨迹线之间的距离，对所述线性要素特征进行聚类，确定至少一个线性要素特征簇；确定每个所述线性要素特征簇中缺失的线性要素特征，并生成与所述缺失的线性要素特征对应虚拟线性要素特征；提取所述虚拟线性要素特征。通过本公开可以提高高精地图的作业生成效率。该方法主要解决问题是提取线性要素中因遮挡存在缺失的问题。
[0005]中国专利文献CN 109215487 A公开了一种基于深度学习的高精地图制作方法，涉及高精地图制作
，所述高精地图制作方法包括：利用视觉系统和定位系统采集图像信息和位置信息；对图像信息中的高精地图要素和场景进行分类标注；采用深度学习算法根据图像标注成果训练图像识别模型；根据图像识别模型的训练成果和采集的位置信息对高精地图的要素进行精准测量；人工审核图像识别模型训练成果中的错误，并迭代优化图像模型，进而提示高精地图测量精度和自动化程度；根据优化的图像识别模型自动化合成高精地图。该方法中只是采用的深度学习技术，并未解决高精地图要素的识别分类和语义信息自动提取等问题。
[0006]因此，如何解决以激光点云语义分割技术为基础，在高精地图要素生产过程中点云数据的高精地图要素的识别分类、语义信息的自动提取等问题。

技术实现思路

[0007]本专利技术要解决的技术问题是提出一种基于深度学习与点云算法相结合的高精地图要素自动化提取的方法作为高精地图一体化生产流程的解决方案，其采用深度学习技术结合一系列点云处理算法，提高高精地图要素几何信息提取的自动化水平以及精度，改变传统制图方式的作业流程，极大提高自动化程度，降低内业人员的劳动强度，缩减高精地图成本、提高高精地图更新效率。
[0008]为了解决上述技术问题，本专利技术采用的技术方案是：该高精地图要素自动化提取的方法，具体包括以下步骤：S1模型训练：对采集的点云数据进行预处理，将处理后的点云数据作为基于深度学习的语义点云自动化提取模型训练的输入，进行语义点云自动化提取模型训练，并输出语义点云自动化提取模型；S2语义化点云：对增强处理后的点云数据采用步骤S1中得到的语义点云自动化提取模型进行语义化分割处理，获得语义点云数据；S3单体化点云：对步骤S2中获得的语义点云数据进行单体化处理，获得单体化点云数据；S4自动化提取：对单体化点云数据进行点要素、线要素和面要素的几何信息的自动化提取，获得高精地图的三维矢量要素。
[0009]采用上述技术方案，通过深度学习技术进行语义分割，再进行单体化处理，最后结合点云处理算法进行点、线、面要素的自动提取，从而获得高精地图的三维矢量要素。该技术方案针对高精地图生产过程中工作强度大的问题，研发了基于深度学习语义分割与点云处理算法相结合的高精地图要素自动化提取技术体系，其中主要包括优化改进了基于深度学习的高精地图自动化分类技术，建立了高精地图要素语义点云自动化提取模型体系，分别在数据质量评估，点云数据分类，矢量要素提取等多个方面提高了高精地图生产的效率与精度。
[0010]优选地，所述步骤S1的具体步骤为：S11数据准备：对采集的点云数据依次进行标注、清洗和增强处理，获得增强处理后的点云数据；S12模型准备：分别定义模型训练所需的网络、数据、损失函数及优化器和评估训练结果的指标，为模型训练做准备；S13模型训练：设置超参，将增强处理后的点云数据作为基于深度学习的语义点云自动化提取模型训练的输入，进行语义点云自动化提取模型训练，再对训练完成的点云语义分割算法模型进行精度验证，并输出满足泛性的语义点云自动化提取模型。
[0011]优选地，所述步骤S13具体包括以下步骤：S131：设置超参，包括学习速率、迭代次数、卷积核的大小和激活函数的选择；S132：将增强处理后的点云数据作为基于深度学习的语义点云自动化提取模型训练的输入，进行语义点云自动化提取模型训练；S133：判断训练获得的语义点云自动化提取模型输出的结果是否为全局最优，若是全局最优，则转至步骤S134验证该语义点云自动化提取模型的精度；若不是全局最优，则返回步骤S132重新进行该语义点云自动化提取模型的训练，循环步骤S132~S133，直至输出的结果为全局最优；S134：若满足精度，则输出该语义点云自动化提取模型，并转至步骤S135评定该语义点云自动化提取模型是否满足泛性；若不满足精度，则返回步骤S131，重新设置超参，循环步骤S131~S134，直至训练获得的语义点云自动化提取模型满足精度验证，即在测试数据集中语义分割的准确率大于90%；S135：若满足泛性评定，即在项目点云数据中的点云语义分割精度大于90%，则进
行模型部署应用；若不满足泛性评定，则返回步骤S12，重新进行参数定义，并循环步骤S131~S135直至训练获得的语义点云自动化提取模型满足泛性评定。
[0012]优选地，所述步骤S2的具体步骤为：S21：首先对采集的海量的点云数据进行降采样，建立每个保留的特征点和过滤掉的非特征点的关系；S22：然后对降采样后的特征点进行属性判断，确定属性后再将特征点属性分配给非特征点；S23：采用语义分割方法对三维点云坐标和标志牌类的小目标检测进行分割，完成数据的语义分割，获得语义点云数据。
[0013]上述技术方案中，完成语义分割的过程，从策略上讲，就是使用简单快速的随机采样方法来大大降低点密度，同时应用设计的局部特征聚合器来保留突出的特征，这使整个网络都能在效率和有效性之间取得良好的平衡。
[0014]优选地，所述步骤S23的具体步骤为：S231：对于三维点云坐标信息输入，融合RGB信息并且利用VFE（Voxel Feature Encoding）模型结构挖掘1088维特征结构信息作为多层感知机的信息输入；S232：对于标志牌类的小目标检测，在语义点云自动化提取模型中加入特征金字塔结构（FPN），并在每个层级采用MSG（Multi
‑
scale grouping）或MRG（Multi
‑
resolution g本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高精地图要素自动化提取的方法，其特征在于，具体包括以下步骤：S1模型训练：对采集的点云数据进行预处理，将处理后的点云数据作为基于深度学习的语义点云自动化提取模型训练的输入，进行语义点云自动化提取模型训练，并输出语义点云自动化提取模型；S2语义化点云：对增强处理后的点云数据采用步骤S1中得到的语义点云自动化提取模型进行语义化分割处理，获得语义点云数据；S3单体化点云：对步骤S2中获得的语义点云数据进行单体化处理，获得单体化点云数据；S4自动化提取：对单体化点云数据进行点要素、线要素和面要素的几何信息的自动化提取，获得高精地图的三维矢量要素。2.根据权利要求1所述的高精地图要素自动化提取的方法，其特征在于，所述步骤S1的具体步骤为：S11数据准备：对采集的点云数据依次进行标注、清洗和增强处理，获得增强处理后的点云数据；S12模型准备：分别定义模型训练所需的网络、数据、损失函数及优化器和评估训练结果的指标，为模型训练做准备；S13模型训练：设置超参，将增强处理后的点云数据基于深度学习的语义点云自动化提取模型训练的输入，进行语义点云自动化提取模型训练，再对训练完成的点云语义分割算法模型进行精度验证，并输出满足泛性的语义点云自动化提取模型。3.根据权利要求2所述的高精地图要素自动化提取的方法，其特征在于，所述步骤S13具体包括以下步骤：S131：设置超参，包括学习速率、迭代次数、卷积核的大小和激活函数的选择；S132：将增强处理后的点云数据作为基于深度学习的语义点云自动化提取模型训练的输入，进行语义点云自动化提取模型训练；S133：判断训练的语义点云自动化提取模型输出的结果是否为全局最优，若是全局最优，则转至步骤S134验证该语义点云自动化提取模型的精度；若不是全局最优，则返回步骤S132重新进行该语义点云自动化提取模型的训练，循环步骤S132~S133，直至输出的结果为全局最优；S134：若满足精度，则输出该语义点云自动化提取模型，并转至步骤S135评定该语义点云自动化提取模型是否满足泛性；若不满足精度，则返回步骤S131，重新设置超参，循环步骤S131~S134，直至训练获得的语义点云自动化提取模型满足精度验证，即在测试数据集中语义分割的准确率大于90%；S135：若满足泛性评定，即在项目点云数据中的点云语义分割精度大于90%，则进行模型部署应用；若不满足泛性评定，则返回步骤S12，重新进行参数定义，并循环步骤S131~S135直至训练获得的语义点云自动化提取模型满足泛性评定。4.根据权利要求2所述的高精地图要素自动化提取的方法，其特征在于，所述步骤S2的具体步骤为：S21：首先对采集的点云数据进行降采样，建立每个保留的特征点和过滤掉的非特征点的关系；
S22：然后对降采样后的特征点进行属性判断，确定属性后再将特征点属性分配给非特征点；S23：采用语义分割方法对三维点云坐标和标志牌类的小目标检测进行分割，完成数据的语义分割，获得语义点云数据。5.根据权利要求4所述的高精地图要素自动化提取的方法，其特征在于，所述步骤S23的具体步骤为：S231：对于三维点云坐标信息输入，融合RGB信息并且利用VFE模型结构挖掘1088维的特征结构信息作为多层感知机的信息输入；S232：对于标志牌类的小目标检测，在语义点云自动化提取模型中加入特征金字塔结构，并在每个层级采用MSG或MRG策略充分利用各阶段的特征信息；S233：若出现数据类别误差超过设定误差范围，则采用Focal Loss思想对损失函数进行改进，减少数据类别的误差，其损失函数如下所示：；其中，为初始交叉损失函数，为类别间的权重参数，为简单困难样本调节因子，为聚焦参数。6.根据权利要求4所述的高精地图要素自动化提取的方法，其特征在于，所述步骤S3的具体步骤为：S31：从语义点云数据中任意选取一个未处理的点；S32：判断步骤S31中选取的点是否为核心点，若是核心点，则找出所有与该点密度相连的对象，形成一个点云簇；若不是核心点，则返回步骤S31，重新选取一个点；S33：循环步骤S31~S32，直至处理完语义点云数据中所有的点。7.根据权利要求6所述的高精地图要素自动化提取的方法，其特征在于，在所述步骤S3中若语义点云数据中的某一类别包含的点云数量少于设定的数量阈值一时，则将该类别排除。8.根据权利要求6所述的高精地图要素自动化提取的方法，其特征在于，所述步骤S4中对于道路标识要素采用模板匹配的方式进行道路标识边界信息提取，具体步骤为：S4
‑
11：首先结合国家道路交通标牌、标识、标志、标线的设置规范，选择道路标识的角点作为匹配的关键特征；S4
‑
12：以提取的道路标识的点云集合为目标对象，以制作的道路标识的角点坐标集合为参考对象进行匹配；S4
‑
13：分别计算目标对象与参考对象的质心坐标，将参考对象通过以目标对象的质心为起点，参考对象的质心为终点的向量平移至目标对象的位置；S4
‑
14：在目标对象的点云集合中查找与参考对象中特征点的距离最近点形成点云对；S4
‑
15：通过SVD分解法求得使所述步骤S4
‑
14的对应的点云对的平均距离最小的刚体变换，以及求得平移参数和旋转参数；S4
‑
16：对参考对象使用步骤S4
‑
15求得的平移参数和旋转参数，得到新点集；S4
‑
17：以步骤S4
‑
16中得到的新点集作为参考对象和目标对象中对应的点云对的距离之和作为该次匹配得分；
S4
‑
18：...

【专利技术属性】
技术研发人员：白慧鹏，冯建亮，朱必亮，钱志奇，李俊，
申请(专利权)人：速度时空信息科技股份有限公司，
类型：发明
国别省市：