本申请涉及一种高精度地图车道线的自动提取方法及装置。该方法包括：接收车载传感器采集的待制图区域的地图图像；根据预设图像检测算法，生成地图图像的横断面序列，其中，横断面序列中的横断面图像按照车辆行驶顺序依次排列，横断面图像为待制图区域中车道数目突变的区域图像或车道线型发生变化的区域图像；基于地图图像，提取待制图区域的目标车道线，生成目标车道线的二维坐标，将目标车道线的二维坐标转化为目标车道线的三维坐标；根据目标车道线的三维坐标，将地图图像的目标车道线和横断面序列的车道线线段拟合，生成高精地图的车道线。本申请提供的方案能够自动识别结构化道路中的车道线信息，解决高精度地图的生产效率低下的问题。低下的问题。低下的问题。
【技术实现步骤摘要】
高精度地图车道线的自动提取方法及装置
[0001]本申请涉及本专利技术涉及自动驾驶领域，特别涉及一种高精度地图车道线的自动提取方法及装置。
技术介绍
[0002]随着自动驾驶技术的蓬勃发展对高精度地图提出了更高的要求。作为感知、决策、规划等模块的参考输入，高精度地图不仅需要能够描述交通环境中的各类静态信息，如交通标识、路网信息等，也需要描述交通环境中的实时动态信息，如信号灯相位等。在各类静态环境要素中，作为自动驾驶系统的强约束，结构化道路的车道线信息十分重要，因此，要求高精度地图中的车道线元素能够准确描述客观环境。
[0003]现有技术中，高精度车道线提取的方法包括自动化提取车道线的方法及半自动化提取车道线的方法。其中，自动化提取车道线的方法主要是通过车载传感器，基于传感器的相关参数及现有的图像检测算法，对传感器采集的图像进行处理，以获取车道线目标从二维图像转化为三维坐标。自动化提取车道线的方法对传感器的相关参数较高，需要对传感器进行实时标定，增加自动化提取车道线的运算难度。半自动化图像则需要人工对横断面进行大量标注，从而获取较为准确的车道线图像。而人工标注的流程十分繁琐，受限于作业员的精力限制，地图制作的过程效率低、返工率高。
[0004]针对上述问题，本专利技术提出了一种面向高精度地图车道线要素的全自动提取方法及装置，仅通过车载传感器采集环境信息，能够自动识别结构化道路中的车道线信息，提升高精度地图的生产效率。
技术实现思路
[0005]为解决或部分解决相关技术中存在的问题，本申请能够自动识别结构化道路中的车道线信息，解决高精度地图的生产效率低下的问题。
[0006]一方面本申请提供一种高精度地图车道线的自动提取方法，包括：
[0007]接收车载传感器采集的待制图区域的地图图像；
[0008]根据预设图像检测算法，生成地图图像的横断面序列，其中，横断面序列中的横断面图像按照车辆行驶顺序依次排列，横断面图像为待制图区域中车道数目突变的区域图像，横断面图像包括待制图区域的车道线二维线段；
[0009]基于地图图像，提取待制图区域的目标车道线，生成目标车道线的二维坐标，基于二维矩阵的拓展矩阵形式及车载传感器的标定参数，将目标车道线的二维坐标转化为目标车道线的三维坐标；
[0010]根据目标车道线的三维坐标，将地图图像的目标车道线和横断面序列的车道线线段拟合，生成高精地图的车道线。
[0011]可选地，预设图像检测算法为目标卷积神经网络，根据预设图像检测算法，生成地图图像的横断面序列之前，包括：
[0012]获取图像检测训练集，图像检测训练集的输入图像集包括车道线要素的标识和车道线的特征信息，图像检测训练集的输出图像集包括输入图像集对应的目标横断面序列；
[0013]向预设卷积网络输入图像检测训练集的输入图像集，得到输出结果；
[0014]根据输出结果和输出图像集之间的误差训练预设卷积神经网络，得到目标卷积神经网络，目标神经网络根据输入图像集的地图图像输出目标横断面序列。
[0015]可选地，基于所述地图图像，提取待制图区域的目标车道线，生成目标车道线的二维坐标，包括：
[0016]识别地图图像的车道线，并确定目标车道线，目标车道线包括当前车辆行驶车道的车道线、当前车辆行驶车道的左侧车道线及当前车辆行驶车道的右侧车道线；
[0017]离散化目标车道线，生成目标车道线的特征点；
[0018]确定特征点的二维坐标，根据特征点的二维坐标集合生成目标车道线的二维坐标。
[0019]可选地，基于二维矩阵的拓展矩阵形式及车载传感器的标定参数，将目标车道线的二维坐标转化为目标车道线的三维坐标，包括：
[0020]将目标车道线的二维坐标转为目标车道线的二维矩阵；
[0021]基于二维矩阵的拓展矩阵形式，将目标车道线的二维矩阵转化为目标车道线的拓展矩阵；
[0022]基于及车载传感器的标定参数将目标车道线的拓展矩阵转为目标车道线的三维坐标。
[0023]可选地，基于二维矩阵的拓展矩阵形式，将目标车道线的二维矩阵转化为目标车道线的拓展矩阵，包括：
[0024]在识别的所述目标车道线的数量小于所述目标车道线的预设数目情况下，将缺失的车道线的拓展矩阵的全部元素赋值为
‑
1；
[0025]在转换过程中，目标车道线的二维矩阵的第一列元素采用目标车道线的二维坐标的横坐标值，目标车道线的二维坐标的第二列元素采用目标车道线的二维坐标的纵坐标值，对于目标车道线中的非特征点的元素，赋值为
‑
1。
[0026]可选地，根据目标车道线的三维坐标，将地图图像的目标车道线和横断面序列的车道线线段拟合，包括：
[0027]基于所述目标车道线的三维坐标进行直线拟合，生成平滑的目标车道线；
[0028]根据所述平滑的目标车道线，消除横断面序列中相邻横断面之间的误差。
[0029]可选地，对目标车道线的三维坐标进行直线拟合，生成平滑的目标车道线，包括：
[0030]对目标车道线的三维坐标进行连续处理，获取目标车道线的预测点；
[0031]根据车道线的预测点，消除每条目标车道线段之间的锯齿状部分，并填补目标车道线段之间的空白。
[0032]可选地，根据平滑的目标车道线，消除横断面序列中相邻横断面之间的误差，包括：
[0033]根据所述平滑的目标车道线段的相对位置和所述横断面序列，确定所述横断面序列中和目标车道线段的匹配线段；
[0034]根据所述平滑的目标车道线和所述目标车道线段对应的匹配线段，消除所述匹配
线段在所述横断面序列中的误差。
[0035]本申请第二方面提供一种高精度地图车道线的自动提取装置，包括：
[0036]接收模块，用于接收车载传感器采集的待制图区域的地图图像；
[0037]图像分割模块，用于根据预设图像检测算法，生成所述地图图像的横断面序列，其中，横断面序列中的横断面图像按照车辆行驶顺序依次排列，所述横断面图像为所述待制图区域中车道数目突变的区域图像或车道线型发生变化的区域图像；
[0038]图像提取模块，用于基于所述地图图像，提取待制图区域的目标车道线，生成目标车道线的二维坐标，基于二维矩阵的拓展矩阵形式及车载传感器的标定参数，将所述目标车道线的二维坐标转化为目标车道线的三维坐标；
[0039]匹配模块，用于根据目标车道线的三维坐标，将地图图像的目标车道线和横断面序列的车道线线段拟合，生成高精地图的车道线。
[0040]本申请第三方面提供一种电子设备，包括：
[0041]处理器；以及
[0042]存储器，其上存储有可执行代码，当可执行代码被处理器执行时，使处理器执行如上的方法。
[0043]本申请第四方面提供一种计算机可读存储介质，其上存储有可执行代码，当可执行代码被电子设备的处理器执行时，使处理器执行如上的方法。...
【技术保护点】
【技术特征摘要】
1.一种高精度地图车道线的自动提取方法，其特征在于，包括：接收车载传感器采集的待制图区域的地图图像；根据预设图像检测算法，生成所述地图图像的横断面序列，其中，横断面序列中的横断面图像按照车辆行驶顺序依次排列，所述横断面图像为所述待制图区域中车道数目突变的区域图像或车道线型发生变化的区域图像；基于所述地图图像，提取待制图区域的目标车道线，生成目标车道线的二维坐标，基于二维矩阵的拓展矩阵形式及车载传感器的标定参数，将所述目标车道线的二维坐标转化为目标车道线的三维坐标；根据所述目标车道线的三维坐标，将所述地图图像的目标车道线和所述横断面序列的车道线线段拟合，生成高精地图的车道线。2.根据权利要求1所述的方法，其特征在于，所述预设图像检测算法为目标卷积神经网络，所述根据预设图像检测算法，生成所述地图图像的横断面序列之前，包括：获取图像检测训练集，所述图像检测训练集的输入图像集包括车道线要素的标识和车道线的特征信息，所述图像检测训练集的输出图像集包括输入图像集对应的目标横断面序列；向预设卷积网络输入所述图像检测训练集的输入图像集，得到输出结果；根据输出结果和输出图像集之间的误差，训练预设卷积神经网络，得到目标卷积神经网络，所述目标神经网络根据所述输入图像集的地图图像输出目标横断面序列。3.根据权利要求1所述的方法，其特征在于，所基于所述地图图像，提取待制图区域的目标车道线，生成目标车道线的二维坐标，包括：识别所述地图图像的车道线，并确定目标车道线，所述目标车道线包括当前车辆行驶车道的车道线、当前车辆行驶车道的左侧车道线及当前车辆行驶车道的右侧车道线；离散化所述目标车道线，生成所述目标车道线的特征点；确定所述特征点的二维坐标，根据所述特征点的二维坐标集合生成所述目标车道线的二维坐标。4.根据权利要求1所述的方法，其特征在于，所述基于二维矩阵的拓展矩阵形式及车载传感器的标定参数，将所述目标车道线的二维坐标转化为目标车道线的三维坐标，包括：将所述目标车道线的二维坐标转为目标车道线的二维矩阵；基于所述二维矩阵的拓展矩阵形式，将所述目标车道线的二维矩阵转化为目标车道线的拓展矩阵；基于所述车载传感器的标定参数，将所述目标车道线的拓展矩阵转为目标车道线的三维坐标。5.根据权利要求4所述的方法，其特征在于，所述基于所述二维矩阵的拓展矩阵形式，将所述目标车道线的二维矩阵转化为目标车道线的拓展矩阵，包括：在识别的所述目标车道线的数量小于所述目标车道线的预设数目情况下，将缺失的车道线的拓展矩阵的全部元素赋值为
‑
1；在转...
【专利技术属性】
技术研发人员：杨纯颖，夏洋，马龙，
申请(专利权)人：北京智行者科技股份有限公司，
类型：发明
国别省市：
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。