一种基于激光雷达的车道线及车辆检测方法、设备及介质技术

本申请公开了一种基于激光雷达的车道线及车辆检测方法、设备及介质。方法包括：获取若干个样本数据组；其中，样本数据组包括样本点云数据与样本二维图像；对样本点云数据进行数据转换处理，以获得对应的样本鸟瞰图；以及，对样本二维图像中的车道线与车辆进行标注，以获得待训练二维图像；确定待训练二维图像为目标图像，将样本鸟瞰图输入预设的待训练多尺度卷积神经网络模型进行训练，直至获得收敛的待应用检测模型；获取待检测道路的待应用点云数据，并基于待应用点云数据及待应用检测模型，确定待检测道路的车道线及车辆。本申请通过上述方法实现了基于激光雷达数据识别车道线及车辆，以推进智能驾驶技术。以推进智能驾驶技术。以推进智能驾驶技术。

【技术实现步骤摘要】
一种基于激光雷达的车道线及车辆检测方法、设备及介质


[0001]本申请涉及智能驾驶
，尤其涉及一种基于激光雷达的车道线及车辆检测方法、设备及介质。

技术介绍

[0002]随着国家快速的城市化增长，新型基础建设成为公众的焦点。在新基建涉及的细分领域中，5G、物联网、卫星互联网、人工智能、数据中心、智能交通基础设施均与智能驾驶技术密切相关，智能驾驶站在这几大领域的交汇处，将作为重点落地场景推动新基建的发展。智能驾驶技术中的感知功能是非常重要的，而且其感知设备丰富、感知数据模态多样、感知数据量大且任务输出复杂，机深度学习技术在其中得到了广泛应用，例如计算机视觉、自然语言处理及推荐系统等。
[0003]这些机器学习技术的成功应用，都是建立在大量数据的基础之上的。然而在实际应用场景中，较多的感知设备必将提高终端成本，让智能驾驶技术更难落地。使用一种感知设备实现智能驾驶技术将是一种趋势。激光雷达具有感知精度高、识别正确率高、数据更加直接的特点，处理点云数据对于智能驾驶系统芯片与算法压力更轻，更安全和可靠的，因此如何基于激光雷达数据识别车道线及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于激光雷达的车道线及车辆检测方法，其特征在于，所述方法包括：获取若干个样本数据组；其中，所述样本数据组包括样本点云数据与样本二维图像；对所述样本点云数据进行数据转换处理，以获得对应的样本鸟瞰图；以及，对所述样本二维图像中的车道线与车辆进行标注，以获得待训练二维图像；确定所述待训练二维图像为目标图像，将所述样本鸟瞰图输入预设的待训练多尺度卷积神经网络模型进行训练，直至获得收敛的待应用检测模型；获取待检测道路的待应用点云数据，并基于所述待应用点云数据及所述待应用检测模型，确定所述待检测道路的车道线及车辆。2.根据权利要求1所述的一种基于激光雷达的车道线及车辆检测方法，其特征在于，对所述样本点云数据进行数据转换处理，以获得对应的样本鸟瞰图，具体包括：根据预设的角度阈值，确定所述样本点云数据中的样本近地点云数据；根据预设的外参矩阵，将所述样本近地点云数据映射到所述样本二维图像对应的相机坐标系下，以获得样本映射点云数据；将所述样本映射点云数据进行鸟瞰投影，以获得初始样本鸟瞰图，并基于所述样本二维图像对所述初始样本鸟瞰图进行尺度变换，以使变换获得的样本鸟瞰图与所述样本二维图像对应的空间维度相同。3.根据权利要求2所述的一种基于激光雷达的车道线及车辆检测方法，其特征在于，根据预设的角度阈值，确定所述样本点云数据中的样本近地点云数据，具体包括：基于获取样本点云数据对应的激光雷达距离地面的高度，确定所述样本近地面点云数据对应的空间垂直坐标；基于激光雷达的扫描下限角度及预设的角度阈值，确定所述样本近地面点云数据的范围；基于所述空间垂直坐标与所述样本近地面点云数据的范围，确定所述样本点云数据中的样本近地点云数据。4.根据权利要求2所述的一种基于激光雷达的车道线及车辆检测方法，其特征在于，在根据预设的外参矩阵，将所述样本近地点云数据映射到所述样本二维图像对应的相机坐标系下之前，所述方法还包括：确定所述样本二维图像对应相机的相机参数及空间参数；其中，所述相机参数包括：相机焦距参数、相机光心参数；所述空间参数包括：激光雷达相对于相机的旋转角度与平移距离；基于所述相机参数与所述空间，确定所述样本近地点云数据与所述样本二维图像中各点的空间坐标转换关系，并基于所述空间坐标转换关系，确定所述外参矩阵。5.根据权利要求1所述的一种基于激光雷达的车道线及车辆检测方法，其特征在于，获取待检测道路的待应用点云数据，并基于所述待应用点云数据及所述待应用检测模型，确定所述待检测道路的车道线及车辆，具体包括：确定所述待应用点云数据中的待应用近地点云数据；基于预设的外参矩阵，...

【专利技术属性】
技术研发人员：李世鹏，马辰，王健，赵小楠，程瑶，
申请(专利权)人：山东新一代信息产业技术研究院有限公司，
类型：发明
国别省市：