基于关键点序列的车道线复原方法及系统技术方案

本发明专利技术公开了一种基于关键点序列的车道线复原方法及系统，其通过将矢量线要素转为栅格图像，以图像检测的方式，提取车道感知标线在图像中的关键点序列，通过车道感知标线与关键点序列的位置匹配关联，将所有的车道感知标线划分为不同的车道线分组，再补全得到完整且全面的车道线；本发明专利技术借助了关键点序列检测的思想，以此寻找感知标线间的分组匹配关系，避免直接使用关键点序列带来的图像像素精度损失，最终准确的复原车道线，避免车道分组粘连的问题。的问题。的问题。

【技术实现步骤摘要】
基于关键点序列的车道线复原方法及系统


[0001]本专利技术涉及高精度地图制作
，尤其是涉及一种基于关键点序列的车道线复原方法及系统。

技术介绍

[0002]在构建众包地图的车道时，很重要的一步是将车端感知提取到的车道标线、路缘石、护栏等线状要素，还原为现实世界中完整的车道线。实际采集中，由于路面车道标线自身磨损、采集车附近的车辆遮挡，感知算法的差异等原因，提取的车道标线等线要素通常是不连续的、碎片化的，那么如何将这些碎片化的线要素匹配分组并补全为原本完整的车道线是构建众包地图车道级要素中不可或缺的一环。
[0003]对于如何将碎片化的感知车道标线还原为完整的车道线，传统的解决方案主要是基于几何计算和统计学来实现的。沿着垂直于道路走向的横向方向上，计算这些感知标线在路面上的横向距离，以两两之间的距离差值构建相似度矩阵，通过DSBCAN聚类的方式将其划分为不同的车道线分组，对分组内的感知标线，沿着道路走向，通过整体拟合或局部插值的方式进行补全，得到完整的多条车道线。这类方法的缺陷在于对变道场景很不适配，主要体现在车道增减变道时，很难准确描述两两感知线要素间的横向距离，以不可靠的横向距离进行聚类会导致车道分组粘连，比如将变道的两条车道线对应的感知标线划分为一组，这样就无法得到完整而正确的车道线。

技术实现思路

[0004]本专利技术的目的在于克服上述技术不足，提出一种基于关键点序列的车道线复原方法及系统，其基于车道感知标线与关键点序列的位置匹配关联，对所有的车道感知标线进行准确的车道线分组，解决现有车道分组粘连的问题。
[0005]为达到上述技术目的，本专利技术的技术方案第一方面提供一种基于关键点序列的车道线复原方法，其包括：
[0006]获取道路信息采集车的车道矢量图像，所述车道矢量图像中包含车辆行驶轨迹及车道感知标线；
[0007]沿车辆行驶轨迹方向以单位图像大小将车道矢量图像进行图像分割，并将分割图像转为栅格图像；
[0008]搭建关键点序列检测模型，采用关键点序列检测模型对栅格图像进行预测，得到栅格图像中车道感知标线的关键点序列；
[0009]将预测的关键点序列作为车道感知标线间的匹配关联序列，根据不同的关键点序列对车道感知标线进行匹配分组；
[0010]对分组后的车道感知标线进行拟合补全，得到完整的车道线。
[0011]本专利技术第二方面提供一种基于关键点序列的车道线复原系统，其包括如下功能模块：
[0012]信息获取模块，用于获取道路信息采集车的车道矢量图像，所述车道矢量图像中包含车辆行驶轨迹及车道感知标线；
[0013]图像分割模块，用于沿车辆行驶轨迹方向以单位图像大小将车道矢量图像进行图像分割，并将分割图像转为栅格图像；
[0014]关键点预测模块，用于搭建关键点序列检测模型，采用关键点序列检测模型对栅格图像进行预测，得到栅格图像中车道感知标线的关键点序列；
[0015]标线匹配分组模块，用于将预测的关键点序列作为车道感知标线间的匹配关联序列，根据不同的关键点序列对车道感知标线进行匹配分组；
[0016]标线拟合补全模块，用于对分组后的车道感知标线进行拟合补全，得到完整的车道线。
[0017]本专利技术第三方面提供一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于关键点序列的车道线复原方法。
[0018]本专利技术第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于关键点序列的车道线复原方法。
[0019]与现有技术相比，本专利技术具有如下有益效果：
[0020]本专利技术通过将矢量线要素转为栅格图像，以图像检测的方式，提取车道感知标线在图像中的关键点序列，通过车道感知标线与关键点序列的位置匹配关联，将所有的车道感知标线划分为不同的车道线分组，再补全得到完整且全面的车道线，从而能够准确的复原车道线，避免车道分组粘连的问题。
[0021]本专利技术以基于关键点序列检测的深度神经网络模型替代了传统方案中利用几何特征的DBSCAN聚类来实现碎片化的感知标线分类分组，在众包场景的大数据量下，建图效果可以得到持续的迭代优化，扩展性更强；
[0022]本专利技术充分利用了众包场景中轨迹丰富的特点，在感知标线缺失的场景，通过深度神经网络模型寻找轨迹和标线间的潜在关系，对感知标线的分组起到一定的辅助作用，适应性和鲁棒性更强；
[0023]本专利技术借助了关键点序列检测的思想，以此寻找感知标线间的分组匹配关系，避免直接使用关键点序列带来的图像像素精度损失，最终以矢量要素自身来拟合补全，准确性更高。
附图说明
[0024]图1是本专利技术实施例所述的基于关键点序列的车道线复原方法的流程框图；
[0025]图2是图1中步骤S2的分步骤流程框图；
[0026]图3是本专利技术实施例所述的基于关键点序列的车道线复原系统的模块框图。
具体实施方式
[0027]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并
不用于限定本专利技术。
[0028]本专利技术的实施例提供了一种基于关键点序列的车道线复原方法，如图1所示，其包括：
[0029]S1、获取道路信息采集车的车道矢量图像，所述车道矢量图像中包含车辆行驶轨迹及车道感知标线。
[0030]其中，为便于区分车辆行驶轨迹及车道感知标线，在车道矢量图像中以不同的颜色区分车辆行驶轨迹及车道感知标线。
[0031]S2、沿车辆行驶轨迹方向以单位图像大小将车道矢量图像进行图像分割，并将分割图像转为栅格图像。
[0032]如图2所示，所述步骤S2具体包括如下分步骤：
[0033]S21、设置一单位图像大小的滑动窗口，并设置所述滑动窗口的单次滑动距离；
[0034]S22、在车道矢量图像中取一点作为滑动窗口的原点，沿车辆行驶轨迹方向在车道矢量图像中滑动滑动窗口，将滑动窗口每一次滑动圈定的图像作为分割图像；
[0035]S23、通过heat map方式将分割图像转为栅格图像。
[0036]即设置一单次滑动距离为k的滑动窗口，沿着车辆行驶轨迹方向上取一点，作为当前滑动窗口的原点，以该原点取车辆行驶轨迹方向上的长度L作为滑动窗口的长度，在横向方向上以该原点为中点取总长度W作为滑动窗口的宽度，将滑动窗口范围内的感知标线和轨迹等要素形点通过heat map方式转为栅格图像，图像像素比取1:10，即一个像素点为10cm，栅格图像的尺寸为10L，10W。其中滑动窗口的单次滑动距离小于其沿车辆行驶轨迹方向上的单位长度，即L>k，保证相邻的滑动窗口间有L
‑
k的重叠区域，这为后续的分组拟合与补全提供了便利。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于关键点序列的车道线复原方法，其特征在于，包括：获取道路信息采集车的车道矢量图像，所述车道矢量图像中包含车辆行驶轨迹及车道感知标线；沿车辆行驶轨迹方向以单位图像大小将车道矢量图像进行图像分割，并将分割图像转为栅格图像；搭建关键点序列检测模型，采用关键点序列检测模型对栅格图像进行预测，得到栅格图像中车道感知标线的关键点序列；将预测的关键点序列作为车道感知标线间的匹配关联序列，根据不同的关键点序列对车道感知标线进行匹配分组；对分组后的车道感知标线进行拟合补全，得到完整的车道线。2.根据权利要求1所述的基于关键点序列的车道线复原方法，其特征在于，在车道矢量图像中以不同的颜色区分车辆行驶轨迹及车道感知标线。3.根据权利要求1所述的基于关键点序列的车道线复原方法，其特征在于，所述沿行驶轨迹方向以单位图像大小将车道矢量图像进行图像分割，具体包括：沿行驶轨迹方向以单位图像大小将车道矢量图中的车辆行驶轨迹及车道感知标线进行图像分割。4.根据权利要求1所述的基于关键点序列的车道线复原方法，其特征在于，所述沿车辆行驶轨迹方向以单位图像大小将车道矢量图像进行图像分割，并将分割图像转为栅格图像；具体包括：设置一单位图像大小的滑动窗口，并设置所述滑动窗口的单次滑动距离；在车道矢量图像中取一点作为滑动窗口的原点，沿车辆行驶轨迹方向在车道矢量图像中滑动滑动窗口，将滑动窗口每一次滑动圈定的图像作为分割图像；通过heat map方式将分割图像转为栅格图像。5.根据权利要求4所述的基于关键点序列的车道线复原方法，其特征在于，相邻滑动窗口之间存在部分重叠区域。6.根据权利要求5所述的基于关键点序列的车道线复原方法...

【专利技术属性】
技术研发人员：覃飞杨，尹玉成，石涤文，蔡晨，刘奋，
申请(专利权)人：武汉中海庭数据技术有限公司，
类型：发明
国别省市：