一种高精度矢量地图的自动生成方法技术

本发明专利技术公开了一种高精度矢量地图的自动生成方法，主要根据激光点云强度、几何结构特征提取车道标线，通过地面滤波分割地面、非地面点云；采用分块格栅化将三维点云转换为二维投影图像；采用图像滤波、边缘提取算子、动态自适应阈值分割、形态学分析等处理提取道路标线像素，基于点云图像映射关系提取标线点云；采用基于知识模板库的点云轮廓匹配法进行标线分类。基于深度学习卷积神经网络对道路图像进行交通标志牌检测分类，通过图像点云融合建立点云感兴趣区域；采用聚类筛选候选点云、基于主成分分析进行局部投影、基于知识模板库的点云匹配提取交通标志；最后基于GPS数据进行校准、参数拟合、矢量化、数据关联，完成高精度矢量地图的构建。量地图的构建。量地图的构建。

【技术实现步骤摘要】
一种高精度矢量地图的自动生成方法


[0001]本专利技术涉及数据处理，特别涉及一种高精度矢量地图的自动生成方法。

技术介绍

[0002]目前随着无人驾驶技术的发展，无人驾驶技术的应用愈发广泛，而高精度矢量地图是相对于普通地图来定义的，它提供了更高精度、更多维度的地图信息，已经成为无人驾驶技术中不可或缺的部分。道路标线以及交通标志是组成交通路网最基础、最核心的要素。所以对于道路矢量标识线、标志牌的提取是高精度地图的绘制、车辆智能驾驶和道路环境三维建模等领域的关键技术之一。目前的研究主要集中在从视频图像中检测与跟踪道路交通标志，但是这种从图像中检测出来的道路矢量标识线和标志牌主要记录的是交通要素的二维平面信息而非三维信息，而基于视频图像构建的地图为稀疏地图，其精度无法满足自动驾驶的精确导航定位和交通管理等方面的需要。而车载移动激光测量系统不仅可以快速测量目标物体表层点的三维坐标，同时还记录目标对激光的反射强度信息，为提取高精度的三维道路标识线信息提供了一种可靠的数据源。但由于车载激光点云数据存在海量性、空间分布和密度的不均以及地形的复杂性，让基于激光点云的道路信息提取和高精度矢量地图的绘制带来一定挑战。而对于高精度地图的构建，在现有技术中使用点云数据进行高精度地图构建，但三维点云处理自动化程度低，多依赖人工编辑。由此可见，可以采用激光点云、图像和GPS定位信息进行融合提取的处理方法。

技术实现思路

[0003]为了克服现有技术的上述缺点与不足，本专利技术的目的在于提供一种高精度矢量地图的自动生成方法，提高矢量地图的自动化程度。
[0004]本专利技术的目的通过以下技术方案实现：
[0005]一种高精度矢量地图的自动生成方法，包括：
[0006]对原始道路激光点云数据进行处理，分离得到地面点云及非地面点云，然后对地面点云进行拟合得到地面；
[0007]对地面点云进行分块格栅化处理，建立像素点与点云索引映射关系并保存，依据每块格栅内的点云强度、地面点云的高程图像及非地面点云的密度图像计算像素灰度值，转换为二维投影图像；
[0008]根据二维投影图像提取车道标线像素点，反投影至点云空间分割得到车道标线点云；
[0009]对车道标线点云进行分类：
[0010]获取道路图像数据，利用交通标志检测与分类神经网络提取道路图像数据中的交通标识牌；
[0011]将非地面道路点云、相机及雷达标定参数文件及交通标志牌进行融合，建立感兴趣点云空间；
[0012]对感兴趣点云空间进行处理提取候选交通标志点云，并建立局部投影系，并将候选交通标志点云投影至二维投影平面，生成灰度图像
[0013]根据生成的灰度图像，基于模板知识库的图像匹配方法提取交通标志的三维中心位置；
[0014]根据GPS高精度定位数据以及点云三维坐标进行数据校准，然后将校准后的车道标线点云进行多项式参数拟合，将其矢量化；然后根据提取的交通标志的中心位置和类别信息进行数据关联后导出用于自动驾驶的高精度矢量地图。
[0015]进一步，采用高程差双阈值地面滤波方法对原始道路激光点云数据进行分离，得到地面点云及非地面道路点云，然后采用随机采样一致性算法对地面点云进行拟合细化得到地面，具体为将将拟合误差小于设定阈值的平面内所有点计为局内点，然后计算局内点的外包凸多边形的面积，选取局内点面积最大拟合平面为地面。
[0016]进一步，所述对地面点云进行分块格栅化处理，建立像素点与点云索引映射关系并保存，依据每块格栅内的点云强度、地面点云的高程图像及非地面点云的密度图像计算像素灰度值，转换为二维投影图像，具体为：
[0017]首先对地面点云进行分块和格栅化处理，并使用二维矩阵保存像素点与点云索引的映射关系；
[0018]然后基于图像灰度值计算公式，进行灰度增强：
[0019]计算地面点云的高程图像以及非地面点的密度图像的像素灰度值。
[0020]进一步，所述根据二维投影图像提取车道标线像素点，反投影至点云空间分割得到车道标线点云，具体为：
[0021]对于二维投影图像进行中值滤波去除椒盐噪声；使用canny算子进行边缘检测生成地面强度梯度图像；然后基于最大熵阈值分割生成密度和高程二值图像，再与地面强度梯度图联合提取路面像素点，然后基于动态自适应阈值分割和形态学腐蚀膨胀精细提取车道标线像素点；
[0022]基于连通分量进行优化分析，然后进行标记；
[0023]根据像素与点云索引映射关系，反投影至点云空间提取车道标线点云。
[0024]进一步，还包括采用alpha shape滚包算法提取各车道标线点云的轮廓信息，确定各标线点云的轮廓最小外接矩形尺寸。
[0025]进一步，所述对车道标线点云进行分类，具体为：
[0026]首先以外轮廓的最小外接矩形的几何特征作为粗分类标准，提取出实虚线以及其他非规则类道路标线；然后采用基于模板知识库的点云轮廓匹配方法分类非规则路标点云；具体为：候选点云依次进行旋转增量式ICP模板库点云轮廓匹配，进行坐标统一，然后采用KNN算法计算最近邻的点云数，将其与模板总点云数的比例作为分类标准进行分类。
[0027]进一步，所述利用深度学习卷积神经网络进行交通标志的检测分类，得到交通标识牌包括当前的置信位置，所述置信位置包括包围盒信息和分类信息。
[0028]进一步，对点云感兴趣区域进行处理提取候选交通标志点云，并建立局部投影系，并将候选交通标志点云投影至二维投影平面，生成灰度图像，具体为：
[0029]根据包围盒和类别信息，计算该标志的中心像素坐标(u，v)，在中心像素的基础上增加缓冲区以建立点云感兴趣区域。然后对感兴趣点云空间进行聚类分析，并利用强度滤
波精细提取候选交通标志点云；根据聚类得到的候选交通标志点云，采用主成分分析得到的法向量作为Z轴，竖直方向为X轴，垂直ZOX面的方向作为第三轴，以该候选点云块质心c为原点建立局部投影系c
‑
xyz，并将感兴趣区内的候选标志点云投影至二维平面，生成灰度图像。
[0030]进一步，根据生成的灰度图像，基于模板知识库的图像匹配方法提取交通标志的三维中心位置，具体为：
[0031]首先采用膨胀操作实现图像增强，使用sobel边缘检测算法获得梯度图像，使用构建的面状模板作为卷积核与梯度图像进行卷积操作，当模板刚好覆盖标牌时，强度值最大，对应的中心即为交通标识的精确中心位置。
[0032]进一步，所述交通标志检测与分类神经网络为深度学习卷积神经网络YOLOv5。
[0033]与现有技术相比，本专利技术具有以下优点和有益效果：
[0034]采用的基于灰度增强的方法将点云的强度信息转换为灰度信息，较好的实现三维点云转为二维投影图像，相对与直接对三维点云处理，实现降维，有利于提高处理速度，而且灰度图像车道标线明显，有利于后续图像处理效果；
[0035]然后采用的canny边缘检测算子以及动态自适应阈本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高精度矢量地图的自动生成方法，其特征在于，包括：对原始道路激光点云数据进行处理，分离得到地面点云及非地面点云，然后对地面点云进行拟合得到地面；对地面点云进行分块格栅化处理，建立像素点与点云索引映射关系并保存，依据每块格栅内的点云强度、地面点云的高程图像及非地面点云的密度图像计算像素灰度值，转换为二维投影图像；根据二维投影图像提取车道标线像素点，反投影至点云空间分割得到车道标线点云；对车道标线点云进行分类：获取道路图像数据，利用交通标志检测与分类神经网络提取道路图像数据中的交通标识牌；将非地面点云、相机及雷达标定参数文件及交通标志牌进行融合，建立感兴趣点云区域；对感兴趣点云区域进行处理提取候选交通标志点云，并建立局部投影系，并将候选交通标志点云投影至二维投影平面，生成灰度图像根据生成的灰度图像，基于模板知识库的图像匹配方法提取交通标志的三维中心位置；根据GPS高精度定位数据以及点云三维坐标进行数据校准，然后将校准后的车道标线点云进行多项式参数拟合，将其矢量化；然后根据提取的交通标志的中心位置和类别信息进行数据关联后导出用于自动驾驶的高精度矢量地图。2.根据权利要求1所述的自动生成方法，其特征在于，采用高程差双阈值地面滤波方法对原始道路激光点云数据进行分离，得到地面点云及非地面道路点云,然后采用随机采样一致性算法对地面点云进行拟合细化得到地面，具体为将将拟合误差小于设定阈值的平面内所有点计为局内点，然后计算局内点的外包凸多边形的面积，选取局内点面积最大拟合平面为地面。3.根据权利要求1所述的自动生成方法，其特征在于，所述对地面点云进行分块格栅化处理，建立像素点与点云索引映射关系并保存，依据每块格栅内的点云强度、地面点云的高程图像及非地面点云的密度图像计算像素灰度值，转换为二维投影图像，具体为：首先对地面点云进行分块和格栅化处理，并使用二维矩阵保存像素点与点云索引的映射关系；然后基于图像灰度值计算公式，进行灰度增强：计算地面点云的高程图像以及非地面点的密度图像的像素灰度值。4.根据权利要求1所述的自动生成方法，其特征在于，所述根据二维投影图像提取车道标线像素点，反投影至点云空间分割得到车道标线点云，具体为：对于二维投影图像进行中值滤波去除椒盐噪声；使用canny算子进行边缘检测生成地面强度梯度图像；然后基于最大熵阈值分割生成密度和高程二值图像，再与地面强度梯度图...

【专利技术属性】
技术研发人员：罗玉涛，单勇，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：