System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及高精度地图制作,尤其涉及一种高精度地图要素分类方法、装置、设备、介质及产品。
技术介绍
1、高精度地图可以为车辆提供路段内车道级别规划、引导和自车定位辅助,因此,在高精度地图绘制过程中,需要对采集的地面要素数据进行分类,以对车辆的驾驶决策和定位提供参考。
2、现有技术中,通过对车载激光点云数据进行预处理,生成待分类目标点云,进而将待分类目标点云输入提前训练好的深度信念网络中,完成车载激光点云数据的目标分类,以实现车载激光点云数据的自动识别分类。
3、但是,上述方法针对特征较差或特征相近的一些要素,分类结果可能会出现效果较差的情况,导致要素分类的准确性降低。
技术实现思路
1、本申请提供一种高精度地图要素分类方法、装置、设备、介质及产品,用于解决针对特征较差或特征相近的一些要素,分类结果可能会出现效果较差的情况,导致要素分类的准确性降低的问题。
2、第一方面,本申请提供一种高精度地图要素分类方法,所述方法包括:
3、获取道路点云数据和车辆的行车轨迹数据,将所述道路点云数据基于预设步长进行切分,得到多个点云块;
4、针对每个点云块,对所述点云块进行过滤,得到目标点云数据;
5、将所述目标点云数据和所述点云块对应的行车轨迹数据进行融合,得到目标数据;
6、将所述目标数据输入改进的语义分割网络模型中,输出分类要素,基于所述分类要素对高精度地图进行要素标注。
7、可选的,获取道路点云数据
8、采集多帧的激光点云数据,并基于所述激光点云数据对应的位姿信息将所述多帧的激光点云数据进行融合,得到道路点云数据;
9、采集车辆的行车轨迹数据;所述行车轨迹数据包括多个轨迹点数据。
10、可选的,针对每个点云块,对所述点云块进行过滤,得到目标点云数据,包括:
11、针对每个点云块,对所述点云块内的道路点云数据进行n次随机采样,得到采样数据;所述采样数据包括至少三个道路点云数据;n为大于或等于1的正整数;
12、利用多平面拟合算法对所述采样数据进行处理,得到n个平面;
13、分别统计位于n个平面内的道路点云数据,并基于所述n个平面的道路点云数据确定法向量,以基于所述法向量确定目标点云块;
14、计算所述目标点云块对应的地面高度,基于所述地面高度过滤掉小于或等于所述地面高度的道路点云数据,得到目标点云数据。
15、可选的,将所述目标点云数据和所述点云块对应的行车轨迹数据进行融合,得到目标数据,包括:
16、获取全球定位系统gps时阈值范围;所述gps时阈值范围基于车辆的行驶速度确定;
17、基于所述gps时阈值范围,提取行车轨迹数据中的目标轨迹点数据,以及确定位于所述gps时阈值范围内的目标点云数据;
18、基于所述目标轨迹点数据确定目标行车轨迹,计算所述目标行车轨迹和所述gps时阈值范围内的目标点云数据的最小距离,并确定所述最小距离对应的目标点云数据的方位角信息;
19、基于所述最小距离和所述方位角信息确定距离向量,将所述距离向量和所述目标点云数据进行拼接,得到目标数据。
20、可选的,将所述目标数据输入改进的语义分割网络模型中,输出分类要素,包括:
21、对所述目标数据进行预处理,得到所述目标数据在kd树中的索引关系;所述索引关系为所述目标数据与相邻目标数据的连接关系;
22、基于所述目标数据和所述相邻目标数据,利用特征编码算法进行编码处理,得到点云特征信息;
23、对所述点云特征信息进行反向解码处理,得到点云解码特征,基于所述点云解码特征进行特征融合,得到目标特征;
24、利用全连接层和归一化指数函数对所述目标特征进行分类,得到分类要素。
25、可选的,基于所述目标数据和所述相邻目标数据,利用特征编码算法进行编码处理,得到点云特征信息,包括:
26、对所述目标数据和所述相邻目标数据进行特征提取以及特征融合,得到第一点云特征;
27、对所述第一点云特征进行数据采样,得到第二点云特征;
28、对所述第二点云特征进行特征压缩处理,得到点云特征信息。
29、可选的,所述方法还包括:
30、将所述目标数据输入改进的语义分割网络模型后,得到分类要素的交并比;
31、基于所述交并比对所述改进的语义分割网络模型的输出的分类要素进行验证。
32、第二方面,本申请提供一种高精度地图要素分类装置,所述装置包括:
33、获取模块,用于获取道路点云数据和车辆的行车轨迹数据,将所述道路点云数据基于预设步长进行切分,得到多个点云块;
34、过滤模块,用于针对每个点云块,对所述点云块进行过滤,得到目标点云数据;
35、融合模块,用于将所述目标点云数据和所述点云块对应的行车轨迹数据进行融合,得到目标数据;
36、处理模块,用于将所述目标数据输入改进的语义分割网络模型中,输出分类要素,基于所述分类要素对高精度地图进行要素标注。
37、第三方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
38、所述存储器存储计算机执行指令;
39、所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面中任一项所述的方法。
40、第四方面,本申请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执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面中任一项所述的方法。
41、第五方面,本申请提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如第一方面中任一项所述的方法。
42、综上所述,本申请提供一种高精度地图要素分类方法、装置、设备、介质及产品,可以通过将道路点云数据基于行车轨迹裁剪成分段数据,进而对分段数据进行过滤、与行车轨迹数据相融合,以及输入改进的语义分割网络模型中进行语义分割与点云分类,得到高精度地图对应的分类要素,进而可以基于该分类要素对高精度地图进行要素标注,这样,本申请可以有效融合道路点云数据与行车轨迹数据,并利用语义分割与轨迹相融合的点云分类算法对融合后的数据进行处理,使得深度学习提取的泛化特征在分类过程中得到充分利用,有效提高点云的分类精度,进而提高要素分类的准确性。
本文档来自技高网...【技术保护点】
1.一种高精度地图要素分类方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,获取道路点云数据和车辆的行车轨迹数据,包括:
3.根据权利要求1所述的方法,其特征在于,针对每个点云块,对所述点云块进行过滤,得到目标点云数据,包括:
4.根据权利要求1所述的方法,其特征在于,将所述目标点云数据和所述点云块对应的行车轨迹数据进行融合,得到目标数据,包括:
5.根据权利要求1所述的方法,其特征在于,将所述目标数据输入改进的语义分割网络模型中,输出分类要素,包括:
6.根据权利要求5所述的方法,其特征在于,基于所述目标数据和所述相邻目标数据,利用特征编码算法进行编码处理,得到点云特征信息,包括:
7.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
8.一种高精度地图要素分类装置,其特征在于,所述装置包括:
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
10.一种计算机可读存储介质,其特征在于,所述计算机可读存
11.一种计算机程序产品,其特征在于,包括计算机程序,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
...【技术特征摘要】
1.一种高精度地图要素分类方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,获取道路点云数据和车辆的行车轨迹数据,包括:
3.根据权利要求1所述的方法,其特征在于,针对每个点云块,对所述点云块进行过滤,得到目标点云数据,包括:
4.根据权利要求1所述的方法,其特征在于,将所述目标点云数据和所述点云块对应的行车轨迹数据进行融合,得到目标数据,包括:
5.根据权利要求1所述的方法,其特征在于,将所述目标数据输入改进的语义分割网络模型中,输出分类要素,包括:
6.根据权利要求5所述的方法,其特征在于,基于所述目标数据和所述相邻目标...
【专利技术属性】
技术研发人员:夏坤,肖旭,宋向勃,
申请(专利权)人:北京四维图新科技股份有限公司,
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。