【技术实现步骤摘要】
本专利技术属于智能驾驶，涉及地面标识检测，具体涉及到一种基于统计先验的地面标识检测方法、系统、设备及介质。
技术介绍
1、自动驾驶车辆在行驶过程中依赖于地面标识进行实现，现有技术中主流的地面标识检测方法包括两种：第一种，通过检测地面标识的区域的最小外接矩形框以及区域内的地面标识类别实现，然而此种方法只能输出地面标识的大致区域的矩形和类别，无法提供地面标识准确的轮廓以及涂鸦区域，无法提供给自动驾驶系统精准的语义区域信息；第二种，使用深度学习进行语义分割，直接分割出地面标识区域，但是由于语义分割的方法中，每一个像素点是一个独立的个体，所以导致像素语义不能自动组合成为一个实例，另外，单个像素也会出现类别误分类，因此，此种方法严重依赖于冗余复杂的后处理，并且稳定性难以保证，容易受地面标识磨损遮挡等的影响。
技术实现思路
1、针对上述问题，本专利技术的主要目的在于设计一种基于统计先验的地面标识检测方法、系统、设备及介质，解决在地面标识检测过程中，验证依赖于复杂的后处理，以及因遮挡，磨损等问题引发的检测失效问题。
2、为了实现上述目的本专利技术采用如下技术方案：
3、一种基于统计先验的地面标识检测方法，包括如下步骤：
4、步骤1：针对地面标识所在区域内不同类别的形状和大小进行统计，得到先验的地面标识轮廓信息；
5、所述地面标识的形状和大小通过中心点、最小外接圆、n个关键点的极坐标进行体现；
6、步骤2：将地面标识所在区域内的传感器信息
7、步骤3：将步骤2得到的实例关键点角度差值和半径差值分别与步骤1中统计的n个关键点的极坐标相加，得到n个关键点的真实坐标；
8、步骤4：将步骤3得到的真实坐标解算成直角坐标系坐标，求出地面标识的最小外接矩形框，实现地面标识的检测。
9、作为本专利技术进一步的描述，所述步骤1中，定义地面标识的中心点为地面标识最小外接圆的圆心，定义关键点为地面标识的关键位置，所述关键位置包括地面标识的拐角。
10、作为本专利技术进一步的描述，所述关键点的数量至少为1个，其选择方式为地面标识沿竖向中轴，逆时针依次环绕地面标识的关键位置，表示为：（r，rot）；
11、其中，r为最小外接圆的半径，rot为沿竖向中轴的旋转角度。
12、作为本专利技术进一步的描述，所述步骤1中，还包括统计所有地面标识类别内的各自关键点的平均值，表达式为：
13、最小外接圆半径的平均值r=（r1+r2+…+rn）/n，其中，r1、r2…rn为不同的关键点半径，n为关键点的总数量；
14、角度平均值rot=（rot1+rot2+…+rotn）/n，其中，rot1、rot2…rotn为不同的关键点角度，n为关键点的总数量。
15、作为本专利技术进一步的描述，所述步骤2中，传感器信息包括图像、激光雷达、定位和地图；
16、则，深度学习网络的输入信息包括：图像维度为长*宽*图像通道数的图像数值的矩阵，激光雷达的点云坐标值的矩阵，定位地图维度为长*宽*图层数目的地图数值的矩阵。
17、作为本专利技术进一步的描述，所述步骤4中，真实坐标解算成直角坐标系坐标，表达式为：
18、（x+(r1+r1)*,y+(r1+r1)*),z）
19、其中，x，y，z为地面标识的中心点位置坐标，为深度学习网络输出的地面标识朝向角度，r1为步骤1关键点1的平均半径，r1为深度学习网络输出的关键点1的半径差值，为步骤1关键点1的平均角度，为深度学习网络输出的关键点1的角度差值。
20、作为本专利技术进一步的描述，所述步骤4中，地面标识的最小外接矩形框为所有关键点的横坐标的最小值xmin与最大值xmax，以及所有关键点的纵坐标的最小值ymin与最大值ymax形成，则最小外接矩形框的左上角坐标（xmin，ymin）和右下角坐标（xmax，ymax）。
21、一种基于统计先验的地面标识检测系统，包括地面标识统计模块、地面标识识别模块、地面标识校验模块、地面标识构建模块；
22、其中，所述地面标识统计模块，针对地面标识所在区域内每一类地面标识的类别和类别数目、形状进行统计；
23、所述地面标识识别模块，将包含地面标识的信息输入至深度学习网络，通过深度学习网络输出地面标识的实例，并通过类别分数判定地面标识的可信度；
24、所述类别分数为深度学习网络针对地面标识输出的可能性分值，分值越高可信度越高；
25、所述地面标识校验模块，通过将地面标识识别模块得到的信息与地面标识统计模块获取的信息进行运算，得到地面标识各个关键点的真实坐标；
26、所述地面标识构建模块，将各个关键点的真实坐标解算到直角坐标系中，并根据解算结构得到所有关键点的横坐标的最大值、最小值，以及纵坐标的最大值、最小值，即得出地面标识的最小外接矩形框，实现地面标识的检测。
27、一种电子设备，包括：包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，所述存储器，用于存储计算机程序；
28、所述处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行上述的方法。
29、一种计算机可读的存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
30、相对于现有技术，本专利技术的技术效果为：
31、本专利技术提供了一种基于统计先验的地面标识检测方法、系统、设备及介质，采用统计地面标识作为先验的方法，直接为地面标识建立强力的约束，能够将遮挡、磨损等问题引发的检测失效降到最低；能够以隐式的稳定表达地面标识关键点的顺序，直接将地面标识抽象为一个实例个体；能够在不依赖于后处理和大量训练数据的前提下，快速实现一定区域的地面标识检测；通过极坐标的表示方法，能够最优的表示地面标识的关键点位置，而且能够准确的表达地面标识相对于先验的平移和旋转的变换，快速转化为直角坐标系；通过深度学习网络直接端到端的输出方法，能够直接实例化目标信息，简单直接的表征地面标识，无需复杂的后处理。
本文档来自技高网...【技术保护点】
1.一种基于统计先验的地面标识检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于统计先验的地面标识检测方法，其特征在于：所述步骤1中，定义地面标识的中心点为地面标识最小外接圆的圆心，定义关键点为地面标识的关键位置，所述关键位置包括地面标识的拐角。
3.根据权利要求2所述的一种基于统计先验的地面标识检测方法，其特征在于：所述关键点的数量至少为1个，其选择方式为地面标识沿竖向中轴，逆时针依次环绕地面标识的关键位置，表示为：（R，Rot）；
4.根据权利要求3所述的一种基于统计先验的地面标识检测方法，其特征在于：所述步骤1中，还包括统计所有地面标识类别内的各自关键点的平均值，表达式为：
5.根据权利要求1所述的一种基于统计先验的地面标识检测方法，其特征在于：所述步骤2中，传感器信息包括图像、激光雷达、定位和地图；
6.根据权利要求1所述的一种基于统计先验的地面标识检测方法，其特征在于：所述步骤4中，真实坐标解算成直角坐标系坐标，表达式为：
7.根据权利要求6所述的一种基于统计先验的地面标识检测方
8.基于权利要求1-7任一项所述方法的一种基于统计先验的地面标识检测系统，其特征在于：包括地面标识统计模块、地面标识识别模块、地面标识校验模块、地面标识构建模块；
9.一种电子设备，包括：包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，其特征在于，所述存储器，用于存储计算机程序；
10.一种计算机可读的存储介质，其上存储有计算机程序，其特征在于，所述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】
1.一种基于统计先验的地面标识检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于统计先验的地面标识检测方法，其特征在于：所述步骤1中，定义地面标识的中心点为地面标识最小外接圆的圆心，定义关键点为地面标识的关键位置，所述关键位置包括地面标识的拐角。
3.根据权利要求2所述的一种基于统计先验的地面标识检测方法，其特征在于：所述关键点的数量至少为1个，其选择方式为地面标识沿竖向中轴，逆时针依次环绕地面标识的关键位置，表示为：（r，rot）；
4.根据权利要求3所述的一种基于统计先验的地面标识检测方法，其特征在于：所述步骤1中，还包括统计所有地面标识类别内的各自关键点的平均值，表达式为：
5.根据权利要求1所述的一种基于统计先验的地面标识检测方法，其特征在于：所述步骤2中，传感器信息包括图像、激光雷达、定位和地图；
6.根据权利要求1所述的一种基于统计先验的地面标识检测方法，其特征在于：所述步骤4中，真...
【专利技术属性】
技术研发人员：常青，左斌，周正元，朱晶星，赖杰，衡量，
申请(专利权)人：上海友道智途科技有限公司，
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。