一種車道線數(shù)據(jù)的處理方法及裝置的制造方法
【技術領域】
[0001]本發(fā)明實施例涉及一種地圖數(shù)據(jù)處理技術，尤其涉及一種車道線數(shù)據(jù)的處理方法及裝置。
【背景技術】
[0002]三維高精地圖被工業(yè)界和學術界公認為下一代數(shù)字地圖的主要發(fā)展方向，是實現(xiàn)汽車自動駕駛和輔助駕駛的前提條件，為自動駕駛汽車進行精確定位和正確決策提供主要依據(jù)。高精地圖亦是分析道路利用狀況，實現(xiàn)智慧交通的重要戰(zhàn)略性平臺資源。三維高精地圖生產(chǎn)的核心問題集中在路面車道信息的檢測和生成，即用三維數(shù)字地圖精確重構(gòu)真實世界中的路網(wǎng)車道信息。
[0003]當前車道線檢測和生成主要有兩種方式，一種是人工生產(chǎn)方式。對照工業(yè)相機采集的道路圖像和點云信息，利用道路圖像，對拼接后的點云著色，在著色后的點云上依賴人工手工繪制標出車道線等路面車道信息；另一種是通過自動識別方式從圖像中檢測車道線，主要是利用帶通濾波器和各種先驗規(guī)則來檢測和濾除車道線。
[0004]對于第一種車道線檢測和生成方式，效率低，人力成本高。在三維點云上繪制車道線等三維線條交互困難，扭扭曲曲，人工作業(yè)效率低，而且由于點云分辨率低，極易在繪制時遺漏車道線。然而第二種車道線檢測和生成方式中所應用的算法和方案研究主要目的是服務于自動駕駛進行實時的檢測車道線，而且主要停留在實驗層面，其檢測的有效性和物理精度均達不到生產(chǎn)高精地圖的要求?？梢?，現(xiàn)有的車道線檢測和生成方法有待進一步提尚ο

【發(fā)明內(nèi)容】

[0005]本發(fā)明實施例提供一種車道線數(shù)據(jù)的處理方法及裝置，以實現(xiàn)車道線地圖數(shù)據(jù)的高效、精確識別。
[0006]第一方面，本發(fā)明實施例提供了一種車道線數(shù)據(jù)的處理方法，該方法包括:
[0007]獲取連續(xù)拍攝車道線的至少兩個原始圖像和原始圖像的定位數(shù)據(jù)；
[0008]采用深度神經(jīng)網(wǎng)絡模型，計算所述原始圖像中各像素符合車道線特征的像素置信度；
[0009]從所述原始圖像中確定車道線輪廓，作為候選車道線；
[0010]根據(jù)所述候選車道線中像素的像素置信度，計算所述候選車道線的車道線置信度；
[0011]根據(jù)所述候選車道線的車道線置信度，對所述候選車道線進行篩選；
[0012]針對篩選后的車道線，識別所述車道線的屬性信息；
[0013]根據(jù)所述車道線的屬性信息，以及所述原始圖像拍攝時的定位數(shù)據(jù)，確定所述車道線的地圖數(shù)據(jù)。
[0014]第二方面，本發(fā)明實施例還提供了一種車道線數(shù)據(jù)的處理裝置，該裝置包括:
[0015]原始圖像獲取模塊，用于獲取連續(xù)拍攝車道線的至少兩個原始圖像和原始圖像的定位數(shù)據(jù)；
[0016]像素置信度計算模塊，用于采用深度神經(jīng)網(wǎng)絡模型，計算所述原始圖像中各像素符合車道線特征的像素置信度；
[0017]候選車道線確定模塊，用于從所述原始圖像中確定車道線輪廓，作為候選車道線；
[0018]候選車道線置信度計算模塊，用于根據(jù)所述候選車道線中像素的像素置信度，計算所述候選車道線的車道線置信度；
[0019]候選車道線篩選模塊，用于根據(jù)所述候選車道線的車道線置信度，對所述候選車道線進行篩選；
[0020]車道線屬性信息識別模塊，用于針對篩選后的車道線，識別所述車道線的屬性信息;
[0021]車道線地圖數(shù)據(jù)生成模塊，用于根據(jù)所述車道線的屬性信息，以及所述原始圖像拍攝時的定位數(shù)據(jù)，確定所述車道線的地圖數(shù)據(jù)。
[0022]本發(fā)明實施例提供了一種車道線數(shù)據(jù)的處理方法及裝置，在獲取目標路段的原始圖像和原始圖像的定位數(shù)據(jù)之后，運用深度神經(jīng)網(wǎng)絡模型計算所述原始圖像中各像素符合車道線特征的像素置信度；進一步從所述原始圖像中確定候選車道線，得到候選車道線的車道線置信度，并進行車道線的去偽和去噪，然后根據(jù)篩選后的車道線進行車道線屬性信息識別，根據(jù)所述屬性信息以及所述原始圖像拍攝時的定位數(shù)據(jù)，最終確定所述車道線的地圖數(shù)據(jù)。該方法能夠高效、精確地確定車道線數(shù)據(jù)，大大降低高精地圖生產(chǎn)中的人工成本，可實現(xiàn)大規(guī)模地高精地圖生產(chǎn)。
【附圖說明】
[0023]圖1是本發(fā)明實施例一中的一種車道線數(shù)據(jù)的處理方法流程示意圖；
[0024]圖2是本發(fā)明實施例一中的三維空間中車道線擬合示意圖；
[0025]圖3是本發(fā)明實施例二中的一種車道線數(shù)據(jù)的處理裝置結(jié)構(gòu)示意圖。
【具體實施方式】
[0026]下面結(jié)合附圖和實施例對本發(fā)明作進一步的詳細說明。可以理解的是，此處所描述的具體實施例僅僅用于解釋本發(fā)明，而非對本發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本發(fā)明相關的部分而非全部結(jié)構(gòu)。
[0027]實施例一
[0028]圖1為本發(fā)明實施例一提供的一種車道線數(shù)據(jù)的處理方法流程示意圖，本實施例可適用于大規(guī)模生產(chǎn)高精地圖的情況，該方法可以由基于車道線數(shù)據(jù)的處理裝置來執(zhí)行，該裝置可以采用硬件和/或軟件的形式實現(xiàn)。
[0029]該方法具體如下:
[0030]S110、獲取連續(xù)拍攝車道線的至少兩個原始圖像和原始圖像的定位數(shù)據(jù)。
[0031]上述操作中具體可以是，通過在車輛上設置工業(yè)相機，進行每秒8-10幀的連續(xù)拍攝，采集目標路段的車道線圖像，作為原始圖像；可以通過全球定位系統(tǒng)(GlobalPosit1ning System,GPS)進行車輛定位，所述工業(yè)相機在車輛上的安裝高度、拍攝視角和拍攝姿態(tài)等內(nèi)參數(shù)據(jù)是已知的，因此可以計算出所述原始圖像的定位數(shù)據(jù)。
[0032]需要說明的是所述工業(yè)相機在車輛上的安裝位置以及安裝方法不限，只要能夠拍攝到目標路段的圖像即可，所述工業(yè)相機的種類、安裝高度以及拍攝視角也不作限定。
[0033]S120、采用深度神經(jīng)網(wǎng)絡模型，計算所述原始圖像中各像素符合車道線特征的像素置信度。
[0034]上述操作中需要預先確定深度神經(jīng)網(wǎng)絡模型，所述深度神經(jīng)網(wǎng)絡模型是通過大量的樣本數(shù)據(jù)訓練得到的，預先獲取各種路況和光線條件下的車道線圖像樣本，對車道線所在像素進行標注得到學習樣本，讓深度神經(jīng)網(wǎng)絡進行學習，確定深度神經(jīng)網(wǎng)絡模型；之后就可以直接采用所述深度神經(jīng)網(wǎng)絡模型計算所述原始圖像中各像素符合車道線特征的像素置信度，與樣本特征的相似度越高，置信度越高，反之置信度越低。例如，所述原始圖像中某一像素特征與樣本的特征一模一樣，此時所述像素的像素置信度記為1 ;如果所述原始圖像中某一像素特征與樣本的特征毫不相同，此時所述像素的像素置信度記為0。
[0035]因為道路上的車道線沒有固定的形狀，亦沒有非常明顯的特征以區(qū)別于其它路面行車信息，如導流線，箭頭和部分文字信息?，F(xiàn)實中的各種路況，如高速路，國道，市區(qū)道路以及鄉(xiāng)村公路等，在不同天氣情況和不同時間段受光照和相機性能以及車輛遮擋等影響，以及車道線本身被磨損，