一种道路标线更新方法、系统、电子设备及存储介质技术方案

本发明专利技术提供一种道路标线更新方法、系统、电子设备及存储介质，更新方法包括：对左右侧视角图像进行逆透视变换，形成图像数据；基于深度学习网络，从图像数据中提取车道标线语义特征，进而提取车道标线边缘轮廓；基于位姿信息，将车道标线边缘轮廓反算到三维空间，在局部空间与HD MAP进行全局相似性匹配；对图像数据和HD MAP的车道标线匹配结果进行差异分析，获取增删属性信息；基于增删属性信息，对HD MAP库中的车道标线数据进行更新。本发明专利技术借助图像深度学习技术，减少人为干预，提高了高精度地图更新车道标线要素的效率，相对于高精度地图制作的提取方法，成本低廉、并且有更高的更新效率。更新效率。更新效率。

【技术实现步骤摘要】
一种道路标线更新方法、系统、电子设备及存储介质


[0001]本专利技术涉及高精度地图制作领域，更具体地，涉及一种道路标线更新方法、系统、电子设备及存储介质。

技术介绍

[0002]自动驾驶高精度地图作为自动驾驶车辆不可或缺的重要组成部分，为车辆定位、路径规划、车辆节能等提供有利支撑。为保证高精地图的新鲜度，在满足精度要求的情况下，如何做到低成本、高效率的进行地图更新，成为保证地图的有效性并具有竞争力的关键。自动驾驶高精度地图更新具有以下特点：1)自动驾驶高精度地图不同于传统导航地图，其包含三维信息，而且精度要求更高。2)高精度地图是车道级地图3)地图信息更丰富、更新难度更高。综上所述，自动驾驶高精度地图的更新过程需要保证高精度、高效率。

技术实现思路

[0003]本专利技术针对现有技术中存在的技术问题，提供一种道路标线更新方法、系统、电子设备及存储介质。
[0004]根据本专利技术的第一方面，提供了一种道路标线更新方法，包括：基于相机内外参，对左右侧视角图像进行逆透视变换，将左右侧视角图像投影到与路面平行的平面上，形成图像数据；基于深度学习网络，从所述图像数据中提取车道标线语义特征，进而提取车道标线边缘轮廓；基于位姿信息，将所述车道标线边缘轮廓反算到三维空间，在局部空间与HD MAP进行全局相似性匹配；对图像数据和HD MAP的车道标线匹配结果进行差异分析，获取增删属性信息；基于所述增删属性信息，对HD MAP库中的车道标线数据进行更新。
[0005]在上述技术方案的基础上，本专利技术还可以作出如下改进。
[0006]可选的，所述基于深度学习网络，从所述图像数据中提取车道标线语义特征，进而提取车道标线边缘轮廓，包括：基于深度学习网络，对所述图像数据进行语义分割，提取出其中的车道标线语义特征；对提取的所述车道标线语义特征进行形态学处理，以平滑轮廓，提取车道标线边缘轮廓。
[0007]可选的，所述深度学习网络为BiseNet。
[0008]可选的，所述基于位姿信息，将所述车道标线边缘轮廓反算到三维空间，包括：基于里程计信息、IMU惯导数据和GPS轨迹数据确定每一帧图像数据的位姿信息；基于每一帧图像的位姿信息，将所述车道标线边缘轮廓反算到三维空间。
[0009]根据本专利技术的第二方面，提供一种道路标线更新系统，包括：投影模块，用于基于相机内外参，对左右侧视角图像进行逆透视变换，将左右侧视角图像投影到与路面平行的平面上，形成图像数据；提取模块，用于基于深度学习网络，从所述图像数据中提取车道标线语义特征，进而提取车道标线边缘轮廓；匹配模块，用于基于位姿信息，将所述车道标线边缘轮廓反算到三维空间，在局部空间与HD MAP进行全局相似性匹配；差异分析模块，用于对图像数据和HD MAP的车道标线匹配结果进行差异分析，获取增删属性信息；更新模块，用
于基于所述增删属性信息，对HD MAP库中的车道标线数据进行更新。
[0010]可选的，所述提取模块，用于基于深度学习网络，从所述图像数据中提取车道标线语义特征，进而提取车道标线边缘轮廓，包括：基于深度学习网络，对所述图像数据进行语义分割，提取出其中的车道标线语义特征；对提取的所述车道标线语义特征进行形态学处理，以平滑轮廓，提取车道标线边缘轮廓。
[0011]根据本专利技术的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现道路标线更新方法的步骤。
[0012]根据本专利技术的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现道路标线更新方法的步骤。
[0013]本专利技术提供的一种道路标线更新方法、系统、电子设备及存储介质，以左右侧拼接后的图像、里程计信息、IMU、轨迹和HD MAP为主要数据源，借助图像深度学习技术的车道标线推理结果，从图像数据中提取车道标线要素形点，借助内外参和轨迹数据将HD MAP车道标线要素和图像提取的车道标线结果进行匹配，得出差异分析的结果，进行高效率更新。本专利技术借助图像深度学习技术，减少人为干预，提高了高精度地图更新车道标线要素的效率，相对于高精度地图制作的提取方法，成本低廉、并且有更高的更新效率。
附图说明
[0014]图1为本专利技术提供的一种道路标线更新方法流程图；
[0015]图2为道路标线更新方法的整体流程图；
[0016]图3为本专利技术提供的一种道路标线更新系统的结构示意图；
[0017]图4为本专利技术提供的一种可能的电子设备的硬件结构示意图；
[0018]图5为本专利技术提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
[0019]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0020]对于自动驾驶高精度地图更新过程中的提升效率方面，可以从减少人为干预的角度出发，借助深度学习提高效率。深度学习在图像处理方面的技术较为成熟，但图像只能表达二维信息，借助多源数据融合技术可将图像的二维信息和HD MAP的三维信息进行匹配。在提高精度方面，可以考虑采用非行驶方向的采集视角，即在车顶两侧各安装一台相机，采集车身两侧的图片进行拼接，降低由于畸变和景深对精度造成的影响。
[0021]实施例一
[0022]一种道路标线更新方法，参见图1，该更新方法包括以下步骤：
[0023]S1，基于相机内外参，对左右侧视角图像进行逆透视变换，将左右侧视角图像投影到与路面平行的平面上，形成图像数据。
[0024]需要说明的是，本专利技术所用到的数据包括车身左右侧视角图像、相机内外参、高精度地图HD MAP、GPS轨迹数据、IMU惯导数据和里程计数据。其中，在车顶两侧各安装一台相机，以及在车上安装有全球定位系统GPS和惯导单元IMU以及里程计，分别用来采集车辆的GPS轨迹信息、IMU信息和里程计信息。
[0025]可以理解的是，对采集的左右侧视图的图像进行逆透视变换，将图像投影到与路面平行的平面上，构成图像数据。该步骤的数据源由以往的前视角度图像变更为左右侧视角图像，缩短了临近范围内道路标线与相机的视距，提高了分辨率，提高步骤S2语义分割的精度，再经过透视变换，以鸟瞰图的角度作后续处理，降低畸变对精度的影响。
[0026]S2，基于深度学习网络，从所述图像数据中提取车道标线语义特征，进而提取车道标线边缘轮廓。
[0027]作为实施例，所述基于深度学习网络，从所述图像数据中提取车道标线语义特征，进而提取车道标线边缘轮廓，包括：基于深度学习网络，对所述图像数据进行语义分割，提取出其中的车道标线语义特征；对提取的所述车道标线语义特征进行形态学处理，以平滑轮廓，提取车道标线边缘轮廓。
[0028]具体的，选取深度学习网络，例如BiseNet，对步骤S1处理过的图像进行语义分割，提取出车道标线语义特征。该步骤S2只依赖图像作为数据源，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种道路标线更新方法，其特征在于，包括：基于相机内外参，对左右侧视角图像进行逆透视变换，将左右侧视角图像投影到与路面平行的平面上，获取图像数据；基于深度学习网络，从所述图像数据中提取车道标线语义特征，进而提取车道标线边缘轮廓；基于位姿信息，将所述车道标线边缘轮廓反算到三维空间，在局部空间与HD MAP进行全局相似性匹配；对图像数据和HD MAP的车道标线匹配结果进行差异分析，获取增删属性信息；基于所述增删属性信息，对HD MAP库中的车道标线数据进行更新。2.根据权利要求1所述的道路标线更新方法，其特征在于，所述基于深度学习网络，从所述图像数据中提取车道标线语义特征，进而提取车道标线边缘轮廓，包括：基于深度学习网络，对所述图像数据进行语义分割，提取出其中的车道标线语义特征；对提取的所述车道标线语义特征进行形态学处理，以平滑轮廓，提取车道标线边缘轮廓。3.根据权利要求1或2所述的道路标线更新方法，其特征在于，所述深度学习网络为BiseNet。4.根据权利要求1所述的道路标线更新方法，其特征在于，所述基于位姿信息，将所述车道标线边缘轮廓反算到三维空间，包括：基于里程计信息、IMU惯导数据和GPS轨迹数据确定每一帧图像数据的位姿信息；基于每一帧图像的位姿信息，将所述车道标线边缘轮廓反算到三维空间。5.一种道路标线更新系统，其特征在于，包括：投影模块，用于基于相机内...

【专利技术属性】
技术研发人员：刘春成，惠念，李汉玢，
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：