一种车道线自动化提取方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供一种车道线自动化提取方法、系统、电子设备及存储介质，该方法包括：获取道路原始点云投影图，标注点云投影图中的车道线轮廓点、道路面和导流带轮廓点；基于标后的点云投影图，对道路面分割模型和车道线分割模型进行训练；其中，所述车道线分割模型为基于Dlink－net的卷积神经网络，通过Dlink－net网络提取车道线mask图后，对mask图进行腐蚀膨胀去除噪点和平滑毛刺，并通过dp抽稀算法减少冗余轮廓点；通过训练后的道路面分割模型和车道线分割模型分别识别待检测点云投影图中的道路面和车道线，并基于道路面筛选出当前道路的车道线。通过该方案可以实现车道线自动提取，能减少人工参入，有效提高提取效率、降低人力成本。成本。成本。

【技术实现步骤摘要】
一种车道线自动化提取方法、装置、电子设备及存储介质


[0001]本专利技术属于高精度地图领域，尤其涉及一种车道线自动化提取方法、装置、电子设备及存储介质。

技术介绍

[0002]在高精度地图中，车道线是用于指示车辆行驶方向和车道宽度的重要标志，自动驾驶车辆可以通过视觉感知技术识别和跟踪车道线，从而确定车辆的行驶方向和位置，对于车道保持、车道切换、跟车辅助和车速控制都有着重要作用。
[0003]基于原始点云提取的车道线对于高精度地图，可以为自动驾驶车辆提供准确可靠的导航信息。当前，对于采集车实地采集的原始点云，由于存在较多的干扰信息，导致车道线筛选和判断需要人工参与，使得车道线提取效率较低，且人力成本偏高。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供了一种车道线自动化提取方法及系统，用于解决现有车道线提取效率低且人力成本高的问题。
[0005]在本专利技术实施例的第一方面，提供了一种车道线自动化提取方法，包括：
[0006]获取道路原始点云投影图，标注点云投影图中的车道线轮廓点、道路面和导流带轮廓点；
[0007]基于标注后的点云投影图，对道路面分割模型和车道线分割模型进行训练；
[0008]其中，所述车道线分割模型为基于Dlink－net的卷积神经网络，通过Dlink－net网络提取车道线mask图后，对mask图进行腐蚀膨胀去除噪点和平滑毛刺，并通过dp抽稀算法减少冗余轮廓点；
[0009]通过训练后的道路面分割模型和车道线分割模型分别识别待检测点云投影图中的道路面和车道线，并基于道路面筛选出当前道路的车道线。
[0010]在本专利技术实施例的第二方面，提供了一种车道线自动化提取系统，包括：
[0011]标注模块，用于获取道路原始点云投影图，标注点云投影图中的车道线轮廓点、道路面和导流带轮廓点；
[0012]训练模块，用于基于标注后的点云投影图，对道路面分割模型和车道线分割模型进行训练；
[0013]其中，所述车道线分割模型为基于Dlink－net的卷积神经网络，通过Dlink－net网络提取车道线mask图后，对mask图进行腐蚀膨胀去除噪点和平滑毛刺，并通过dp抽稀算法减少冗余轮廓点；
[0014]提取模块，用于通过道路面分割模型和车道线分割模型识别待检测点云投影图中的道路面和车道线，并基于道路面筛选出当前道路的车道线。
[0015]在本专利技术实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序，所述处理器执行所述计算机程序时
实现如本专利技术实施例第一方面所述方法的步骤。
[0016]在本专利技术实施例的第四方面，提供了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程序，所述计算机程序被处理器执行时实现本专利技术实施例第一方面提供的所述方法的步骤。
[0017]本专利技术实施例中，通过训练得到的Dlink车道线分割模型和道路面分割模型，对待检测点云投影进行检测分割，并基于道路面筛选提取车道线，不仅可以实现车道线自动化提取，降低人工成本，而且能够保障车道线提取效率和准确度，便于高精度地图车道线制作。
附图说明
[0018]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述的附图仅仅是本专利技术的一些实施例，对本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他附图。
[0019]图1为本专利技术一个实施例提供的一种车道线自动化提取方法的流程示意图；
[0020]图2为本专利技术一个实施例提供的车道线标注及提取的效果示意图；
[0021]图3为本专利技术一个实施例提供的一种车道线自动化提取系统的结构示意图；
[0022]图4为本专利技术的一个实施例提供的一种电子设备的结构示意图。
具体实施方式
[0023]为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本专利技术一部分实施例，而非全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0024]应当理解，本专利技术的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。此外，“第一”“第二”用于区分不同对象，并非用于描述特定顺序。
[0025]请参阅图1，本专利技术实施例提供的一种车道线自动化提取方法的流程示意图，包括：
[0026]S101、获取道路原始点云投影图，标注点云投影图中的车道线轮廓点、道路面和导流带轮廓点；
[0027]原始点云投影图是实车采集的点云对地面投影得到的图像，地面投影图中一般包含有车道线、导流带以及道路面等。
[0028]在对投影图中的车道线、道路面、导流带进行标注时，道路面需要标注出当前行驶道路的轮廓点，车道线需要标注出当前行驶道路和对向道路的车道线，导流带标注出当前行驶道路中的导流带。
[0029]其中，对所述点云投影图进行对比度增强和亮度增强。
[0030]由于点云投影图中部分车道线、道路面的反射强度不高，会导致投影图不清楚，对后续车道线提取造成困难。因此，可以对原始投影图使用对比度增强和亮度增强算法增强投影图的对比度和亮度，使得模型能够更好的提取出投影图中的车道线。
[0031]S102、基于标注后的点云投影图，对道路面分割模型和车道线分割模型进行训练；
[0032]其中，所述车道线分割模型为基于Dlink－net的卷积神经网络，通过Dlink－net网络提取车道线mask图后，对mask图进行腐蚀膨胀去除噪点和平滑毛刺，并通过dp抽稀算法减少冗余轮廓点；
[0033]Dlink－net是一种用于语义分割任务的深度卷积神经网络，主要用于解决遥感图像、医学图像等领域中的图像分割问题。通常由D－Link模块和反卷积模块两部分组成。
[0034]D－Link模块是D－LinkNet的核心部分，用于提取图像特征，其包括两个分支：一个是深度可分离卷积(Depthwise Separable Convolution)，另一个是膨胀卷积(Dilated Convolution)。两个分支的输出在进行通道上的拼接后，再通过1x1的卷积进行融合，得到最终的输出特征。
[0035]反卷积模块主要用于上采样得到高分辨率的分割结果。其由反卷积层、卷积层和D－Link模块组成。在上采样过程中，反卷积层将低分辨率的特征映射上采样到高分辨率，然后与经过卷积层和D－Link模块处理过的特征进行融合，得到更精细的分割结果。
[0036]Dlink－net相比于传统的卷积神经网络，具有更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线自动化提取方法，其特征在于，包括：获取道路原始点云投影图，标注点云投影图中的车道线轮廓点、道路面和导流带轮廓点；基于标注后的点云投影图，对道路面分割模型和车道线分割模型进行训练；其中，所述车道线分割模型为基于Dlink－net的卷积神经网络，通过Dlink－net网络提取车道线mask图后，对mask图进行腐蚀膨胀去除噪点和平滑毛刺，并通过dp抽稀算法减少冗余轮廓点；通过训练后的道路面分割模型和车道线分割模型分别识别待检测点云投影图中的道路面和车道线，并基于道路面筛选出当前道路的车道线。2.根据权利要求1所述的方法，其特征在于，所述标注点云投影图中的车道线轮廓点、道路面和导流带轮廓点还包括：对所述点云投影图进行对比度增强和亮度增强。3.根据权利要求1所述的方法，其特征在于，所述基于道路面筛选出当前道路的车道线还包括：通过骨架提取算法提取车道线的中轴线，并保存到json文件中。4.一种车道线自动化提取系统，其特征在于，至少包括：标注模块，用于获取道路原始点云投影图，标注点云投影图中的车道线轮廓点、道路面和导流带轮廓点；训练模块，用于基于标注后的点云投影图，对道路面分割模型和...

【专利技术属性】
技术研发人员：占兴培，李汉玢，何云，尹玉成，王一鹏，刘奋，
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：