[发明专利]一种车道线数据的处理方法及装置

说明书

本发明实施例公开了一种车道线数据的处理方法及装置。该方法包括：获取原始图像和原始图像的定位数据；采用深度神经网络模型，计算所述原始图像中各像素符合车道线特征的像素置信度；从所述原始图像中确定车道线轮廓，作为候选车道线；计算所述候选车道线的车道线置信度；根据所述候选车道线的车道线置信度，对所述候选车道线进行筛选；针对筛选后的车道线，识别所述车道线的属性信息；根据所述车道线的属性信息，以及所述原始图像拍摄时的定位数据，确定所述车道线的地图数据。本发明实施例提供的一种车道线数据的处理方法及装置，能够高效、精确地确定车道线数据，大大降低高精地图生产中的人工成本，可实现大规模地高精地图生产。

技术领域

本发明实施例涉及一种地图数据处理技术，尤其涉及一种车道线数据的处理方法及装置。

背景技术

三维高精地图被工业界和学术界公认为下一代数字地图的主要发展方向，是实现汽车自动驾驶和辅助驾驶的前提条件，为自动驾驶汽车进行精确定位和正确决策提供主要依据。高精地图亦是分析道路利用状况，实现智慧交通的重要战略性平台资源。三维高精地图生产的核心问题集中在路面车道信息的检测和生成，即用三维数字地图精确重构真实世界中的路网车道信息。

当前车道线检测和生成主要有两种方式，一种是人工生产方式。对照工业相机采集的道路图像和点云信息，利用道路图像，对拼接后的点云着色，在着色后的点云上依赖人工手工绘制标出车道线等路面车道信息；另一种是通过自动识别方式从图像中检测车道线，主要是利用带通滤波器和各种先验规则来检测和滤除车道线。

对于第一种车道线检测和生成方式，效率低，人力成本高。在三维点云上绘制车道线等三维线条交互困难，扭扭曲曲，人工作业效率低，而且由于点云分辨率低，极易在绘制时遗漏车道线。然而第二种车道线检测和生成方式中所应用的算法和方案研究主要目的是服务于自动驾驶进行实时的检测车道线，而且主要停留在实验层面，其检测的有效性和物理精度均达不到生产高精地图的要求。可见，现有的车道线检测和生成方法有待进一步提高。

发明内容

本发明实施例提供一种车道线数据的处理方法及装置，以实现车道线地图数据的高效、精确识别。

第一方面，本发明实施例提供了一种车道线数据的处理方法，该方法包括：

获取连续拍摄车道线的至少两个原始图像和原始图像的定位数据；

采用深度神经网络模型，计算所述原始图像中各像素符合车道线特征的像素置信度；

从所述原始图像中确定车道线轮廓，作为候选车道线；

根据所述候选车道线中像素的像素置信度，计算所述候选车道线的车道线置信度；

根据所述候选车道线的车道线置信度，对所述候选车道线进行筛选；

针对筛选后的车道线，识别所述车道线的属性信息；

根据所述车道线的属性信息，以及所述原始图像拍摄时的定位数据，确定所述车道线的地图数据。

第二方面，本发明实施例还提供了一种车道线数据的处理装置，该装置包括：

原始图像获取模块，用于获取连续拍摄车道线的至少两个原始图像和原始图像的定位数据；

像素置信度计算模块，用于采用深度神经网络模型，计算所述原始图像中各像素符合车道线特征的像素置信度；

候选车道线确定模块，用于从所述原始图像中确定车道线轮廓，作为候选车道线；

候选车道线置信度计算模块，用于根据所述候选车道线中像素的像素置信度，计算所述候选车道线的车道线置信度；

候选车道线筛选模块，用于根据所述候选车道线的车道线置信度，对所述候选车道线进行筛选；