[发明专利]道路标识线识别方法、装置和系统

说明书

本发明实施例公开了一种道路标识线的识别方法，包括：获取周围探测信息，根据探测信息获得切片栅格图；根据切片栅格图确定模型训练样本；获取模型训练样本中的切片栅格图以及切片栅格图对应的矢量化的标识线的类别属性作为模型训练样本的样本信息；基于模型训练样本的样本信息进行模型训练以得到检测模型；基于检测模型对给定的切片栅格图进行检测以得到对应的矢量化的标识线，实现高精度地图的闭环生产，提高道路标识线的识别精度和速度，继而提高高精度地图的制作速度和效率。本发明实施例同时公开了一种道路标识线的识别装置和系统。

技术领域

本发明涉及无人车技术领域，具体涉及一种道路标识线识别方法、装置和系统。

背景技术

随着科技的发展，电子地图的应用越来越普遍。一方面，人们使用电子地图进行导航；另一方面，无人驾驶车辆可以利用电子地图对周围环境进行感知，从而控制无人驾驶车辆的转向、加速、减速等动作。

现有的电子地图普遍采用卫星地图测绘得到粗略的地图，在人工定期进行导航地图的更新，这类地图的精度不高，通常是具有几米甚至几十米的误差；并且数据维度不够，例如没有道路车道线信息，高度信息、道路形状信息以及道路坡度信息等各种维度的信息，因此对高精度地图的需求越来越高。

高精度地图是指高精度、精细化的地图，其精度就可以达到分米级。同时高精度地图包含大量的行车辅助信息，其中最重要的是对路面精确的三维表征，例如路面的几何结构、道路标识线的位置以及周边道路环境等。

传统的地图制作需要大量的人力进行地图要素的绘制，但是高精度地图的制作需要大量的地图要素信息，因此传统的地图制作手段不适用于高精度地图的制作。现有技术为了提高高精度地图的制作速度，采用机器学习算法或者深度学习算法对地图数据进行自动化检测识别。但是不论是机器学习算法还是深度学习算法，多面向的二维图像处理，无法直接处理三维点云模型。同时机器学习算法和深度学习算法都需要大量的学习样本，需要大量的人工标注。

因此现有的这两种高精度地图的制作方法的问题在于需要大量的人力资源，同时制作过程繁杂，制作速度慢，效率低。

发明内容

有鉴于此，本发明用于提供一种道路标识线识别方法、装置和系统，提高道路标识线的识别精度和速度，继而提高高精度地图的制作速度和效率。

根据本发明实施例的第一方面，提供一种道路标识线的识别方法，其特征在于，包括：获取周围探测信息，根据所述探测信息获得切片栅格图；根据所述切片栅格图确定模型训练样本；获取所述模型训练样本中的切片栅格图以及所述切片栅格图对应的矢量化的标识线的类别属性作为所述模型训练样本的样本信息；基于所述模型训练样本的样本信息进行模型训练以得到检测模型；基于所述检测模型对给定的切片栅格图进行检测以得到对应的矢量化的标识线；对所述矢量化的标识线进行校验处理；基于校验处理的所述矢量化的标识线优化所述检测模型。

可选的，所述根据所述探测信息获得二维栅格图的步骤包括：根据所述探测信息中的激光探测数据得到点云模型，所述点云模型中包括多个点云；将所述点云模型转换为二维栅格图；对所述二维栅格图进行角度规则化和切片化处理以得到所述切片栅格图。

可选的，所述点云模型为三维模型，所述二维栅格图包括点云强度栅格图和点云高度栅格图。

可选的，所述将所述点云模型转换为二维栅格图包括：确定所述点云模型的第一平面上的范围大小；切割所述第一平面以得到多个所述栅格像素，每个所述栅格像素中包括至少一个采样点云；根据所述多个栅格像素得到所述二维栅格图。

可选的，所述的识别方法还包括：在每个所述栅格像素中确定高度值最小的所述采样点云；将所述采样点云的高度值定义为所述栅格像素的高度值；将所述采样点云的强度值定义为所述栅格像素的强度值。