[发明专利]基于点线特征融合激光的语义高精地图构建与定位方法

权利要求书

1.一种基于点线特征融合激光的语义高精地图构建方法，包括运动目标的提取与剔除步骤；其特征在于：

所述运动目标的提取与剔除步骤包括如下步骤：

1)对摄像头采集的视觉图像进行语义分割和特征提取，得到含语义类别和点线特征的视觉图像，随后获取运动目标的前景及背景；

2)将激光雷达采集的激光三维点云投影到步骤1)处理后的视觉图像平面上，将投影到运动目标上的激光点云进行三角网化，再进行深度拟合得到深度图，并为激光三维点云赋予语义类别和点线特征；

3)按下述步骤提取运动目标边界：

3.1)在深度图中，加入深度信息对运动目标进行超像素分割，并融合语义分割的结果，得到运动目标的前景与背景的超像素块；

3.2)计算超像素块之间的距离，构建图模型，并进行图像分割，准确提取运动目标边界；

4)将属于运动目标的视觉特征点和激光三维点剔除，从而构建静态高精度语义三维地图。

2.根据权利要求1所述的基于点线特征融合激光的语义高精地图构建方法，其特征在于：所述步骤3.1)中，进行超像素分割时，按公式(1)～(4)计算像素间的距离D’：

式中，d_c表示像素在LAB空间上的颜色差异值；d_d为深度差异值；d_xy为空间位置差异值；D’为最终像素距离，m、k、s分别表示颜色、深度以及空间位置在超像素分割中所占的权重。

3.根据权利要求1所述的基于点线特征融合激光的语义高精地图构建方法，其特征在于：所述步骤2)中，采用逆投影方程将空间激光点投影到图像平面。

4.根据权利要求1～3中任一项所述的基于点线特征融合激光的语义高精地图构建方法，其特征在于：该语义高精地图构建方法还包括位姿估计步骤：在步骤4)中获得的静态高精度语义三维地图的基础上，根据点线视觉特征和像素级语义类别，求解相邻两帧图像之间相对运动，同时在激光点云上提取角点、平面点特征，将基于图像求解的相对运动作为初值使用迭代最邻近点算法精确计算车辆运动参数。

5.根据权利要求4所述的基于点线特征融合激光的语义高精地图构建方法，其特征在于：采用下述步骤进行迭代优化得到更加精确的位姿估计：

1)构建如下的目标方程进行迭代求解：

其中，e_i表示前后帧误差的灰度差异，e_l表示前后帧误差的类别差异；e_d表示前后帧误差的距离差异；I、L、D的下标1代表T1时刻即前帧，下标2代表T2时刻即后帧；K为相机内参，exp(ξ^)表示前后帧的位姿变化；I表示像素灰度，L表示像素类别，D表示像素距离，p_i表示T1帧观测值，P_i表示T2帧观测值；I₁(p_i)表示T1时刻灰度观测值，表示T2时刻灰度观测值；L₁(p_i)表示T1时刻类别观测值，表示T2时刻类别观测值；D₁(p_i)表示T1时刻距离观测值，表示T2时刻距离观测值。

2)基于点、线特征以及类别联合优化的目标方程如下：

式中，δ、w、ρ分别表示灰度差异、类别差异以及距离差异所占权重，N表示超像素个数。

6.一种采用如权利要求1～5中任一项所述方法构建的语义高精地图的定位方法，其特征在于：包括如下步骤：

1)对采集的图像进行语义分割和特征提取，与地图库中调取的词袋模型进行对比，得到相似区域提名；

2)将当前激光雷达数据与从地图库调取的当前区域的激光雷达数据进行匹配，计算每个激光点的概率密度，取最大概率的位姿为当前无人车的位姿。