[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

说明书

本发明公开了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视觉图像平面上，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)对运动目标进行超像素分割，计算超像素块之间的距离，构建图模型，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。本发明同时公开了采用前述方法构建的语义高精地图的定位方法。本发明通过准确剔除运动目标，使得建图更加精确、可靠。

技术领域

本发明涉及一种语义高精地图，特别是指一种基于点线特征融合激光的语义高精地图构建与定位方法。

背景技术

高精度定位是实现无人车自动驾驶的基础，为无人车路径规划、运动控制提供了基础的保障。而要实现无人车高精度定位，高精度地图是必不可少的一环。

高精度地图通常包含高精度点云地图和车道线、信号灯和路沿等语义信息。传统高精度三维地图的车道线、路沿、交通指示牌、信号灯等语义元素是通过在构建后的三维点云地图上进行人为编辑、添加的，需要耗费大量人力物力。同时由于周围环境总是处在动态变化中，即使同一场景在不同季节视觉上也存在较大差异；环境中以前存在物体也可能随着时间的变化而发生位置上的变化，因此传统的高精度地图需要经常进行更新。

无人车高精度定位是指无人车通过安装在车上的传感器(激光、毫米波、摄像头、惯性传感器、GNSS等)来进行相对于高精度地图的相对定位或者绝对坐标系下的绝对定位。相比于传统基于GPS等定位，基于高精度地图的匹配定位不受GPS信号的影响，在隧道、高架等环境下依然能运行；然而基于激光匹配的定位方法对三维高精度地图依赖较大，因而当场景发生变化时，高精度地图容易出现误匹配或者匹配不成功的情况，需要不断更新地图，运营成本高。

如何生成鲁棒的、不受动态环境影响的三维点云地图是亟待解决的关键问题。

发明内容

本发明的目的在于提供一种鲁棒性好、不受动态环境影响的基于点线特征融合激光的语义高精地图构建与定位方法。

为实现上述目的，本发明所设计的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；

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(含潜在运动目标，例如人、车等)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(super-pixel)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。

优选地，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’：