[发明专利]一种基于图像点云融合的高精度交通要素目标提取方法

说明书

本发明涉及一种基于图像点云融合的高精度交通要素目标提取方法，包括：根据图像和点云数据的特征进行图像和点云数据的配准，根据配准结果利用图像对对应的点云数据进行属性赋值后得到融合数据；根据电子地图中的交通要素的特征的独立性进行分类，对图像进行基于深度学习的训练得到各个分类的目标检测模型，利用各个检测模型对图像进行各个交通要素的检测；利用语义分割网络对图像中的交通要素进行目标语义分割，将图像的分割的结果映射到点云数据，提取得到交通要素目标；将RGB数据与对应的点云数据相融合，由于图像数据与点云数据进行了高精度配准，所以对图像中目标的高精度提取，可实现对点云数据中的目标进行高精度提取。

技术领域

本发明涉及高精度地图制作生成领域，尤其涉及一种基于图像点云融合的高精度交通要素目标提取方法。

背景技术

高精度地图，通俗来讲就是精度更高、数据维度更多的电子地图。精度更高体现在精确到厘米级别，数据维度更多体现在其包括了除道路信息之外的与交通相对的周围静态信息。高精度地图将大量的行车辅助信息存储为结构化数据，比如车道周边的固定对象信息，比如交通标志、交通信号灯等指示信息。

由于高精度地图的精度为厘米级别，而生产高精度地图的点云数据为无序的，点云数据中点与点的距离一般在5cm-15cm之间，所以在点云中高精度提取交通要素，存在很多难点。传统的点云处理方法在对交通要素进行检测的精度比较低，漏检比较高，并不能完整的对整个点云数据中的交通要素进行全量提取，所以国内外有很多学者，研究利用AI技术来对点云进行处理，并提取相关的对象，在对点云进行分类的研究中，AI提出了pointNet++网络可实现对点云对象的分类，在对点云进行语义分割方面，提出了Minet网络，可实现对网络中的点云点进行分类，并形成语义级别的分割。

然而点云数据没有交通要素的属性信息，只有几何精度信息，因此基于AI技术进行点云数据的提取的信息难以保证其完整性。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于图像点云融合的高精度交通要素目标提取方法，解决现有技术中的问题。

本发明解决上述技术问题的技术方案如下：一种基于图像点云融合的高精度交通要素目标提取方法，包括：

步骤1，根据图像和点云数据的特征进行图像和点云数据的配准，根据配准结果利用所述图像对对应的点云数据进行属性赋值后得到融合数据；

步骤2，根据电子地图中的交通要素的特征的独立性进行分类，对所述图像进行基于深度学习的训练得到各个分类的目标检测模型，利用各个所述检测模型对所述图像进行各个交通要素的检测，对所述交通要素对应的点云数据进行保存；

步骤3，利用语义分割网络对所述图像中的所述交通要素进行目标语义分割，将所述图像的分割的结果映射到所述点云数据，提取得到交通要素目标。

本发明的有益效果是：将RGB数据与对应的点云数据相融合，实现高精度配准；利用配准好的数据，结合深度学习目标检测算法，可实现对目标的高精度提取，提取的结果有RGB目标和点云数据目标，由于图像数据与点云数据进行了高精度配准，所以对图像中目标的高精度提取，可实现对点云数据中的目标进行高精度提取；利用配准好的数据，结合深度学习的语义分割算法，可实现对目标的形点串进行高精度提取，以便对图像各类目标进行语义分割，同时，也可以实现对点云数据的目标进行高精度的语义提取。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤1包括：

步骤101：利用深度学习检测网络对所述图像的RGB数据以及点云数据的高精度交通要素进行提取；

步骤102：利用同名点配准方法对所述RGB数据和点云数据的相同特征目标进行高精度的匹配，利用所述RGB数据对对应的点云数据进行属性赋值，将所述深度学习检测网络预测得的交通要素属性信息和位置信息保存在指定文件中。