[发明专利]基于深度学习的激光点云车道印刷虚线块提取方法及系统

说明书

本发明涉及一种基于深度学习的激光点云车道印刷虚线块提取方法及系统，其方法包括：获取待提取车道印刷虚线块的激光点云，并将其投影为一张或多张图像；利用训练完成的目标检测模型提取每张投影图像中的一个或多个虚线块，以及识别一个或多个虚实变化的位置；根据所述一个或多个虚实变化的位置，反演提取到的每个虚线块在激光点云的坐标信息；根据多个虚实变化的位置、所述激光点云的轨迹信息和每个虚线块的几何性质，对提取到的每个虚线块进行质检。本发明利用多维度交叉提取的方法获取虚线块，提高了虚线块的覆盖率，并降低了其错误率和漏检率，也为其他道路要素的自动化提取方法提供了新的方向。

技术领域

本发明属于车辆辅助驾驶技术领域，具体涉及一种基于深度学习的激光点云车道印刷虚线块提取方法及系统。

背景技术

自动驾驶领域中，会参考道路要素的信息进行车身定位。车道印刷线是道路中最为重要的道路要素，包含有位置信息和规制信息，并且通常制作比较规范、完整，也是自动驾驶定位技术中最重要的依赖要素。结合GNSS信号和车道印刷线的信息可以进行车道内高精度的定位。

车道印刷线按照印刷的连续性，可以分为实线和虚线。实线由于纵向特征不明显，主要用于保障横向定位精度。而虚线可以同时保障横向和纵向的定位精度。

现有的从激光点云中提取虚线块的方法包括基于强度分割的传统方法、基于深度学习的激光点云语义分割方法。并且以基于强度分割的传统方法为主，因为激光点云的直接深度学习方法，数据集标注成本极高，并且目前已经开源的相关语义分割网络对虚线块这类小目标的效果尚不到工程化应用的程度。而基于强度分割的传统方法，依赖于强度阈值的计算，最常使用的方法是大津算法。最主要的问题是不同场景的数据强度分布差异明显，例如有金属护栏、或有汽车遮挡的路段，高强度点云的占比较高，对于强度阈值的计算都有干扰，容易引起误提取和漏提取。

发明内容

为解决现有从激光点云中提取虚线块的技术成本高、准确率低、容易误提取和漏提取的问题，在本发明的第一方面提供了一种基于深度学习的激光点云车道印刷虚线块提取方法，包括：获取待提取车道印刷虚线块的激光点云，并将其投影为一张或多张图像；利用训练完成的目标检测模型提取每张投影图像中的一个或多个虚线块，以及识别一个或多个虚实变化的位置；根据所述一个或多个虚实变化的位置，反演提取到的每个虚线块在激光点云的坐标信息；根据多个虚实变化的位置、所述激光点云的轨迹信息和每个虚线块的几何性质，对提取到的每个虚线块进行质检。

在本发明的一些实施例中，所述利用训练完成的目标检测模型提取每张投影图像中的一个或多个虚线块，以及识别一个或多个虚实变化的位置包括：所述目标检测网络包括语义分割网络和目标检测网络，所述语义分割网络，用于提取每张投影图像中的一个或多个虚线块；所述目标检测网络，用于检测虚实变化的位置。

进一步的，所述语义分割网络和目标检测网络通过相同的数据集训练。

在本发明的一些实施例中，所述根据所述一个或多个虚实变化的位置，反演提取到的每个虚线块在激光点云的坐标信息包括：将提取到的每个虚线块的图像坐标反演到对应分块激光点云的局部坐标；将每个虚实变化的位置的图像坐标反演到对应分块激光点云的局部坐标；根据每个分块激光点云的序列分块切割信息，计算其在分块切割前的全局点云坐标信息。

在本发明的一些实施例中，所述根据多个虚实变化的位置、所述激光点云的轨迹信息和每个虚线块的几何性质，对提取到的每个虚线块进行质检包括：根据多个虚实变化的位置确定所述激光点云的所有虚线区间，并根据其判断每个虚线块的置信度；计算每个虚线区间中虚线块的覆盖率，并根据其判断每个虚线块的置信度。

在上述的实施例中，所述获取待提取车道印刷虚线块的激光点云，并将其投影为一张或多张图像包括：沿轨迹方向将待提取车道印刷虚线块的激光点云纵向切割成块，并将其正射投影为一张或多张图像。