一種基于地圖車采集的地庫激光點云中車輛自動提取方法技術

本發明專利技術涉及一種基于地圖車采集的地庫激光點云中車輛自動提取方法，包括：在地圖采集車上配置激光雷達和魚眼相機，分別進行點云數據和圖像數據的采集；獲取點云數據和圖像數據的位置匹配參數；對點云數據和圖像數據進行特征融合后得到特征融合數據，基于特征融合數據訓練得到車輛的3D目標檢測網絡模型，將待檢測的點云數據和圖像數據的特征融合數據輸入訓練好的3D目標檢測網絡模型，3D目標檢測網絡模型輸出點云數據中的車輛位置信息；為行駛車輛提高其他車輛的位置信息輔助地圖制作人員對地庫地圖的制作。地庫地圖的制作。地庫地圖的制作。

【技術實現步驟摘要】
一種基于地圖車采集的地庫激光點云中車輛自動提取方法


[0001]本專利技術涉及高精度地圖生產領域，尤其涉及一種基于地圖車采集的地庫激光點云中車輛自動提取方法。

技術介紹

[0002]在高精度地圖制作中，需要對采集的激光點云和圖像中的車輛進行自動識別，以便及時獲取其他車輛的位置信息，以便輔助車輛進行安全行駛避障、合理規劃選擇行駛方向等。用人工進行制作，無法保證信息的實效性。所以需要對當前地庫車輛情況進行實時監測，以便及時輔助車輛獲知當前車輛周圍地庫中的其他車輛信息。能夠輔助駕駛員便捷的做出車輛行駛應對措施。

技術實現思路

[0003]本專利技術針對現有技術中存在的技術問題，提供一種基于地圖車采集的地庫激光點云中車輛自動提取方法，為行駛車輛提高其他車輛的位置信息輔助地圖制作人員對地庫地圖的制作。
[0004]根據本專利技術的第一方面，提供了一種基于地圖車采集的地庫激光點云中車輛自動提取方法，包括：步驟1，在地圖采集車上配置激光雷達和魚眼相機，分別進行點云數據和圖像數據的采集；
[0005]步驟2，獲取所述點云數據和圖像數據的位置匹配參數；
[0006]步驟3，對所述點云數據和圖像數據進行特征融合后得到特征融合數據，基于所述特征融合數據訓練得到車輛的3D目標檢測網絡模型，將待檢測的所述點云數據和圖像數據的特征融合數據輸入訓練好的所述3D目標檢測網絡模型，所述3D目標檢測網絡模型輸出點云數據中的車輛位置信息。
[0007]在上述技術方案的基礎上，本專利技術還可以作出如下改進。<br/>[0008]可選的，所述魚眼相機數量為四個，分別設置在車輛的前后左右四個方向上。
[0009]可選的，所述步驟2包括：獲取魚眼相機圖像坐標系到相機坐標系的轉換關系；獲取相機坐標系到激光點云坐標系之間的轉換關系；根據多組的轉換關系通過參數擬合分別獲取所述點云數據和各個魚眼相機采集的圖像數據直接的位置匹配參數信息。
[0010]可選的，所述魚眼相機圖像坐標系到相機坐標系的轉換關系采用魚眼相機模型，所述魚眼相機模型中透鏡組的映射關系r＝f*d(θ)；
[0011]d(θ)＝θ+k1θ3+k2θ5+k3θ7+k4θ9；參數k1、k2、k3、k4的值以及魚眼相機內參通過標定得到；獲取所述相機坐標系到激光點云坐標系之間的轉換關系的過程包括：通過激光雷達對標定板進行掃描，根據傳感器的原點到標定板的距離對應性，求得激光雷達點云數據與各個所述魚眼相機獲取的圖像數據的映射關系。
[0012]可選的，所述步驟3中對所述點云數據和圖像數據進行特征融合包括：
[0013]沿著車輛行駛方向，將單幀雷達激光點云和其對應時刻的四個魚眼相機的圖像數
據特征進行特征融合。
[0014]可選的，所述步驟3之后還包括：
[0015]步驟4，獲取車輛周圍小范圍內的點云數據，根據其點云強度信息、實際車輛的大小比例以及地面高度，對提取的信息進行局部修正并對非車輛目標進行過濾篩選。
[0016]可選的，所述步驟3之后還包括：
[0017]步驟5，根據雷達激光點云和對應攝像機的標定參數信息，獲取各個魚眼相機中的車輛坐標信息；將提取的車輛的三維激光點云中的位置信息以及魚眼相機圖像中的位置信息反饋給高精度地圖制作系統中。
[0018]根據本專利技術的第二方面，提供一種基于地圖車采集的地庫激光點云中車輛自動提取系統，包括：數據采集模塊、參數匹配模塊和提取模塊；
[0019]所述數據采集模塊，用于在地圖采集車上配置激光雷達和魚眼相機，分別進行點云數據和圖像數據的采集；
[0020]所述參數匹配模塊，用于獲取所述點云數據和圖像數據的位置匹配參數；
[0021]所述提取模塊，用于對所述點云數據和圖像數據進行特征融合后得到特征融合數據，基于所述特征融合數據訓練得到車輛的3D目標檢測網絡模型，將待檢測的所述點云數據和圖像數據的特征融合數據輸入訓練好的所述3D目標檢測網絡模型，所述3D目標檢測網絡模型輸出點云數據中的車輛位置信息。
[0022]根據本專利技術的第三方面，提供了一種電子設備，包括存儲器、處理器，所述處理器用于執行存儲器中存儲的計算機管理類程序時實現基于地圖車采集的地庫激光點云中車輛自動提取方法的步驟。
[0023]根據本專利技術的第四方面，提供了一種計算機可讀存儲介質，其上存儲有計算機管理類程序，所述計算機管理類程序被處理器執行時實現基于地圖車采集的地庫激光點云中車輛自動提取方法的步驟。
[0024]本專利技術提供的一種基于地圖車采集的地庫激光點云中車輛自動提取方法、系統、電子設備及存儲介質，提取的車輛較全，對魚眼相機和雷達激光點云進行標定后，融合激光點云特征和前后左右四個方向的圖片特征進行提取，對周圍的車輛信息提取更加全面；同時，采用深度學習網絡，提高了泛化能力，加快了提取速度，具有更高的時效性；符合高精度地圖的精度需求，通過傳統方法的閾值設置以及對應特征的提取修正過濾，使得提取的精度較高，符合高精度地圖制作的高精度需求。
附圖說明
[0025]圖1為本專利技術提供的一種基于地圖車采集的地庫激光點云中車輛自動提取的流程圖；
[0026]圖2(a)為本專利技術實施例提供的單幀的激光點云圖；
[0027]圖2(b)為本專利技術實施例提供的前置魚眼相機圖像；
[0028]圖2(c)為本專利技術實施例提供的激光點云與前置魚眼相機圖像經過魚眼相機的標定以及激光雷達與相機標定后的點的映射關系示意圖；
[0029]圖3(a)為專利技術實施例提供的單幀激光點云經過網絡推理以及處理后得到的目標框信息示意圖；
[0030]圖3(b)為本專利技術實施例提供的該點云提取中的目標在前魚眼相機中對應的圖像中的目標包圍框二維點坐標信息的示意圖；
[0031]圖3(c)為本專利技術實施例提供的該點云提取中的目標在后魚眼相機中對應的圖像中的目標包圍框二維點坐標信息的示意圖；
[0032]圖4為本專利技術提供的一種基于地圖車采集的地庫激光點云中車輛自動提取系統的結構框圖；
[0033]圖5為本專利技術提供的一種可能的電子設備的硬件結構示意圖；
[0034]圖6為本專利技術提供的一種可能的計算機可讀存儲介質的硬件結構示意圖。
具體實施方式
[0035]以下結合附圖對本專利技術的原理和特征進行描述，所舉實例只用于解釋本專利技術，并非用于限定本專利技術的范圍。
[0036]圖1為本專利技術提供的一種基于地圖車采集的地庫激光點云中車輛自動提取方法的流程圖，如圖1所示，車輛自動提取方法包括：
[0037]步驟1，在地圖采集車上配置激光雷達和魚眼相機，分別進行點云數據和圖像數據的采集。
[0038]步驟2，獲取點云數據和圖像數據的位置匹配參數。
[0039]步驟3，對點云數據和圖像數據進行特征融合后得到特征融合數據，基于特征融合數據訓練得到車輛的3D目標檢測網絡模型，將待檢測的點云數據和圖像數據的特征融合數據輸入訓練好的3D目標檢測網絡模型，3D本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于地圖車采集的地庫激光點云中車輛自動提取方法，其特征在于，所述車輛自動提取方法包括：步驟1，在地圖采集車上配置激光雷達和魚眼相機，分別進行點云數據和圖像數據的采集；步驟2，獲取所述點云數據和圖像數據的位置匹配參數；步驟3，對所述點云數據和圖像數據進行特征融合后得到特征融合數據，基于所述特征融合數據訓練得到車輛的3D目標檢測網絡模型，將待檢測的所述點云數據和圖像數據的特征融合數據輸入訓練好的所述3D目標檢測網絡模型，所述3D目標檢測網絡模型輸出點云數據中的車輛位置信息。2.根據權利要求1所述的車輛自動提取方法，其特征在于，所述魚眼相機數量為四個，分別設置在車輛的前后左右四個方向上。3.根據權利要求1所述的車輛自動提取方法，其特征在于，所述步驟2包括：獲取魚眼相機圖像坐標系到相機坐標系的轉換關系；獲取相機坐標系到激光點云坐標系之間的轉換關系；根據多組的轉換關系通過參數擬合分別獲取所述點云數據和各個魚眼相機采集的圖像數據直接的位置匹配參數信息。4.根據權利要求3所述的車輛自動提取方法，其特征在于，所述魚眼相機圖像坐標系到相機坐標系的轉換關系采用魚眼相機模型，所述魚眼相機模型中透鏡組的映射關系r＝f*d(θ)；d(θ)＝θ+k1θ3+k2θ5+k3θ7+k4θ9；參數k1、k2、k3、k4的值以及魚眼相機內參通過標定得到；獲取所述相機坐標系到激光點云坐標系之間的轉換關系的過程包括：通過激光雷達對標定板進行掃描，根據傳感器的原點到標定板的距離對應性，求得激光雷達點云數據與各個所述魚眼相機獲取的圖像數據的映射關系。5.根據權利要求2所述的車輛自動提取方法，其特征在于，所述步驟3中對所述點云數據和圖像數據進行特征融合包括：沿著車輛行駛方向，將單幀雷達激光點云和其對應時刻的四個魚眼相機的圖像數據特征進行特...

【專利技術屬性】
技術研發人員：何豪杰，萬齊斌，王暢，何云，劉奮，
申請(專利權)人：武漢中海庭數據技術有限公司，
類型：發明
國別省市：