[发明专利]一种基于点云和图像的静态地图生成方法

说明书

本发明提供了一种基于点云和图像的静态地图生成方法，包括以下步骤：（1）数据采集、（2）清洗点云、（3）生产映射图像、（4）提取车道线、（5）提取地面元素、（6）通过映射关系，将图像像素坐标转到世界坐标系生成静态地图。本发明通过对获取后的点云进行多维度的处理，较大程度清洗了数据中不必要的信息，数据比较清晰，实现了对提取的数据进行循环提升实现了自动化提取地图元素，减少了人工成本，提高了标注的精度。

技术领域

本发明涉及一种静态地图生成方法，更具体的是涉及一种基于点云和图像的静态地图生成方法。

背景技术

在无人驾驶过程中，高精度的地图是必不可少的部分，激光雷达通过采集点云完成定位与建图，点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”。激光雷达分为单线激光雷达、多线激光雷达。单线激光雷达只能感知二维平面，多线激光雷达可以感知三维空间。

目前在高精度地图制作过程中，大多采用在点云图像数据上进行人工标注的方法，然而完全依赖于人工标注生产高精度地图的方法，对数据生产的工艺要求较高，人力成本高与效率低等问题，同时手工绘制容易出现不同程度的偏差从而导致地图的精度不足。

发明内容

为解决现有技术的不足，现提供一种基于点云和图像的静态地图。

一种基于点云和图像的静态地图，包括如下步骤：

S1:数据采集:通过激光雷达采集点云、每帧点云对应车位姿态、通过相机采集图像、通过激光雷达与相机标定参数；其中通过lidar采集点云(PointCloud)、每帧点云对应车位姿态(Pose)、相机采集图像、lidarcamera标定参数。

S2:清洗点云:对点云进行过滤处理筛选出必要数据；在过滤掉非地面点后，至提取存在于地面的路面元素，从而使得地图更精准，也可以有效的减少后续的计算量。

S3:生产映射图像：将S2清洗过的点云压入目标图中，将点云转换成图像；具体的来说，以鸟瞰图的方式，将点云转为呈图像，压在一张或是多张俯视图目标那个，从而使得图像中的每一个像素点均对应世界坐标中的一个区域。

S4：区域坐标的标定，预设图像中每一个像素点对应世界坐标下n*n的区域，地图区域整体转变为m*m个像素点的集合，其中定义每个像素点的位置坐标为(1,1)至(m，m)；

S5:提取车道线：对转换后的图像进行提取、计算、筛选与过滤，得到最终的车道线；

S6:提取地面元素；

S7:通过映射关系，将图像像素坐标转到世界坐标系生成静态地图；

所述S6中提取地面元素的具体步骤包括：

(1)获取S1中的数据，将多帧数据进行结合，进行S2的操作；

(2)使用滑动窗口，将图像分隔成若干子图；

(3)标注地面元素；

(4)结合S1采集的图像和标定参数，将图像中标注的元素赋颜色；

(5)通过DNN训练模型；

(6)利用训练后的模型对地面元素进行识别；

(7)将步骤(6)提取的数据放入DNN中训练步骤(5)中的模型，对模型实现迭代升级。

通过这种方式，可以将提取的数据再放到DNN中训练，循环迭代，效果越来越好。从而使得静态地图的随着使用次数的提升，更加逼近于现实状态下的路面情况。

S2中过滤处理的具体步骤包括：

(1)过滤掉相对于驾驶车辆坐标系下指定范围以外的点云；