一种地面标线矢量提取方法、装置、设备及存储介质与流程

1.本技术涉及测绘领域，特别涉及一种地面标线矢量提取方法、装置、设备及存储介质。


背景技术：

2.地面标线是混凝土和沥青路面上的标志，这些标线通常涂有高反射材料，使其容易被人类视觉和自动驾驶车辆的传感器感知。因此传统的地面标线的提取是通过图像处理以及计算机视觉技术实现的。
3.目前常用的标线矢量提取技术主要包括边缘检测、阈值分割、k均值聚类以及区域增长法等，这些方法已取得显著效果。然而由于图像本身易受环境光照、亮度等环境因素，以及拍摄时的振动模糊、伪影等因素的干扰，会增加数据噪声，影响标线矢量提取的准确度。


技术实现要素：

4.本技术提供了一种地面标线矢量提取方法、装置、设备及存储介质，可以提高地面标线矢量自动提取的准确度，进而提升了矢量地图制作的自动化程度，减少大量制图的人工干预和投入。该技术方案如下：
5.一方面，本技术实施例提供了一种地面标线矢量提取方法，所述方法包括：
6.基于点云数据的语义分割结果，获取类别为地面标线的语义分割点集；
7.通过点集空间聚类算法对所述语义分割点集进行拆分，得到不同标线对应的标线点集；
8.基于点的空间特征对各个标线点集进行拆分，得到单根标线对应的标线簇，所述空间特征包括几何结构特征、方向特征以及分布特征；
9.按照所述标线簇进行标线拟合，得到各个标线簇对应的单根标线矢量；
10.基于标线相似度对所述单根标线矢量进行聚合，得到组合标线矢量。
11.另一方面，本技术实施例提供了一种地面标线矢量提取装置，所述装置包括：
12.获取模块，用于基于三维点云数据的语义分割结果，获取类别为地面标线的语义分割点集；
13.第一拆分模块，用于通过点集空间聚类算法对所述语义分割点集进行拆分，得到不同标线对应的标线点集；
14.第二拆分模块，用于基于点的空间特征对各个标线点集进行拆分，得到单根标线对应的标线簇，所述空间特征包括几何结构特征、方向特征以及分布特征；
15.拟合模块，用于按照所述标线簇进行标线拟合，得到各个标线簇对应的单根标线矢量；
16.聚合模块，用于基于标线相似度对所述单根标线矢量进行聚合，得到组合标线矢量。
17.另一方面，本技术实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器；所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述方面所述的一种地面标线矢量提取方法。
18.另一方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述方面所述的一种地面标线矢量提取方法。
19.本技术提供的技术方案至少包括以下有益效果：
20.本技术提供的一种地面标线矢量提取方法、装置、设备及存储介质，在聚类得到标线点集的基础上基于点的空间特征进一步拆分，对组合标线中的单根标线进行精细拟合提取，然后再基于标线相似度将单根标线矢量聚合恢复得到组合矢量。既可以有效地对点云数据进行矢量化提取，又能够将有空洞、缺失的地面标线矢量聚合为完整的组合标线矢量。可以提高地面标线矢量自动提取的准确度，进而提升矢量地图制作的自动化程度，减少大量制图的人工干预和投入。
附图说明
21.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。
22.图1是本技术一个示例性实施例提供的一种地面标线矢量提取方法的流程图；
23.图2是本技术另一个示例性实施例提供的一种地面标线矢量提取方法的流程图；
24.图3是本技术另一个示例性实施例提供的一种地面标线矢量提取方法的流程图；
25.图4是本技术一个示例性实施例提供的地面标线矢量提取过程的流程图；
26.图5是本技术一个示例性实施例提供的利用点云数据进行语义分割处理的结果图；
27.图6是本技术一个示例性实施例提供的标线矢量提取的效果图；
28.图7是本技术一个示例性实施例提供的标线矢量叠加识别点云的效果图；
29.图8是本技术一个示例性实施例提供的一种地面标线矢量提取装置的结构框图；
30.图9是本技术一个示例性实施例提供的计算机设备的结构框图。
具体实施方式
31.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
32.实施例一
33.请参考图1，其示出了本技术一个示例性实施例提供的一种地面标线矢量提取方法的流程图。本实施例以该方法应用于计算机设备为例进行说明，该方法包括如下步骤：
34.步骤101，基于点云数据的语义分割结果，获取类别为地面标线的语义分割点集。
35.点云数据是指在一个坐标系统中的一组向量的集合。扫描资料以点的形式记录，每一个点包含有坐标信息。这些点通常是由机载激光雷达向地面发射激光信号，然后收集
地面反射的激光信号得到。或者还可以通过获取环境图像，并从图像中提取得到点云数据。本技术对点云数据的获取方式不作限定。
36.在一种可能的实施方式中，本技术实施例基于点云数据的语义分割结果进行地面标线矢量提取。具体的，计算机设备对点云数据进行语义分割处理，基于数据点的语义信息对扫描资料进行分类，例如得到地面标线类点集、建筑类点集、交通信号灯类点集等。得到语义分割结果后，计算机设备从中获取类别为地面标线的语义分割点集。
37.可选的，计算机设备还可以基于点云数据的实例分割结果进行标线矢量提取，本技术实施例对此不作限定。
38.步骤102，通过点集空间聚类算法对语义分割点集进行拆分，得到不同标线对应的标线点集。
39.聚类算法(density-based spatial clustering of applications with noise，dbscn)是一种基于密度的聚类算法。它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。
40.计算机设备使用点集空间聚类算法将类别为地面标线的语义分割点集拆分为单个目标，即得到不同标线对应的标线点集。例如，计算机设备通过点集空间聚类算法对语义分割点集中的点进行聚类，将判别为属于同一条标线上的点划分为一个标线点集，得到车道线a点集、车道线b点集、人行横道线点集、岔路指示标线点集、掉头指示线点集等。
41.步骤103，基于点的空间特征对各个标线点集进行拆分，得到单根标线对应的标线簇，空间特征包括几何结构特征、方向特征以及分布特征。
42.地面标线复杂多样，道路中通常有结构简单、仅包含一条单线的标线，例如同向车道的分隔线，也存在结构复杂、由多条单线组合而成的标线，例如岔路指示标线、人行横道线等。对于结构简单的标线，可以直接基于标线簇中的点拟合得到。而对于结构复杂的标线，若直接进行拟合，可能导致拟合得到的标线矢量与实际不符。例如，对于由两条距离较小的直线所组成的双车道线，若直接拟合则可能得到一条宽度较大的单车道线，对于岔路指示标线若直接拟合则可能得到其它形状的非标线矢量。
43.因此在一种可能的实施方式中，为了提高标线拟合的精细度，防止标线矢量提取结果与实际不一致，计算机设备在得到标线点集的基础上进一步拆分，得到标线簇。具体的，计算机设备利用单根标线的曲率变化缓慢的特点，基于点的几何结构特征、方向特征以及分布特征拆分多线点集。得到的标线簇均为单根标线对应的点集。比如人字形的岔路指示标线，其标线点集经过拆分可得到两个单根标线对应的标线簇。
44.步骤104，按照标线簇进行标线拟合，得到各个标线簇对应的单根标线矢量。
45.标线簇为单根标线对应的点云数据集合，因此计算机设备可以直接基于标线簇中各点对应的位置信息进行拟合，得到单根标线矢量。
46.步骤105，基于标线相似度对单根标线矢量进行聚合，得到组合标线矢量。
47.由于上述步骤中对标线点集进行了拆分，因此可能存在将一条组合标线拆分为多条标线的情况。另一方面，道路标线可能存在空洞、缺失或被遮挡，也会导致一条标线被判定拆分为多条标线的情况。此外，由于点云数据存在噪声，从中得到的标线点集并非全部遵循一个连贯几何体的形态。因此，计算机设备需要对拟合得到的单根标线矢量进行补充和修正。
48.在一种可能的实施方式中，计算机设备基于单根标线矢量之间的相似度，对单根标线矢量进行聚合，得到组合标线矢量。例如，对一前一后的、空间距离较近的且方向几近一致的两根标线矢量进行聚合，得到一整根长车道线；而对于与其它单根标线矢量之间的相似度均较低的单根标线矢量，不再进行聚合处理。
49.综上所述，本技术实施例提供的方法，在聚类得到标线点集的基础上基于点的空间特征进一步拆分，对组合标线中的单根标线进行精细拟合提取，然后再基于标线相似度将单根标线矢量聚合恢复得到组合矢量。既可以有效地对点云数据进行矢量化提取，又能够将有空洞、缺失的地面标线矢量聚合为完整的组合标线矢量。可以提高地面标线矢量自动提取的准确度，进而提升矢量地图制作的自动化程度，减少大量制图的人工干预和投入。
50.实施例二
51.请参考图2，其示出了本技术另一个示例性实施例提供的一种地面标线矢量提取方法的流程图。本实施例以该方法应用于计算机设备为例进行说明，该方法包括如下步骤：
52.步骤201，基于点云数据的语义分割结果，获取类别为地面标线的语义分割点集。
53.步骤202，通过点集空间聚类算法对语义分割点集进行拆分，得到不同标线对应的标线点集。
54.步骤201至步骤202的具体实施方式可以参考上述步骤101至步骤102，本技术实施例在此不再赘述。
55.步骤203，计算点的局部张量特征，得到各点对应的张量特征矩阵。
56.在一种可能的实施方式中，本技术实施例采用基于张量特征的区域增长算法拆分标线点集。首先，计算机设备基于输入的点集计算每个点的局部张量特征，即用二阶对称的半正定张量特征值表示输入数据点对某种几何结构的可能性(显著性)。
57.局部张量特征的表达式如下：
[0058][0059]
其中，特征值λ1、λ2用于表示符合目标几何特征的可能性，特征向量用于表示数据点几何结构的方向性信息，特征差(λ
1-λ2)用于表示呈线性分布的可能性，λ1≥λ2≥0。
[0060]
步骤204，基于张量特征矩阵的特征值，过滤标线点集中非线状分布的点。
[0061]
特征差(λ
1-λ2)表明了局部点集呈线性分布的可能性，通过该特征差的值的大小可以过滤非线状分布的点集，即多根标线连接处的点集。例如，人字形的岔路指示标线中两个方向的标线的连接点。
[0062]
将不规则集群过滤后，剩余线状分布的点并对其进行拟合，可降低点集分布不规则对拟合结果的影响。
[0063]
步骤205，基于标线点集中各个标线点的局部几何结构特征、方向特征以及分布特征，对标线点集中线状连续分布的点进行聚合，得到标线簇。
[0064]
由于上述步骤中对非线状分布的点进行了过滤，因此全局标线点集中包含的单根标线点集分布已经相对独立，点集不再重叠。
[0065]
在一种可能的实施方式中，为了对标线进行精细拟合，计算机设备对线状分布的点进行聚合，将标线点集进一步拆分为标线簇，使得同一单根标线上的点为一簇。
[0066]
步骤205具体包括如下步骤：
[0067]
以最小特征差min(λ
1-λ2)对应的点为起始点，在标线点集内进行区域扩散，得到标线簇，同一标线簇内的点呈连续分布，且主方向相似。
[0068]
针对一个标线点集，计算机设备将min(λ
1-λ2)对应的点作为初始点，根据其方向信息进行区域扩散，寻找连续分布的、方向性信息相似的点聚成一簇。每次区域增长后(即标线簇更新后)，计算机设备基于新的簇内点集更新下次扩散的方向，如此循环直至当前簇不再能够更新(即不存在与当前簇连续分布且方向性信息相似的点)。若标线点集内存在剩余点，则重复上述步骤，直至不再生成新的簇。
[0069]
示意性的，对于一个标线点集，计算机设备将min(λ
1-λ2)对应的点a作为初始点进行区域扩散，在第200次更新后确定该标线点集内不存在与当前标线簇方向性信息相似的点，则结束更新得到标线簇a。同时计算机设备识别出该标线点集内存在剩余点，则继续以剩余点内min(λ
1-λ2)对应的点b为初始点进行区域扩散，得到标线簇b。若标线簇b更新结束后标线点集内无剩余点(或剩余点的数量少于数量阈值)，则完成此次拆分，即将该标线点集拆分为标线簇a和标线簇b。
[0070]
步骤206，基于数据量确定标线簇的标线簇类型，标线簇类型包括小标线簇和大标线簇。
[0071]
由于标线几何形状具有多样性，且大小不一。比如有的标线为一条短直线，有的标线较长且其中含有部分直线和部分曲线(例如沿弯路分布的车道线)。在一种可能的实施方式中，针对不同的标线簇，计算机设备采用不同的方法进行拟合。因此首先计算机设备基于簇内数据量，将标线簇分为小标线簇和大标线簇，针对两种标线簇采用不同的方式进行拟合。
[0072]
步骤207，利用最小二乘法对小标线簇进行拟合，得到对应的单根标线矢量。
[0073]
对于较小集群，计算机设备直接将其拟合为一条符合最小二乘解的直线。
[0074]
步骤208，利用距离加权法对大标线簇进行局部拟合，得到对应的单根标线矢量。
[0075]
对于较大集群，计算机设备采用局部直线拟合的方式，以拟合出不同的曲线形状。
[0076]
在一种可能的实施方式中，在进行标线聚合之前，计算机设备先通过判断簇内点集分布情况，排出误判的集群和标线。即步骤209之前，本技术实施例还可以包括如下步骤：
[0077]
步骤一，进行标线簇过滤，剔除数量少于数量阈值的标线簇。
[0078]
步骤二，计算单根标线矢量对应的标线拟合误差，将标线拟合误差大于误差阈值的单根标线矢量剔除，标线拟合误差用于表示标线宽度。
[0079]
步骤三，计算单根标线矢量对应的拟合线长度，将拟合线长度大于长度阈值的单根标线矢量剔除，拟合线长度用于表示标线长度。
[0080]
首先过滤点数量较少的簇，可以将噪声点集去除。其次，用标线拟合误差表示标线的宽度，通过标线宽度的客观限制，调整拟合误差大小，可以过滤过宽或过窄的不规则集群。用拟合线长度表示标线长度，通过标线长度的客观限制，可以过滤过长或过短的不规则集群。
[0081]
此外，在上述步骤204中，计算机设备基于特征值的过滤同时也能够过滤不规则集群，例如噪音点集、非标线点集等。
[0082]
基于上述几种方式，能够排出误判的集群，提高标线矢量提取的准确度。
[0083]
步骤209，基于标线相似度对单根标线矢量进行聚合，得到组合标线矢量。
[0084]
步骤209的具体实施方式可以参考上述步骤105，本技术实施例在此不再赘述。
[0085]
本技术实施例中，采用点集空间聚类算法dbscan，强化目标点集集中、边界非线性、非凸簇分布以及标线点集聚类的聚类效果；在聚类得到标线点集的基础上，通过分析单标线的几何结构以及点集分布、方向特征等进一步拆分，对组合标线中的单根标线进行精细拟合提取，然后再基于标线相似度将单根标线矢量聚合恢复得到组合矢量。既可以有效地对点云数据进行矢量化提取，又能够将有空洞、缺失的地面标线矢量聚合为完整的组合标线矢量。此外，通过多种方式过滤不规则集群，可以提高标线属性识别的容错性和标线矢量提取的准确率。
[0086]
实施例三
[0087]
请参考图3，其示出了本技术另一个示例性实施例提供的一种地面标线矢量提取方法的流程图。本实施例以该方法应用于计算机设备为例进行说明，该方法包括如下步骤：
[0088]
步骤301，基于点云数据的语义分割结果，获取类别为地面标线的语义分割点集。
[0089]
步骤302，通过点集空间聚类算法对语义分割点集进行拆分，得到不同标线对应的标线点集。
[0090]
步骤303，基于点的空间特征对各个标线点集进行拆分，得到单根标线对应的标线簇，空间特征包括几何结构特征、方向特征以及分布特征。
[0091]
步骤304，按照标线簇进行标线拟合，得到各个标线簇对应的单根标线矢量。
[0092]
步骤301至步骤304的具体实施方式可以参考上述步骤101至步骤104，本技术实施例在此不再赘述。
[0093]
步骤305，计算单根标线矢量之间的标线相似度，得到相似度距离矩阵。
[0094]
由于点云数据生成的车道标线点云通常伴有噪声，并非总是遵循一个连贯的几何体分布，并且实际采集环境中的标线由于遮挡、磨损等原因会导致点云图中标线有空洞或缺失，进一步导致拟合偏差的问题。此外，上述步骤拆分为标线簇的过程中，可能会将一条复杂标线拆分为多条标线。因此，计算机设备需要对拟合得到的标线矢量进行补充和修正。
[0095]
在一种可能的实施方式中，本技术实施例通过标线的聚合过程，寻找标线之间的最优组合方式，以形成合理的车道标线。该聚合过程可以类比为聚类过程，并使用层次聚类的方法，通过设置合适的距离计算方式，判断标线之间是否能够构成一条地面标线，最终找出所有符合约束条件的标线组合方式。
[0096]
层次聚类算法的基本流程如下：
[0097]
a、n个样本单独成类，g1(0)、g2(0)、
……
、gn(0)，其中0表示初始状态。
[0098]
b、更新距离矩阵d(n)，找出d(n)中的最小值，将对应的两类合并为一类。
[0099]
c、更新距离矩阵d(n+1)，并重复步骤b和c。
[0100]
当两类之间的最小距离大于给定的距离阈值，或者所有样本均成为一类的时候，结束算法。下述步骤306和307给出了算法的具体执行过程。
[0101]
由于标线几何变化通常与道路方向一致，且为了便于车辆行驶，其曲率变化相对缓慢，因此两段标线是否能串联在一起形成单车道的一条边界，更多的取决于其相对位置和几何属性是否合适。示意性的，标线相似度的计算式如下：
[0102]
distance
ij
＝min(λ1×
c_distance《is,je》+λ2×
c_angle《is,je》+λ3×
c_curvature《is,je》)
s,e＝-1,1
[0103]
s.t.
[0104][0105][0106]
其中，i、j表示标线索引，i、j＝1
…
n，s、e表示标线点集索引，-1表示末端几何，1表示首端几何，《is,je》表示标线间的连接关系，c_distance《is,je》表示标线间连接几何的长度，c_angle《is,je》表示标线间连接几何的角度变化，c_curvature《is,je》表示标线间连接几何的曲率变化，λ1、λ2、λ3表示不同条件下的权重。
[0107]
可选的，计算机设备通过设置不同的条件权重和距离阈值，以适应不同组合标线的需求。
[0108]
步骤306，将距离矩阵中距离最小值对应的两类单根标线矢量合并为一类，并更新距离矩阵。
[0109]
计算机设备计算距离矩阵中的距离最小值，并判断该距离最小值是否小于或等于距离阈值。若是，则确定该距离最小值所对应的两个单根标线矢量，并将其合并为一类，更新距离矩阵。接着，计算机设备基于更新后的距离矩阵计算距离最小值，重复执行该步骤。通过这种方式可以逐渐对相似度较高的标线进行合并，例如将由于中间有破损而被拆分为两条单行线的单根标线矢量合并为一条标线矢量。
[0110]
步骤307，响应于距离最小值大于距离阈值，停止更新距离矩阵，得到组合标线矢量，其中同一类单根标线矢量对应为一个组合标线矢量。
[0111]
若计算机设备判别距离最小值大于距离阈值，则停止更新距离矩阵，并按照当前的分类情况，拟合得到组合标线矢量。在另一种可能的情况下，若矩阵内所有样本成为一类，则计算机设备结束算法，即矩阵内的单根标线矢量均属于同一组合标线矢量。
[0112]
本技术实施例中，在聚类得到标线点集的基础上基于点的空间特征进一步拆分，对组合标线中的单根标线进行精细拟合提取，然后再基于标线相似度将单根标线矢量聚合恢复得到组合矢量，通过设置自动确定组合标线的聚类算法，确定合理的地面标线矢量，能够解决标线缺失导致标线提取错误的问题。
[0113]
结合上述各实施例，图4示出了一种地面标线矢量提取过程的流程图。如图4所示，计算机设备输入点云语义分割结果，获取其中类别为标线的点集。针对获取到的点集进行聚类，将属于同一标线上的点划分至同一标线点集中，图5示出了利用点云数据进行语义分割处理的结果图，可以看出此时部分区域内的标线未得到精细拟合，且部分标线存在缺失。基于几何结构以及方向信息等将标线点集拆分为点集簇，以便对标线进行精细拟合。通过判断点集簇的大小确定对应的拟合方式，对于较小点集簇采取全局拟合法，对于较大点集簇采取局部直线拟合法，得到对应的单标线。通过特征过滤，筛除不规则标线(即可能误判为标线的其它物体)，并基于相似度进行表现聚合，得到最终的地面标线矢量。此外，计算机设备还可以对拟合得到的标线进行后处理，以完善地面标线矢量的信息。图6示出了标线矢量提取后的效果图，对比图5可以看出此时标线更加清晰、完整。
[0114]
后处理过程中，为进一步滤除噪音，一方面计算机设备基于车道边界的最短长度、曲率变化程度等，对串联后的结果进行几何校验；另一方面引入其它要素影响，例如停止线、人行横道线、导流区标线等非标线区域，过滤误识别的标线结果。此外，对于标线几何，计算机设备可以通过几何平滑算法过滤离群噪音，保留标线端点和均匀采样的内部点集，按位置进行排序。对于标线的颜色、虚实等属性，单根标线的虚实和颜色可以通过簇内点集属性识别结果中各类型所占的比例决定，同时通过对组合标线结果中的属性变化进行统计，调整其中突变的部分，以提高属性的准确度。图7示出了提取后的标线矢量叠加识别点云的效果图。
[0115]
实施例四
[0116]
图8是本技术一个示例性实施例提供的一种地面标线矢量提取装置的结构框图，该装置包括如下结构：
[0117]
获取模块801，用于基于点云数据的语义分割结果，获取类别为地面标线的语义分割点集；
[0118]
第一拆分模块802，用于通过点集空间聚类算法对所述语义分割点集进行拆分，得到不同标线对应的标线点集；
[0119]
第二拆分模块803，用于基于点的空间特征对各个标线点集进行拆分，得到单根标线对应的标线簇，所述空间特征包括几何结构特征、方向特征以及分布特征；
[0120]
拟合模块804，用于按照所述标线簇进行标线拟合，得到各个标线簇对应的单根标线矢量；
[0121]
聚合模块805，用于基于标线相似度对所述单根标线矢量进行聚合，得到组合标线矢量。
[0122]
可选的，所述第二拆分模块803，包括：
[0123]
第一计算单元，用于计算点的局部张量特征，得到各点对应的张量特征矩阵；
[0124]
过滤单元，用于基于所述张量特征矩阵的特征值，过滤所述标线点集中非线状分布的点；
[0125]
第一聚合单元，用于基于所述标线点集中各个标线点的局部几何结构特征、方向特征以及分布特征，对所述标线点集中线状连续分布的点进行聚合，得到所述标线簇。
[0126]
可选的，所述局部张量特征的表达式如下：
[0127][0128]
其中，特征值λ1、λ2用于表示符合目标几何特征的可能性，特征向量用于表示方向性信息，特征差(λ
1-λ2)用于表示呈线性分布的可能性；
[0129]
所述第一聚合单元，还用于：
[0130]
以最小特征差min(λ
1-λ2)对应的点为起始点，在所述标线点集内进行区域扩散，得到所述标线簇，同一标线簇内的点呈连续分布，且主方向相似。
[0131]
可选的，所述拟合模块804，包括：
[0132]
确定单元，用于基于数据量确定所述标线簇的标线簇类型，所述标线簇类型包括小标线簇和大标线簇；
[0133]
第一拟合单元，用于利用最小二乘法对所述小标线簇进行拟合，得到对应的所述单根标线矢量；
[0134]
第二拟合单元，用于利用距离加权法对所述大标线簇进行局部拟合，得到对应的所述单根标线矢量。
[0135]
可选的，所述聚合模块805，包括：
[0136]
第二计算单元，用于计算所述单根标线矢量之间的所述标线相似度，得到相似度距离矩阵；
[0137]
更新单元，用于将所述距离矩阵中距离最小值对应的两类单根标线矢量合并为一类，并更新所述距离矩阵；
[0138]
第二聚合单元，用于响应于所述距离最小值大于距离阈值，停止更新所述距离矩阵，得到所述组合标线矢量，其中同一类单根标线矢量对应为一个组合标线矢量。
[0139]
可选的，所述所述标线相似度的计算式包括：
[0140]
distance
ij
＝min(λ1×
c_distance《is,je》+λ2×
c_angle《is,je》+λ3×
c_curvature《is,je》)
s,e＝-1,1
[0141]
s.t.
[0142][0143]
其中，i、j表示标线索引，s、e表示标线点集索引，-1表示末端几何，1表示首端几何，《is,je》表示标线间的连接关系，c_distance《is,je＞表示标线间连接几何的长度，c_angle＜is,je》表示标线间连接几何的角度变化，c_curvature《is,je》表示标线间连接几何的曲率变化，λ1、λ2、λ3表示不同条件下的权重。
[0144]
可选的，所述装置还包括：
[0145]
第一过滤模块，用于进行标线簇过滤，剔除数量少于数量阈值的所述标线簇；
[0146]
第二过滤模块，用于计算所述单根标线矢量对应的标线拟合误差，将所述标线拟合误差大于误差阈值的单根标线矢量剔除，所述标线拟合误差用于表示标线宽度；
[0147]
第三过滤模块，用于计算所述单根标线矢量对应的拟合线长度，将所述拟合线长度大于长度阈值的单根标线矢量剔除，所述拟合线长度用于表示标线长度。
[0148]
综上所述，本技术实施例提供的装置，在聚类得到标线点集的基础上基于点的空间特征进一步拆分，对组合标线中的单根标线进行精细拟合提取，然后再基于标线相似度将单根标线矢量聚合恢复得到组合矢量。既可以有效地对点云数据进行矢量化提取，又能够将有空洞、缺失的地面标线矢量聚合为完整的组合标线矢量。可以提高地面标线矢量自动提取的准确度，进而提升矢量地图制作的自动化程度，减少大量制图的人工干预和投入。
[0149]
实施例五
[0150]
请参考图9，其示出了本技术一个实施例提供的计算机设备的结构示意图。
[0151]
本技术中的计算机设备900可以包括一个或多个如下部件：处理器910和存储器920。
[0152]
处理器910可以包括一个或者多个处理核心。处理器910利用各种接口和线路连接整个计算机设备900内的各个部分，通过运行或执行存储在存储器920内的指令、程序、代码集或指令集，以及调用存储在存储器920内的数据，执行计算机设备900的各种功能和处理数据。可选地，处理器910可以采用数字信号处理(digital signal processing，dsp)、现场
可编程门阵列(field－programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器910可集成中央处理器(central processing unit，cpu)、图形处理单元(graphics processing unit，gpu)和调制解调器等中的一种或几种的组合。
[0153]
存储器920可以包括随机存储器(random access memory，ram)，也可以包括只读存储器(read-only memory，rom)。可选地，该存储器920包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器920可用于存储指令、程序、代码、代码集或指令集。存储器920可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等。存储数据区还可以存储计算机设备900在使用中所创建的数据等。
[0154]
除此之外，本领域技术人员可以理解，上述附图所示出的计算机设备900的结构并不构成对计算机设备900的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，计算机设备900中还包括射频电路、音频电路、wi-fi组件、电源、蓝牙组件等部件，在此不再赘述。
[0155]
本领域技术人员应该可以意识到，在上述一个或多个示例中，本技术实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读存储介质中或者作为计算机可读存储介质上的一个或多个指令或代码进行传输。计算机可读存储介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
[0156]
本公开的保护范围不限于上述的实施例，显然，本领域的技术人员可以对本公开进行各种改动和变形而不脱离本公开的范围和精神。倘若这些改动和变形属于本公开权利要求及其等同技术的范围，则本公开的意图也包含这些改动和变形在内。

技术特征：
1.一种地面标线矢量提取方法，其特征在于，所述方法包括：基于点云数据的语义分割结果，获取类别为地面标线的语义分割点集；通过点集空间聚类算法对所述语义分割点集进行拆分，得到不同标线对应的标线点集；基于点的空间特征对各个标线点集进行拆分，得到单根标线对应的标线簇，所述空间特征包括几何结构特征、方向特征以及分布特征；按照所述标线簇进行标线拟合，得到各个标线簇对应的单根标线矢量；基于标线相似度对所述单根标线矢量进行聚合，得到组合标线矢量。2.根据权利要求1所述的方法，其特征在于，所述基于点的空间特征对各个标线点集进行拆分，得到单根标线对应的标线簇，包括：计算点的局部张量特征，得到各点对应的张量特征矩阵；基于所述张量特征矩阵的特征值，过滤所述标线点集中非线状分布的点；基于所述标线点集中各个标线点的局部几何结构特征、方向特征以及分布特征，对所述标线点集中线状连续分布的点进行聚合，得到所述标线簇。3.根据权利要求2所述的方法，其特征在于，所述局部张量特征的表达式如下：其中，特征值λ1、λ2用于表示符合目标几何特征的可能性，特征向量用于表示方向性信息，特征差(λ
1-λ2)用于表示呈线性分布的可能性；所述基于所述标线点集中各个标线点的局部几何结构特征、方向特征以及分布特征，对所述标线点集中线状连续分布的点进行聚合，得到所述标线簇，包括：以最小特征差min(λ
1-λ2)对应的点为起始点，在所述标线点集内进行区域扩散，得到所述标线簇，同一标线簇内的点呈连续分布，且主方向相似。4.根据权利要求1所述的方法，其特征在于，所述按照所述标线簇进行标线拟合，得到各个标线簇对应的单根标线矢量，包括：基于数据量确定所述标线簇的标线簇类型，所述标线簇类型包括小标线簇和大标线簇；利用最小二乘法对所述小标线簇进行拟合，得到对应的所述单根标线矢量；利用距离加权法对所述大标线簇进行局部拟合，得到对应的所述单根标线矢量。5.根据权利要求1至4任一所述的方法，其特征在于，所述基于标线相似度对所述单根标线矢量进行聚合，得到组合标线矢量，包括：计算所述单根标线矢量之间的所述标线相似度，得到相似度距离矩阵；将所述距离矩阵中距离最小值对应的两类单根标线矢量合并为一类，并更新所述距离矩阵；响应于所述距离最小值大于距离阈值，停止更新所述距离矩阵，得到所述组合标线矢量，其中同一类单根标线矢量对应为一个组合标线矢量。6.根据权利要求5所述的方法，其特征在于，所述标线相似度的计算式包括：distance
ij
＝min(λ1×
c_distance<i
s
,j
e
>+λ2×
c_angle<i
s
,j
e
>+λ3×
c_curvature<i
s
,j
e
>)
s,e＝-1,1
s.t.其中，i、j表示标线索引，s、e表示标线点集索引，-1表示末端几何，1表示首端几何，<i
s
,j
e
>表示标线间的连接关系，c_distance<i
s
,j
e
>表示标线间连接几何的长度，c_angle<i
s
,j
e
>表示标线间连接几何的角度变化，c_curvature<i
s
,j
e
>表示标线间连接几何的曲率变化，λ1、λ2、λ3表示不同条件下的权重。7.根据权利要求1至4任一所述的方法，其特征在于，所述基于标线相似度对所述单根标线矢量进行聚合，得到组合标线矢量之前，所述方法还包括：进行标线簇过滤，剔除数量少于数量阈值的所述标线簇；计算所述单根标线矢量对应的标线拟合误差，将所述标线拟合误差大于误差阈值的单根标线矢量剔除，所述标线拟合误差用于表示标线宽度；计算所述单根标线矢量对应的拟合线长度，将所述拟合线长度大于长度阈值的单根标线矢量剔除，所述拟合线长度用于表示标线长度。8.一种地面标线矢量提取装置，其特征在于，所述装置包括：获取模块，用于基于点云数据的语义分割结果，获取类别为地面标线的语义分割点集；第一拆分模块，用于通过点集空间聚类算法对所述语义分割点集进行拆分，得到不同标线对应的标线点集；第二拆分模块，用于基于点的空间特征对各个标线点集进行拆分，得到单根标线对应的标线簇，所述空间特征包括几何结构特征、方向特征以及分布特征；拟合模块，用于按照所述标线簇进行标线拟合，得到各个标线簇对应的单根标线矢量；聚合模块，用于基于标线相似度对所述单根标线矢量进行聚合，得到组合标线矢量。9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器；所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的一种地面标线矢量提取方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如权利要求1至7任一所述的一种地面标线矢量提取方法。11.一种计算机程序产品，其特征在于，所述计算机程序产品在计算机设备的处理器上运行，使得所述计算机设备执行如权利要求1至7任一所述的一种地面标线矢量提取方法。

技术总结
本申请提供了一种地面标线矢量提取方法、装置、设备及存储介质，属于测绘领域。该方法包括：基于点云数据的语义分割结果，获取类别为地面标线的语义分割点集；通过点集空间聚类算法对语义分割点集进行拆分，得到不同标线对应的标线点集；基于点的空间特征对各个标线点集进行拆分，得到单根标线对应的标线簇；按照标线簇进行标线拟合，得到各个标线簇对应的单根标线矢量；基于标线相似度对单根标线矢量进行聚合，得到组合标线矢量。既可以有效地对点云数据进行矢量化提取，又能够将有空洞、缺失的地面标线矢量串为完整的组合标线矢量。可以提高地面标线矢量自动提取的准确度，进而提升了矢量地图制作的自动化程度，减少大量制图的人工干预和投入。工干预和投入。工干预和投入。


技术研发人员：张维平 杨娜 刘银 刘奇 吴泰志 伍伟绩 滕伟健 王磊 杨照杰 张浩华 韩立轩 谢伯杰
受保护的技术使用者：河北全道科技有限公司
技术研发日：2023.05.09
技术公布日：2023/9/20