本发明涉及自动驾驶技术领域，具体涉及一种交通信号灯车道级控制关系提取方法及装置。
背景技术：
高精度地图是一种致力于服务汽车自动驾驶的地图制作技术和方法，拥有其他自动驾驶传感器所没有的先天优势，尤其是在一些路况复杂、干扰因素较多、gps信号较差的路段，高精度的“超视距”、“不可感知”和“先验知识”等特性使其正在自动驾驶领域不可替代。常用来辅助自动驾驶车辆进行环境感知、车身定位和决策判断，实现车道级的路径规划和导航。
在复杂交叉路口环境下，多个方向的车流和行人在这里汇集交汇，路权发生冲突，所以需要依赖交通信号灯的相位变化对路权进行重新分配。自动驾驶车按照所规划车道级路径行驶，通过路口时，需要从扫描到的交通信号中找出直接支配当前车道路权的交通信号，并根据实时的交通信号做出是否继续行驶的决策。受车载传感器感知范围和交叉路口复杂交通状况的限制，这一过程并不轻松，决策预判的可靠性大大降低。
技术实现要素：
本发明针对现有技术中存在的技术问题，提供一种交通信号灯车道级控制关系提取方法及装置，根据交通信号灯的朝向、位置、类型等特征，结合进入路口的各个车道左转、右转、掉头等转向规制，自动化提取交通信号灯与车道的控制关系，有效提高决策预判的可靠性。
本发明解决上述技术问题的技术方案如下：
本发明一方面提供一种交通信号灯车道级控制关系提取方法，包括以下步骤：
步骤1，采集前进方向道路路口的激光点云数据和高清实景图像数据，并基于数据融合技术，对所述激光点云数据和所述高清实景图像数据进行位置匹配；
步骤2，基于图像语义分割技术从激光点云中自动检测交通信号灯，提取交通信号灯的边界轮廓坐标；从高清实景图像数据中提取所述边界轮廓坐标内的交通信号灯图像的特征信息，判断所述交通信号灯的类型；
步骤3，根据所述交通信号灯的类型将所述交通信号灯与相应的车道匹配，得到所述交通信号灯的车道级控制关系。
进一步，所述步骤2还包括从所述激光点云数据中提取车道边界，从高清实景图像数据中提取地面标识的车道转向信息。
进一步，步骤2中所述的从高清实景图像数据中提取所述边界轮廓坐标内的交通信号灯图像的特征信息，判断所述交通信号灯的类型，包括：
根据所述交通信号灯的边界轮廓坐标，从高清实景图像数据中提取所述交通信号灯图像并分析获取所述交通信号灯的特征信息，基于深度学习方法将所述特征信息与标准信号灯模型特征信息做比对，判断所述交通信号灯是否为机动车信号灯或方向指示灯。
进一步，所述步骤3包括：
若所述交通信号灯为机动车信号灯，则将所述交通信号灯与各个车道进行关联，得到所述交通信号灯的车道级控制关系；
若所述交通信号灯为方向指示灯，则根据所述车道转向信息，将所述交通信号灯与相应的车道关联，得到所述交通信号灯的车道级控制关系。
本发明另一方面提供一种交通信号灯车道级控制关系提取装置，包括：
数据采集及融合模块，用于采集前进方向道路路口的激光点云数据和高清实景图像数据，并基于数据融合技术，对所述激光点云数据和所述高清实景图像数据进行位置匹配；
类型判断模块，用于基于图像语义分割技术从激光点云中自动检测交通信号灯，提取交通信号灯的边界轮廓坐标；从高清实景图像数据中提取所述边界轮廓坐标内的交通信号灯图像的特征信息，判断所述交通信号灯的类型；
匹配模块，用于根据所述交通信号灯的类型将所述交通信号灯与相应的车道匹配，得到所述交通信号灯的车道级控制关系。
进一步，所述类型判断模块还用于从所述激光点云数据中提取车道边界，从高清实景图像数据中提取地面标识的车道转向信息。
进一步，所述的从高清实景图像数据中提取所述边界轮廓坐标内的交通信号灯图像的特征信息，判断所述交通信号灯的类型，包括：
根据所述交通信号灯的边界轮廓坐标，从高清实景图像数据中提取所述交通信号灯图像并分析获取所述交通信号灯的特征信息，基于深度学习方法将所述特征信息与标准信号灯模型特征信息做比对，判断所述交通信号灯是否为机动车信号灯或方向指示灯。
进一步，所述匹配模块具体用于：
若所述交通信号灯为机动车信号灯，则将所述交通信号灯与各个车道进行关联，得到所述交通信号灯的车道级控制关系；
若所述交通信号灯为方向指示灯，则根据所述车道转向信息，将所述交通信号灯与相应的车道关联，得到所述交通信号灯的车道级控制关系。
本发明的有益效果是：自动驾驶车按照车道级的路径行驶，经过交叉路口时，从高精度地图数据中得到受控信号灯的位置及属性信息，配合其他类型传感器一起进行环境感知和车身定位，从而有针对性解译交通信号，大大地提高自动驾驶车辆对交通信号的处理效率和准确度。
附图说明
图1为本发明实施例提供的一种交通信号灯车道级控制关系提取方法流程图；
图2为本发明本发明实施例提供的一种交通信号灯车道级控制关系提取装置结构示意图。
具体实施方式
以下结合实例对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明实施例提供的一种交通信号灯车道级控制关系提取方法流程图，如图1所示，该方法包括以下步骤：
步骤1，采集前进方向道路路口的激光点云数据和高清实景图像数据，并基于数据融合技术，对所述激光点云数据和所述高清实景图像数据进行位置匹配；
步骤2，基于图像语义分割技术从激光点云中自动检测交通信号灯，提取交通信号灯的边界轮廓坐标；从高清实景图像数据中提取所述边界轮廓坐标内的交通信号灯图像的特征信息，判断所述交通信号灯的类型；
步骤3，根据所述交通信号灯的类型将所述交通信号灯与相应的车道匹配，得到所述交通信号灯的车道级控制关系。
进一步，所述步骤2还包括从所述激光点云数据中提取车道边界，从高清实景图像数据中提取地面标识的车道转向信息。
进一步，步骤2中所述的从高清实景图像数据中提取所述边界轮廓坐标内的交通信号灯图像的特征信息，判断所述交通信号灯的类型，包括：
根据所述交通信号灯的边界轮廓坐标，从高清实景图像数据中提取所述交通信号灯图像并分析获取所述交通信号灯的特征信息，基于深度学习方法将所述特征信息与标准信号灯模型特征信息做比对，判断所述交通信号灯是否为机动车信号灯或方向指示灯。
进一步，所述步骤3包括：
若所述交通信号灯为机动车信号灯，则将所述交通信号灯与各个车道进行关联，得到所述交通信号灯的车道级控制关系；若存在与主路关联的辅路，则辅路继承主路所关联的交通信号灯。
若所述交通信号灯为方向指示灯，则根据所述车道转向信息，将所述交通信号灯与相应的车道关联，得到所述交通信号灯的车道级控制关系。
本发明另一方面提供一种交通信号灯车道级控制关系提取装置，如图2所示，包括：
数据采集及融合模块，用于采集前进方向道路路口的激光点云数据和高清实景图像数据，并基于数据融合技术，对所述激光点云数据和所述高清实景图像数据进行位置匹配；
类型判断模块，用于基于图像语义分割技术从激光点云中自动检测交通信号灯，提取交通信号灯的边界轮廓坐标；从高清实景图像数据中提取所述边界轮廓坐标内的交通信号灯图像的特征信息，判断所述交通信号灯的类型；
匹配模块，用于根据所述交通信号灯的类型将所述交通信号灯与相应的车道匹配，得到所述交通信号灯的车道级控制关系。
进一步，所述类型判断模块还用于从所述激光点云数据中提取车道边界，从高清实景图像数据中提取地面标识的车道转向信息。
进一步，所述的从高清实景图像数据中提取所述边界轮廓坐标内的交通信号灯图像的特征信息，判断所述交通信号灯的类型，包括：
根据所述交通信号灯的边界轮廓坐标，从高清实景图像数据中提取所述交通信号灯图像并分析获取所述交通信号灯的特征信息，基于深度学习方法将所述特征信息与标准信号灯模型特征信息做比对，判断所述交通信号灯是否为机动车信号灯或方向指示灯。
进一步，所述匹配模块具体用于：
若所述交通信号灯为机动车信号灯，则将所述交通信号灯与各个车道进行关联，得到所述交通信号灯的车道级控制关系；若存在与主路关联的辅路，则辅路继承主路所关联的交通信号灯。
若所述交通信号灯为方向指示灯，则根据所述车道转向信息，将所述交通信号灯与相应的车道关联，得到所述交通信号灯的车道级控制关系。
本发明的有益效果是：自动驾驶车按照车道级的路径行驶，经过交叉路口时，从高精度地图数据中得到受控信号灯的位置及属性信息，配合其他类型传感器一起进行环境感知和车身定位，从而有针对性解译交通信号，大大地提高自动驾驶车辆对交通信号的处理效率和准确度。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。