一种基于多源数据的高精地图生成方法及系统与流程

本发明涉及数据处理，尤其涉及一种基于多源数据的高精地图生成方法。

背景技术：

1、在自动驾驶技术方案中，单纯依靠车载传感器无法实现全天候超视距的感知能力，如弯道、匝道以及摄像头视线被障碍物遮挡而限制了感知边界，天气原因给传感器可靠性造成的干扰，都会使车辆无法感知超视距外的路况信息，无法提前做出加速、减速或者提前变道等操作。高精地图可以作为一种行车基础设施提供全天候超视距的感知，解决传感器感知边界和使用条件受限的问题，增强自动驾驶系统的稳健性。

2、目前，高精地图的构建主要通过载有各种传感器(如激光雷达、gps、惯性测量单元、以及摄像机等)的采集车采集原始道路数据，通过多种数据融合生成点云地图，然后通过人工标注以及自动化的语义分割算法提取出车道线以及交通标志牌的信息，最后经过人工验证完成高精地图的制作。

3、然而基于激光雷达等多传感器采集点云地图并通过人工和自动化算法标注的方式制作高精地图存在以下问题：

4、1、激光雷达造价较高，各类传感器的使用会使地图采集车成本增高，即使使用非常好的激光雷达也需要采集多次才能得到较好的效果，硬件成本和人力成本都很高昂。

5、2、道路要素提取效率低，激光雷达采集的点云数据一般只包含强度信息，无法像照片一样能够很清楚的分辨各类要素，即使人工标注也存在一定难度。自动化的识别算法也不能解决所有问题，比如车道线污损、模糊等不能被正确识别，后期的人工检查成本也比较高。

6、3、高精地图采用专业集中制图制作成本高，效率低，导致地图不能及时更新，而众包制图虽然能够快速更新，但是精度较低。高精地图的制作无法兼顾数据精度与数据鲜度。

技术实现思路

1、本发明提供了一种基于多源数据的高精地图生成方法，包括：

2、设置多种传感器，采集生成高精地图所需的数据，包括：无人机倾斜摄影影像、专业采集车拍摄影像和专业采集车激光雷达点云；

3、提取无人机倾斜摄影影像与专业采集车拍摄影像的影像特征点，对影像特征点进行融合，得到像点稀疏点云；

4、从像点稀疏点云中提取特征要素，对稀疏点云的特征要素进行立体匹配，重建密集点云；

5、将专业采集车激光雷达点云与重建的密集点云进行精度点云重定向配准，确定各高精地图元素的实际位置信息；

6、使用高精地图元素构建高精地图。

7、如上所述的一种基于多源数据的高精地图生成方法，其中，搭建立体采集环境采集生成高精地图所需的数据，具体包括：

8、下视立体采集：将立体采集环境的视角调整为向下视角，采集基于地面或者倾斜于地面的高精地图元素；

9、前视立体采集：将立体采集环境的视角调整为地面向前视角，采集垂直于地面或者倾斜于地面的高精地图元素。

10、如上所述的一种基于多源数据的高精地图生成方法，其中，进行数据融合处理，具体包括：

11、通过图像处理算法提取影像特征点；

12、对无人机倾斜摄影影像和专业采集车拍摄影像的影像中的特征点进行匹配，只保留满足几何约束的匹配，迭代遍历每一对匹配点，从而得到两度同名点或者多度同名点；

13、通过同名点对，配合初始的gps参数和imu参数，进行光束法平差，从平差的结果中获取影像的内参和外参；

14、根据影像的内参和外参感知影像重复区域的深度信息，依据深度信息进行无人机倾斜摄影影像和专业采集车拍摄影像的影像中的特征点的融合，得到融合后像点的稀疏点云，即融合后像点的初步位置信息。

15、如上所述的一种基于多源数据的高精地图生成方法，其中，影像的外参是指拍摄照片时相机的位置和姿态，影像的内参是指摄像机内部的焦距与相主点位置。

16、如上所述的一种基于多源数据的高精地图生成方法，其中，从像点稀疏点云中提取特征要素，具体包括如下子步骤：

17、计算稀疏点云的中心点；

18、计算稀疏点云中各像点对中心点的贡献率；

19、将对中心点的贡献率超过预设贡献率的像点作为特征要素。

20、本发明还提供一种基于多源数据的高精地图生成系统，包括：

21、数据采集模块21，用于设置多种传感器搭建立体采集环境，采集生成高精地图所需的数据，包括：无人机倾斜摄影影像、专业采集车拍摄影像和专业采集车激光雷达点云；

22、稀疏点云构建模块22，用于提取无人机倾斜摄影影像与专业采集车拍摄影像的影像特征点，对影像特征点进行融合，得到像点稀疏点云；

23、密集点云重建模块23，用于从像点稀疏点云中提取特征要素，对稀疏点云的特征要素进行立体匹配，重建密集点云；

24、高精地图位置信息确定模块24，用于将专业采集车激光雷达点云与重建的密集点云进行精度点云重定向配准，确定各高精地图元素的实际位置信息；

25、高精地图构建模块25，用于使用高精地图元素构建高精地图。

26、如上所述的一种基于多源数据的高精地图生成系统，其中，搭建立体采集环境采集生成高精地图所需的数据，具体包括：

27、下视立体采集：将立体采集环境的视角调整为向下视角，采集基于地面或者倾斜于地面的高精地图元素；

28、前视立体采集：将立体采集环境的视角调整为地面向前视角，采集垂直于地面或者倾斜于地面的高精地图元素。

29、如上所述的一种基于多源数据的高精地图生成系统，其中，进行数据融合处理，具体包括：

30、通过图像处理算法提取影像特征点；

31、对无人机倾斜摄影影像和专业采集车拍摄影像的影像中的特征点进行匹配，只保留满足几何约束的匹配，迭代遍历每一对匹配点，从而得到两度同名点或者多度同名点；

32、通过同名点对，配合初始的gps参数和imu参数，进行光束法平差，从平差的结果中获取影像的内参和外参；

33、根据影像的内参和外参感知影像重复区域的深度信息，依据深度信息进行无人机倾斜摄影影像和专业采集车拍摄影像的影像中的特征点的融合，得到融合后像点的稀疏点云，即融合后像点的初步位置信息。

34、如上所述的一种基于多源数据的高精地图生成系统，其中，影像的外参是指拍摄照片时相机的位置和姿态，影像的内参是指摄像机内部的焦距与相主点位置。

35、如上所述的一种基于多源数据的高精地图生成系统，其中，从像点稀疏点云中提取特征要素，具体包括如下子步骤：

36、计算稀疏点云的中心点；

37、计算稀疏点云中各像点对中心点的贡献率；

38、将对中心点的贡献率超过预设贡献率的像点作为特征要素。

39、本发明实现的有益效果如下：

40、1、构建成本低：不要求高激光束的激光点云，也不用多次进行作业。激光雷达的点云不要求高密度，通过影像匹配生成的点云弥补点云密度不够的问题。

41、2、作业效率高：通过深度学习识别点云中的特征需要很长的训练时间，且有一定几率会失败，最后仍然需要人工验证；而通过人工立体采集的方式可以在内页中很快采集到各种道路元素，并且可以多人分工协作，提升效率。