一种路面可通行区域提取方法及提取系统与流程

1.本发明涉及自动驾驶环境感知领域，更具体地，涉及一种路面可通行区域提取方法及提取系统。


背景技术：

2.自动驾驶高精度地图作为自动驾驶车辆不可或缺的重要组成部分，为车辆定位、安全驾驶、路径规划、车辆节能等提供有利支撑。但在自动驾驶的真实场景中，为尽量保证自动驾驶的安全，必然是在多源数据融合下的对环境进行感知。所以在拥有高精度地图(hd map)的基础保障外，应发挥传感器各自的优势，提高环境感知信息的可靠度。其中实时可通行区域的提取变得尤为重要，属于车辆行驶过程中的安全区，车辆所有的实时行驶操作均在可通行区域提取的前提之下进行。而且可通行区域的实时提取也对可地图更新的参考信息。在此目的的基础之上，为了达到实时、高效的感知效果，需要采用前沿的图像深度学习技术保证感知结果的准确性。


技术实现要素：

3.本发明针对现有技术中存在的技术问题，提供一种路面可通行区域提取方法及提取系统。
4.根据本发明的第一方面，提供了一种路面可通行区域提取方法，包括：基于点云数据，提取点云路面；基于深度学习语义分割模型分割出图像数据中的路面可通行区域；基于位姿信息，将分割出的图像可通行区域逆透视变换到点云数据的三维空间；基于逆透视变换到点云数据的三维空间的图像可通行区域，从所述点云路面中提取点云可通行区域；对所述点云可通行区域进行安全等级划分，并对不同等级的区域进行边界矢量化。
5.在上述技术方案的基础上，本发明还可以作出如下改进。
6.可选的，所述基于点云数据，提取点云路面，包括：
7.对每一帧点云数据进行航向等间距分块，得到多个点云数据块，每个点云数据块中包含多个点云点；
8.对于任一点云数据块，选取地面种子点，并基于所述地面种子点，获取多个初始地面点；
9.基于地面种子点和多个初始地面点，进行平面拟合，得到初始拟合平面；
10.基于所述任一点云数据块中的每一个点云点与所述初始拟合平面的距离更新地面点；
11.基于更新后的地面点，重新进行平面拟合，经过多次迭代平面拟合，最后更新得到的地面点为点云路面提取结果。
12.可选的，所述每一帧点云数据均对应一个gps轨迹点，所述对于任一点云数据块，选取地面种子点，并基于所述地面种子点，获取多个初始地面点，包括：
13.将gps轨迹点和每一帧点云数据均换算到点云xoy平面；
14.对于任一点云数据块中的所有点云点，计算每一个点云点与gps轨迹点之间的距离，将与gps轨迹点之间的距离最小的点云点作为地面种子点；
15.以所述地面种子点为中心点，搜索所述任一点云数据块中预设半径内的点云点，将地面种子点和预设半径内的点云点作为初始地面点。
16.可选的，所述基于所述任一点云数据块中的每一个点云点与所述初始拟合平面的距离更新地面点，包括：
17.计算任一点云数据块中除去所述初始地面点外的其它每一个点云点到所述初始拟合平面的距离值，将距离值小于预设距离阈值的点云点纳入地面点，以更新地面点。
18.可选的，所述基于更新后的地面点，重新进行平面拟合，经过多次迭代平面拟合，最后更新得到的地面点为点云路面提取结果，包括：
19.基于更新后的地面点，重新拟合平面，再次基于所述任一点云数据块中的每一个点云点与重新拟合的平面的距离更新地面点；
20.重新迭代拟合平面，直到所述任一点云数据块中的每一个点云点与重新拟合的平面的距离均大于预设距离阈值，将最终获取的地面点作为点云路面提取结果。
21.可选的，通过如下方式获取位姿信息：
22.基于初始化位姿信息，将高精度地图hd map中的标志物要素转换到图像坐标系；
23.在图像坐标系下，将hd map中的标志物要素与从图像数据中语义分割出的相同标志物要素进行匹配，得到匹配结果；
24.基于匹配结果以及gps信息和imu数据，对初始化位姿信息进行优化；
25.相应的，基于优化后的位姿信息，将分割出的图像可通行区域逆透视变换到点云数据的三维空间。
26.可选的，所述基于逆透视变换到点云数据的三维空间的图像可通行区域，从所述点云路面中提取点云可通行区域，包括：
27.将逆透视变换到点云数据的三维空间的图像可通行区域到所述点云路面中匹配，获取所述点云路面中匹配的点云可通行区域。
28.可选的，所述不同等级的区域包括绝对安全区、相对安全区和无相对安全区，所述对所述点云可通行区域进行安全等级划分，并对不同等级的区域进行边界矢量化，包括：
29.当hd map路面范围小于点云可通行区域时，所述绝对安全区hd map路面范围，所述相对安全区为点云可通行区域减去hamap路面范围的区域；
30.当hd map路面范围大于点云可通行区域时，所述绝对安全区为点云可通行区域，所述无相对安全区为hd map路面范围减去点云可通行区域的其它区域；
31.对不同等级的安全区域进行左右边界矢量化。
32.根据本发明的第二方面，提供一种路面可通行区域提取系统，包括：
33.第一提取模块，用于基于点云数据，提取点云路面；
34.分割模块，用于基于深度学习语义分割模型分割出图像数据中的路面可通行区域；
35.变换模块，用于基于位姿信息，将分割出的图像可通行区域逆透视变换到点云数据的三维空间；
36.第二提取模块，用于基于逆透视变换到点云数据的三维空间的图像可通行区域，
从所述点云路面中提取点云可通行区域；
37.矢量化模块，用于对所述点云可通行区域进行安全等级划分，并对不同等级的区域进行边界矢量化。
38.根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现路面可通行区域提取方法的步骤。
39.根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现路面可通行区域提取方法的步骤。
40.本发明提供的一种路面可通行区域提取方法及提取系统，以高精度的三维点云、前视广角图像、gps轨迹、imu、里程计信息为数据源，发挥各个传感器的独特优势，借助图像深度学习技术的语义分割结果，融合多源数据，从点云数据中提取可通行区域的平滑矢量化形点。借助图像深度学习技术，提高了自动驾驶车辆行驶中可通行区域提取的效率，相对于单一数据源、传统提取方法来说，有更好的场景泛化能力，对地图更新也有一定的参考价值。
附图说明
41.图1为本发明提供的一种路面可通行区域提取方法流程图；
42.图2为路面可通行区域提取方法的整体流程图；
43.图3为本发明提供的一种路面可通行区域提取系统的结构示意图；
44.图4为本发明提供的一种可能的电子设备的硬件结构示意图；
45.图5为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
46.下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
47.针对自动驾驶真实场景下，单一数据源提取可通行区域无法做到足够准确度的现状，本发明以高精度的三维点云、前视广角图像、gps轨迹、imu、里程计信息为数据源，发挥各个传感器的独特优势，借助图像深度学习技术的语义分割结果，融合多源数据，从点云数据中提取可通行区域的平滑矢量化形点。
48.实施例一
49.一种路面可通行区域提取方法，参见图1，该路面可通行区域提取方法包括：s1，基于点云数据，提取点云路面。
50.本发明所用的道路点云数据为多线激光雷达获取的点云数据，图像为广角图像数据。基于获取的点云数据，从中提取点云路面的具体步骤包括：对每一帧点云数据进行航向等间距分块，得到多个点云数据块，每个点云数据块中包含多个点云点；对于任一点云数据块，选取地面种子点，并基于所述地面种子点，获取多个初始地面点；基于地面种子点和多个初始地面点，进行平面拟合，得到初始拟合平面；基于所述任一点云数据块中的每一个点云点与所述初始拟合平面的距离更新地面点；基于更新后的地面点，重新进行平面拟合，经过多次迭代平面拟合，最后更新得到的地面点为点云路面提取结果。
51.作为实施例，所述每一帧点云数据均对应一个gps轨迹点，所述对于任一点云数据
块，选取地面种子点，并基于所述地面种子点，获取多个初始地面点，包括：将gps轨迹点和每一帧点云数据均换算到点云xoy平面；对于任一点云数据块中的所有点云点，计算每一个点云点与gps轨迹点之间的距离，将与gps轨迹点之间的距离最小的点云点作为地面种子点；以所述地面种子点为中心点，搜索所述任一点云数据块中预设半径内的点云点，将地面种子点和预设半径内的点云点作为初始地面点。
52.作为实施例，所述基于所述任一点云数据块中的每一个点云点与所述初始拟合平面的距离更新地面点，包括：计算任一点云数据块中除去所述初始地面点外的其它每一个点云点到所述初始拟合平面的距离值，将距离值小于预设距离阈值的点云点纳入地面点，以更新地面点。
53.作为实施例，所述基于更新后的地面点，重新进行平面拟合，经过多次迭代平面拟合，最后更新得到的地面点为点云路面提取结果，包括：基于更新后的地面点，重新拟合平面，再次基于所述任一点云数据块中的每一个点云点与重新拟合的平面的距离更新地面点；重新迭代拟合平面，直到所述任一点云数据块中的每一个点云点与重新拟合的平面的距离均大于预设距离阈值，将最终获取的地面点作为点云路面提取结果。
54.具体的，通过激光雷达传感器扫描获取道路的点云数据后，从中需要提取路面信息，从点云数据中提取的路面信息以下称为点云路面。从点云数据中提取点云路面的具体方法为，为解决因坡度问题导致路面提取不完整的情况，对每一帧点云进行航向等间距分块，得到若干点云数据块，其中每一帧点云数据对应一个gps轨迹点。由于gps轨迹点和点云数据块位于不同的坐标系下，因此，将gps轨迹点和点云数据均换算到点云xy平面。在点云xy平面，对于每一点云数据块中的多个点云点，计算每一个点云点到gps轨迹点间的距离，选取与gps轨迹点距离最小的点云点为地面种子点，然后，以地面种子点为中心，在该点云块中搜索与地面种子点的半径距离小于预设距离的所有点云点作为地面点，以地面种子点和选取的地面点进行平面拟合，得到初始拟合平面。
55.然后，对于该点云数据块中的其他每一个点云点，计算每一个点云点到初始拟合平面的距离值，将距离值小于预设距离值的点云点纳入地面点，以更新地面点，基于更新后的地面点，再次进行平面拟合，更新更多的地面点，依次迭代平面拟合多次，直到该点云数据块中的所有点云点在拟合平面的距离值均大于预设距离值，迭代完成，此时确定的地面点作为点云路面提取结果。
56.s2，基于深度学习语义分割模型分割出图像数据中的路面可通行区域。
57.可以理解的是，对于图像数据，选取合适的图像深度学习语义分割模型，对图像数据进行可通行区域的分割，获取图像可通行区域。相对于点云深度学习技术，图像深度学习技术更为成熟，推理结果更为鲁棒和精确，弥补点云路面粗提取的泛化性弱的短板。
58.s3，基于位姿信息，将分割出的图像可通行区域逆透视变换到点云数据的三维空间。
59.作为实施例，通过如下方式获取位姿信息：基于初始化位姿信息，将高精度地图hd map中的标志物要素转换到图像坐标系；在图像坐标系下，将hd map中的标志物要素与从图像数据中语义分割出的相同标志物要素进行匹配，得到匹配结果；基于匹配结果以及gps信息和imu数据，对初始化位姿信息进行优化；相应的，基于优化后的位姿信息，将分割出的图像可通行区域逆透视变换到点云数据的三维空间。
60.具体的，在车辆行驶之前，确定一个初始位姿信息，当车辆行驶时，需要对初始位姿信息不断更新优化，具体的，基于初始位姿信息，将高精度地图hd map中的标志物，比如，交通标识牌、立杆等转换到图像坐标系中，并在图像坐标系下，将hd map中的标志物要素与从图像数据中语义分割出的相同标志物要素进行匹配，得到匹配结果。
61.基于匹配结果以及车辆行驶的gps信息和imu数据等对初始位姿信息进行优化，其中，在对初始化位姿进行优化时，存在两种情况：(1)当无立杆、标识牌甚至无车道线要素或者只存在相互平行的道路标线的路段时，依据gps信息和imu对位姿进行更新优化；无有效图像语义分割结果的场景下，用gps和imu保证位姿精度。(2)gps信号失锁的情况下，利用imu和里程计信息对位姿进行更新优化；无有效gps信息的情况下，用imu和里程计信息解算的估计值对行驶轨迹进行补充，待gps信号恢复后，再进行图优化。
62.基于优化后的位姿信息，将图像可通行区域逆透视变换到点云数据的三维空间中。
63.s4，基于逆透视变换到点云数据的三维空间的图像可通行区域，从所述点云路面中提取点云可通行区域。
64.可以理解的是，在步骤s3中将图像可通行区域逆透视变换到点云数据的三维空间中，将图像可通行区域在点云路面中匹配，从点云路面中匹配提取可通行区域，以下称为点云可通行区域。
65.利用优化后的位姿信息将图像可通行区域逆透视变换到三维空间，在点云路面中进行匹配，在保证精度的前提下，对点云提取的真实路面进行补充，以解决点密度过小造成的点云路面缺失。该步骤中，逆透视变换的结果非常关键，决定了图像二维可通行区域反算回三维空间的效果，弥补的点云路面粗提取的多余平面和缺失。
66.s5，对所述点云可通行区域进行安全等级划分，并对不同等级的区域进行边界矢量化。
67.作为实施例，所述不同等级的区域包括绝对安全区、相对安全区和无相对安全区，所述对所述点云可通行区域进行安全等级划分，并对不同等级的区域进行边界矢量化，包括：当hd map路面范围小于点云可通行区域时，所述绝对安全区hd map路面范围，所述相对安全区为点云可通行区域减去hamap路面范围的区域；当hd map路面范围大于点云可通行区域时，所述绝对安全区为点云可通行区域，所述无相对安全区为hd map路面范围减去点云可通行区域的其它区域；对不同等级的安全区域进行左右边界矢量化。
68.可以理解的是，在上述步骤中，从点云路面提取了点云可通行区域，将点云可通行区域按照安全等级进行划分。具体的，将点云可通行区域划分为两个等级，分两种情况：1、当hd map路面范围小于点云可通行区域时，hd map路面所在的范围为绝对安全区，点云可通行区域减去hd map路面后的剩余范围为相对安全区。
69.2、当hd map路面范围大于点云可通行区域时，点云可通行区域为绝对安全区，hd map路面范围减去点云可通行区域为无相对安全区。最后对划分后的不同等级的安全区域进行平滑、左右边界矢量化。
70.实施例二
71.一种路面可通行区域提取方法，参见图2，该路面可通行区域提取方法包括，对于多线激光雷达传感器采集的道路点云数据，对每一帧点云数据进行分块，得到多个点云数
据块，从点云数据块中提取点云路面。对于广角图像数据，对图像数据进行语义分割，从图像数据中提取出图像可通行区域，根据位姿信息，将图像可通行区域逆透视变换到点云数据的三维空间。其中，根据gps信息、imu数据和里程计信息，计算位姿信息。
72.在点云数据的三维空间坐标系中，将图像可通行区域在点云路面进行匹配，提取出点云路面中的可通行区域(称为点云可通行区域)进行输出，最后对点云可通行区域按照安全等级划分为多个区域，并对多个区域的边界进行矢量化。
73.实施例三
74.一种路面可通行区域提取系统，参见图3，该路面可通行区域提取系统包括第一提取模块301、分割模块302、变换模块303、第二提取模块304和矢量化模块305，其中：
75.第一提取模块301，用于基于点云数据，提取点云路面；分割模块302，用于基于深度学习语义分割模型分割出图像数据中的路面可通行区域；变换模块303，用于基于位姿信息，将分割出的图像可通行区域逆透视变换到点云数据的三维空间；第二提取模块304，用于基于逆透视变换到点云数据的三维空间的图像可通行区域，从所述点云路面中提取点云可通行区域；矢量化模块305，用于对所述点云可通行区域进行安全等级划分，并对不同等级的区域进行边界矢量化。
76.可以理解的是，本发明提供的一种路面可通行区域提取系统与前述各实施例提供的路面可通行区域提取方法相对应，路面可通行区域提取系统的相关技术特征可参考路面可通行区域提取方法的相关技术特征，在此不再赘述。
77.实施例四
78.请参阅图4，图4为本发明实施例提供的电子设备的实施例示意图。如图4所示，本发明实施例提了一种电子设备400，包括存储器410、处理器420及存储在存储器410上并可在处理器420上运行的计算机程序411，处理器420执行计算机程序411时实现以下步骤：基于点云数据，提取点云路面；基于深度学习语义分割模型分割出图像数据中的路面可通行区域；基于位姿信息，将分割出的图像可通行区域逆透视变换到点云数据的三维空间；基于逆透视变换到点云数据的三维空间的图像可通行区域，从所述点云路面中提取点云可通行区域；对所述点云可通行区域进行安全等级划分，并对不同等级的区域进行边界矢量化。
79.实施例五
80.请参阅图5，图5为本发明提供的一种计算机可读存储介质的实施例示意图。如图5所示，本实施例提供了一种计算机可读存储介质500，其上存储有计算机程序511，该计算机程序511被处理器执行时实现如下步骤：基于点云数据，提取点云路面；基于深度学习语义分割模型分割出图像数据中的路面可通行区域；基于位姿信息，将分割出的图像可通行区域逆透视变换到点云数据的三维空间；基于逆透视变换到点云数据的三维空间的图像可通行区域，从所述点云路面中提取点云可通行区域；对所述点云可通行区域进行安全等级划分，并对不同等级的区域进行边界矢量化。
81.本发明实施例提供的一种路面可通行区域提取方法及提取系统，以高精度的三维点云、前视广角图像、gps轨迹、imu、里程计信息为数据源，发挥各个传感器的独特优势，借助图像深度学习技术的语义分割结果，融合多源数据，从点云数据中提取可通行区域的平滑矢量化形点。借助图像深度学习技术，提高了自动驾驶车辆行驶中可通行区域提取的效率，相对于单一数据源、传统提取方法来说，有更好的场景泛化能力，对地图更新也有一定
的参考价值。
82.需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
83.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
84.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
85.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
86.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
87.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
88.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

技术特征：
1.一种路面可通行区域提取方法，其特征在于，包括：基于点云数据，提取点云路面；基于深度学习语义分割模型分割出图像数据中的路面可通行区域；基于位姿信息，将分割出的图像可通行区域逆透视变换到点云数据的三维空间；基于逆透视变换到点云数据的三维空间的图像可通行区域，从所述点云路面中提取点云可通行区域；对所述点云可通行区域进行安全等级划分，并对不同等级的区域进行边界矢量化。2.根据权利要求1所述的路面可通行区域提取方法，其特征在于，所述基于点云数据，提取点云路面，包括：对每一帧点云数据进行航向等间距分块，得到多个点云数据块，每个点云数据块中包含多个点云点；对于任一点云数据块，选取地面种子点，并基于所述地面种子点，获取多个初始地面点；基于地面种子点和多个初始地面点，进行平面拟合，得到初始拟合平面；基于所述任一点云数据块中的每一个点云点与所述初始拟合平面的距离更新地面点；基于更新后的地面点，重新进行平面拟合，经过多次迭代平面拟合，最后更新得到的地面点为点云路面提取结果。3.根据权利要求2所述的路面可通行区域提取方法，其特征在于，所述每一帧点云数据均对应一个gps轨迹点，所述对于任一点云数据块，选取地面种子点，并基于所述地面种子点，获取多个初始地面点，包括：将gps轨迹点和每一帧点云数据均换算到点云xoy平面；对于任一点云数据块中的所有点云点，计算每一个点云点与gps轨迹点之间的距离，将与gps轨迹点之间的距离最小的点云点作为地面种子点；以所述地面种子点为中心点，搜索所述任一点云数据块中预设半径内的点云点，将地面种子点和预设半径内的点云点作为初始地面点。4.根据权利要求2所述的路面可通行区域提取方法，其特征在于，所述基于所述任一点云数据块中的每一个点云点与所述初始拟合平面的距离更新地面点，包括：计算任一点云数据块中除去所述初始地面点外的其它每一个点云点到所述初始拟合平面的距离值，将距离值小于预设距离阈值的点云点纳入地面点，以更新地面点。5.根据权利要求2或4所述的路面可通行区域提取方法，其特征在于，所述基于更新后的地面点，重新进行平面拟合，经过多次迭代平面拟合，最后更新得到的地面点为点云路面提取结果，包括：基于更新后的地面点，重新拟合平面，再次基于所述任一点云数据块中的每一个点云点与重新拟合的平面的距离更新地面点；重新迭代拟合平面，直到所述任一点云数据块中的每一个点云点与重新拟合的平面的距离均大于预设距离阈值，将最终获取的地面点作为点云路面提取结果。6.根据权利要求1所述的路面可通过性区域提取方法，其特征在于，通过如下方式获取位姿信息：基于初始化位姿信息，将高精度地图hd map中的标志物要素转换到图像坐标系；
在图像坐标系下，将hd map中的标志物要素与从图像数据中语义分割出的相同标志物要素进行匹配，得到匹配结果；基于匹配结果以及gps信息和imu数据，对初始化位姿信息进行优化；相应的，基于优化后的位姿信息，将分割出的图像可通行区域逆透视变换到点云数据的三维空间。7.根据权利要求1所述的路面可通行区域提取方法，其特征在于，所述基于逆透视变换到点云数据的三维空间的图像可通行区域，从所述点云路面中提取点云可通行区域，包括：将逆透视变换到点云数据的三维空间的图像可通行区域到所述点云路面中匹配，获取所述点云路面中匹配的点云可通行区域。8.根据权利要求1所述的路面可通行区域提取方法，其特征在于，所述不同等级的区域包括绝对安全区、相对安全区和无相对安全区，所述对所述点云可通行区域进行安全等级划分，并对不同等级的区域进行边界矢量化，包括：当hd map路面范围小于点云可通行区域时，所述绝对安全区hd map路面范围，所述相对安全区为点云可通行区域减去hamap路面范围的区域；当hd map路面范围大于点云可通行区域时，所述绝对安全区为点云可通行区域，所述无相对安全区为hd map路面范围减去点云可通行区域的其它区域；对不同等级的安全区域进行左右边界矢量化。9.一种路面可通行区域提取系统，其特征在于，包括：第一提取模块，用于基于点云数据，提取点云路面；分割模块，用于基于深度学习语义分割模型分割出图像数据中的路面可通行区域；变换模块，用于基于位姿信息，将分割出的图像可通行区域逆透视变换到点云数据的三维空间；第二提取模块，用于基于逆透视变换到点云数据的三维空间的图像可通行区域，从所述点云路面中提取点云可通行区域；矢量化模块，用于对所述点云可通行区域进行安全等级划分，并对不同等级的区域进行边界矢量化。10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-8任一项所述的路面可通行区域提取方法的步骤。

技术总结
本发明提供一种路面可通行区域提取方法及提取系统，提取方法包括：基于点云数据，提取点云路面；基于深度学习语义分割模型分割出图像数据中的路面可通行区域；基于位姿信息，将分割出的图像可通行区域逆透视变换到点云数据的三维空间；基于逆透视变换到点云数据的三维空间的图像可通行区域，从所述点云路面中提取点云可通行区域；对所述点云可通行区域进行安全等级划分，并对不同等级的区域进行边界矢量化。本发明借助图像深度学习技术，提高了自动驾驶车辆行驶中可通行区域提取的效率，基于图像数据和三维点云数据，提取点云数据中的可通行区域，相对于单一数据源、传统提取方法来说，有更好的场景泛化能力，对地图更新也有一定的参考价值。定的参考价值。定的参考价值。


技术研发人员：刘春成 惠念 李汉玢
受保护的技术使用者：武汉中海庭数据技术有限公司
技术研发日：2021.12.08
技术公布日：2022/3/8