地图生成方法、装置、计算机设备和存储介质与流程
本申请涉及电子地图技术领域，特别是涉及一种地图生成方法、装置、计算机设备和存储介质。
背景技术：
随着计算机技术的发展，电子地图(例如，高精地图)的应用越来越广泛，用户对电子地图的要求也越来越高。高精地图是可用于无人驾驶车辆导航，可以给无人车提供一定的预判空间，即无人车通过高精地图获取前方的路况，提前做行驶规划；还可以帮助无人车减少计算量，即在无人车通过路口时，提前感知前方的信号灯状况，定位在信号灯所在的区域。
为了获取更精准的高精地图，高精地图的生成方式至关重要。然而，目前使用的高精地图存在精确度低的问题。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种能够提高地图精确度的地图生成方法、装置、计算机设备和存储介质。
一种地图生成方法，所述方法包括：
获取待处理的原始点云；
对所述原始点云进行运动畸变校正，得到校正点云；
计算所述校正点云的特征值，从所述特征值中确定目标特征值；
从所述校正点云中获取所述目标特征值对应的校正点云进行点云配准，得到初始地图；
根据点云反射率范围阈值和掩膜对所述初始地图进行滤波，得到目标地图。
在其中一个实施例中，在所述获取原始点云之前，所述方法还包括：
获取标定图像中各像素点在传感器组中每个传感器对应的传感器坐标系中的坐标位置；
通过所述坐标位置确定误差方程，根据所述误差方程对误差项进行处理以求取误差最小值时的转换矩阵，确定标定参数。
在其中一个实施例中，所述对所述原始点云集进行运动畸变校正，得到校正点云集，包括：
通过传感器组对应的运动模型确定所述原始点云集中每个原始点云的位置信息在世界坐标系中的位置偏移量；
根据所述位置偏移量和所述位置信息，对所述原始点云集进行校正，得到校正点云集。
在其中一个实施例中，在所述计算所述校正点云集中每个校正点云的特征值，从所述特征值中确定目标特征值之前，所述方法还包括：
对所述校正点云集中校正点云进行数据清洗，并将清洗后的校正点云集上传至服务器。
在其中一个实施例中，所述计算所述校正点云对应的特征值，从所述特征值中确定目标特征值，包括：
获取所述校正点云集中每个校正点云的位置信息；
根据所述校正点云集中每个校正点云的位置信息计算每个点云的特征值；
从所述特征值中确定数值最大的特征值和数值最小的特征值，将所述数值最大的特征值和所述数值最小的特征值作为所述目标特征值；
从所述校正点云集中获取所述目标特征值对应的校正点云进行点云配准，得到初始地图包括：
从所述校正点云集中获取数值最大的特征值的校正点云和数值最小的特征值的校正点云；
对所述数值最大的特征值的校正点云和所述数值最小的特征值的校正点云进行点云配准，得到初始地图。
在其中一个实施例中，所述根据所述校正点云集中每个校正点云的位置信息计算每个点云的特征值，包括：
从所述校正点云集中获取目标校正点云，以所述目标校正点云对应的序号为起点，向序号增大方向获取第一预设数量的校正点云，以及向序号减小方向获取第二预设数量的校正点云，得到包含所述目标校正点云的候选校正点云集；
根据所述候选校正点云集中每个校正点云的位置信息计算所述目标校正点云的特征值。
在其中一个实施例中，所述特征值为校正点云的曲率值，所述位置信息包括位置坐标，所述根据所述候选校正点云集中每个校正点云的位置信息计算所述目标校正点云的特征值，包括：
对所述候选校正点云集中每个校正点云的位置坐标进行求和；
根据所述位置坐标的平方和，确定目标校正点云的曲率值。
在其中一个实施例中，对所述特征值最大的校正点云和所述特征值最小的校正点云进行点云配准，得到初始地图，包括：
通过参考坐标系对所述特征值最大的校正点云的位置信息、所述特征值最小的校正点云的位置信息进行坐标转换，得到转换后的位置信息；
根据所述转换后的位置信息对所述特征值最大的校正点云和特征值最小的校正点云进行拼接，得到初始地图。
一种地图生成装置，所述装置包括：
获取模块，用于获取待处理的原始点云集；
校正模块，用于对所述原始点云集进行运动畸变校正，得到校正点云集；
计算模块，用于计算所述校正点云集中每个校正点云的特征值，从所述特征值中确定目标特征值；
点云配准模块，用于从所述校正点云集中获取所述目标特征值对应的校正点云进行点云配准，得到初始地图；
滤波模块，用于根据点云反射率范围阈值和掩膜对所述初始地图进行滤波，得到目标地图。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待处理的原始点云；
对所述原始点云进行运动畸变校正，得到校正点云；
计算所述校正点云的特征值，从所述特征值中确定目标特征值；
从所述校正点云中获取所述目标特征值对应的校正点云进行点云配准，得到初始地图；
根据点云反射率范围阈值和掩膜范围阈值对所述初始地图进行滤波，得到目标地图。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待处理的原始点云；
对所述原始点云进行运动畸变校正，得到校正点云；
计算所述校正点云的特征值，从所述特征值中确定目标特征值；
从所述校正点云中获取所述目标特征值对应的校正点云进行点云配准，得到初始地图；
根据点云反射率范围阈值和掩膜范围阈值对所述初始地图进行滤波，得到目标地图。
上述地图生成方法、装置、计算机设备和存储介质，终端通过传感器组获取待处理的原始点云集，而不是获取单个传感器获取的原始点云集，对获取的待处理的原始点云集进行运动畸变校正，得到校正点云集，消除因传感器组中传感器的运动对原始点云集造成的误差影响；计算校正点云集中每个校正点云的特征值，从特征值中确定目标特征值；从校正点云集中获取目标特征值对应的校正点云进行点云配准，得到初始地图，而不是任意选取特征值对应的校正点云进行点云配准得到初始地图；根据点云反射率范围阈值和掩膜对初始地图进行滤波，得到目标地图，提高了地图的精确度。
附图说明
图1为一个实施例中地图生成方法中计算机设备的内部结构图；
图2为一个实施例中地图生成方法的流程示意图；
图3为一个实施例中初始地图生成方法的流程示意图；
图4为另一个实施例中地图生成方法的流程示意图；
图5为一个实施例中地图生成步骤的流程示意图；
图6为一个实施例中地图生成装置的结构框图；
图7为另一个实施例中地图生成装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的地图生成方法，可以应用于如图1所示的计算机设备中。在一个实施例中，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储生成地图的点云数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种地图生成方法。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，如图2所示，提供了一种地图生成方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，获取待处理的原始点云集。
其中，点云是指在传感器的环境扫描范围内，通过传感器扫描车辆行驶环境得到的三维空间点；三维空间点可以表示为p(x，y，z)。原始点云是由不同类型传感器融合后的传感器组采集的车辆行驶环境的三维空间点；传感器可以为摄像头、激光雷达等，激光雷达可以是16线激光雷达或32线激光雷达等。摄像头可用于车道线检测、障碍物检测(如车辆、行人等识别等)、交通表示识别(如红绿灯识别、限速牌等)；激光雷达可用于路沿检测、障碍物识别、定位和地图创建；其中，路沿检测中包括车道线检测，障碍物识别包括对静态物体和动态物体的识别。原始点云集中至少包括一个原始点云。
具体地，终端对不同类型的传感器进行参数标定之后，得到标定参数，基于标定参数，根据融合算法对不同类型已标定的传感器进行融合，得到融合后的传感器组；传感器组获取车辆在行驶过程中的环境对应待处理的原始点云，由多个原始点云得到待处理的原始点云集。其中，融合算法可采用是加权平均法、多贝叶斯估计法、卡尔曼滤波算法、最小二乘法、极大似然估计算法和聚类分析法等算法中任意一种；通过传感器组获取的待处理的原始点云的数据中可以包括位置信息、激光反射强度(intensity)和颜色信息(rgb)等。可选地，当传感器为摄像头和激光雷达，终端根据相机雷达联合标定方法对摄像头和激光雷达进行参数标定；标定过程为：摄像头获取图像数据用二维点(u,v)表示，激光雷达捕获的图像数据用三维点云(x,y,z)表示，建立一个转化矩阵m，将三维点云(x,y,z)映射到二维点(u,v)，根据不同姿态下的标定板平面，获得一系列的线性方程，通过求解线性方程组，得到标定参数。
可选地，不同类型的传感器还可以为摄像头、第一激光雷达、第二激光雷达，第一激光雷达的精度小于第二激光雷达；例如，第一激光雷达可以为厘米激光雷达，第二激光雷达可以为毫米激光雷达终端根据相机雷达联合标定方法对摄像头、厘米激光雷达和毫米激光雷达进行参数标定，得到标定参数；基于标定参数，通过融合算法对摄像头、厘米激光雷达和毫米激光雷达进行融合，得到融合后的传感器组；终端通过传感器组获取待处理的原始点云集。
步骤204，对原始点云集进行运动畸变校正，得到校正点云集。
其中，运动畸变是指传感器在采样过程，以预设速度移动导致采集的点云产生误差。误差可以是线性误差。例如，当激光雷达的扫描频率为10赫兹(hz)，以60km/h的速度进行运动时，会带来1.65米(m)的线性误差；当传感器以20度每秒的速度旋转时会在50米的地方带来1.75m的线性误差。
具体地，终端根据建立好的传感器的运动模型对原始点云集中的每个原始点云的位姿和运动畸变进行校正，得到原始点云所在的真实位置，根据校正后的校正点云确定校正点云集。其中，传感器的运动模型是车辆在预设时间内，沿着平面运动，以地面为参照物，根据车辆运动学模型建立的。
步骤206，计算校正点云集中每个校正点云的特征值，从特征值中确定目标特征值。
其中，特征值可用于表示是校正点云所在位置的弯曲程度，特征值可以是曲率，特征值越大表示弯曲程度越大，特征值越小表示弯曲程度越小；目标特征值是通过比较特征值的数值大小来确定，可以是数值最大的特征值、数值最小的特征值中至少一种。
具体地，终端先从校正点云集中删除前后设定数量的校正点云，设定数量可以是5、6、7等；再从校正点云集中获取每个校正点云的位置信息，其中位置信息可以是校正点云在三维空间的位置坐标；以每个校正点云的序号为起点，获取序号前后连续的固定数量个校正点云，根据该校正点云的位置信息和前后连续的固定数量校正点云的位置信息，计算该校正点云的特征值，固定数量可以是4、5、6等；当校正点云前后不存在的校正点云的数量不等于预设数量时，则该校正点云不存在对应的特征值；根据特征值的大小从计算得到的特征值中确定目标特征值。
在一个实施例中，计算校正点云对应的特征值，从特征值中确定目标特征值，包括：
获取校正点云集中每个校正点云的位置信息；根据校正点云集中每个校正点云的位置信息计算每个点云的特征值；从特征值中确定数值最大的特征值和数值最小的特征值，将数值最大的特征值和数值最小的特征值作为目标特征值。通过从计算的特征值中选取数值最大的特征值和数值最小的特征值作为目标特征值，不需要对特征值对应的所有校正点云进行处理，提高终端的处理性能。
在一个实施例中，在计算校正点云集中每个校正点云的特征值，从特征值中确定目标特征值之前，方法还包括：
对校正点云集中校正点云进行数据清洗，并将清洗后的校正点云集上传至服务器。
其中，数据清洗是指删除数据中不符合数据规则的数据；不同的应用场景数据的对应不同的数据规则。例如，激光雷达获取的点云包括位置信息、激光反射强度和颜色信息数据，数据规则是获取的点云数据中必须包括位置信息、激光反射强度和颜色信息数据且对应的数值不为空值；对点云进行数据清洗时，删除没有包括位置信息、激光反射强度和颜色信息数据的点云，且位置信息、激光反射强度和颜色信息值为空值的点云。
具体地，终端在计算校正点云集中每个校正点云的特征值，从特征值中确定目标特征值之前，对校正点云集中校正点云进行数据清洗，删除无效的校正点云，保证每个校正点云的特征值的准确性；将清洗后的校正点云集上传至服务器，对校正点云集进行保存，避免数据丢失。
步骤208，从校正点云集中获取目标特征值对应的校正点云进行点云配准，得到初始地图。
其中，点云配准是指两个或两个以上不同坐标系中的三维空间点云集通过转换关系转换到同一坐标系中的过程；其中，转换关系可以用3×3旋转矩阵和三维平移向量来表示。点云配准方法可以包括点集对点集的配准方法、迭代最近点法等方法。
具体地，把数值最大的特征值和数值最小的特征值作为目标特征值，对根据目标特征值确定相邻两帧中特征值最大的校正点云和特征值最小的校正点云，根据对应的特征值最大的校正点云的位置信息和特征值最小的校正点云的位置信息，联立方程求解得到转换关系，实现点云配准。通过对齐两帧转换后校正点云中的重叠区域可以得到校正点云间的相对位姿关系，根据位姿关系对转换后的校正点云和校正点云的颜色信息，得到上色的初始地图。其中，初始地图中可包括不同特征层，如基础层、周围环境信息层、道路信息层和其他信息层等；基础层可以包括车道宽度、坡度、人行横道和隔离带等数据；周围环境信息层可包括、行人、车俩、建筑物等数据；道路信息层可包括限速标记、交通灯标记等数据；其他信息可为天气信息、活跃和不活跃的施工信息数据等。
步骤210，根据点云反射率范围阈值和掩膜对初始地图进行滤波，得到目标地图。
其中，点云反射率是指传感器组中激光雷达的点云反射率，点云反射率由激光雷达自身参数和扫描环境决定。点云反射率范围阈值是指预先设置用于过滤初始地图中不满足的点云反射率范围阈值的点云。掩膜是是由0和1组成的一个二进制图像，可以用n×n的矩阵来表示；掩膜可用于提取感兴趣区的图像，例如，当掩膜为一种n×n的矩阵的图像滤镜的模板时，提取的感兴趣区的图像是道路、河流、或者房屋时，掩膜中的道路、河流、或者房屋对应的像素对应的二进制数为1，其他图像的像素对应的二进制为0，通过用预先制作的感兴趣区掩模与待处理图像相乘进行过滤,得到感兴趣区图像。
具体地，获取初始地图中每个点云的点云反射率强度，获取点云反射率强度在点云反射率范围阈值内的点云；通过掩膜对在点云反射率范围阈值内的点云拼接的地图进行滤波处理，得到目标地图，目标地图可以是高精地图。可选地，预先制作的掩膜中包括车道线、道路牌、斑马线、路沿等道路信息；其中，初始地图中点云是目标特征值对应的校正点云通过转换关系确定的。
上述地图生产方法中，终端通过传感器组获取待处理的原始点云集，而不是获取单个传感器获取的原始点云集，对获取的待处理的原始点云集进行运动畸变校正，得到校正点云集，消除因传感器组中传感器的运动对原始点云集造成的误差影响；计算校正点云集中每个校正点云的特征值，从特征值中确定目标特征值；从校正点云集中获取目标特征值对应的校正点云进行点云配准，得到初始地图，而不是任意选取特征值对应的校正点云进行点云配准得到初始地图；根据点云反射率范围阈值和掩膜对初始地图进行滤波，得到目标地图，提高了地图的精确度。
在一个实施例中，如图3所示，提供了一种初始地图生成方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤302，获取校正点云集中每个校正点云的位置信息。
具体地，校正点云集中的每个校正点云的位置信息包括三维坐标。
步骤304，根据校正点云集中每个校正点云的位置信息计算每个点云的特征值。
在一个实施例中，根据校正点云集中每个校正点云的位置信息计算每个点云的特征值，包括：
从校正点云集中获取目标校正点云，以目标校正点云对应的序号为起点，向序号增大方向获取第一预设数量的校正点云，以及向序号减小方向获取第二预设数量的校正点云，得到包含目标校正点云的候选校正点云集；根据候选校正点云集中每个校正点云的位置信息计算目标校正点云的特征值。
具体地，传感器组中包括16线激光雷达，在固定扫描周期内，16线激光雷达可获取2018*16个点云；即传感器组可获取2018*16个待处理的原始点云；从32288个待处理的原始点云按照时间和原始点云的位置信息进行编号排序，删除每一线原始点云集中序号靠前的预设数量的原始点云和序号末尾的预设数量的原始点云。再从校正点云集中获取目标校正点云，以目标校正点云对应的序号为起点，向序号增大方向获取第一预设数量的校正点云，以及向序号减小方向获取第二预设数量的校正点云，得到包含目标校正点云的候选校正点云集；根据候选校正点云集中每个校正点云的位置信息计算目标校正点云的特征值。其中，第一预设数量与第二预设数量可以相同，例如，第一预设数量与第二预设数量都为5。
在一个实施例中，特征值为校正点云的曲率值，位置信息包括位置坐标，根据候选校正点云集中每个校正点云的位置信息计算目标校正点云的特征值，包括：
对候选校正点云集中每个校正点云的位置坐标进行求和，根据位置坐标的平方和，确定目标校正点云的曲率值。
具体地，特征值为曲率值，曲率值越大表示弯曲程度越大，代表一条边；曲率值越小表示弯曲程度越小，代表一个面；从待处理的原始点云按照时间和原始点云的位置信息进行编号排序，删除每一线原始点云集中序号靠前的预设数量的原始点云和序号末尾的预设数量的原始点云。再从校正点云集中获取目标校正点云，目标校正点云的位置坐标为三维坐标(x，y，z)，以目标校正点云对应的序号为起点，向序号增大方向获取第一预设数量的校正点云，以及向序号减小方向获取第二预设数量的校正点云，得到包含目标校正点云的候选校正点云集；对候选校正点云集中每个校正点云的位置坐标进行求和，根据位置坐标的平方和，确定目标校正点云的曲率值。
可选地，目标校正点云的位置坐标为三维坐标(x，y，z)，获取序号为n的目标校正点云向序号增大方向5个校正点云和向序号减少方向5个校正点云；可选地，对候选校正点云集中每个校正点云的位置坐标中x方向的坐标和diffx获取方式可以为：从校正点云集中获取序号p为n(n>5，n为整数)的校正点云，依次获取序号为n-5、n-4、n-3、n-2、n-1、n、n+1、n+2、n+3、n+4、n+5的校正点云，并获取序号为n-5、n-4、n-3、n-2、n-1、n、n+1、n+2、n+3、n+4、n+5的校正点云在x方向坐标值，x方向的坐标和diffx的计算方式为：
同理，可求出y方向的坐标和diffy的计算式为：
z方向的坐标和diffz的计算式：
根据位置坐标的平方和diffx2+diffy2+diffz2，确定目标校正点云的曲率值。
步骤306，从特征值中确定数值最大的特征值和数值最小的特征值，将数值最大的特征值和数值最小的特征值作为目标特征值。
具体地，传感器组中包括16线激光雷达，在固定扫描周期内，可以获取16个数值最大的特征值和16个数值最小的特征值，将16个数值最大的特征值和16个数值最小的特征值作为目标特征值。
步骤308，从校正点云集中获取数值最大的特征值的校正点云和数值最小的特征值的校正点云。
步骤310，对数值最大的特征值的校正点云和数值最小的特征值的校正点云进行点云配准，得到初始地图。
在一个实施例中，对特征值最大的校正点云和特征值最小的校正点云进行点云配准，得到初始地图，包括：
通过参考坐标系对特征值最大的校正点云的位置信息、特征值最小的校正点云的位置信息进行坐标转换，得到转换后的位置信息；根据转换后的位置信息对特征值最大的校正点云和特征值最小的校正点云进行拼接，得到初始地图。
具体地，点云数据处理时，由于目标物的复杂性，传感器组中的传感器通常需要从不同方位扫描多个测站，才能把目标物扫描完整，每一测站得到的校正点云有自己的坐标系统，并且传感器位置安装在不同地方就会导致每个传感器的坐标系不一致，所以需要将不同的传感器采集的目标特征值对应的校正点云的位置信息转换到同一个坐标系中。转换的过程可以是对目标特征值对应的校正点云的位置信息进行旋转平移，即乘以外参矩阵：
上述初始地图生成方法中，通过获取校正点云集中每个校正点云的位置信息，根据校正点云集中每个校正点云的位置信息计算每个点云的特征值，从特征值中确定数值最大的特征值和数值最小的特征值，将数值最大的特征值和数值最小的特征值作为目标特征值，从校正点云集中获取数值最大的特征值的校正点云和数值最小的特征值的校正点云，对数值最大的特征值的校正点云和数值最小的特征值的校正点云进行点云配准，得到初始地图，可以准确计算校正点云集中每个校正点云的特征值，提高初始地图的准确度。
在另一个实施例中，如图4所示，提供了一种地图生成方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤402，获取标定图像中各像素点在传感器组中每个传感器对应的传感器坐标系中的坐标位置。
具体地，标定图像是用于对传感器参数标定；标定图像可以不仅限于是二维码。不同传感对应的传感器坐标系不同，不同传感扫描相同点的坐标也不同；例如，摄像头获取的特征点k的坐标是二维坐标(x1，y1)；激光雷达获取特征点k的坐标是三维坐标(x2，y2，z2)。
步骤404，通过坐标位置确定误差方程，根据误差方程对误差项进行处理以求取误差最小值时的转换矩阵，确定标定参数。
具体地，误差方程可表示不同坐标系下相同特征的重投影距离误差；重投影误差是指像素坐标(如，观测到的投影位置)与三维空间点根据当前估计的位姿进行投影得到的位置相比较得到的误差。通过多个相同特征点在不同类型传感器中的坐标位置计算重投影距离误差，根据重投影距离误差得到误差方程组，根据误差方程组对误差项进行处理以求取误差最小值时的转换矩阵，根据转换矩阵确定标定参数，传感器组中的每个传感器通过标定参数标定之后，实现对传感器组中不同类型的传感器融合。其中，误差方程可以表示为：
其中，ek代表特征k的误差项，
步骤406，获取待处理的原始点云集。
步骤408，通过传感器组对应的运动模型确定原始点云集中每个原始点云的位置信息在世界坐标系中的位置偏移量。
具体地，根据传感器组中激光雷达的运动模型确定原始点云集中每个校正点云的位置信息在世界坐标系中的位置偏移量，其中，运动模型可表示为：
其中，x代表车辆平面上的横坐标，y代表车辆平面上的纵坐标，θ代表车辆的朝向，δxi代表车辆的线性移动量，δθi代表车辆的角度移动量，i代表的是连续的某一时刻。
位置偏移量可以表示为
步骤410，根据位置偏移量和位置信息，对原始点云集进行校正，得到校正点云集。
具体地，根据位置偏移量和每个校正点云的位置信息，对原始点云集中每个原始点云进行校正，得到校正点云集。其中校正点云满足以下点云模型表达式：
其中，α代表雷达的水平角，ω代表雷达的垂直角，d代表雷达测量的距离，ec代表的是校正点云的位置信息。根据上式可以计算出原始点云的真实位置，清除运动畸变得到校正点云。
步骤412，计算校正点云集中每个校正点云的特征值，从特征值中确定目标特征值。
步骤414，从校正点云集中获取目标特征值对应的校正点云进行点云配准，得到初始地图。
在一个实施例中，获取校正点云集中每个校正点云的位置信息，根据校正点云集中每个校正点云的位置信息计算每个点云的特征值；从特征值中确定数值最大的特征值和数值最小的特征值，将数值最大的特征值和数值最小的特征值作为目标特征值。从校正点云集中获取数值最大的特征值的校正点云和数值最小的特征值的校正点云。对数值最大的特征值的校正点云和数值最小的特征值的校正点云进行点云配准，得到初始地图，通过对特征值进行选取，确定目标特征值，对目标特征值的校正点云进行点云配准，提高终端的处理性能和提高地图的精确度。
步骤416，根据点云反射率范围阈值和掩膜范围阈值对初始地图进行滤波，得到目标地图。
上述地图生成方法中，终端获取标定图像中各像素点在传感器组中每个传感器对应的传感器坐标系中的坐标位置，通过坐标位置确定误差方程，根据误差方程对误差项进行处理以求取误差最小值时的转换矩阵，确定标定参数；即先对不同类型传感器进行标定，确定不同类型传感器之间的相对位置关系，对不同类型传感器进行融合，通过融合的传感器组获取待处理的原始点云集；通过传感器组对应的运动模型确定原始点云集中每个原始点云的位置信息在世界坐标系中的位置偏移量，根据位置偏移量和位置信息，对原始点云集进行校正，得到校正点云集，获取原始点云集中每个原始点云的真实位置；计算校正点云集中每个校正点云的特征值，从特征值中确定目标特征值；从校正点云集中获取目标特征值对应的校正点云进行点云配准，得到初始地图，根据点云反射率范围阈值和掩膜范围阈值对初始地图进行滤波，得到目标地图，提高了地图的精确度。
在一个实施例中，终端获取标定图像中各像素点在传感器组中每个传感器对应的传感器坐标系中的坐标位置；通过坐标位置确定误差方程，根据误差方程对误差项进行处理以求取误差最小值时的转换矩阵，确定标定参数，对不同类型传感器进行融合得到融合后的传感器组，通过传感器组获取待处理的原始点云集；通过传感器组对应的运动模型确定原始点云集中每个原始点云的位置信息在世界坐标系中的位置偏移量；根据位置偏移量和位置信息，对原始点云集进行校正，得到校正点云集；对校正点云集中校正点云进行数据清洗，并将清洗后的校正点云集上传至服务器。
获取校正点云集中每个校正点云的位置坐标；从校正点云集中获取目标校正点云，以目标校正点云对应的序号为起点，向序号增大方向获取第一预设数量的校正点云，以及向序号减小方向获取第二预设数量的校正点云，得到包含目标校正点云的候选校正点云集；对候选校正点云集中每个校正点云的位置坐标进行求和；根据位置坐标的平方和，确定目标校正点云的曲率值；从曲率值中确定数值最大的曲率值和数值最小的曲率值，将数值最大的曲率值和数值最小的曲率值作为目标特征值；从校正点云集中获取目标特征值对应的校正点云进行点云配准，得到初始地图；根据点云反射率范围阈值和掩膜对初始地图进行滤波，得到目标地图。
在一个实施例中，如图5所示，提供了一种地图生成步骤，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤502，传感器标定校准。
具体地，获取标定图像中各像素点在传感器组中每个传感器对应的传感器坐标系中的坐标位置，通过坐标位置确定误差方程，根据误差方程对误差项进行处理以求取误差最小值时的转换矩阵，确定标定参数。根据标定参数确定相同特征在不同类型传感器之间的相对位置关系，根据相对位置关系进行特征级融合，得到融合后的传感器组；终端通过传感器组获取待处理的原始点云集。
步骤504，对原始点云集进行运动畸变校正，得到校正点云集。
具体地，通过传感器组对应的运动模型确定原始点云集中每个原始点云的位置信息在世界坐标系中的位置偏移量，根据位置偏移量和位置信息，对原始点云集进行校正，得到校正点云集。
步骤506，通过对校正点云集中每个校正点云的特征值抽取特征进行点云配准，得到初始地图。
具体地，获取校正点云集中每个校正点云的位置信息，根据候选校正点云集中每个校正点云的位置信息计算目标校正点云的特征值，从特征值中确定数值最大的特征值和数值最小的特征值，将数值最大的特征值和数值最小的特征值作为目标特征值，从校正点云集中获取数值最大的特征值的校正点云和数值最小的特征值的校正点云；对数值最大的特征值的校正点云和数值最小的特征值的校正点云进行点云配准，得到初始地图。
步骤508，根据点云反射率范围阈值和掩膜对初始地图进行滤波，得到目标地图。
上述地图生成步骤中，传感器组中的传感器标定校准，通过传感器组获取的原始点云集，对原始点云集进行运动畸变校正，得到校正点云集，通过对校正点云集中每个校正点云的特征值抽取特征进行点云配准，得到初始地图；根据点云反射率范围阈值和掩膜对初始地图进行滤波，得到目标地图，提高地图的精确度。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种地图生成装置600，包括：获取模块602、校正模块604、计算模块606、点云配准模块608和滤波模块610，其中：
获取模块602，用于获取待处理的原始点云集。
校正模块604，用于对原始点云集进行运动畸变校正，得到校正点云集。
在一个实施例中，校正模块604还用于通过传感器组对应的运动模型确定原始点云集中每个原始点云的位置信息在世界坐标系中的位置偏移量；根据位置偏移量和位置信息，对原始点云集进行校正，得到校正点云集。
计算模块606，用于计算校正点云集中每个校正点云的特征值，从特征值中确定目标特征值。
在一个实施例中，计算模块606还用于获取校正点云集中每个校正点云的位置信息；根据校正点云集中每个校正点云的位置信息计算每个点云的特征值，从特征值中确定数值最大的特征值和数值最小的特征值，将数值最大的特征值和数值最小的特征值作为目标特征值。
在一个实施例中，计算模块606还用于对候选校正点云集中每个校正点云的位置坐标进行求和，根据位置坐标的平方和，确定目标校正点云的曲率值。
点云配准模块608，用于从校正点云集中获取目标特征值对应的校正点云进行点云配准，得到初始地图。
在一个实施例中，点云配准模块608还用于从校正点云集中获取数值最大的特征值的校正点云和数值最小的特征值的校正点云；对数值最大的特征值的校正点云和数值最小的特征值的校正点云进行点云配准，得到初始地图。
在一个实施例中，点云配准模块608还用于根据转换后的位置信息对特征值最大的校正点云和特征值最小的校正点云进行拼接，得到初始地图。
滤波模块610，用于根据点云反射率范围阈值和掩膜对初始地图进行滤波，得到目标地图。
上述地图生成装置中，终端通过传感器组获取待处理的原始点云集，而不是获取单个传感器获取的原始点云集，对获取的待处理的原始点云集进行运动畸变校正，得到校正点云集，消除因传感器组中传感器的运动对原始点云集造成的误差影响；计算校正点云集中每个校正点云的特征值，从特征值中确定目标特征值；从校正点云集中获取目标特征值对应的校正点云进行点云配准，得到初始地图，而不是任意选取特征值对应的校正点云进行点云配准得到初始地图；根据点云反射率范围阈值和掩膜对初始地图进行滤波，得到目标地图，提高了地图的精确度。
在另一个实施例中，如图7所示，提供了一种地图生成装置600，除包括获取模块602、校正模块604、计算模块606、点云配准模块608和滤波模块610外，还包括：位置获取模块612、标定模块614、数据清洗模块616、选取模块618和坐标转换模块620，其中：
位置获取模块612，用于获取标定图像中各像素点在传感器组中每个传感器对应的传感器坐标系中的坐标位置。
标定模块614，用于通过坐标位置确定误差方程，根据误差方程对误差项进行处理以求取误差最小值时的转换矩阵，确定标定参数。
数据清洗模块616，用于对校正点云集中校正点云进行数据清洗，并将清洗后的校正点云集上传至服务器。
选取模块618，用于从校正点云集中获取目标校正点云，以目标校正点云对应的序号为起点，向序号增大方向获取第一预设数量的校正点云，以及向序号减小方向获取第二预设数量的校正点云，得到包含目标校正点云的候选校正点云集。
坐标转换模块620，用于通过参考坐标系对特征值最大的校正点云的位置信息、特征值最小的校正点云的位置信息进行坐标转换，得到转换后的位置信息。
在一个实施例中，地图生成装置通过取标定图像中各像素点在传感器组中每个传感器对应的传感器坐标系中的坐标位置；通过坐标位置确定误差方程，根据误差方程对误差项进行处理以求取误差最小值时的转换矩阵，确定标定参数，对不同类型传感器进行融合得到融合后的传感器组，通过传感器组获取待处理的原始点云集；通过传感器组对应的运动模型确定原始点云集中每个原始点云的位置信息在世界坐标系中的位置偏移量；根据位置偏移量和位置信息，对原始点云集进行校正，得到校正点云集；对校正点云集中校正点云进行数据清洗，并将清洗后的校正点云集上传至服务器。
获取校正点云集中每个校正点云的位置坐标；从校正点云集中获取目标校正点云，以目标校正点云对应的序号为起点，向序号增大方向获取第一预设数量的校正点云，以及向序号减小方向获取第二预设数量的校正点云，得到包含目标校正点云的候选校正点云集；对候选校正点云集中每个校正点云的位置坐标进行求和；根据位置坐标的平方和，确定目标校正点云的曲率值；从曲率值中确定数值最大的曲率值和数值最小的曲率值，将数值最大的曲率值和数值最小的曲率值作为目标特征值；从校正点云集中获取目标特征值对应的校正点云进行点云配准，得到初始地图；根据点云反射率范围阈值和掩膜对初始地图进行滤波，得到目标地图。
关于地图生成装置的具体限定可以参见上文中对于地图生成方法的限定，在此不再赘述。上述地图生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述地图生成方法的步骤。
在一个实施例中，提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述地图生成方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！