本申请涉及计算机，尤其涉及一种交通标志提取方法、装置、电子设备和计算机存储介质。
背景技术：
1、目前，随着自动驾驶技术的高速发展，人们对高精地图的需求日益陡增。相关技术中，在高精地图自动化生产的过程中，通常采用深度学习与点云相结合的方法提取交通标志，然而，该方法存在难以正确分类点云的问题，使得交通标志提取结果与真实结果偏差较大，难以确保交通标志的提取精确度。
技术实现思路
1、本申请提供一种交通标志提取方法、装置、电子设备和计算机存储介质，能够提升交通标志的提取精确度。
2、本申请的技术方案是这样实现的：
3、本申请提供了一种交通标志提取方法，所述方法包括：
4、对目标区域进行数据采集，得到影像数据、位置和姿态系统(position andorientation system，pos)数据和点云数据；所述影像数据包括至少一个交通标志；
5、使用交通标志识别模型对所述影像数据进行识别，得到识别结果；所述识别结果包括每个交通标志对应的图像区域；
6、根据所述pos数据，确定所述识别结果中各图像区域对应的点云数据，并对所述各图像区域对应的点云数据进行聚类，得到至少一个聚类簇；每个聚类簇包括多个目标点云；
7、根据所述多个目标点云的测量值对所述每个聚类簇进行优化，根据优化后的每个聚类簇，完成对所述至少一个交通标志的提取；所述测量值包括高程值和水平值中的至少一项。
8、在一些实施例中，在所述测量值包括所述高程值的情况下，所述根据所述多个目标点云的测量值对所述每个聚类簇进行优化，包括：
9、根据所述多个目标点云的高程值，对所述多个目标点云进行排序，得到第一序列；
10、根据所述第一序列，确定所述每个聚类簇对应的顶部高程值和底部高程值；
11、根据所述顶部高程值和所述底部高程值对所述每个聚类簇进行优化。
12、在一些实施例中，在所述测量值包括所述水平值的情况下，所述根据所述多个目标点云的测量值对所述每个聚类簇进行优化，包括：
13、根据所述多个目标点云的水平值，对所述多个目标点云进行排序，得到第二序列；
14、根据所述第二序列，确定所述每个聚类簇对应的左部水平值和右部水平值；
15、根据所述左部水平值和所述右部水平值对所述每个聚类簇进行优化。
16、在一些实施例中，在所述测量值包括所述高程值和所述水平值的情况下，所述根据所述多个目标点云的测量值对所述每个聚类簇进行优化，包括：
17、根据所述多个目标点云的高程值，对所述多个目标点云进行排序，得到第三序列；
18、根据所述第三序列，确定所述每个聚类簇对应的顶部高程值和底部高程值；
19、根据所述多个目标点云的水平值，对所述多个目标点云进行排序，得到第四序列；
20、根据所述第四序列，确定所述每个聚类簇对应的左部水平值和右部水平值；
21、根据所述顶部高程值、所述底部高程值、所述左部水平值和所述右部水平值，对所述每个聚类簇进行优化。
22、在一些实施例中，所述根据所述第一序列，确定所述每个聚类簇对应的顶部高程值和底部高程值，包括：
23、对所述第一序列中多个目标点云的高程值进行线段拟合，得到拟合线段；
24、对所述拟合线段进行曲率计算，得到最大曲率和最小曲率；
25、将所述最大曲率对应的高程值确定为所述每个聚类簇对应的顶部高程值，将所述最小曲率对应的高程值确定为所述每个聚类簇对应的底部高程值。
26、在一些实施例中，所述方法还包括：
27、按照预设的过滤阈值，对所述识别结果包括的各图像区域进行过滤，得到目标识别结果；所述目标识别结果包括至少一个图像区域；
28、所述根据所述pos数据，确定所述识别结果中各图像区域对应的点云数据，包括：
29、根据所述pos数据，确定所述目标识别结果中各图像区域对应的点云数据。
30、在一些实施例中，所述方法还包括：
31、获取交通标志数据集；所述交通标志数据集包括多个包含有交通标志的交通标志图像；
32、对每一交通标志图像中各交通标志对应的边框区域进行灰度填充，得到对应的标签数据；
33、根据所述每一交通标志图像和对应的所述标签数据构造训练数据集；
34、使用据所述训练数据集对初始识别模型进行训练，得到所述交通标志识别模型。
35、本申请提供一种交通标志提取装置，所述装置包括：
36、采集模块，用于对目标区域进行数据采集，得到影像数据、pos数据和点云数据；所述影像数据包括至少一个交通标志；
37、识别模块，用于使用交通标志识别模型对所述影像数据进行识别，得到识别结果；所述识别结果包括每个交通标志对应的图像区域；
38、聚类模块，用于根据所述pos数据，确定所述识别结果中各图像区域对应的点云数据，并对所述各图像区域对应的点云数据进行聚类，得到至少一个聚类簇；每个聚类簇包括多个目标点云；
39、优化模块，用于根据所述多个目标点云的测量值对所述每个聚类簇进行优化，根据优化后的每个聚类簇，完成对所述至少一个交通标志的提取；所述测量值包括高程值和水平值中的至少一项。
40、本申请提供一种电子设备，所述设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述一个或多个技术方案提供的交通标志提取方法。
41、本申请提供一种计算机存储介质，所述计算机存储介质存储有计算机程序；所述计算机程序被执行后能够实现前述一个或多个技术方案提供的交通标志提取方法。
42、本申请实施例提供一种交通标志提取方法、装置、电子设备和计算机存储介质，所述方法包括：对目标区域进行数据采集，得到影像数据、pos数据和点云数据；所述影像数据包括至少一个交通标志；使用交通标志识别模型对所述影像数据进行识别，得到识别结果；所述识别结果包括每个交通标志对应的图像区域；根据所述pos数据，确定所述识别结果中各图像区域对应的点云数据，并对所述各图像区域对应的点云数据进行聚类，得到至少一个聚类簇；每个聚类簇包括多个目标点云；根据所述多个目标点云的测量值对所述每个聚类簇进行优化，根据优化后的每个聚类簇，完成对所述至少一个交通标志的提取；所述测量值包括高程值和水平值中的至少一项。
43、可以看出，本申请实施例中，在对各图像区域对应的点云数据进行聚类后，会利用各聚类簇中点云的高程值和/或水平值对聚类结果作进一步优化，使得优化的聚类簇所表征的交通标志高度信息和/或宽度信息更加接近真实场景中的交通标志，基于该优化的聚类簇进行交通标志的提取，可以大大减少交通标志提取结果与真实结果的偏差，有效提升交通标志的提取精确度。
1.一种交通标志提取方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述测量值包括所述高程值的情况下，所述根据所述多个目标点云的测量值对所述每个聚类簇进行优化，包括：
3.根据权利要求1所述的方法，其特征在于，在所述测量值包括所述水平值的情况下，所述根据所述多个目标点云的测量值对所述每个聚类簇进行优化，包括：
4.根据权利要求1所述的方法，其特征在于，在所述测量值包括所述高程值和所述水平值的情况下，所述根据所述多个目标点云的测量值对所述每个聚类簇进行优化，包括：
5.根据权利要求2所述的方法，其特征在于，所述根据所述第一序列，确定所述每个聚类簇对应的顶部高程值和底部高程值，包括：
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
8.一种交通标志提取装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至7任一项所述的方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。
