CN109215487A - 一种基于深度学习的高精地图制作方法 - Google Patents
一种基于深度学习的高精地图制作方法 Download PDFInfo
- Publication number
- CN109215487A CN109215487A CN201810975320.7A CN201810975320A CN109215487A CN 109215487 A CN109215487 A CN 109215487A CN 201810975320 A CN201810975320 A CN 201810975320A CN 109215487 A CN109215487 A CN 109215487A
- Authority
- CN
- China
- Prior art keywords
- precision
- image
- information
- deep learning
- recognition model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
- G09B29/003—Maps
- G09B29/006—Representation of non-cartographic information on maps, e.g. population distribution, wind direction, radiation levels, air and sea routes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ecology (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的高精地图制作方法,涉及高精地图制作技术领域,所述高精地图制作方法包括:利用视觉系统和定位系统采集图像信息和位置信息;对图像信息中的高精地图要素和场景进行分类标注;采用深度学习算法根据图像标注成果训练图像识别模型;根据图像识别模型的训练成果和采集的位置信息对高精地图的要素进行精准测量;人工审核图像识别模型训练成果中的错误,并迭代优化图像模型,进而提示高精地图测量精度和自动化程度;根据优化的图像识别模型自动化合成高精地图。本发明能够解决现有高精地图的原始信息采集难度大以及制作工艺复杂,自动化程度低,人工投入成本大的问题。
Description
技术领域
本发明涉及高精地图制作技术领域,具体涉及一种基于深度学习的高精地图制作方法。
背景技术
高精地图是自动驾驶技术领域的核心技术之一。高精地图的发展直接影响自动驾驶的安全性和精准度,是自动驾驶落地的关键技术节点。高精地图的核心特质是其厘米级要素精度和要素的丰富度,为了能精准的保证自动驾驶的安全性,高精地图以厘米级的精度表达了道路及其附属设施的全部要素,成为自动驾驶汽车的“眼睛”。也正是这样的高精度,高丰富度要求,使高精地图的制作工艺成为业内的一大技术难题。
高精地图的制作工艺和高精地图的原始资料采集方式密切相关,现有高精地图的原始资料采集大多采用激光雷达,高分辨率视觉相机,高精度惯导设备相结合的多传感器采集模式。复杂的采集设备之间需要严格对准和成果融合,使地图制作工艺增加了处理环节和难度。对准和融合的误差会影响不同传感器成果的联合使用精准度。
现有的高精地图制作工艺的自动化程度还都停留在普通导航电子地图制作工艺阶段,即通过对激光雷达和视觉图片的模式识别及提取,配合人工分类和语义识别制作地图的基本要素的形状和属性。由于要素丰富度要求的增加,现有模式识别的成果很难在各类复杂场景下都有优秀的表现,不同城市的道路特征,道路上各类要素的丰富程度,给现有工艺的自动化程度带来了巨大的挑战。
发明内容
本发明的目的在于提供一种基于深度学习的高精地图制作方法,用以解决现有高精地图的原始信息采集难度大以及制作工艺复杂,自动化程度低,人工成本高的问题。
为实现上述目的,本发明实施例提供一种基于深度学习的高精地图制作方法,所述高精地图制作方法包括:利用视觉系统和定位系统采集图像信息和位置信息;对图像信息中的高精地图要素和场景进行标注;采用深度学习算法根据图像标注成果训练图像识别模型;根据图像识别模型的训练成果和位置信息对高精地图的要素进行测量;人工审核图像识别模型训练成果中的错误,并进行迭代优化;根据优化的图像识别模型自动化合成高精地图。
作为优选的技术方案,所述采集图像信息的方法包括:视觉系统采集图像信息,所述定位系统采集位置信息和姿态信息,再将图像信息、位置信息和姿态信息通过时间同步达成匹配,形成要素全面的高精地图原始图像信息。
作为优选的技术方案,所述高精地图要素包括道路上的车道模型和定位目标模型,所述车道模型包括车道线、红绿灯、导流带、人行横道线、停止线、车道的交通规制信息和拓扑信息,所述定位目标模型包括护栏、路缘石、路灯、路牌、过街天桥、地面上的标志、符号和数字。
作为优选的技术方案,所述对图像信息中的高精地图要素和场景进行标注的方法包括:通过在线图像标注系统对采集的高精地图原始图像做像素级的分类标注,并对图像的要素和场景做标签分类,形成机器学习的基础训练资料。
作为优选的技术方案,所述训练图像识别模型的方法包括:根据不同等级道路的车道线、地面标志、季节、城市和道路属性设置不同的场景,机器通过对不同场景的学习生成不同的图像识别模型,最终形成具有自动化识别场景能力的高精地图。
作为优选的技术方案,所述对高精地图的要素进行测量的方法包括:利用图像识别模型的训练成果对图像要素的语义进行识别,自动获取道路属性的类型,结合语义信息、图像信息、位置信息和姿态信息获取图像要素的精准三维坐标,对所述三维坐标进行测量,生成精度更高的地图要素。
作为优选的技术方案,所述人工审核的方法包括:人为对图像识别模型的训练结果进行审核,把存在问题的场景反馈给图像标注环节,修正机器识别的错误,补充形成新的图像标注成果,不断输入给机器学习,迭代优化图像识别模型。
作为优选的技术方案,所述根据优化的图像识别模型自动化合成高精地图的方法包括:根据不断优化的具有自动化识别场景能力的图像识别模型,不断提升高精地图测量的精度和自动化程度,并对高精地图要素进行整合,形成高精地图的拓扑关系,完成高精地图道路网的搭建。
本发明实施例具有如下优点:
(1)本发明采集工艺简单,成果处理难度小,精度高,成本低;
(2)本发明基于深度学习的高精地图要素自动提取,减少地图要素提取的重复人工投入;
(3)本发明基于深度学习成果,建立高精地图要素分类模型和拓扑关系,实现高精地图的高自动化测量。
附图说明
图1为本发明实施例提供的一种基于深度学习的高精地图制作方法流程图。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例1
本实施例提供一种基于深度学习的高精地图制作方法包括:利用视觉系统和定位系统采集图像信息;对图像信息中的高精地图要素和场景进行标注;采用深度学习算法根据图像标注成果训练图像识别模型;根据图像识别模型的训练成果对高精地图的要素进行测量;人工审核图像识别模型训练成果中的错误,并进行迭代优化;根据优化的图像识别模型自动合成高精地图。
进一步地,视觉采集生成高分辨率图像成果,是高精地图自动化工艺的原始生产资料,纯视觉的采集模式使后续图像标注和机器学习的高度自动化成为可能。因此,本实施例提供一种视觉系统,视觉系统包括500万像素的工业相机。定位系统包括全球卫星导航系统和惯性导航系统,利用视觉系统采集图像信息,利用定位系统采集位置信息和姿态信息,再将图像信息、位置信息和姿态信息通过时间同步达成匹配,形成要素全面的高精地图原始图像信息。
进一步地,高精地图要素包括道路上的车道模型和定位目标模型,所述车道模型包括车道线、红绿灯、导流带、人行横道线、停止线、车道的交通规制信息和拓扑信息,所述定位目标模型包括护栏、路缘石、路灯、路牌、过街天桥、地面上的标志、符号和数字。
分场景的像素级图像标注,是机器学习的样本基础,本实施例中通过在线图像标注系统对采集的高精地图原始图像做像素级的分类标注,并对图像的要素和场景做标签分类,形成机器学习的基础训练资料,根据高精度地图的精度和要素要求,设置多维度的学习标注场景,解决不同采集条件,不同道路环境,不同要素和属性的模型训练要求。
训练图像识别模型的方法包括:根据不同等级道路的车道线、地面标志、季节、城市和道路属性设置不同的场景,机器通过对不同场景的学习生成不同的图像识别模型,最终形成具有自动化识别场景能力的高精地图,当自动驾驶车辆在行驶过程中采集到前方道路场景时可以自动识别前方场景的要素,保证行车安全。
进一步地,本实施例利用图像识别模型的训练成果对图像要素的语义进行识别,自动获取道路属性的类型,结合语义信息、图像信息、位置信息和姿态信息获取图像要素的精准三维坐标,对所述三维坐标进行测量,生成精度更高的地图要素。再人为对图像识别模型的训练结果进行审核,把存在问题的场景反馈给图像标注环节,修正机器识别的错误,补充形成新的图像标注成果,不断输入给机器学习,迭代优化图像识别模型,提升高精地图测量正确性和精度。
最后,根据不断优化的具有自动化识别场景能力的图像识别模型,不断提升高精地图测量的精度和自动化程度,并对高精地图要素进行整合,形成高精地图的拓扑关系,完成高精地图道路网的搭建。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (8)
1.一种基于深度学习的高精地图制作方法,其特征在于,所述高精地图制作方法包括:
利用视觉系统和定位系统采集图像信息和位置信息;
对图像信息中的高精地图要素和场景进行标注;
采用深度学习算法根据图像标注成果训练图像识别模型;
根据图像识别模型的训练成果和位置信息对高精地图的要素进行测量;
人工审核图像识别模型训练成果中的错误,并进行迭代优化;
根据优化的图像识别模型自动化合成高精地图。
2.如权利要求1所述的一种基于深度学习的高精地图制作方法,其特征在于,所述采集图像信息的方法包括:视觉系统采集图像信息,所述定位系统采集位置信息和姿态信息,再将图像信息、位置信息和姿态信息通过时间同步达成匹配,形成要素全面的高精地图原始图像信息。
3.如权利要求1所述的一种基于深度学习的高精地图制作方法,其特征在于,所述高精地图要素包括道路上的车道模型和定位目标模型,所述车道模型包括车道线、红绿灯、导流带、人行横道线、停止线、车道的交通规制信息和拓扑信息,所述定位目标模型包括护栏、路缘石、路灯、路牌、过街天桥、地面上的标志、符号和数字。
4.如权利要求1所述的一种基于深度学习的高精地图制作方法,其特征在于,所述对图像信息中的高精地图要素和场景进行标注的方法包括:通过在线图像标注系统对采集的高精地图原始图像做像素级的分类标注,并对图像的要素和场景做标签分类,形成机器学习的基础训练资料。
5.如权利要求1所述的一种基于深度学习的高精地图制作方法,其特征在于,所述训练图像识别模型的方法包括:根据不同等级道路的车道线、地面标志、季节、城市和道路属性设置不同的场景,机器通过对不同场景的学习生成不同的图像识别模型,最终形成具有自动化识别场景能力的高精地图。
6.如权利要求1所述的一种基于深度学习的高精地图制作方法,其特征在于,所述对高精地图的要素进行测量的方法包括:利用图像识别模型的训练成果对图像要素的语义进行识别,自动获取道路属性的类型,结合语义信息、图像信息、位置信息和姿态信息获取图像要素的精准三维坐标,对所述三维坐标进行测量,生成精度更高的地图要素。
7.如权利要求1所述的一种基于深度学习的高精地图制作方法,其特征在于,所述人工审核的方法包括:人为对图像识别模型的训练结果进行审核,把存在问题的场景反馈给图像标注环节,修正机器识别的错误,补充形成新的图像标注成果,不断输入给机器学习,迭代优化图像识别模型。
8.如权利要求1所述的一种基于深度学习的高精地图制作方法,其特征在于,所述根据优化的图像识别模型自动化合成高精地图的方法包括:根据不断优化的具有自动化识别场景能力的图像识别模型,不断提升高精地图测量的精度和自动化程度,并对高精地图要素进行整合,形成高精地图的拓扑关系,完成高精地图道路网的搭建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810975320.7A CN109215487A (zh) | 2018-08-24 | 2018-08-24 | 一种基于深度学习的高精地图制作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810975320.7A CN109215487A (zh) | 2018-08-24 | 2018-08-24 | 一种基于深度学习的高精地图制作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109215487A true CN109215487A (zh) | 2019-01-15 |
Family
ID=64989110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810975320.7A Pending CN109215487A (zh) | 2018-08-24 | 2018-08-24 | 一种基于深度学习的高精地图制作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109215487A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977191A (zh) * | 2019-04-01 | 2019-07-05 | 国家基础地理信息中心 | 问题地图检测方法、装置、电子设备和介质 |
CN110136227A (zh) * | 2019-04-26 | 2019-08-16 | 杭州飞步科技有限公司 | 高精地图的标注方法、装置、设备及存储介质 |
CN110426035A (zh) * | 2019-08-13 | 2019-11-08 | 哈尔滨理工大学 | 一种基于单目视觉和惯导信息融合的定位及建图方法 |
CN111008672A (zh) * | 2019-12-23 | 2020-04-14 | 腾讯科技(深圳)有限公司 | 样本提取方法、装置、计算机可读存储介质和计算机设备 |
CN111179355A (zh) * | 2019-12-20 | 2020-05-19 | 上海点甜农业专业合作社 | 一种结合点云和语义识别的双目摄像头标定方法 |
CN111221808A (zh) * | 2019-12-31 | 2020-06-02 | 武汉中海庭数据技术有限公司 | 一种无人值守的高精度地图质检方法和装置 |
CN111797189A (zh) * | 2020-07-03 | 2020-10-20 | 武汉四维图新科技有限公司 | 数据源质量评价方法与装置、设备、计算机可读存储介质 |
CN112434119A (zh) * | 2020-11-13 | 2021-03-02 | 武汉中海庭数据技术有限公司 | 一种基于异构数据融合的高精度地图生产装置 |
CN114359894A (zh) * | 2022-01-13 | 2022-04-15 | 浙大城市学院 | 一种佛教造像文物三维模型识别归类方法 |
CN116136409A (zh) * | 2023-04-18 | 2023-05-19 | 安徽蔚来智驾科技有限公司 | 驾驶控制方法、系统、控制装置及计算机可读存储介质 |
CN116343433A (zh) * | 2023-05-30 | 2023-06-27 | 广州市德赛西威智慧交通技术有限公司 | 一种基于rtk的高精度驾校安全监控方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930819A (zh) * | 2016-05-06 | 2016-09-07 | 西安交通大学 | 基于单目视觉和gps组合导航系统的实时城区交通灯识别系统 |
CN106441319A (zh) * | 2016-09-23 | 2017-02-22 | 中国科学院合肥物质科学研究院 | 一种无人驾驶车辆车道级导航地图的生成系统及方法 |
CN106525057A (zh) * | 2016-10-26 | 2017-03-22 | 陈曦 | 高精度道路地图的生成系统 |
CN106980855A (zh) * | 2017-04-01 | 2017-07-25 | 公安部交通管理科学研究所 | 交通标志快速识别定位系统及方法 |
CN107229690A (zh) * | 2017-05-19 | 2017-10-03 | 广州中国科学院软件应用技术研究所 | 基于路侧传感器的高精度动态地图数据处理系统及方法 |
CN107742311A (zh) * | 2017-09-29 | 2018-02-27 | 北京易达图灵科技有限公司 | 一种视觉定位的方法及装置 |
CN107808123A (zh) * | 2017-09-30 | 2018-03-16 | 杭州迦智科技有限公司 | 图像可行域检测方法、电子设备、存储介质、检测系统 |
CN108388641A (zh) * | 2018-02-27 | 2018-08-10 | 广东方纬科技有限公司 | 一种基于深度学习的交通设施地图生成方法与系统 |
-
2018
- 2018-08-24 CN CN201810975320.7A patent/CN109215487A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930819A (zh) * | 2016-05-06 | 2016-09-07 | 西安交通大学 | 基于单目视觉和gps组合导航系统的实时城区交通灯识别系统 |
CN106441319A (zh) * | 2016-09-23 | 2017-02-22 | 中国科学院合肥物质科学研究院 | 一种无人驾驶车辆车道级导航地图的生成系统及方法 |
CN106525057A (zh) * | 2016-10-26 | 2017-03-22 | 陈曦 | 高精度道路地图的生成系统 |
CN106980855A (zh) * | 2017-04-01 | 2017-07-25 | 公安部交通管理科学研究所 | 交通标志快速识别定位系统及方法 |
CN107229690A (zh) * | 2017-05-19 | 2017-10-03 | 广州中国科学院软件应用技术研究所 | 基于路侧传感器的高精度动态地图数据处理系统及方法 |
CN107742311A (zh) * | 2017-09-29 | 2018-02-27 | 北京易达图灵科技有限公司 | 一种视觉定位的方法及装置 |
CN107808123A (zh) * | 2017-09-30 | 2018-03-16 | 杭州迦智科技有限公司 | 图像可行域检测方法、电子设备、存储介质、检测系统 |
CN108388641A (zh) * | 2018-02-27 | 2018-08-10 | 广东方纬科技有限公司 | 一种基于深度学习的交通设施地图生成方法与系统 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977191B (zh) * | 2019-04-01 | 2021-04-30 | 国家基础地理信息中心 | 问题地图检测方法、装置、电子设备和介质 |
CN109977191A (zh) * | 2019-04-01 | 2019-07-05 | 国家基础地理信息中心 | 问题地图检测方法、装置、电子设备和介质 |
CN110136227A (zh) * | 2019-04-26 | 2019-08-16 | 杭州飞步科技有限公司 | 高精地图的标注方法、装置、设备及存储介质 |
CN110426035A (zh) * | 2019-08-13 | 2019-11-08 | 哈尔滨理工大学 | 一种基于单目视觉和惯导信息融合的定位及建图方法 |
CN110426035B (zh) * | 2019-08-13 | 2023-01-24 | 哈尔滨理工大学 | 一种基于单目视觉和惯导信息融合的定位及建图方法 |
CN111179355A (zh) * | 2019-12-20 | 2020-05-19 | 上海点甜农业专业合作社 | 一种结合点云和语义识别的双目摄像头标定方法 |
CN111008672A (zh) * | 2019-12-23 | 2020-04-14 | 腾讯科技(深圳)有限公司 | 样本提取方法、装置、计算机可读存储介质和计算机设备 |
CN111221808A (zh) * | 2019-12-31 | 2020-06-02 | 武汉中海庭数据技术有限公司 | 一种无人值守的高精度地图质检方法和装置 |
CN111797189A (zh) * | 2020-07-03 | 2020-10-20 | 武汉四维图新科技有限公司 | 数据源质量评价方法与装置、设备、计算机可读存储介质 |
CN111797189B (zh) * | 2020-07-03 | 2024-03-19 | 武汉四维图新科技有限公司 | 数据源质量评价方法与装置、设备、计算机可读存储介质 |
CN112434119A (zh) * | 2020-11-13 | 2021-03-02 | 武汉中海庭数据技术有限公司 | 一种基于异构数据融合的高精度地图生产装置 |
CN114359894A (zh) * | 2022-01-13 | 2022-04-15 | 浙大城市学院 | 一种佛教造像文物三维模型识别归类方法 |
CN114359894B (zh) * | 2022-01-13 | 2024-04-30 | 浙大城市学院 | 一种佛教造像文物三维模型识别归类方法 |
CN116136409A (zh) * | 2023-04-18 | 2023-05-19 | 安徽蔚来智驾科技有限公司 | 驾驶控制方法、系统、控制装置及计算机可读存储介质 |
CN116343433A (zh) * | 2023-05-30 | 2023-06-27 | 广州市德赛西威智慧交通技术有限公司 | 一种基于rtk的高精度驾校安全监控方法及系统 |
CN116343433B (zh) * | 2023-05-30 | 2023-10-24 | 广州市德赛西威智慧交通技术有限公司 | 一种基于rtk的高精度驾校安全监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109215487A (zh) | 一种基于深度学习的高精地图制作方法 | |
CN111144388B (zh) | 一种基于单目影像的道路标志标线的更新方法 | |
CN107229690B (zh) | 基于路侧传感器的高精度动态地图数据处理系统及方法 | |
Máttyus et al. | Hd maps: Fine-grained road segmentation by parsing ground and aerial images | |
CN108388641B (zh) | 一种基于深度学习的交通设施地图生成方法与系统 | |
CN106441319A (zh) | 一种无人驾驶车辆车道级导航地图的生成系统及方法 | |
CN108550143A (zh) | 一种基于rgb-d相机的车辆长宽高尺寸的测量方法 | |
CN105930819A (zh) | 基于单目视觉和gps组合导航系统的实时城区交通灯识别系统 | |
Guan et al. | A novel framework to automatically fuse multiplatform LiDAR data in forest environments based on tree locations | |
CN109446973B (zh) | 一种基于深度神经网络图像识别的车辆定位方法 | |
CN109815300A (zh) | 一种车辆定位方法 | |
CN113392169A (zh) | 一种高精度地图更新的方法、装置及服务器 | |
CN113358125B (zh) | 一种基于环境目标检测和环境目标地图的导航方法及系统 | |
CN111221808A (zh) | 一种无人值守的高精度地图质检方法和装置 | |
CN107403163A (zh) | 一种基于深度学习的激光slam闭环检测方法 | |
CN110097620A (zh) | 基于图像和三维激光的高精度地图创建系统 | |
CN109858374A (zh) | 高精度地图制作中箭头类标线自动提取方法和装置 | |
CN113255578B (zh) | 交通标识的识别方法及装置、电子设备和存储介质 | |
CN115564865A (zh) | 一种众包高精地图的构建方法、系统、电子设备及车辆 | |
CN113724387A (zh) | 一种激光与相机融合的地图构建方法 | |
CN115294294A (zh) | 基于深度图像和点云的管线bim模型重建方法及系统 | |
CN112419512A (zh) | 一种基于语义信息的空中三维模型修复系统及方法 | |
CN111383286B (zh) | 定位方法、装置、电子设备及可读存储介质 | |
CN112446915B (zh) | 一种基于图像组的建图方法及装置 | |
CN114509065A (zh) | 地图构建方法、系统、车辆终端、服务器端及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190115 |
|
RJ01 | Rejection of invention patent application after publication |