CN109579856A - 高精度地图生成方法、装置、设备及计算机可读存储介质 - Google Patents
高精度地图生成方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109579856A CN109579856A CN201811291905.3A CN201811291905A CN109579856A CN 109579856 A CN109579856 A CN 109579856A CN 201811291905 A CN201811291905 A CN 201811291905A CN 109579856 A CN109579856 A CN 109579856A
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- information
- precision map
- key element
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
Abstract
本发明提供一种高精度地图生成方法、装置、设备及计算机可读存储介质，方法包括：接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种；从所述待处理图像中提取可绘制高精度地图的关键元素；对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息；将所述结构化信息投影至三维空间中，获得所述高精度地图。由于图像采集设备的成本远远低于激光雷达，因此，能够在低成本的基础上，实现高精度地图的制作。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种高精度地图生成方法、装置、设备及计算机可读存储介质。
背景技术
随着交通的发展，道路变得越来越复杂，车辆类型也越来越多，因此对地图的精度的要求越来越高。以无人驾驶汽车举例来说，无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶的目的。因此，为了使无人驾驶汽车安全行驶，就需要地图的精度足够高。
为了获取高精度地图，现有技术中通常是基于激光点云的俯视图(底图)压制得到的，具体地，激光电源是通过安装有激光雷达的采集车对路况采集获得的。
但是由于激光雷达的价格较高，而制作高精度地图所需的数据量较大，因此导致制作高精度地图的成本高。
发明内容
本发明提供一种高精度地图生成方法、装置、设备及计算机可读存储介质，用于解决现有技术中通过激光点云制作高精度地图造成成本较高的技术问题。
本发明的第一个方面是提供一种高精度地图生成方法，包括：
接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种；
从所述待处理图像中提取可绘制高精度地图的关键元素；
对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息；
将所述结构化信息投影至三维空间中，获得所述高精度地图。
本发明的另一个方面是提供一种高精度地图生成装置，包括：
待处理图像接收模块，用于接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种；
关键元素提取模块，用于从所述待处理图像中提取可绘制高精度地图的关键元素；
结构化模块，用于对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息；
投影模块，用于将所述结构化信息投影至三维空间中，获得所述高精度地图。
本发明的又一个方面是提供一种高精度地图生成设备，包括：存储器，处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为由所述处理器执行如上述的高精度地图生成方法。
本发明的又一个方面是提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述的高精度地图生成方法。
本发明提供的高精度地图生成方法、装置、设备及计算机可读存储介质，通过接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种；从所述待处理图像中提取可绘制高精度地图的关键元素；对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息；将所述结构化信息投影至三维空间中，获得所述高精度地图。由于图像采集设备的成本远远低于激光雷达，因此，能够在低成本的基础上，实现高精度地图的制作。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明基于的网络架构示意图；
图2为本发明实施例一提供的高精度地图生成装置的流程示意图；
图3为本发明实施例提供的高精度地图生成方法所基于的场景图；
图4为本发明实施例二提供的高精度地图生成方法的流程示意图；
图5为本发明实施例三提供的高精度地图生成方法的流程示意图；
图6为本发明实施例四提供的高精度地图生成方法的流程示意图；
图7为本发明实施例五提供的高精度地图生成装置的结构示意图；
图8为本发明实施例六提供的高精度地图生成设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例所获得的所有其他实施例，都属于本发明保护的范围。
为了获取高精度地图，现有技术中通常是基于激光点云的俯视图(底图)压制得到的，具体地，激光电源是通过安装有激光雷达的采集车对路况采集获得的。但是由于激光雷达的价格较高，而制作高精度地图所需的数据量较大，因此导致制作高精度地图的成本高。
为了解决上述技术问题，本发明提供了一种高精度地图生成方法、装置、设备及计算机可读存储介质，需要说明的是，本发明提供的高精度地图生成方法能够应用在任意一种路况数据获取的场景中。
图1为本发明基于的网络架构示意图，如图1所示，本发明基于的网络架构至少包括：图像采集设备1、高精度地图生成装置2，高精度地图生成装置2可以与图像采集设备1进行通信，实现信息交互。其中高精度地图生成装置2可以采用软件和/或硬件的方式实现，当其以软件方式实现时，可以采用C/C++、Java、Shell或Python等语言编写；图像采集设备1为相机、摄像机中的任意一种或多种。作为一种可以实施的方式，本发明所基于的网络架构还可以包括数据服务器3，高精度地图生成装置在完成高精度地图的制作之后，可以将高精度地图发送至数据服务器3中进行存储，其中数据服务器3则可为云端服务器或服务器集群，其内存储有大量的数据。
图2为本发明实施例一提供的高精度地图生成方法的流程示意图，图3为本发明实施例提供的高精度地图生成方法所基于的场景图，如图2-图3所示，所述方法包括：
步骤201、接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种。
本实施例的执行主体为高精度地图生成装置，高精度地图生成装置与图像采集设备通信连接，实现信息交互。为了提高制作的地图的精度，需要获得大量的数据，因此，可以采用众包的方式实现图像数据的获取，此外，作为一种可以实施的方式，也可以通过数据采集者的车队实现对图像数据的采集。具体地，可以将图像采集设备固定设置在众包或数据采集者的车队中的多个车辆上，在车辆行驶的过程中进行图像的拍摄，并将拍摄到的待处理图像发送至高精度地图生成装置。具体地，可以采用实时传输的方式实现待处理图像的传输，也可以采用按照预设的时间间隔传输的方式实现待处理图像的传输，本发明在此不做限制。相应地，高精度地图生成装置可以接收图像采集设备发送的待处理图像，其中，待处理图像中包括图像采集设备的位姿信息，位姿信息包括图像采集设备的XYZ轴的坐标信息以及姿态信息，以便后续根据位姿信息进行高精度地图的构建。
需要说明的是，图像采集设备可以为相机、摄像机中的任意一种或多种。由于相机与摄像机往往价格较为低廉，因此能够节约高精度地图制作的成本。具体地，可以对图像采集设备进行改进，为其配备GPS、IMU等功能，以实现待处理图像的采集。
步骤202、从所述待处理图像中提取可绘制高精度地图的关键元素。
在本实施方式中，由于待处理图像中包括多种信息，举例来说，其中包括制作高精度地图所需要的路况信息，也包括无用的行人等信息，因此，为了实现高精度地图的制作，高精度地图生成装置接收到待处理图像之后，可以从待处理图像中提取绘制高精度地图所需要的关键元素。
步骤203、对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息。
在本实施方式中，由于从待处理图像中提取到的关键元素均为独立的个体，而实际场景中多种不同的关键元素之间存在包含、并列、连接关系，因此，为了实现高精度地图的制作，需要对从待处理图像中提取到的关键元素进行结构化处理，获取与待处理图像对应的结构化信息。
步骤204、将所述结构化信息投影至三维空间中，获得所述高精度地图。
在本实施方式中，由于不同车型对于地图有着不同的需求，举例来说，若车型为无人车，由于无人车中没有人进行操控，因此需要从地图中获取到精准的信息。因此，可以将二维的结构化信息投影到三维空间中，获得高精度地图，从而无人车可以从高精度地图中获取到高度信息，进而能够实现安全驾驶。
具体地，如图3所示，当前具有多辆众包车辆21，各众包车辆21上均设置有图像采集设备，图像采集设备用于采集待处理图像，并将待处理图像发送至高精度地图生成装置进行地图的生成。
本实施例提供的高精度地图生成方法，通过接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种；从所述待处理图像中提取可绘制高精度地图的关键元素；对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息；将所述结构化信息投影至三维空间中，获得所述高精度地图。由于图像采集设备的成本远远低于激光雷达，因此，能够在低成本的基础上，实现高精度地图的制作。
图4为本发明实施例二提供的高精度地图生成方法的流程示意图，在上述任一实施例的基础上，如图3-图4所示，所述关键元素包括车道线信息、路沿信息、栅栏信息、红绿灯信息、标志牌信息、地面箭头信息；所述方法包括：
步骤301、接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种；
步骤302、通过图像分割技术从所述待处理图像中提取车道线，对提取到的车道线进行去噪操作以及矢量化操作，获得以线为单位的车道线信息；
步骤303、通过图像检测技术从所述待处理图像中提取路沿信息、栅栏信息、红绿灯信息、标志牌信息、地面箭头信息；
步骤304、对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息；
步骤305、将所述结构化信息投影至三维空间中，获得所述高精度地图。
在本实施例中，由于待处理图像中包括多种信息，举例来说，其中包括制作高精度地图所需要的路况信息，也包括无用的行人等信息，因此，为了实现高精度地图的制作，高精度地图生成装置接收到待处理图像之后，可以从待处理图像中提取绘制高精度地图所需要的关键元素。具体地，关键元素可以包括车道线信息、路沿信息、栅栏信息、红绿灯信息、标志牌信息、地面箭头信息等多种信息，因此，针对车道线信息，可以通过图像分割技术从所述待处理图像中提取车道线，对提取到的车道线进行去噪操作以及矢量化操作，获得以线为单位的车道线信息。此外，可以通过图像检测技术，从待处理图像中提取路沿信息、栅栏信息、红绿灯信息、标志牌信息、地面箭头信息。进一步地，可以根据获取的车道线信息、路沿信息、栅栏信息，利用车道宽度、道路边界(路沿、栅栏)等信息，将同方向的车道组成一个车道组。
如图3所示，当前路面上设置有车道线25、路沿障碍物22、红绿灯24以及标志牌23等，为了实现高精度地图的构建，首先需要将上述信息作为关键元素进行提取。
作为一种可以实施的方式，也可以采用神经网络的方式实现关键元素的获取。具体地，可以首先对待训练数据进行关键元素的标注，待训练数据为街景图像数据，并将标注后的待训练数据添加至预先建立的待训练神经网络模型中进行训练，最终获得训练好的神经网络模型。后续可以直接将图像采集设备发送的待处理图像添加至训练好的神经网络模型中，即能够实现关键元素的获取。
本实施例提供的高精度地图生成方法，通过图像分割技术从所述待处理图像中提取车道线，对提取到的车道线进行去噪操作以及矢量化操作，获得以线为单位的车道线信息；通过图像检测技术从所述待处理图像中提取路沿信息、栅栏信息、红绿灯信息、标志牌信息、地面箭头信息，从而能够精准快速地从待处理图像中获取构建高精度地图所需的关键元素，提高高精度地图制作的效率。
图5为本发明实施例三提供的高精度地图生成方法的流程示意图，在上述任一实施例的基础上，如图5所示，所述方法包括：
步骤401、接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种；
步骤402、从所述待处理图像中提取可绘制高精度地图的关键元素；
步骤403、确定各关键信息的层级关系；
步骤404、按照所述层级信息对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息；
步骤405、将所述结构化信息投影至三维空间中，获得所述高精度地图。
在本实施例中，由于从待处理图像中提取到的关键元素均为独立的个体，因此，为了实现高精度地图的制作，需要对从待处理图像中提取到的关键元素进行结构化处理，获取与待处理图像对应的结构化信息。具体地，可以确定各关键元素的层级关系，并按照该层级关系对关键元素进行结构化处理，即矢量化处理。举例来说，某条路具体由几个车道构成、某一车都是哪几条线、某个标识(例如限速牌)具体是那条路上的。确定上述层级关系之后，既能够对关键元素进行结构化处理。
本实施例提供的高精度地图生成方法，通过确定各关键信息的层级关系；按照所述层级信息对所述关键元素进行结构化处理，从而能够精准地确定关键元素之间的关联关系，使高精度地图的结构更加严密，提高地图的可用性。
进一步地，在上述任一实施例的基础上，所述方法包括：
接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种；
从所述待处理图像中提取可绘制高精度地图的关键元素；
对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息；
根据结构化信息中各相邻待处理图像中的位姿信息将所述结构化信息投影至三维空间中，获得所述高精度地图。
在本实施例中，由于不同车型对于地图有着不同的需求，举例来说，若车型为无人车，由于无人车中没有人进行操控，因此需要从地图中获取到精准的信息。因此，可以将二维的结构化信息投影到三维空间中，获得高精度地图，从而无人车可以从高精度地图中获取到高度信息，进而能够实现安全驾驶。具体地，可以根据结构化信息中各相邻待处理图像中的位姿信息将所述结构化信息投影至三维空间中。由于位姿信息中包括图像采集设备的XYZ坐标信息以及当前的朝向信息，因此，能够以结构化信息中多帧相邻待处理图像的位姿信息为基础，寻找各位姿信息之间的匹配关系，通过多组对应关系得到空间三维点的位置，最终得到空间三维模型。
本实施例提供的高精度地图生成方法，通过根据结构化信息中各相邻待处理图像中的位姿信息将所述结构化信息投影至三维空间中，获得高精度地图，从而能够进一步地提高地图的精准度。
进一步地，在上述任一实施例的基础上，所述方法包括：
接收各图像采集设备采集的图像信息；
按照预设的投票规则对所述图像信息进行投票，并将置信度最高的图像信息作为所述待处理图像；
接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种；
从所述待处理图像中提取可绘制高精度地图的关键元素；
对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息；
将所述结构化信息投影至三维空间中，获得所述高精度地图。
在本实施例中，由于参与图像采集的众包车辆数量较多，而且采集到的图像数据量也较多，因此，为了提高高精度地图制作的效率，需要从众多图像数据中采集待处理图像。具体地，接收到各图像采集设备发送的图像信息之后，可以按照预设的投票规则对图像信息进行投票，并将置信度最高的图像信息作为待处理图像。举例来说，可以将多份图像信息进行比对，根据语义信息以及位姿信息进行投票，获得待处理图像。
本实施例提供的高精度地图生成方法，通过接收各图像采集设备采集的图像信息；按照预设的投票规则对所述图像信息进行投票，并将置信度最高的图像信息作为所述待处理图像，能够提高高精度地图制作的效率。
图6为本发明实施例四提供的高精度地图生成方法的流程示意图，在上述任一实施例的基础上，如图6所示，所述方法包括：
步骤501、接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种；
步骤502、将所述待处理图像与预存的高精度地图进行比对，确定所述待处理图像与预存的高精度地图之间的相似度；
步骤503、若所述相似度低于预设的第一阈值，则根据所述待处理图像对所述预存的高精度地图进行更新；
步骤504、从所述待处理图像中提取可绘制高精度地图的关键元素；
步骤505、对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息；
步骤506、将所述结构化信息投影至三维空间中，获得所述高精度地图。
在本实施例中，若当前已存储有完整的高精度地图，则可以根据接收到的待处理图像对高精度地图进行更新。具体地，可以将待处理图像与预存的高精度地图进行比对，确定二者的相似度。相应地，若二者的相似度低于预设的阈值，则表征当前路况已发生改变，为了保证高精度地图的精准度，需要对高精度地图进行更新。
本实施例提供的高精度地图生成方法，通过将所述待处理图像与预存的高精度地图进行比对，确定所述待处理图像与预存的高精度地图之间的相似度；若所述相似度低于预设的第一阈值，则根据所述待处理图像对所述预存的高精度地图进行更新，从而能够进一步地提高高精度地图的精准度。
进一步地，在上述任一实施例的基础上，所述方法包括：
接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种；
将所述待处理图像与预存的高精度地图进行比对，确定所述待处理图像与预存的高精度地图之间的相似度；
若所述相似度低于预设的第一阈值，则对所述预存的高精度地图的更新标记次数进行更新；
若所述更新标记次数超过预设的第二阈值，则根据所述结构化信息对所述预存的高精度地图进行更新；
从所述待处理图像中提取可绘制高精度地图的关键元素；
对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息；
将所述结构化信息投影至三维空间中，获得所述高精度地图。
在本实施例中，若当前已存储有完整的高精度地图，则可以根据接收到的待处理图像对高精度地图进行更新。具体地，可以将待处理图像与预存的高精度地图进行比对，确定二者的相似度。相应地，若二者的相似度低于预设的阈值，则表征当前路况已发生改变，为了节约成本，可以选择暂时不对高精度地图进行更新，而是根据本次超出阈值的事件进行记录，即高精度地图的更新标记。若检测到更新标记次数大于预设的第二阈值，则表征当前路况发生较大的改变，需要对地图进行及时更新，因此，可以根据接收到的待处理图像进行地图的更新。
本实施例提供的高精度地图生成方法，通过若所述相似度低于预设的第一阈值，则对所述预存的高精度地图的更新标记次数进行更新；若所述更新标记次数超过预设的第二阈值，则根据所述结构化信息对所述预存的高精度地图进行更新，从而能够保证高精度地图精准度的基础上，降低地图维护的成本。
图7为本发明实施例五提供的高精度地图生成装置的结构示意图，如图7所示，所述高精度地图生成装置包括：
待处理图像接收模块61，用于接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种；
关键元素提取模块62，用于从所述待处理图像中提取可绘制高精度地图的关键元素；
结构化模块63，用于对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息；
投影模块64，用于将所述结构化信息投影至三维空间中，获得所述高精度地图。
本实施例提供的高精度地图生成装置，通过接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种；从所述待处理图像中提取可绘制高精度地图的关键元素；对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息；将所述结构化信息投影至三维空间中，获得所述高精度地图。由于图像采集设备的成本远远低于激光雷达，因此，能够在低成本的基础上，实现高精度地图的制作。
进一步地，在上述任一实施例的基础上，所述关键元素包括车道线信息、路沿信息、栅栏信息、红绿灯信息、标志牌信息、地面箭头信息；
相应地，所述关键元素提取模块包括：
第一提取单元，用于通过图像分割技术从所述待处理图像中提取车道线，对提取到的车道线进行去噪操作以及矢量化操作，获得以线为单位的车道线信息；
第二提取单元，用于通过图像检测技术从所述待处理图像中提取路沿信息、栅栏信息、红绿灯信息、标志牌信息、地面箭头信息。
进一步地，在上述任一实施例的基础上，所述结构化模块包括：
层级关系确定单元，用于确定各关键信息的层级关系；
处理单元，用于按照所述层级信息对所述关键元素进行结构化处理。
进一步地，在上述任一实施例的基础上，所述投影模块包括：
投影单元，用于根据结构化信息中各相邻待处理图像中的位姿信息将所述结构化信息投影至三维空间中
进一步地，在上述任一实施例的基础上，所述装置还包括：
图像信息接收模块，用于接收各图像采集设备采集的图像信息；
投票模块，用于按照预设的投票规则对所述图像信息进行投票，并将置信度最高的图像信息作为所述待处理图像。
进一步地，在上述任一实施例的基础上，所述装置还包括：
比对模块，用于将所述待处理图像与预存的高精度地图进行比对，确定所述待处理图像与预存的高精度地图之间的相似度；
更新模块，用于若所述相似度低于预设的第一阈值，则根据所述待处理图像对所述预存的高精度地图进行更新。
进一步地，在上述任一实施例的基础上，所述更新模块包括：
第一更新单元，用于若所述相似度低于预设的第一阈值，则对所述预存的高精度地图的更新标记次数进行更新；
第二更新单元，用于若所述更新标记次数超过预设的第二阈值，则根据所述待处理图像对所述预存的高精度地图进行更新。
图8为本发明实施例六提供的高精度地图生成设备的结构示意图，如图8所示，所述高精度地图生成设备，包括：存储器71，处理器72；
存储器71；用于存储所述处理器72可执行指令的存储器71；
其中，所述处理器72被配置为由所述处理器72执行如上述任一实施例所述的高精度地图生成方法；
进一步地，高精度地图生成设备中还包括通信接口73。
本发明又一实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7任一项所述的高精度地图生成方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (16)
1.一种高精度地图生成方法，其特征在于，包括：
接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种；
从所述待处理图像中提取可绘制高精度地图的关键元素；
对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息；
将所述结构化信息投影至三维空间中，获得所述高精度地图。
2.根据权利要求1所述的方法，其特征在于，所述关键元素包括车道线信息、路沿信息、栅栏信息、红绿灯信息、标志牌信息、地面箭头信息；
相应地，所述从所述待处理图像中提取可绘制高精地图的关键元素，包括：
通过图像分割技术从所述待处理图像中提取车道线，对提取到的车道线进行去噪操作以及矢量化操作，获得以线为单位的车道线信息；
通过图像检测技术从所述待处理图像中提取路沿信息、栅栏信息、红绿灯信息、标志牌信息、地面箭头信息。
3.根据权利要求1所述的方法，其特征在于，所述对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息，包括：
确定各关键信息的层级关系；
按照所述层级信息对所述关键元素进行结构化处理。
4.根据权利要求1所述的方法，其特征在于，所述将所述结构化信息投影至三维空间中，包括：
根据结构化信息中各相邻待处理图像的位姿信息将所述结构化信息投影至三维空间中。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述接收各图像采集设备采集的待处理图像之前，还包括：
接收各图像采集设备采集的图像信息；
按照预设的投票规则对所述图像信息进行投票，并将置信度最高的图像信息作为所述待处理图像。
6.根据权利要求1-4任一项所述的方法，其特征在于，所述接收各图像采集设备采集的待处理图像之后，还包括：
将所述待处理图像与预存的高精度地图进行比对，确定所述待处理图像与预存的高精度地图之间的相似度；
若所述相似度低于预设的第一阈值，则根据所述待处理图像对所述预存的高精度地图进行更新。
7.根据权利要求6所述的方法，其特征在于，所述若所述相似度低于预设的第一阈值，则根据所述待处理图像对所述预存的高精度地图进行更新，包括：
若所述相似度低于预设的第一阈值，则对所述预存的高精度地图的更新标记次数进行更新；
若所述更新标记次数超过预设的第二阈值，则根据所述待处理图像对所述预存的高精度地图进行更新。
8.一种高精度地图生成装置，其特征在于，包括：
待处理图像接收模块，用于接收各图像采集设备采集的待处理图像，并根据所述待处理图像记录所述图像采集设备的位姿信息，所述图像采集设备分别设置在各车辆上，所述图像采集设备为相机、摄像机中的任意一种或多种；
关键元素提取模块，用于从所述待处理图像中提取可绘制高精度地图的关键元素；
结构化模块，用于对所述关键元素进行结构化处理，获得与所述待处理图像对应的结构化信息；
投影模块，用于将所述结构化信息投影至三维空间中，获得所述高精度地图。
9.根据权利要求8所述的装置，其特征在于，所述关键元素包括车道线信息、路沿信息、栅栏信息、红绿灯信息、标志牌信息、地面箭头信息；
相应地，所述关键元素提取模块包括：
第一提取单元，用于通过图像分割技术从所述待处理图像中提取车道线，对提取到的车道线进行去噪操作以及矢量化操作，获得以线为单位的车道线信息；
第二提取单元，用于通过图像检测技术从所述待处理图像中提取路沿信息、栅栏信息、红绿灯信息、标志牌信息、地面箭头信息。
10.根据权利要求8所述的装置，其特征在于，所述结构化模块包括：
层级关系确定单元，用于确定各关键信息的层级关系；
处理单元，用于按照所述层级信息对所述关键元素进行结构化处理。
11.根据权利要求8所述的装置，其特征在于，所述投影模块包括：
投影单元，用于根据结构化信息中各相邻待处理图像中的位姿信息将所述结构化信息投影至三维空间中。
12.根据权利要求8-11任一项所述的装置，其特征在于，所述装置还包括：
图像信息接收模块，用于接收各图像采集设备采集的图像信息；
投票模块，用于按照预设的投票规则对所述图像信息进行投票，并将置信度最高的图像信息作为所述待处理图像。
13.根据权利要求8-11任一项所述的装置，其特征在于，所述装置还包括：
比对模块，用于将所述待处理图像与预存的高精度地图进行比对，确定所述待处理图像与预存的高精度地图之间的相似度；
更新模块，用于若所述相似度低于预设的第一阈值，则根据所述待处理图像对所述预存的高精度地图进行更新。
14.根据权利要求13所述的装置，其特征在于，所述更新模块包括：
第一更新单元，用于若所述相似度低于预设的第一阈值，则对所述预存的高精度地图的更新标记次数进行更新；
第二更新单元，用于若所述更新标记次数超过预设的第二阈值，则根据所述待处理图像对所述预存的高精度地图进行更新。
15.一种高精度地图生成设备，其特征在于，包括：存储器，处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为由所述处理器执行如权利要求1-7任一项所述的高精度地图生成方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7任一项所述的高精度地图生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811291905.3A CN109579856A (zh) | 2018-10-31 | 2018-10-31 | 高精度地图生成方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811291905.3A CN109579856A (zh) | 2018-10-31 | 2018-10-31 | 高精度地图生成方法、装置、设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109579856A true CN109579856A (zh) | 2019-04-05 |
Family
ID=65921435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811291905.3A Pending CN109579856A (zh) | 2018-10-31 | 2018-10-31 | 高精度地图生成方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109579856A (zh) |
Cited By (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110060343A (zh) * | 2019-04-24 | 2019-07-26 | 百度在线网络技术（北京）有限公司 | 地图构建方法及系统、服务器、计算机可读介质 |
| CN110361016A (zh) * | 2019-07-11 | 2019-10-22 | 浙江吉利汽车研究院有限公司 | 一种建图方法和建图系统 |
| CN110595494A (zh) * | 2019-09-17 | 2019-12-20 | 百度在线网络技术（北京）有限公司 | 地图误差确定方法和装置 |
| CN110645986A (zh) * | 2019-09-27 | 2020-01-03 | Oppo广东移动通信有限公司 | 定位方法及装置、终端、存储介质 |
| CN111427037A (zh) * | 2020-03-18 | 2020-07-17 | 北京百度网讯科技有限公司 | 障碍物的检测方法和装置、电子设备和车端设备 |
| CN111597986A (zh) * | 2020-05-15 | 2020-08-28 | 北京百度网讯科技有限公司 | 用于生成信息的方法、装置、设备和存储介质 |
| CN111597987A (zh) * | 2020-05-15 | 2020-08-28 | 北京百度网讯科技有限公司 | 用于生成信息的方法、装置、设备和存储介质 |
| CN111795703A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 地图构建方法、装置、存储介质及移动设备 |
| CN111986347A (zh) * | 2020-07-20 | 2020-11-24 | 汉海信息技术(上海)有限公司 | 设备管理方法、装置、电子设备及存储介质 |
| CN112150538A (zh) * | 2019-06-27 | 2020-12-29 | 北京初速度科技有限公司 | 一种在三维地图构建过程中车辆位姿的确定方法和装置 |
| CN112198882A (zh) * | 2020-12-09 | 2021-01-08 | 苏州优智达机器人有限公司 | 机器人执行任务的方法、控制设备、机器人及存储介质 |
| CN112419542A (zh) * | 2020-12-07 | 2021-02-26 | 安徽江淮汽车集团股份有限公司 | 道路纠错上报方法、装置、设备及存储介质 |
| CN112530270A (zh) * | 2019-09-17 | 2021-03-19 | 北京初速度科技有限公司 | 一种基于区域分配的建图方法及装置 |
| CN113407559A (zh) * | 2021-07-15 | 2021-09-17 | 广州小鹏自动驾驶科技有限公司 | 更新方法、装置及计算机存储介质 |
| CN114037677A (zh) * | 2021-11-05 | 2022-02-11 | 安徽宇呈数据技术有限公司 | 一种可接入充电宝的便携式地图采集设备 |
| CN114219907A (zh) * | 2021-12-08 | 2022-03-22 | 阿波罗智能技术(北京)有限公司 | 三维地图生成方法、装置、设备以及存储介质 |
| US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
| US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
| WO2022193995A1 (zh) * | 2021-03-16 | 2022-09-22 | 华为技术有限公司 | 一种地图更新方法、基于地图的驾驶决策方法及装置 |
| US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
| US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
| US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
| US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
| US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
| US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
| US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
| US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
| US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
| CN116295469A (zh) * | 2023-05-19 | 2023-06-23 | 九识(苏州)智能科技有限公司 | 高精地图的生成方法、装置、设备及存储介质 |
| US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
| US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
| US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
| US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
| US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
| US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
| US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
| US11983630B2 (en) | 2023-01-19 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106525057A (zh) * | 2016-10-26 | 2017-03-22 | 陈曦 | 高精度道路地图的生成系统 |
| CN106790680A (zh) * | 2017-02-07 | 2017-05-31 | 驭势（上海）汽车科技有限公司 | 高精度地图的分布式存储系统及其应用 |
| CN107451526A (zh) * | 2017-06-09 | 2017-12-08 | 蔚来汽车有限公司 | 地图的构建及其应用 |
| CN108036794A (zh) * | 2017-11-24 | 2018-05-15 | 华域汽车系统股份有限公司 | 一种高精度地图生成系统及生成方法 |
| WO2018126228A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Sign and lane creation for high definition maps used for autonomous vehicles |
-
2018
- 2018-10-31 CN CN201811291905.3A patent/CN109579856A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106525057A (zh) * | 2016-10-26 | 2017-03-22 | 陈曦 | 高精度道路地图的生成系统 |
| WO2018126228A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Sign and lane creation for high definition maps used for autonomous vehicles |
| CN106790680A (zh) * | 2017-02-07 | 2017-05-31 | 驭势（上海）汽车科技有限公司 | 高精度地图的分布式存储系统及其应用 |
| CN107451526A (zh) * | 2017-06-09 | 2017-12-08 | 蔚来汽车有限公司 | 地图的构建及其应用 |
| CN108036794A (zh) * | 2017-11-24 | 2018-05-15 | 华域汽车系统股份有限公司 | 一种高精度地图生成系统及生成方法 |
Cited By (49)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
| US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
| US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
| US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
| US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
| US11797304B2 (en) | 2018-02-01 | 2023-10-24 | Tesla, Inc. | Instruction set architecture for a vector computational unit |
| US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
| US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
| US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
| US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
| US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
| US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
| US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
| US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
| US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
| US11908171B2 (en) | 2018-12-04 | 2024-02-20 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
| US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
| US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
| US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
| US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
| CN111795703A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 地图构建方法、装置、存储介质及移动设备 |
| CN110060343A (zh) * | 2019-04-24 | 2019-07-26 | 百度在线网络技术（北京）有限公司 | 地图构建方法及系统、服务器、计算机可读介质 |
| CN112150538B (zh) * | 2019-06-27 | 2024-04-12 | 北京初速度科技有限公司 | 一种在三维地图构建过程中车辆位姿的确定方法和装置 |
| CN112150538A (zh) * | 2019-06-27 | 2020-12-29 | 北京初速度科技有限公司 | 一种在三维地图构建过程中车辆位姿的确定方法和装置 |
| CN110361016A (zh) * | 2019-07-11 | 2019-10-22 | 浙江吉利汽车研究院有限公司 | 一种建图方法和建图系统 |
| CN112530270B (zh) * | 2019-09-17 | 2023-03-14 | 北京初速度科技有限公司 | 一种基于区域分配的建图方法及装置 |
| CN112530270A (zh) * | 2019-09-17 | 2021-03-19 | 北京初速度科技有限公司 | 一种基于区域分配的建图方法及装置 |
| CN110595494A (zh) * | 2019-09-17 | 2019-12-20 | 百度在线网络技术（北京）有限公司 | 地图误差确定方法和装置 |
| CN110595494B (zh) * | 2019-09-17 | 2021-06-22 | 百度在线网络技术（北京）有限公司 | 地图误差确定方法和装置 |
| CN110645986A (zh) * | 2019-09-27 | 2020-01-03 | Oppo广东移动通信有限公司 | 定位方法及装置、终端、存储介质 |
| CN111427037A (zh) * | 2020-03-18 | 2020-07-17 | 北京百度网讯科技有限公司 | 障碍物的检测方法和装置、电子设备和车端设备 |
| CN111427037B (zh) * | 2020-03-18 | 2022-06-03 | 北京百度网讯科技有限公司 | 障碍物的检测方法和装置、电子设备和车端设备 |
| CN111597986A (zh) * | 2020-05-15 | 2020-08-28 | 北京百度网讯科技有限公司 | 用于生成信息的方法、装置、设备和存储介质 |
| CN111597986B (zh) * | 2020-05-15 | 2023-09-29 | 北京百度网讯科技有限公司 | 用于生成信息的方法、装置、设备和存储介质 |
| CN111597987A (zh) * | 2020-05-15 | 2020-08-28 | 北京百度网讯科技有限公司 | 用于生成信息的方法、装置、设备和存储介质 |
| CN111597987B (zh) * | 2020-05-15 | 2023-09-01 | 阿波罗智能技术(北京)有限公司 | 用于生成信息的方法、装置、设备和存储介质 |
| CN111986347A (zh) * | 2020-07-20 | 2020-11-24 | 汉海信息技术(上海)有限公司 | 设备管理方法、装置、电子设备及存储介质 |
| CN111986347B (zh) * | 2020-07-20 | 2022-07-22 | 汉海信息技术(上海)有限公司 | 设备管理方法、装置、电子设备及存储介质 |
| CN112419542A (zh) * | 2020-12-07 | 2021-02-26 | 安徽江淮汽车集团股份有限公司 | 道路纠错上报方法、装置、设备及存储介质 |
| CN112198882B (zh) * | 2020-12-09 | 2021-12-07 | 苏州优智达机器人有限公司 | 机器人执行任务的方法、控制设备、机器人及存储介质 |
| CN112198882A (zh) * | 2020-12-09 | 2021-01-08 | 苏州优智达机器人有限公司 | 机器人执行任务的方法、控制设备、机器人及存储介质 |
| WO2022193995A1 (zh) * | 2021-03-16 | 2022-09-22 | 华为技术有限公司 | 一种地图更新方法、基于地图的驾驶决策方法及装置 |
| CN113407559A (zh) * | 2021-07-15 | 2021-09-17 | 广州小鹏自动驾驶科技有限公司 | 更新方法、装置及计算机存储介质 |
| CN114037677A (zh) * | 2021-11-05 | 2022-02-11 | 安徽宇呈数据技术有限公司 | 一种可接入充电宝的便携式地图采集设备 |
| CN114037677B (zh) * | 2021-11-05 | 2022-07-26 | 安徽宇呈数据技术有限公司 | 一种可接入充电宝的便携式地图采集设备 |
| CN114219907A (zh) * | 2021-12-08 | 2022-03-22 | 阿波罗智能技术(北京)有限公司 | 三维地图生成方法、装置、设备以及存储介质 |
| US11983630B2 (en) | 2023-01-19 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
| CN116295469B (zh) * | 2023-05-19 | 2023-08-15 | 九识(苏州)智能科技有限公司 | 高精地图的生成方法、装置、设备及存储介质 |
| CN116295469A (zh) * | 2023-05-19 | 2023-06-23 | 九识(苏州)智能科技有限公司 | 高精地图的生成方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109579856A (zh) | 高精度地图生成方法、装置、设备及计算机可读存储介质 | |
| Li et al. | Springrobot: A prototype autonomous vehicle and its algorithms for lane detection | |
| CN111582189B (zh) | 交通信号灯识别方法、装置、车载控制终端及机动车 | |
| CN111209780A (zh) | 车道线属性检测方法、装置、电子设备及可读存储介质 | |
| CN109510851A (zh) | 地图数据的构建方法和设备 | |
| CN110348332B (zh) | 一种交通视频场景下机非人多目标实时轨迹提取方法 | |
| CN109597862A (zh) | 基于拼图式的地图生成方法、装置及计算机可读存储介质 | |
| US20190311209A1 (en) | Feature Recognition Assisted Super-resolution Method | |
| CN112037142B (zh) | 一种图像去噪方法、装置、计算机及可读存储介质 | |
| CN112967283A (zh) | 基于双目摄像头的目标识别方法、系统、设备及存储介质 | |
| CN111295666A (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
| CN111091023A (zh) | 一种车辆检测方法、装置及电子设备 | |
| CN109583312A (zh) | 车道线识别方法、装置、设备及存储介质 | |
| WO2021017211A1 (zh) | 一种基于视觉的车辆定位方法、装置及车载终端 | |
| CN111931683A (zh) | 图像识别方法、装置及计算机可读存储介质 | |
| CN114511632A (zh) | 车位地图的构建方法及装置 | |
| CN113850136A (zh) | 基于yolov5与BCNN的车辆朝向识别方法及系统 | |
| DE112021006101T5 (de) | Systeme und Verfahren zur Objektdetektion mit LiDAR-Dekorrelation | |
| CN112257668A (zh) | 主辅路判断方法、装置、电子设备及存储介质 | |
| DE112021005607T5 (de) | Systeme und Verfahren für kamera-LiDAR-fusionierte Objektdetektion | |
| CN113076896A (zh) | 一种规范停车方法、系统、装置及存储介质 | |
| CN113902047B (zh) | 图像元素匹配方法、装置、设备以及存储介质 | |
| CN115790568A (zh) | 基于语义信息的地图生成方法及相关设备 | |
| CN115203352A (zh) | 车道级定位方法、装置、计算机设备和存储介质 | |
| CN110827340A (zh) | 地图的更新方法、装置及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |