CN109863547A - 用于使用机器学习和图像处理来构建地图的设备 - Google Patents

用于使用机器学习和图像处理来构建地图的设备 Download PDF

Info

Publication number
CN109863547A
CN109863547A CN201880001451.3A CN201880001451A CN109863547A CN 109863547 A CN109863547 A CN 109863547A CN 201880001451 A CN201880001451 A CN 201880001451A CN 109863547 A CN109863547 A CN 109863547A
Authority
CN
China
Prior art keywords
polygon
unit
prediction
map
data
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.)
Granted
Application number
CN201880001451.3A
Other languages
English (en)
Other versions
CN109863547B (zh
Inventor
朴周钦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Da Feiao
Original Assignee
Da Feiao
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Da Feiao filed Critical Da Feiao
Publication of CN109863547A publication Critical patent/CN109863547A/zh
Application granted granted Critical
Publication of CN109863547B publication Critical patent/CN109863547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G09B29/005—Map projections or methods associated specifically therewith
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/004—Predictors, e.g. intraframe, interframe coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Abstract

本发明公开一种用于构建地图的设备。根据本发明的所述用于构建地图的设备包括：数据收集单元，用于单独地收集向量数据和栅格数据；向量数据处理单元，用于通过处理向量数据产生事先设定的大小的地面实况图像；栅格数据处理单元，用于通过处理栅格数据产生设定大小的已划分的栅格图像；以及多边形产生单元，用于经由地面实况图像和已划分的栅格图像的机器学习产生预测的多边形，且基于预测的多边形和地面实况图像产生能够基于栅格数据应用于地图构建的多边形。

Description

用于使用机器学习和图像处理来构建地图的设备
技术领域
本发明涉及一种用于使用机器学习和图像处理来构建地图的设备，且更明确地说涉及一种用于使用机器学习和图像处理来构建地图的设备，所述设备基于机器学习方法当中的卷积神经网络(CNN)以深度学习的方式自动构建地图。
背景技术
随着被提供给电子信息终端的地图相关技术的发展，从地图提供的各种形式的基于位置的服务(LBS)正在开发中。
LBS包括用于提供商业实体的电话号码、商业实体的地址和详细信息的兴趣点(point of interest，简称“POI”)信息服务、交通状况信息服务、地理信息全景服务(例如道路视图和航摄虚拟现实(VR)，其示出以摄影全景的形式产生的用户实际地理特征)等。
在此方面，近来已提供OpenStreetMap作为开放式地图服务。
OpenStreetMap是用户个人创建地图的地图服务。因为每一用户可根据需要个人构建地图，所以OpenStreetMap已经结合谷歌地图(Google Maps)在各种领域中使用。
作为与本发明相关的背景技术，存在公开号为10-2005-0097618(2005年10月10日)，发明名称为“用于使用GPS和INS来制作数字地图的系统和方法(System and Methodfor Making Digital Map Using GPS and INS)”的韩国专利。
发明内容
[技术问题]
对于由现有导航系统或网站提供的地图，用户个人通过查看卫星图片并作出决策而将建筑物或道路分类，且通过手动地绘制建筑物、道路等以新的形式产生地图。
然而，因为现有方法涉及用户亲自手动地创建地图，所以存在以下问题：构建地图花费时间长、生产成本高，以及地图的精度由于用户的错误操作或失误而降低。
并且，因为现有方法涉及手动地查找频繁改变的建筑物和道路的数据来以最新信息更新数据，所以更新地图并不容易。
为了解决常规技术的上文所描述的问题，本发明旨在提供一种用于使用机器学习和图像处理来构建地图的设备，所述设备基于对基于向量数据划分的训练数据和基于栅格数据划分的训练数据的深度学习(即，机器学习)来经由所述栅格数据自动构建地图。
本发明还提供一种用于使用机器学习和图像处理来构建地图的设备，所述设备可以减少地图创建期间的失误并提高地图的精度，因为可以使用栅格数据自动构建地图。
[技术解决方案]
本发明的一个方面提供一种用于使用机器学习和图像处理来构建地图的设备，所述设备包括：数据收集单元，用于单独地收集向量数据和栅格数据；向量数据处理单元，用于通过处理向量数据产生事先设定的大小的地面实况图像；栅格数据处理单元，用于通过处理栅格数据产生所述设定的大小的已划分的栅格图像；以及多边形产生单元，用于经由对地面实况图像和已划分的栅格图像的机器学习来产生预测的多边形，且基于预测的多边形和地面实况图像产生能够基于所述栅格数据应用于地图构建的多边形。
本发明的向量数据处理单元可包括数据解析单元，用于单独地解析数条向量数据，使得当向量数据的文件格式或坐标系中的至少一个彼此不同时，所述数条向量数据的格式或坐标系彼此一致。
本发明的向量数据处理单元可包括：地图产生单元，用于使用向量数据产生地图且对地图的相应类别进行彩色编码；以及向量数据划分单元，用于通过将地图划分为设定大小的区块而产生地面实况图像。
本发明的地图产生单元可以不同颜色对地图的相应类别进行彩色编码。
本发明的设定大小可以是针对机器学习预设的训练数据大小。
本发明的栅格数据处理单元可包括栅格数据划分单元，用于通过将栅格数据划分为设定大小的数条数据来产生用于机器学习的预设数目或更大数目的已划分的栅格图像。
本发明的栅格数据处理单元可包括坐标校正单元，用于根据栅格数据的参考坐标的精度以实际地图的坐标校正栅格数据的坐标。
本发明的栅格数据处理单元可包括图像校正单元，用于移除存在于已划分的栅格图像中的机器学习妨碍因素。
本发明的多边形产生单元可包括：多边形预测单元，用于经由对地面实况图像和已划分的栅格图像的机器学习来产生预测的多边形；向量数据转换单元，用于通过将预测的多边形转换为向量数据来产生预测的向量数据；以及精度验证单元，用于通过比较地面实况图像和预测的向量数据来验证预测的向量数据的精度，且根据验证结果将预测的多边形确定为能够基于栅格数据应用于地图构建的多边形。
本发明的多边形产生单元可经由对地面实况图像和已划分的栅格图像的机器学习根据类别辨识预测的多边形的形状，且通过对预测的多边形进行分类来预测位置。
本发明的向量数据转换单元可根据类别使用向量跟踪技术将预测的多边形转换为预测的向量数据。
本发明的精度验证单元可通过以像素级单位比较地面实况图像和预测的向量数据彼此重叠的部分来确定精度。
本发明的精度验证单元可基于预测的向量数据相对于地面实况图像的精度是否为事先设定值或更大来确定预测的多边形是否能够基于栅格数据应用于地图构建。
当精度小于设定值时，本发明的精度验证单元可使得多边形预测单元重复地面实况图像的机器学习来提高预测的向量数据的精度。
本发明的多边形产生单元可包括形状调整单元，用于将预测的多边形调整为能够基于栅格数据应用于地图构建的多边形形状。
本发明的形状调整单元可调整预测的多边形的边形状，且使预测的多边形的节点数目最小化，使得预测的多边形能够基于栅格数据应用于地图构建。
[有利效果]
根据本发明的一方面用于使用机器学习和图像处理来构建地图的设备能够基于对基于向量数据划分的训练数据和基于栅格数据划分的训练数据的机器学习来经由栅格数据自动构建地图。
因为根据本发明的另一方面用于使用机器学习和图像处理来构建地图的设备能够使用栅格数据自动构建地图，所以可以减少地图创建期间的失误并提高地图的精度。
附图说明
图1是根据本发明的实施例用于使用机器学习和图像处理来构建地图的设备的框图。
图2是根据本发明的实施例的向量数据处理单元的框图。
图3是根据本发明的实施例的向量数据的实例图。
图4是根据本发明的实施例在彩色编码之后划分成训练数据大小的区块的向量数据图像的实例图。
图5是根据本发明的实施例的栅格数据处理单元的框图。
图6示出根据本发明的实施例的栅格数据的横向和纵向校正的实例。
图7示出根据本发明的实施例基于栅格数据划分成训练数据大小的区块的栅格图像。
图8示出根据本发明的实施例基于图像处理的图像校正的实例。
图9是根据本发明的实施例的多边形产生单元的框图。
图10示出根据本发明的实施例经由地面实况和已划分的栅格图像的机器学习来预测多边形的实例。
图11示出根据本发明的实施例将预测的多边形转换为预测的向量数据的实例。
图12示出根据本发明的实施例通过比较地面实况和预测的向量数据来验证精度的实例。
图13示出根据本发明的实施例调整多边形的形状的实例。
图14是说明根据本发明的实施例使用机器学习和图像处理来构建地图的方法的流程图。
具体实施方式
下文中，将参看附图详细地描述根据本发明的实施例用于使用机器学习和图像处理来构建地图的设备。在图中，为了说明的清晰和便利起见，可能夸大了线的粗细、元件的大小等。此外，下文描述的术语考虑本发明中的功能性来定义，且可取决于用户或管理者的意图或实践而变化。因此，术语的定义应基于本说明书的总体内容作出。
图1是根据本发明的实施例用于使用机器学习和图像处理来构建地图的设备的框图。
参看图1，根据本发明的实施例用于使用机器学习和图像处理来构建地图的设备包括数据收集单元10、向量数据处理单元20、栅格数据处理单元30和多边形产生单元40。
数据收集单元10从各种源收集向量数据和栅格数据。
向量数据可包括数字地图、数字地形地图等，且栅格数据可包括卫星图片、建筑物图片等。
此处，数字地形地图可以例如Shapefile、NGI、GeoJson和Pbf等各种格式形成。栅格数据可被分类为卫星图片、航摄图片、无人机图片等，且根据相机传感器被分类为红绿蓝(RGB)图像、多光谱图像、超光谱图像等。
当数据收集单元10收集向量数据和栅格数据时，向量数据处理单元20和栅格数据处理单元30分别产生地面实况图像和已划分的栅格图像。请参看图2到8描述。
图2是根据本发明的实施例的向量数据处理单元的框图，图3是根据本发明的实施例的向量数据的实例图，且图4是根据本发明的实施例在彩色编码之后划分成训练数据大小的区块的地面实况的实例图。
向量数据处理单元20通过处理由数据收集单元10收集的向量数据产生事先设定大小的地面实况图像。所述设定大小将在下文中描述。
参看图2，向量数据处理单元20包括数据解析单元22、地图产生单元24和向量数据划分单元26。
当数条向量数据的文件格式或坐标系中的至少一个彼此不同时，数据解析单元22解析每一条向量数据使得数条向量数据的格式或坐标系彼此一致。
由数据收集单元10收集的数条向量数据可具有如上文所提及的不同格式，例如Shapefile、NGI、GeoJson和Pbf，或可取决于数条数值数据使用不同坐标系。
当数条向量数据具有不同格式或不同坐标系时，其间的兼容性可能降低。因此，有必要统一其格式或坐标系。
相应地，当数条向量数据的文件格式彼此不同时，数据解析单元22通过解析对应数条向量数据来统一文件格式，且当数条向量数据的坐标系彼此不同时，数据解析单元22通过解析对应数条向量数据来统一坐标系。
地图产生单元24使用格式或坐标系由数据解析单元22统一的向量数据产生地图，且以不同颜色对地图的相应类别进行彩色编码。
地图产生单元24使用如图3所示的向量数据产生地图。此外，因为有可能根据例如道路、建筑物、森林和水体的相应类别来查询已使用向量数据产生的地图，所以地图产生单元24根据包括道路、建筑物、森林和水体的相应类别对地图进行彩色编码。
向量数据划分单元26通过将地图划分为设定大小的区块来产生地面实况图像。
如图4所示，向量数据划分单元26可通过将已由地图产生单元24进行彩色编码的地图划分为设定大小的区块且渲染所划分的区块来产生多个(例如，100,000个)地面实况图像。
此处，设定大小是地面实况图像的限定大小，且可以像素为单位设定。根据此实施例设定大小被设定成256×256的情况将被作为实例来描述。
设定大小对应于设定成适于下文描述的机器学习的训练数据大小。将在下文描述机器学习。
因为地图划分成设定大小的区块，所以可从一个地图产生多个地面实况图像。
图4示出地图中的道路、建筑物和背景分别以黄绿色、白色和黑色进行彩色编码，且从地图产生总共6个地面实况图像。
如上文所描述，在统一数条向量数据的文件格式或坐标系之后，向量数据处理单元20经由对应数值数据产生地图且根据类别对地图进行彩色编码。随后，向量数据处理单元20将彩色编码的地图划分为设定大小的区块，且渲染所划分的区块，从而产生多个地面实况图像。
图5是根据本发明的实施例的栅格数据处理单元的框图，图6示出根据本发明的实施例的栅格数据的横向和纵向校正的实例，图7示出根据本发明的实施例已经基于栅格数据划分成训练数据大小的区块的测试图块，且图8示出根据本发明的实施例基于测试图块的图像处理的图像校正的实例。
栅格数据处理单元30通过处理栅格数据产生已划分的栅格图像。
参看图5，栅格数据处理单元30包括坐标校正单元32、栅格数据划分单元34和图像校正单元36。
坐标校正单元32根据栅格数据的参考坐标的精确性用实际地图的坐标校正栅格数据的坐标。
当参考坐标不精确时，例如卫星图片这样的栅格数据可能具有如图6的左图片上的红圈中所示的不精确的坐标。出于此原因，有必要校正不精确的坐标以与如图6的右图片上的红圈中所示的实际数字地图的坐标一致。这是因为将在下文描述的机器学习的精度在栅格数据的参考坐标不精确时降低。
相应地，如图6所示，坐标校正单元32根据栅格数据的参考坐标的精度以实际地图的坐标校正栅格数据的坐标。
栅格数据划分单元34将坐标已经由坐标校正单元32校正的栅格数据划分为与地面实况图像相同大小(也就是，设定大小)的数条数据，从而产生多个(例如，100,000个)已划分的栅格图像。
图7示出由栅格数据划分单元34划分的多个栅格图像。每一已划分的栅格图像具有256像素×256像素的大小，这与地面实况图像的大小相同。
图像校正单元36移除存在于由栅格数据划分单元34产生的多个已划分的栅格图像中的机器学习妨碍因素。
大体来说，机器学习妨碍因素可存在于由栅格数据划分单元34产生的已划分的栅格图像中的每一个中。
机器学习妨碍因素可包括建筑物等的阴影。
相应地，图像校正单元36确定机器学习妨碍因素是否存在于已划分的栅格图像中，且在机器学习妨碍因素存在时通过经由图像处理校正对应的已划分的栅格图像来移除机器学习妨碍因素。
在图8的左侧的已划分的栅格图像中，机器学习妨碍因素(也就是，阴影)归因于相应建筑物而存在。相反，可看到的是，所有阴影已经由图像校正单元36经由图像处理从图8的右侧的已划分的栅格图像移除。
如上文所描述，栅格数据处理单元30根据栅格数据的参考坐标的精度以实际地图的坐标校正栅格数据的坐标，且通过将校正的栅格数据划分为设定大小的数条数据来产生多个已划分的栅格图像。随后，栅格数据处理单元30处理已划分的栅格图像，从而移除存在于已划分的栅格图像中的机器学习妨碍因素。
同时，如上文所描述的，当地面实况图像由向量数据处理单元20产生且已划分的栅格图像由栅格数据划分单元34产生时，多边形产生单元40基于机器学习使用地面实况图像和已划分的栅格图像产生多边形。请参看图9到13的描述。
图9是根据本发明的实施例的多边形产生单元的框图，图10示出根据本发明的实施例经由地面实况和测试图块的机器学习预测多边形的实例，图11示出根据本发明的实施例将预测的多边形转换为预测的向量数据的实例，图12示出根据本发明的实施例通过比较地面实况和预测的向量数据来验证精度的实例，且图13示出根据本发明的实施例调整多边形的形状的实例。
多边形产生单元40经由对由向量数据处理单元20产生的地面实况图像和由栅格数据处理单元30产生的已划分的栅格图像的机器学习来产生预测的多边形，且基于预测的多边形和地面实况图像产生可基于栅格数据应用于地图构建的多边形。
参看图9，多边形产生单元40包括多边形预测单元42、向量数据转换单元44、精度验证单元46和形状调整单元48。
多边形预测单元42通过对由向量数据处理单元20产生的地面实况图像和已划分的栅格图像的机器学习来预测多边形，从而产生预测的多边形。
此处，基于卷积神经网络(CNN)的深度学习方法可用作机器学习方法。
多边形预测单元42基于如图10所示的地面实况图像经由机器学习从已划分的栅格图像产生预测的多边形。在此情况下，多边形预测单元42经由地面实况图像和已划分的栅格图像的机器学习根据类别辨识预测的多边形的形状，将预测的多边形分类，且预测其位置。
向量数据转换单元44通过将由多边形预测单元42预测的预测多边形转换为向量数据来产生预测的多边形的预测的向量数据。
在此情况下，如图11所示，向量数据转换单元44根据类别划分预测的多边形，且根据类别使用向量跟踪技术将预测的多边形转换为预测的向量数据。
精度验证单元46通过比较由向量数据处理单元20产生的地面实况图像和由向量数据转换单元44产生的预测的向量数据来验证预测的向量数据的精度，且根据验证结果将预测的多边形确定为可基于栅格数据应用于地图构建的多边形。
参看图12，精度验证单元46基于预测的向量数据相对于地面实况图像的精度是否为事先设定值或更大来确定预测的多边形是否能基于栅格数据应用于地图构建。此处，精度验证单元46通过以像素级单位比较地面实况图像和预测的向量数据彼此重叠的部分来确定精度。
在此情况下，精度验证单元46以像素级单位比较地面实况图像和预测的向量数据彼此重叠的部分，且确定地面实况图像和预测的向量数据彼此重叠的部分的比率，也就是说，精度是否为事先设定值或更大。
设定值为用于确定预测的向量数据相对于地面实况图像的精度的参考值。换句话说，当预测的向量数据与地面实况图像重叠的比率为设定值或更大时，预测的向量数据可被确定为显示出与地面实况图像极高的相似度。
当精度小于设定值时，精度验证单元46使得多边形预测单元42重复地面实况图像的机器学习，从而提高预测的向量数据的精度。
换句话说，当精度小于设定值时，精度验证单元46使得多边形预测单元42重复地面实况图像的机器学习，从而预测的向量数据的精度可通过根据精度的此类重复机器学习得以提高。
相反，当基于机器学习的预测的向量数据的精度为设定值或更大时，形状调整单元48确定预测的多边形能够基于栅格数据应用于地图构建并且调整预测的多边形的形状。
通过机器学习提取的预测的多边形具有不平滑的边。因此，当预测的多边形经由向量跟踪器向量化时，获得大量节点，且预测的多边形的数据大小相对极大。相应地，有必要使预测的多边形的损失和节点的数目最小化。
出于此原因，如图13中所示，形状调整单元48调整预测的多边形的边的形状，且使节点数目最小化，使得预测的多边形能够基于栅格数据应用于地图构建。
将在下文参看图14描述根据本发明的实施例使用机器学习和图像处理来构建地图的方法。
图14是说明根据本发明的实施例使用机器学习和图像处理来构建地图的方法的流程图。
参看图14，首先，数据收集单元10从各种源收集向量数据和栅格数据(S10)。
随后，向量数据处理单元20通过统一数条向量数据的文件格式或坐标系来产生地图，根据类别对所产生的地图进行彩色编码，接着通过将彩色编码的地图划分为设定大小的区块且渲染划分的区块来产生多个地面实况图像(S20)。
更具体地说，由数据收集单元10收集的数条向量数据可具有不同格式，例如Shapefile、NGI、GeoJson和Pbf，或可根据数条数值数据使用不同坐标系。
相应地，当数条向量数据的文件格式或坐标系中的至少一个彼此不同时，数据解析单元22解析每一条向量数据使得格式或坐标系彼此一致。
当数条向量数据的格式或坐标系由数据解析单元22统一时，地图产生单元24使用向量数据产生地图且以不同颜色对地图的相应类别进行彩色编码(S24)。在此情况下，地图产生单元24根据地图的包括道路、建筑物、森林、水体等相应类别对地图进行彩色编码。
随后，向量数据划分单元26将由地图产生单元24进行彩色编码的地图划分为设定大小的区块且渲染划分的区块，从而产生多个地面实况图像(S26)。
同时，当栅格数据由数据收集单元10收集时，栅格数据处理单元30根据实际地图的坐标校正栅格数据的坐标，通过将校正的栅格数据划分为设定大小的数条数据来产生多个已划分的栅格图像，且接着经由已划分的栅格图像的图像处理从已划分的栅格图像移除机器学习妨碍因素(S30)。
更具体地说，因为例如卫星图片这样的栅格数据可能具有不精确的参考坐标，所以坐标校正单元32根据栅格数据的参考坐标的精度以实际地图的坐标校正栅格数据的坐标(S32)。
随后，栅格数据划分单元34通过将坐标已经由坐标校正单元32校正的栅格数据划分为与地面实况图像相同大小(也就是，设定大小)的数条数据来产生多个已划分的栅格图像(S34)。
当栅格数据划分单元34产生已划分的栅格图像时，图像校正单元36移除存在于这些已划分的栅格图像中的机器学习妨碍因素。大体来说，机器学习妨碍因素可存在于由栅格数据划分单元34产生的已划分的栅格图像中的每一个中。因此，图像校正单元36确定机器学习妨碍因素是否存在于已划分的栅格图像中，且当机器学习妨碍因素存在时，通过经由图像处理校正对应的已划分的栅格图像来移除机器学习妨碍因素(S36)。
同时，如上文所描述的，当地面实况图像由向量数据处理单元20产生且已划分的栅格图像由栅格数据划分单元34产生时，多边形产生单元40经由对由向量数据处理单元20产生的地面实况图像和由栅格数据处理单元30产生的已划分的栅格图像的机器学习来产生预测的多边形，且基于预测的多边形和地面实况图像产生能够基于栅格数据应用于地图构建的多边形(S40)。
更具体地说，首先，多边形预测单元42经由对由向量数据处理单元20产生的地面实况图像和已划分的栅格图像的机器学习来预测多边形，从而产生预测的多边形(S42)。
随后，向量数据转换单元44通过将由多边形预测单元42产生的预测的多边形转换为向量数据而产生预测的多边形的预测的向量数据(S44)。在此情况下，向量数据转换单元44根据类别划分预测的多边形，且根据类别使用向量跟踪技术将预测的多边形转换为预测的向量数据。
当预测的多边形转换为预测的向量数据时，精度验证单元46通过比较由向量数据处理单元20产生的地面实况图像和由向量数据转换单元44产生的预测的向量数据来验证预测的向量数据的精度(S46)。
换句话说，精度验证单元46基于预测的向量数据相对于地面实况图像的精度是否为事先设定值或更大来确定预测的多边形是否可基于栅格数据应用于地图构建。
此处，当精度小于设定值时，精度验证单元46使得多边形预测单元42重复地面实况图像的机器学习，从而提高预测的向量数据的精度。
相反，当基于机器学习的预测向量数据的精度为设定值或更大时，形状调整单元48调整能够基于栅格数据应用于地图构建的预测的多边形的形状(S48)。大体来说，通过机器学习提取的预测的多边形具有不平滑的边。因此，形状调整单元48调整预测的多边形的边的形状，且使预测的多边形的节点数目最小化，使得预测的多边形能够基于栅格数据应用于地图构建。
如上文所描述，根据本发明的实施例用于使用机器学习和图像处理来构建地图的设备能够在对基于向量数据划分的训练数据和基于栅格数据划分的训练数据机器学习的基础上经由栅格数据自动构建地图。
并且，因为根据本发明的实施例用于使用机器学习和图像处理来构建地图的设备能够使用栅格数据自动构建地图，所以可以减少地图创建期间的失误并提高地图的精度。
尽管上文已参考附图中示出的实施例描述了本发明，但实施例仅为说明性的，且本发明所属技术领域的普通技术人员将理解，可从实施例导出各种修改或等效成分。因此，本发明的技术范围应由所附权利要求书确定。

Claims (16)

1.一种用于使用机器学习和图像处理来构建地图的设备，所述设备包括：
数据收集单元，用于单独地收集向量数据和栅格数据；
向量数据处理单元，用于通过处理所述向量数据产生事先设定的大小的地面实况图像；
栅格数据处理单元，用于通过处理所述栅格数据产生所述设定大小的已划分的栅格图像；以及
多边形产生单元，用于经由对所述地面实况图像和所述已划分的栅格图像的机器学习来产生预测的多边形，且基于所述预测的多边形和所述地面实况图像产生能够应用于基于栅格数据的地图构建的多边形。
2.根据权利要求1所述的设备，其中所述向量数据处理单元包括数据解析单元，所述数据解析单元用于单独地解析数条向量数据，使得当所述向量数据的文件格式或坐标系中的至少一个彼此不同时，所述数条向量数据的格式或坐标系彼此一致。
3.根据权利要求1所述的设备，其中所述向量数据处理单元包括：
地图产生单元，用于使用所述向量数据产生地图且对所述地图的相应类别进行彩色编码；以及
向量数据划分单元，用于通过将所述地图划分为所述设定大小的区块来产生所述地面实况图像。
4.根据权利要求3所述的设备，其中所述地图产生单元以不同颜色对所述地图的所述相应类别进行彩色编码。
5.根据权利要求1所述的设备，其中所述设定大小是为机器学习预设的训练数据大小。
6.根据权利要求1所述的设备，其中所述栅格数据处理单元包括栅格数据划分单元，所述栅格数据划分单元用于通过将所述栅格数据划分为所述设定大小的数条数据来产生用于机器学习的预设数目或更大数目的已划分的栅格图像。
7.根据权利要求1所述的设备，其中所述栅格数据处理单元包括坐标校正单元，所述坐标校正单元用于根据所述栅格数据的参考坐标的精度以实际地图的坐标校正所述栅格数据的坐标。
8.根据权利要求1所述的设备，其中所述栅格数据处理单元包括图像校正单元，所述图像校正单元用于移除存在于所述已划分的栅格图像中的机器学习妨碍因素。
9.根据权利要求1所述的设备，其中所述多边形产生单元包括：
多边形预测单元，用于经由对所述地面实况图像和所述已划分的栅格图像的机器学习来产生所述预测的多边形；
向量数据转换单元，用于通过将所述预测的多边形转换为向量数据来产生预测的向量数据；以及
精度验证单元，用于通过比较所述地面实况图像和所述预测的向量数据来验证所述预测的向量数据的精度，且根据验证结果将所述预测的多边形确定为能够基于所述栅格数据应用于地图构建的多边形。
10.根据权利要求9所述的设备，其中所述多边形产生单元经由对所述地面实况图像和所述已划分的栅格图像的机器学习来根据类别辨识所述预测的多边形的形状，且通过将所述预测的多边形分类来预测位置。
11.根据权利要求9所述的设备，其中所述向量数据转换单元根据类别使用向量跟踪技术将所述预测的多边形转换为所述预测的向量数据。
12.根据权利要求9所述的设备，其中所述精度验证单元通过以像素级单位比较所述地面实况图像和所述预测的向量数据彼此重叠的部分来确定所述精度。
13.根据权利要求9所述的设备，其中所述精度验证单元基于所述预测的向量数据相对于所述地面实况图像的精度是否为事先设定值或更大来确定所述预测的多边形是否能够应用于基于栅格数据的地图构建。
14.根据权利要求13所述的设备，其中当所述精度小于所述设定值时，所述精度验证单元使得所述多边形预测单元重复对所述地面实况图像的机器学习来提高所述预测的向量数据的所述精度。
15.根据权利要求13所述的设备，其中所述多边形产生单元包括形状调整单元，所述形状调整单元用于将所述预测的多边形调整为能够基于所述栅格数据应用于地图构建的多边形形状。
16.根据权利要求15所述的设备，其中所述形状调整单元调整所述预测的多边形的边的形状且使所述预测的多边形的节点的数目最小化，使得所述预测的多边形能够基于所述栅格数据应用于地图构建。
CN201880001451.3A 2017-09-13 2018-04-12 用于使用机器学习和图像处理来构建地图的设备 Active CN109863547B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020170117124A KR102053659B1 (ko) 2017-09-13 2017-09-13 기계학습과 이미지 프로세싱을 이용한 지도 제작 장치
KR10-2017-0117124 2017-09-13
PCT/KR2018/004294 WO2019054593A1 (ko) 2017-09-13 2018-04-12 기계학습과 이미지 프로세싱을 이용한 지도 제작 장치

Publications (2)

Publication Number Publication Date
CN109863547A true CN109863547A (zh) 2019-06-07
CN109863547B CN109863547B (zh) 2021-11-05

Family

ID=65722875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880001451.3A Active CN109863547B (zh) 2017-09-13 2018-04-12 用于使用机器学习和图像处理来构建地图的设备

Country Status (6)

Country Link
US (1) US11238647B2 (zh)
EP (1) EP3477620A4 (zh)
JP (1) JP6961610B2 (zh)
KR (1) KR102053659B1 (zh)
CN (1) CN109863547B (zh)
WO (1) WO2019054593A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102331746B1 (ko) * 2020-01-28 2021-11-26 한국과학기술정보연구원 교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체
KR102296576B1 (ko) * 2020-01-28 2021-09-02 한국과학기술정보연구원 교통 정보 제공 장치, 교통 정보 제공 방법, 및 교통 정보를 제공하는 프로그램을 저장하는 저장매체
KR102446433B1 (ko) * 2020-06-02 2022-09-23 네이버랩스 주식회사 차선분류장치 및 차선분류방법
CN111881919B (zh) * 2020-06-22 2024-02-20 中国人民解放军战略支援部队信息工程大学 一种基于追踪式格网剖分的线要素智能化简方法与装置
KR102287906B1 (ko) * 2020-12-16 2021-08-09 주식회사 직방 부동산 정보 제공 장치 및 부동산 정보 제공 방법
CN116337103B (zh) * 2023-05-17 2023-08-29 中国地质大学（武汉） 基于区域分类的分层泛在导航方法、装置及计算机设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006048070A (ja) * 2005-08-30 2006-02-16 Sumitomo Electric Ind Ltd 立体地図作成方法
KR100586034B1 (ko) * 2006-04-11 2006-06-02 새한항업(주) 지형지물 정보데이터를 수치지도에 업데이트하는 방법
KR101212788B1 (ko) * 2012-07-12 2012-12-18 태양정보시스템(주) 통합 벡터 모델 기반 지도 제작을 위한 수치지도 시스템 및 이를 이용한 수치지도 작성 방법
CN103703490A (zh) * 2011-06-29 2014-04-02 Nec软件系统科技有限公司 用于产生三维特征数据的设备、用于产生三维特征数据的方法、以及其上记录有用于产生三维特征数据的程序的记录介质
KR20140099183A (ko) * 2013-02-01 2014-08-11 삼성전자주식회사 이미지 처리 장치, 이미지 처리 방법, 컴퓨터 판독가능 기록매체 및 화상형성장치
WO2017038291A1 (ja) * 2015-08-31 2017-03-09 株式会社日立製作所 環境地図自動作成装置

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU642469B2 (en) * 1990-01-31 1993-10-21 De La Rue International Limited Image handling
US20020070932A1 (en) * 2000-12-10 2002-06-13 Kim Jesse Jaejin Universal three-dimensional graphics viewer for resource constrained mobile computers
JP2003150046A (ja) 2001-11-14 2003-05-21 Misawa Homes Co Ltd 地図情報配信装置、地図情報配信システム、地図情報配信方法および記憶媒体
KR100519054B1 (ko) * 2002-12-18 2005-10-06 한국과학기술원 기하학적으로 왜곡된 위성영상을 정밀 보정하는 방법 및기록매체
KR100558367B1 (ko) 2004-04-02 2006-03-10 한진정보통신(주) Ｇｐｓ및 ｉｎｓ를 이용한 수치지도 제작 시스템 및 방법
JP2009036676A (ja) * 2007-08-02 2009-02-19 Sony Corp 情報処理装置、付加情報提供方法及び付加情報提供プログラム
JP5097629B2 (ja) 2008-07-04 2012-12-12 株式会社日立ソリューションズ 地物形状変化検出プログラム、及び、地物形状変化検出システム
JP2012118666A (ja) * 2010-11-30 2012-06-21 Iwane Laboratories Ltd 三次元地図自動生成装置
US9230308B2 (en) * 2011-06-30 2016-01-05 Weyerhaeuser Nr Company Method and apparatus for removing artifacts from aerial images
US8488907B1 (en) 2011-08-19 2013-07-16 Google Inc. Hybrid images for maps combining low frequency map data and high frequency satellite image data
US9147286B2 (en) 2012-06-06 2015-09-29 Apple Inc. Non-static 3D map views
KR101459636B1 (ko) 2013-04-08 2014-11-07 현대엠엔소프트 주식회사 네비게이션 장치의 지도 표시방법 및 네비게이션 장치
JP6397379B2 (ja) 2015-07-30 2018-09-26 日本電信電話株式会社 変化領域検出装置、方法、及びプログラム
EP4036868A1 (en) * 2016-02-29 2022-08-03 Urugus S.A. System for planetary-scale analytics
US20190072407A1 (en) * 2016-07-26 2019-03-07 Google Llc Interactive Geo-Contextual Navigation Tool
US10616482B2 (en) * 2017-03-10 2020-04-07 Gopro, Inc. Image quality assessment

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006048070A (ja) * 2005-08-30 2006-02-16 Sumitomo Electric Ind Ltd 立体地図作成方法
KR100586034B1 (ko) * 2006-04-11 2006-06-02 새한항업(주) 지형지물 정보데이터를 수치지도에 업데이트하는 방법
CN103703490A (zh) * 2011-06-29 2014-04-02 Nec软件系统科技有限公司 用于产生三维特征数据的设备、用于产生三维特征数据的方法、以及其上记录有用于产生三维特征数据的程序的记录介质
KR101212788B1 (ko) * 2012-07-12 2012-12-18 태양정보시스템(주) 통합 벡터 모델 기반 지도 제작을 위한 수치지도 시스템 및 이를 이용한 수치지도 작성 방법
KR20140099183A (ko) * 2013-02-01 2014-08-11 삼성전자주식회사 이미지 처리 장치, 이미지 처리 방법, 컴퓨터 판독가능 기록매체 및 화상형성장치
WO2017038291A1 (ja) * 2015-08-31 2017-03-09 株式会社日立製作所 環境地図自動作成装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AKMALBEK ABDUSALOMOV ET AL: "《Robust Shadow Removal Technique For Improving Image Enhancement Based On Segmentation Method》", 《IOSR JOURNAL OF ELECTRONICS AND COMMUNICATION ENGINEERING VER.III》 *
EMMANUEL MAGGIORI ET AL: "《High-Resolution Semantic Labeling with Convolutional Neural Networks》", 《ARXIV.ORG,CORNELL UNIVERSITY LIBRARY,201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA》 *
WENZHONG SHI ET AL: "《Performance evaluation of line simplification algorithms for vector generalization》", 《CARTOGRAPHIC JOURNAL》 *

Also Published As

Publication number Publication date
WO2019054593A1 (ko) 2019-03-21
CN109863547B (zh) 2021-11-05
US11238647B2 (en) 2022-02-01
KR102053659B1 (ko) 2019-12-09
JP6961610B2 (ja) 2021-11-05
US20210209841A1 (en) 2021-07-08
EP3477620A4 (en) 2019-11-20
EP3477620A1 (en) 2019-05-01
JP2020500319A (ja) 2020-01-09
KR20190029975A (ko) 2019-03-21

Similar Documents

Publication Publication Date Title
CN109863547A (zh) 用于使用机器学习和图像处理来构建地图的设备
CN110020651B (zh) 基于深度学习网络的车牌检测定位方法
US9942440B2 (en) Image-based field boundary detection and identification
CN115439424B (zh) 一种无人机航拍视频图像智能检测方法
CN111551167B (zh) 一种基于无人机拍摄和语义分割的全局导航辅助方法
CN106504192B (zh) 一种输电线路走廊地质灾害勘探影像处理方法及系统
US20180293439A1 (en) System and method for augmenting an image with stylized features
CN113066112B (zh) 一种基于三维模型数据的室内外融合方法及装置
JP4521568B2 (ja) 対応点探索方法、相互標定方法、３次元画像計測方法、対応点探索装置、相互標定装置、３次元画像計測装置、対応点探索プログラム及び対応点探索プログラムを記録したコンピュータ読み取り可能な記録媒体
CN113326769B (zh) 高精地图生成方法、装置、设备及存储介质
CN116630828B (zh) 基于地形环境适配的无人机遥感信息采集系统及方法
CN113808004A (zh) 图像变换装置、图像变换方法以及图像变换用计算机程序
WO2021250850A1 (en) Training apparatus, control method, and non-transitory computer-readable storage medium
JP4639044B2 (ja) 輪郭形状抽出装置
CN114111647A (zh) 一种基于人工智能的绝缘子伞裙破损面积测量方法及测量系统
CN112115737B (zh) 一种车辆朝向的确定方法、装置及车载终端
US11823364B1 (en) Machine learning for artificial parcel data generation
CN112149507B (zh) 基于图像的无人机自主地面污染物推理与定位方法及系统
CN116309379B (zh) 基于多数据融合的航摄质量自动检查方法
Ali Images classification and feature extraction by using unmanned aerial vehicles (uav’s)
Yang et al. Removal of spatial inconsistency and shape disagreement for conflation of road maps with aerial images
CN117576337A (zh) 一种既有幕墙快速单体化建模的系统及方法
CN117576223A (zh) 相机参数标定方法、装置、终端设备以及存储介质
CN116612184A (zh) 一种基于无人机视觉的相机位姿确定方法
CN117315285A (zh) 基于osm的遥感影像建筑物跨域提取方法及设备

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
GR01 Patent grant
GR01 Patent grant