CN110796714A

CN110796714A - 一种地图构建方法、装置、终端以及计算机可读存储介质

Info

Publication number: CN110796714A
Application number: CN201910780296.6A
Authority: CN
Inventors: 江旻
Original assignee: Tencent Technology Shenzhen Co Ltd
Current assignee: Tencent Technology Shenzhen Co Ltd
Priority date: 2019-08-22
Filing date: 2019-08-22
Publication date: 2020-02-14
Anticipated expiration: 2039-08-22
Also published as: CN110796714B

Abstract

本发明实施例公开了一种地图构建方法、装置、终端和计算机可读存储介质。所述一种地图构建方法包括：获取场景资源，所述场景资源包括目标场景的图像数据和点云数据，所述图像数据包括所述目标场景的二维图像数据，所述点云数据中每个点包括一个三维空间坐标数据；基于所述图像数据，确定所述第一地图要素的第一点云分布；基于所述点云数据，确定所述第二地图要素的第二点云分布；根据所述第一点云分布和所述第二点云分布构建所述目标场景的三维地图。采用本发明实施例，可以使得地图要素编辑工作更加高效、准确和便捷，从而提升地图构建工作的自动化率。

Description

一种地图构建方法、装置、终端以及计算机可读存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种地图构建方法、装置、终端以及计算机可读存储介质。

背景技术

随着计算机技术的快速发展，自动驾驶系统作为其衍生产物得到越来越高的社会关注度。而高精度地图作为自动驾驶系统的基础支撑模块，其数据的准确度和丰富程度对自动驾驶系统车辆进行定位、导航和决策都有至关重要的影响。

随着制图技术的发展，高精度地图的生产大部分可依赖于算法自动完成，目前运用的点云分割算法以点为单位，将点云分割成若干个感兴趣的数据块进行地图要素的识别定位，其点云数据获取困难，数据量庞大，对地图构建平台的负荷大。图像分割算法以像素为单位，把图像分割成若干个感兴趣的子图像进行地图要素的识别定位，其结果准确度低，容易受到数据采集和实际道路环境的影响，生产效率低。

发明内容

本发明实施例提供了一种地图构建方法、装置、终端以及计算机可读存储介质，使得地图要素的整体编辑工作更加高效、准确和便捷，从而提升地图构建工作的自动化率。

本发明实施例一方面提供了一种地图构建方法，该方法包括：

获取场景资源，所述场景资源包括目标场景的图像数据和点云数据，所述图像数据包括所述目标场景的二维图像数据，所述点云数据中每个点包括一个三维空间坐标数据；

基于所述图像数据，确定所述第一地图要素的第一点云分布，所述第一点云分布为所述第一地图要素中每个点的三维空间坐标的集合；

基于所述点云数据，确定所述第二地图要素的第二点云分布，所述第二点云分布为所述第二地图要素中每个点的三维空间坐标的集合；

根据所述第一点云分布和所述第二点云分布构建所述目标场景的三维矢量地图。

其中，所述第一地图要素包括车道线、人行道、路牌、红绿灯、交通标志、显示屏中的一种或多种，所述第二地图要素包括路牙、护栏、路障、高速收费站、公交停靠站中的一种或多种。

其中，所述场景资源还包括所述目标场景的坐标和方位角；所述基于所述目标场景的图像，结合所述目标场景的点云数据，确定所述第一地图要素的第一点云分布，包括：

确定所述目标场景的图像中所述第一地图要素的第一区域；

对所述第一区域内的图像进行图像分割，以获得所述第一地图要素的第一图像；

根据所述目标场景的坐标、方位角和点云数据生成与所述目标场景的图像对应的深度图，获得所述深度图中与所述第一图像对应的深度图；

根据所述第一图像对应的深度图，通过反投影法确定所述第一地图要素的第一点云分布。

其中，所述对所述第一区域内的图像进行图像分割，以获得所述第一地图要素的图像，包括：

根据图像分割算法将所述第一区域内的图像分割成若干个感兴趣的子图像，从所述若干个感兴趣的子图像中确定所述第一地图要素的第一图像。

其中，所述根据所述目标场景的坐标、方位角和点云数据生成与所述目标场景的图像对应的深度图，获得所述深度图中与所述第一图像对应的深度图，包括：

根据所述目标场景的坐标和方位角确定投影面，通过透视投影法将所述目标场景的点云数据投影到所述投影面上，获得与所述目标场景的图像对应的深度图；根据所述第一图像，获得所述深度图中与所述第一图像对应的深度图。

其中，所述根据所述第一地图要素的图像对应的深度图，通过反投影法获得所述第一地图要素的第一点云分布，包括：

计算所述深度图中与所述第一图像对应的深度图内的每个点在三维空间中的坐标，将所述第一图像对应的深度图内的每个点在三维空间中的坐标的集合确定为所述第一地图要素的第一点云分布。

其中，所述点云数据构成所述目标场景的点云地图；所述基于所述点云数据，获得所述第二地图要素的第二点云分布，包括：

确定所述点云地图中所述第二地图要素的第二区域；

对所述第二区域内的点云数据进行点云分割，以获得第二地图要素的第三点云分布；

根据指定方向生成所述第二区域内的点云数据的投影图，对所述投影图中所述第二区域内的点云数据进行特征提取，以获得所述第二地图要素的第四点云分布；

选取所述第三点云分布和所述第四点云分布中重合度高于阈值的点云数据，确定为所述第二地图要素的第二点云分布。

其中，所述对所述第二区域内的点云数据进行点云分割，以获得第二地图要素的第三点云分布包括：

根据点云分割算法将所述点云地图中的所述第二区域内的点云数据分割成若干个感兴趣的数据块，从所述若干个感兴趣的数据块中确定所述第二地图要素的第三点云分布。

其中，所述对所述投影图中所述第二区域内的点云数据进行特征提取，以获得所述第二地图要素的第四点云分布，包括：

获得第二区域内的点云数据的特征提取结果，计算所述特征提取结果内的每个点在三维空间中的坐标，将所述特征提取结果中每个点在三维空间中的坐标的集合确定为所述第二地图要素的第四点云分布。

其中，所述根据第一点云分布和所述第二点云分布构建所述目标场景的地图，包括：

根据所述第一点云分布和第一地图要素的形状进行点云矢量化，获得第一矢量数据，根据所述第二点云分布和第二地图要素的形状进行点云矢量化，获得第二矢量数据；

基于所述第一矢量数据和所述第二矢量数据构建三维地图。

其中，该方法还包括：

获取所述第一矢量数据在所述三维地图中编辑后产生的第三矢量数据，获取所述第二矢量数据在所述三维地图中编辑后产生的第四矢量数据；

其中，该方法还包括：

确定所述第一矢量数据和所述第三矢量数据的第一数据差异，确定所述第二矢量数据和所述第四矢量数据的第二数据差异；

将所述第一图像的第一数据作为所述图像分割算法的训练数据，所述第一数据对应的所述第一数据差异大于阈值；将所述第一图像的第二数据作为所述图像分割算法的测试数据，所述第二数据对应的所述第一数据差异小于阈值，所述第一数据和所述第二数据为通过图像分割法得到的数据；

将所述第三点云分布的第三数据作为所述点云分割算法的训练数据，所述第三数据对应的所述第二数据差异大于阈值；将所述第三点云分布的第四数据作为所述图像分割算法的测试数据，所述第四数据对应的所述第二数据差异小于阈值，所述第三数据和所述第四数据为通过点云分割法得到的数据。

本发明实施例一方面提供了一种地图构建装置，包括：

获取模块，用于获取场景资源，所述场景资源包括目标场景的图像数据和点云数据，所述图像数据包括所述目标场景的二维图像数据，所述点云数据包括所述目标场景的三维空间坐标数据；

第一确定模块，用于基于所述图像数据，确定所述第一地图要素的第一点云分布，所述第一点云分布为所述第一地图要素中每个点的三维空间坐标的集合；

第二确定模块，用于基于所述点云数据，确定所述第二地图要素的第二点云分布，所述第二点云分布为所述第二地图要素中每个点的三维空间坐标的集合；

地图构建模块，用于根据所述第一点云分布和所述第二点云分布构建所述目标场景的三维地图。

其中，所述装置中，所述第一地图要素包括车道线、路牌、红绿灯、路灯、交通标志、显示屏中的一种或多种，所述第二地图要素包括路牙、护栏、路障、高速收费站、公交停靠站中的一种或多种；

其中，所述第一确定模块，包括：

第一区域确定单元，用于获取所述目标场景的图像中所述第一地图要素的第一区域；

第一图像获取单元，用于对所述第一区域内的图像进行图像分割，以获得所述第一地图要素的第一图像；

深度图获取单元，用于根据所述目标场景的坐标、方位角和点云数据生成与所述目标场景的图像对应的深度图，获得所述深度图中与所述第一图像对应的深度图；

第一点云分布确定单元，用于根据所述第一图像对应的深度图，通过反投影法获得所述第一地图要素的第一点云分布。

其中，所述第一图像获取单元，包括：

第一分割子单元，用于根据图像分割算法将所述第一区域内的图像分割成若干个感兴趣的子图像；

第一图像确定子单元，用于从所述若干个感兴趣的子图像中确定所述第一地图要素的第一图像。

其中，所述深度图获取单元，包括：

投影面确定子单元，用于根据所述目标场景的坐标和方位角确定投影面；

投影子单元，用于通过透视投影法将所述目标场景的点云数据投影到所述投影面上，获得与所述目标场景的图像对应的深度图；

深度图获取子单元，用于根据所述第一图像，获得所述深度图中与所述第一图像对应的深度图。

其中，所述第一点云分布确定单元，包括：

第一计算子单元，用于计算所述深度图中与所述第一图像对应的深度图内的每个点在三维空间中的坐标；

第一点云分布确定子单元，将所述第一图像对应的深度图内的每个点在三维空间中的坐标的集合确定为所述第一地图要素的第一点云分布。

其中，所述第二确定模块，包括：

第二区域确定单元，用于确定所述目标场景的图像中所述第二地图要素的第二区域；

第三点云分布获取单元，用于对所述第二区域内的点云数据进行点云分割，以获得第二地图要素的第三点云分布；

第四点云分布获取单元，用于根据指定方向生成所述第二区域内的点云数据的投影图，对所述投影图中所述第二区域内的点云数据进行特征提取，以获得所述第二地图要素的第四点云分布；

第二点云分布确定单元，用于选取所述第三点云分布和所述第四点云分布中重合度高于阈值的点云数据，确定为所述第二地图要素的第二点云分布。

其中，所述第三点云分布获取单元，包括：

第二分割子单元，用于根据点云分割算法将所述点云地图中的所述第二区域内的点云数据分割成若干个感兴趣的数据块，

第三点云分布确定子单元，用于从所述若干个感兴趣的数据块中确定所述第二地图要素的第三点云分布。

其中，所述第四点云分布获取单元，包括：

特征提取子单元，用于获得第二区域内的点云数据的特征提取结果；

第二计算子单元，用于计算所述特征提取结果内的每个点在三维空间中的坐标；

第四点云分布确定子单元，用于将所述特征提取结果中每个点在三维空间中的坐标的集合确定为所述第二地图要素的第四点云分布。

其中，所述地图构建模块，包括：

第一矢量数据获取单元，用于根据所述第一点云分布和第一地图要素的形状进行点云矢量化，获得第一矢量数据；

第二矢量数据获取单元，用于根据所述第二点云分布和第二地图要素的形状进行点云矢量化，获得第二矢量数据；

地图构建单元，用于基于所述第一矢量数据和所述第二矢量数据构建三维地图。

其中，所述地图构建单元，包括：

第三矢量数据获取子单元，用于获取所述第一矢量数据在所述三维地图中编辑后产生的第三矢量数据；

第四矢量数据获取子单元，用于获取所述第二矢量数据在所述三维地图中编辑后产生的第四矢量数据；

其中，所述装置还包括：

第一数据差异确定模块，用于确定所述第一矢量数据和所述第三矢量数据的第一数据差异；

第二数据差异确定模块，用于确定所述第二矢量数据和所述第四矢量数据的第二数据差异；

第一分类模块，用于将所述第一图像的第一数据作为所述图像分割算法的训练数据，所述第一数据对应的所述第一数据差异大于阈值；将所述第一图像的第二数据作为所述图像分割算法的测试数据，所述第二数据对应的所述第一数据差异小于阈值，所述第一数据和所述第二数据为通过图像分割法得到的图像数据；

第二分类模块，用于将所述第三点云分布的第三数据作为所述点云分割算法的训练数据，所述第三数据对应的所述第二数据差异大于阈值；将所述第三点云分布的第四数据作为所述图像分割算法的测试数据，所述第四数据对应的所述第二数据差异小于阈值，所述第三数据和所述第四数据为通过点云分割法得到的数据。

本发明实施例一方面提供了一种计算设备，包括输入设备和输出设备，所述计算设备还包括：

处理器，用于实现一条或一条以上指令；

计算机存储介质，所述计算机存储介质存储有一条或一条以上指令，所述一条或一条以上指令用于由所述处理器加载并执行如下步骤：

获取场景资源，所述场景资源包括目标场景的图像数据和点云数据，所述图像数据包括所述目标场景的二维图像数据，所述点云数据包括所述目标场景的三维空间坐标数据；

根据所述第一点云分布和所述第二点云分布构建所述目标场景的三维地图。

本发明实施例一方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一条或一条以上指令，所述一条或一条以上指令用于由所述处理器加载并执行如下步骤：

通过本发明提供的一种地图构建方法，将图像分割法和点云分割法相结合，针对不同特征的地图要素采用不同的分割算法获得不同地图要素的点云分布，其中，针对图像特征明显的第一地图要素(例如路牌、红绿灯、交通标志等)采用图像分割法获得第一地图要素的第一图像，并结合反投影法得到第一道路要素的第一点云分布，执行简单，效率高；针对空间分布特征明显的第二地图要素(例如路牙、护栏、路障等)采用点云分割法获得第二地图要素的第三点云分布，并结合点云数据投影图中的特征提取结果进行交叉验证，获得第二地图要素的第二点云分布，精确度高。从而使得地图要素的整体编辑工作更加高效、准确和便捷，进而辅助编辑人员更好地完成地图构建工作，提升地图构建工作的自动化率。

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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种地图构建系统架构示意图；

图2是本发明实施例提供的一种目标场景的地图构建系统架构示意图；

图3是本发明实施例提供的一种地图构建方法的流程示意图；

图4是本发明实施例提供的一种地图要素示意图；

图5是本发明实施例提供的一种城市场景高精度地图示意图；

图6是本发明实施例提供的另一种地图构建方法的流程示意图；

图7是本发明实施例提供的一种第一地图要素定位方法的流程示意图；

图8是本发明实施例提供的一种图像分割示意图；

图9是本发明实施例提供的一种第一图像深度图的定位示意图；

图10是本发明实施例提供的一种第二地图要素定位方法的流程示意图；

图11是本发明实施例提供的一种点云分布交叉验证示意图；

图12是本发明实施例提供的一种点云矢量化示意图；

图13是本发明实施例提供的另一种点云矢量化示意图；

图14是本发明实施例提供的一种矢量数据编辑示意图；

图15是本发明实施例提供的一种网页端地图构建平台界面示意图；

图16是本发明实施例提供的一种模型样本生成方法的流程示意图；

图17是本发明实施例提供的一种图像处理的交并比示意图；

图18是本发明实施例提供的一种地图构建装置的结构示意图；

图19是本发明实施例提供的一种地图构建计算设备的结构示意图。

具体实施方式

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，所描述的实施例仅仅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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，是本发明实施例提供的一种地图构建系统架构示意图，本发明实施例的技术方案可在图1举例所示的系统架构或类似的系统架构中具体实施。该系统架构可以包括服务器200a和多个计算设备(如图1所示，具体包括计算设备100a、100b、100c)，其中，计算设备100a、100b、100c均可以执行包括但不限于图像分割算法、点云分割算法、透视投影法、反投影法和特征提取算法等。计算设备100a、100b、100c可以包括具备上述功能的终端设备(例如为具有地图构建功能的智能手机、平板、可穿戴设备等)和具有交互界面的服务器(例如为带有显示屏的计算机或服务器等)。

请参见图2，是本发明实施例提供的一种目标场景的地图构建系统架构示意图，如图2所示，服务器200a可以通过有线/无线网络与计算设备100a进行数据传输，服务器200a上存储有各类场景资源。其中，场景资源可以包括目标场景的图像数据和点云数据，图像数据可以是目标场景的二维图像数据(例如高清摄像机拍摄所得的二维彩色图片等)，点云数据可以构成目标场景的点云地图，其中每个点可以包含一个三维空间坐标数据。场景资源还可以包括目标场景的坐标和方位角等，其中，目标场景的坐标可以为经纬度坐标，目标场景的方位角可以为目标场景与空间地面坐标系三轴上的夹角。可以理解的是，上述场景资源可以是地图采集人员通过专业采集设备(例如三维激光扫描仪、高清摄像机、惯性测量单元等)采集并上传至服务器200a的场景资源，也可以是普通群众通过手机摄像并上传至服务器200a的场景资源，本发明实施例对此不作具体限定。如图2所示，当地图编辑人员需要进行地图构建工作时，通过计算设备100a从服务器200a获取到本次地图构建工作所需的场景资源，计算设备100a可以通过针对不同特征的地图要素执行不同的算法，最终完成三维地图的构建工作，并向服务器200a上传目标场景的三维地图。在计算设备100a将本次地图构建工作完成的三维地图上传至服务器200a后，其它计算设备(如计算设备100b、计算设备100c)可以从服务器200a中获取该目标场景的三维地图，进行进一步编辑加工或者作为其它地图构建的参考资源，实现最大程度的资源共享。

请参见图3，是本发明实施例提供的一种地图构建方法的流程示意图，该方法可应用于上述图1或图2中所述的系统架构中，其中的计算设备可以为上述图1或图2系统架构中的计算设备100a、100b、100c中的任意一个，可用于支持并执行图3中所示的方法流程。下面将结合附图3从计算设备侧进行描述，该方法可以包括以下步骤S301-S303：

步骤S301，获取场景资源。

具体的，地图编辑人员可以通过计算设备(例如对应图1中的计算设备100a、100b、100c中的任意一个)从服务器(例如对应图1或图2中的服务器200a)上下载本次地图构建工作所需的场景资源，也可以从采集设备(例如三维激光扫描仪、高清摄像机、惯性测量单元等)中直接将场景资源通过数据线导入至计算设备。所述场景资源包括目标场景的图像数据和点云数据，如图3中的3a所示，所述目标场景的图像数据包括所述目标场景的二维图像数据(例如二维彩色图像等)；如图3中的3b所示，所述点云数据中每个点包括一个三维空间坐标、还可以包括激光反射强度信息和/或颜色信息等，所述点云数据可以构成所述目标场景的点云地图。本发明实施例中获取的点云数据可以是目标场景内完整的原始点云数据、也可以是处理过的点云数据，例如抽稀过的点云数据(如原始点云数据可以是包含十几万个点云的密集点云数据，而抽稀过的点云数据可以是只有几万个点云的稀疏点云数据)。所述场景资源还可以包括目标场景的坐标和方位角等，其中，目标场景的坐标可以为经纬度坐标，目标场景的方位角可以为目标场景与空间地面坐标系三轴上的夹角。

可选的，目标场景的图像数据可以通过高清摄像机拍摄采集得到，也可以通过手机摄像采集得到，点云数据可以是由三维激光扫描仪对目标场景进行三维扫描得到的点云数据、也可以是结合照相式扫描仪对目标场景进行三维扫描得到的点云数据。上述扫描仪和高清摄像机可以安装在移动测量车上、也可以手持、还可以立于地面、还可以安装在无人机上。所述目标场景可以是地面道路场景(包括车道线、人行道、红绿灯、路标、路障和绿化带等地图要素)、桥面道路场景(包括车道线、护栏，水面和悬索等地图要素)、城市街道场景(包括车道线、人行道、红绿灯、路障和公交停靠站等地图要素)或高速道路场景(包括车道线、高速收费站、显示屏和路标等地图要素)等，此处不再赘述。

步骤S302a，基于所述图像数据，确定所述第一地图要素的第一点云分布。

具体的，该计算设备通过执行图像分割等一系列算法在所述目标场景的图像数据中对第一地图要素进行分割识别，获取所述第一地图要素的第一点云分布，算法执行简单，效率高。目标场景的图像数据如图3中的3a所示，所述第一点云分布中每个点包括一个三维空间坐标，第一点云分布具体可以表现为目标场景的点云地图中被颜色标识出的一部分点云地图。其中，第一地图要素为目标场景的图像数据中图像特征较为明显的地图要素，可以包括车道线、路牌、红绿灯、人行道、交通标志、显示屏中的一种或多种。例如，如图4所示，图4为本发明实施例提供的一种地图要素示意图。图4中，路牌和红绿灯为第一地图要素，显然，路牌在三维空间中的分布主要为平面矩形，且其颜色为较为明显的蓝色，红绿灯在三维空间中的分布主要为平面圆形，且其颜色为较为明显的红色、绿色和黄色。

步骤S302b，基于所述点云数据，确定所述第二地图要素的第二点云分布。

具体的，该计算设备通过执行点云分割等一系列算法在目标场景的点云数据中对第二地图要素进行分割识别，获取所述第二地图要素的第二点云分布，其结果精确度高。目标场景的点云数据如图3中的3b所示，所述第二点云分布中每个点包括一个三维空间坐标，第二点云分布具体可以表现为目标场景的点云地图中被颜色标识出的一部分点云地图。其中，第二地图要素为目标场景的点云数据中空间分布特征较为明显的地图要素，可以包括路牙、护栏、路障、高速收费站、公交停靠站中的一种或多种。例如，如图4所示，图4为本发明实施例提供的一种地图要素示意图。图4中，护栏和路障为第二地图要素，显然，护栏在三维空间中的分布主要呈现为沿着车道边缘的条带状分布，路障在三维空间中的分布主要为若干个具有一定间距的圆柱体。

需要说明的是，上述步骤S302a和步骤S302b的执行先后顺序不作具体限定。

步骤S303，根据第一点云分布和第二点云分布构建目标场景的三维地图。

具体的，该计算设备根据第一点云分布和第一地图要素的形状进行点云的矢量化，获取第一矢量数据，根据第二点云分布和第二地图要素的形状进行点云的矢量化，获取第二矢量数据。该计算设备在得到第一矢量数据和第二矢量数据后，根据第一矢量数据和第二矢量数据的坐标构建目标场景的三维地图。目标场景的三维地图如图3中的3c所示，所述目标场景的三维地图为三维矢量地图，由地图要素的矢量数据构建而成，矢量数据一般通过记录坐标的方式来尽可能地将地理实体的空间位置表现得准确无误，其表现形式一般为矢量图，矢量图一般由简单的点、线和面中的一种或多种组合而成。

请参见图5，是本发明实施例提供的一种城市高精度地图示意图，该地图为三维的矢量地图，由地图要素的矢量数据构建而成，如图5所示，具体可以包括车道线、路标、红绿灯等地图要素。通过上述本发明实施例提供的一种地图构建方法中的步骤S301-步骤S303可以得到数据丰富且精确的高精度地图，从而可以为自动驾驶系统进行定位、导航和决策提供可靠地基础支撑。具体的，本发明实施例将图像分割算法和点云分割算法相结合，针对不同特征的地图要素执行不同的分割算法，实现地图要素的快速、精确定位，在满足高精度地图苛刻的精度要求的同时，提高了地图构建工作的自动化率，从而为高精度地图的生产提供便利。除此之外，通过本发明实施例提供的一种地图构建方法还可进一步对高精度地图可能包含的的语义信息(例如信号灯颜色信息、道路限速信息、车辆转弯开始位置等)进行编辑，从而不断完善和精确该高精度地图中的各类数据。

发明实施例在进行地图构建时，将图像分割法和点云分割法相结合，针对不同特征的地图要素采用不同的分割算法获得不同地图要素的点云分布，其中，针对图像特征明显的第一地图要素(例如路牌、红绿灯、人行道和交通标志等)采用图像分割等一系列算法获得第一道路要素的第一点云分布，执行简单，效率高；针对空间分布特征明显的第二地图要素(例如路牙、护栏、路障和高速收费站等)采用点云分割等一系列算法获得第二地图要素第二点云分布，精确度高。从而使得地图要素的整体编辑工作更加高效、准确和便捷，进而辅助地图编辑人员更好地完成地图构建工作，提升地图构建工作的自动化率。

请参见图6，是本发明实施例提供的另一种地图构建方法的流程示意图，该方法可应用于上述图1或图2中所述的系统架构中，由计算设备执行，该计算设备可以为上述图1或图2系统架构中的计算设备100a、100b、100c中的任意一个，可用于支持并执行图6中所示的方法流程。下面将结合附图6从计算设备侧进行描述，该方法可以包括以下步骤S601-S604：

步骤S601，获取场景资源。

具体的，步骤S601可参考上述图3实施例中的步骤S301，这里不再赘述。

可选的，该计算设备在获取到场景资源后，可以根据场景资源并结合算法生成一版基础的目标场景的三维地图，该三维地图中可以包括基础的车道线和明显的交通标志等地图要素。该三维地图中的地图要素可以不完整，地图要素的定位可以不精确，可以通过后续的地图构建工作，完善目标场景的三维地图。

步骤S602a，基于所述图像数据，确定所述第一地图要素的第一点云分布。

具体的，步骤S602a可参考上述图3实施例中的步骤S302a，这里不再赘述。

在一种可能的实施方式中，上述基于所述图像数据，确定所述第一地图要素的第一点云分布的具体实施方式请参见图7，图7是本发明实施例提供的一种第一地图要素定位方法的流程示意图。该方法可应用于上述图1或图2中所述的系统架构中，由计算设备执行，该计算设备可以为上述图1或图2系统架构中的计算设备100a、100b、100c中的任意一个，可用于支持并执行图7中所示的方法流程。下面将结合附图7从计算设备侧进行描述，该方法可以包括如下步骤s11-步骤s15：

步骤s11，确定所述目标场景的图像中所述第一地图要素的第一区域。

具体的，计算设备获取地图编辑人员在目标场景的图像数据中框选出的第一地图要素的第一区域，该计算设备获取到第一区域后便开始执行图像分割等一系列后续算法。

例如，当地图编辑人员需要对目标场景内的路牌进行识别定位时，首先通过计算设备框选出路牌所在的潜在区域，即第一地图要素的第一区域，如图7中的7a所示，矩形框表示框选出的路牌的潜在区域。可选的，该矩形框还可以是圆形框、菱形框、多边形框等等，地图编辑人员可以通过该计算设备依据第一地图要素的形状选择合适的框选形状框选出第一地图要素的第一区域。例如采用圆形框框选出红路灯的潜在区域，采用三角形框框选出交通标志的潜在区域等。其中，框选出的潜在区域越接近路牌的实际区域，则所需执行的算法量越少，效率越高。该计算设备获取到路牌的潜在区域后便开始执行图像分割等一系列后续算法，

步骤s12，对所述第一区域内的图像进行图像分割，以获取所述第一地图要素的第一图像。

具体的，在该计算设备获取到地图编辑人员框选出的第一地图要素的第一区域后，该计算设备便开始执行图像分割算法，以像素为单位，将所述第一区域内的图像分割成若干个子图像，并从中确定所述第一地图要素的第一图像，最终可以通过颜色块将图像分割所得的第一图像标识出来。其中，现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。

例如，如图8中的8a所示的第一区域内，路牌颜色一般为明显的蓝色，而背景中的树木为绿色，道路为深灰色，天空为白色，路牌颜色与背景颜色的差异较为明显，可以采用灰度阈值分割法对区域内的路牌进行分割，灰度阈值分割方法实际上是输入图像f到输出图像g的如下变换：

其中，T为阈值，对于目标物体的图像元素g(i,j)＝1，对于背景的图像元素g(i,j)＝0。阈值确定后，将阈值与第一区域内像素点的灰度值逐个进行比较，将达到灰度阈值的像素点标识为路牌图像，将未达到灰度阈值的像素点标识为背景图像。其中，可以通过确定不同的阈值，将第一区域内的图像分割成若干个子图像，图像分割结果如图8中的8b所示，可以通过不同颜色将区域内的不同子图像标识出来。例如将路牌图像标识为黄色，将背景中的树木标识为绿色，将道路标识为蓝色，将天空标识为灰色，最终确定出路牌图像，路牌图像如图8中的8c所示。并且图像分割可以对各像素点并行地进行阈值比较，效率高。

步骤s13，根据所述目标场景的坐标、方位角和点云数据生成与所述目标场景的图像对应的深度图。

具体的，如图7中的7b所示，为所述目标场景的点云数据，其中每个点包括一个三维空间坐标，在该计算设备获取到所述第一区域后，将目标场景的坐标与点云数据的坐标在同一坐标系下(例如世界大地坐标系(world geodetic system s4，WGSs4)等)一一对应，结合目标场景的方位角确定投影面，在确定投影面后，该计算设备通过透视投影法将所述目标场景的点云数据投影到所述投影面上，获得与所述目标场景的图像对应的深度图，如图7中的7c所示。所述透视投影为采用中心投影法将物体投射到投影面上，具有消失感、距离感、相同大小的形体呈现出有规律的变化等一系列的透视特性，从而获得的一种较为接近视觉效果的投影图，即深度图。其中，目标场景的坐标为经纬度坐标，目标场景的方位角为目标场景在空间三轴上的夹角。目标场景的坐标可以通过全球定位系统(globalpositioning system，GPS)采集得到，该定位系统可以是独立的测量仪器，也可以是集成在扫描仪内的模块，目标场景的方位角可以通过惯性测量单元(inertial measurementunit，IMU)测量得到，该惯性测量单元可以是独立的测量装置，也可以是集成在扫描仪内的模块。

可选的，在确定投影面后，该计算设备还可以通过正交投影法将所述目标场景的点云数据投影到所述投影面上，获得与所述目标场景的图像对应的深度图，所述正交投影法的投影线垂直于投影面。如上所述，进行投影的目标场景的点云数据可以是目标场景的完整原始点云数据、也可以是处理过的点云数据，例如抽稀过的点云数据。

步骤s14，在与目标场景的图像对应的深度图中确定与所述第一图像对应的深度图。

具体的，如图7中的7b所示，已通过图像分割算法得到第一图像，并通过颜色将其标识出来，其次，由于如图7中的7c所示的深度图与所述目标场景的图像对应，可以根据第一图像在目标场景的图像中的位置关系，确定在与目标场景的图像对应的深度图中与第一图像对应的深度图区域，该区域内的所有点组成与第一图像对应的深度图，第一图像对应的深度图如图7中的7d所示。

例如，如图9中的9a所示，图像分割算法所得的路牌图像在目标场景的图像的左上角，其左边缘与目标场景的图像的左边缘存在一定距离x1，其上边缘与目标场景的图像的上边缘存在一定距离y1，可以根据上述距离x1、y1以及路牌图像自身的长x2和宽y2，在与目标场景的图像对应的深度图中定位出路牌图像对应的深度图区域，如图9中的9b所示，浅色矩形为路牌图像对应的深度图区域，该区域内的所有点组成与路牌图像对应的深度图。

步骤s15，根据所述第一图像对应的深度图，通过反投影法确定所述第一地图要素的第一点云分布。

具体的，如上所述，深度图为点云数据经过投影得到的投影图，点云数据中每个点的三维空间坐标都与深度中相应点的二维坐标一一对应。因此该计算设备可以通过反投影法根据深度图中的二维坐标和投影路径计算所述第一图像对应的深度图内的每个点的三维空间坐标，将所述第一图像对应的深度图内的每个点的三维空间坐标的集合确定为所述第一地图要素的第一点云分布。第一点云分布具体可以表现为目标场景的点云地图中被颜色标识出的一部分点云地图。如图7中的7e所示，虚线框内的浅色点云为路牌的第一点云分布。

步骤S602b，基于所述点云数据，确定所述第二地图要素的第二点云分布。

具体的，步骤S602b可参考上述图3实施例中的步骤S302b，这里不再赘述。

在一种可能的实施方式中，上述基于所述点云数据，确定所述第二地图要素的第二点云分布的具体实施方式请参见图10，图10是本发明实施例提供的一种第二地图要素定位方法的流程示意图。该方法可应用于上述图1或图2中所述的系统架构中，由计算设备执行，该计算设备可以为上述图1或图2系统架构中的计算设备100a、100b、100c中的任意一个，可用于支持并执行图10中所示的方法流程。下面将结合附图10从计算设备侧进行描述，该方法可以包括以下步骤s21-步骤s25：

步骤s21，确定所述点云数据中所述第二地图要素的第二区域。

具体的，计算设备获取地图编辑人员在目标场景的点云数据中框选出的第二地图要素的第二区域，该计算设备获取到第二区域后便开始执行点云分割等一系列后续算法。其中，所述点云数据可以是完整的目标场景的原始点云数据，也可以是处理过的点云数据，比如抽稀过的点云数据。

例如，当地图编辑人员需要对目标场景内的护栏进行识别定位时，首先通过计算设备在目标场景的点云数据中框选出护栏的潜在区域，即第二地图要素的第二区域，该计算设备获取到护栏的潜在区域后便开始执行点云分割等一系列后续算法。如图10中的10a所示，左侧的长方体区域表示框选出的护栏的潜在区域，可选的，该长方体区域还可以是圆柱体区域、球形区域、及其他不规则区域等等，地图编辑人员可以通过计算设备依据第二地图要素的空间形状选择合适的形状框选出第二地图要素的第二区域。例如，路障的空间形状为圆柱体，则可通过圆柱体框选出路障的潜在区域。又例如，高速收费站的空间形状为长方体，则可通过长方体框选出高速收费站的潜在区域。其中，框选的潜在区域越接近第二地图要素的实际区域，则所需执行的算法量越少，效率越高。

步骤s22，对所述第二区域内的点云数据进行点云分割，以获得第二地图要素的第三点云分布。

具体的，在该计算设备获取到地图编辑人员框选出的第二地图要素的第二区域后，该计算设备便开始执行点云分割算法，以点为单位，根据空间、几何和纹理等特征对第二区域内的点云数据进行分割，将点云数据分割成若干个数据块，使得同一数据块内的点云数据拥有相似的特征，并从中确定第二地图要素的第三点云分布。第三点云分布具体可以表现为目标场景的点云地图中被颜色标识出的一部分点云地图。点云数据的有效分割往往是许多应用的前提，例如逆向工作，计算机辅助设计(computer aided design，CAD)领域对零件的不同扫描表面进行分割，然后才能更好的进行空洞修复曲面重建，特征描述和提取，进而进行基于三维内容的检索，组合重用等。

例如，可以根据路障在三维空间中的分布为若干个平行排列的圆柱体，且路障的表面光滑等特征进行点云分割，将路障与背景中的车道、树木和路牌等背景要素分割开来，得到路障的第三点云分布。

又例如，可以根据护栏在三维空间中呈现条带状分布，几何形状主要为直线和曲线的重复组合，且护栏的表面光滑等特征进行点云分割，将护栏与背景中的车道、树木和路牌等背景要素分割开来，得到护栏的地三点云分布，如图10中的10b所示，左侧的虚线框内的浅色点云为目标场景的点云数据中护栏的第三点云分布，其中每个点都包含一个三维空间坐标。

步骤s23，根据指定方向生成所述第二区域内的点云数据的投影图。

具体的，该计算设备根据指定方向确定投影面，通过透视投影法或者正交投影法等投影方法将第二区域内的点云数据投影到投影面上，获得第二区域内的点云数据的投影图，该投影图可以是单个投影图、也可以是根据多个指定方确定不同的投影面后，获得的多个投影图。其中，所述指定方向可以是道路的行进方向、地图要素的空间延伸方向等，此处不再赘述。

例如，如图10中的10c所示，根据道路的行进方向确定所述第二区域内护栏的点云数据的左视图投影面，通过透视投影法或者正交投影法将第二区域内护栏的点云数据投影到该投影面上，获得第二区域内护栏的点云数据的左视图。又例如，如图10中的10d所示，根据道路的行进方向确定所述第二区域内护栏的点云数据的正视图投影面，通过透视投影法或者正交投影法将第二区域内护栏的点云数据投影到该投影面上，获得第二区域内护栏的点云数据的正视图。当然，还可以根据道路行进方向生成第二区域内护栏的点云数据的俯视图等，此处不再赘述。地图编辑人员可以通过该计算设备依据第二地图要素的空间分布情况确定投影面，例如，护栏在所述目标场景的点云数据中沿着道路的前进方向呈条带状分布，因此可以根据道路的前进方向生成第二区域内护栏的点云数据的正视图和左视图等。

步骤s24，对所述投影图中的点云数据进行特征提取，以获取所述第二地图要素的第四点云分布。

具体的，可以在所述投影图中通过相应的特征提取算法对点云进行特征提取，该特征可以是护栏点云的空间、几何和纹理等特征。其次通过反投影法计算符合特征提取条件的每个点的三维空间坐标，将每个点的三维空间坐标的集合确定为所述第二地图要素的第四点云分布。第四点云分布具体可以表现为目标场景的点云地图中被颜色标识出的一部分点云地图。

例如，在如图10中的10c和10d所示的第二区域内护栏的点云数据的正视图和左视图中采取基于规则(rule-base)的算法对护栏的点云数据进行特征提取，例如护栏的点云数据的几何特征为直线和曲线的重复组合，将符合护栏特征提取条件的点云数据作为特征提取结果，并通过反投影法计算特征提取结果中每个点的三维空间坐标，最终，将每个点的三维空间坐标的集合确定为护栏的第四点云分布。如图10中的10e所示，虚线框内的浅色点云为目标场景的点云数据中护栏的第四点云分布，其中每个点都包含一个三维空间坐标。

步骤s25，选取所述第三点云分布和所述第四点云分布中重合度高于阈值的点云数据，确定为所述第二地图要素的第二点云分布。

具体的，根据所述第三点云分布，结合所述第四点云分布进行交叉验证，选取第三点云分布和第四点云分布中重合度高于阈值的点云数据，确定为所述第二地图要素的第二点云分布。所述重合度可以依据点云坐标间的距离来判定。第二点云分布具体可以表现为目标场景的点云地图中被颜色标识出的一部分点云地图。

例如，对如图10中的10b和10e所示的护栏的第三点云分布和第四点云分布进行交叉验证，其交叉验证示意图如图11所示，浅色点云为护栏的第三点云分布，深色点云为护栏的第四点云分布。显然，浅色点云和深色点云的分布密集区内的点云数据可以作为护栏的第二点云分布，而距离较远的点云数据则可以舍去，最终确定护栏的第二点云分布。如图10中的10f所示，虚线框内的浅色点云为目标场景的点云数据中护栏的第二点云分布，其中每个点包含一个三维空间坐标。

步骤S603，根据点云分布矢量化数据，获取第一矢量数据和第二矢量数据。

具体的，根据第一点云分布和第一地图要素的形状进行点云的矢量化，获取第一矢量数据，根据第二点云分布和第二地图要素的形状进行点云的矢量化，获取第二矢量数据。

可选的，采用聚类或者随机抽样一致性算法(ransac)将第一点云分布中的各个点按照第一地图要素的形状拟合成简单的点、线和面，得到第一矢量数据。例如，如图6中的6a所示，目标场景的图像数据中路牌的形状为简单的矩形平面，因此可以通过点云矢量化将如图12中的12a所示的路牌的第一点云分布拟合成一个矩形平面，矢量化结果如图12中的12b所示。又例如，目标场景中的护栏的形状为多个直线与曲线的重复组合，因此可以通过点云矢量化将如图13中的13a所示的护栏的第二点云分布拟合成曲线与直线的重复组合，矢量化结果如图13中的13b所示。再例如，红绿灯的形状为简单的圆形平面，因此可以通过点云矢量化将红绿灯的第一点云分布拟合成一个圆形平面等，此处不再赘述。

需要说明的是，上述步骤S602a和步骤S603b的执行先后顺序不作具体限定。

步骤S604，根据第一矢量数据和第二矢量数据构建目标场景的三维地图。

具体的，在得到所述第一矢量数据和第二矢量数据后，该计算设备可以根据第一矢量数据和第二矢量数据的坐标将第一矢量数据和第二矢量数据加载到目标场景的三维地图中进行三维地图的构建，目标场景的三维地图如图6中的6e所示。

可选的，编辑人员还可以在三维地图中对矢量数据进行编辑调整，实现地图要素在三维地图中的精确定位，并获得第一矢量数据数据在所述三维地图中编辑后产生的第三矢量数据(即第一地图要素实际理想的矢量数据)以及所述第二矢量数据在所述三维地图中编辑后产生的第四矢量数据(即第二地图要素实际理想的矢量数据)。

例如，如图14中的14a所示，灰色矩形为算法生成的一种路牌的第一矢量数据，其所在位置与实际理想的的白色矩形路牌的位置存在偏差，此时，编辑人员可以通过计算设备在目标场景的三维地图中对路牌的矢量数据进行编辑，调整路牌的位置实现路牌在三维地图中的精确定位，并将最终调整后所得的矢量数据作为路牌的第三矢量数据。又例如，如图14中的14b所示，灰色梯形为通过算法得到的另一种路牌的第一矢量数据，其形状为梯形，与实际理想的矩形存在偏差，此时，编辑人员可以通过计算设备在目标场景的三维地图中对路牌的矢量数据进行编辑，调整路牌中关键点的位置，使得路牌形状为理想的矩形，并将最终调整后所得的矢量数据作为路牌的第三矢量数据。

本发明实施例在进行地图构建时，通过本发明提供的一种地图构建方法，将图像分割法和点云分割法相结合，针对不同特征的地图要素采用不同的分割算法获得不同地图要素的点云分布，其中，针对图像特征明显的第一地图要素(例如路牌、红绿灯、交通标志等)采用图像分割法获得第一地图要素的第一图像，并结合反投影法得到第一道路要素的第一点云分布，执行简单，效率高；针对空间分布特征明显的第二地图要素(例如路牙、护栏、路障等)采用点云分割法获得第二地图要素的第三点云分布，并结合点云数据投影图中的特征提取结果进行交叉验证，获得第二地图要素的第二点云分布，精确度高。从而使得地图要素的整体编辑工作更加高效、准确和便捷，进而辅助编辑人员更好地完成地图构建工作，提升地图构建工作的自动化率。

如上所述，本发明实施例提供的一种地图构建方法，将图像分割法和点云分割法相结合，针对不同特征的地图要素采用不同的分割算法获得不同地图要素的点云分布。所需加载的数据量少，算法执行简单，对地图编辑平台的负荷小，基于此，本发明实施例可以应用于专业软件、也可以应用于网页端。

请参见图15，是本发明实施例提供的一种网页端地图构建界面示意图，地图编辑人员可以通过计算设备输入账号和密码登录该网站，开始地图构建工作。例如，如图15所示，右侧列表中可以是加载的各项场景资源，在地图编辑人员需要进行地图编辑工作时，可以通过该计算设备访问相关提供场景资源的网站并下载本次地图构建工作所需的场景资源。如图16所示，该网页端地图构建界面中可以显示目标场景的图像数据和目标场景的点云数据，还可以显示目标场景的三维地图，等等。最终，可以在该网页端地图构建平台中生产出精确、完善的三维地图，并且可以通过一键上传等功能将完成的三维地图上传至服务器，实现资源共享。

除此之外，本发明实施例中的图像分割算法和点云分割算法可以通过对模型的不断学习迭代，有效提升分割算法的准确率。模型迭代使用的数据可以是来自于该计算设备在地图构建过程中产生的编辑数据。

请参见图16，是本发明实施例提供的一种模型样本生成方法的流程示意图，该方法可应用于上述图1或图2中所述的系统架构中，由计算设备执行，该计算设备可以为上述图1或图2系统架构中的计算设备100a、100b、100c中的任意一个，可用于支持并执行图16中所示的方法流程。下面将结合附图16从计算设备侧进行描述，该方法可包括以下步骤S1601-步骤S1603b：

步骤S1601，记录第一图像和第三点云分布的数据。

具体的，地图编辑人员每一次通过计算设备对地图要素进行定位时，该计算设备都会记录通过执行图像分割算法得到的第一图像的数据以及通过执行点云分割算法得到的第三点云分布的数据。

步骤S1602，对比算法生成的矢量数据与人工编辑调整后的矢量数据之间的数据差异。

具体的，在获得第三矢量数据和第四矢量数据后，该计算设备对比第一矢量数据与第三数量数据之间的数据差异，获得第一数据差异；以及对比第二矢量数据与第四矢量数据之间的数据差异，获得第二数据差异。具体的，点状数据可以对比坐标距离、线状数据可以对比欧式距离(euclid distance)、面状数据可以对比图像处理的交并比(intersection over union，IOU)，本发明实施例对此不作具体限定。

其中，三维空间的欧氏距离计算公式如下：

d＝sqrt((x1-x2)^2+(y1-y2)^2+(z1-z2)^2)

IOU的计算公式如下：

IOU＝area(C)∩area(G)/area(C)∪area(G)

例如，如图17所示的路牌的第一矢量数据和第三矢量数据，其中第一矢量数据的路牌矩形平面为area(C)，如图17中的17a内左上矩形所示，第三矢量数据的路牌矩形平面为area(G)，如图17中的17a内右下矩形所示，area(C)∩area(G)为两块平面的交集，如图17中的17b内中间深色矩形所示，area(C)∪area(G)为两块平面的并集，如图17中的17a中的灰色多边形所示。通过上述公式计算交并比，交并比越大，则数据差异越小，算法的分割效果越好，精度越高。一般，IOU大于0.5就可认为其图像处理得到的结果精度较高。

步骤S1603a，回传数据至模型的训练样本集。

具体的，该计算设备对数据差异进行判断，若第一数据差异大于阈值，则将其对应的第一图像的数据作为所述图像分割算法的训练数据并回传至模型的训练样本集；若第二数据差异大于阈值，则将其对应的第三点云分布的数据作为所述点云分割算法的训练数据并回传至模型的训练样本集。

例如，路牌的IOU计算结果为0.7，设置的阈值为0.5，则将该平台将执行图像分割算法所得的路牌图像的数据作为所述图像分割算法的训练数据，所述阈值可以随着模型迭代的不断进行而相应更改。

步骤S1603b，回传数据至模型的测试样本集。

具体的，该计算设备对数据差异进行判断，若第一数据差异小于阈值，则将其对应的第一图像的数据作为所述图像分割算法的测试数据并回传至模型的测试样本集；若第二数据差异小于阈值，则将其对应的第三点云分布的数据作为所述点云分割算法的测试数据并回传至模型的测试样本集。

例如，路牌的IOU为0.4，设置的阈值为0.5，则将该平台执行图像分割算法所得的路牌图像数据作为所述图像分割算法的测试数据，所述阈值可以随着模型迭代的不断进行而相应更改。

随着数据的不断产生，训练样本不断累积后，模型也会得到进一步的学习和强化，使得分割结果更加接近理想，整个流程形成一个完整的闭环，不断自我迭代、更新，在分割算法完善的同时，地图构建效率也能得到显著提升。

需要说明的是，上述步骤S1603a和步骤S1603b的执行先后顺序不作具体限定。

请参见图18，是本发明实施例提供的一种地图构建装置的结构示意图。如图18所示，该地图构建装置包括装置1，该装置1可以应用于上述图4所对应实施例中的计算设备，该装置1可以包括：获取模块11、第一确定模块121、第二确定模块122、地图构建模块13：

获取模块11，用于获取场景资源，所述场景资源包括目标场景的图像数据和点云数据，所述图像数据包括所述目标场景的二维图像数据，所述点云数据包括所述目标场景的三维空间坐标数据；

第一确定模块121，用于基于所述图像数据，确定所述第一地图要素的第一点云分布，所述第一点云分布为所述第一地图要素中每个点的三维空间坐标的集合；

第二确定模块122，用于基于所述点云数据，确定所述第二地图要素的第二点云分布，所述第二点云分布为所述第二地图要素中每个点的三维空间坐标的集合；

地图构建模块13，用于根据所述第一点云分布和所述第二点云分布构建所述目标场景的三维地图。

其中，获取模块11、第一确定模块121、第二确定模块122、地图构建模块13的具体功能实现方式可以参见上述图4所对应实施例中的步骤S301-步骤S303，第一确定模块121的具体实现方式还可以参见上述图7所对应实施例中的步骤s11-步骤s15，第二确定模块121的具体实现方式还可以参见上述图9所对应实施例中的步骤s21-步骤s25，地图构建模块13的具体功能实现方式还可以参见上述图5所对应实施例中的步骤S603-步骤S604，这里不再进行赘述。

请一并参见图18，第一确定模121可以包括：第一区域确定单元1211、第一图像获取单元1212、深度图获取单元1213、第一点云分布确定单元1214；

第一区域确定单元1211，用于获取所述目标场景的图像中所述第一地图要素的第一区域；

第一图像获取单元1212，用于对所述第一区域内的图像进行图像分割，以获得所述第一地图要素的第一图像；

深度图获取单元1213，用于根据所述目标场景的坐标、方位角和点云数据生成与所述目标场景的图像对应的深度图，获得所述深度图中与所述第一图像对应的深度图；

第一点云分布确定单元1214，用于根据所述第一图像对应的深度图，通过反投影法获得所述第一地图要素的第一点云分布。

其中，第一区域确定单元1211、第一图像获取单元1212、深度图获取单元1213、第一点云分布确定单元1214的具体功能实现方式可以参见上述图7所对应实施例中的步骤s11-步骤s15，这里不再进行赘述。其中，当第一区域确定单元1211执行完相应操作时，第一图像获取单元1212、深度图获取单元1213可以同时开始进行操作。

请一并参见图18，第二确定模块122可以包括：第二区域确定单元1221、第三点云分布获取单元1222、第四点云分布获取单元1223、第二点云分布确定单元1224；

第二区域确定单元1221，用于确定所述目标场景的图像中所述第二地图要素的第二区域；

第三点云分布获取单元1222，用于对所述第二区域内的点云数据进行点云分割，以获得第二地图要素的第三点云分布；

第四点云分布获取单元1223，用于根据指定方向生成所述第二区域内的点云数据的投影图，对所述投影图中所述第二区域内的点云数据进行特征提取，以获得所述第二地图要素的第四点云分布；

第二点云分布确定单元1224，用于选取所述第三点云分布和所述第四点云分布中重合度高于阈值的点云数据，确定为所述第二地图要素的第二点云分布。

其中，第二区域确定单元1221、第三点云分布获取单元1222、第四点云分布获取单元1223、第二点云分布确定单元1224的具体功能实现方式可以参见上述图10所对应实施例中的步骤s21-步骤s25，这里不再进行赘述。

请一并参见图18，地图构建模块13可以包括：第一矢量数据获取单元1311、第二矢量数据获取单元1312、地图构建单元132；

第一矢量数据获取单元1311，用于根据所述第一点云分布和第一地图要素的形状进行点云矢量化，获得第一矢量数据；

第二矢量数据获取单元1312，用于根据所述第二点云分布和第二地图要素的形状进行点云矢量化，获得第二矢量数据；

地图构建单元132，用于基于所述第一矢量数据和所述第二矢量数据构建三维地图。

其中，第一矢量数据获取单元1311、第二矢量数据获取单元1312、地图构建单元132的具体功能实现方式可以参见上述图6所对应实施例中的步骤S603-步骤S604，这里不再进行赘述。

请一并参见图18，第一图像获取单元1212可以包括：第一分割子单元12121、第一图像确定子单元12122；

第一分割子单元12121，用于根据图像分割算法将所述第一区域内的图像分割成若干个感兴趣的子图像；

第一图像确定子单元12122，用于从所述若干个感兴趣的子图像中确定所述第一地图要素的第一图像。

其中，第一分割子单元12121、第一图像确定子单元12122的具体功能实现方式可以参见上述图4所对应实施例中的步骤s12，这里不再进行赘述。

请一并参见图18，深度图获取单元1213可以包括：投影面确定子单元12131、投影子单元12132、深度图获取子单元12133；

投影面确定子单元12131，用于根据所述目标场景的坐标和方位角确定投影面；

投影子单元12132，用于通过透视投影法将所述目标场景的点云数据投影到所述投影面上，获得与所述目标场景的图像对应的深度图；

深度图获取子单元12133，用于根据所述第一图像，获得所述深度图中与所述第一图像对应的深度图。

其中，投影面确定子单元12131、投影子单元12132、深度图获取子单元12133的具体功能实现方式可以参见上述图7所对应实施例中的步骤s13-步骤s14，这里不再进行赘述。

请一并参见图18，第一点云分布确定单元1214可以包括：第一计算子单元12141、第一点云分布确定子单元12142；

第一计算子单元12141，用于计算所述深度图中与所述第一图像对应的深度图内的的每个点在三维空间中的坐标；

第一点云分布确定子单元12142，将所述第一图像对应的深度图内的每个点在三维空间中的坐标的集合确定为所述第一地图要素的第一点云分布。

其中，第一计算子单元12141、第一点云分布确定子单元12142的具体功能实现方式可以参见上述图7所对应实施例中的步骤s15，这里不再进行赘述。

请一并参见图18，第三点云分布获取单元1222可以包括：第二分割子单元12221、第三点云分布确定子单元12222；

第二分割子单元12221，用于根据点云分割算法将所述点云数据中的所述第二区域内的点云数据分割成若干个感兴趣的数据块，

第三点云分布确定子单元12222，用于从所述若干个感兴趣的数据块中确定所述第二地图要素的第三点云分布。

其中，第二分割子单元12221、第三点云分布确定子单元12222的具体功能实现方式可以参见上述图10所对应实施例中的步骤s22，这里不再进行赘述。

请一并参见图18，第四点云分布获取单元1223可以包括：特征提取子单元12231、第二计算子单元12232、第四点云分布确定子单元12233；

特征提取子单元12231，用于获得第二区域内的点云数据的特征提取结果；

第二计算子单元12232，用于计算所述特征提取结果内的每个点在三维空间中的坐标；

第四点云分布确定子单元12233，用于将所述特征提取结果中每个点在三维空间中的坐标的集合确定为所述第二地图要素的第四点云分布。

其中，特征提取子单元12231、第二计算子单元12232、第四点云分布确定子单元12233的具体功能实现方式可以参见上述图10所对应实施例中的步骤s23-步骤s24，这里不再进行赘述。

请一并参见图18，地图构建单元132可以包括：第三矢量数据获取子单元1321、第四矢量数据获取子单元1322；

第三矢量数据获取子单元1321，用于获取所述第一矢量数据在所述三维地图中编辑后产生的第三矢量数据；

第四矢量数据获取子单元1322，获取所述第二矢量数据在所述三维地图中编辑后产生的第四矢量数据。

其中，第三矢量数据获取子单元1321、第四矢量数据获取子单元1322的具体功能实现方式可以参见上述图5所对应实施例中的步骤S504，这里不再进行赘述。

请参见图18，是本发明实施例提供的一种地图构建装置的结构示意图。如图18所示，该地图构建装置还包括装置2，该装置2可以应用于上述图16所对应实施例中的计算设备，该地图构建装置2可以包括：第一数据差异确定模块211、第二数据差异确定模块212、第一分类模块221、第二分类模块222；

第一数据差异确定模块211，用于确定所述第一矢量数据和所述第三矢量数据的第一数据差异；

第二数据差异确定模块212，用于确定所述第二矢量数据和所述第四矢量数据的第二数据差异；

第一分类模块221，用于将所述第一图像的第一数据作为所述图像分割算法的训练数据，所述第一数据对应的所述第一数据差异大于阈值；将所述第一图像的第二数据作为所述图像分割算法的测试数据，所述第二数据对应的所述第一数据差异小于阈值，所述第一数据和所述第二数据为通过图像分割法得到的图像数据；

第二分类模块222，用于将所述第三点云分布的第三数据作为所述点云分割算法的训练数据，所述第三数据对应的所述第二数据差异大于阈值；将所述第三点云分布的第四数据作为所述图像分割算法的测试数据，所述第四数据对应的所述第二数据差异小于阈值，所述第三数据和所述第四数据为通过点云分割法得到的数据。

其中，第一数据差异确定模块211、第二数据差异确定模块212的具体功能实现方式可以参见上述图15所对应实施例中的步骤S1601-步骤S1602，第一分类模块221、第二分类模块222的具体功能实现方式可以参见上述图12所对应实施例中的步骤S1603a-步骤S1603b，这里不再进行赘述。

本发明实施例可以通过针对不同特征的地图要素，将图像分割法和点云分割法相结合采用不同的分割算法获得不同地图要素的点云分布，其中，针对图像特征明显的第一地图要素(例如路牌、红绿灯、交通标志等)采用图像分割法获得第一地图要素的第一图像，并结合反投影法得到第一道路要素的第一点云分布，执行简单，效率高；针对空间分布特征明显的第二地图要素(例如路牙、护栏、路障等)采用点云分割法获得第二地图要素的第三点云分布，并结合点云数据投影图中的特征提取结果进行交叉验证，获得第二地图要素的第二点云分布，精确度高。由于整体所需加载的场景资源的数据量较少，整体算法的执行量也较少，因此本发明实施例可以应用于网页端，从而使得地图要素的整体编辑工作更加高效、准确和便捷，进而辅助编辑人员更好地完成地图构建工作，提升地图构建工作的自动化率。同时，随着本发明实施例执行过程中数据生产的不断进行，算法模型也会得到进一步的学习和强化，从而实现更好地分割效果，整个流程形成一个完整的闭环，不断自我迭代和更新，在算法完善的同时，地图构建效率也能得到显著提升。

基于上述方法实施例以及装置实施例的描述，本发明实施例还提供一种计算设备。请参见图19，是本发明实施例提供的一种计算设备的结构示意图，该计算设备至少包括处理器101、输入设备102、输出设备103以及计算机存储介质104。所述输入设备102中还可以包括场景资源采集设备，场景资源采集设备可以用于采集目标场景的图像数据和点云数据，所述场景资源采集设备可以包括高清摄像机、三维激光扫描仪、惯性测量单位和全球定位系统等等，所述场景资源采集设备可以是与计算设备相连接的外部设备也可以是该计算设备出厂时自身带有的设备。其中，计算设备内的处理器101、输入设备102、输出设备103以及计算机存储介质104可通过总线或其他方式连接。

计算机存储介质104可以存储在计算设备的存储器中，所述计算机存储介质104用于存储计算机程序，所述计算机程序包括程序指令，所述处理器101用于执行所述计算机存储介质104存储的程序指令。处理器101(或称CPU(Central Processing Unit，中央处理器))是计算设备的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；在一个实施例中，本发明实施例所述的处理器101可以用于进行地图构建的一系列处理，包括：获取场景资源，所述场景资源包括目标场景的图像数据和点云数据，所述图像数据包括所述目标场景的二维图像数据，所述点云数据中每个点包括一个三维空间坐标数据；基于所述图像数据，结合所述点云数据，确定所述第一地图要素的第一点云分布，所述第一点云分布为所述第一地图要素中每个点的三维空间坐标的集合；基于所述点云数据，确定所述第二地图要素的第二点云分布，所述第二点云分布为所述第二地图要素中每个点的三维空间坐标的集合；根据所述第一点云分布和所述第二点云分布构建所述目标场景的三维地图，等等。

本发明实施例还提供了一种计算机存储介质(Memory)，所述计算机存储介质是计算设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机存储介质既可以包括计算设备中的内置存储介质，当然也可以包括计算设备所支持的扩展存储介质。计算机存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器101加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器；可选的还可以是至少一个位于远离前述处理器的计算机存储介质。

在一个实施例中，可由处理器101加载并执行计算机存储介质中存放的一条或一条以上指令，以实现上述有关图像处理方法实施例中的方法的相应步骤；具体实现中，计算机存储介质中的一条或一条以上指令由处理器101加载并执行如下步骤：

在一种实施方式中，在基于所述目标场景的图像，确定所述第一地图要素的第一点云分布时，所述一条或一条以上指令由处理器101加载并具体执行：

确定所述目标场景的图像中所述第一地图要素的第一区域；

再一种实施方式中，在对所述第一区域内的图像进行图像分割，以获得所述第一地图要素的图像时，所述一条或一条以上指令由处理器101加载并具体执行：

再一种实施方式中，在根据所述目标场景的坐标、方位角和点云数据生成与所述目标场景的图像对应的深度图，获得所述深度图中与所述第一图像对应的深度图时，所述一条或一条以上指令由处理器101加载并具体执行：

根据所述目标场景的坐标和方位角确定投影面，通过透视投影法将所述目标场景的点云数据投影到所述投影面上，获得与所述目标场景的图像对应的深度图；

根据所述第一图像，确定所述深度图中与所述第一图像对应的深度图。

再一种实施方式中，在根据所述第一图像对应的深度图，通过反投影法获得所述第一地图要素的第一点云分布，所述一条或一条以上指令由处理器101加载并具体执行：

再一种实施方式中，在基于所述点云数据，获得所述第二地图要素的第二点云分布时，所述一条或一条以上指令由处理器101加载并具体执行：

确定所述点云地图中所述第二地图要素的第二区域；

将所述第三点云分布和所述第四点云分布中重合度高于阈值的点云数据确定为所述第二地图要素的第二点云分布。

再一种实施方式中，在对所述第二区域内的点云数据进行点云分割，以获得第二地图要素的第三点云分布，所述一条或一条以上指令由处理器101加载并具体执行：

再一种实施方式中，在对所述投影图中所述第二区域内的点云数据进行特征提取，以获得所述第二地图要素的第四点云分布时，所述一条或一条以上指令由处理器101加载并具体执行：

再一种实施方式中，在根据第一点云分布和所述第二点云分布构建所述目标场景的三维地图时，所述一条或一条以上指令由处理器101加载并具体执行：

基于所述第一矢量数据和所述第二矢量数据构建所述目标场景的三维地图。

再一种实施方式中，所述一条或一条以上指令还可由处理器101加载并具体执行：

将所述第一图像的第一数据作为所述图像分割算法的训练数据，所述第一数据对应的所述第一数据差异大于阈值；将所述第一图像的第一数据作为所述图像分割算法的测试数据，所述第二数据对应的所述第一数据差异小于阈值，所述第一数据和所述第二数据为通过图像分割法得到的数据；

将所述第三点云分布的第三数据作为所述点云分割算法的训练数据，所述第三数据对应的所述第二数据差异大于阈值；将所述三点云分布的第三数据作为所述图像分割算法的测试数据，所述第四数据对应的所述第二数据差异小于阈值，所述第三数据和所述第四数据为通过点云分割法得到的数据。

本发明实施例在进行地图构建时，将图像分割法和点云分割法相结合，针对不同特征的地图要素采用不同的分割算法获得不同地图要素的点云分布，其中，针对图像特征明显的第一地图要素(例如路牌、红绿灯、交通标志等)采用图像分割法获得第一地图要素的第一图像，并结合反投影法得到第一道路要素的第一点云分布，执行简单，效率高；针对空间分布特征明显的第二地图要素(例如路牙、护栏、路障等)采用点云分割法获得第二地图要素的第三点云分布，并结合点云数据投影图中的特征提取结果进行交叉验证，获得第二地图要素的第二点云分布，精确度高。从而使得地图要素的整体编辑工作更加高效、准确和便捷，进而辅助编辑人员更好地完成地图构建工作，提升地图构建工作的自动化率。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims

1.一种地图构建方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述第一地图要素包括车道线、人行道、路牌、红绿灯、交通标志、显示屏中的一种或多种，所述第二地图要素包括路牙、护栏、路障、高速收费站、公交停靠站、加油站中的一种或多种。

3.根据权利要求1所述的方法，其特征在于，所述场景资源还包括所述目标场景的坐标和方位角；所述基于所述目标场景的图像，确定所述第一地图要素的第一点云分布，包括：

确定所述目标场景的图像中所述第一地图要素的第一区域；

4.根据权利要求3所述的方法，其特征在于，所述对所述第一区域内的图像进行图像分割，以获得所述第一地图要素的图像，包括：

5.根据权利要求3所述的方法，其特征在于，所述根据所述目标场景的坐标、方位角和点云数据生成与所述目标场景的图像对应的深度图，获得所述深度图中与所述第一图像对应的深度图，包括：

6.根据权利要求3所述的方法，其特征在于，所述根据所述第一图像对应的深度图，通过反投影法获得所述第一地图要素的第一点云分布，包括：

7.根据权利要求1所述的方法，其特征在于，所述点云数据构成所述目标场景的点云地图；所述基于所述点云数据，获得所述第二地图要素的第二点云分布，包括：

确定所述点云地图中所述第二地图要素的第二区域；

8.根据权利要求7所述的方法，其特征在于，所述对所述第二区域内的点云数据进行点云分割，以获得第二地图要素的第三点云分布，包括：

9.根据权利要求7所述的方法，其特征在于，所述对所述投影图中所述第二区域内的点云数据进行特征提取，以获得所述第二地图要素的第四点云分布，包括：

10.根据权利要求1所述的方法，其特征在于，所述根据第一点云分布和所述第二点云分布构建所述目标场景的三维矢量地图，包括：

11.根据权利要求10所述的方法，其特征在于，所述方法还包括：

获取所述第一矢量数据在所述三维地图中编辑后产生的第三矢量数据，获取所述第二矢量数据在所述三维地图中编辑后产生的第四矢量数据。

12.根据权利要求11所述的方法，其特征在于，所述方法还包括：

13.一种地图构建装置，其特征在于，包括：

14.一种终端，包括输入设备和输出设备，其特征在于，包括：

处理器，适于实现一条或一条以上指令；计算机存储介质，所述计算机存储介质存储有一条或一条以上指令，所述一条或一条以上指令适于由所述处理器加载并执行如权利要求1-12任一项所述的地图构建方法。

15.一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存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执行如权利要求1-12任一项所述的方法。