CN110990501A - 三维道路建模方法、装置、电子设备及存储介质 - Google Patents
三维道路建模方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110990501A CN110990501A CN201910703458.6A CN201910703458A CN110990501A CN 110990501 A CN110990501 A CN 110990501A CN 201910703458 A CN201910703458 A CN 201910703458A CN 110990501 A CN110990501 A CN 110990501A
- Authority
- CN
- China
- Prior art keywords
- road
- dimensional
- linear
- traffic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005516 engineering process Methods 0.000 claims description 17
- 230000000007 visual effect Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 9
- 241000283070 Equus zebra Species 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002955 isolation Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开涉及基于位置服务技术领域，具体地，涉及一种三维道路建模方法、装置、电子设备及存储介质。该三维道路建模方法、装置、电子设备及存储介质通过GIS获取二维路网数据、街景地图API获取道路的全景图，解析全景图获得道路和交通要素的属性数据，以建立三维道路模型。该三维道路建模方法、装置、电子设备及存储介质数据来源于GIS和街景地图API，不用采集数据，成本较低、工作量较少、且全过程采用计算机自动建模效率较高。
Description
技术领域
本公开涉及基于位置服务技术领域，具体地，涉及一种三维道路建模方法、装置、电子设备及存储介质。
背景技术
随着计算机图形学、三维仿真技术、虚拟现实技术以及网络通信技术的飞速发展，传统的二维电子地图被注入了新的活力，承载在互联网上的三维电子地图正成为电子地图发展的一个重要方向。在三维地图中，能够实现更丰富的交互和更炫酷的渲染技术，为更多的相关产品提供了更丰富的想象空间。
现有的三维电子地图中，道路的三维模型建立方法可以分为两种，即人工建模方式和自动建模方式。人工建模方式是指对照卫星图或者航拍图，用三维绘图软件人工绘制道路的三维模型。显然，这种建模方式的建模效率并不高。自动建模方式是指利用相机或者雷达等专业的采集设备，对需要建模的区域进行机载或者车载的扫描，再根据扫描数据自动进行建模。这种建模方式的工作效率虽然大幅提升，但是相机、雷达本身的价格昂贵。而且，执行一次这样的扫描的成本也十分高。所以，自动建模方式的成本会使大部分的电子地图开发商望而却步。
发明内容
本公开的目的是提供一种成本较低、工作量较少、效率较高的三维道路建模方法、装置、电子设备及存储介质，已解决上述问题。
为了实现上述目的，本公开提供如下技术方案：
根据本公开实施例的第一方面，提供一种三维道路建模方法，所述方法包括：
从GIS获取二维路网数据，建立二维线形道路底图；
调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，建立二维道路模型；
解析获得的所有全景图，获得路网的所有交通要素的三维属性数据，其中，所述交通要素包括：交通标志牌和红绿灯；
将所述二维道路模型与路网的所有交通要素的三维属性数据进行融合，以建立第一三维道路模型。
可选地，调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，建立二维道路模型包括：
选取所述二维线形道路底图中每条线形道路的多个位置点，发送所述多个位置点的二维坐标至所述街景地图API，获得每个位置点或每个位置点的相邻点的全景图，以获得每条线形道路的多个全景图；
识别每条线形道路的每个全景图的车道线，及计算每条线形道路包括的车道数；
通过GIS获得每条线形道路的道路类别，及根据每条线形道路的道路类别获得每条线形道路的每个车道的宽度；
识别每条线形道路的每个全景图的行车线，获得每条线形道路包括的行车线，所述行车线包括直行线和转弯线；
结合每条线形道路包括的车道数、每个车道的宽度及每条线形道路包括的行车线，在两条线形道路的交叉处自动生成斑马线，对所述二维线形道路底图中的每条线形道路进行重建，生成二维道路模型。
可选地，解析获得的所有全景图，获得路网的所有交通要素的三维属性数据包括：
应用深度学习技术对获得的所有全景图进行目标识别，获取所述全景图中所有的交通要素；
对于每个全景图利用视觉图像定位技术，获取每个全景图中每个交通要素的初步三维位置坐标；
对于同一个交通要素，利用多张全景图获取的多个初步三维位置坐标进行优化求解，得到该交通要素的三维位置坐标，重复此步骤得到路网的所有交通要素的三维位置坐标。
可选地，将所述二维道路模型与路网的所有交通要素的三维属性数据进行融合，以建立第一三维道路模型包括：
对所述二维道路模型中的道路的高度进行赋值，建立第一初步三维道路模型；
将路网的所有交通要素的三维属性数据导入所述第一初步三维道路模型，进行三维模型重建，建立第一三维道路模型；或将所述第一初步三维道路模型导入路网的所有交通要素的三维属性数据，进行三维模型重建，建立第一三维道路模型。
根据本公开实施例的第二方面，提供一种三维道路建模方法，所述方法包括：
从GIS获取二维路网数据，建立二维线形道路底图；
调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，以建立第二初步三维道路模型；
解析获得的所有全景图，获得路网的所有交通要素的三维属性数据，其中，所述交通要素包括：交通标志牌和红绿灯；
将所述第二初步三维道路模型与路网的所有交通要素的三维属性数据进行融合，以建立第二三维道路模型。
可选地，调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，以建立第二初步三维道路模型包括：
选取所述二维线形道路底图中每条线形道路的多个位置点，发送所述多个位置点的二维坐标至所述街景地图API，获得每个位置点或每个位置点的相邻点的全景图，以获得每条线形道路的多个全景图；
识别每条线形道路的每个全景图的道路标识线，及获得所述道路标识线的三维位置坐标，所述道路标识线包括道路边界线、中心隔离带边界线、道路中心线和车道线；
将每条线形道路的道路标识线标注在所述二维线形道路底图中，生成第二初步三维道路模型。
根据本公开实施例的第三方面，提供一种三维道路建模装置，所述装置包括：
第一线形道路生成模块，用于从GIS获取二维路网数据，建立二维线形道路底图；
二维道路生成模块，用于调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，建立二维道路模型；
第一交通要素获取模块，用于解析获得的所有全景图，获得路网的所有交通要素的三维属性数据，其中，所述交通要素包括：交通标志牌和红绿灯；
第一三维道路生成模块，用于将所述二维道路模型与路网的所有交通要素的三维属性数据进行融合，以建立第一三维道路模型。
根据本公开实施例的第四方面，提供一种三维道路建模装置，所述装置包括：
第二线形道路生成模块，用于从GIS获取二维路网数据，建立二维线形道路底图；
初步三维道路生成模块，用于调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，以建立第二初步三维道路模型；
第二交通要素获取模块，用于解析获得的所有全景图，获得路网的所有交通要素的三维属性数据，其中，所述交通要素包括：交通标志牌和红绿灯；
第二三维道路生成模块，用于将所述第二初步三维道路模型与路网的所有交通要素的三维属性数据进行融合，以建立第二三维道路模型。
根据本公开实施例的第五方面，提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现上述方法的步骤。
根据本公开实施例的第六方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：
通过GIS获取二维路网数据及通过街景地图API获取全景图，对二维路网数据及全景图进行处理以自动构建三维道路模型，数据来源于GIS和街景地图API，不用采集数据，成本较低、工作量较少、且全过程采用计算机自动建模效率较高。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种三维道路建模方法的流程图。
图2是GIS提供的二维线形道路底图的示意图。
图3是根据一示例性实施例示出的一种三维道路建模装置的框图。
图4是根据一示例性实施例示出的另一种三维道路建模方法的流程图。
图5是根据一示例性实施例示出的另一种三维道路建模装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
附图标记说明
10-第一线形道路生成模块；30-二维道路生成模块；50-第一交通要素获取模块；70-第一三维道路生成模块；110-第二线形道路生成模块；130-初步三维道路生成模块；150-第二交通要素获取模块；170-第二三维道路生成模块；700-电子设备；701-处理器；702-存储器；703-多媒体组件；704-I/O接口；705-通信组件。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例，仅用于说明和解释本公开。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本公开的描述中，术语“第一”、“第二”、“第三”、“第四”等仅用于区分描述，而不能理解为只是或暗示相对重要性。
根据本公开的第一方面，提供一种三维道路建模方法，应用于三维道路建模装置。图1是根据一示例性实施例示出的一种三维道路建模方法的流程图，如图1所示，该方法包括以下步骤：
步骤S10，从GIS获取二维路网数据，建立二维线形道路底图。
GIS，即地理信息系统，从GIS可以获取路网分布的二维图像数据，作为二维线形道路底图，如图2所示。从图2中可以看出，该二维线形道路底图中每条道路均由一条线表示。
步骤S30，调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，建立二维道路模型。
其中，街景地图API即可以获得街景全景图的应用程序API，可以是现有技术中公开的街景地图，如腾讯街景地图、百度街景地图等。在此步骤中，对获得的全景图进行解析，可以将二维线形道路底图中的由一条线表示的道路转换为包括车道线、行车线、斑马线等具有宽度的与实际道路相同或相似的道路。相较于街景图片来源于相机、雷达、车辆的拍摄，本公开直接调用现有街景地图API，无成本，且不涉及后期处理，方便快捷。
可选地，步骤S30包括子步骤S31、子步骤S33、子步骤S35、子步骤S37和子步骤S39。
子步骤S31，选取所述二维线形道路底图中每条线形道路的多个位置点，发送所述多个位置点的二维坐标至所述街景地图API，获得每个位置点或每个位置点的相邻点的全景图，以获得每条线形道路的多个全景图。
选取所述二维线形道路底图中每条线形道路的多个位置点，发送所述多个位置点的二维坐标至所述街景地图API，所述街景地图API会返回与所述多个位置点的二维坐标相同或相邻的点的全景图，与所述多个位置点的二维坐标相同或相邻的点的全景图即为每条线形道路的多个全景图。
子步骤S33，识别每条线形道路的每个全景图的车道线，及计算每条线形道路包括的车道数。
识别每条线形道路的每个全景图的车道线可以应用深度学习技术进行目标识别。在这里车道线包括实线和虚线，例如，有三根车道线，则车道数为两车道；有五根车道线，则车道数为四车道。
子步骤S35，通过GIS获得每条线形道路的道路类别，及根据每条线形道路的道路类别获得每条线形道路的每个车道的宽度。
对于不同道路类别的道路，其每个车道的宽度是有一定规定的。如根据公路等级以及路线经过地区的交通量，如国道、省道、一级公路每车道宽度为3.75米。因此可以根据每条线形道路的道路类别获得每条线形道路的每个车道的宽度。
子步骤S37，识别每条线形道路的每个全景图的行车线，获得每条线形道路包括的行车线，所述行车线包括直行线和转弯线。
同样可以采用深度学习进行目标识别，以识别每个车道内所标注的直行线、或直行及转弯线、或转弯线。
子步骤S39，结合每条线形道路包括的车道数、每个车道的宽度及每条线形道路包括的行车线，在两条线形道路的交叉处自动生成斑马线，对所述二维线形道路底图中的每条线形道路进行重建，生成二维道路模型。
结合每条线形道路包括的车道数、每个车道的宽度，即可将二维线形道路底图中的线形道路进行扩宽，并且在两条线形道路的交叉处自动生成斑马线，再将行车线标注在各车道内，生成二维道路模型。
通过子步骤S31、子步骤S33、子步骤S35、子步骤S37和子步骤S39，根据车道数对道路扩宽，以及根据道路交叉处自动生成斑马线而不需要进行目标识别等，简化了算法，降低了计算量。
步骤S50，解析获得的所有全景图，获得路网的所有交通要素的三维属性数据。
其中，所述交通要素包括：交通标志牌和红绿灯。通过对全景图中的交通要素进行目标识别、视觉定位等即可获得全景图中交通要素的三维属性数据。对于同一交通要素，解析多张全景图，会得到多个相同或相近的三维属性数据，通过优化求解，即可获得该交通要素的三维属性数据。
可选地，步骤S50包括子步骤S51、子步骤S53和子步骤S55。
子步骤S51，应用深度学习技术对获得的所有全景图进行目标识别，获取所述全景图中所有的交通要素。
子步骤S53，对于每个全景图利用视觉图像定位技术，获取每个全景图中每个交通要素的初步三维位置坐标。
例如，一交通要素为红绿灯，对于该红绿灯，可以根据该红绿灯在全景图中的位置，以及该全景图的拍摄参数，获得该红绿灯在现实中的位置，即该红绿灯的初步三维位置坐标。
子步骤S55，对于同一个交通要素，利用多张全景图获取的多个初步三维位置坐标进行优化求解，得到该交通要素的三维位置坐标，重复此步骤得到路网的所有交通要素的三维位置坐标。
通过子步骤S55在视觉定位之上采用优化技术，可以找到更精确的定位。
步骤S70，将所述二维道路模型与路网的所有交通要素的三维属性数据进行融合，以建立第一三维道路模型。
可选地，步骤S70包括子步骤S71和子步骤S73。或者步骤S70包括子步骤S71和子步骤S75。
子步骤S71，对所述二维道路模型中的道路的高度进行赋值，建立第一初步三维道路模型。
其中，对所述二维道路模型中的道路的高度进行赋值可以为0，或者按预设规则对所述二维道路模型中的道路的赋予一定高度。相较于对所述二维道路模型中的道路的高度进行实际计算，更简化，可适用于对道路实际高度要求不高的游戏类模拟地图。
子步骤S73，将路网的所有交通要素的三维属性数据导入所述第一初步三维道路模型，进行三维模型重建，建立第一三维道路模型。
子步骤S75，将所述第一初步三维道路模型导入路网的所有交通要素的三维属性数据，进行三维模型重建，建立第一三维道路模型。
根据本公开实施例的第二方面，提供一种三维道路建模装置。图3是根据一示例性实施例示出的一种三维道路建模装置的框图。如图3所示，该三维道路建模装置包括第一线形道路生成模块10、二维道路生成模块30、第一交通要素获取模块50和第一三维道路生成模块70。
第一线形道路生成模块10，用于从GIS获取二维路网数据，建立二维线形道路底图。
二维道路生成模块30，用于调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，建立二维道路模型。
可选地，二维道路生成模块30还包括第一全景图获取子模块、车道数计算子模块、车道宽度计算子模块、行车线识别子模块和二维道路重建子模块。
第一全景图获取子模块，用于选取所述二维线形道路底图中每条线形道路的多个位置点，发送所述多个位置点的二维坐标至所述街景地图API，获得每个位置点或每个位置点的相邻点的全景图，以获得每条线形道路的多个全景图。
车道数计算子模块，用于识别每条线形道路的每个全景图的车道线，及计算每条线形道路包括的车道数。
车道宽度计算子模块，用于通过GIS获得每条线形道路的道路类别，及根据每条线形道路的道路类别获得每条线形道路的每个车道的宽度。
行车线识别子模块，用于识别每条线形道路的每个全景图的行车线，获得每条线形道路包括的行车线，所述行车线包括直行线和转弯线。
二维道路重建子模块，用于结合每条线形道路包括的车道数、每个车道的宽度及每条线形道路包括的行车线，在两条线形道路的交叉处自动生成斑马线，对所述二维线形道路底图中的每条线形道路进行重建，生成二维道路模型。
第一交通要素获取模块50，用于解析获得的所有全景图，获得路网的所有交通要素的三维属性数据。
其中，所述交通要素包括：交通标志牌和红绿灯。
可选地，所述第一交通要素获取模块50包括第一交通要素识别子模块、第一视觉定位子模块和第一优化求解子模块。
第一交通要素识别子模块，用于应用深度学习技术对获得的所有全景图进行目标识别，获取所述全景图中所有的交通要素。
第一视觉定位子模块，用于对于每个全景图利用视觉图像定位技术，获取每个全景图中每个交通要素的初步三维位置坐标。
第一优化求解子模块，用于对于同一个交通要素，利用多张全景图获取的多个初步三维位置坐标进行优化求解，得到该交通要素的三维位置坐标，重复此步骤得到路网的所有交通要素的三维位置坐标。
第一三维道路生成模块70，用于将所述二维道路模型与路网的所有交通要素的三维属性数据进行融合，以建立第一三维道路模型。
可选地，第一三维道路生成模块70包括高度赋值子模块和数据融合子模块。
高度赋值子模块，用于对所述二维道路模型中的道路的高度进行赋值，建立第一初步三维道路模型。
数据融合子模块，用于将路网的所有交通要素的三维属性数据导入所述第一初步三维道路模型，进行三维模型重建，建立第一三维道路模型；或将所述第一初步三维道路模型导入路网的所有交通要素的三维属性数据，进行三维模型重建，建立第一三维道路模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
根据本公开的第三方面，还提供另一种三维道路建模方法，应用于另一种三维道路建模装置。图4是根据一示例性实施例示出的一种三维道路建模方法的流程图，如图4所示，该方法包括以下步骤：
步骤S110，从GIS获取二维路网数据，建立二维线形道路底图。
由于步骤S110与步骤S10相同，在此不做赘述。
步骤S130，调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，以建立第二初步三维道路模型。
其中，街景地图API即可以获得街景全景图的应用程序API，可以是现有技术中公开的街景地图，如腾讯街景地图、百度街景地图等。在此步骤中，对获得的全景图进行解析，可以将二维线形道路底图中的由一条线表示的道路转换为包括道路边界线、中心隔离带边界线、道路中心线和车道线等具有宽度和高度的与实际道路相同或相似的道路。相较于街景图片来源于相机、雷达、车辆的拍摄，本公开直接调用现有街景地图API，无成本，且不涉及后期处理，方便快捷。
可选地，步骤S130包括子步骤S131、子步骤S133和子步骤S135。
子步骤S131，选取所述二维线形道路底图中每条线形道路的多个位置点，发送所述多个位置点的二维坐标至所述街景地图API，获得每个位置点或每个位置点的相邻点的全景图，以获得每条线形道路的多个全景图。
由于子步骤S131与子步骤S31相同，在此不作赘述。
子步骤S133，识别每条线形道路的每个全景图的道路标识线，及获得所述道路标识线的三维位置坐标。
其中，所述道路标识线包括但不限于道路边界线、中心隔离带边界线、道路中心线和车道线，例如还可以包括斑马线。识别每条线形道路的每个全景图的道路标识线可以应用深度学习技术进行目标识别及视觉定位技术获得每个道路标识线的三维位置坐标。
子步骤S135，将每条线形道路的道路标识线标注在所述二维线形道路底图中，生成第二初步三维道路模型。
将每条线形道路的道路标识线标注在所述二维线形道路底图中，替换掉二维线形道路底图中的线形道路，生成第二初步三维道路模型。
步骤S150，解析获得的所有全景图，获得路网的所有交通要素的三维属性数据。
可选地，步骤S150包括子步骤S151、子步骤S153和子步骤S155。
子步骤S151，应用深度学习技术对获得的所有全景图进行目标识别，获取所述全景图中所有的交通要素。
子步骤S153，对于每个全景图利用视觉图像定位技术，获取每个全景图中每个交通要素的初步三维位置坐标。
子步骤S155，对于同一个交通要素，利用多张全景图获取的多个初步三维位置坐标进行优化求解，得到该交通要素的三维位置坐标，重复此步骤得到路网的所有交通要素的三维位置坐标。
由于步骤S150与步骤S50相同，子步骤S151、子步骤S153和子步骤S155分别与子步骤S51、子步骤S53和子步骤S55相同，在此不作赘述。
步骤S170，将所述第二初步三维道路模型与路网的所有交通要素的三维属性数据进行融合，以建立第二三维道路模型。
即，将路网的所有交通要素的三维属性数据导入所述第二初步三维道路模型，进行三维模型重建，建立第二三维道路模型。或将所述第二初步三维道路模型导入路网的所有交通要素的三维属性数据，进行三维模型重建，建立第二三维道路模型。
根据本公开实施例的第四方面，提供一种三维道路建模装置。图5是根据一示例性实施例示出的一种三维道路建模装置的框图。如图5所示，该三维道路建模装置包括第二线形道路生成模块110、初步三维道路生成模块130、第二交通要素获取模块150和第二三维道路生成模块170。
第二线形道路生成模块110，用于从GIS获取二维路网数据，建立二维线形道路底图。
初步三维道路生成模块130，用于调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，以建立第二初步三维道路模型。
可选地，初步三维道路生成模块130还包括第二全景图获取子模块、道路标识线识别子模块和道路标识线标注子模块。
第二全景图获取子模块，选取所述二维线形道路底图中每条线形道路的多个位置点，发送所述多个位置点的二维坐标至所述街景地图API，获得每个位置点或每个位置点的相邻点的全景图，以获得每条线形道路的多个全景图。
道路标识线识别子模块，识别每条线形道路的每个全景图的道路标识线，及获得所述道路标识线的三维位置坐标，所述道路标识线包括道路边界线、中心隔离带边界线、道路中心线和车道线。
标识线标注子模块，将每条线形道路的道路标识线标注在所述二维线形道路底图中，生成第二初步三维道路模型。
第二交通要素获取模块150，用于解析获得的所有全景图，获得路网的所有交通要素的三维属性数据，其中，所述交通要素包括：交通标志牌和红绿灯。
可选地，第二交通要素获取模块150包括第二交通要素识别子模块、第二视觉定位子模块和第二优化求解子模块。
第二交通要素识别子模块，用于应用深度学习技术对获得的所有全景图进行目标识别，获取所述全景图中所有的交通要素。
第二视觉定位子模块，用于对于每个全景图利用视觉图像定位技术，获取每个全景图中每个交通要素的初步三维位置坐标。
第二优化求解子模块，用于对于同一个交通要素，利用多张全景图获取的多个初步三维位置坐标进行优化求解，得到该交通要素的三维位置坐标，重复此步骤得到路网的所有交通要素的三维位置坐标。
第二三维道路生成模块170，用于将所述第二初步三维道路模型与路网的所有交通要素的三维属性数据进行融合，以建立第二三维道路模型。
即，将路网的所有交通要素的三维属性数据导入所述第二初步三维道路模型，进行三维模型重建，建立第二三维道路模型。或将所述第二初步三维道路模型导入路网的所有交通要素的三维属性数据，进行三维模型重建，建立第二三维道路模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
在上述实施例中，全景图可以是360度全景图，也可以是仅包括沿道路一头延伸方向取的全景图。其中，沿道路一头延伸方向取的全景图即该全景图内包括的道路为由拍摄点向道路一头延伸。可选地，在上述实施例中，全景图为沿道路一头延伸方向取的全景图，以简化运算量。
根据本公开的第五方面，提供一种电子设备。图6是根据一示例性实施例示出的一种电子设备700的框图。如图6所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(I/O)接口704，以及通信组件705中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的三维道路建模方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的三维道路建模方法。
根据本公开的第六方面，提供一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的三维道路建模方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的三维道路建模方法。
通过上述技术方案，本公开提供的三维道路建模方法、装置、电子设备及存储介质，通过GIS获取二维路网数据及通过街景地图API获取全景图，对二维路网数据及全景图进行处理以构建三维道路模型，数据来源于GIS和街景地图API，不用采集数据，成本较低、工作量较少、效率较高。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (10)
1.一种三维道路建模方法，其特征在于，所述方法包括：
从GIS获取二维路网数据，建立二维线形道路底图；
调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，建立二维道路模型；
解析获得的所有全景图，获得路网的所有交通要素的三维属性数据，其中，所述交通要素包括：交通标志牌和红绿灯；
将所述二维道路模型与路网的所有交通要素的三维属性数据进行融合，以建立第一三维道路模型。
2.根据权利要求1所述的三维道路建模方法，其特征在于，调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，建立二维道路模型包括：
选取所述二维线形道路底图中每条线形道路的多个位置点，发送所述多个位置点的二维坐标至所述街景地图API，获得每个位置点或每个位置点的相邻点的全景图，以获得每条线形道路的多个全景图；
识别每条线形道路的每个全景图的车道线，及计算每条线形道路包括的车道数；
通过GIS获得每条线形道路的道路类别，及根据每条线形道路的道路类别获得每条线形道路的每个车道的宽度；
识别每条线形道路的每个全景图的行车线，获得每条线形道路包括的行车线，所述行车线包括直行线和转弯线；
结合每条线形道路包括的车道数、每个车道的宽度及每条线形道路包括的行车线，在两条线形道路的交叉处自动生成斑马线，对所述二维线形道路底图中的每条线形道路进行重建，生成二维道路模型。
3.根据权利要求1所述的三维道路建模方法，其特征在于，解析获得的所有全景图，获得路网的所有交通要素的三维属性数据包括：
应用深度学习技术对获得的所有全景图进行目标识别，获取所述全景图中所有的交通要素；
对于每个全景图利用视觉图像定位技术，获取每个全景图中每个交通要素的初步三维位置坐标；
对于同一个交通要素，利用多张全景图获取的多个初步三维位置坐标进行优化求解，得到该交通要素的三维位置坐标，重复此步骤得到路网的所有交通要素的三维位置坐标。
4.根据权利要求1所述的三维道路建模方法，其特征在于，将所述二维道路模型与路网的所有交通要素的三维属性数据进行融合，以建立第一三维道路模型包括：
对所述二维道路模型中的道路的高度进行赋值，建立第一初步三维道路模型；
将路网的所有交通要素的三维属性数据导入所述第一初步三维道路模型，进行三维模型重建，建立第一三维道路模型；或将所述第一初步三维道路模型导入路网的所有交通要素的三维属性数据，进行三维模型重建，建立第一三维道路模型。
5.一种三维道路建模方法，其特征在于，所述方法包括：
从GIS获取二维路网数据，建立二维线形道路底图；
调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，以建立第二初步三维道路模型；
解析获得的所有全景图，获得路网的所有交通要素的三维属性数据，其中，所述交通要素包括：交通标志牌和红绿灯；
将所述第二初步三维道路模型与路网的所有交通要素的三维属性数据进行融合，以建立第二三维道路模型。
6.根据权利要求5所述的三维道路建模方法，其特征在于，调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，以建立第二初步三维道路模型包括：
选取所述二维线形道路底图中每条线形道路的多个位置点，发送所述多个位置点的二维坐标至所述街景地图API，获得每个位置点或每个位置点的相邻点的全景图，以获得每条线形道路的多个全景图；
识别每条线形道路的每个全景图的道路标识线，及获得所述道路标识线的三维位置坐标，所述道路标识线包括道路边界线、中心隔离带边界线、道路中心线和车道线；
将每条线形道路的道路标识线标注在所述二维线形道路底图中，生成第二初步三维道路模型。
7.一种三维道路建模装置，其特征在于，所述装置包括：
第一线形道路生成模块，用于从GIS获取二维路网数据，建立二维线形道路底图；
二维道路生成模块，用于调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，建立二维道路模型；
第一交通要素获取模块，用于解析获得的所有全景图，获得路网的所有交通要素的三维属性数据，其中，所述交通要素包括：交通标志牌和红绿灯；
第一三维道路生成模块，用于将所述二维道路模型与路网的所有交通要素的三维属性数据进行融合，以建立第一三维道路模型。
8.一种三维道路建模装置，其特征在于，所述装置包括：
第二线形道路生成模块，用于从GIS获取二维路网数据，建立二维线形道路底图；
初步三维道路生成模块，用于调用街景地图API，获得所述二维线形道路底图中每条线形道路的多个位置点的全景图，以建立第二初步三维道路模型；
第二交通要素获取模块，用于解析获得的所有全景图，获得路网的所有交通要素的三维属性数据，其中，所述交通要素包括：交通标志牌和红绿灯；
第二三维道路生成模块，用于将所述第二初步三维道路模型与路网的所有交通要素的三维属性数据进行融合，以建立第二三维道路模型。
9.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910703458.6A CN110990501B (zh) | 2019-07-31 | 2019-07-31 | 三维道路建模方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910703458.6A CN110990501B (zh) | 2019-07-31 | 2019-07-31 | 三维道路建模方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110990501A true CN110990501A (zh) | 2020-04-10 |
| CN110990501B CN110990501B (zh) | 2023-11-10 |
Family
ID=70081797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910703458.6A Active CN110990501B (zh) | 2019-07-31 | 2019-07-31 | 三维道路建模方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110990501B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114255317A (zh) * | 2020-09-24 | 2022-03-29 | 北京四维图新科技股份有限公司 | 一种道路建模方法、装置及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015109885A1 (zh) * | 2014-01-24 | 2015-07-30 | 高德信息技术有限公司 | 一种导航地图的展示方法和系统 |
| CN105069842A (zh) * | 2015-08-03 | 2015-11-18 | 百度在线网络技术（北京）有限公司 | 道路三维模型的建模方法和装置 |
| CN105719343A (zh) * | 2016-01-19 | 2016-06-29 | 上海杰图天下网络科技有限公司 | 一种构建虚拟街景地图的方法 |
| CN109859612A (zh) * | 2019-01-16 | 2019-06-07 | 中德（珠海）人工智能研究院有限公司 | 一种街景数据的三维注释的方法及其系统 |
-
2019
- 2019-07-31 CN CN201910703458.6A patent/CN110990501B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015109885A1 (zh) * | 2014-01-24 | 2015-07-30 | 高德信息技术有限公司 | 一种导航地图的展示方法和系统 |
| CN105069842A (zh) * | 2015-08-03 | 2015-11-18 | 百度在线网络技术（北京）有限公司 | 道路三维模型的建模方法和装置 |
| CN105719343A (zh) * | 2016-01-19 | 2016-06-29 | 上海杰图天下网络科技有限公司 | 一种构建虚拟街景地图的方法 |
| CN109859612A (zh) * | 2019-01-16 | 2019-06-07 | 中德（珠海）人工智能研究院有限公司 | 一种街景数据的三维注释的方法及其系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114255317A (zh) * | 2020-09-24 | 2022-03-29 | 北京四维图新科技股份有限公司 | 一种道路建模方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110990501B (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110765620B (zh) | 飞行器视景仿真方法、系统、服务器及存储介质 | |
| CN112784002B (zh) | 一种虚拟场景生成方法、装置、设备和存储介质 | |
| US20130278633A1 (en) | Method and system for generating augmented reality scene | |
| CN107223269A (zh) | 三维场景定位方法和装置 | |
| CN106611441B (zh) | 三维地图的处理方法和装置 | |
| CN112348885B (zh) | 视觉特征库的构建方法、视觉定位方法、装置和存储介质 | |
| CN111340704B (zh) | 地图的生成方法、装置、存储介质和电子装置 | |
| US20170211941A1 (en) | Generalising Topographical Map Data | |
| CN107084740A (zh) | 一种导航方法和装置 | |
| CN114140588A (zh) | 数字沙盘的创建方法、装置、电子设备及存储介质 | |
| CN114926598A (zh) | 一种模型生成方法、装置、系统及非易失性存储介质 | |
| CN112053440A (zh) | 单体化模型的确定方法及通信装置 | |
| CN114663324A (zh) | 一种bim模型与gis信息的融合显示方法及相关组件 | |
| CN109034214B (zh) | 用于生成标记的方法和装置 | |
| CN114708475A (zh) | 一种用于3d场景理解的点云多模态特征融合网络方法 | |
| CN110990501B (zh) | 三维道路建模方法、装置、电子设备及存储介质 | |
| CN113011298B (zh) | 截断物体样本生成、目标检测方法、路侧设备和云控平台 | |
| CN112070901A (zh) | 一种园林的ar场景构建方法、装置、存储介质及终端 | |
| CN117237514A (zh) | 图像处理方法和图像处理装置 | |
| CN113989680B (zh) | 建筑三维场景自动构建方法及系统 | |
| CN115953504A (zh) | 特效处理方法、装置、电子设备及存储介质 | |
| CN112686806B (zh) | 图像拼接方法及装置、电子设备、存储介质 | |
| CN114238528A (zh) | 一种地图加载方法、装置、电子设备及存储介质 | |
| CN109460476B (zh) | 桑基图的生成方法、装置、存储介质和电子设备 | |
| CN110196638B (zh) | 基于目标检测和空间投影的移动端增强现实方法和系统 |
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 | ||
| CB02 | Change of applicant information |
Address after: Room 307, 3 / F, supporting public building, Mantingfangyuan community, qingyanli, Haidian District, Beijing 100086 Applicant after: Beijing Wuyi Vision digital twin Technology Co.,Ltd. Address before: Room 307, 3 / F, supporting public building, Mantingfangyuan community, qingyanli, Haidian District, Beijing 100086 Applicant before: DANGJIA MOBILE GREEN INTERNET TECHNOLOGY GROUP Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220919 Address after: Room 315, 3rd Floor, Supporting Public Building, Mantingfangyuan Community, Qingyunli, Haidian District, Beijing 100000 Applicant after: Everything mirror (Beijing) computer system Co.,Ltd. Address before: Room 307, 3 / F, supporting public building, Mantingfangyuan community, qingyanli, Haidian District, Beijing 100086 Applicant before: Beijing Wuyi Vision digital twin Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |