CN111160360A - 图像识别方法、装置及系统 - Google Patents
图像识别方法、装置及系统 Download PDFInfo
- Publication number
- CN111160360A CN111160360A CN201811321304.2A CN201811321304A CN111160360A CN 111160360 A CN111160360 A CN 111160360A CN 201811321304 A CN201811321304 A CN 201811321304A CN 111160360 A CN111160360 A CN 111160360A
- Authority
- CN
- China
- Prior art keywords
- map
- image
- deep learning
- learning model
- map elements
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像识别方法、装置及系统,该方法,包括:获取当前的高精度地图;获取高精度地图中标注的地图要素;根据标注的地图要素逆向生成目标样本数据;将目标样本数据输入到目标深度学习模型的样本库中,通过目标深度学习模型识别出图像获取设备所拍摄的图像中的地图要素。本发明可以从高精度地图中获取标注的地图要素,然后基于该标注的地图要素逆向生成目标样本数据,利用该目标样本数据对深度学习模型进行训练,从而可以使得训练出的目标深度学习模型具有更高的识别精度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像识别方法、装置及系统。
背景技术
随着电子地图导航技术的不断进步和发展,车辆自动驾驶技术被越来越多的研究所以及公司重视,而车辆自动驾驶技术必须要依据高精度地图。
目前,高精度地图的制作和更新过程,很大程度上依赖于对车辆相机采集图像中的地图要素的识别精度。而地图要素的识别主要是通过预先训练好的深度学习模型来实现。主流的深度学习模型都需要足够的样本量来提高其识别的准确率。
但是,在实现本发明的过程中,发明人发现以下问题,现有的深度学习模型的训练样本都是通过人工制作样本标签来完成,制作过程复杂,效率低下,限制了深度学习模型的识别率的提升。
发明内容
本发明提供一种图像识别方法、装置及系统,可以有效提升深度学习模型的识别精度,方便对高精度地图的后续更新处理。
第一方面,本发明实施例提供一种图像识别方法,包括:
获取当前的高精度地图;
获取高精度地图中标注的地图要素;
根据标注的地图要素逆向生成目标样本数据;
将目标样本数据输入到目标深度学习模型的样本库中,通过目标深度学习模型识别出图像获取设备所拍摄的图像中的地图要素。
第二方面,本发明实施例提供一种图像识别装置,包括:
第一获取模块,用于获取当前的高精度地图;
第二获取模块,用于获取高精度地图中标注的地图要素;
逆向生成模块,用于根据标注的地图要素逆向生成目标样本数据;
识别模块,用于将目标样本数据输入到目标深度学习模型的样本库中,通过目标深度学习模型识别出图像获取设备所拍摄的图像中的地图要素。
第三方面,本发明实施例提供一种图像识别系统,包括:
存储器,用于存储程序;
处理器,用于执行所述存储器存储的所述程序,当所述程序被执行时,所述处理器用于执行如第一方面中任一项所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,包括:计算机程序,当其在计算机上运行时,使得计算机执行第一方面中任一所述的方法。
本发明提供的图像识别方法、装置及系统,通过获取当前的高精度地图;获取高精度地图中标注的地图要素;根据标注的地图要素逆向生成目标样本数据;将目标样本数据输入到目标深度学习模型的样本库中,通过目标深度学习模型识别出图像获取设备所拍摄的图像中的地图要素。本发明可以从高精度地图中获取标注的地图要素,然后基于该标注的地图要素逆向生成目标样本数据,利用该目标样本数据对深度学习模型进行训练,从而可以使得训练出的目标深度学习模型具有更高的识别精度。
本发明通过将高精度地图中的地图要素与图像、点云进行配准处理,对图像和点云中不能是被深度学习模型识别的地图要素进行人工标注,逆向生成深度学习模型的样本数据,解决了现有技术中人工制作样本标签过程复杂、效率低下的技术问题。通过逆向生成的样本数据对深度学习模型进行迭代训练,可以有效地提升深度学习模型的识别精度,解决了现有技术中深度学习模型识别率难以提升的技术问题。
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一简单地介绍,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,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的应用场景示意图;
图2为本发明实施例一提供的图像识别方法的流程图;
图3为本发明实施例二提供的图像识别方法的流程图;
图4为本发明实施例三提供的图像识别装置的结构示意图;
图5为本发明实施例四提供的图像识别装置的结构示意图;
图6为本发明实施例五提供的图像识别系统的结构示意图。
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,本领域普通技术人员在没有做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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
以下,对本申请中的部分用语进行解释说明,以便于本领域技术人员理解:
图1为本发明提供的应用场景示意图,如图1所示,包括:编辑平台11、相机12、数据处理器13、目标深度学习模型14、后台服务器15;编辑平台11根据导入的点云数据生成高精度地图,其中,高精度地图上包含有车道标线(例如道路路面上的白色标线、黄色标线)、交通标牌、护栏(一般位于道路两侧的护栏)、路牙(例如高出路面的道路牙线)、杆(例如路灯杆、交通标志牌的支撑杆)等等要素。编辑平台11还可以将点云数据与相机12拍摄的图像进行叠加显示,以使得高精度地图更加逼真。数据处理器13可以向用户提供交互界面,以便于用户对高精度地图中的地图要素进行人工标注。当然,若数据处理器13配置有地图要素标注算法程序时,也可以通过运行地图要素标注算法程序来自动完成对高精度地图中的地图要素的标注。进一步地,数据处理器13自动获取与标注的地图要素相对应的点云坐标,根据车辆上相机的坐标与点云坐标的转换关系,将标注的地图要素相对应的点云坐标投影至相机拍摄的图像中的像素点上;然后根据像素点的范围,从相机拍摄的图像中抠出图像块;并将图像块存储为目标样本数据。数据处理器13将目标样本数据作为目标深度学习模型14的输入,由目标深度学习模型14输出车辆上相机所拍摄的图像中的地图要素特征信息。在一种可选的实施方式中,目标深度学习模型14还可以将车辆上相机所拍摄的图像中的地图要素特征信息回传给后台服务器15,以使得后台服务器15根据地图要素特征信息对当前的高精度地图进行更新处理。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图2为本发明实施例一提供的图像识别方法的流程图,如图2所示,本实施例中的方法可以包括:
S101、获取当前的高精度地图。
本实施例中,参见图1,可以将点云数据导入编辑平台,有编辑平台根据点云数据绘制高精度地图。其中,高精度地图上包含有车道标线(例如道路路面上的白色标线、黄色标线)、交通标牌、护栏(一般位于道路两侧的护栏)、路牙(例如高出路面的道路牙线)、杆(例如路灯杆、交通标志牌的支撑杆)等等要素。
S102、获取高精度地图中标注的地图要素。
本实施例中,可以通过人工方式,或者自动方式在当前的高精度地图生产或更新过程中标注未被目标深度学习模型识别出的地图要素的空间位置范围,得到标注的地图要素。具体地,地图要素可以包括:车道标线、交通标牌、护栏、路牙线、路灯杆、交通标牌支撑杆等等。例如,目标深度学习模型无法识别出车道标线,即车道标线这个地图要素未被目标深度学习模型识别出来,因此可以采用人工方式,将车道标线这个地图要素标注出来。
需要说明的是,除了人工方式进行地图要素的标注之外,本实施例还可以利用程序算法来实现对地图要素的自动标注。
S103、根据标注的地图要素逆向生成目标样本数据。
本实施例中,将步骤S102中通过人工方式,或者自动方式在当前的高精度地图生产或更新过程中标注出的未被目标深度学习模型识别出的地图要素的图像块作为目标深度模型的训练样本。由于在高精度地图的制作过程中,需要利用深度学习模型根据点云坐标和采集到的图像输出地图要素,因此将获取标注的地图要素作为深度学习模型的训练数据的过程称为逆向过程。
在一种可选的实施方式中,获取与标注的地图要素相对应的点云坐标;根据图像获取设备的坐标与点云坐标的转换关系,将标注的地图要素相对应的点云坐标投影至相机拍摄的图像中的像素点上;根据像素点的范围,从相机拍摄的图像中抠出图像块;并将图像块存储为目标样本数据。
可选地,可以根据地图要素的空间位置范围的空间坐标,自动获取对应的点云坐标。
在一种可选的实施方式中,可以将图像获取装置的原点坐标与点云的原点坐标进行转换;根据点云与相机拍摄的图像之间关于X轴的偏移量△x、关于Y轴的偏移量△y、关于Z轴的偏移量△z、航向角旋转量、翻滚角的旋转量、俯仰角的旋转量,以及比例函数,将点云坐标投影至相机拍摄的图像中的像素点上。
S104、将目标样本数据输入到目标深度学习模型的样本库中,通过目标深度学习模型识别出图像获取设备所拍摄的图像中的地图要素。
具体地,在目标深度学习模型的训练过程中,以目标样本数据作为输入,以标注的地图要素的特征信息为目标输出,迭代训练目标深度学习模型。训练完成后的目标深度学习模型可以自动完成对图像中地图要素的识别,并输出对应的地图要素特征信息。其中,地图要素特征信息包括:地图要素的类型、地图要素的几何信息、地图要素的颜色信息(可以用RGB来表征);其中,地图要素的类型包括:车道标线、交通标牌、护栏、路牙线、路灯杆、交通标牌支撑杆;地图要素的几何信息通过WKT格式进行表征(如表2所示)。可选地,初始深度学习模型可以采用目前主流的开源的深度学习框架TensorFlow构建。
具体地,在应用目标深度模型进行图像识别时,首选读取输入图像上的像素矩阵,并与目标深度学习模型中预先存储的地图要素特征信息进行匹配,若匹配成功,则将匹配成功的地图要素特征信息作为输入图像对应的地图要素特征信息。目标深度模型输出的地图要素特征信息按照表1所示的形式进行存储。
表1
表2 WKT格式
几何类型 | 实例 |
点 | POINT(30 10 1) |
线 | LINESTRING(30 10 1,10 30 1,40 40 1) |
面 | POLYGON((30 10 1,40 40 1,20 40 1,10 20 1,30 10 1)) |
本实施例,通过获取当前的高精度地图;获取高精度地图中标注的地图要素;根据标注的地图要素逆向生成目标样本数据;将目标样本数据输入到目标深度学习模型的样本库中,通过目标深度学习模型识别出图像获取设备所拍摄的图像中的地图要素。本发明可以从高精度地图中获取标注的地图要素,然后基于该标注的地图要素逆向生成目标样本数据,利用该目标样本数据对深度学习模型进行训练,从而可以使得训练出的目标深度学习模型具有更高的识别精度。
本发明通过将高精度地图中的地图要素与图像、点云进行配准处理,对图像和点云中不能是被深度学习模型识别的地图要素进行人工标注,逆向生成深度学习模型的样本数据,解决了现有技术中人工制作样本标签过程复杂、效率低下的技术问题。通过逆向生成的样本数据对深度学习模型进行迭代训练,可以有效地提升深度学习模型的识别精度,解决了现有技术中深度学习模型识别率难以提升的技术问题。
图3为本发明实施例二提供的图像识别方法的流程图,如图3所示,本实施例中的方法可以包括:
S201、获取当前的高精度地图。
S202、获取高精度地图中标注的地图要素。
S203、根据标注的地图要素逆向生成目标样本数据。
S204、将目标样本数据输入到目标深度学习模型的样本库中,通过目标深度学习模型识别出图像获取设备所拍摄的图像中的地图要素。
本实施例中,步骤S201~步骤S204的具体实现过程和技术原理与图2所示步骤S101~步骤S104类似,此处不再赘述。
S205、将地图要素的特征信息进行回传,以根据回传的特征信息对当前的高精度地图进行更新处理。
本实施例中,可以通过网络的形式,将目标深度学习模型实时识别到的地图要素特征信息回传到后台服务器,由后台服务器将该地图要素特征信息与当前版本的地图要素特征数据进行比对,得出增量数据,最后利用增量数据来对当前的高精度地图进行更新处理。
本实施例,通过获取当前的高精度地图;获取高精度地图中标注的地图要素;根据标注的地图要素逆向生成目标样本数据;将目标样本数据输入到目标深度学习模型的样本库中,通过目标深度学习模型识别出图像获取设备所拍摄的图像中的地图要素。本发明可以从高精度地图中获取标注的地图要素,然后基于该标注的地图要素逆向生成目标样本数据,利用该目标样本数据对深度学习模型进行训练,从而可以使得训练出的目标深度学习模型具有更高的识别精度。
本发明通过将高精度地图中的地图要素与图像、点云进行配准处理,对图像和点云中不能是被深度学习模型识别的地图要素进行人工标注,逆向生成深度学习模型的样本数据,解决了现有技术中人工制作样本标签过程复杂、效率低下的技术问题。通过逆向生成的样本数据对深度学习模型进行迭代训练,可以有效地提升深度学习模型的识别精度,解决了现有技术中深度学习模型识别率难以提升的技术问题。
另外,通过目标深度学习模型识别的地图要素特征信息,对当前的高精度地图的数据进行更新处理,使得高精度地图数据的更新可以不依赖与激光设备(即不再需要点云),而是通过GPS、双目相机和深度学习模型相结合,就可以进行地图的更新和实时回传。可以使得高精度地图的更新更具有针对性。由于整个回传过程中,仅仅对识别到的地图要素特征信息进行回传,而不需要将整张图片回传,因此,在一定程度上减少了数据的回传量,提高了数据的传输效率,降低了数据的处理负担。
需要说明的是,本实施例中的目标深度学习模型可以在自动驾驶过程中,与双目相机、GPS等设备一起来完成对车辆周围环境的感知。而基于目标深度学习模型更新的高精度地图可以被应用于自动驾驶领域,从而可以保证自动驾驶过程中使用的高精度地图为动态更新后的高精度地图。
图4为本发明实施例三提供的图像识别装置的结构示意图,如图4所示,本实施例中的装置可以包括:
第一获取模块21,用于获取当前的高精度地图;
第二获取模块22,用于获取高精度地图中标注的地图要素;
逆向生成模块23,用于根据标注的地图要素逆向生成目标样本数据;
识别模块24,用于将目标样本数据输入到目标深度学习模型的样本库中,通过目标深度学习模型识别出图像获取设备所拍摄的图像中的地图要素。
可选地,所述逆向生成模块23,具体用于:
获取与所述标注的地图要素相对应的点云坐标;
根据图像获取设备的坐标与点云坐标的转换关系,将所述标注的地图要素相对应的点云坐标投影至相机拍摄的图像中的像素点上;
根据所述像素点的范围,从相机拍摄的图像中抠出图像块;并将所述图像块存储为目标样本数据。
可选地,所述第二获取模块22,具体用于:
通过人工方式,或者自动方式在所述当前的高精度地图生产或更新过程中标注未被目标深度学习模型识别出地图要素的空间位置范围,得到标注的地图要素。
可选地,获取与所述标注的地图要素相对应的点云坐标,包括:
根据地图要素的空间位置范围的空间坐标,自动获取对应的点云坐标。
可选地,根据图像获取设备的坐标与点云坐标的转换关系,将所述标注的地图要素相对应的点云坐标投影至相机拍摄的图像中的像素点上,包括:
将图像获取装置的原点坐标与点云的原点坐标进行转换;
根据点云与相机拍摄的图像之间关于X轴的偏移量△x、关于Y轴的偏移量△y、关于Z轴的偏移量△z、航向角旋转量、翻滚角的旋转量、俯仰角的旋转量,以及比例函数,将点云坐标投影至相机拍摄的图像中的像素点上。
本实施例可以执行上述图2所示的方法中的技术方案,其实现过程和技术效果与上述方法类似,此处不再赘述。
图5为本发明实施例四提供的图像识别装置的结构示意图,如图5所示,本实施例中的装置在图4所示装置的基础上,还可以包括:
回传模块25,用于在通过目标深度学习模型识别出图像获取装置所拍摄的图像中的地图要素之后,将所述地图要素的特征信息进行回传,以根据回传的所述特征信息对所述当前的高精度地图进行更新处理。
本实施例可以执行上述图2、图3所示的方法中的技术方案,其实现过程和技术效果与上述方法类似,此处不再赘述。
图6为本发明实施例四提供的图像识别系统的结构示意图,如图6所示,本实施例中的图像识别系统30包括:处理器31和存储器32;
存储器32,用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器32中。并且上述的计算机程序、计算机指令、数据等可以被处理器31调用。
处理器31,用于执行存储器32存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。其中,存储器32、处理器31可以通过总线33耦合连接。
本实施例可以执行上述图2、图3所示的方法中的技术方案,其实现过程和技术效果与上述方法类似,此处不再赘述。
此外,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当用户设备的至少一个处理器执行该计算机执行指令时,用户设备执行上述各种可能的方法。
其中,计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外,该ASIC可以位于用户设备中。当然,处理器和存储介质也可以作为分立组件存在于通信设备中。
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 (10)
1.一种图像识别方法,其特征在于,包括:
获取当前的高精度地图;
获取高精度地图中标注的地图要素;
根据标注的地图要素逆向生成目标样本数据;
将目标样本数据输入到目标深度学习模型的样本库中,通过目标深度学习模型识别出图像获取设备所拍摄的图像中的地图要素。
2.根据权利要求1所述的方法,其特征在于,根据标注的地图要素逆向生成目标样本数据包括:
获取与所述标注的地图要素相对应的点云坐标;
根据图像获取设备的坐标与点云坐标的转换关系,将所述标注的地图要素相对应的点云坐标投影至相机拍摄的图像中的像素点上;
根据所述像素点的范围,从相机拍摄的图像中抠出图像块;并将所述图像块存储为目标样本数据。
3.根据权利要求1所述的方法,其特征在于,获取高精度地图中标注的地图要素,包括:
在所述当前的高精度地图生产或更新过程中标注未被目标深度学习模型识别出地图要素的空间位置范围,得到标注的地图要素。
4.根据权利要求2所述的方法,其特征在于,根据图像获取设备的坐标与点云坐标的转换关系,将所述标注的地图要素相对应的点云坐标投影至相机拍摄的图像中的像素点上,包括:
将图像获取装置的原点坐标与点云的原点坐标进行转换;
根据点云与相机拍摄的图像之间关于X轴的偏移量△x、关于Y轴的偏移量△y、关于Z轴的偏移量△z、航向角旋转量、翻滚角的旋转量、俯仰角的旋转量,以及比例函数,将点云坐标投影至相机拍摄的图像中的像素点上。
5.根据权利要求1-4中任一项所述的方法,其特征在于,在通过目标深度学习模型识别出图像获取装置所拍摄的图像中的地图要素之后,还包括:
将所述地图要素的特征信息进行回传,以根据回传的特征信息对当前的高精度地图进行更新处理。
6.一种图像识别装置,其特征在于,包括:
第一获取模块,用于获取当前的高精度地图;
第二获取模块,用于获取高精度地图中标注的地图要素;
逆向生成模块,用于根据标注的地图要素逆向生成目标样本数据;
识别模块,用于将目标样本数据输入到目标深度学习模型的样本库中,通过目标深度学习模型识别出图像获取设备所拍摄的图像中的地图要素。
7.根据权利要求6所述的装置,其特征在于,所述逆向生成模块,具体用于:
获取与所述标注的地图要素相对应的点云坐标;
根据图像获取设备的坐标与点云坐标的转换关系,将所述标注的地图要素相对应的点云坐标投影至相机拍摄的图像中的像素点上;
根据所述像素点的范围,从相机拍摄的图像中抠出图像块;并将所述图像块存储为目标样本数据。
8.根据权利要求6或7所述的装置,其特征在于,还包括:
回传模块,用于在通过目标深度学习模型识别出图像获取装置所拍摄的图像中的地图要素之后,将所述地图要素的特征信息进行回传,以根据回传的所述特征信息对所述当前的高精度地图进行更新处理。
9.一种图像识别系统,其特征在于,包括:
存储器,用于存储程序;
处理器,用于执行所述存储器存储的所述程序,当所述程序被执行时,所述处理器用于执行如权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,包括:计算机程序,当其在计算机上运行时,使得计算机执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811321304.2A CN111160360B (zh) | 2018-11-07 | 2018-11-07 | 图像识别方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811321304.2A CN111160360B (zh) | 2018-11-07 | 2018-11-07 | 图像识别方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160360A true CN111160360A (zh) | 2020-05-15 |
CN111160360B CN111160360B (zh) | 2023-08-01 |
Family
ID=70555330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811321304.2A Active CN111160360B (zh) | 2018-11-07 | 2018-11-07 | 图像识别方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160360B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797189A (zh) * | 2020-07-03 | 2020-10-20 | 武汉四维图新科技有限公司 | 数据源质量评价方法与装置、设备、计算机可读存储介质 |
CN113409459A (zh) * | 2021-06-08 | 2021-09-17 | 北京百度网讯科技有限公司 | 高精地图的生产方法、装置、设备和计算机存储介质 |
CN113643431A (zh) * | 2021-08-06 | 2021-11-12 | 舵敏智能科技(苏州)有限公司 | 一种用于视觉算法迭代优化的系统及方法 |
CN113674435A (zh) * | 2021-07-27 | 2021-11-19 | 阿里巴巴新加坡控股有限公司 | 图像处理方法、电子地图展示方法、装置及电子设备 |
CN115344658A (zh) * | 2022-09-02 | 2022-11-15 | 自然资源部地图技术审查中心 | 自动识别线类型问题地图的方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389103A (zh) * | 2013-07-03 | 2013-11-13 | 北京理工大学 | 一种基于数据挖掘的地理环境特征地图构建与导航方法 |
CN106778548A (zh) * | 2016-11-30 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 用于检测障碍物的方法和装置 |
US20180136332A1 (en) * | 2016-11-15 | 2018-05-17 | Wheego Electric Cars, Inc. | Method and system to annotate objects and determine distances to objects in an image |
KR20180059188A (ko) * | 2016-11-25 | 2018-06-04 | 연세대학교 산학협력단 | 딥 러닝을 이용한 동적 장애물이 없는 배경 위주의 3차원 지도 생성 방법 |
CN108229287A (zh) * | 2017-05-31 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像识别方法和装置、电子设备和计算机存储介质 |
CN108288014A (zh) * | 2017-01-09 | 2018-07-17 | 北京四维图新科技股份有限公司 | 道路智能提取方法和装置、提取模型构建方法及混合导航系统 |
CN108415032A (zh) * | 2018-03-05 | 2018-08-17 | 中山大学 | 一种基于深度学习与激光雷达的点云语义地图构建方法 |
CN108734058A (zh) * | 2017-04-18 | 2018-11-02 | 百度在线网络技术(北京)有限公司 | 障碍物类型识别方法、装置、设备及存储介质 |
-
2018
- 2018-11-07 CN CN201811321304.2A patent/CN111160360B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389103A (zh) * | 2013-07-03 | 2013-11-13 | 北京理工大学 | 一种基于数据挖掘的地理环境特征地图构建与导航方法 |
US20180136332A1 (en) * | 2016-11-15 | 2018-05-17 | Wheego Electric Cars, Inc. | Method and system to annotate objects and determine distances to objects in an image |
KR20180059188A (ko) * | 2016-11-25 | 2018-06-04 | 연세대학교 산학협력단 | 딥 러닝을 이용한 동적 장애물이 없는 배경 위주의 3차원 지도 생성 방법 |
CN106778548A (zh) * | 2016-11-30 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 用于检测障碍物的方法和装置 |
CN108288014A (zh) * | 2017-01-09 | 2018-07-17 | 北京四维图新科技股份有限公司 | 道路智能提取方法和装置、提取模型构建方法及混合导航系统 |
CN108734058A (zh) * | 2017-04-18 | 2018-11-02 | 百度在线网络技术(北京)有限公司 | 障碍物类型识别方法、装置、设备及存储介质 |
CN108229287A (zh) * | 2017-05-31 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像识别方法和装置、电子设备和计算机存储介质 |
CN108415032A (zh) * | 2018-03-05 | 2018-08-17 | 中山大学 | 一种基于深度学习与激光雷达的点云语义地图构建方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797189A (zh) * | 2020-07-03 | 2020-10-20 | 武汉四维图新科技有限公司 | 数据源质量评价方法与装置、设备、计算机可读存储介质 |
CN111797189B (zh) * | 2020-07-03 | 2024-03-19 | 武汉四维图新科技有限公司 | 数据源质量评价方法与装置、设备、计算机可读存储介质 |
CN113409459A (zh) * | 2021-06-08 | 2021-09-17 | 北京百度网讯科技有限公司 | 高精地图的生产方法、装置、设备和计算机存储介质 |
CN113674435A (zh) * | 2021-07-27 | 2021-11-19 | 阿里巴巴新加坡控股有限公司 | 图像处理方法、电子地图展示方法、装置及电子设备 |
CN113643431A (zh) * | 2021-08-06 | 2021-11-12 | 舵敏智能科技(苏州)有限公司 | 一种用于视觉算法迭代优化的系统及方法 |
CN115344658A (zh) * | 2022-09-02 | 2022-11-15 | 自然资源部地图技术审查中心 | 自动识别线类型问题地图的方法和装置 |
CN115344658B (zh) * | 2022-09-02 | 2023-04-28 | 自然资源部地图技术审查中心 | 自动识别线类型问题地图的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111160360B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160360B (zh) | 图像识别方法、装置及系统 | |
CN109993780B (zh) | 一种三维高精度地图生成方法及装置 | |
CN111091167B (zh) | 标志识别训练数据合成方法、装置、电子设备及存储介质 | |
WO2021051344A1 (zh) | 高精度地图中车道线的确定方法和装置 | |
JP7440005B2 (ja) | 高精細地図の作成方法、装置、デバイス及びコンピュータプログラム | |
CN113989450A (zh) | 图像处理方法、装置、电子设备和介质 | |
KR20210102182A (ko) | 도로 표시 인식 방법, 지도 생성 방법, 및 관련 제품 | |
US20230005278A1 (en) | Lane extraction method using projection transformation of three-dimensional point cloud map | |
CN110135323A (zh) | 图像标注方法、装置、系统及存储介质 | |
CN113408407A (zh) | 电子地图车道线修正方法、设备及计算机可读存储介质 | |
CA3207430A1 (en) | Rendering new images of scenes using geometry-aware neural networks conditioned on latent variables | |
CN115008454A (zh) | 一种基于多帧伪标签数据增强的机器人在线手眼标定方法 | |
CN109726481B (zh) | 一种机器人搭建的辅助方法、装置及终端设备 | |
CN111695497B (zh) | 基于运动信息的行人识别方法、介质、终端和装置 | |
CN117911656A (zh) | 三维车道线标注方法、装置、电子设备及存储介质 | |
CN115760886B (zh) | 基于无人机鸟瞰图的地块划分方法、装置及相关设备 | |
CN110827340B (zh) | 地图的更新方法、装置及存储介质 | |
CN115620264B (zh) | 车辆定位方法、装置、电子设备和计算机可读介质 | |
CN116895060A (zh) | 一种基于场景重建的三维车道线标注方法与装置 | |
CN112697159B (zh) | 一种地图编辑方法及系统 | |
US20240212239A1 (en) | Logo Labeling Method and Device, Update Method and System of Logo Detection Model, and Storage Medium | |
CN114119973A (zh) | 一种基于图像语义分割网络的空间距离预测方法及系统 | |
CN111369624B (zh) | 定位方法和装置 | |
CN111696056A (zh) | 一种基于多任务迁移学习的数字档案图像的矫正方法 | |
CN116188583B (zh) | 相机位姿信息生成方法、装置、设备和计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |