CN112084275B - 一种作业目标数据确定方法、装置、存储介质及设备 - Google Patents
一种作业目标数据确定方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN112084275B CN112084275B CN202010867654.XA CN202010867654A CN112084275B CN 112084275 B CN112084275 B CN 112084275B CN 202010867654 A CN202010867654 A CN 202010867654A CN 112084275 B CN112084275 B CN 112084275B
- Authority
- CN
- China
- Prior art keywords
- data
- target
- recognition
- track
- filtering
- 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.)
- Active
Links
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
- 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
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种作业目标数据确定方法、装置、存储介质及设备,所述方法包括获取有效众包轨迹数据;对所述有效众包轨迹数据中每个第一数据对象的图片进行字符识别,得到待处理轨迹数据,所述待处理轨迹数据中每个第二数据对象均包括识别结果,所述识别结果中包括至少一个识别目标;滤除所述待处理轨迹数据中各个第二数据对象的识别结果中的无效识别目标,得到第一轨迹数据;对所述第一轨迹数据按照识别目标进行聚类,得到与识别目标对应的对象序列;获取每个对象序列对应的参考数据,根据所述参考数据对所述对象序列进行过滤,得到过滤结果;根据过滤结果确定作业目标数据。本发明提升了作业目标数据的有效率。
Description
技术领域
本说明书涉及数字地图领域,尤其涉及一种作业目标数据确定方法、装置、存储介质及设备。
背景技术
批量更新是能够使得地图母库及时刻画物理世界及其变化的最主要的技术手段之一,具体是根据采集的众包轨迹资料,采用人工作业方式找到众包轨迹资料中表达的物理世界与地图母库表达的物理世界的差异点,并及时将差异点对应更新在地图母库中,为了确保地图母库更新的准确,批量更新对于人工作业的依赖程度很高。
然而,众包轨迹资料数据量巨大,就导致了人工作业成本过高。为了降低成本,现有技术可以依托于机器学习对众包轨迹资料中的道路进行自动识别,根据识别结果进行初步的数据过滤,将过滤结果作为人工作业的输入,从而降低人工作业输入数据的冗余,减轻人工作业压力。但是机器学习的识别精准度有限,从而使得实际进入人工作业的数据中依然存在较高的冗余,人工作业的压力依然没有得到有效缓解。
发明内容
为了提升实际进入人工作业的作业目标数据中的有效数据占比,降低数据冗余,从而减轻地图母库更新环节中人工作业压力,本说明书实施例提供一种作业目标数据确定方法、装置、存储介质及设备。
一方面,本说明书提供了一种作业目标数据确定方法,所述方法包括:
获取有效众包轨迹数据,所述有效众包轨迹数据中的每个第一数据对象均包括图片;
对所述有效众包轨迹数据中每个第一数据对象的图片进行字符识别,得到待处理轨迹数据,所述待处理轨迹数据中每个第二数据对象均包括识别结果,所述识别结果中包括至少一个识别目标;
滤除所述待处理轨迹数据中各个第二数据对象的识别结果中的无效识别目标,得到第一轨迹数据;
对所述第一轨迹数据按照识别目标进行聚类,得到与识别目标对应的对象序列;每个对象序列中的第二数据对象的识别结果中均包括所述识别目标;
获取每个对象序列对应的参考数据,根据所述参考数据对所述对象序列进行过滤,得到过滤结果;
根据过滤结果确定作业目标数据。
另一方面,本说明书提供一种作业目标数据确定装置,所述装置包括:
有效众包轨迹数据获取模块,用于获取有效众包轨迹数据,所述有效众包轨迹数据中的每个第一数据对象均包括图片;
待处理轨迹数据获取模块,用于对所述有效众包轨迹数据中每个第一数据对象的图片进行字符识别,得到待处理轨迹数据,所述待处理轨迹数据中每个第二数据对象均包括识别结果,所述识别结果中包括至少一个识别目标;
第一轨迹数据生成模块,用于滤除所述待处理轨迹数据中各个第二数据对象的识别结果中的无效识别目标,得到第一轨迹数据;
聚类模块,用于对所述第一轨迹数据按照识别目标进行聚类,得到与识别目标对应的对象序列;每个对象序列中的第二数据对象的识别结果中均包括所述识别目标;
过滤模块,用于获取每个对象序列对应的参考数据,根据所述参考数据对所述对象序列进行过滤,得到过滤结果;
作业目标数据确定模块,用于根据过滤结果确定作业目标数据。
另一方面,本说明书提供了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至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现上述的一种作业目标数据确定方法。
另一方面,本说明书提供了一种作业目标数据确定设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现上述的一种作业目标数据确定方法。
本说明书提供了一种作业目标数据确定方法、装置、存储介质及设备。本说明书通过对众包轨迹数据进行目标识别得到第一轨迹数据,实现了众包轨迹数据的初步过滤;对所述第一轨迹数据进行聚类得到了对象序列,实现了针对目标对象的信息富集;进一步依托多种参考数据对对象序列进行过滤,消除了由于连续多次拍摄带来的数据冗余,以及消除了明显不是变化目标的数据;从而使得过滤结果中变化目标的占比得到明显提升,提升了作业目标数据的有效率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,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它附图。
图1是本说明书提供的现有技术中过滤众包轨迹进行人工作业方案示意图;
图2是本说明书提供的一种作业目标数据确定方法的实施场景示意图;
图3是本说明书提供的一种作业目标数据确定方法的流程示意图;
图4是本说明书提供的对第一数据对象的图片进行字符识别的结果的示意图;
图5是本说明书提供的与图4所示的图片所在的第二数据对象相邻的同簇的第二数据对象中的图片示意图;
图6是本说明书提供的获取每个对象序列对应的参考数据,根据所述参考数据对所述对象序列进行过滤,得到过滤结果流程图;
图7是本说明书提供的另一获取每个对象序列对应的参考数据,根据所述参考数据对所述对象序列进行过滤,得到过滤结果流程图;
图8是本说明书提供的当前对象相关的第二轨迹数据集中的各个第二轨迹示意图;
图9是本说明书提供的当前对象的图片的示意图;
图10是本说明书提供的第二轨迹集中的一张图片的示意图;
图11是本说明书提供的另一当前对象的图片的示意图;
图12是本说明书提供的另一第二轨迹集中的一张图片的示意图;
图13是本说明书提供的根据过滤结果中的对象序列进行地图母库更新的流程图;
图14是本说明书提供的一种作业目标数据确定方法方案示意图;
图15是本说明书提供的一种作业目标数据确定装置框图;
图16是本说明书提供的一种用于实现本说明书实施例所提供的方法的设备的硬件结构示意图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通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,都属于本发明保护的范围。
需要说明的是,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”等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、产品或服务器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。
为了使本说明书实施例公开的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本说明书实施例进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本说明书实施例,并不用于限定本说明书实施例。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。为了便于理解本说明书实施例所述的技术方案及其产生的技术效果,本说明书实施例首先对于相关专业名词进行解释:
人工智能(ArtificialIntelligence,AI):利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。其中,人工智能软件技术主要包括计算机视觉技术、机器学习/深度学习等方向。
机器学习(MachineLearning,ML):是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
深度学习:深度学习是机器学习的一种,而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究,含多个隐藏层的多层感知器就是一种深度学习结构,深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
OCR:Optical Characte Recognition,光学字符识别;通过检测图片,将图片上的文字内容翻译成计算机文字的技术。
地图母库:存储有地图数据的数据库。
道路网:不同功能、等级、区位的道路,以一定的密度和适当的形式组成的网络结构。道路网中的某一段路称为一个link(路段)。
众包轨迹:通过众包方式沿路段运动采集数据得到的轨迹,所述轨迹可以是一种数据序列,所述数据序列中的每个数据对象均可以包括采集位置的GPS信息,以及采集位置处拍摄得到的图片,以及所述数据对象关联的link。
有效率:有效数据和全部数据的比值。
变化目标召回率:1-变化目标误删除率。
下面将结合本说明书实施例中的附图,对本说明书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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
为了降低基于众包轨迹批量更新地图母库过程中人工作业的工作量,如图1所示,现有技术可以对众包轨迹进行过滤,并将过滤结果作为人工作业的输入,从而实现无效数据的初步过滤。具体地,现有技术可以通过机器学习结合OCR技术对众包轨迹中的图片进行字符识别,根据所述图片的识别结果判断所述图片对应的数据对象是否为无效数据,若是则删除所述无效数据,从而实现了众包轨迹数据的初步过滤。但是机器学习结合OCR技术进行字符识别的精准程度有限,为了降低误删除的概率,删除动作的判据较为严格,删除的数据对象的数量也较低,导致实际进入人工作业的作业目标数据的数据量依然较大,其中有效数据占比依然较低,存在大量的冗余数据。
进一步地,由于在众包轨迹采集过程中,经常会使用连续拍摄,这将进一步增加数据的冗余,造成大量冗余无效的数据流入人工作业环节,有效数据进一步被湮没。
为了提升实际进入人工作业的作业目标数据中的有效数据占比,降低数据冗余,从而减轻地图母库更新环节中人工作业压力,本发明提供一种作业目标数据确定方法。
图2为一个实施例中一种作业目标数据确定方法的实施场景示意图。其中,第一用户终端110和第二用户终端130均通过网络与服务器120进行通信,第一用户终端110和第二用户终端130具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种,其中第一用户终端110具备定位功能和图像拍摄功能,第二用户终端130可以具有可视化操作界面。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现,网络包含但不限于是:广域网、城域网或局域网。
在实际应用中,第一用户终端110可作为众包轨迹采集终端,沿路网运动生成众包轨迹,进而将所述众包轨迹发送至服务器120,供服务器120进行数据处理。
所述服务器120可以获取到各个第一用户终端110采集到的众包轨迹,对众包轨迹进行数据分析,确定作业目标数据;所述服务器120还用于管理地图母库。
第二用户终端130通过访问服务器120获取作业目标数据,根据所述作业目标数据和所述服务器120提供的地图母库的数据确定作业目标数据表达的物理世界和地图母库表达的物理世界的差异点,并将差异点更新在地图母库之中。
以下介绍本说明书的一种作业目标数据确定方法,图3是本说明书实施例提供的一种作业目标数据确定方法的流程示意图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图3所示,所述方法可以应用于图2所示的实施场景中的服务器120,具体包括:
S101.获取有效众包轨迹数据,所述有效众包轨迹数据中的每个第一数据对象均包括定位信息、图片以及关联路段。
本说明书实施例中的众包轨迹数据可以在单轨迹维度进行数据处理,服务器可以对于每条众包轨迹实施所述作业目标数据确定方法。对于采集到的任一众包轨迹数据,若存在无效第一数据对象,则将无效第一数据对象删除,得到有效众包轨迹数据,所述无效第一数据对象为定位信息、图片以及关联路段三个属性至少缺失一个的第一数据对象。
S102.对所述有效众包轨迹数据中每个第一数据对象的图片进行字符识别,得到待处理轨迹数据,所述待处理轨迹数据中每个第二数据对象均包括定位信息、图片、关联路段和识别结果,所述识别结果中包括至少一个识别目标,所述识别目标包括识别框和识别框中的字符内容。
当然,若第一数据对象的图片的字符识别的结果中不包括任何识别目标,则所述第一数据对象不用于得到待处理轨迹数据,可以被丢弃。以对有效众包轨迹数据中的道路名称牌进行字符识别为例,以道路名称牌为识别目标,则待处理轨迹数据中每个第二数据对象的图片中至少包括一个道路名称牌。
在一个实施例中,可以采用深度学习网络YOLO_V3对图片进行识别。具体地,可以在基于深度学习的方法进行图像识别的过程中,使用滑窗窗口得到候选框,并利用一次卷积网络对候选框中的内容进行识别,得到识别结果。请参考图4,其示出了对第一数据对象的图片进行字符识别的结果的示意图。在图4中,对图片进行字符识别得到的识别结果中包括一个识别目标(一个识别框对应一个识别目标),识别框中字符内容包括锦绣街,新源道,七、八大街等多个字符串。
在一些实施方式中,还可以基于对象检测网络进行字符识别,所述对象检测网络可以被实施为诸如深度神经网络(例如,卷积神经网络(Convolutional neural networks,CNN)的机器学习模型。例如,对象检测网络可以包括诸如YOLOv3网络(参见Joseph Redmon,et al.“YOLOv3:An IncrementalImprovement”,2018)或RetinaNet网络(参见,Tsung-YiLin,et al.“Focal Loss forDense Object Detection”,IEEE Transactions on PatternAnalysis and MachineIntelligence,2017)的各种检测网络。YOLOv3网络采用多尺度训练方法并基于锚框(anchor box)来进行检测。
S103.滤除所述待处理轨迹数据中各个第二数据对象的识别结果中的无效识别目标,得到第一轨迹数据。
步骤S102中根据机器学习得到的识别目标的精准度可能是有限的,因此,在步骤S103中对于识别目标进行进一步的数据处理,相较于现有技术仅仅依赖于机器学习进行无效数据的过滤,本说明书实施例显然能够得到更为精准的数据过滤结果。
具体地,所述滤除所述待处理轨迹数据中各个第二数据对象的识别结果中的无效识别目标,包括对于每个第二数据对象的识别结果中的各个识别目标均进行判断,若所述识别目标符合无效识别目标确定判据,则将所述识别目标确定为无效识别目标,对其进行滤除操作,其中,所述无效识别目标确定判据包括下述子判据至少之一:
(1)若识别目标的字符内容中存在被黑名单命中的字符串,则其为无效识别目标。
示例性的,所述黑名单中记录了不需要进行人工作业的场景中常见的字符串。若确定作业目标数据时只需要考虑道路名称牌变化的情况,则不反应道路名称牌变化的场景就是不需要进行人工作业的场景,因此,不是道路名称的常见的店铺名称、宣传牌、指示标语可以被录入黑名单,比如“注意安全”、“电话”,“名烟名酒”等。
具体地,本说明书实施例可以计算识别目标中的字符内容的各个字符串与黑名单的各个记录的文本相似度,若存在高于第一阈值的文本相似度,则判定所述字符内容中存在被黑名单命中的字符串,则认为整个识别目标不是一个道路名称牌,作为无效识别目标将其删除。
在一个实施例中,可以使用莱文斯坦比衡量文本相似度。具体地,莱文斯坦比为r=(sum-ldist)/sum,其中sum是指str1和str2两个待比较文本的字符串的长度总和,ldist是类编辑距离。这里的类编辑距离是描述由一个字符串转化成另一个字符串最少的操作次数,在其中的操作包括插入、删除、替换,其中删除、插入操作+1,替换操作+2。
(2)若识别目标的字符内容中存在符合异常判据的敏感字符串,则其为无效识别目标。
示例性的,若确定作业目标数据时只需要考虑道路名称牌变化,则异常判据用于判别字符串是否符合道路名称牌要求。
在一个实施例中,所述异常判据包括下述至少之一:
(2.1)若字符串长度大于第二阈值,则所述字符串为敏感字符串。
在一个实施例中,考虑到真实道路名称的规范,如果字符串长度大于8,则可以认为不可能是道路名称,比如字符串“保定方九测警路医院”即为一个敏感字符串,其显然不是一个道路名称。
(2.2)若字符串中敏感字符占比大于第三阈值,则所述字符串为敏感字符串。
具体地,在一个实施例中,所述敏感字符可以为数字和/或英文字符。如果字符串绝大部分是英文字符或者数字,则认为其不可能是道路名称,比如若字符串为“SongshanRd.00”,其显然不是一个道路名称。
(2.3)若字符串中存在多个相邻的字符跳变,则所述字符串为敏感字符串。
具体地,所述字符跳变可以为中文字符与敏感字符之间的跳变。示例性的,如果图片中的文字区域比较模糊看不清,则部分识别结果字符串内可能有多个相邻的中文字符和敏感字符字符之间的发生跳变。比如若字符串为“X左wtNBA路”,这显然也不是一个道路名称。
S104.对所述第一轨迹数据按照识别目标进行聚类,得到与识别目标对应的对象序列;每个对象序列中的第二数据对象的识别结果中均包括所述识别目标。
本步骤中的聚类结果以识别目标为数据组织维度进行了数据的聚类,以达到这样一种效果:将包括相同的识别目标的第二数据对象聚类在一起,在这个聚类的结果中,所述相同的识别目标为关键识别目标。因为众包轨迹是有序采集的,相应的,步骤S104中得到的对象序列也是有序的。
在实际的众包轨迹采集过程中,同一个道路名称牌可能会在多张图片中被拍摄到,通过聚类可以将包含所述道路名称牌的信息进行汇总,这有利于后续根据汇总的结果判断道路名称牌是否出现变动。
在一个实施例中,为了提升对象序列对于识别目标的聚类信息的精准表达能力,还可以设计同簇判据,位于一个对象序列中的第二数据对象均满足所述同簇判据。
具体地,所述同簇判据包括下述至少之一:
(a)相邻第二数据对象的距离不超过第四阈值,所述相邻第二数据对象的距离根据所述第二数据相邻对象的定位信息计算得到。
比如,在一个实施例中可以设定相邻第二数据对象的距离不超过20米。
(b)相邻第二数据对象的图片的拍摄的方向角小于第五阈值。
方向角的获取可以使用现有技术,本说明书实施例不做赘述。、
同簇判据(b)可以防止拐弯时拍摄的相近的不同路段的道路名称牌被误聚。
(c)相邻第二数据对象的关键识别目标对应的识别框的宽高比的比值在第一区间之内。
如图5所示,其示出了与图4所示的图片所在的第二数据对象相邻的同簇的第二数据对象中的图片示意图,图5和图4中均包括一个识别框,图4的识别框的宽高比与图5的识别框的宽高比在预设的第一区间之内。
S105.获取每个对象序列对应的参考数据,根据所述参考数据对所述对象序列进行过滤,得到过滤结果。
在一个实施例中,获取每个对象序列对应的参考数据,根据所述参考数据对所述对象序列进行过滤,得到过滤结果,如图6所示,包括:
S1051.获取目标路段,所述目标路段被对象序列中至少一个第二数据对象的关联路段命中。
比如,对象序列中对象1的关联路段为link1,则link1即属于目标路段。
S1053.在地图母库中拉取所述目标路段对应的路网数据,所述路网数据包括至少一个字符串。
S1055.若所述对象序列中存在被所述路网数据命中的目标对象,则所述对象序列被过滤;其中,所述目标对象的关键识别目标的字符内容存在被所述路网数据命中的字符串,所述关键识别目标为与所述对象序列对应的识别目标。
步骤S104中根据识别目标进行聚类得到对象序列,因此,与对象序列对应的识别目标被确定为关键识别目标。本说明书中,若字符内容中存在与路网数据中的任一字符串文本距离小于预设阈值的字符串,则判定所述字符内容存在被所述路网数据命中的字符串。
比如,对象序列中的一个第二数据对象的关键识别结果中存在字符串“太阳街道”;而路网数据中存在字符串“太阳小街道”,“太阳街道”与“太阳小街道”文本距离小于预设阈值,则判定所述第二数据对象被路网数据命中,所述对象序列均被过滤。
进一步的,若进行作业目标数据确定时需要考虑道路名称牌的变化,而在实际的物理世界存在许多道路名称牌由于规范程度不够,达不到上图标准,因此并未存储在地图母库之中,为了充分利用这部分信息降低作业目标数据的冗余,提升其有效性。在一个实施例中,还可以进一步将历史第一轨迹数据作为一种参考数据,即将历次实施步骤S103得到的第一轨迹数据进行存储,作为一种备用数据资源提供参考数据,作为上述步骤的补充进一步进行对象序列的过滤。
相应的,获取每个对象序列对应的参考数据,根据所述参考数据对所述对象序列进行过滤,得到过滤结果,如图7所示,包括:
S1052.确定所述对象序列中的当前对象。
具体地,可以在所述对象序列中按序确定当前对象,对其执行步骤S1052直至所述对象序列遍历完毕或者所述对象序列被删除。
S1054.根据所述当前对象获取第二轨迹数据集,所述第二轨迹数据集中各个第二轨迹均包括识别目标。
所述第二轨迹来自于历次获取的第一轨迹数据。在一个实施例中,将历次获取的第一轨迹数据存储在轨迹库中,所述轨迹库中的轨迹被称之为第二轨迹。
具体地,所述第二轨迹同时满足下述条件:
(i)所述第二轨迹与目标范围区域存在交集,所述目标范围区域为以所述当前对象的定位信息为中心的预设形状区域;所述预设形状可以为矩形、圆形,本说明书实施例并不限定其具体形状。
事实上,为防止出现定位不准的情况,本说明书实施例根据定位中心确定了预设形状区域,与预设形状区域存在交集的第二轨迹中可以认为有可能存在用于过滤对象序列的有效信息。本说明书实施例中定位信息可以为GPS点信息,具体地,可以为经纬度信息。
请参考图8,其示出了当前对象相关的第二轨迹数据集中的各个第二轨迹,菱形位置点即为根据当前对象的定位信息确定的位置,箭头形成了各个第二轨迹,方框圈出了预设形状区域,位于所述预设性状区域内的箭头所在的第二轨迹有可能构成用于形成第二轨迹数据集。
(ii)所述第二轨迹与第一轨迹的行驶方向夹角小于预设角度值,从而过滤掉不同方向的第二轨迹。
S1056.若所述当前对象的关键识别目标的字符内容中存在被所述第二轨迹数据集命中的字符串,则所述对象序列被过滤。
本说明书中,若字符内容中存在与第二轨迹集中的识别结果中任一字符串文本距离小于预设阈值的字符串,则判定所述字符内容存在被所述第二轨迹数据集命中的字符串。
示例性的,如图9所示,其示出了当前对象的图片的示意图,框选部分为关键识别目标;如图10所示,其示出了第二轨迹集中的一张图片的示意图,框选部分为其中的识别目标。显然,这两个图片的识别目标中的字符串相似度极高,文本距离必然小于预设阈值,即当前对象的关键识别目标的字符内容存在被所述第二轨迹数据集命中的字符串,因此,所述当前对象所在的整个对象序列被过滤掉。
示例性的,如图11所示,其示出了当前对象的图片的示意图,框选部分为关键识别目标;如图12所示,其示出了第二轨迹集中的一张图片的示意图,框选部分为其中的识别目标。显然,这两种图片中的识别目标的字符串相似度非常低,文本距离必然大于预设阈值。若第二轨迹集中的各个图片均符合这一情况,则所述当前对象所在的对象序列不会被过滤。
S106.根据过滤结果确定作业目标数据。
在步骤S105中可以过滤掉满足要求的对象序列,剩下的对象序列可以被作为作业目标数据。通过步骤S105中滤掉非变化目标,使得作业目标数据中的变化目标占比大幅提升。作业目标数据可以作为批量更新地图母库时人工作业的输入,显然,相较于现有技术,作业目标数据的数据量已经大为缩减。
在一个优选的实施例中,还可以根据过滤结果中的对象序列进行地图母库更新,具体地,如图13所示,包括:
S1071.在对象序列中确定显示对象,所述显示对象中关键识别目标的识别框最大。
S1072.渲染所述显示对象,以便于在人工作业场景中将所述显示对象中的关键识别目标与地图母库进行比对。
本说明书实施例中渲染识别框最大的显示对象,显然更便于人工作业人员将关键识别目标与地图母库相关的数据进行比对,进而判断是否基于所述关键识别目标更新地图母库。
本说明书实施例公开一种作业目标数据确定方法,如图14所示,通过对众包轨迹数据进行目标识别得到第一轨迹数据,实现了众包轨迹数据的初步过滤;对所述第一轨迹数据进行聚类得到了对象序列,实现了针对目标对象的信息富集;进一步依托多种参考数据(地图母库,轨迹库)对对象序列进行过滤,消除了由于连续多次拍摄带来的数据冗余,以及消除了明显不是变化目标的数据。从而使得过滤结果中变化目标的占比得到明显提升,从而提升了作业目标数据的有效率。在实际的使用过程中,本说明书实施例中可以为人工作业滤除大约70%的无效对象,同时变化目标召回率仅仅从99%下降到92%,这显然大幅度提升了进入人工作业的数据的数据质量和信息的富集程度,从而降低了人工作业的难度,节约了人工作业的成本。
本说明书实施例还提供一种作业目标数据确定装置,如图15所示,所述装置包括:
有效众包轨迹数据获取模块201,用于获取有效众包轨迹数据,所述有效众包轨迹数据中的每个第一数据对象均包括图片;
待处理轨迹数据获取模块202,用于对所述有效众包轨迹数据中每个第一数据对象的图片进行字符识别,得到待处理轨迹数据,所述待处理轨迹数据中每个第二数据对象均包括识别结果,所述识别结果中包括至少一个识别目标,所述识别目标包括识别框和识别框中的字符内容;
第一轨迹数据生成模块203,用于滤除所述待处理轨迹数据中各个第二数据对象的识别结果中的无效识别目标,得到第一轨迹数据;
聚类模块204,用于对所述第一轨迹数据按照识别目标进行聚类,得到与识别目标对应的对象序列;每个对象序列中的第二数据对象的识别结果中均包括所述识别目标;
过滤模块205,用于获取每个对象序列对应的参考数据,根据所述参考数据对所述对象序列进行过滤,得到过滤结果;
作业目标数据确定模块206,用于根据过滤结果确定作业目标数据。
具体地,本说明书实施例公开一种作业目标数据确定装置与上述对应的方法实施例均基于相同发明构思。详情请参见方法实施例,在此不再赘述。
本说明书实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述一种作业目标数据确定方法。
本说明书实施例还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可以存储有多条指令。所述指令可以适于由处理器加载并执行本说明书实施例所述的一种作业目标数据确定方法。
进一步地,图16示出了一种用于实现本说明书实施例所提供的方法的设备的硬件结构示意图,所述设备可以参与构成或包含本说明书实施例所提供的装置或系统。如图16所示,设备10可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图16所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,设备10还可包括比图16中所示更多或者更少的组件,或者具有与图16所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到设备10(或移动设备)中的其他元件中的任意一个内。如本说明书实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本说明书实施例中所述的方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种作业目标数据确定。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括设备10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(NetworkInterfaceController,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与设备10(或移动设备)的用户界面进行交互。
需要说明的是:上述本说明书实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置和服务器实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本说明书的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种作业目标数据确定方法,其特征在于,所述方法包括:
获取有效众包轨迹数据,所述有效众包轨迹数据中的每个第一数据对象均包括图片;
对所述有效众包轨迹数据中每个第一数据对象的图片进行字符识别,得到待处理轨迹数据,所述待处理轨迹数据中每个第二数据对象均包括识别结果,所述识别结果中包括至少一个识别目标;
滤除所述待处理轨迹数据中各个所述第二数据对象的识别结果中的无效识别目标,得到第一轨迹数据;
对所述第一轨迹数据按照所述识别目标进行聚类,得到与所述识别目标对应的对象序列;每个所述对象序列中的所述第二数据对象的识别结果中均包括所述识别目标;
获取每个所述对象序列对应的参考数据,根据所述参考数据对所述对象序列进行过滤,得到过滤结果,所述参考数据包括地图母库中目标路段对应的路网数据,所述目标路段为被所述对象序列中至少一个第二数据对象的关联路段命中的路段,或者,所述参考数据包括第二轨迹数据集,所述第二轨迹数据集的第二轨迹同时满足下述条件:所述第二轨迹与目标范围区域存在交集,所述目标范围区域为以所述对象序列中的当前对象的定位信息为中心的预设形状区域;所述第二轨迹与第一轨迹的行驶方向夹角小于预设角度值;
根据所述过滤结果确定作业目标数据。
2.根据权利要求1所述的方法,其特征在于,所述滤除所述待处理轨迹数据中各个所述第二数据对象的识别结果中的无效识别目标,包括对于每个所述第二数据对象的识别结果中的各个识别目标均进行判断,若所述识别目标符合无效识别目标确定判据,则将所述识别目标确定为无效识别目标,对其进行滤除操作,其中,所述无效识别目标确定判据包括下述子判据至少之一:
若所述识别目标的字符内容中存在被黑名单命中的字符串,则其为无效识别目标;
若所述识别目标的字符内容中存在符合异常判据的敏感字符串,则其为无效识别目标。
3.根据权利要求2所述的方法,其特征在于,所述异常判据包括下述至少之一:
若字符串长度大于第二阈值,则所述字符串为敏感字符串;
若字符串中敏感字符占比大于第三阈值,则所述字符串为敏感字符串;
若字符串中存在多个相邻的字符跳变,则所述字符串为敏感字符串。
4.根据权利要求1所述的方法,其特征在于,位于一个对象序列中的第二数据对象均满足同簇判据,所述同簇判据包括下述至少之一:
相邻第二数据对象的距离不超过第四阈值,所述相邻第二数据对象的距离根据所述相邻第二数据对象的定位信息计算得到;
相邻第二数据对象的图片的拍摄的方向角小于第五阈值;
相邻第二数据对象的关键识别目标对应的识别框的宽高比的比值在第一区间之内;所述关键识别目标为与所述对象序列对应的识别目标。
5.根据权利要求1或4所述的方法,其特征在于,所述获取每个所述对象序列对应的参考数据,根据所述参考数据对所述对象序列进行过滤,得到过滤结果,包括:
获取所述目标路段;
在所述地图母库中拉取所述目标路段对应的路网数据,所述路网数据包括至少一个字符串;
若所述对象序列中存在被所述路网数据命中的目标对象,则所述对象序列被过滤;其中,所述目标对象的关键识别目标的字符内容存在被所述路网数据命中的字符串;所述关键识别目标为与所述对象序列对应的识别目标。
6.根据权利要求5所述的方法,其特征在于,所述获取每个所述对象序列对应的参考数据,根据所述参考数据对所述对象序列进行过滤,得到过滤结果,包括:
确定所述对象序列中的当前对象;
根据所述当前对象获取所述第二轨迹数据集,所述第二轨迹数据集中各个第二轨迹均包括识别目标;
若所述当前对象的关键识别目标的字符内容中存在被所述第二轨迹数据集命中的字符串,则所述对象序列被过滤。
7.根据权利要求6所述的方法,其特征在于,在所述根据所述过滤结果确定作业目标数据之后,还包括根据所述过滤结果中的对象序列进行所述地图母库更新的步骤;
所述根据所述过滤结果中的对象序列进行所述地图母库更新,包括:
在所述对象序列中确定显示对象,所述显示对象中关键识别目标的识别框最大;
渲染所述显示对象,以便于在人工作业场景中将所述显示对象中的关键识别目标与所述地图母库进行比对。
8.一种作业目标数据确定装置,其特征在于,所述装置包括:
有效众包轨迹数据获取模块,用于获取有效众包轨迹数据,所述有效众包轨迹数据中的每个第一数据对象均包括图片;
待处理轨迹数据获取模块,用于对所述有效众包轨迹数据中每个第一数据对象的图片进行字符识别,得到待处理轨迹数据,所述待处理轨迹数据中每个第二数据对象均包括识别结果,所述识别结果中包括至少一个识别目标;
第一轨迹数据生成模块,用于滤除所述待处理轨迹数据中各个所述第二数据对象的识别结果中的无效识别目标,得到第一轨迹数据;
聚类模块,用于对所述第一轨迹数据按照所述识别目标进行聚类,得到与所述识别目标对应的对象序列;每个所述对象序列中的所述第二数据对象的识别结果中均包括所述识别目标;
过滤模块,用于获取每个所述对象序列对应的参考数据,根据所述参考数据对所述对象序列进行过滤,得到过滤结果,所述参考数据包括地图母库中目标路段对应的路网数据,所述目标路段为被所述对象序列中至少一个第二数据对象的关联路段命中的路段,或者,所述参考数据包括第二轨迹数据集,所述第二轨迹数据集的第二轨迹同时满足下述条件:所述第二轨迹与目标范围区域存在交集,所述目标范围区域为以所述对象序列中的当前对象的定位信息为中心的预设形状区域;所述第二轨迹与第一轨迹的行驶方向夹角小于预设角度值;
作业目标数据确定模块,用于根据所述过滤结果确定作业目标数据。
9.一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至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1至7中任一所述的一种作业目标数据确定方法。
10.一种作业目标数据确定设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1至7中任一所述的一种作业目标数据确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010867654.XA CN112084275B (zh) | 2020-08-26 | 2020-08-26 | 一种作业目标数据确定方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010867654.XA CN112084275B (zh) | 2020-08-26 | 2020-08-26 | 一种作业目标数据确定方法、装置、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112084275A CN112084275A (zh) | 2020-12-15 |
CN112084275B true CN112084275B (zh) | 2022-08-23 |
Family
ID=73728010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010867654.XA Active CN112084275B (zh) | 2020-08-26 | 2020-08-26 | 一种作业目标数据确定方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084275B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765922A (zh) * | 2018-04-18 | 2018-11-06 | 上海城市交通设计院有限公司 | 一种公交车辆行驶轨迹的分段方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9906921B2 (en) * | 2015-02-10 | 2018-02-27 | Qualcomm Incorporated | Updating points of interest for positioning |
KR102623680B1 (ko) * | 2015-02-10 | 2024-01-12 | 모빌아이 비젼 테크놀로지스 엘티디. | 자율 주행을 위한 약도 |
CN108932273B (zh) * | 2017-05-27 | 2022-03-04 | 腾讯科技(深圳)有限公司 | 图片筛选方法及装置 |
CN108427947A (zh) * | 2018-03-16 | 2018-08-21 | 联想(北京)有限公司 | 一种图像识别方法及电子设备 |
CN110941684B (zh) * | 2018-09-21 | 2023-06-13 | 阿里巴巴(中国)有限公司 | 一种地图数据的生产方法、相关装置及系统 |
CN109709961B (zh) * | 2018-12-28 | 2021-12-07 | 百度在线网络技术(北京)有限公司 | 道路障碍物检测方法、装置及自动驾驶汽车 |
CN111414903B (zh) * | 2019-01-04 | 2023-05-19 | 阿里巴巴集团控股有限公司 | 一种指示牌内容识别方法、装置和设备 |
CN111368761B (zh) * | 2020-03-09 | 2022-12-16 | 腾讯科技(深圳)有限公司 | 店铺营业状态识别方法、装置、可读存储介质和设备 |
-
2020
- 2020-08-26 CN CN202010867654.XA patent/CN112084275B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765922A (zh) * | 2018-04-18 | 2018-11-06 | 上海城市交通设计院有限公司 | 一种公交车辆行驶轨迹的分段方法 |
Non-Patent Citations (1)
Title |
---|
基于Mongo DB的众包数据索引方法探讨;蔡为等;《地理空间信息》;20180619(第06期);7+41-43 * |
Also Published As
Publication number | Publication date |
---|---|
CN112084275A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695488B (zh) | 兴趣面识别方法、装置、设备以及存储介质 | |
CN110782120B (zh) | 一种交通流模型的评测方法、系统、设备及介质 | |
CN104915351A (zh) | 图片排序方法及终端 | |
CN102193934B (zh) | 用于寻找图像集合中的代表性图像的系统和方法 | |
CN111709382A (zh) | 人体轨迹处理方法、装置、计算机存储介质以及电子设备 | |
CN111324616A (zh) | 车道线变化信息的检测方法、装置及设备 | |
CN114443794A (zh) | 数据处理和地图更新方法、装置、设备以及存储介质 | |
CN113343012B (zh) | 一种新闻配图方法、装置、设备及存储介质 | |
CN114168768A (zh) | 图像检索方法及相关设备 | |
CN110781195A (zh) | 一种兴趣点信息更新的系统、方法和装置 | |
CN110766938B (zh) | 路网拓扑结构的构建方法、装置、计算机设备及存储介质 | |
CN112084275B (zh) | 一种作业目标数据确定方法、装置、存储介质及设备 | |
CN112925899A (zh) | 排序模型建立方法、案件线索推荐方法、装置及介质 | |
CN111353063A (zh) | 图片显示方法、装置及存储介质 | |
CN115587593B (zh) | 信息抽取方法、装置、电子设备和计算机可读介质 | |
CN108733784B (zh) | 一种教学课件推荐方法、装置及设备 | |
CN115393755A (zh) | 视觉目标跟踪方法、装置、设备以及存储介质 | |
CN115203354A (zh) | 一种车码轨迹预关联方法、装置、计算机设备及存储介质 | |
CN112732446B (zh) | 一种任务处理方法、装置及存储介质 | |
CN115712749A (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
CN114428888A (zh) | 轨迹还原方法和装置、存储介质及电子设备 | |
CN112561956A (zh) | 视频目标跟踪方法、装置、电子设备及存储介质 | |
CN116150699B (zh) | 基于深度学习的交通流预测方法、装置、设备及介质 | |
CN111538914A (zh) | 地址信息的处理方法和装置 | |
CN114972988B (zh) | 一种路网提取方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |