CN112101187B - 道路识别方法、装置及电子设备 - Google Patents

道路识别方法、装置及电子设备 Download PDF

Info

Publication number
CN112101187B
CN112101187B CN202010953644.8A CN202010953644A CN112101187B CN 112101187 B CN112101187 B CN 112101187B CN 202010953644 A CN202010953644 A CN 202010953644A CN 112101187 B CN112101187 B CN 112101187B
Authority
CN
China
Prior art keywords
road
sample
model
information
processed
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
Application number
CN202010953644.8A
Other languages
English (en)
Other versions
CN112101187A (zh
Inventor
吴跃进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010953644.8A priority Critical patent/CN112101187B/zh
Publication of CN112101187A publication Critical patent/CN112101187A/zh
Application granted granted Critical
Publication of CN112101187B publication Critical patent/CN112101187B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3626—Details of the output of route guidance instructions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions
    • G01C21/3694—Output thereof on a road map
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Multimedia (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Ecology (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本申请公开了一种道路识别方法、装置及电子设备，属于人工智能领域。在该方法中，对获取到的待处理道路的街景图像进行特征提取，得到道路特征，然后基于道路识别模型对道路特征进行识别，得到识别结果，以确定待处理道路的道路通行类别。可以使得通过待处理道路的道路特征和人工智能模型识别，解决现有技术中通过人工采集道路信息进行判断的成本高的问题，同时结合道路特征能够有效对道路的类别进行识别的，还可以获得道路通行类别更加符合应用需求，使得识别结果更加准确。

Description

道路识别方法、装置及电子设备
技术领域
本申请涉及人工智能技术领域，尤其涉及一种道路识别方法、装置及电子设备。
背景技术
随着计算机技术的发展，出现了导航技术。用户可以通过导航技术生成导航路线，以便从出发点沿着预定的导航路线到达目的地。但是，在导航路线中会存在一些小路(即低等级道路)，由于小路本身的路况较差，还会存在对车辆的损害性，对于驾车用户来说体验效果较差。
但是由于小路的用户行驶数据较少，以及人工对小路的采集成难度较大，使得目标的小路识别过程存在投入成本高，以及识别准确率低的问题。
发明内容
有鉴于此，本申请提供了一种道路识别方法、装置及电子设备，以使得能够降低小路识别的成本以及提升小路识别准确度。
为实现上述目的，一方面，本申请提供了一种道路识别方法，其特征在于，包括：
获取待处理道路的街景图像；
对所述街景图像进行特征提取，获得道路特征；
触发道路识别模型，对所述道路特征进行识别，所述道路识别模型为多级分类模型；
基于所述道路识别模型的识别结果，确定所述待处理道路的道路通行类别。
在一种可能的实现方式中，所述获取待处理道路的街景图像，包括：
接收导航路线生成请求；
确定与所述导航路线生成请求相匹配的道路信息；
将所述道路信息中满足处理条件的道路确定为待处理道路；
获取所述待处理道路的街景图像。
对应的，所述方法还包括：
基于所述待处理道路的道路通行类别，生成与所述导航路线生成请求相匹配的目标导航路线。
在又一种可能的实现方式中，所述方法还包括：
获取训练样本集，所述训练样本集是标注有道路特征信息的道路街景图像；
基于所述训练样本集进行模型训练，得到道路识别模型。
对应的，所述道路识别模型包括第一模型、第二模型和第三模型，所述基于所述训练样本集进行模型训练，得到道路识别模型，包括：
获取所述训练样本集的每个样本的道路特征信息；
基于每个样本的所述道路特征信息将所述训练样本集划分为第一样本和第二样本，所述第一样本为小路的样本，所述第二样本为非小路的样本；
基于所述第一样本和所述第二样本进行模型训练，得到第一模型；
基于小路可通行条件，将所述第一样本划分为第一子样本和第二子样本，所述第一子样本为表征小路可通行的样本，所述第二子样本为表征小路不可通行的样本；
依据所述第一子样本和所述第二子样本，对所述第一模型进行参数调整获得第二模型；
基于小路的路况信息，将所述第一子样本划分为负样本和正样本，所述负样本的小路路况优于所述正样本的小路路况；
基于所述负样本和所述正样本对所述第二模型进行参数调整，得到第三模型。
又一方面，本申请还提供了一种道路识别装置，包括：
获取单元，用于获取待处理道路的街景图像；
提取单元，用于对所述街景图像进行特征提取，获得道路特征；
识别单元，用于触发道路识别模型，对所述道路特征进行识别，所述道路识别模型为多级分类模型；
确定单元，用于基于所述道路识别模型的识别结果，确定所述待处理道路的道路通行类别。
又一方面，本申请还提供了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上任一项所述的道路识别方法。
又一方面，本申请还提供了一种电子设备，包括：
处理器和存储器；
其中，所述处理器用于执行所述处理器中存储的程序；
所述存储器用于存储程序，所述程序至少用于：
获取待处理道路的街景图像；
对所述街景图像进行特征提取，获得道路特征；
触发道路识别模型，对所述道路特征进行识别，所述道路识别模型为多级分类模型；
基于所述道路识别模型的识别结果，确定所述待处理道路的道路通行类别。
可见，在对道路进行识别时，对获取到的待处理道路的街景图像进行特征提取，得到道路特征，然后基于道路识别模型对道路特征进行识别，得到识别结果，以确定待处理道路的道路通行类别。可以使得通过待处理道路的道路特征和模型识别，解决现有技术中通过人工采集道路信息进行判断的成本高的问题，同时结合道路特征能够有效对道路的类别进行识别的，还可以获得道路通行类别更加符合应用需求，使得识别结果更加准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1示出了本申请实施例的一种道路识别系统一种组成架构示意图；
图2示出了本申请实施例的一种道路识别方法的一种流程交互示意图；
图3示出了本申请实施例的一种道路路线路口信息示意图；
图4示出了本申请实施例的一种候选道路路线与其相连道路的示意图；
图5示出了本申请实施例的一种候选道路路线以及周边信息点的示意图；
图6示出了本申请实施例的一种多级二分类GBDT模型训练架构图；
图7示出了本申请实施例的一种导航路线生成方法的流程示意图；
图8示出了本申请实施例的一种道路识别装置的组成示意图；
图9示出了本申请实施例的一种电子设备的组成结构示意图。
具体实施方式
本申请的方案可以在需要对道路的类别、通行信息等进行准确识别的场景中，如电子地图应用场景中或者路线导航应用场景中，能够较为及时、准确的对道路进行识别，以保证道路识别的准确性和识别低成本。
其中，在本申请实施例中道路待处理道路是指需要进行识别的道路，可以是明确指出的某条道路，也可以是某个应用场景中出现的所有道路，还是可以满足某些条件的道路，如，用户驾驶流量较少的道路即用户不经常行驶的道路。在本申请中获取道路特征并不是基于简单的道路信息，如道路位置信息、人流量信息等，而是需要通过对待处理道路的街景图像进行特征提取得到的特征。该街景图像是指该待处理道路所在环境的360度全景图像，即可以获得该道路所处的实际环境以及道路的各个角度的信息。这样可以适用于道路这种能够发生变化的应用场景。在本申请实施例识别结果不仅可以识别道路的类别，如道路是否属于小路，也可以具体识别出道路通行类型，如是否是可以通行的小路，通行路况适合哪种车辆等信息。其中，小路是指低等级道路，即平时车辆通行较少的道路。为了便于理解本申请的道路识别方法，下面对于本申请的道路识别方法所适用的系统进行介绍。参见图1，其示出了本申请一种道路识别系统一种组成架构示意图。
如图1所示，本申请实施例提供的道路识别系统包括：终端10和服务器20。终端10与服务器20之间通过网络30实现通信连接。
其中，终端10可以为手机、平板电脑等移动终端，也可以为具有信息输出功能的个人计算机等固定终端。
在本申请实施例中，终端10可以通过其配置的或者连接信息输入模块获取到用户输入的待处理道路，也可以是输入对应的关于道路识别的请求，这些请求可以是直接的道路识别请求，也可以是间接的道路识别请求，如输入的是导航请求，由于要根据导航请求生成目标导航路线，为了能够保证用户行驶过程中的优良体验，需要对导航路线中的道路信息进行识别，因此，导航请求可以是间接的道路识别请求。在图1所示的实施例中终端10会通过获得的输入信息获得待处理道路，将待处理道路通过网络30发送给服务器20。
服务器20接收到待处理道路后，会获取待处理道路的街景信息，该街景信息可以通过相应的地图应用采集得到。然后会对待处理道路的街景图像进行特征提取，获得道路特征。在本申请实施例中道路特征除了道路本身的特征之外，还可以包括道路的关联特征。如，道路属性特征、路口信息特征、流量信息特征、通行速度信息特征、上下游道路信息特征、上下游联通道路信息特征和道路周边信息点特征。
服务器20在得到待处理道路的道路特征后，会调用道路识别模型，并触发该道路识别模型，对道路特征进行识别，以获得待处理道路的道路通行类别，并将道路通行类别通过网络30发送给终端10。
需要说明的是，在图1所示的道路识别系统中，是由终端10将待处理道路发送给服务器20。在本申请实施例中的另一种可能的实现方式可以是终端生成道路识别请求，将道路识别请求发送给服务器。由服务器获取与该道路识别请求对应的待处理道路，在服务器进行待处理道路获取的过程中，可以是服务器基于当前的道路识别请求采集与该道路识别请求对应的道路信息，然后提取其中的满足处理条件的待处理道路。
可选地，终端中可以运行有应用，该应用用于与服务器建立通信连接，终端通过应用与服务器进行信息交互。如，该应用可以是导航应用，用户在导航应用上生成导航请求，会得到导航路线，若导航路线中包括低等级道路，会将该低等级道路作为待处理道路发送给服务器。
在服务器上存储的道路识别模型可以对道路特征进行识别，其输出的识别结果为道路通行类别。该道路识别模型为多级分类模型，可以在对道路特征进行识别时，上一级的识别结果，作为下一层级的输入信息。例如，多级分类模型为多级二分类器模型，其中每级二分类器包括一个或多个二分类器，多级二分类器模型构建成对道路特征进行二分类处理，以便得到道路通行类别。
需要说明的是，在本申请实施例中最优的识别结果是得到道路通行类别，由于道路识别模型为多级分类模型，也可以基于实际需求得到对应层级的识别结果，例如，可以得到道路类型信息，即待处理道路是大路还是小路。服务器在输出道路通行类别时也可以基于终端的请求生成对应的提示信息，如根据该道路通行类别生成通行时间提示信息，或者可通行车辆的限制信息等。对于电子地图更新维护的应用场景中，也可以基于本申请提供的道路识别方法，对各个道路进行道路通行类别识别，以获得准确的道路通行信息，便于对地图中的道路等相关信息进行更新和维护。
下面对终端与服务器之间的交互过程进行详细介绍。请参见图2，其示出了本申请一种道路识别方法一个实施例的流程交互示意图，本实施例的方法可以包括：
S201、终端获取待处理道路。
S202、终端将待处理道路发送至服务器。
其中，待处理道路可以是终端接收到的用户输入的道路信息确定的，也可以是终端基于用户输入的请求信息进行分析得到的。若终端接收到的是用户的请求信息，可以对请求信息进行分析，以获得请求信息中的相关道路的信息，如道路标识信息，从而确定得到待处理道路。
S203、服务器获取待处理道路的街景图像。
服务器可以通过地图应用采集对应的待处理道路的街景图像，该街景图像为包含所述待处理道路的360度全景图像，需要覆盖该待处理道路的环境信息。需要说明的是，在本申请实施例中之所以选择街景图像而不是仅有道路区域的部分图像是为了能够充分利用道路所处环境信息，对道路进行准确识别和分析。
S204、服务器对街景图像进行特征提取，获得道路特征。
在本申请实施例中对街景图像进行特征提取时，提取哪些特征是根据地图处理经验、案例分析和特征工程得到的。具体的，可以涉及的道路特征可以包括：道路属性特征、路口信息特征、流量信息特征、通行速度信息特征、上下游道路信息特征、上下游联通道路信息特征和道路周边信息点(POI)特征中的一种或多种。
具体的，上述各个特征信息可以包括若干个子特征。参见表1，其示出了本申请实施例中部分特征列表信息。
表1
特征领域 特征列表
道路属性特征 长度、限速、等级、类别、车道数、是否收费、方向、路宽等信息
路口信息特征 是否有红绿灯、路口入边、路口出边等
流量信息特征 月均流量、日均流量、分时段流量等
通行速度特征 自由流速度、分时段速度、低速占比等
上下游道路信息 上下游直接相连道路数量、道路等级、速度分级、流量总和等
上下游连通道路信息 上下游连通道路条目数、里程等
周边信息点特征 不同范围内信息点分级和距离等
以导航应用场景中，对候选路线中的道路进行识别为例对上述道路特征进行说明。其中，道路属性特征基于当前候选道路路线，可以从电子地图路网道路属性数据中获取待处理道路的自身属性信息，包括：长度、等级、类别、车道数、是否收费、通行方向、路宽等信息。这些信息可以确定何种车辆可以通行。
参见图3，其示出了本申请实施例提供的一种道路路线路口信息示意图。路口信息特征基于当前候选道路路线和其所属的拓扑路网，识别出若干路口信息，包括：是否由红绿灯、路口入边、路口出边等。
流量信息特征是在过往一个时间段(如一个月、三个月或半年)内用户历史轨迹数据，统计用户在当前候选道路路线上经过的频次，可以分时间维度(如：月均、日均、分时段等)统计平均值，以反映当前候选道路路线在不同时间维度上的热度。
通行速度信息特征，是指在国网一个时间段(如一个月、三个月或半年) 内用户历史轨迹数据，计算每条轨迹在经过当前候选道路路线上的平均速度，再基于不同时间段的多个值计算多样本均值，以反映当前候选道路路线在不同时间维度上的用户驾驶实际体验。具体时间维度上的速度值类型包括：
自由流速度，基于每天凌晨0点到6点前的历史轨迹数据，计算出用户经过当前候选道路路线的平均速度，作为当前候选道路路线的“自由流速度”；即在不受到周边其它行驶车辆影响的情况下，用户自由驾驶在当前候选道路路线的驾驶速度。
低速占比，在基于用户历史轨迹已经计算出来的历史平均速度列表中，计算所有低速(如速度小于等于5km/h)在所有速度列表中比例。
参见图4，其示出了本申请实施例提供的一种候选道路路线与其相连道路的示意图。上下游道路特征信息基于当前候选道路路线和其所述的拓扑路网，搜索出所有与当前候选道路路线直接相连的道路路线列表，在基于这些道路路线的属性，统计多维度信息，包括：上下游直接相连道路数量、道路等级、速度分级、流量总和等。
上下游连通道路信息特征，基于当前候选道路线路和其所述的拓扑路网，搜索出与当前候选道路路线相连通的且与当前候选道路路线名称一致、道路等级相近的最长连通道路路线列表(当最长连通里程超过10公里，搜索过程自动结束)，在候选道路路线的最长连通道路路线列表的基础上计算若干特征值，包括：上下游连通道路条目数、里程和等。
参见图5，其示出了本发明实施例提供的一种候选道路路线以及周边信息点的示意图。在图5中，矩形框中为信息点。周边信息点(POI)特征，基于当前候选道路路线，搜索出道路路线附件的信息点，区分距离区间(如：100 米范围内，500米范围内，1公里范围内)统计不同级别信息点的数量特征信息。
S205、服务器触发道路识别模型，对道路特征进行识别，获得识别结果。
S206、服务器基于识别结果，确定待处理道路的道路通行类别。
S207、服务器将道路通行类别发送给终端。
S208、终端输出道路通行类别。
其中，道路识别模型可以为预先存储在服务器上，属于具有能够进行道路信息进行识别的人工智能(Artificial Intelligence,AI)模型。即道路识别模型是基于人工智能技术生成的模型，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咧智能相似的方式作出反应的智能机器，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。可见，在本申请实施例中的道路识别模型是指能够具有和人工对道路进行分析能力一致的模型。该道路识别模型通过机器学习的方式对训练样本进行学习得到，其中，机器学习研究计算机怎样模拟和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。对应于本申请实施例中通过对训练样本进行机器学习，获得样本中标注特征，得到道路识别模型，使得可以利用该道路识别模型对道路特征进行识别，获得道路通行类别。
对应的，可以直接基于道路识别模型输出道路通行类别信息，也可以是基于道路识别模型输出的道路类别信息，以及当前终端用户的需求信息来确定道路通行类别信息。例如，用户的需求是获得导航路线，则需要结合用户驾驶车辆的信息，如车辆的型号、体积等信息来确定待处理道路是否可通信。对于同一道路不同车型通过时，其是否可通行的结果不同。在本申请实施例中基于道路多种特征因素和道路识别模型，可提升道路识别的准确性，从而为道路规划场景中提供准确的道路信息，提升用户体验和满意度。
在本申请实施例中还包括：获取训练样本集；基于训练样本集进行模型训练，得到道路识别模型。其中，训练样本集是标注有道路特征信息的道路街景图像。通常的常见道路类型，如大路，由于可以有大量的用户通行样本可采集，可以基于这些样本进行分析得到道路是否通畅等信息。但是由于小路往往用户通过流量较低，能够挖掘出较为准确的道路自由流速度的小路覆盖较小，因此，会导致通过道路自由流速挖掘出来的小路覆盖也会较小。并且完全基于道路自由流速度的高低来判断是否小路，会由于道路自由流速根据通过道路的用户轨迹挖掘出来，此挖掘速度不一定代表真实的自由流速度；另一方面，即使能够代表真实的自由流速度，自由流速度低也不能完全表明此道路就是小路。因此，本申请实施例通过生成的训练样本集来训练得到道路识别模型。
由于本申请实施例中输出的是道路通行类别，而小路的种类也较多，主要是通行能力不同，因此也需要分级。如：有些道路车辆基本不可通行，而有些道路车辆可通行但通行不易。
在本申请实施例中基于道路通行能力以及用户驾驶体验反馈信息将小路分为三级：
禁走小路，是指只能并行一辆车，不可错车；一辆车都无法行驶或勉强行驶通过；双向智能行驶一辆车，单向勉强行驶一辆车或不可通行。
难走小路，是指可以会车，单不能通畅会车，路边可能存在障碍物(如，停车位、路边摊位、土路等)，人车不分流，上下线不分离等。
普通小路，指双向路，可并行会车，中间没有隔档，旁边可以有行人道或停车位等障碍。
基于街景图像，可以采用人工标准全国范围内的小路样本，三级小路都对应一批训练样本。然后确定训练样本集的道路特征，详见上述实施例中的描述，此处不进行赘述。
在一种可能的实现方式中，所述道路识别模型包括第一模型、第二模型和第三模型，所述基于所述训练样本集进行模型训练，得到道路识别模型，包括：
获取所述训练样本集的每个样本的道路特征信息；
基于每个样本的所述道路特征信息将所述训练样本集划分为第一样本和第二样本，所述第一样本为小路的样本，所述第二样本为非小路的样本；
基于所述第一样本和所述第二样本进行模型训练，得到第一模型；
基于小路可通行条件，将所述第一样本划分为第一子样本和第二子样本，所述第一子样本为表征小路可通行的样本，所述第二子样本为表征小路不可通行的样本；
依据所述第一子样本和所述第二子样本，对所述第一模型进行参数调整获得第二模型；
基于小路的路况信息，将所述第一子样本划分为负样本和正样本，所述负样本的小路路况优于所述正样本的小路路况；
基于所述负样本和所述正样本对所述第二模型进行参数调整，得到第三模型。
举例说明，本申请模型训练过程中可以采用多级分类模型，例如采用 GBDT(Gradient Boosting Decision Tree，梯度提升迭代决策树)算法进行模型训练。GBDT采用加法模型，通过不断减小训练过程产生的残差，以此对数据进行回归或分类。GBDT进行多轮迭代，每轮迭代产生一个弱分类器CART回归树，该分类器是在上一轮分类器的残差结果基础上训练得到的。对弱分类器的要求是低方差、高偏差(低方差保证模型不会过拟合+高偏差在训练过程中会减小，以此提高精度)。为了使损失函数尽可能快地减小，用损失函数的负梯度作为残差的近似值，然后去拟合CART回归树。
GBDT支持多分类和二分类，但实际应用中采取多级二分类模型体系的训练效果要好于只有一个多分类模型，因此，本申请实施例采用多级二分类模型体系，参见图6，其示出了本申请实施例提供的一种多级二分类GBDT模型训练架构图。在该多级二分类GBDT模型包括：
第一模型，即识别是否为小路的GBDT二分类模型，先从若干道路中识别小路。此时，输入信息为：所有训练样本集的特征数据，非小路的训练样本为第二样本(即负样本)，小路(不区分禁走小路、难走小路和普通小路) 的训练样本为第一样本(即正样本)。输出：通过调参，训练出最优的GBDT 二分类模型(即第一模型)。
第二模型，即识别是否为禁走小路的GBDT二分类模型，由于禁走小路对用户体验伤害更大，所以优先从小路中识别出禁走小路。此时，输入的是：所有小路的训练样本的特征数据，难走小路和普通小路的训练样本为第一子样本(即负样本)，禁走小路的训练样本为第二子样本(即正样本)。输出为通过调参，训练出最优的GBDT二分类模型(即第二模型)。
第三模型，即识别难走小路或者普通小路的GBDT二分类模型，再从非禁走小路中，识别出难走小路和普通小路。此时，输入信息是普通小路的训练样本为负样本，难走小路的训练样本为正样本。输出信息为通过调参，训练处最优的GBDT二分类模型(即第三模型)。
其中，GBDT的模型参数值可以包括：n_estimators＝800，max_depth＝4， lambda＝0.1，subsample＝0.8等参数值。
下面以导航应用技术领域为例，对本申请的道路识别方法进行说明。参见图7，其示出了本申请实施例提供的一种导航路线生成方法的流程示意图，所述方法包括：
S301、接收导航路线生成请求。
S302、确定与所述导航路线生成请求相匹配的道路信息。
S303、将所述道路信息中满足处理条件的道路确定为待处理道路。
S304、获取所述待处理道路的街景图像。
S305、对所述街景图像进行特征提取，获得道路特征。
S306、触发道路识别模型，对所述道路特征进行识别。
S307、基于所述道路识别模型的识别结果，确定所述待处理道路的道路通行类别。
S308、基于所述待处理道路的道路通行类别，生成与所述导航路线生成请求相匹配的目标导航路线。
其中，导航路线生成请求会携带起始位置和目标位置，基于起始位置和目标位置生成多条参考路线，即获得道路信息。处理条件是指需要对道路进行识别的条件，如对用户流量较低的流量条件，即可以仅对不常用道路进行识别，可以减少处理器资源的占用，提升处理效率。
若要识别的待处理道路为小路，则所述触发道路识别模型，对所述道路特征进行识别，包括：
将所述道路特征输入所述第一模型，输出小路道路列表；
将所述小路道路列表输入到所述第二模型，输出可通行小路列表；
将所述可通行小路列表输入到所述第三模型，输出难走小路列表和普通小路列表。
举例说明，在训练得到三套GBDT二分裂模型Model＝{M1，M2，M3}之后，在实际应用过程为：
针对道路信息中所有道路都生成对应的特征值列表，然后将每条道路的特征值带入一级GBDT二分类模型M1，识别出小路道路列表Rmini＝{r1，r2，r3，…}。
将上级识别出来的小路道路列表Rmini＝{r1，r2，r3，…}对应的特征值列表，带入二级GBDT二分类模型M2，识别出禁走小路道路列表Rforbid＝{r1，r2，r3，…} 和非禁走小路道路列表Rnon-forbid＝{r1，r2，r3，…}。
将上级识别出来的小路道路列表Rnon-forbid＝{r1，r2，r3，…}对应的特征值列表，带入三级GBDT二分类模型M3，识别出难走小路道路列表Rhard＝{r1，r2， r3，…}和普通小路道路列表Rnormal＝{r1，r2，r3，…}。
综上可以识别出，禁走小路道路列表Rforbid，难走小路道路列表Rhard和普通小路道路列表Rnormal。根据待处理道路的道路通行类别，生成目标导航路线时，可以利用对应的路线规划规避策略实现。具体的，针对禁走小路，如果周边有路的情况下，不允许走禁走小路。针对难走小路，增加难走小路非常大的权重，在路线规划中如果周边有其它非小路路线时尽可能规避难走小路。针对普通小路，增加普通小路较大的权重，在路线规划过程中可以基于普通小路覆盖里程等因素是否规划普通小路。此外，在生成导航路线时无法规避小路(特别是禁走小路和难走小路)情况下，可以在导航终端上生成可视化提示信息至用户，由用户根据自身情况和驾驶能力进行选择。
本申请实施例在对道路进行识别时，对获取到的待处理道路的街景图像进行特征提取，得到道路特征，然后基于道路识别模型对道路特征进行识别，得到识别结果，以确定待处理道路的道路通行类别。可以使得通过待处理道路的道路特征和模型识别，解决现有技术中通过人工采集道路信息进行判断的成本高的问题，同时结合道路特征能够有效对道路的类别进行识别的，还可以获得道路通行类别更加符合应用需求，使得识别结果更加准确。同时，还可以提高小路识别的覆盖率，可提升识别的召回率。
又一方面，本申请还提供了一种道路识别装置，如参见图8，其示出了本申请一种道路识别装置一个实施例的组成示意图，本实施例的装置可以应用于终端或者服务器，该装置可以包括：
获取单元401，用于获取待处理道路的街景图像；
提取单元402，用于对所述街景图像进行特征提取，获得道路特征；
识别单元403，用于触发道路识别模型，对所述道路特征进行识别，所述道路识别模型为多级分类模型；
确定单元404，用于基于所述道路识别模型的识别结果，确定所述待处理道路的道路通行类别。
在一种可能的情况中，获取单元401包括：
接收子单元，用于接收导航路线生成请求；
第一确定子单元，用于确定与所述导航路线生成请求相匹配的道路信息；
第二确定子单元，用于将所述道路信息中满足处理条件的道路确定为待处理道路；
第一获取子单元，用于获取所述待处理道路的街景图像。
可选地，所述装置还包括：
路线生成单元，用于基于所述待处理道路的道路通行类别，生成与所述导航路线生成请求相匹配的目标导航路线。
在一种可能的实现方式中，所述装置还包括：
样本获取单元，用于获取训练样本集，所述训练样本集是标注有道路特征信息的道路街景图像；
训练单元，用于基于所述训练样本集进行模型训练，得到道路识别模型。
可选地，所述道路识别模型包括第一模型、第二模型和第三模型，所述训练单元具体用于：
获取所述训练样本集的每个样本的道路特征信息；
基于每个样本的所述道路特征信息将所述训练样本集划分为第一样本和第二样本，所述第一样本为小路的样本，所述第二样本为非小路的样本；
基于所述第一样本和所述第二样本进行模型训练，得到第一模型；
基于小路可通行条件，将所述第一样本划分为第一子样本和第二子样本，所述第一子样本为表征小路可通行的样本，所述第二子样本为表征小路不可通行的样本；
依据所述第一子样本和所述第二子样本，对所述第一模型进行参数调整获得第二模型；
基于小路的路况信息，将所述第一子样本划分为负样本和正样本，所述负样本的小路路况优于所述正样本的小路路况；
基于所述负样本和所述正样本对所述第二模型进行参数调整，得到第三模型。
可选地，所述识别单元具体用于：
将所述道路特征输入所述第一模型，输出小路道路列表；
将所述小路道路列表输入到所述第二模型，输出可通行小路列表；
将所述可通行小路列表输入到所述第三模型，输出难走小路列表和普通小路列表。
另一方面，本申请还提供了一种电子设备，如参见图9，其示出了本申请的电子设备的一种组成结构示意图，本实施例的电子设备1100可以包括：处理器1101和存储器1102。
可选的，该终端还可以包括通信接口1103、输入单元1104和显示器1105 和通信总线1106。
处理器1101、存储器1102、通信接口1103、输入单元1104、显示器1105、均通过通信总线1106完成相互间的通信。
在本申请实施例中，该处理器1101，可以为中央处理器(Central ProcessingUnit，CPU)，特定应用集成电路，数字信号处理器、现成可编程门阵列或者其他可编程逻辑器件等。
一些实施例中，处理器1101还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
该处理器可以调用存储器1102中存储的程序。存储器1102中用于存放一个或者一个以上程序，程序可以包括程序代码，所述程序代码包括计算机操作指令，在本申请实施例中，该存储器中至少存储有用于实现以下功能的程序：
获取待处理道路的街景图像；
对所述街景图像进行特征提取，获得道路特征；
触发道路识别模型，对所述道路特征进行识别，所述道路识别模型为多级分类模型；
基于所述道路识别模型的识别结果，确定所述待处理道路的道路通行类别。
在一种可能的实现方式中，该存储器1102可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、以及至少一个功能(比如机器学习功能等)所需的应用程序等；存储数据区可存储根据计算机的使用过程中所创建的数据，比如，道路特征信息和训练样本集等等。
此外，存储器1102可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件。
该通信接口1103可以为通信模块的接口，如GSM模块的接口。
本申请还可以包括显示器1104和输入单元1105等等。
当然，图9所示的终端的结构并不构成对本申请实施例中终端的限定，在实际应用中终端可以包括比图9所示的更多或更少的部件，或者组合某些部件。
另一方面，本申请实施例还提供了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上任意一个实施例中的道路识别方法。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，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。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种道路识别方法，其特征在于，包括：
接收导航路线生成请求；
确定与所述导航路线生成请求相匹配的道路信息；
将所述道路信息中满足处理条件的道路确定为待处理道路；
获取所述待处理道路的街景图像；所述待处理道路的街景图像为所述待处理道路所在环境的全景图像；
对所述街景图像进行特征提取，获得道路特征；
触发道路识别模型，对所述道路特征进行识别，所述道路识别模型为多级分类模型；所述多级分类模型的输出包括禁走小路道路列表、难走小路道路列表和普通小路道路列表；
基于所述道路识别模型的识别结果，确定所述待处理道路的道路通行类别；
基于所述待处理道路的道路通行类别，生成与所述导航路线生成请求相匹配的目标导航路线。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取训练样本集，所述训练样本集是标注有道路特征信息的道路街景图像；
基于所述训练样本集进行模型训练，得到道路识别模型。
3.根据权利要求2所述的方法，其特征在于，所述道路识别模型包括第一模型、第二模型和第三模型，所述基于所述训练样本集进行模型训练，得到道路识别模型，包括：
获取所述训练样本集的每个样本的道路特征信息；
基于每个样本的所述道路特征信息将所述训练样本集划分为第一样本和第二样本，所述第一样本为小路的样本，所述第二样本为非小路的样本；
基于所述第一样本和所述第二样本进行模型训练，得到第一模型；
基于小路可通行条件，将所述第一样本划分为第一子样本和第二子样本，所述第一子样本为表征小路可通行的样本，所述第二子样本为表征小路不可通行的样本；
依据所述第一子样本和所述第二子样本，对所述第一模型进行参数调整获得第二模型；
基于小路的路况信息，将所述第一子样本划分为负样本和正样本，所述负样本的小路路况优于所述正样本的小路路况；
基于所述负样本和所述正样本对所述第二模型进行参数调整，得到第三模型。
4.根据权利要求3所述的方法，其特征在于，所述触发道路识别模型，对所述道路特征进行识别，包括：
将所述道路特征输入所述第一模型，输出小路道路列表；
将所述小路道路列表输入到所述第二模型，输出禁走小路道路列表和非禁走小路道路列表；
将所述非禁走小路道路列表输入到所述第三模型，输出难走小路道路列表和普通小路道路列表。
5.根据权利要求1所述的方法，其特征在于，所述道路特征包括：
道路属性特征、路口信息特征、流量信息特征、通行速度信息特征、上下游道路信息特征、上下游联通道路信息特征和道路周边信息点特征中的一种或多种。
6.一种道路识别装置，其特征在于，包括：
接收子单元，用于接收导航路线生成请求；
第一确定子单元，用于确定与所述导航路线生成请求相匹配的道路信息；
第二确定子单元，用于将所述道路信息中满足处理条件的道路确定为待处理道路；
第一获取子单元，用于获取所述待处理道路的街景图像；所述待处理道路的街景图像为所述待处理道路所在环境的全景图像；
提取单元，用于对所述街景图像进行特征提取，获得道路特征；
识别单元，用于触发道路识别模型，对所述道路特征进行识别，所述道路识别模型为多级分类模型；所述多级分类模型的输出包括禁走小路道路列表、难走小路道路列表和普通小路道路列表；
确定单元，用于基于所述道路识别模型的识别结果，确定所述待处理道路的道路通行类别；
路线生成单元，用于基于所述待处理道路的道路通行类别，生成与所述导航路线生成请求相匹配的目标导航路线。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
样本获取单元，用于获取训练样本集，所述训练样本集是标注有道路特征信息的道路街景图像；
训练单元，用于基于所述训练样本集进行模型训练，得到道路识别模型。
8.根据权利要求7所述的装置，其特征在于，所述训练单元具体用于：
获取所述训练样本集的每个样本的道路特征信息；
基于每个样本的所述道路特征信息将所述训练样本集划分为第一样本和第二样本，所述第一样本为小路的样本，所述第二样本为非小路的样本；
基于所述第一样本和所述第二样本进行模型训练，得到第一模型；
基于小路可通行条件，将所述第一样本划分为第一子样本和第二子样本，所述第一子样本为表征小路可通行的样本，所述第二子样本为表征小路不可通行的样本；
依据所述第一子样本和所述第二子样本，对所述第一模型进行参数调整获得第二模型；
基于小路的路况信息，将所述第一子样本划分为负样本和正样本，所述负样本的小路路况优于所述正样本的小路路况；
基于所述负样本和所述正样本对所述第二模型进行参数调整，得到第三模型。
9.根据权利要求8所述的装置，其特征在于，所述识别单元，具体用于：
将所述道路特征输入所述第一模型，输出小路道路列表；
将所述小路道路列表输入到所述第二模型，输出禁走小路道路列表和非禁走小路道路列表；
将所述非禁走小路道路列表输入到所述第三模型，输出难走小路道路列表和普通小路道路列表。
10.根据权利要求6所述的装置，其特征在于，所述道路特征包括：
道路属性特征、路口信息特征、流量信息特征、通行速度信息特征、上下游道路信息特征、上下游联通道路信息特征和道路周边信息点特征中的一种或多种。
11.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上权利要求1至5任一项所述的道路识别方法。
12.一种电子设备，其特征在于，包括：
处理器和存储器；
其中，所述处理器用于执行所述处理器中存储的程序；
所述存储器用于存储程序，所述程序至少用于：
接收导航路线生成请求；
确定与所述导航路线生成请求相匹配的道路信息；
将所述道路信息中满足处理条件的道路确定为待处理道路；
获取所述待处理道路的街景图像；所述待处理道路的街景图像为所述待处理道路所在环境的全景图像；
对所述街景图像进行特征提取，获得道路特征；
触发道路识别模型，对所述道路特征进行识别，所述道路识别模型为多级分类模型；所述多级分类模型的输出包括禁走小路道路列表、难走小路道路列表和普通小路道路列表；
基于所述道路识别模型的识别结果，确定所述待处理道路的道路通行类别；
基于所述待处理道路的道路通行类别，生成与所述导航路线生成请求相匹配的目标导航路线。
CN202010953644.8A 2020-09-11 2020-09-11 道路识别方法、装置及电子设备 Active CN112101187B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010953644.8A CN112101187B (zh) 2020-09-11 2020-09-11 道路识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010953644.8A CN112101187B (zh) 2020-09-11 2020-09-11 道路识别方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112101187A CN112101187A (zh) 2020-12-18
CN112101187B true CN112101187B (zh) 2024-05-28

Family

ID=73751393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010953644.8A Active CN112101187B (zh) 2020-09-11 2020-09-11 道路识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112101187B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284359B (zh) * 2021-07-22 2022-03-29 腾讯科技（深圳）有限公司 车位推荐方法、装置、设备及计算机可读存储介质
CN114140903B (zh) * 2021-08-02 2024-03-19 南斗六星系统集成有限公司 一种基于决策树生成规则的道路类型识别车载装置
CN113837162B (zh) * 2021-11-29 2022-04-08 腾讯科技（深圳）有限公司 数据处理方法及相关装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002784A (zh) * 2018-06-29 2018-12-14 国信优易数据有限公司 街景识别模型的训练方法和系统、街景识别方法和系统
CN109522787A (zh) * 2018-09-30 2019-03-26 广州地理研究所 一种基于遥感数据的细小道路识别方法
CN110533254A (zh) * 2019-09-04 2019-12-03 百度在线网络技术（北京）有限公司 一种路段识别方法、装置、设备及存储介质
CN110705381A (zh) * 2019-09-09 2020-01-17 北京工业大学 遥感影像道路提取方法及装置
CN111382625A (zh) * 2018-12-28 2020-07-07 沈阳美行科技有限公司 道路标识识别方法、装置及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002784A (zh) * 2018-06-29 2018-12-14 国信优易数据有限公司 街景识别模型的训练方法和系统、街景识别方法和系统
CN109522787A (zh) * 2018-09-30 2019-03-26 广州地理研究所 一种基于遥感数据的细小道路识别方法
CN111382625A (zh) * 2018-12-28 2020-07-07 沈阳美行科技有限公司 道路标识识别方法、装置及电子设备
CN110533254A (zh) * 2019-09-04 2019-12-03 百度在线网络技术（北京）有限公司 一种路段识别方法、装置、设备及存储介质
CN110705381A (zh) * 2019-09-09 2020-01-17 北京工业大学 遥感影像道路提取方法及装置

Also Published As

Publication number Publication date
CN112101187A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112101187B (zh) 道路识别方法、装置及电子设备
US20160125307A1 (en) Air quality inference using multiple data sources
WO2021082464A1 (zh) 预测车辆的目的地的方法和装置
CN111611955B (zh) 可通行施工道路的识别方法、装置、设备及存储介质
Tang et al. A mixed path size logit-based taxi customer-search model considering spatio-temporal factors in route choice
Ding et al. Towards generating network of bikeways from Mapillary data
CN112418696B (zh) 城市交通动态知识图谱的构建方法及装置
US20210020036A1 (en) Predicting short-term traffic flow congestion on urban motorway networks
Pecher et al. Data-driven vehicle trajectory prediction
CN113673749B (zh) 车辆行人地图轨迹预测方法及装置
Hajrahnur et al. Classification of posts Twitter traffic jam the city of Jakarta using algorithm C4. 5
CN110021161B (zh) 一种交通流向的预测方法及系统
CN116046008A (zh) 基于态势感知的路线规划方法、系统及效能评估装置
CN117455237A (zh) 一种基于多源数据的道路交通事故风险预测方法
CN115880928A (zh) 自动驾驶高精地图实时更新方法、装置、设备及存储介质
CN113807457A (zh) 确定路网表征信息的方法、装置、设备及存储介质
US10740990B1 (en) System and method for analyzing vehicle data
CN116030629B (zh) 基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器
CN116958649A (zh) 一种街道空间城市功能分类方法及相关设备
Song et al. Remote estimation of free-flow speeds
Cohen et al. Pedestrian Traffic flow prediction based on ANN model and OSM data
Méneroux et al. Detection and localization of traffic signals with gps floating car data and random forest
Haryono et al. Accuracy in Object Detection based on Image Processing at the Implementation of Motorbike Parking on the Street
CN113656979A (zh) 路网数据生成方法、装置、电子设备及存储介质
Alhasoun et al. Urban street contexts classification using convolutional neural networks and streets imagery

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