CN112241442A - 地图更新方法、装置、计算机设备和存储介质 - Google Patents
地图更新方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112241442A CN112241442A CN201910852607.5A CN201910852607A CN112241442A CN 112241442 A CN112241442 A CN 112241442A CN 201910852607 A CN201910852607 A CN 201910852607A CN 112241442 A CN112241442 A CN 112241442A
- Authority
- CN
- China
- Prior art keywords
- environment image
- map vector
- vector diagram
- traffic
- identification
- 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 84
- 238000010586 diagram Methods 0.000 claims abstract description 181
- 238000013135 deep learning Methods 0.000 claims abstract description 36
- 230000007613 environmental effect Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种地图更新方法、装置、计算机设备和存储介质。所述方法包括:获取目标车辆在预设范围内的地图矢量图和环境图像,然后识别所述环境图像中的至少一种交通标识,并采用深度学习方法确定所述环境图像中的至少一种交通标识对应的信息,进而判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配,若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息。采用本方法能够提高地图更新效率、精度以及安全性。
Description
技术领域
本申请涉及自动驾驶技术领域,特别是涉及一种地图更新方法、装置、计算机设备和存储介质。
背景技术
随着自动驾驶技术的发展,高精度地图成为自动驾驶技术的主要研究方向。高精度地图是服务于自动驾驶系统的专题地图,精度在厘米级别,含有丰富和细致的道路交通信息元素,应用于自动驾驶的定位、感知、决策控制系统中,是自动驾驶汽车的必备基础。高精度地图具有地图匹配、辅助环境感知、路径规划等作用,可以将车辆位置精准地定位于车道之上,帮助车辆获取更为准确有效全面的当前位置交通状况并为无人车规划制定最优路线,保证自动驾驶的安全与高效率。
高精度地图不仅需要对地图信息覆盖精准而全面,还需保证数据能够快速、准确地更新,以满足自动驾驶对高精度地图的需求。
然而,目前的方法,存在精度低、效率低以及安全性低等问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高地图更新效率、精度以及安全性的地图更新方法、装置、计算机设备和存储介质。
一种地图更新方法,所述方法包括:
获取目标车辆在预设范围内的地图矢量图和环境图像;
识别所述环境图像中的至少一种交通标识,并采用深度学习方法确定所述环境图像中的至少一种交通标识对应的信息;
判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配;
若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息。
在其中一个实施例中,所述识别所述环境图像中的至少一种交通标识,并采用深度学习方法确定所述环境图像中的至少一种交通标识对应的信息包括:
若所述环境图像中的至少一种交通标识包括车道线,则利用车道线与环境道路的物理特征差异对所述环境图像进行分割处理,得到处理后的环境图像;
根据所述处理后的环境图像,确定所述环境图像中的车道线的位置、类型和颜色;
对所述处理后的环境图像进行二次曲线拟合,得到所述环境图像中的车道线的形状。
在其中一个实施例中,所述判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配包括:
获取所述地图矢量图中的车道线的位置、类型、颜色和形状;
建立所述地图矢量图中的车道线的缓冲区,将所述车道线的缓冲区域所述环境图像中的车道线进行相交分析,对比所述地图矢量图中的车道线的位置与所述环境图像中的车道线的位置是否一致;
将所述地图矢量图中的车道线与所述环境图像中的车道线进行曲线相似性比较,对比所述地图矢量图中的车道线的形状与所述环境图像中的车道线的形状是否一致;
分别对比所述地图矢量图中的车道线的类型与所述环境图像中的车道线的类型是否一致,以及所述地图矢量图中的车道线的颜色与所述环境图像中的车道线的颜色是否一致。
在其中一个实施例中,所述若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息包括:
若所述地图矢量图中的车道线的位置与所述环境图像中的车道线的位置,以及所述地图矢量图中的车道线的类型与所述环境图像中的车道线的类型,所述地图矢量图中的车道线的颜色与所述环境图像中的车道线的颜色,所述地图矢量图中的车道线的形状与所述环境图像中的车道线的形状中存在任意一项不一致的情况,则根据所述环境图像中的车道线的位置、类型、颜色和形状,更新所述地图矢量图中的交通标识的位置、类型、颜色和形状。
在其中一个实施例中,所述识别所述环境图像中的交通标识,并采用深度学习方法确定所述环境图像中的交通标识对应的信息包括:
若所述环境图像中的至少一种交通标识包括交通标牌,则获取所述环境图像中的交通标牌数据;
采用深度学习方法建立所述交通标牌识别模型,并根据所述交通标牌数据和交通标牌识别模型,确定所述环境图像中的交通标牌的位置和文本信息。
在其中一个实施例中,所述判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配包括:
获取所述地图矢量图中的交通标牌的位置和文本信息;
分别对比所述地图矢量图中的交通标牌的位置与所述环境图像中的交通标牌的位置是否一致,以及所述地图矢量图中的交通标牌的文本信息与所述环境图像中的交通标牌的文本信息是否一致,其中,所述交通标牌的位置比对采用GIS缓冲区分析和叠加分析的方法。
在其中一个实施例中,所述若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息包括:
若所述地图矢量图中的交通标牌的位置与所述环境图像中的交通标牌的位置,以及所述地图矢量图中的交通标牌的文本信息与所述环境图像中的交通标牌的文本信息中存在任意一项不一致的情况,则根据所述环境图像中的交通标牌的位置和文本信息,更新所述地图矢量图中的交通标识的位置和文本信息。
在其中一个实施例中,所述识别所述环境图像中的交通标识,并采用深度学习方法确定所述环境图像中的交通标识对应的信息包括:
若所述环境图像中的至少一种交通标识包括路面标识,则获取所述环境图像中的路面标识数据;
采用深度学习方法建立所述路面标识识别模型,并根据所述路面标识数据和路面标识识别模型,确定所述环境图像中的交通标牌的位置、类型和文本信息。
在其中一个实施例中,所述判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配包括:
获取所述地图矢量图中的路面标识的位置、类型和文本信息;
分别对比所述地图矢量图中的路面标识的位置与所述环境图像中的路面标识的位置是否一致,所述地图矢量图中的路面标识的类型与所述环境图像中的路面标识的类型是否一致,以及所述地图矢量图中的路面标识的文本信息与所述环境图像中的路面标识的文本信息是否一致。
在其中一个实施例中,所述若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息包括:
所述地图矢量图中的路面标识的位置与所述环境图像中的路面标识的位置,所述地图矢量图中的路面标识的类型与所述环境图像中的路面标识的类型,以及所述地图矢量图中的路面标识的文本信息与所述环境图像中的路面标识的文本信息中存在任意一项不一致的情况,则根据所述环境图像中的路面标识的位置、类型和文本信息,更新所述地图矢量图中的路面标识的位置、类型和文本信息。
在其中一个实施例中,所述识别所述环境图像中的交通标识,并采用深度学习方法确定所述环境图像中的交通标识对应的信息包括:
若所述环境图像中的至少一种交通标识包括警示灯标识,则获取所述环境图像中的警示灯标识数据;
采用深度学习方法建立所述警示灯标识识别模型,并根据所述警示灯标识数据和警示灯标识识别模型,确定所述警示灯标识的位置和警示灯颜色。
在其中一个实施例中,所述判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配包括:
获取所述地图矢量图中的警示灯标识的位置和颜色;
分别对比所述地图矢量图中的警示灯标识的位置与所述环境图像中的警示灯标识的位置是否一致,以及所述地图矢量图中的警示灯标识的颜色与所述环境图像中的警示灯标识的颜色是否一致。
在其中一个实施例中,所述若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息包括:
所述地图矢量图中的警示灯标识的位置与所述环境图像中的警示灯标识的位置,以及所述地图矢量图中的警示灯标识的颜色与所述环境图像中的警示灯标识的颜色中存在任意一项不一致的情况,则根据所述环境图像中的警示灯标识的位置和颜色,更新所述地图矢量图中的警示灯标识的位置和颜色。
在其中一个实施例中,所述方法还包括:
若所述地图矢量图中不存在与所述环境图像中对应的交通标识,则将所述环境图像中的交通标识添加至所述地图矢量图中。
在其中一个实施例中,所述方法还包括:
若所述地图矢量图中存在交通标识,且所述环境图像中不存在交通标识,则将所述地图矢量图中的交通标识删除。
一种地图更新装置,所述装置包括:
图像获取模块,用于获取目标车辆在预设范围内的地图矢量图和环境图像;
图像识别模块,用于识别所述环境图像中的至少一种交通标识,并采用深度学习方法确定所述环境图像中的至少一种交通标识对应的信息;
判断模块,用于判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配;
执行模块,用于若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的方法的步骤。
上述地图更新方法、装置、计算机设备和存储介质,通过获取目标车辆在预设范围内的地图矢量图和环境图像,然后识别所述环境图像中的至少一种交通标识,并采用深度学习方法确定所述环境图像中的至少一种交通标识对应的信息,进而判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配,若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息。通过上述方法能够提高地图更新效率、精度以及安全性。
附图说明
图1为一个实施例中地图更新方法的应用环境图;
图2为一个实施例中一种地图更新方法的流程示意图;
图3为一个实施例中一种地图更新装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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申请,并不用于限定本申请。
本申请提供的地图更新方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。终端102获取目标车辆在预设范围内的地图矢量图和环境图像,并将获取的目标车辆在预设范围内的地图矢量图和环境图像通过网络传输至服务器104。服务器104识别所述环境图像中的至少一种交通标识,并采用深度学习方法确定所述环境图像中的至少一种交通标识对应的信息,进而判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配,若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104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。
在一个实施例中,如图2所示,提供了一种地图更新方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
一种地图更新方法,所述方法包括:
步骤S1:获取目标车辆在预设范围内的地图矢量图和环境图像;
步骤S2:识别所述环境图像中的至少一种交通标识,并采用深度学习方法确定所述环境图像中的至少一种交通标识对应的信息;
步骤S3:判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配;
步骤S4:若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息。
在步骤S1-S4中,地图矢量图由点、线、面组成,具体通过记录坐标的方式表现地理实体的空间图,一般为比例尺地形图。对于本申请中的地图矢量图通过提取、确定裁剪范围和裁剪三个步骤获得,具体地,首先根据目标车辆位姿数据,提取目标车辆位置预设范围内的局部高精度地图数据;然后计算以目标车辆位置为中心的圆形区域,建立面状对象,作为裁剪区域;最后使用裁剪区域对高精度地图进行裁剪,提取裁剪区域范围内的高精度地图数据。另,所述预设范围内根据具体需求进行设定,可为3m、5m等。
环境图像是通过激光设备获取的,包括路面、天空、交通标识以及建筑物等点云数据。交通标识指用文字或符号传递引导、限制、警告或指示信息的道路设施。交通标识有多种,如车道线、交通标牌、路面标识以及路口警示灯等。
深度学习(DL,Deep Learning)是机器学习(ML,Machine Learning)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能(AI,ArtificialIntelligence)。深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。尤其是,在本申请中的应用可提高自动驾驶中地图更新效率,避免事故发生率。
上述地图更新方法,通过获取目标车辆在预设范围内的地图矢量图和环境图像,然后识别所述环境图像中的至少一种交通标识,并采用深度学习方法确定所述环境图像中的至少一种交通标识对应的信息,进而判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配,若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息。通过上述方法能够提高地图更新效率、精度以及安全性。
在其中一个实施例中,所述步骤S2包括:
步骤S211:若所述环境图像中的至少一种交通标识包括车道线,则利用车道线与环境道路的物理特征差异对所述环境图像进行分割处理,得到处理后的环境图像;
步骤S212:根据所述处理后的环境图像,确定所述环境图像中的车道线的位置、类型和颜色;
步骤S213:对所述处理后的环境图像进行二次曲线拟合,得到所述环境图像中的车道线的形状。
在步骤S211-S213中,由于图像中的车道线和其他线路存在差异,本申请采用车道线与其他线路的物理特征差异对图像进行进一步处理,可提取车道线,以确定车道线的属性,即位置、类型、形状和颜色。
在其中一个实施例中,所述步骤S3包括:
步骤S311:获取所述地图矢量图中的车道线的位置、类型、颜色和形状;
步骤S312:建立所述地图矢量图中的车道线的缓冲区,将所述车道线的缓冲区域所述环境图像中的车道线进行相交分析,对比所述地图矢量图中的车道线的位置与所述环境图像中的车道线的位置是否一致;
步骤S313:将所述地图矢量图中的车道线与所述环境图像中的车道线进行曲线相似性比较,对比所述地图矢量图中的车道线的形状与所述环境图像中的车道线的形状是否一致;
步骤S314:分别对比所述地图矢量图中的车道线的类型与所述环境图像中的车道线的类型是否一致,以及所述地图矢量图中的车道线的颜色与所述环境图像中的车道线的颜色是否一致。
在步骤S311-S314中,地图矢量图中的车道线可为多条,对每条车道线均建立缓冲区,其中,缓冲区的半径根据需求进行设定。
在其中一个实施例中,所述步骤S4包括:
步骤S411:若所述地图矢量图中的车道线的位置与所述环境图像中的车道线的位置,以及所述地图矢量图中的车道线的类型与所述环境图像中的车道线的类型,所述地图矢量图中的车道线的颜色与所述环境图像中的车道线的颜色,所述地图矢量图中的车道线的形状与所述环境图像中的车道线的形状中存在任意一项不一致的情况,则根据所述环境图像中的车道线的位置、类型、颜色和形状,更新所述地图矢量图中的交通标识的位置、类型、颜色和形状。
在其中一个实施例中,所述步骤S2包括:
步骤S221:若所述环境图像中的至少一种交通标识包括交通标牌,则获取所述环境图像中的交通标牌数据;
步骤S222:采用深度学习方法建立所述交通标牌识别模型,并根据所述交通标牌数据和交通标牌识别模型,确定所述环境图像中的交通标牌的位置和文本信息。
在步骤S221-S222中,交通标牌数据是通过图像融合处理技术获得的。
在其中一个实施例中,所述步骤S3包括:
步骤S321:获取所述地图矢量图中的交通标牌的位置和文本信息;
步骤S322:分别对比所述地图矢量图中的交通标牌的位置与所述环境图像中的交通标牌的位置是否一致,以及所述地图矢量图中的交通标牌的文本信息与所述环境图像中的交通标牌的文本信息是否一致,其中,所述交通标牌的位置比对采用GIS缓冲区分析和叠加分析的方法。
在步骤S321-S322中,缓冲区分析指空间实体的一种影响范围或服务范围,缓冲区分析的基本思想是给定一个空间实体或集合,确定它们的领域,领域的大小由领域半径来确定,包括点缓冲、线缓冲、面缓冲。叠加分析指将地图矢量图中的交通标牌与环境图像中的交通标牌进行叠加,以分析其是否重合。
在其中一个实施例中,所述步骤S4包括:
步骤S421:若所述地图矢量图中的交通标牌的位置与所述环境图像中的交通标牌的位置,以及所述地图矢量图中的交通标牌的文本信息与所述环境图像中的交通标牌的文本信息中存在任意一项不一致的情况,则根据所述环境图像中的交通标牌的位置和文本信息,更新所述地图矢量图中的交通标识的位置和文本信息。
在其中一个实施例中,所述步骤S2包括:
步骤S231:若所述环境图像中的至少一种交通标识包括路面标识,则获取所述环境图像中的路面标识数据;
步骤S232:采用深度学习方法建立所述路面标识识别模型,并根据所述路面标识数据和路面标识识别模型,确定所述环境图像中的交通标牌的位置、类型和文本信息。
在步骤S231-S232中,路面标识包括路面上导向箭头或者文字等对交通具有指导性作用的标识。
在其中一个实施例中,所述步骤S3包括:
步骤S331:获取所述地图矢量图中的路面标识的位置、类型和文本信息;
步骤S332:分别对比所述地图矢量图中的路面标识的位置与所述环境图像中的路面标识的位置是否一致,所述地图矢量图中的路面标识的类型与所述环境图像中的路面标识的类型是否一致,以及所述地图矢量图中的路面标识的文本信息与所述环境图像中的路面标识的文本信息是否一致。
在其中一个实施例中,所述步骤S4包括:
步骤S431:所述地图矢量图中的路面标识的位置与所述环境图像中的路面标识的位置,所述地图矢量图中的路面标识的类型与所述环境图像中的路面标识的类型,以及所述地图矢量图中的路面标识的文本信息与所述环境图像中的路面标识的文本信息中存在任意一项不一致的情况,则根据所述环境图像中的路面标识的位置、类型和文本信息,更新所述地图矢量图中的路面标识的位置、类型和文本信息。
在其中一个实施例中,所述步骤S2包括:
步骤S241:若所述环境图像中的至少一种交通标识包括警示灯标识,则获取所述环境图像中的警示灯标识数据;
步骤S242:采用深度学习方法建立所述警示灯标识识别模型,并根据所述警示灯标识数据和警示灯标识识别模型,确定所述警示灯标识的位置和警示灯颜色。
在步骤S241-S242中,警示灯标识数据采用图像融合技术获得。
在其中一个实施例中,所述步骤S3包括:
步骤S341:获取所述地图矢量图中的警示灯标识的位置和颜色;
步骤S342:分别对比所述地图矢量图中的警示灯标识的位置与所述环境图像中的警示灯标识的位置是否一致,以及所述地图矢量图中的警示灯标识的颜色与所述环境图像中的警示灯标识的颜色是否一致。
在其中一个实施例中,所述步骤S4包括:
步骤S441:所述地图矢量图中的警示灯标识的位置与所述环境图像中的警示灯标识的位置,以及所述地图矢量图中的警示灯标识的颜色与所述环境图像中的警示灯标识的颜色中存在任意一项不一致的情况,则根据所述环境图像中的警示灯标识的位置和颜色,更新所述地图矢量图中的警示灯标识的位置和颜色。
在其中一个实施例中,所述方法还包括:
步骤S5:若所述地图矢量图中不存在与所述环境图像中对应的交通标识,则将所述环境图像中的交通标识添加至所述地图矢量图中。
具体地,在将环境图像中的交通标识添加至地图矢量图之前还需对环境图像中的交通标识进行识别。如环境图像中存在车道线,而地图矢量图中不存在车道线,则需先对环境图像中的车道线进行识别,确定车道线的属性(形状、类型或颜色等),再将确定后的车道线添加至地图矢量图对应的位置。
在其中一个实施例中,所述方法还包括:
步骤S6:若所述地图矢量图中存在交通标识,且所述环境图像中不存在交通标识,则将所述地图矢量图中的交通标识删除。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种地图更新装置,包括:图像获取模块10、图像识别模块20、判断模块30和执行模块40,其中:
图像获取模块10,用于获取目标车辆在预设范围内的地图矢量图和环境图像;
图像识别模块20,用于识别所述环境图像中的至少一种交通标识,并采用深度学习方法确定所述环境图像中的至少一种交通标识对应的信息;
判断模块30,用于判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配;
执行模块40,用于若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息。
在其中一个实施例中,所述图像识别模块20包括:
图像分割模块2011,用于若所述环境图像中的至少一种交通标识包括车道线,则利用车道线与环境道路的物理特征差异对所述环境图像进行分割处理,得到处理后的环境图像;
车道线属性确定模块2012,用于根据所述处理后的环境图像,确定所述环境图像中的车道线的位置、类型和颜色;
曲线拟合模块2013,用于对所述处理后的环境图像进行二次曲线拟合,得到所述环境图像中的车道线的形状。
在其中一个实施例中,所述判断模块30包括:
车道线获取模块3011,用于获取所述地图矢量图中的车道线的位置、类型、颜色和形状;
车道线位置比对模块3012,用于建立所述地图矢量图中的车道线的缓冲区,将所述车道线的缓冲区域所述环境图像中的车道线进行相交分析,对比所述地图矢量图中的车道线的位置与所述环境图像中的车道线的位置是否一致;
车道线形状比对模块3013,用于将所述地图矢量图中的车道线与所述环境图像中的车道线进行曲线相似性比较,对比所述地图矢量图中的车道线的形状与所述环境图像中的车道线的形状是否一致;
车道线颜色与类型比对模块3014,用于分别对比所述地图矢量图中的车道线的类型与所述环境图像中的车道线的类型是否一致,以及所述地图矢量图中的车道线的颜色与所述环境图像中的车道线的颜色是否一致。
在其中一个实施例中,所述执行模块40包括:
车道线更新模块4011,用于若所述地图矢量图中的车道线的位置与所述环境图像中的车道线的位置,以及所述地图矢量图中的车道线的类型与所述环境图像中的车道线的类型,所述地图矢量图中的车道线的颜色与所述环境图像中的车道线的颜色,所述地图矢量图中的车道线的形状与所述环境图像中的车道线的形状中存在任意一项不一致的情况,则根据所述环境图像中的车道线的位置、类型、颜色和形状,更新所述地图矢量图中的交通标识的位置、类型、颜色和形状。
在其中一个实施例中,所述图像识别模块20包括:
交通标牌数据获取模块2021,用于若所述环境图像中的至少一种交通标识包括交通标牌,则获取所述环境图像中的交通标牌数据;
交通标牌属性确定模块2022,用于采用深度学习方法建立所述交通标牌识别模型,并根据所述交通标牌数据和交通标牌识别模型,确定所述环境图像中的交通标牌的位置和文本信息。
在其中一个实施例中,所述判断模块30包括:
交通标牌数据获取模块3021,用于获取所述地图矢量图中的交通标牌的位置和文本信息;
交通标牌属性比对模块3022,用于分别对比所述地图矢量图中的交通标牌的位置与所述环境图像中的交通标牌的位置是否一致,以及所述地图矢量图中的交通标牌的文本信息与所述环境图像中的交通标牌的文本信息是否一致,其中,所述交通标牌的位置比对采用GIS缓冲区分析和叠加分析的方法。
在其中一个实施例中,所述执行模块40包括:
交通标牌更新模块4021,用于若所述地图矢量图中的交通标牌的位置与所述环境图像中的交通标牌的位置,以及所述地图矢量图中的交通标牌的文本信息与所述环境图像中的交通标牌的文本信息中存在任意一项不一致的情况,则根据所述环境图像中的交通标牌的位置和文本信息,更新所述地图矢量图中的交通标识的位置和文本信息。
在其中一个实施例中,所述图像识别模块20包括:
路面标识数据获取模块2031,用于若所述环境图像中的至少一种交通标识包括路面标识,则获取所述环境图像中的路面标识数据;
路面标识属性确定模块2032,用于采用深度学习方法建立所述路面标识识别模型,并根据所述路面标识数据和路面标识识别模型,确定所述环境图像中的交通标牌的位置、类型和文本信息。
在其中一个实施例中,所述判断模块30包括:
路面标识属性获取模块3031,用于获取所述地图矢量图中的路面标识的位置、类型和文本信息;
路面标识属性对比模块3032,用于分别对比所述地图矢量图中的路面标识的位置与所述环境图像中的路面标识的位置是否一致,所述地图矢量图中的路面标识的类型与所述环境图像中的路面标识的类型是否一致,以及所述地图矢量图中的路面标识的文本信息与所述环境图像中的路面标识的文本信息是否一致。
在其中一个实施例中,所述执行模块40包括:
路面标识更新模块4031,用于所述地图矢量图中的路面标识的位置与所述环境图像中的路面标识的位置,所述地图矢量图中的路面标识的类型与所述环境图像中的路面标识的类型,以及所述地图矢量图中的路面标识的文本信息与所述环境图像中的路面标识的文本信息中存在任意一项不一致的情况,则根据所述环境图像中的路面标识的位置、类型和文本信息,更新所述地图矢量图中的路面标识的位置、类型和文本信息。
在其中一个实施例中,所述图像识别模块20包括:
警示灯标识数据获取模块2041,用于若所述环境图像中的至少一种交通标识包括警示灯标识,则获取所述环境图像中的警示灯标识数据;
警示灯标识属性确定模块2042,用于采用深度学习方法建立所述警示灯标识识别模型,并根据所述警示灯标识数据和警示灯标识识别模型,确定所述警示灯标识的位置和警示灯颜色。
在其中一个实施例中,所述判断模块30包括:
警示灯属性获取模块3041,用于获取所述地图矢量图中的警示灯标识的位置和颜色;
警示灯属性对比模块3042,用于分别对比所述地图矢量图中的警示灯标识的位置与所述环境图像中的警示灯标识的位置是否一致,以及所述地图矢量图中的警示灯标识的颜色与所述环境图像中的警示灯标识的颜色是否一致。
在其中一个实施例中,所述执行模块40包括:
警示灯标识更新模块4041,用于所述地图矢量图中的警示灯标识的位置与所述环境图像中的警示灯标识的位置,以及所述地图矢量图中的警示灯标识的颜色与所述环境图像中的警示灯标识的颜色中存在任意一项不一致的情况,则根据所述环境图像中的警示灯标识的位置和颜色,更新所述地图矢量图中的警示灯标识的位置和颜色。
在其中一个实施例中,所述方法还包括:
交通标识添加模块50,用于若所述地图矢量图中不存在与所述环境图像中对应的交通标识,则将所述环境图像中的交通标识添加至所述地图矢量图中。
在其中一个实施例中,所述方法还包括:
交通标识删除模块60,用于若所述地图矢量图中存在交通标识,且所述环境图像中不存在交通标识,则将所述地图矢量图中的交通标识删除。
关于地图更新装置的具体限定可以参见上文中对于地图更新方法的限定,在此不再赘述。上述地图更新装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种地图更新方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标车辆在预设范围内的地图矢量图和环境图像;
识别所述环境图像中的至少一种交通标识,并采用深度学习方法确定所述环境图像中的至少一种交通标识对应的信息;
判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配;
若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标车辆在预设范围内的地图矢量图和环境图像;
识别所述环境图像中的至少一种交通标识,并采用深度学习方法确定所述环境图像中的至少一种交通标识对应的信息;
判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配;
若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种地图更新方法,其特征在于,所述方法包括:
获取目标车辆在预设范围内的地图矢量图和环境图像;
识别所述环境图像中的至少一种交通标识,并采用深度学习方法确定所述环境图像中的至少一种交通标识对应的信息;
判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配;
若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息。
2.根据权利要求1所述的方法,其特征在于,所述识别所述环境图像中的至少一种交通标识,并采用深度学习方法确定所述环境图像中的至少一种交通标识对应的信息包括:
若所述环境图像中的至少一种交通标识包括车道线,则利用车道线与环境道路的物理特征差异对所述环境图像进行分割处理,得到处理后的环境图像;
根据所述处理后的环境图像,确定所述环境图像中的车道线的位置、类型和颜色;
对所述处理后的环境图像进行二次曲线拟合,得到所述环境图像中的车道线的形状;
优选地,所述判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配包括:
获取所述地图矢量图中的车道线的位置、类型、颜色和形状;
建立所述地图矢量图中的车道线的缓冲区,将所述车道线的缓冲区域所述环境图像中的车道线进行相交分析,对比所述地图矢量图中的车道线的位置与所述环境图像中的车道线的位置是否一致;
将所述地图矢量图中的车道线与所述环境图像中的车道线进行曲线相似性比较,对比所述地图矢量图中的车道线的形状与所述环境图像中的车道线的形状是否一致;
分别对比所述地图矢量图中的车道线的类型与所述环境图像中的车道线的类型是否一致,以及所述地图矢量图中的车道线的颜色与所述环境图像中的车道线的颜色是否一致;
优选地,所述若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息包括:
若所述地图矢量图中的车道线的位置与所述环境图像中的车道线的位置,以及所述地图矢量图中的车道线的类型与所述环境图像中的车道线的类型,所述地图矢量图中的车道线的颜色与所述环境图像中的车道线的颜色,所述地图矢量图中的车道线的形状与所述环境图像中的车道线的形状中存在任意一项不一致的情况,则根据所述环境图像中的车道线的位置、类型、颜色和形状,更新所述地图矢量图中的交通标识的位置、类型、颜色和形状。
3.根据权利要求1所述的方法,其特征在于,所述识别所述环境图像中的交通标识,并采用深度学习方法确定所述环境图像中的交通标识对应的信息包括:
若所述环境图像中的至少一种交通标识包括交通标牌,则获取所述环境图像中的交通标牌数据;
采用深度学习方法建立所述交通标牌识别模型,并根据所述交通标牌数据和交通标牌识别模型,确定所述环境图像中的交通标牌的位置和文本信息;
优选地,所述判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配包括:
获取所述地图矢量图中的交通标牌的位置和文本信息;
分别对比所述地图矢量图中的交通标牌的位置与所述环境图像中的交通标牌的位置是否一致,以及所述地图矢量图中的交通标牌的文本信息与所述环境图像中的交通标牌的文本信息是否一致,其中,所述交通标牌的位置比对采用GIS缓冲区分析和叠加分析的方法;
优选地,所述若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息包括:
若所述地图矢量图中的交通标牌的位置与所述环境图像中的交通标牌的位置,以及所述地图矢量图中的交通标牌的文本信息与所述环境图像中的交通标牌的文本信息中存在任意一项不一致的情况,则根据所述环境图像中的交通标牌的位置和文本信息,更新所述地图矢量图中的交通标识的位置和文本信息。
4.根据权利要求1所述的方法,其特征在于,所述识别所述环境图像中的交通标识,并采用深度学习方法确定所述环境图像中的交通标识对应的信息包括:
若所述环境图像中的至少一种交通标识包括路面标识,则获取所述环境图像中的路面标识数据;
采用深度学习方法建立所述路面标识识别模型,并根据所述路面标识数据和路面标识识别模型,确定所述环境图像中的交通标牌的位置、类型和文本信息;
优选地,所述判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配包括:
获取所述地图矢量图中的路面标识的位置、类型和文本信息;
分别对比所述地图矢量图中的路面标识的位置与所述环境图像中的路面标识的位置是否一致,所述地图矢量图中的路面标识的类型与所述环境图像中的路面标识的类型是否一致,以及所述地图矢量图中的路面标识的文本信息与所述环境图像中的路面标识的文本信息是否一致;
优选地,所述若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息包括:
所述地图矢量图中的路面标识的位置与所述环境图像中的路面标识的位置,所述地图矢量图中的路面标识的类型与所述环境图像中的路面标识的类型,以及所述地图矢量图中的路面标识的文本信息与所述环境图像中的路面标识的文本信息中存在任意一项不一致的情况,则根据所述环境图像中的路面标识的位置、类型和文本信息,更新所述地图矢量图中的路面标识的位置、类型和文本信息。
5.根据权利要求1所述的方法,其特征在于,所述识别所述环境图像中的交通标识,并采用深度学习方法确定所述环境图像中的交通标识对应的信息包括:
若所述环境图像中的至少一种交通标识包括警示灯标识,则获取所述环境图像中的警示灯标识数据;
采用深度学习方法建立所述警示灯标识识别模型,并根据所述警示灯标识数据和警示灯标识识别模型,确定所述警示灯标识的位置和警示灯颜色;
优选地,所述判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配包括:
获取所述地图矢量图中的警示灯标识的位置和颜色;
分别对比所述地图矢量图中的警示灯标识的位置与所述环境图像中的警示灯标识的位置是否一致,以及所述地图矢量图中的警示灯标识的颜色与所述环境图像中的警示灯标识的颜色是否一致;
优选地,所述若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息包括:
所述地图矢量图中的警示灯标识的位置与所述环境图像中的警示灯标识的位置,以及所述地图矢量图中的警示灯标识的颜色与所述环境图像中的警示灯标识的颜色中存在任意一项不一致的情况,则根据所述环境图像中的警示灯标识的位置和颜色,更新所述地图矢量图中的警示灯标识的位置和颜色。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述地图矢量图中不存在与所述环境图像中对应的交通标识,则将所述环境图像中的交通标识添加至所述地图矢量图中。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述地图矢量图中存在交通标识,且所述环境图像中不存在交通标识,则将所述地图矢量图中的交通标识删除。
8.一种地图更新装置,其特征在于,所述装置包括:
图像获取模块,用于获取目标车辆在预设范围内的地图矢量图和环境图像;
图像识别模块,用于识别所述环境图像中的至少一种交通标识,并采用深度学习方法确定所述环境图像中的至少一种交通标识对应的信息;
判断模块,用于判断所述地图矢量图中的至少一种交通标识对应的信息与环境图像中的至少一种交通标识对应的信息是否匹配;
执行模块,用于若不匹配,则根据所述环境图像中的交通标识对应的信息,更新所述地图矢量图中的交通标识对应的信息。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910852607.5A CN112241442B (zh) | 2019-09-10 | 2019-09-10 | 地图更新方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910852607.5A CN112241442B (zh) | 2019-09-10 | 2019-09-10 | 地图更新方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112241442A true CN112241442A (zh) | 2021-01-19 |
CN112241442B CN112241442B (zh) | 2024-02-27 |
Family
ID=74168237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910852607.5A Active CN112241442B (zh) | 2019-09-10 | 2019-09-10 | 地图更新方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112241442B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298001A (zh) * | 2021-06-02 | 2021-08-24 | 上海大学 | 一种基于车载摄像的沿街商铺识别与推荐系统及方法 |
CN113298910A (zh) * | 2021-05-14 | 2021-08-24 | 阿波罗智能技术(北京)有限公司 | 生成交通标志线地图的方法、设备和存储介质 |
CN114427876A (zh) * | 2021-12-15 | 2022-05-03 | 武汉中海庭数据技术有限公司 | 一种交通看板关联关系的自动化检查方法及系统 |
CN114579549A (zh) * | 2022-03-02 | 2022-06-03 | 北京百度网讯科技有限公司 | 信息核实方法、装置、电子设备、存储介质及产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100004022A (ko) * | 2008-07-02 | 2010-01-12 | 엠텍비젼 주식회사 | 도로 표지판을 이용한 네비게이션 장치, 시스템 및 방법 |
CN105973245A (zh) * | 2016-04-28 | 2016-09-28 | 百度在线网络技术(北京)有限公司 | 利用无人驾驶车辆更新在线地图的方法和装置 |
CN107560622A (zh) * | 2016-07-01 | 2018-01-09 | 板牙信息科技(上海)有限公司 | 一种基于行车图像导航的方法与设备 |
CN109669997A (zh) * | 2018-10-31 | 2019-04-23 | 百度在线网络技术(北京)有限公司 | 电子地图处理方法、设备及计算机可读存储介质 |
-
2019
- 2019-09-10 CN CN201910852607.5A patent/CN112241442B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100004022A (ko) * | 2008-07-02 | 2010-01-12 | 엠텍비젼 주식회사 | 도로 표지판을 이용한 네비게이션 장치, 시스템 및 방법 |
CN105973245A (zh) * | 2016-04-28 | 2016-09-28 | 百度在线网络技术(北京)有限公司 | 利用无人驾驶车辆更新在线地图的方法和装置 |
CN107560622A (zh) * | 2016-07-01 | 2018-01-09 | 板牙信息科技(上海)有限公司 | 一种基于行车图像导航的方法与设备 |
CN109669997A (zh) * | 2018-10-31 | 2019-04-23 | 百度在线网络技术(北京)有限公司 | 电子地图处理方法、设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
徐仙伟;曹霁;: "基于深度学习的交通标志识别算法", 计算机时代, no. 06 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298910A (zh) * | 2021-05-14 | 2021-08-24 | 阿波罗智能技术(北京)有限公司 | 生成交通标志线地图的方法、设备和存储介质 |
CN113298001A (zh) * | 2021-06-02 | 2021-08-24 | 上海大学 | 一种基于车载摄像的沿街商铺识别与推荐系统及方法 |
CN114427876A (zh) * | 2021-12-15 | 2022-05-03 | 武汉中海庭数据技术有限公司 | 一种交通看板关联关系的自动化检查方法及系统 |
CN114427876B (zh) * | 2021-12-15 | 2023-11-28 | 武汉中海庭数据技术有限公司 | 一种交通看板关联关系的自动化检查方法及系统 |
CN114579549A (zh) * | 2022-03-02 | 2022-06-03 | 北京百度网讯科技有限公司 | 信息核实方法、装置、电子设备、存储介质及产品 |
Also Published As
Publication number | Publication date |
---|---|
CN112241442B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112241442B (zh) | 地图更新方法、装置、计算机设备和存储介质 | |
CN109798903B (zh) | 一种从地图数据中获取道路信息的方法及装置 | |
CN110032181B (zh) | 语义地图中障碍物定位方法、装置、计算机设备和存储介质 | |
CN110457420B (zh) | 兴趣点位置识别方法、装置、设备及存储介质 | |
US8811748B2 (en) | Collaborative feature extraction system for three dimensional datasets | |
WO2022099511A1 (zh) | 基于点云数据的地面分割方法、装置和计算机设备 | |
CN113495940B (zh) | 道路区域校正装置、道路区域校正方法以及能够由计算机读取的记录介质 | |
CN111144304A (zh) | 车辆目标检测模型的生成方法、车辆目标检测方法及装置 | |
CN112001378B (zh) | 基于特征空间的车道线处理方法、装置、车载终端和介质 | |
CN111652057A (zh) | 地图构建方法、装置、计算机设备和存储介质 | |
CN111753592A (zh) | 交通标志识别方法、装置、计算机设备和存储介质 | |
CN113498511A (zh) | 测试场景仿真方法、装置、计算机设备和存储介质 | |
CN114998856A (zh) | 一种多相机图像的3d目标检测方法、装置、设备及介质 | |
CN113189989B (zh) | 车辆意图预测方法、装置、设备及存储介质 | |
KR101394425B1 (ko) | 지도 데이터 유지보수 장치 및 방법 | |
CN109344776B (zh) | 数据处理方法 | |
CN113963060B (zh) | 基于人工智能的车信图像处理方法、装置及电子设备 | |
CN112529116B (zh) | 场景元素融合处理方法、装置和设备及计算机存储介质 | |
CN111414804B (zh) | 识别框确定方法、装置、计算机设备、车辆和存储介质 | |
CN112507857A (zh) | 一种车道线更新方法、装置、设备及存储介质 | |
CN111291821A (zh) | 车辆重识别方法、装置、计算机设备和存储介质 | |
CN116796762B (zh) | 一种多源路网数据的处理方法、电子设备及存储介质 | |
CN111738051B (zh) | 点云处理方法、装置、计算机设备和存储介质 | |
CN111008672B (zh) | 样本提取方法、装置、计算机可读存储介质和计算机设备 | |
CN116720068A (zh) | 数据检索方法、装置、电子设备、存储介质和程序产品 |
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 | ||
CB02 | Change of applicant information |
Address after: 100176 floor 10, building 1, zone 2, yard 9, Taihe 3rd Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Beijing National New Energy Vehicle Technology Innovation Center Co.,Ltd. Address before: 100176 1705, block a, building 1, No. 10, Ronghua Middle Road, economic and Technological Development Zone, Daxing District, Beijing Applicant before: BEIJING NEW ENERGY VEHICLE TECHNOLOGY INNOVATION CENTER Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |