CN112700464B - 地图信息的处理方法、装置、电子设备以及存储介质 - Google Patents
地图信息的处理方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN112700464B CN112700464B CN202110057238.8A CN202110057238A CN112700464B CN 112700464 B CN112700464 B CN 112700464B CN 202110057238 A CN202110057238 A CN 202110057238A CN 112700464 B CN112700464 B CN 112700464B
- Authority
- CN
- China
- Prior art keywords
- edge
- map element
- target map
- target
- determining
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24573—Query processing with adaptation to user needs using data annotations, e.g. user-defined metadata
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Library & Information Science (AREA)
- Computational Linguistics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请实施例公开了一种地图信息的处理方法、装置、电子设备以及存储介质,涉及人工智能、云技术、地图技术以及大数据等领域。该方法包括:获取待处理地图图像,确定待处理地图图像中的目标地图元素;对目标地图元素进行边缘检测,得到目标地图元素的边缘结构信息;基于边缘结构信息,确定目标地图元素的形状表征信息;基于形状表征信息,确定目标地图元素的各结构关键点;根据各结构关键点确定目标地图元素的标签。采用这种方式,利用目标地图元素的形状表征信息、以及各结构关键点来确定该目标地图元素的标签,进一步的,可以基于该目标地图元素的标签进行地图绘制,避免了通过人工的方式来绘制该目标地图元素,进而提高了地图绘制的效率。
Description
技术领域
本申请涉及人工智能、云技术、地图技术以及大数据等领域,尤其涉及一种地图信息的处理方法、装置、电子设备以及存储介质。
背景技术
目前,在绘制地图时,需要准确的知道地图中各个元素具体是什么,以便准确的绘制地图。一般方案中,采用的方式,是通过用户反馈,再经由人工作业,即人工手绘,才可以完成对地图中各个元素的绘制。
采用上述人工作业的方式,存在作业慢、成本高、效率低的问题。
因此,如何提升地图绘制的效率,成为亟需解决的问题。
发明内容
本申请实施例提供了一种地图信息的处理方法、装置、电子设备以及存储介质,通过目标地图元素的各结果关键点确定目标地图元素的标签,提高了绘制地图的效率。
一方面,本申请实施例提供一种地图信息的处理方法,该方法包括:
获取待处理地图图像,确定上述待处理地图图像中的目标地图元素;
对上述目标地图元素进行边缘检测,得到上述目标地图元素的边缘结构信息;
基于上述边缘结构信息,确定上述目标地图元素的形状表征信息;
基于上述形状表征信息,确定上述目标地图元素的各结构关键点;
根据上述各结构关键点确定上述目标地图元素的标签。
一方面,本申请实施例提供了一种地图信息的处理装置,该装置包括:
目标地图元素确定模块,用于获取待处理地图图像,确定上述待处理地图图像中的目标地图元素;
边缘结构信息处理模块,用于对上述目标地图元素进行边缘检测,得到上述目标地图元素的边缘结构信息;
形状表征信息处理模块,用于基于上述边缘结构信息,确定上述目标地图元素的形状表征信息;
结构关键点确定模块,用于基于上述形状表征信息,确定上述目标地图元素的各结构关键点;
目标地图元素标签确定模块,用于根据上述各结构关键点确定上述目标地图元素的标签。
在一种可选的实施例中,上述形状表征信息处理模块,用于:
基于上述边缘结构信息,确定上述目标地图元素的骨干架构信息,将上述骨干架构信息确定为上述目标地图元素的形状表征信息。
在一种可选的实施例中,上述边缘结构信息包括构成上述目标地图元素的边缘的各条边,上述形状表征信息处理模块,用于:
基于上述边缘的各条边,确定上述边缘结构信息的各边缘点;
基于各上述边缘点,确定各上述边缘点对应的泰森多边形;
基于上述泰森多边形,确定上述骨干架构信息。
在一种可选的实施例中,上述形状表征信息处理模块,用于:
对上述边缘的各条边中满足预设条件的相邻边进行合并处理,得到合并处理后的边缘,其中,上述满足预设条件的相邻边包括相邻边的夹角大于或等于第一阈值的相邻边;
基于合并处理后的边缘的各条边,确定上述边缘结构信息的各边缘点。
在一种可选的实施例中,上述形状表征信息包括上述目标地图元素的轮廓特征,上述轮廓特征包括构成上述目标地图元素对应的轮廓的各条边,上述结构关键点确定模块,用于:
确定上述轮廓的各条边中各相邻边之间的夹角;
基于各上述夹角对上述轮廓的各条边进行合并处理,得到合并处理后的上述轮廓的各条边;
基于合并处理后的上述轮廓的各条边,确定构成上述目标地图元素的各结构关键点。
在一种可选的实施例中,上述结构关键点确定模块,用于:
将各上述夹角中大于或等于第二阈值对应的上述轮廓的相邻边进行合并处理,得到合并处理后的上述轮廓的各条边;
按照各上述夹角由大到小的顺序,依次对上述轮廓的相邻边进行合并处理,得到合并处理后的上述轮廓的各条边。
在一种可选的实施例中,上述结构关键点确定模块,用于:
将合并处理后的上述轮廓的各条边上的各个点,确定为构成上述目标地图元素的各结构关键点。
在一种可选的实施例中,上述目标地图元素确定模块,用于:
对上述待处理地图图像进行目标检测,得到各初始对象区域;
将上述各初始对象区域与对象模板进行匹配,将上述各初始对象区域中与上述模板区域匹配的目标区域确定为上述目标地图元素。
在一种可选的实施例中,上述装置还包括目标道路处理模块,该目标道路处理模块,用于:
识别上述待处理图像中与上述目标地图元素关联的目标道路;
建立上述目标地图元素和上述目标道路之间的关联关系。
在一种可选的实施例中,上述目标道路处理模块,用于:
建立上述各结构关键点和上述目标道路之间的关联关系。
在一种可选的实施例中,上述目标地图元素包括天桥,若上述天桥包括工字型天桥,上述各结构关键点中包括至少两个第一结构关键点和至少四个第二结构关键点,上述第一结构关键点为空中点,上述第二结构关键点为地面点。
一方面,本申请实施例提供了一种电子设备,该电子设备包括处理器和存储器,该处理器和存储器相互连接;该存储器用于存储计算机程序;该处理器被配置用于在调用上述计算机程序时,执行上述地图信息的处理方法的任一种可能的实现方式提供的方法。
一方面,本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行以实现上地图信息的处理方法的任一种可能的实现方式提供的方法。
一方面,本申请实施例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。电子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地图信息的处理方法的任一种可能的实现方式提供的方法。
本申请实施例的有益效果在于:
在本申请实施例中,本申请实施例所提供的地图信息的处理方法、装置、电子设备及存储介质,对于待处理地图图像,先确定出该待处理地图图像中的目标地图元素,基于该目标地图元素的形状表征信息来确定该目标地图元素的各结构关键点,然后根据该各结构关键点确定该目标地图元素的标签。采用这种方式,可以利用目标地图元素的形状表征信息、以及各结构关键点来确定该目标地图元素的标签,进一步的,可以基于该目标地图元素的标签进行地图绘制,避免了通过人工的方式来绘制该目标地图元素,进而提高了地图绘制的效率。
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他的附图。
图1是本申请实施例提供的一种地图信息的处理系统的结构示意图;
图2a是本申请实施例提供的一种地图信息的处理方法的流程示意图;
图2b是本申请实施例提供的一种待处理地图图像中的目标地图元素的示意图;
图2c是本申请实施例提供的一种天桥的标签的示意图;
图2d是本申请实施例提供的另一种天桥的标签的示意图;
图2e是本申请实施例提供的又一种天桥的标签的示意图;
图3是本申请实施例提供的一种可选的骨干架构信息的示意图;
图4是本申请实施例提供的一种对边缘的各条边进行合并处理的原理示意图;
图5是本申请实施例提供的一种确定目标地图元素的原理示意图;
图6为本申请实施例提供的一种将目标地图元素与目标道路进行挂接的示意图;
图7是本申请实施例提供的一种地图信息的处理装置的结构示意图;
图8是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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。
本申请实施例提供的地图信息的处理方法涉及人工智能领域中的计算机视觉技术、机器学习等领域,以及云技术的多种领域,如云技术(Cloud technology)中的云计算、云服务,以及大数据领域中的相关数据计算处理领域。
人工智能(Artificial Intelligence,简称AI)是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。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision,简称CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
机器学习(Machine Learning,简称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。
云技术是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。本申请实施例所提供的地图信息的处理方法可基于云技术中的云计算(cloud computing)实现。
云计算是指通过网络以按需、易扩展的方式获得所需资源,是网格计算(GridComputing)、分布式计算(Distributed Computing)、并行计算(Parallel Computing)、效用计算(Utility Computing)、网络存储(Network Storage Technologies)、虚拟化(Virtualization)、负载均衡(Load Balance)等传统计算机和网络技术发展融合的产物。
人工智能云服务,一般也被称作是AIaaS(AIas a Service,AI即服务)。这是目前主流的一种人工智能平台的服务方式,具体来说AIaaS平台会把几类常见的人工智能服务进行拆分,并在云端提供独立或者打包的服务,如处理资源转换请求等。
大数据(Big data)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临,大数据也吸引了越来越多的关注。基于大数据需要特殊的技术,以有效地实施本实施例所提供的地图信息的处理方法,其中适用于大数据的技术,包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、以及上述云计算等。
作为一个示例,图1中示出了本申请实施例所适用的一种地图信息的处理系统的结构示意图,可以理解的是,本申请实施例所提供的地图信息的处理方法可以适用于但不限于应用于如图1所示的应用场景中。
本示例中,如图1所示,该示例中的地图信息的处理系统可以包括但不限于安装了应用程序的用户终端101、网络102和服务器103,用户终端101可以通过网络102与服务器103通信,用户终端101可通过网络102向服务器103反馈待处理地图图像。上述用户终端101中包括人机交互屏幕1011(应用程序的用户界面),处理器1012及存储器1013。人机交互屏幕1011用于用户通过该人机交互屏幕反馈待处理地图图像。处理器1012用于处理该用户的相关操作。存储器1013用于存储该待处理地图图像。服务器103包括的数据库1031和处理引擎1032。
如图1所示,本申请中的地图信息的处理方法的具体实现过程可以包括步骤S1-S5:
步骤S1,用户终端101通过网络102向服务器103发送用户反馈的待处理地图图像。
步骤S2,服务器103中的处理引擎1032获取待处理地图图像,确定上述待处理地图图像中的目标地图元素。
步骤S3,服务器103中的处理引擎1032对上述目标地图元素进行边缘检测,得到上述目标地图元素的边缘结构信息。
步骤S4,服务器103中的处理引擎1032基于上述边缘结构信息,确定上述目标地图元素的形状表征信息。
步骤S5,服务器103中的处理引擎1032基于上述形状表征信息,确定上述目标地图元素的各结构关键点。
步骤S6,服务器103中的处理引擎1032根据上述各结构关键点确定上述目标地图元素的标签。
其中,服务器103中的数据库1031用于存储步骤S2-S5中所产生的各种数据。
可理解,上述仅为一种示例,本实施例在此不作限定。
其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器或服务器集群。上述网络可以包括但不限于:有线网络,无线网络,其中,该有线网络包括:局域网、城域网和广域网,该无线网络包括:蓝牙、Wi-Fi及其他实现无线通信的网络。用户终端可以是智能手机(如Android手机、iOS手机等)、平板电脑、笔记本电脑、数字广播接收器、MID(Mobile InternetDevices,移动互联网设备)、PDA(个人数字助理)、台式计算机、车载终端(例如车载导航终端)、智能音箱、智能手表等,用户终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,但并不局限于此。具体也可基于实际应用场景需求确定,在此不作限定。
参见图2a,图2a是本申请实施例提供的一种地图信息的处理方法的流程示意图,该方法可以由任一电子设备执行,如可以是服务器,也可以是用户终端和服务器交互完成,可选的,可以由服务器执行,如图2a所示,本申请实施例提供的地图信息的处理方法包括如下步骤:
步骤S201,获取待处理地图图像,确定上述待处理地图图像中的目标地图元素。
步骤S202,对上述目标地图元素进行边缘检测,得到上述目标地图元素的边缘结构信息。
步骤S203,基于上述边缘结构信息,确定上述目标地图元素的形状表征信息。
步骤S204,基于上述形状表征信息,确定上述目标地图元素的各结构关键点。
步骤S205,根据上述各结构关键点确定上述目标地图元素的标签。
可选的,待处理地图图像可以为一种卫星图像,简称卫图,确切的说法是“卫星遥感图像,也叫卫星影像”。所谓遥感,即遥远地感知。卫星遥感即通过卫星在太空中探测地球地表物体对电磁波的反射和其发射的电磁波,从而提取这些物体的信息,完成远距离识别物体。将这些电波信息转换、识别得到的图像,即为卫星图。该待处理地图图像可经由用户反馈得到,也可通过其他渠道得到,本申请实施例中对该待处理地图图像的来源不作限定。
在获取到该待处理地图图像后,可以通过目标检测算法确定出该待处理地图图像中的目标地图元素。该目标地图元素可以理解为一种具有固定形状的建筑元素。例如,工字型的天桥等。如图2b所示,图2b是本申请实施例提供的一种待处理地图图像中的目标地图元素的示意图,图中所示的黑色部分为从待处理地图图像中所识别出的目标地图元素,该目标地图元素为天桥,其余未标注的部分为待处理地图图像中的其他建筑的示意图。可理解,图2b仅为一种示意性的卫星图像,并不代表真实的卫星图像的图像信息。
然后对该目标地图元素进行边缘检测,得到该目标地图元素的边缘结构信息。该边缘结构信息可以理解为该目标地图元素的外边缘(或称为外轮廓)和内边缘(或称为内轮廓)的结构信息。
然后,基于该边缘结构信息,确定出能够表征该目标地图元素的形状的形状表征信息。该形状表征信息可以为该目标地图元素的外边缘,也可以为该目标地图元素的内边缘。还可以基于该外边缘和内边缘,将处于该外边缘和内边缘之间的轮廓作为该形状表征信息,在此不作限定。例如,以该目标地图元素为天桥为例,假设该天桥为工字型的天桥,那么,该形状表征信息可以为基于该天桥的外边缘、内边缘、或者内边缘和外边缘之间的某条轮廓线所形成的工字型的形状。可理解,以上仅为一种示例,本实施在此不作任何限定。
按照上述方式可以得到该目标地图元素的形状表征信息,该形状表征信息中可以包括构成该目标地图元素的形状的各个点,可以从这些点中选择若干个具有代表性的关键点,作为该目标地图元素的各结构关键点。其中,该各结构关键点所连接成的形状能够表征该目标地图元素的形状。
然后,基于该各结构关键点,确定该目标地图元素的标签。在地图场景中,该标签可以理解为该目标地图元素的建筑等效图。
在一种可选的实施例中,上述目标地图元素包括天桥,若上述天桥包括工字型天桥,上述各结构关键点中包括至少两个第一结构关键点和至少四个第二结构关键点,上述第一结构关键点为空中点,上述第二结构关键点为地面点。
可选的,以该目标地图元素为天桥为例,说明该目标地图元素的标签,即天桥的标签。
参见图2c,图2c是本申请实施例提供的一种天桥的标签的示意图,如图2c所示,第一结构关键点为该天桥的空中点(如图中所示的黑色方块点),空中点所连接的线即为该天桥的主体部分,第二结构关键点为该天桥的地面点(如图中所示的黑色圆形点),用于表示该天桥与地面接触的位置。图2c中所示出的天桥,第一结构关键的数量为2个,第二结构关键的数量为4个,该天桥的标签即为各结构关键点连接形成的工字型的建筑等效图。
实际应用中,对第一结构关键点和第二结构点的数量不作限定,参见图2d,图2d是本申请实施例提供的另一种天桥的标签的示意图,如图2d所示,图中示意的该天桥的第一结构关键点(如图中所示的黑色方块点)的数量为3个,该第二结构关键(如图中所示的黑色圆形点)的数量为8个。
实际应用中,天桥的形状也可以不限定与工字型,参见图2e,图2e是本申请实施例提供的又一种天条的标签的示意图,图2e中所示的天桥,为连接在两条并列的道路中间的天桥,该天桥的第一结构关键点(如图中所示的黑色方块点)的数量为3个,第二结构关键点(如图中所示的黑色圆形点)的数量为6个。
可理解,以上仅为一种示例,本实施例在此不作任何限定。
通过本实施例,对于待处理地图图像,先确定出该待处理地图图像中的目标地图元素,基于该目标地图元素的形状表征信息来确定该目标地图元素的各结构关键点,然后根据该各结构关键点确定该目标地图元素的标签。采用这种方式,可以利用目标地图元素的形状表征信息、以及各结构关键点来确定该目标地图元素的标签,进一步的,可以基于该目标地图元素的标签进行地图绘制,以天桥为例,避免了通过人工的方式进行反馈,再进行人工作业,导致作业慢的问题,本申请实施例中,可以自动化的生成天桥,较之成本有了大幅的降低,且提高了地图绘制的效率。
在一种可选的实施例中,上述基于上述边缘结构信息,确定上述目标地图元素的形状表征信息,包括:
基于上述边缘结构信息,确定上述目标地图元素的骨干架构信息,将上述骨干架构信息确定为上述目标地图元素的形状表征信息。
可选的,在获取到目标地图元素的边缘结构信息之后,可以基于该边缘结构信息确定出该目标地图元素的骨干架构信息,例如,提取该边缘结构信息所构成的形状的中线部分的信息,将提取到的中线部分的信息作为骨干架构信息,然后将该骨干架构信息作为该目标地图元素的形状表征信息。
参见图3,图3是本申请实施例提供的一种可选的骨干架构信息的示意图,如图3所示,目标地图元素为天桥,边缘结构信息是该天桥的外边缘和内边缘的所形成的信息,可以基于该外边缘和内边缘形成的轮廓提取中线部分的信息,得到图中所示的骨干架构信息,即图中黑色的较粗的线所示意的部分。
通过本申请实施例,这种将目标地图元素的骨干架构信息作为目标地图元素的形状表征信息的方式,能够准确的描述该目标地图元素,提高了准确率。
在一种可选的实施例中,上述边缘结构信息包括构成上述目标地图元素的边缘的各条边,上述基于上述边缘结构信息,确定上述目标地图元素对应的形状表征信息,包括:
基于上述边缘的各条边,确定上述边缘结构信息的各边缘点;
基于各上述边缘点,确定各上述边缘点对应的泰森多边形;
基于上述泰森多边形,确定上述骨干架构信息。
可选的,实际应用中,提取到的目标地图元素的外边缘和内边缘可能是不规则的多边形,那么,边缘结构信息中可能会包括构成目标地图元素的边缘的各条边,可以基于这些边缘的各条边的端点确定出该边缘结构信息包括的各边缘点,然后基于这些离散的各边缘点确定这些边缘点对应的泰森多边形,基于该泰森多边形,确定骨干架构信息。
其中,基于这些离散的各边缘点确定这些边缘点对应的泰森多边形,基于该泰森多边形,确定骨干架构信息的具体步骤如下:
步骤1,提取目标地图元素的边缘,该边缘为原始形状;
步骤2,分割边缘以得到更均衡的边缘点,例如,以一定的长度分割该边缘,来得到各边缘点;
步骤3,提取各边缘点的坐标;
步骤4,如果存在过多冗余的点,可以使用Douglas-Peucker算法对由这些边缘点组成的边缘进行边缘简化,得到简化后的边缘;
步骤5,基于简化后的边缘上的各边缘点,建立泰森多边形;
步骤6,选取所有在原始形状内部的泰森多边形的边缘;
步骤7,将在原始形状内部的泰森多边形的边缘上的各线进行线平滑,将平滑后的边缘作为骨干架构信息。
其中,泰森多边形,是将简化后的边缘上的所有的边缘点连成三角形,作这些三角形各边的垂直平分线,于是每个边缘点周围的若干垂直平分线便围成一个多边形。泰森多边形每个顶点是每个三角形的外接圆圆心。泰森多边形也称为Voronoi图,或Dirichlet图。
泰森多边形的特性是:
1,每个泰森多边形内仅含有一个边缘点。
2,泰森多边形内的点到相应边缘点的距离最近。
3,位于泰森多边形边上的点到其两边的边缘点的距离相等。
也就是说,该泰森多边形是由一组由连接两邻点(即两个相邻的边缘点)直线的垂直平分线组成的连续多边形组成。N个在平面上有区别的点,按照最邻近原则划分平面;每个边缘点与它的最近邻区域相关联。首先要将离散的边缘点构成三角网。这种三角网称为Delaunay三角网。Delaunay三角形是由与相邻Voronoi多边形共享一条边的相关边缘点连接而成的三角形。
其中,Delaunay三角网的构建也称为不规则三角网的构建,就是由各边缘点构建三角网,确定哪三个边缘点构成一个三角形,也称为自动联接三角网。即对于平面上n个边缘点,其平面坐标为(xi,yi),i=1,2,…,n,将其中相近的三点构成最佳三角形,使每个边缘点都成为三角形的顶点。
具体地,建立泰森多边形算法的关键是对各边缘点合理地连成三角网,即构建Delaunay三角网。建立泰森多边形的步骤如下:
S1、各边缘点自动构建三角网,即构建Delaunay三角网。对各边缘点和形成的三角形编号,记录每个三角形是由哪三个边缘点构成的。
S2、找出与每个边缘点相邻的所有三角形的编号,并记录下来。只要在已构建的三角网中找出具有一个相同顶点的所有三角形即可。
S3、对与每个边缘点相邻的三角形按顺时针或逆时针方向排序,以便下一步连接生成泰森多边形。
S4、计算每个三角形的外接圆圆心,并记录。
S5、根据每个边缘点的相邻三角形,连接这些相邻三角形的外接圆圆心,即得到泰森多边形。对于三角网边缘的泰森多边形,可作垂直平分线与目标地图元素的轮廓(如目标地图元素的原始形状)相交,与目标地图元素的轮廓一起构成泰森多边形。
通过本申请实施例,可以基于泰森多边形来确定目标地图元素的骨干架构信息,提高了准确率。
在一种可选的实施例中,上述基于上述边缘的各条边,确定上述边缘结构信息的各边缘点,包括:
对上述边缘的各条边中满足预设条件的相邻边进行合并处理,得到合并处理后的边缘,其中,上述满足预设条件的相邻边包括相邻边的夹角大于或等于第一阈值的相邻边;
基于合并处理后的边缘的各条边,确定上述边缘结构信息的各边缘点。
可选的,对于目标地图元素的边缘结构信息所包括的目标地图元素的边缘的各条边,可以对这些边缘的各条边进行简化处理,去掉一些冗余的边。
具体地,可以对边缘的各条边中相邻边的夹角大于或等于第一阈值的相邻边进行合并处理,该第一阈值可以为140度、150度等,在此不作限定。将满足该预设条件的相邻边位于中间的顶点进行删除,合并为一条边,然后基于合并处理后的边缘的各条边,确定出边缘结构信息的各边缘点,即合并处理后的边缘的各边缘点。
参见图4,图4是本申请实施例提供的一种对边缘的各条边进行合并处理的原理示意图,如图4所示,虚线部分为目标地图元素的边缘的部分边,这些边缘的顶点为边缘点1、边缘点2、边缘点3、边缘点4,边缘点1、边缘点2和边缘点3构成的相邻边之间的夹角为角1,边缘点2、边缘点3和边缘点4构成的相邻边之间的夹角为角2,该角1和角2的大小大于第一阈值,可以将边缘点2和边缘点3进行删除,将边缘点1和边缘点4连接,形成合并处理后的边缘的各边缘点。图中只示出了部分边,对于其他的边的处理,原理相同。
通过本申请实施例,可以通过对目标地图元素的边缘的各条边进行合并处理,可以精简边缘,进而得到合并处理后的边缘的各条边,来确定出边缘结构信息的各边缘点,能够精简信息,避免信息冗余。
在一种可选的实施例中,上述形状表征信息包括上述目标地图元素的轮廓特征,上述轮廓特征包括构成上述目标地图元素对应的轮廓的各条边,上述基于上述形状表征信息,确定构成上述目标地图元素的各结构关键点,包括:
确定上述轮廓的各条边中各相邻边之间的夹角;
基于各上述夹角对上述轮廓的各条边进行合并处理,得到合并处理后的上述轮廓的各条边;
基于合并处理后的上述轮廓的各条边,确定构成上述目标地图元素的各结构关键点。
可选的,目标地图元素的形状表征信息包括该目标地图元素的轮廓特征,该轮廓特征包括构成该目标地图元素对应的轮廓的各条边,也就是构成该目标地图元素的骨干架构的各条边。
确定该目标地图元素的各结构关键点的具体步骤如下:
步骤1,确定出该轮廓的各条边的各相邻边之间的各夹角。
步骤2,基于各夹角对该轮廓的各条边进行合并处理,可以得到合并处理后的该轮廓的各条边。
其中,在进行合并处理时,可以采用Douglas-Peucker算法对该轮廓的各条边进行边缘简化,得到合并处理后的该轮廓的各条边。
步骤3,然后,基于合并处理后的该轮廓的各条边的各个顶点,从中确定出构成该目标地图元素的各结构关键点。
例如,可将合并处理后的该轮廓的各条边的对应的全部的各个顶点,作为该目标地图元素的各结构关键点。或者,也可以从合并处理后的该轮廓的各条边的对应的全部的各个顶点中选择出最具代表性的几个结构关键点作为该目标地图元素的各结构关键点。以目标地图元素为天桥为例,该各结构关键点可以参考前文中对图2c-图2e的描述,在此不再赘述。
通过本实施例,可以对目标地图元素的轮廓进行合并处理,得到合并处理后的轮廓,减少了信息的冗余性。
在一种可选的实施例中,上述基于各上述夹角对上述轮廓的各条边进行合并处理,得到合并处理后的上述轮廓的各条边,至少包括以下之一:
将各上述夹角中大于或等于第二阈值对应的上述轮廓的相邻边进行合并处理,得到合并处理后的上述轮廓的各条边;
按照各上述夹角由大到小的顺序,依次对上述轮廓的相邻边进行合并处理,得到合并处理后的上述轮廓的各条边。
可选的,在对目标地图元素的轮廓进行合并处理时,可以按照以下方式中的至少一种实现。
方式1:对于轮廓的各条边中各相邻边之间的各夹角,可以将这些夹角中大于或等于第二阈值(如160度、170度等)对应的相邻边进行合并处理,即对于满足大于或等于第二阈值的相邻边,将该相邻边的公共顶点进行删除,然后将剩余的顶点进行连接,将该相邻边合并为一条新的边。
方式2:可以将该轮廓的各条边中各相邻边之间的各夹角进行排序,按照各夹角由大到小的顺序,依次删除相邻边的公共顶点,直到剩余的顶点的数量满足要求。以目标地图元素为工字型天桥为例,由于该工字型天桥为标准天桥,该工字型天桥的组成点数为6个,因而可以使用Douglas-Peucker算法进行边缘简化,依次计算该天桥的轮廓对应的多边形每个角的夹角,并进行由大到小的排序,从大角开始,依次删除夹角的顶点,直至剩余6个点为止。进一步的,在一示例中,可以将至少连接两条边的点确定为空中点;只连接其中一条边的点确定为地面点。
通过本申请实施例,可以通过轮廓的各条边的相邻边对应的各夹角,对轮廓进行合并处理,高效快捷,提高了效率。
在一种可选的实施例中,上述基于合并处理后的上述轮廓的各条边,确定构成上述目标地图元素的各结构关键点,包括:
将合并处理后的上述轮廓的各条边上的各个点,确定为构成上述目标地图元素的各结构关键点。
可选的,可以直接将目标地图元素对应的合并处理后的轮廓的各条边上的各个点,确定为构成该目标地图元素的各结构关键点。
通过本申请实施例,这种直接将合并处理后的轮廓的各条边对应的各个点确定为各结构关键点的方式,方便快捷,提高了处理效率。
在一种可选的实施例中,上述确定上述待处理地图图像中的目标地图元素,包括:
对上述待处理地图图像进行目标检测,得到各初始对象区域;
将上述各初始对象区域与对象模板进行匹配,将上述各初始对象区域中与上述模板区域匹配的目标区域确定为上述目标地图元素。
可选的,可选的,可以通过对待处理地图图像进行目标检测的方式,得到各个初始对象区域,然后将该得到的各初始对象区域与目标地图元素对应的对象模板进行匹配,并将各初始对象区域中能够与对象模板匹配的目标区域确定为目标地图元素。在匹配时,可以通过计算各初始对象区域与对象模板的相似度的方式,将相似度大于一定阈值(如90%等)的目标区域确定为目标地图元素。
其中,以目标地图元素为天桥为例,说明确定目标地图元素的具体实现过程,具体步骤如下:
步骤1,使用检测分割模型(MaskR-CNN),使用卫星图像(即待处理地图图像)作为输入,输出该卫星图像对应的检测框(目标区域对应的检测框)和分类结果;
步骤2,基于检测框和分类结果,将检出的目标区域分为两类,一类为标准天桥,即漏出完成的四脚天桥;剩余的天桥为另外一个类别,即漏出不完整,或者脚数多余四脚的天桥。
其中,在对检测分割模型(MaskR-CNN)进行训练时,由于卫星图像数据大,因而会产生大量的假阳性(将非天桥的区域划分为天桥),此时,可以将这些假阳性作为负例,训练该检测分割模型(MaskR-CNN),降低该检测分割模型(MaskR-CNN)出现假阳性的情况,提高训练精度,进而提高检测精度。
参见图5,图5是本申请实施例提供的一种确定目标地图元素的原理示意图,如图5所示,将待处理地图图像输入至卷积神经网络(Convolutional Neural Networks,简称CNN)CNN网络进行处理,然后通过区域生成网络(RegionProposal Network,简称RPN)进行处理,得到该待处理地图图像对应的特征图(featuremap),并对得到的特征图进行目标检测特殊层(RoIAlign layer)的处理,得到固定尺寸的特征图(fixed size feature map),然后对固定尺寸的特征图进行掩模(maskbranch)处理,以及全连接层(fullyconnectedlayers)的处理,得到该待处理地图图像对应的检测框(boxregression)和分类结果(classification)。其中,该检测框对应的图像区域即为目标区域,该目标区域即为目标地图元素。
可理解,以上仅为一种示例,本实施例在此不作任何限定。
通过本申请实施例,可以通过目标检测的方式,从待处理地图图像中确定出目标地图元素,高效准确,提高了准确率。
在一种可选的实施例中,上述方法还包括:
识别上述待处理图像中与上述目标地图元素关联的目标道路;
建立上述目标地图元素和上述目标道路之间的关联关系。
可选的,以目标地图元素为天桥为例,在实际应用中,天桥都是架设在道路上方便行人通行的,因此,可以从待处理地图图像中确定出与该目标地图元素相关联的目标道路,并建立该目标道路与目标地图元素之间的关联关系。
具体地,可以使用道路自动挂接算法实现建立目标道路与目标地图元素之间的关联关系,以目标地图元素为天桥为例,具体实现过程如下:
步骤1,如果天桥对应的检测框覆盖了多条平行道路,可以将该天桥默认挂接到最外侧的两条道路上。
参见图6,图6为本申请实施例提供的一种将目标地图元素与目标道路进行挂接的示意图,图6所示的天桥覆盖了两条目标道路,可以将该天桥与图中所示的黑色三角形进行挂接,建立该天桥与这两条目标道路之间的关联关系。在实际应用中,当用户进行导航时,可以将该挂接点作为用户从天桥走下去的位置点,等等,在此不作任何限定。
步骤2,如果天桥对应的检测框覆盖了多条复杂道路,即多条不完全平行的道路,可以将该天桥的挂接作业由人工来完成。
在一种可选的实施例中,上述建立上述目标地图元素和上述目标道路之间的关联关系,包括:
建立上述各结构关键点和上述目标道路之间的关联关系。
可选的,在建立该目标地图元素和目标道路之间的关联关系时,可以直接将确定好的该目标地图元素的各结构关键点与目标道路建立关联关系。
通过本申请实施例,由于待处理地图图像中的各个元素互相之间是具有联系的,通过建立待处理地图图像中的目标道路和目标地图元素之间的关联关系,为后续更好的使用该地图奠定了基础,并减少了人工标注的成本,不仅节约了人力成本,而且提高了绘制地图的效率。
参见图7,图7是本申请实施例提供的一种地图信息的处理装置的结构示意图。本申请实施例提供的地图信息的处理装置1包括:
目标地图元素确定模块11,用于获取待处理地图图像,确定上述待处理地图图像中的目标地图元素;
边缘结构信息处理模块12,用于对上述目标地图元素进行边缘检测,得到上述目标地图元素的边缘结构信息;
形状表征信息处理模块13,用于基于上述边缘结构信息,确定上述目标地图元素的形状表征信息;
结构关键点确定模块14,用于基于上述形状表征信息,确定上述目标地图元素的各结构关键点;
目标地图元素标签确定模块15,用于根据上述各结构关键点确定上述目标地图元素的标签。
在一种可选的实施例中,上述形状表征信息处理模块,用于:
基于上述边缘结构信息,确定上述目标地图元素的骨干架构信息,将上述骨干架构信息确定为上述目标地图元素的形状表征信息。
在一种可选的实施例中,上述边缘结构信息包括构成上述目标地图元素的边缘的各条边,上述形状表征信息处理模块,用于:
基于上述边缘的各条边,确定上述边缘结构信息的各边缘点;
基于各上述边缘点,确定各上述边缘点对应的泰森多边形;
基于上述泰森多边形,确定上述骨干架构信息。
在一种可选的实施例中,上述形状表征信息处理模块,用于:
对上述边缘的各条边中满足预设条件的相邻边进行合并处理,得到合并处理后的边缘,其中,上述满足预设条件的相邻边包括相邻边的夹角大于或等于第一阈值的相邻边;
基于合并处理后的边缘的各条边,确定上述边缘结构信息的各边缘点。
在一种可选的实施例中,上述形状表征信息包括上述目标地图元素的轮廓特征,上述轮廓特征包括构成上述目标地图元素对应的轮廓的各条边,上述结构关键点确定模块,用于:
确定上述轮廓的各条边中各相邻边之间的夹角;
基于各上述夹角对上述轮廓的各条边进行合并处理,得到合并处理后的上述轮廓的各条边;
基于合并处理后的上述轮廓的各条边,确定构成上述目标地图元素的各结构关键点。
在一种可选的实施例中,上述结构关键点确定模块,用于:
将各上述夹角中大于或等于第二阈值对应的上述轮廓的相邻边进行合并处理,得到合并处理后的上述轮廓的各条边;
按照各上述夹角由大到小的顺序,依次对上述轮廓的相邻边进行合并处理,得到合并处理后的上述轮廓的各条边。
在一种可选的实施例中,上述结构关键点确定模块,用于:
将合并处理后的上述轮廓的各条边上的各个点,确定为构成上述目标地图元素的各结构关键点。
在一种可选的实施例中,上述目标地图元素确定模块,用于:
对上述待处理地图图像进行目标检测,得到各初始对象区域;
将上述各初始对象区域与对象模板进行匹配,将上述各初始对象区域中与上述模板区域匹配的目标区域确定为上述目标地图元素。
在一种可选的实施例中,上述装置还包括目标道路处理模块,该目标道路处理模块,用于:
识别上述待处理图像中与上述目标地图元素关联的目标道路;
建立上述目标地图元素和上述目标道路之间的关联关系。
在一种可选的实施例中,上述目标道路处理模块,用于:
建立上述各结构关键点和上述目标道路之间的关联关系。
在一种可选的实施例中,上述目标地图元素包括天桥,若上述天桥包括工字型天桥,上述各结构关键点中包括至少两个第一结构关键点和至少四个第二结构关键点,上述第一结构关键点为空中点,上述第二结构关键点为地面点。
在本申请实施例中,本申请实施例所提供的地图信息的处理方法、装置、电子设备及存储介质,对于待处理地图图像,先确定出该待处理地图图像中的目标地图元素,基于该目标地图元素的形状表征信息来确定该目标地图元素的各结构关键点,然后根据该各结构关键点确定该目标地图元素的标签。采用这种方式,可以利用目标地图元素的形状表征信息、以及各结构关键点来确定该目标地图元素的标签,进一步的,可以基于该目标地图元素的标签进行地图绘制,避免了通过人工的方式来绘制该目标地图元素,进而提高了地图绘制的效率。
具体实现中,上述地图信息的处理装置1可通过其内置的各个功能模块执行如上述图2中各个步骤所提供的实现方式,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
上文主要介绍说明了执行主体为硬件,来实施本申请中的地图信息的处理方法,但是本申请的地图信息的处理方法的执行主体并不仅限于硬件,本申请中的地图信息的处理方法的执行主体还可以为软件,上述地图信息的处理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),例如,该地图信息的处理装置和/或信息推荐装置为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。
在一些实施例中,本发明实施例提供的地图信息的处理装置和/或信息推荐装置可以采用软硬件结合的方式实现,作为示例,本发明实施例提供的地图信息的处理装置和/或信息推荐装置可以是采用硬件译码处理器形式的处理器,其被编程以执行本发明实施例提供的地图信息的处理方法,例如,硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,ComplexProgrammable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable GateArray)或其他电子元件。
在另一些实施例中,本发明实施例提供的地图信息的处理装置和/或信息推荐装置可以采用软件方式实现,图7示出的地图信息的处理装置1,其可以是程序和插件等形式的软件,并包括一系列的模块,包括目标地图元素确定模块11、边缘结构信息处理模块12、形状表征信息处理模块13、结构关键点确定模块14和目标地图元素标签确定模块15用于实现本发明实施例提供的地图信息的处理方法。
参见图8,图8是本申请实施例提供的一种电子设备的结构示意图。如图8所示,本实施例中的电子设备1000可以包括:处理器1001,网络接口1004和存储器1005,此外,上述电子设备1000还可以包括:用户接口1003,和至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏(Display)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1004可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图8所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图8所示的电子设备1000中,网络接口1004可提供网络通讯功能;而用户接口1003主要用于为用户提供输入的接口;而处理器1001可以用于调用存储器1005中存储的计算机程序。
应当理解,在一些可行的实施方式中,上述处理器1001可以是中央处理单元(central processing unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor,DSP)、专用集成电路(application specific integratedcircuit,ASIC)、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
具体实现中,上述电子设备1000可通过其内置的各个功能模块执行如上述图2、图5中各个步骤所提供的实现方式,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,被处理器执行以实现图2中各个步骤所提供的方法,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
上述计算机可读存储介质可以是前述任一实施例提供的任务处理装置的内部存储单元,例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备,例如该电子设备上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(secure digital,SD)卡,闪存卡(flash card)等。上述计算机可读存储介质还可以包括磁碟、光盘、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(randomaccess memory,RAM)等。进一步地,该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例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。电子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图2中任一种可能的实施方式所提供的方法。
本申请的权利要求书和说明书及附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (13)
1.一种地图信息的处理方法,其特征在于,包括:
获取待处理地图图像,确定所述待处理地图图像中的目标地图元素;
对所述目标地图元素进行边缘检测,得到所述目标地图元素的边缘结构信息;
基于所述边缘结构信息,确定所述目标地图元素的形状表征信息;
基于所述形状表征信息,确定所述目标地图元素的各结构关键点;
根据所述各结构关键点确定所述目标地图元素的标签;
识别待处理图像中与所述目标地图元素关联的目标道路;
建立所述目标地图元素和所述目标道路之间的关联关系。
2.根据权利要求1所述的方法,其特征在于,所述基于所述边缘结构信息,确定所述目标地图元素的形状表征信息,包括:
基于所述边缘结构信息,确定所述目标地图元素的骨干架构信息,将所述骨干架构信息确定为所述目标地图元素的形状表征信息。
3.根据权利要求2所述的方法,其特征在于,所述边缘结构信息包括构成所述目标地图元素的边缘的各条边,所述基于所述边缘结构信息,确定所述目标地图元素对应的形状表征信息,包括:
基于所述边缘的各条边,确定所述边缘结构信息的各边缘点;
基于各所述边缘点,确定各所述边缘点对应的泰森多边形;
基于所述泰森多边形,确定所述骨干架构信息。
4.根据权利要求3所述的方法,其特征在于,所述基于所述边缘的各条边,确定所述边缘结构信息的各边缘点,包括:
对所述边缘的各条边中满足预设条件的相邻边进行合并处理,得到合并处理后的边缘,其中,所述满足预设条件的相邻边包括相邻边的夹角大于或等于第一阈值的相邻边;
基于合并处理后的边缘的各条边,确定所述边缘结构信息的各边缘点。
5.根据权利要求1至4任一项中所述的方法,其特征在于,所述形状表征信息包括所述目标地图元素的轮廓特征,所述轮廓特征包括构成所述目标地图元素对应的轮廓的各条边,所述基于所述形状表征信息,确定构成所述目标地图元素的各结构关键点,包括:
确定所述轮廓的各条边中各相邻边之间的夹角;
基于各所述夹角对所述轮廓的各条边进行合并处理,得到合并处理后的所述轮廓的各条边;
基于合并处理后的所述轮廓的各条边,确定构成所述目标地图元素的各结构关键点。
6.根据权利要求5所述的方法,其特征在于,所述基于各所述夹角对所述轮廓的各条边进行合并处理,得到合并处理后的所述轮廓的各条边,至少包括以下之一:
将各所述夹角中大于或等于第二阈值对应的所述轮廓的相邻边进行合并处理,得到合并处理后的所述轮廓的各条边;
按照各所述夹角由大到小的顺序,依次对所述轮廓的相邻边进行合并处理,得到合并处理后的所述轮廓的各条边。
7.根据权利要求5所述的方法,其特征在于,所述基于合并处理后的所述轮廓的各条边,确定构成所述目标地图元素的各结构关键点,包括:
将合并处理后的所述轮廓的各条边上的各个点,确定为构成所述目标地图元素的各结构关键点。
8.根据权利要求1至4任一项中所述的方法,其特征在于,所述确定所述待处理地图图像中的目标地图元素,包括:
对所述待处理地图图像进行目标检测,得到各初始对象区域;
将所述各初始对象区域与对象模板进行匹配,将所述各初始对象区域中与所述对象模板匹配的目标区域确定为所述目标地图元素。
9.根据权利要求1至4中任一项所述的方法,其特征在于,所述建立所述目标地图元素和所述目标道路之间的关联关系,包括:
建立所述各结构关键点和所述目标道路之间的关联关系。
10.根据权利要求1至4任一项中所述的方法,其特征在于,所述目标地图元素包括天桥,若所述天桥包括工字型天桥,所述各结构关键点中包括至少两个第一结构关键点和至少四个第二结构关键点,所述第一结构关键点为空中点,所述第二结构关键点为地面点。
11.一种地图信息的处理装置,其特征在于,所述装置包括:
目标地图元素确定模块,用于获取待处理地图图像,确定所述待处理地图图像中的目标地图元素;
边缘结构信息处理模块,用于对所述目标地图元素进行边缘检测,得到所述目标地图元素的边缘结构信息;
形状表征信息处理模块,用于基于所述边缘结构信息,确定所述目标地图元素的形状表征信息;
结构关键点确定模块,用于基于所述形状表征信息,确定所述目标地图元素的各结构关键点;
目标地图元素标签确定模块,用于根据所述各结构关键点确定所述目标地图元素的标签;
目标道路处理模块,用于识别待处理图像中与所述目标地图元素关联的目标道路,建立所述目标地图元素和所述目标道路之间的关联关系。
12.一种电子设备,其特征在于,包括处理器和存储器,所述处理器和存储器相互连接;
所述存储器用于存储计算机程序;
所述处理器被配置用于在调用所述计算机程序时,执行如权利要求1至10任一项中所述的方法。
13.一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存储有计算机程序,所述计算机程序被处理器执行以实现权利要求1至10任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110057238.8A CN112700464B (zh) | 2021-01-15 | 2021-01-15 | 地图信息的处理方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110057238.8A CN112700464B (zh) | 2021-01-15 | 2021-01-15 | 地图信息的处理方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112700464A CN112700464A (zh) | 2021-04-23 |
CN112700464B true CN112700464B (zh) | 2022-03-29 |
Family
ID=75515318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110057238.8A Active CN112700464B (zh) | 2021-01-15 | 2021-01-15 | 地图信息的处理方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700464B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066917B (zh) * | 2021-11-11 | 2022-08-05 | 深圳市云鼠科技开发有限公司 | 一种清扫方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726255A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院光电研究院 | 从三维激光点云数据中提取感兴趣建筑物的方法 |
CN106096497A (zh) * | 2016-05-28 | 2016-11-09 | 安徽省(水利部淮河水利委员会)水利科学研究院 | 一种针对多元遥感数据的房屋矢量化方法 |
CN111339846A (zh) * | 2020-02-12 | 2020-06-26 | 深圳市商汤科技有限公司 | 图像识别方法及装置、电子设备和存储介质 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877055A (zh) * | 2009-12-07 | 2010-11-03 | 北京中星微电子有限公司 | 一种关键特征点定位的方法和装置 |
WO2012000530A1 (en) * | 2010-07-02 | 2012-01-05 | Elektrobit Automotive Gmbh | Provision of database objects for destination search by a navigation device |
CN104504444B (zh) * | 2014-12-29 | 2017-06-16 | 东南大学 | 一种利用人工地物稀疏形状点自动生成地物轮廓的方法 |
CN106980633B (zh) * | 2016-01-19 | 2020-12-15 | 阿里巴巴(中国)有限公司 | 室内地图数据的生成方法及装置 |
CN105844629B (zh) * | 2016-03-21 | 2018-12-18 | 河南理工大学 | 一种大场景城市建筑物立面点云自动分割方法 |
CN106548479B (zh) * | 2016-12-06 | 2019-01-18 | 武汉大学 | 一种多层次激光点云建筑物边界规则化方法 |
CN107917710B (zh) * | 2017-11-08 | 2021-03-16 | 武汉大学 | 一种基于单线激光的室内实时定位与三维地图构建方法 |
US10823562B1 (en) * | 2019-01-10 | 2020-11-03 | State Farm Mutual Automobile Insurance Company | Systems and methods for enhanced base map generation |
CN109903304B (zh) * | 2019-02-25 | 2021-03-16 | 武汉大学 | 一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法 |
CN110516539A (zh) * | 2019-07-17 | 2019-11-29 | 苏州中科天启遥感科技有限公司 | 基于对抗网络的遥感影像建筑物提取方法、系统、存储介质及设备 |
CN111105695B (zh) * | 2019-12-31 | 2022-11-25 | 智车优行科技(上海)有限公司 | 地图制作方法、装置、电子设备及计算机可读存储介质 |
CN111325684B (zh) * | 2020-02-01 | 2022-04-26 | 武汉大学 | 一种半自动高空间分辨率遥感影像不同形状建筑物提取方法 |
CN112102198A (zh) * | 2020-09-17 | 2020-12-18 | 广州虎牙科技有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN112052839B (zh) * | 2020-10-10 | 2021-06-15 | 腾讯科技(深圳)有限公司 | 图像数据处理方法、装置、设备以及介质 |
-
2021
- 2021-01-15 CN CN202110057238.8A patent/CN112700464B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726255A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院光电研究院 | 从三维激光点云数据中提取感兴趣建筑物的方法 |
CN106096497A (zh) * | 2016-05-28 | 2016-11-09 | 安徽省(水利部淮河水利委员会)水利科学研究院 | 一种针对多元遥感数据的房屋矢量化方法 |
CN111339846A (zh) * | 2020-02-12 | 2020-06-26 | 深圳市商汤科技有限公司 | 图像识别方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112700464A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304835B (zh) | 文字检测方法和装置 | |
Grilli et al. | A review of point clouds segmentation and classification algorithms | |
Xu et al. | Unsupervised segmentation of point clouds from buildings using hierarchical clustering based on gestalt principles | |
CN112101165A (zh) | 兴趣点识别方法、装置、计算机设备和存储介质 | |
Iqbal et al. | Coconut trees detection and segmentation in aerial imagery using mask region‐based convolution neural network | |
Velho et al. | Mathematical optimization in computer graphics and vision | |
JP2023527615A (ja) | 目標対象検出モデルのトレーニング方法、目標対象検出方法、機器、電子機器、記憶媒体及びコンピュータプログラム | |
CN113762044A (zh) | 道路识别方法、装置、计算机设备和存储介质 | |
CN112396701A (zh) | 卫星图像的处理方法、装置、电子设备和计算机存储介质 | |
Dehbi et al. | Robust and fast reconstruction of complex roofs with active sampling from 3D point clouds | |
CN112700464B (zh) | 地图信息的处理方法、装置、电子设备以及存储介质 | |
Xu et al. | Building height calculation for an urban area based on street view images and deep learning | |
CN111105435B (zh) | 标志物匹配方法、装置及终端设备 | |
Jiang et al. | Extracting 3-D structural lines of building from ALS point clouds using graph neural network embedded with corner information | |
CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
CN112667864B (zh) | 图对齐方法、装置、电子设备及存储介质 | |
CN116052175A (zh) | 文字检测方法、电子设备、存储介质及计算机程序产品 | |
CN117011692A (zh) | 一种道路识别的方法以及相关装置 | |
CN114332599A (zh) | 图像识别方法、装置、计算机设备、存储介质和产品 | |
Jiao et al. | Individual building rooftop and tree crown segmentation from high-resolution urban aerial optical images | |
Vaidya et al. | Detecting Buildings from Remote Sensing Imagery: Unleashing the Power of YOLOv5 and YOLOv8 | |
CN114419338B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN117011413B (zh) | 道路图像重建方法、装置、计算机设备和存储介质 | |
CN117649530B (zh) | 基于语义级拓扑结构的点云特征提取方法、系统及设备 | |
CN117808873B (zh) | 冗余道路检测方法、装置、电子设备及存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40042955 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |