CN112883236B - 一种地图更新方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开公开了一种地图更新方法、装置、电子设备及存储介质，涉及电子地图技术。具体实现方案为：在待更新的地图上的每一个路段上采集N张车载图像；其中，N为大于1的自然数；基于在每一个路段上采集到的各个车载图像和各个车载图像对应的采集位置，确定出每一个路段对应的特征向量；将每一个路段对应的特征向量输入至预先训练好的神经网络中，得到神经网络输出的每一个路段的道路更新权重；其中，道路更新权重包括：第一更新权重和第二更新权重；基于每一个路段的道路更新权重，对待更新的地图进行更新。本申请实施例可以大幅地降低地图道路更新的采集范围，从而可以有效地提高地图道路更新的采集效率，保障地图道路的采集质量。

Description

一种地图更新方法、装置、电子设备及存储介质

技术领域

本公开涉及互联网技术领域，进一步涉及电子地图技术，尤其涉及一种地图更新方法、装置、电子设备及存储介质。

背景技术

随着位置服务和导航应用的发展，能否提供实时准确的路网数据已成为衡量地图服务水平高低的重要指标。地图道路采集主要是由驾驶员驾驶采集车辆，通过摄像机记录道路信息，并将图像信息和轨迹信息回传到服务器，然后利用图像识别和轨迹处理，提取交通要素并更新到数据库中。数据采集是整个路网数据生产的源头，其时效性和质量直接决定了路网数据的时效性和质量。数据采集的核心工作是不断提升采集效率，即不断提升单位里程下采集到的路网变化。

传统的地图道路采集是一种全量的采集模式，其主要手段为全量道路无差别覆盖。因此，传统的地图更新方法至少存在以下两个缺点：1)道路采集里程需求巨大。由于全量地图道路里程巨大，限定更新时效下全量采集模式消耗资源太大，采集效率低下；2)道路更新采集信息含量低。道路更新路段需要包含更多的信息量从而高置信度确认和历史数据不同，而传统的道路采集按照距离均匀采样，采集资料中拍摄道路要素容易过远或者角度不对，从而造成无法准确地识别在道路更新路段上采集到的图像。

发明内容

本申请提供了一种地图更新方法、装置、电子设备及存储介质。

根据本申请的第一方面，提供了一种地图更新方法，所述方法包括：

在待更新的地图上的每一个路段上采集N张车载图像；其中，N为大于1的自然数；

基于在每一个路段上采集到的各个车载图像和各个车载图像对应的采集位置，确定出每一个路段对应的特征向量；

将每一个路段对应的特征向量输入至预先训练好的神经网络中，得到所述神经网络输出的每一个路段的道路更新权重；其中，所述道路更新权重包括：第一道路更新权重和第二道路更新权重；

基于每一个路段的道路更新权重，对所述待更新的地图进行更新。

根据本申请的第二方面，提供了一种地图更新装置，所述装置包括：采集模块、确定模块、检测模块和更新模块；其中，

所述采集模块，用于在待更新的地图上的每一个路段上采集N张车载图像；其中，N为大于1的自然数；

所述确定模块，用于基于在每一个路段上采集到的各个车载图像和各个车载图像对应的采集位置，确定出每一个路段对应的特征向量；

所述检测模块，用于将每一个路段对应的特征向量输入至预先训练好的神经网络中，得到所述神经网络输出的每一个路段的道路更新权重；其中，所述道路更新权重包括：第一道路更新权重和第二道路更新权重；

所述更新模块，用于基于每一个路段的道路更新权重，对所述待更新的地图进行更新。

根据本申请的第三方面，提供了一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的地图更新方法。

根据本申请的第四方面，提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的地图更新方法。

根据本申请的第五方面，提供了一种计算机程序产品，当所述计算机程序产品被计算机设备执行时实现本申请任意实施例所述的地图更新方法。

根据本申请的技术解决了现有技术中由于全量的采集模式所导致的道路采集里程需求巨大以及道路更新采集信息含量低的技术问题，本申请提供的技术方案，可以大幅地降低地图道路更新的采集范围，从而可以有效地提高地图道路更新的采集效率，保障地图道路的采集质量。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请实施例提供的地图更新方法的第一流程示意图；

图2是本申请实施例提供的地图更新方法的第二流程示意图；

图3是本申请实施例提供的地图更新方法的第三流程示意图；

图4是本申请实施例提供的地图道路采集优化的效果图；

图5是本申请实施例提供的地图更新装置的结构示意图；

图6是本申请实施例提供的确定模块的结构示意图；

图7是用来实现本申请实施例的地图更新方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

实施例一

图1是本申请实施例提供的地图更新方法的第一流程示意图，该方法可以由地图更新装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，地图更新方法可以包括以下步骤：

S101、在待更新的地图上的每一个路段上采集N张车载图像；其中，N为大于1的自然数。

在本步骤中，电子设备可以在待更新的地图上的每一个路段上采集N张车载图像；其中，N为大于1的自然数。具体地，本申请可以预先确定出每一个路段上的N个采集位置；然后在每一个采集位置上拍摄一张车载图像，从而可以得到每一个路上的N张车载图像。

S102、基于在每一个路段上采集到的各个车载图像和各个车载图像对应的采集位置，确定出每一个路段对应的特征向量。

在本步骤中，电子设备可以基于在每一个路段上采集到的各个车载图像和各个车载图像对应的采集位置，确定出每一个路段对应的特征向量。具体地，电子设备可以先基于在每一个路段上采集到的各个车载图像，抽取每一个路段对应的图像特征；并基于在每一个路段上采集到的各个车载图像对应的采集位置，抽取每一个路段对应的轨迹特征；然后根据每一个路段对应的图像特征和每一个路段对应的轨迹特征以及预先获取到的每一个路段的基础信息，确定出每一个路段对应的特征向量。

S103、将每一个路段对应的特征向量输入至预先训练好的神经网络中，得到神经网络输出的每一个路段的道路更新权重；其中，道路更新权重包括：第一道路更新权重和第二道路更新权重。

在本步骤中，电子设备可以将每一个路段对应的特征向量输入至预先训练好的神经网络中，得到神经网络输出的每一个路段的道路更新权重；其中，道路更新权重包括：第一道路更新权重和第二道路更新权重。例如，第一道路更新权重可以为1；表示可以标注出交通要素，该路段需要更新；第二道路更新权重可以为0，表示无法标注出交通要素，该路段不需要更新。例如，一个限速标牌就是一个交通要素。在有些路段上收集到的影像可以拍摄到该要素，这些路段就被标注为1；否则，拍摄不到要素的路段就被标注为0。

S104、基于每一个路段的道路更新权重，对待更新的地图进行更新。

在本步骤中，电子设备可以基于每一个路段的道路更新权重，对待更新的地图进行更新。具体地，若某一个路段的道路更新权重为1，表示在待更新的地图上需要对该路段进行更新，此时电子设备可以基于在该路段上采集到的车载图像对待更新的地图进行更新；若某一个路段的道路更新权重为0，表示在待更新的地图上无需对该路段进行更新。

本申请实施例提出的地图更新方法，先在待更新的地图上的每一个路段上采集N张车载图像；然后基于在每一个路段上采集到的各个车载图像和各个车载图像对应的采集位置，确定出每一个路段对应的特征向量；再将每一个路段对应的特征向量输入至预先训练好的神经网络中，得到神经网络输出的每一个路段的道路更新权重；最后基于每一个路段的道路更新权重，对待更新的地图进行更新。也就是说，本申请在确定出每一个路段对应的特征向量之后，通过神经网络得到每一个路段的道路更新权重，从而可以基于每一个路段的道路更新权重对待更新的地图进行更新。而在现有的地图更新方法中，采用全量的采集模式，至少存在以下两个缺点：道路采集里程需求巨大和道路更新采集信息含量低。因为本申请采用了通过神经网络预测每一个路段的道路更新权重的技术手段，克服了现有技术中由于全量的采集模式所导致的道路采集里程需求巨大以及道路更新采集信息含量低的技术问题，本申请提供的技术方案，可以大幅地降低地图道路更新的采集范围，从而可以有效地提高地图道路更新的采集效率，保障地图道路的采集质量；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。

实施例二

图2是本申请实施例提供的地图更新方法的第二流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图2所示，地图更新方法可以包括以下步骤：

S201、在待更新的地图上的每一个路段上采集N张车载图像；其中，N为大于1的自然数。

S202、基于在每一个路段上采集到的各个车载图像，抽取每一个路段对应的图像特征；并基于在每一个路段上采集到的各个车载图像对应的采集位置，抽取每一个路段对应的轨迹特征。

在本步骤中，电子设备在抽取每一个路段对应的图像特征时，可以先将在每一个路段上采集到的各个车载图像分别输入至预先训练好的目标检测模型中，得到目标检测模型输出的各个车载图像中的交通要素标志信息；然后基于各个车载图像中的交通要素标志信息，确定出每一个路段对应的图像特征。此外，电子设备在抽取每一个路段对应的轨迹特征时，可以先根据在每一个路段上采集到的各个车载图像对应的采集位置，计算出每一个路段对应的采集序列轨迹；然后将每一个路段对应的采集序列轨迹与待更新的地图上的每一个路段进行匹配，得到每一个采集序列轨迹的匹配结果；再基于每一个采集序列轨迹的匹配结果，得到每一个路段对应的轨迹特征；其中，轨迹特征包括但不限于以下至少其中之一：道路热度、行车速度、距离道路中心线距离、距离道路距离、道路覆盖度、图像要素密集区覆盖度。

S203、根据每一个路段对应的图像特征和每一个路段对应的轨迹特征以及预先获取到的每一个路段的基础信息，确定出每一个路段对应的特征向量。

在本步骤中，电子设备可以根据每一个路段对应的图像特征和每一个路段对应的轨迹特征以及预先获取到的每一个路段的基础信息，确定出每一个路段对应的特征向量。具体地，电子设备可以将每一个路段对应的图像特征和每一个路段对应的轨迹特征进行融合，并结合预先获取到的每一个路段的基础信息，从而得到每一个路段对应的特征向量。

S204、将每一个路段对应的特征向量输入至预先训练好的神经网络中，得到神经网络输出的每一个路段的道路更新权重；其中，道路更新权重包括：第一道路更新权重和第二道路更新权重。

S205、基于每一个路段的道路更新权重，对待更新的地图进行更新。

本申请实施例提出的地图更新方法，先在待更新的地图上的每一个路段上采集N张车载图像；然后基于在每一个路段上采集到的各个车载图像和各个车载图像对应的采集位置，确定出每一个路段对应的特征向量；再将每一个路段对应的特征向量输入至预先训练好的神经网络中，得到神经网络输出的每一个路段的道路更新权重；最后基于每一个路段的道路更新权重，对待更新的地图进行更新。也就是说，本申请在确定出每一个路段对应的特征向量之后，通过神经网络得到每一个路段的道路更新权重，从而可以基于每一个路段的道路更新权重对待更新的地图进行更新。而在现有的地图更新方法中，采用全量的采集模式，至少存在以下两个缺点：道路采集里程需求巨大和道路更新采集信息含量低。因为本申请采用了通过神经网络预测每一个路段的道路更新权重的技术手段，克服了现有技术中由于全量的采集模式所导致的道路采集里程需求巨大以及道路更新采集信息含量低的技术问题，本申请提供的技术方案，可以大幅地降低地图道路更新的采集范围，从而可以有效地提高地图道路更新的采集效率，保障地图道路的采集质量；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。

实施例三

图3是本申请实施例提供的地图更新方法的第三流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图3所示，地图更新方法可以包括以下步骤：

S301、在待更新的地图上的每一个路段上采集N张车载图像；其中，N为大于1的自然数。

S302、将在每一个路段上采集到的各个车载图像分别输入至预先训练好的目标检测模型中，得到目标检测模型输出的各个车载图像中的交通要素标志信息。

S303、基于各个车载图像中的交通要素标志信息，确定出每一个路段对应的图像特征。

在本步骤中，电子设备可以基于各个车载图像中的交通要素标志信息，确定出每一个路段对应的图像特征。具体地，电子设备可以先基于各个车载图像中的交通要素标志信息，将每一个路段进行预分段，得到每一个路段中每一个预分段的识别结果；然后根据每一个路段中每一个预分段的识别结果，确定出每一个路段对应的图像特征。进一步地，电子设备主要应用图像深度学习目标检测算法从采集到的车载图像中提取交通要素标志信息；然后根据道路预分段，将交通要素标志的检测面积、个数等信息嵌入到道路预分段中；再利用归一化函数(sigmoid函数)对同一道路的不同分段进行归一化，然后离散为二值化区间；基于此区间的采集图像和轨迹的质量需要得到充分保障，将会作为轨迹特征抽取的重要特征。

S304、根据在每一个路段上采集到的各个车载图像对应的采集位置，计算出每一个路段对应的采集序列轨迹。

S305、将每一个路段对应的采集序列轨迹与待更新的地图上的每一个路段进行匹配，得到每一个采集序列轨迹的匹配结果。

S306、基于每一个采集序列轨迹的匹配结果，得到每一个路段对应的轨迹特征；其中，轨迹特征包括但不限于以下至少其中之一：道路热度、行车速度、距离道路中心线距离、距离道路距离、道路覆盖度、图像要素密集区覆盖度。

在本申请的具体实施例中，在利用图像信息之外，采集轨迹信息也被利用来采集分布特征。即轨迹经过绑路后，直接从轨迹信息中计算出多种初级特征，如道路热度、行车速度、距离道路中心线距离、距离道路距离、道路覆盖度、图像要素密集区覆盖度等特征。

S307、根据每一个路段对应的图像特征和每一个路段对应的轨迹特征以及预先获取到的每一个路段的基础信息，确定出每一个路段对应的特征向量。

S308、将每一个路段对应的特征向量输入至预先训练好的神经网络中，得到神经网络输出的每一个路段的道路更新权重；其中，道路更新权重包括：第一道路更新权重和第二道路更新权重。

S309、基于每一个路段的道路更新权重，对待更新的地图进行更新。

图4是本申请实施例提供的地图道路采集优化的效果图。如图4所示，左图中的各条道路均为地图道路更新待采集的任务，采用本申请提供的方案，右图中的填充黑色的部分则无需采集任务。因此本申请可以有力地保障地图道路更新的时效性和降低地图道路更新的成本。

较佳地，在本申请的具体实施例中，电子设备在待更新的地图上的每一个路段上采集N张车载图像之前，还可以预先对神经网络进行训练。具体地，若神经网络不满足预先设置的收敛条件，则电子设备可以在预先获取到的历史车载图像中提取出一张历史车载图像作为当前训练样本；然后使用当前训练样本对神经网络进行训练；重复执行上述操作，直到神经网络满足预先设置的收敛条件。

在本申请的具体实施例中，首次将地图道路更新采集问题建模为分类问题。在本申请所构建分类问题中，样本集合X为一段周期内地图道路完成采集资料制作的集合，真值集合Y为相同周期内地图道路完成制作的集合。该模型通过学习投入和产出之间的关联关系，可以有效度量地图道路的更新权重。基于该权重可以实现地图道路更新的高时效和低成本。该模型适用于标准地图、车道级地图和高精地图的更新采集。另外，本申请基于地图道路海量要素，空间聚类有效拍摄距离和拍摄角度。本申请所构建地图道路更新采集问题，本质为以地图道路要素为空间中心，针对历史海量序列图像识别结果，挖掘有效拍摄空间距离和有效拍摄空间角度，提升地图已有要素的采集质量；同时针对历史海量序列图像中无识别结果部分，实现降频采集，提高新增要素的性价比。此外，针对道路有效采集范围，通过轨迹特征融合，提前预估采集轨迹质量，有利于提高道路更新采集质量。本申请主要是基于道路更新采集的作业流程所构建，道路更新采集方法首先收集轨迹，根据轨迹质量然后再收集图像，现有方法主要基于人工经验的筛选，因此，采用本申请提供的技术方案，可以有针对性地提高轨迹质量筛选的效果，提高道路更新质量。

本申请实施例提出的地图更新方法，先在待更新的地图上的每一个路段上采集N张车载图像；然后基于在每一个路段上采集到的各个车载图像和各个车载图像对应的采集位置，确定出每一个路段对应的特征向量；再将每一个路段对应的特征向量输入至预先训练好的神经网络中，得到神经网络输出的每一个路段的道路更新权重；最后基于每一个路段的道路更新权重，对待更新的地图进行更新。也就是说，本申请在确定出每一个路段对应的特征向量之后，通过神经网络得到每一个路段的道路更新权重，从而可以基于每一个路段的道路更新权重对待更新的地图进行更新。而在现有的地图更新方法中，采用全量的采集模式，至少存在以下两个缺点：道路采集里程需求巨大和道路更新采集信息含量低。因为本申请采用了通过神经网络预测每一个路段的道路更新权重的技术手段，克服了现有技术中由于全量的采集模式所导致的道路采集里程需求巨大以及道路更新采集信息含量低的技术问题，本申请提供的技术方案，可以大幅地降低地图道路更新的采集范围，从而可以有效地提高地图道路更新的采集效率，保障地图道路的采集质量；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。

实施例四

图5是本申请实施例提供的地图更新装置的结构示意图。如图5所示，所述装置500包括：采集模块501、确定模块502、检测模块503和更新模块504；其中，

所述采集模块501，用于在待更新的地图上的每一个路段上采集N张车载图像；其中，N为大于1的自然数；

所述确定模块502，用于基于在每一个路段上采集到的各个车载图像和各个车载图像对应的采集位置，确定出每一个路段对应的特征向量；

所述检测模块503，用于将每一个路段对应的特征向量输入至预先训练好的神经网络中，得到所述神经网络输出的每一个路段的道路更新权重；其中，所述道路更新权重包括：第一道路更新权重和第二道路更新权重；

所述更新模块504，用于基于每一个路段的道路更新权重，对所述待更新的地图进行更新。

图6是本申请实施例提供的确定模块的结构示意图。如图6所示，所述确定模块502包括：抽取子模块5021和确定子模块5022；其中，

所述抽取子模块5021，用于基于在每一个路段上采集到的各个车载图像，抽取每一个路段对应的图像特征；并基于在每一个路段上采集到的各个车载图像对应的采集位置，抽取每一个路段对应的轨迹特征；

所述确定子模块5022，用于根据每一个路段对应的图像特征和每一个路段对应的轨迹特征以及预先获取到的每一个路段的基础信息，确定出每一个路段对应的特征向量。

进一步的，所述抽取子模块5021，具体用于将在每一个路段上采集到的各个车载图像分别输入至预先训练好的目标检测模型中，得到所述目标检测模型输出的各个车载图像中的交通要素标志信息；基于各个车载图像中的交通要素标志信息，确定出每一个路段对应的图像特征。

进一步的，所述抽取子模块5021，具体用于基于各个车载图像中的交通要素标志信息，将每一个路段进行预分段，得到每一个路段中每一个预分段的识别结果；根据每一个路段中每一个预分段的识别结果，确定出每一个路段对应的图像特征。

进一步的，所述抽取子模块5021，具体用于根据在每一个路段上采集到的各个车载图像对应的采集位置，计算出每一个路段对应的采集序列轨迹；将每一个路段对应的采集序列轨迹与所述待更新的地图上的每一个路段进行匹配，得到每一个采集序列轨迹的匹配结果；基于每一个采集序列轨迹的匹配结果，得到每一个路段对应的轨迹特征；其中，所述轨迹特征包括但不限于以下至少其中之一：道路热度、行车速度、距离道路中心线距离、距离道路距离、道路覆盖度、图像要素密集区覆盖度。

进一步的，所述装置还包括：训练模块505(图中未示出)，用于若所述神经网络不满足预先设置的收敛条件，则在预先获取到的历史车载图像中提取出一张历史车载图像作为当前训练样本；使用所述当前训练样本对所述神经网络进行训练；重复执行上述操作，直到所述神经网络满足所述预先设置的收敛条件。

上述地图更新装置可执行本申请任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任意实施例提供的地图更新方法。

实施例五

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如地图更新方法。例如，在一些实施例中，地图更新方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的地图更新方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行地图更新方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (12)

1.一种地图更新方法，所述方法包括：

在待更新的地图上的每一个路段上采集N张车载图像；其中，N为大于1的自然数；

基于在每一个路段上采集到的各个车载图像，抽取每一个路段对应的图像特征；并基于在每一个路段上采集到的各个车载图像对应的采集位置，抽取每一个路段对应的轨迹特征；根据每一个路段对应的图像特征和每一个路段对应的轨迹特征以及预先获取到的每一个路段的基础信息，确定出每一个路段对应的特征向量；其中，所述图像特征基于各个车载图像中的交通要素标志信息确定；所述轨迹特征包括但不限于以下至少其中之一：道路热度、行车速度、距离道路中心线距离、距离道路距离、道路覆盖度、图像要素密集区覆盖度；

将每一个路段对应的特征向量输入至预先训练好的神经网络中，得到所述神经网络输出的每一个路段的道路更新权重；其中，所述道路更新权重包括：第一道路更新权重和第二道路更新权重；所述第一道路更新权重表示可以标出交通要素，该路段需要更新；所述第二道路更新权重表示无法标注出交通要素，该路段不需要更新；

基于每一个路段的道路更新权重，对所述待更新的地图进行更新。

2.根据权利要求1所述的方法，所述基于在每一个路段上采集到的各个车载图像，抽取每一个路段对应的图像特征，包括：

将在每一个路段上采集到的各个车载图像分别输入至预先训练好的目标检测模型中，得到所述目标检测模型输出的各个车载图像中的交通要素标志信息；

基于各个车载图像中的交通要素标志信息，确定出每一个路段对应的图像特征。

3.根据权利要求2所述的方法，所述基于各个车载图像中的交通要素标志信息，确定出每一个路段对应的图像特征，包括：

基于各个车载图像中的交通要素标志信息，将每一个路段进行预分段，得到每一个路段中每一个预分段的识别结果；

根据每一个路段中每一个预分段的识别结果，确定出每一个路段对应的图像特征。

4.根据权利要求1所述的方法，所述基于在每一个路段上采集到的各个车载图像对应的采集位置，抽取每一个路段对应的轨迹特征，包括：

根据在每一个路段上采集到的各个车载图像对应的采集位置，计算出每一个路段对应的采集序列轨迹；

将每一个路段对应的采集序列轨迹与所述待更新的地图上的每一个路段进行匹配，得到每一个采集序列轨迹的匹配结果；

基于每一个采集序列轨迹的匹配结果，得到每一个路段对应的轨迹特征。

5.根据权利要求1所述的方法，在所述在待更新的地图上的每一个路段上采集N张车载图像之前，所述方法还包括：

若所述神经网络不满足预先设置的收敛条件，则在预先获取到的历史车载图像中提取出一张历史车载图像作为当前训练样本；

使用所述当前训练样本对所述神经网络进行训练；重复执行上述操作，直到所述神经网络满足所述预先设置的收敛条件。

6.一种地图更新装置，所述装置包括：采集模块、确定模块、检测模块和更新模块；其中，

所述采集模块，用于在待更新的地图上的每一个路段上采集N张车载图像；其中，N为大于1的自然数；

所述确定模块，用于基于在每一个路段上采集到的各个车载图像和各个车载图像对应的采集位置，确定出每一个路段对应的特征向量；其中，所述确定模块包括：抽取子模块和确定子模块；所述抽取子模块，用于基于在每一个路段上采集到的各个车载图像，抽取每一个路段对应的图像特征；并基于在每一个路段上采集到的各个车载图像对应的采集位置，抽取每一个路段对应的轨迹特征；所述确定子模块，用于根据每一个路段对应的图像特征和每一个路段对应的轨迹特征以及预先获取到的每一个路段的基础信息，确定出每一个路段对应的特征向量；其中，所述图像特征基于各个车载图像中的交通要素标志信息确定；所述轨迹特征包括但不限于以下至少其中之一：道路热度、行车速度、距离道路中心线距离、距离道路距离、道路覆盖度、图像要素密集区覆盖度；

所述检测模块，用于将每一个路段对应的特征向量输入至预先训练好的神经网络中，得到所述神经网络输出的每一个路段的道路更新权重；其中，所述道路更新权重包括：第一道路更新权重和第二道路更新权重；所述第一道路更新权重表示可以标出交通要素，该路段需要更新；所述第二道路更新权重表示无法标注出交通要素，该路段不需要更新；

所述更新模块，用于基于每一个路段的道路更新权重，对所述待更新的地图进行更新。

7.根据权利要求6所述的装置，所述抽取子模块，具体用于将在每一个路段上采集到的各个车载图像分别输入至预先训练好的目标检测模型中，得到所述目标检测模型输出的各个车载图像中的交通要素标志信息；基于各个车载图像中的交通要素标志信息，确定出每一个路段对应的图像特征。

8.根据权利要求7所述的装置，所述抽取子模块，具体用于基于各个车载图像中的交通要素标志信息，将每一个路段进行预分段，得到每一个路段中每一个预分段的识别结果；根据每一个路段中每一个预分段的识别结果，确定出每一个路段对应的图像特征。

9.根据权利要求6所述的装置，所述抽取子模块，具体用于根据在每一个路段上采集到的各个车载图像对应的采集位置，计算出每一个路段对应的采集序列轨迹；将每一个路段对应的采集序列轨迹与所述待更新的地图上的每一个路段进行匹配，得到每一个采集序列轨迹的匹配结果；基于每一个采集序列轨迹的匹配结果，得到每一个路段对应的轨迹特征。

10.根据权利要求6所述的装置，所述装置还包括：训练模块，用于若所述神经网络不满足预先设置的收敛条件，则在预先获取到的历史车载图像中提取出一张历史车载图像作为当前训练样本；使用所述当前训练样本对所述神经网络进行训练；重复执行上述操作，直到所述神经网络满足所述预先设置的收敛条件。

11. 一种电子设备，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，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。