CN113091757B - 地图生成方法和装置 - Google Patents
地图生成方法和装置 Download PDFInfo
- Publication number
- CN113091757B CN113091757B CN201911343925.5A CN201911343925A CN113091757B CN 113091757 B CN113091757 B CN 113091757B CN 201911343925 A CN201911343925 A CN 201911343925A CN 113091757 B CN113091757 B CN 113091757B
- Authority
- CN
- China
- Prior art keywords
- isolation zone
- candidate
- zone information
- information
- isolation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000002955 isolation Methods 0.000 claims abstract description 281
- 238000012937 correction Methods 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 abstract description 7
- 238000012549 training Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
- G09B29/10—Map spot or coordinate position indicators; Map reading aids
- G09B29/106—Map spot or coordinate position indicators; Map reading aids using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
- Instructional Devices (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种地图生成方法和装置，涉及计算机技术领域中的智能交通技术领域，其中，方法包括：获取与目标道路对应的街景图像；将街景图像输入预设的深度学习模型，获取与街景图像对应的候选隔离带数据，其中，候选隔离带数据包括候选隔离带信息及其对应的概率；根据预设的修正策略和概率修正候选隔离带信息，获取目标隔离带信息；在包含目标道路的地图底图上，标注目标隔离带信息对应的图标以生成地图。由此，实现了对地图上的隔离带信息的精准标注，提高了地图的导航性能。
Description
技术领域
本申请涉及数据处理技术中的智能交通技术领域，尤其涉及一种地图生成方法和装置。
背景技术
随着计算机技术的发展，电子地图越来越被用户需要，相关技术中，地图用过简单的线路标识来引导用户出行，线路标识主要对应于道路以及行进方向等。
然而，在实际出行过程中，为了保证安全，对地图的精细化服务要求越来越高，现在仅仅集中在道路本身信息的地图表示，难以满足精细化需求。
发明内容
本申请的第一个目的在于提出一种地图生成方法。
本申请的第二个目的在于提出一种地图生成装置。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种存储有计算机指令的非瞬时计算机可读存储介质。
为达上述目的，本申请第一方面实施例提出了一种地图生成方法，包括：获取与目标道路对应的街景图像；将所述街景图像输入预设的识别模型，获取与所述街景图像对应的候选隔离带数据，其中，所述候选隔离带数据包括候选隔离带信息及其对应的概率；根据预设的修正策略和所述概率修正所述候选隔离带信息，获取目标隔离带信息；在包含所述目标道路的地图底图上，标注所述目标隔离带信息对应的图标以生成地图。
为达上述目的，本申请第二方面实施例提出了一种地图生成装置，包括：第一获取模块，用于获取与目标道路对应的街景图像；第二获取模块，用于将所述街景图像输入预设的识别模型，获取与所述街景图像对应的候选隔离带数据，其中，所述候选隔离带数据包括候选隔离带信息及其对应的概率；第三获取模块，用于根据预设的修正策略和所述概率修正所述候选隔离带信息，获取目标隔离带信息；生成模块，用于在包含所述目标道路的地图底图上，标注所述目标隔离带信息对应的图标以生成地图。
为达上述目的，本申请第三方面实施例提出了一种电子设备，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上述实施例描述的地图生成方法。
为达上述目的，本申请第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述实施例描述的地图生成方法。
为达上述目的，本申请第五方面实施例提出了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述实施例描述的地图生成方法的步骤。
上述申请中的一个实施例具有如下优点或有益效果：
获取与目标道路对应的街景图像，将街景图像输入预设的识别模型，获取与街景图像对应的候选隔离带数据，其中，候选隔离带数据包括候选隔离带信息及其对应的概率，根据预设的修正策略和概率修正候选隔离带信息，获取目标隔离带信息，进而，在包含目标道路的地图底图上，标注目标隔离带信息对应的图标以生成地图。由此，实现了对地图上的隔离带信息的精准标注，提高了地图的导航性能。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
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是根据本申请第一实施例的地图生成方法的流程图；
图2是根据本申请第二实施例的地图生成方法的场景示意图；
图3是根据本申请第三实施例的地图生成方法的流程图；
图4是根据本申请第四实施例的地图生成方法的场景示意图；
图5是根据本申请第五实施例的地图生成方法的场景示意图；
图6是根据本申请第六实施例的地图生成装置的结构示意图；
图7是根据本申请第七实施例的地图生成装置的结构示意图；以及
图8是用来实现本申请实施例的地图生成方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。
下面参考附图描述本申请实施例的地图生成的有效性识别方法和装置。
为了提高地图的精细化服务，本申请实施例中，提出了一种识别隔离带信息，并将隔离带信息显示在地图上的精细化地图生成方式。其中，隔离带包括绿化带、栅栏等道路上起到隔离作用的实物，或者是黄线等虚拟隔离带信息。
具体而言，如图1是根据本申请一个实施例的地图生成方法的流程图，如图1所示，该方法包括：
步骤101，获取与目标道路对应的街景图像。
具体的，为了准确识别隔离带信息，根据拍摄的街景图像来作为目标道路的图像。比如，可以根据预设的采集间隔来采集街景图像，该采集间隔可以是时间间隔，也可以是道路距离间隔。
其中，为了保证拍摄的结晶图像可以涵盖目标道路的隔离带图像，可以根据当前目标道路的行进方向(南直、北直行等)以及道路类型(主路还是辅路等)，确定街景拍摄参数，该拍摄参数包括采集街景图像的车辆的前进方向MoveDir,拍摄滚动角Roll，拍摄视场角Fov，根据街景拍摄参数拍摄街景图像。
之所以采用上述方式来拍摄街景图像，是由于隔离带设置方式和道路行进方向以及道路类型有关，比如，如图2所示，当主路间隔离带会在行进方向的左侧，而主辅路之间的隔离带会在主路行进方向的右侧，辅路行进方向的左侧，为了保证通过街景数据截取到道路两侧，确定对应的街景拍摄参数以尽可能多的截取最近采集的街景数据，当然，在实际采集街景图像的过程中，需要保证相邻的街景图的采集时间不能间隔太久，并且保证上下两个街景点路边的数据能够连接(不丢失道路的一些特征信息)。
在实际拍摄过程中，为了避免采集的街景图像中包括多余的天空场景和地面场景图像，还可以根据目标道路的宽度等设置街景拍摄参数，保证采集的视角范围不包含太多的噪点信息。
步骤102，将街景图像输入预设的识别模型，获取与街景图像对应的候选隔离带数据，其中，候选隔离带数据包括候选隔离带信息及其对应的概率。
可以理解，预先设置的识别模型可以为预先训练深度学习模型，该深度学习模型在训练阶段，可以输入人工标注的样本街景图像，根据输出的结果与标注信息的比对结果循环训练该深度学习模型，其中，为了避免训练的模型出现过拟合的情况，保证预先输入的人工标准的样本覆盖多种类型的隔离带信息，针对每一个类型的隔离带信息的比对结果进行模型训练，当根据某个类型的比对结果确定出模型对应的准确率较低时，可以补充该类型的样本街景图像进行模型的训练。当然，为了进一步提高模型的鲁棒性，还可以针对不同的光照条件、路面条件等确定样本街景图像。
具体的，在深度学习模型训练完成后，将街景图像输入到该预设的深度学习模型，获取与街景图像对应的隔离带数据，其中，候选隔离带数据包括候选隔离带信息及其对应的概率，候选隔离带信息可包括隔离带类型、隔离带位置等，上述概率对应于该隔离带信息的置信度，概率越高，置信度越高。
当然，在本申请一个示例中，也可以通过卷积神经网络模型作为预先训练的模型，模型训练依托Paddle深度学习平台，采用卷积神经网络进行模型训练。从训练样本中随机抽取多条道路的样本隔离带数据进行模型训练。每训练完一个训练样本后，利用卷积神经网络模型模型进行测试集精度评估，分析模型精度变化趋势。如果卷积神经网络的精度无明显提升，则停止训练，并进行卷积神经网络的精度分析，添加样本隔离带数据，迭代提升卷积神经网络的精度。
步骤103，根据预设的修正策略和概率修正候选隔离带信息，获取目标隔离带信息。
具体的，深度学习模型输出的候选隔离带数据仅仅作为一个参考，这是由于街景图像在采集时，可能存在摄像头采集视线的遮挡等问题，因此，根据预设的修正策略和概率修成候选隔离带信息，获取目标隔离带信息。
需要说明的是，在不同的应用场景下，根据预设的修正策略和概率修正候选隔离带信息，获取目标隔离带信息的方式不同，示例说明如下：
在本示例中，当候选隔离带信息包括多个候选隔离带信息时，如图3所示，上述步骤103包括：
步骤201，确定多个候选隔离带信息中每个候选隔离带信息的置信度。
具体的，确定每个候选隔离带信息的置信度，以便于获知该隔离带信息是否可以被采纳。
作为一种可能的示例，正如以上分析的，候选隔离带信息包括隔离带类型，因而，根据每个候选隔离带信息中的隔离带类型，将多个候选隔离带信息划分为至少一个隔离带集合，其中，至少一个隔离带集合中的每个隔离带集合中的候选隔离带类型相同，进而，确定每个隔离带集合中包括的候选隔离带信息的数量，根据数量确定每个隔离带集合中包括的每个候选隔离带信息的置信度。
容易理解的是，在道路上，尤其是高速公路上，道路一侧的隔离带类型通常是一致的，因而，在本实施例中，根据隔离带类型对应的数量确定候选隔离带信息的置信度，其中，可以计算数量与总的候选隔离带信息的数量的比值，根据预先建立的比值和置信度的关系，确定候选隔离带信息的置信度。比如，若是一条目标道路上识别到的候选隔离带信息为10个，其中7个为绿化带，3个为栅栏，则认为绿化带类型的候选隔离带信息置信度较高。
当然，在本示例中，候选隔离带信息对应的概率同样具有重要的参考意义，因此，可以确定每个隔离带集合中包括的所有候选隔离带信息的概率均值，根据均值修正置信度，比如，当确定概率均值较大，则根据预设的对应关系确定该概率均值对应的置信度增加值，进而，在该概率均值的基础上加上该置信度增加值作为最后的置信度增加值，在本示例中，为了避免某些噪声参数的影响，还可以去除每个隔离带集合中所有候选隔离带信息的概率中的最大值和最小值之后取概率均值。
在本示例中，在根据数量确定每个隔离带集合中包括的每个候选隔离带信息的置信度之前，还可以确定每个隔离带信息对应的隔离带位置，根据隔离带位置确定候选隔离带信息连续相邻的数量，根据连续相邻的数量修正置信度。也就是说，在本示例中，当有连续多个候选隔离带信息的隔离带类型相同，则认为其为可信的，比如，可以建立数量和置信度增加值的对应关系，从而，在置信度的基础上加上对应的置信度增加值作为最后的置信度。
举例而言，如图4所示，继续以上述示例为基础，当目标道路上识别到的候选隔离带信息为10个，其中7个为绿化带，3个为栅栏，但是其中3个栅栏是相邻的隔离带信息，则认为该栅栏置信度较高，从而，在置信度的基础上增加一定值作为最后的置信度。
在实际执行过程中，本示例中，根据隔离带类型的隔离带位置的相邻修置信度时，也可以结合相邻的候选隔离带信息的概率计算，其中，计算方式可以为连续相邻的候选隔离带信息的概率的均值，确定置信度增加值，在置信度的基础上加上对应的置信度增加值作为最后的置信度。
步骤202，判断是否包含置信度大于第一预设阈值的第一候选隔离带信息，以及置信度小于等于第二预设阈值的第二候选隔离带信息，其中，第二预设阈值小于第一预设阈值。
具体的，在确定置信度后，判断是否包含置信度大于第一预设阈值的第一候选隔离带信息，以及置信度小于等于第二预设阈值的第二候选隔离带信息，其中，第二预设阈值小于第一预设阈值。
步骤203，若包含第一候选隔离带信息以及第二候选隔离带信息，则将第二候选隔离带信息中的候选隔离带类型，修正为与第一候选隔离带信息对应的候选隔离带类型。
具体的，若是包含第一候选隔离带信息以及第二候选隔离带信息，则将第二候选隔离带信息中的候选隔离带类型，修正为与第一候选隔离带信息对应的候选隔离带类型，由此，避免了个别噪点的影响。比如，当目标道路上识别到的候选隔离带信息为10个，其中7个为绿化带，3个为栅栏，3个栅栏的置信度比较低，则将栅栏修改为绿化带。
在本申请的一个实施例中，若是不包含第一候选隔离带信息，仅仅包括第二候选隔离带信息，则可提醒用户人工复核第二候选隔离带信息是否正确，若是包含第一候选隔离带信息，但是不包含第二候选隔离带信息，则保留原有的所有的候选隔离带信息。
作为另一种可能的示例，正如以上示例提到的，候选隔离带信息中还包括隔离带位置，该隔离带位置可以为坐标位置，也可以是相对目标道路的位置，获取在与候选隔离带数据对应的参考隔离带数据，其中，参考隔离带数据是在与目标道路相邻的道路上获取的，其中，该相邻的道路与目标道路的关系可以是上下行关系，从而，获取在同样的隔离带位置下，候选隔离带数据中的候选隔离带信息，和参考隔离带数据中参考隔离带信息是否一致，确定不一致的候选隔离带信息，并判断比较不一致的候选带信息的概率，是否大于等于对应的参考隔离带信息的概率，若大于等于，则将不一致的候选隔离带信息修正为对应的参考隔离带信息，也就是说，在本实施例中，针对同样隔离带位置下，目标道路和相邻道路识别出的隔离带信息，采用概率较高的隔离带信息。
举例而言，如图5所示，针对目标道路A和与目标道路对流的相邻道路B，若是目标道路A中的候选隔离带信息a1与在同样隔离带位置下的参考隔离带信息b1不一致，且a1的概率为20％,b1的概率为80％，则将a1的隔离带类型修改为b1对应的隔离带类型。
步骤104，在包含目标道路的地图底图上，标注目标隔离带信息对应的图标以生成地图。
具体的，在确定目标隔离带信息后，在包含目标道路的地图底图上，标准目标隔离带信息对应的图标，其中，图标可以为预先设置的与目标隔离带信息对应的隔离带类型对应的标准图标，举例而言，在地图上的道路上，除了普通的道路分割线之外，标注出对应的隔离带信息，用户可以直观的在地图上看到道路上的绿化带。在本申请的一个实施例中，也可以直接将绿化带对应的街景图像中的区域按照地图的地图尺寸缩放后，显示在地图的对应位置，以增加地图的真实感。
在本申请的一个实施例中，为了保证识别出的目标隔离信息的准确性，还可以提供及用户在预设时段内，在目标道路上的行驶信息，根据该行驶信息的轨迹确定是否具有穿越目标隔离带信息的等行为，若是有，则表明该目标隔离带信息不可信，从而，重新针对该位置进行目标隔离带信息的评估。比如，根据用户的行车轨迹判断用户是否有针对对应目标隔离带信息的规避行为，比如掉头等，因此来确定目标隔离带信息是否可信，从而，修正不可信的目标隔离带信息。
综上，本申请实施例的地图生成方法，获取与目标道路对应的街景图像，将街景图像输入预设的识别模型，获取与街景图像对应的候选隔离带数据，其中，候选隔离带数据包括候选隔离带信息及其对应的概率，根据预设的修正策略和概率修正候选隔离带信息，获取目标隔离带信息，进而，在包含目标道路的地图底图上，标注目标隔离带信息对应的图标以生成地图。由此，实现了对地图上的隔离带信息的精准标注，提高了地图的导航性能。
为了实现上述实施例，本申请还提出了一种地图生成装置，图6是根据本申请一个实施例的地图生成装置的结构示意图，如图6所示，该地图生成装置包括：第一获取模块10、第二获取模块20、第三获取模块30和生成模块40，其中，
第一获取模块10，用于获取与目标道路对应的街景图像；
第二获取模块20，用于将所述街景图像输入预设的识别模型，获取与所述街景图像对应的候选隔离带数据，其中，所述候选隔离带数据包括候选隔离带信息及其对应的概率；
第三获取模块30，用于根据预设的修正策略和概率修正候选隔离带信息，获取目标隔离带信息；
生成模块40，用于在包含目标道路的地图底图上，标注目标隔离带信息对应的图标以生成地图。
在本申请的一个实施例中，如图7所示，该装置还包括拍摄模块50，具体用于：
确定目标道路的道路行进方向以及道路类型；
根据道路行进方向和道路类型，确定街景拍摄参数；
根据街景拍摄参数拍摄街景图像。
在本申请的一个实施例中，当候选隔离带信息包括多个时，第三获取模块30，具体用于：
确定多个候选隔离带信息中每个候选隔离带信息的置信度；
判断是否包含置信度大于第一预设阈值的第一候选隔离带信息，以及置信度小于等于第二预设阈值的第二候选隔离带信息，其中，第二预设阈值小于第一预设阈值；
若包含第一候选隔离带信息以及第二候选隔离带信息，则将第二候选隔离带信息中的候选隔离带类型，修正为与第一候选隔离带信息对应的候选隔离带类型。
在本申请的一个实施例中，第三获取模块30，具体用于：
获取在与候选隔离带数据对应的参考隔离带数据，其中，参考隔离带数据是在与目标道路相邻的道路上获取的；
判断在同样的隔离带位置下，候选隔离带数据中的候选隔离带信息，和参考隔离带数据中参考隔离带信息是否一致；
确定不一致的候选隔离带信息，并判断比较不一致的候选带信息的概率，是否大于等于对应的参考隔离带信息的概率；
若大于等于，则将不一致的候选隔离带信息修正为对应的参考隔离带信息。
需要说明的是，前述对地图生成方法的解释说明，也适用于本发明实施例的地图生成装置，其实现原理类似，在此不再赘述。
综上，本申请实施例的地图生成装置，拍摄目标道路对应的街景图像，将街景图像输入预设的识别模型，获取与街景图像对应的候选隔离带数据，其中，候选隔离带数据包括候选隔离带信息及其对应的概率，根据预设的修正策略和概率修正候选隔离带信息，获取目标隔离带信息，进而，在包含目标道路的地图底图上，标注目标隔离带信息对应的图标以生成地图。由此，实现了对地图上的隔离带信息的精准标注，提高了地图的导航性能。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图8所示，是根据本申请实施例的地图生成的方法的电子设备的框图。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/或者要求的本申请的实现。
如图8所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的方法。
存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的停车位数据的有效性识别的方法对应的程序指令/模块(例如，附图6所示的第一获取模块10、第二获取模块20、第三获取模块30和生成模块40)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的停车位数据的有效性识别的方法。
存储器702可以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、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
执行停车位数据的有效性识别的方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处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、专用ASIC(专用集成电路)、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。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
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)、互联网以及区块链网络。
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。服务端可以是云服务器，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(“Virtual Private Server”，或简称“VPS”)
中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的地图生成方法的步骤的步骤。
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，本发申请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，只要能够实现本申请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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (12)
1.一种地图生成方法，其特征在于，包括：
获取与目标道路对应的街景图像；
将所述街景图像输入预设的识别模型，获取与所述街景图像对应的候选隔离带数据，其中，所述候选隔离带数据包括候选隔离带信息及其对应的概率，其中，候选隔离带信息包括隔离带类型、隔离带位置；
根据预设的修正策略和所述概率修正所述候选隔离带信息，获取目标隔离带信息；
在包含所述目标道路的地图底图上，标注所述目标隔离带信息对应的图标以生成地图；当所述候选隔离带信息包括多个时，所述根据预设的修正策略和所述概率修正所述候选隔离带信息，获取目标隔离带信息，包括：
确定多个候选隔离带信息中每个候选隔离带信息的置信度；
判断是否包含所述置信度大于第一预设阈值的第一候选隔离带信息，以及所述置信度小于等于第二预设阈值的第二候选隔离带信息，其中，所述第二预设阈值小于所述第一预设阈值；
若包含所述第一候选隔离带信息以及所述第二候选隔离带信息，则将所述第二候选隔离带信息中的候选隔离带类型，修正为与所述第一候选隔离带信息对应的候选隔离带类型。
2.如权利要求1所述的方法，其特征在于，在所述获取与目标道路对应的街景图像之前，包括：
确定所述目标道路的道路行进方向以及道路类型；
根据所述道路行进方向和所述道路类型，确定街景拍摄参数；
根据所述街景拍摄参数拍摄所述街景图像。
3.如权利要求2所述的方法，其特征在于，所述确定所述多个候选隔离带信息中每个候选隔离带信息的置信度，包括：
根据所述每个候选隔离带信息中的候选隔离带类型，将所述多个候选隔离带信息划分为至少一个隔离带集合，其中，所述至少一个隔离带集合中的每个隔离带集合中的候选隔离带类型相同；
确定所述每个隔离带集合中包括的候选隔离带信息的数量，根据所述数量确定所述每个隔离带集合中包括的每个候选隔离带信息的置信度。
4.如权利要求3所述的方法，其特征在于，在所述根据所述数量确定所述每个隔离带集合中包括的每个候选隔离带信息的置信度之前，还包括：
确定所述每个隔离带集合中包括的所有候选隔离带信息的概率的均值，根据所述均值修正所述置信度。
5.如权利要求3所述的方法，其特征在于，在所述根据所述数量确定所述每个隔离带集合中包括的每个候选隔离带信息的置信度之前，还包括：
确定所述每个隔离带集合中包含的每个候选隔离带信息对应的隔离带位置；
根据所述隔离带位置确定候选隔离带信息连续相邻的数量，根据所述连续相邻的数量修正所述置信度。
6.如权利要求1所述的方法，其特征在于，所述根据预设的修正策略和所述概率修正所述候选隔离带信息，获取目标隔离带信息，包括：
获取在与所述候选隔离带数据对应的参考隔离带数据，其中，所述参考隔离带数据是在与所述目标道路相邻的道路上获取的；
判断在同样的隔离带位置下，所述候选隔离带数据中的候选隔离带信息，和所述参考隔离带数据中参考隔离带信息是否一致；
确定不一致的候选隔离带信息，并判断比较所述不一致的候选带信息的概率，是否大于等于对应的所述参考隔离带信息的概率；
若大于等于，则将所述不一致的候选隔离带信息修正为对应的参考隔离带信息。
7.一种地图生成装置，其特征在于，包括：
第一获取模块，用于获取与目标道路对应的街景图像；
第二获取模块，用于将所述街景图像输入预设的识别模型，获取与所述街景图像对应的候选隔离带数据，其中，所述候选隔离带数据包括候选隔离带信息及其对应的概率，候选隔离带信息包括隔离带类型、隔离带位置；
第三获取模块，用于根据预设的修正策略和所述概率修正所述候选隔离带信息，获取目标隔离带信息；
生成模块，用于在包含所述目标道路的地图底图上，标注所述目标隔离带信息对应的图标以生成地图；
当所述候选隔离带信息包括多个时，所述第三获取模块，具体用于：
确定多个候选隔离带信息中每个候选隔离带信息的置信度；
判断是否包含所述置信度大于第一预设阈值的第一候选隔离带信息，以及所述置信度小于等于第二预设阈值的第二候选隔离带信息，其中，所述第二预设阈值小于所述第一预设阈值；
若包含所述第一候选隔离带信息以及所述第二候选隔离带信息，则将所述第二候选隔离带信息中的候选隔离带类型，修正为与所述第一候选隔离带信息对应的候选隔离带类型。
8.如权利要求7所述的装置，其特征在于，还包括：拍摄模块，用于：确定所述目标道路的道路行进方向以及道路类型，
根据所述道路行进方向和所述道路类型，确定街景拍摄参数，
根据所述街景拍摄参数拍摄所述街景图像。
9.如权利要求7所述的装置，其特征在于，所述第三获取模块，具体用于：
所述获取在与所述候选隔离带数据对应的参考隔离带数据，其中，所述参考隔离带数据是在与所述目标道路相邻的道路上获取的；
判断在同样的隔离带位置下，所述候选隔离带数据中的候选隔离带信息，和所述参考隔离带数据中参考隔离带信息是否一致；
确定不一致的候选隔离带信息，并判断比较所述不一致的候选带信息的概率，是否大于等于对应的所述参考隔离带信息的概率；
若大于等于，则将所述不一致的候选隔离带信息修正为对应的参考隔离带信息。
10.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述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1-6中任一项所述的地图生成方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的地图生成方法。
12.一种计算机程序产品，包括计算机程序，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1-6中任一项所述的地图生成方法的步骤。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911343925.5A CN113091757B (zh) | 2019-12-23 | 2019-12-23 | 地图生成方法和装置 |
| EP20195003.7A EP3842995A1 (en) | 2019-12-23 | 2020-09-08 | Method and apparatus for generating map |
| US17/015,916 US11380035B2 (en) | 2019-12-23 | 2020-09-09 | Method and apparatus for generating map |
| JP2020213102A JP7200207B2 (ja) | 2019-12-23 | 2020-12-23 | 地図生成方法、地図生成装置、電子機器、非一時的なコンピュータ読み取り可能な記憶媒体及びコンピュータプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911343925.5A CN113091757B (zh) | 2019-12-23 | 2019-12-23 | 地图生成方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113091757A CN113091757A (zh) | 2021-07-09 |
| CN113091757B true CN113091757B (zh) | 2022-09-27 |
Family
ID=72428229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911343925.5A Active CN113091757B (zh) | 2019-12-23 | 2019-12-23 | 地图生成方法和装置 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11380035B2 (zh) |
| EP (1) | EP3842995A1 (zh) |
| JP (1) | JP7200207B2 (zh) |
| CN (1) | CN113091757B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113514053B (zh) * | 2021-07-13 | 2024-03-26 | 阿波罗智能技术(北京)有限公司 | 生成样本图像对的方法、装置和更新高精地图的方法 |
| CN113449687B (zh) * | 2021-07-19 | 2023-08-01 | 北京百度网讯科技有限公司 | 兴趣点出入口的识别方法、装置及电子设备 |
| CN113837155B (zh) * | 2021-11-25 | 2022-02-08 | 腾讯科技（深圳）有限公司 | 图像处理、地图数据更新方法、装置和存储介质 |
| CN117685995B (zh) * | 2024-02-02 | 2024-04-09 | 腾讯科技（深圳）有限公司 | 道路处理方法、装置、计算机设备和计算机可读存储介质 |
Family Cites Families (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4172941B2 (ja) * | 2002-03-01 | 2008-10-29 | 日立ソフトウエアエンジニアリング株式会社 | 土地区画データ作成方法および装置 |
| US7400770B2 (en) * | 2002-11-06 | 2008-07-15 | Hrl Laboratories | Method and apparatus for automatically extracting geospatial features from multispectral imagery suitable for fast and robust extraction of landmarks |
| US20050102098A1 (en) * | 2003-11-07 | 2005-05-12 | Montealegre Steve E. | Adaptive navigation system with artificial intelligence |
| US8675995B2 (en) * | 2004-07-09 | 2014-03-18 | Terrago Technologies, Inc. | Precisely locating features on geospatial imagery |
| US7508400B2 (en) * | 2005-03-23 | 2009-03-24 | Zenrin Co., Ltd. | Digital map data processing system |
| JP5058491B2 (ja) | 2006-02-09 | 2012-10-24 | 日産自動車株式会社 | 車両用表示装置および車両用映像表示制御方法 |
| WO2008091565A1 (en) * | 2007-01-23 | 2008-07-31 | Valeo Schalter & Sensoren Gmbh | Method and system for universal lane boundary detection |
| JP5064870B2 (ja) * | 2007-04-17 | 2012-10-31 | 株式会社日立製作所 | デジタル道路地図の生成方法及び地図生成システム |
| JP5665077B2 (ja) | 2010-08-10 | 2015-02-04 | アルパイン株式会社 | 車載ナビゲーション装置 |
| US8612138B2 (en) * | 2010-09-15 | 2013-12-17 | The University Of Hong Kong | Lane-based road transport information generation |
| KR20120067757A (ko) * | 2010-12-16 | 2012-06-26 | 한국전자통신연구원 | 항공 영상 간 대응 관계 추출 장치 및 그 방법 |
| US9355476B2 (en) * | 2012-06-06 | 2016-05-31 | Apple Inc. | Smoothing road geometry |
| CN103150759B (zh) * | 2013-03-05 | 2015-11-25 | 腾讯科技（深圳）有限公司 | 一种对街景图像进行动态增强的方法和装置 |
| JP5892129B2 (ja) | 2013-08-29 | 2016-03-23 | 株式会社デンソー | 道路形状認識方法、道路形状認識装置、プログラムおよび記録媒体 |
| US9384398B2 (en) * | 2014-06-11 | 2016-07-05 | Here Global B.V. | Method and apparatus for roof type classification and reconstruction based on two dimensional aerial images |
| JP6220327B2 (ja) | 2014-07-23 | 2017-10-25 | 株式会社Ｓｏｋｅｎ | 走行区画線認識装置、走行区画線認識プログラム |
| CN111380545A (zh) * | 2015-02-10 | 2020-07-07 | 御眼视觉技术有限公司 | 用于自主车辆导航的方法、服务器、自主车辆以及介质 |
| JP2016198392A (ja) * | 2015-04-13 | 2016-12-01 | 東芝メディカルシステムズ株式会社 | 磁気共鳴イメージング装置 |
| EP3344952A4 (en) * | 2015-09-04 | 2019-05-29 | Crown Equipment Corporation | INDUSTRIAL VEHICLE WITH LOCATION AND NAVIGATION BASED ON CHARACTERISTICS |
| CN106909562B (zh) * | 2015-12-23 | 2020-07-07 | 华为技术有限公司 | 街景图像的获取方法、装置及系统 |
| JP6780661B2 (ja) * | 2016-01-15 | 2020-11-04 | ソニー株式会社 | 画像処理装置および方法、プログラム、並びに画像処理システム |
| CN105719284B (zh) * | 2016-01-18 | 2018-11-06 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置及终端 |
| CN105512646B (zh) * | 2016-01-19 | 2019-03-01 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置及终端 |
| US9645577B1 (en) | 2016-03-23 | 2017-05-09 | nuTonomy Inc. | Facilitating vehicle driving and self-driving |
| US9978161B2 (en) * | 2016-04-11 | 2018-05-22 | Here Global B.V. | Supporting a creation of a representation of road geometry |
| US10558222B2 (en) * | 2016-07-21 | 2020-02-11 | Mobileye Vision Technologies Ltd. | Navigating a vehicle using a crowdsourced sparse map |
| WO2018125938A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Enrichment of point cloud data for high-definition maps for autonomous vehicles |
| US10552950B2 (en) * | 2017-05-25 | 2020-02-04 | International Business Machines Corporation | Mapping and encoding gemological features |
| CN109086650B (zh) * | 2017-06-14 | 2022-04-12 | 现代摩比斯株式会社 | 校准方法和校准设备 |
| DE102017123842A1 (de) | 2017-10-13 | 2019-04-18 | Connaught Electronics Ltd. | Fahrspurerfassungsverfahren |
| US10628671B2 (en) * | 2017-11-01 | 2020-04-21 | Here Global B.V. | Road modeling from overhead imagery |
| EP3865822A1 (en) * | 2018-05-15 | 2021-08-18 | Mobileye Vision Technologies Ltd. | Systems and methods for autonomous vehicle navigation |
| US10976747B2 (en) * | 2018-10-29 | 2021-04-13 | Here Global B.V. | Method and apparatus for generating a representation of an environment |
| CN109448373A (zh) * | 2018-11-09 | 2019-03-08 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| US10803635B2 (en) * | 2019-02-26 | 2020-10-13 | Tusimple, Inc. | Method and system for map construction |
| US20210048819A1 (en) * | 2019-08-14 | 2021-02-18 | Electronics And Telecommunications Research Institute | Apparatus and method for determining junction |
-
2019
- 2019-12-23 CN CN201911343925.5A patent/CN113091757B/zh active Active
-
2020
- 2020-09-08 EP EP20195003.7A patent/EP3842995A1/en active Pending
- 2020-09-09 US US17/015,916 patent/US11380035B2/en active Active
- 2020-12-23 JP JP2020213102A patent/JP7200207B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113091757A (zh) | 2021-07-09 |
| EP3842995A1 (en) | 2021-06-30 |
| JP2021099489A (ja) | 2021-07-01 |
| JP7200207B2 (ja) | 2023-01-06 |
| US20210192815A1 (en) | 2021-06-24 |
| US11380035B2 (en) | 2022-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113091757B (zh) | 地图生成方法和装置 | |
| CN111998860B (zh) | 自动驾驶定位数据校验方法、装置、电子设备及存储介质 | |
| CN110675644B (zh) | 道路红绿灯的识别方法、装置、电子设备及存储介质 | |
| CN111854771B (zh) | 地图质量的检测处理方法、装置、电子设备和存储介质 | |
| CN112581763A (zh) | 道路事件检测的方法、装置、设备和存储介质 | |
| CN111275983B (zh) | 车辆追踪方法、装置、电子设备和计算机可读存储介质 | |
| CN111273268A (zh) | 障碍物类型的识别方法、装置及电子设备 | |
| CN112507949A (zh) | 目标跟踪方法、装置、路侧设备以及云控平台 | |
| CN111860319A (zh) | 车道线的确定方法、定位精度的评测方法、装置、设备 | |
| CN110595459B (zh) | 车辆定位方法、装置、设备和介质 | |
| CN110703732B (zh) | 相关性检测方法、装置、设备及计算机可读存储介质 | |
| CN111523471B (zh) | 车辆所在车道的确定方法、装置、设备以及存储介质 | |
| CN111967301A (zh) | 定位导航方法、装置、电子设备和存储介质 | |
| CN113221677A (zh) | 一种轨迹异常检测方法、装置、路侧设备和云控平台 | |
| CN111723768A (zh) | 车辆重识别的方法、装置、设备和存储介质 | |
| CN110717933B (zh) | 针对运动物体漏检的后处理方法、装置、设备和介质 | |
| CN111693059B (zh) | 环岛的导航方法、装置、设备及存储介质 | |
| CN111402609A (zh) | 专用车道行驶提醒方法、装置、设备及存储介质 | |
| CN112147632A (zh) | 车载激光雷达感知算法的测试方法、装置、设备和介质 | |
| CN111666876A (zh) | 用于检测障碍物的方法、装置、电子设备和路侧设备 | |
| CN111402326A (zh) | 障碍物的检测方法、装置、无人车及存储介质 | |
| CN111507204A (zh) | 倒计时信号灯的检测方法、装置、电子设备及存储介质 | |
| CN111652153A (zh) | 场景自动识别方法、装置、无人车及存储介质 | |
| CN112581533A (zh) | 定位方法、装置、电子设备及存储介质 | |
| CN111339877B (zh) | 盲区的长度检测方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |