CN114140813A - 高精地图标注方法、装置、设备及存储介质 - Google Patents
高精地图标注方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114140813A CN114140813A CN202111491212.0A CN202111491212A CN114140813A CN 114140813 A CN114140813 A CN 114140813A CN 202111491212 A CN202111491212 A CN 202111491212A CN 114140813 A CN114140813 A CN 114140813A
- Authority
- CN
- China
- Prior art keywords
- target object
- vector
- determining
- map
- newly added
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 38
- 238000002372 labelling Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 12
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开提供了一种高精地图标注方法、装置、设备及存储介质,涉及图像处理技术领域,尤其涉及智能交通、自动驾驶、计算机视觉等技术领域。具体实现方案为:识别待标注地图,得到待标注地图中所包含的目标对象的特征信息;基于目标对象的特征信息,确定目标对象对应的矢量图形;利用目标对象的矢量图形,对待标注地图进行标注。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及智能交通、自动驾驶、计算机视觉等技术领域。
背景技术
高精地图包含有丰富的道路元素信息,自动驾驶车辆利用这些道路元素信息进行感知、规划和决策。因此,高精地图的构建质量及构建效率是实现自动驾驶的关键所在。
通常情况下,由于道路元素种类繁杂且变化多样,每新增一种道路元素都需要修改源码并重新编译标注工具,导致高精地图的标注成本较高且标注不够灵活,同时导致高精地图的上线速度较慢。
发明内容
本公开提供了一种高精地图标注方法、装置、设备及存储介质。
根据本公开的一方面,提供了一种高精地图标注方法,该方法可以包括以下步骤:
识别待标注地图,得到待标注地图中所包含的目标对象的特征信息;
基于目标对象的特征信息,确定目标对象对应的矢量图形;
利用目标对象的矢量图形,对待标注地图进行标注。
根据本公开的另一方面,提供了一种高精地图标注装置,该装置可以包括:
识别模块,用于识别待标注地图,得到待标注地图中所包含的目标对象的特征信息;
矢量图形确定模块,用于基于目标对象的特征信息,确定目标对象对应的矢量图形;
标注模块,用于利用目标对象的矢量图形,对待标注地图进行标注。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术,通过简单交互即可设置矢量图形模板库,基于该模板库高精地图标注工具可以新增、编辑以及存储各个环节的道路元素。如此,在无需更新标注工具的情况下,即可动态扩展对于高精地图的标注能力。
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,不构成对本公开的限定。其中:
图1是根据本公开地图标注方法的流程图;
图2是根据本公开特征信息的确定方法流程图;
图3是根据本公开矢量图形的确定方法流程图;
图4是根据本公开新增矢量图形的确定方法流程图;
图5是根据本公开新增矢量图形的存储方法流程图;
图6是根据本公开地图标注装置的结构图;
图7是根据本公开矢量图形确定模块的结构图;
图8是根据本公开新增矢量图形构建子模块的结构图;
图9是用来实现本公开实施例的模型训练及图像去雾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。
如图1所示,本公开涉及一种高精地图标注的方法,该方法可以包括以下步骤:
S101:识别待标注地图,得到待标注地图中所包含的目标对象的特征信息;
S102:基于目标对象的特征信息,确定目标对象对应的矢量图形;
S103:利用目标对象的矢量图形,对待标注地图进行标注。
本实施例可以应用于计算机设备,具体可以包括但并不局限于服务器,或者多个服务器构成的服务器集,或者是具有一定数据处理能力,尤其是图像识别能力、图像处理能力的终端设备等,该终端设备可以包括但并不限于:智能手机、平板电脑、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、台式计算机等,本申请对计算机设备的产品类型不做限定。
待标注地图可以是采集得到的图像融合点云数据后得到的点云地图。其中,图像采集可以由装备有激光雷达、相机、GPS等传感器的数据采集车采集完成。点云地图的制作可以是把采集好的数据进行加工,例如,通过激光雷达扫描得到点云数据以建立相应的三维模型。对加工得到的三维模型进行分割处理,以分割为多个标准尺寸的小图像作为待标注地图。图像分割的方式可以是按现有技术中的实施方式进行,此处不做限定。
待标注地图中包含有多种对象信息,例如,车道线信息、交通标志牌信息、红绿灯信息等。识别待标注地图可以确定待标注地图中的多个对象,选取其中一个对象作为目标对象并识别其特征信息。特征信息包括目标对象的形状、尺寸、角度、颜色等信息。例如,车道表面的左转弯箭头标识对应的特征信息包括箭头形状、箭头尺寸、箭头颜色等。
基于目标对象的特征信息,确定目标对象对应的矢量图形。其中,目标对象对应的矢量图形可以是具有特定颜色、形状以及轮廓的标准图形。不同类型的目标对象所对应的矢量图形可以设定为不同颜色,例如,将车道表面的车道线信息设定为白色,空中悬挂的标识牌信息设定为蓝色等,此处不予限定。
目标对象的特征信息还可以包括多种其他附加信息,例如文字信息、位置信息等。其中,文字信息可以是矢量图形的解释信息或者是目标对象对应的图像中所包含的内容信息等。例如,待标注地图中包含有“禁止停车”字样的标识牌对象,则该标识牌对应的矢量图形可以包含有“禁止停车”的附加信息。同时,基于该标识牌在待标注地图中的位置,可以确定矢量图形在待标注地图中的位置。位置的表示方式可以通过中心点或者角点的位置坐标进行确定,此处不予限定。
利用目标对象的矢量图形,对待标注地图进行标注,包括将矢量图形及其附加信息与点云数据进行融合,由此获得包含有矢量信息的高精地图。例如,利用目标对象的位置信息将矢量图形添加到待标注地图的相应位置,或者是基于目标对象及其他对象所对应的矢量图形构建矢量层,并将矢量层叠加到待标注地图的原有图像层上,此处不做限定。
通过以上过程,基于对待标注地图进行识别以及构建目标对象对应的矢量图形,实现了对高精地图的自动化大规模标注,提升了高精地图的标注效率及准确率。
如图2所示,在一种实施方式中,步骤101可以包括以下子步骤:
S201:在待标注地图中确定与目标对象对应的检测框;
S202:提取检测框中的图像特征信息,作为目标对象的特征信息。
在待标注地图中确定与目标对象对应的检测框,可以是通过将待标注地图输入第一预设模型,得到目标对象对应的检测框。其中,第一预设模型可以是图像识别模型,具体可以为Resnet(Deep residual network,深度残差网络)18网络,包括多个分支网络。每个分支网络包括若干个具有残差连接的卷积层和池化层。第一预设模型还可以根据需要采用其他网络结构,此处不做限定。
将待标注地图输入第一预设模型后,第一预设模型的多个分支网络分别输出目标对象的中心点得分图、中心点偏移量以及目标对象检测框的宽度值和高度值,由此确定目标对象对应的检测框。
在得到检测框后,提取检测框内的图像特征信息,以作为目标对象的特征信息。具体而言,可以是将检测框内的原图转变为高维特征图像。例如,对输入图像提取纹理、边缘、角点和语义信息等维度的特征得到多个特征图,融合多个特征图并将融合得到的特征映射结果作为检测框内图像的特征信息,即目标对象的特征信息。
此外,基于目标对象对应的检测框的位置信息,可以确定目标对象的位置信息。基于文字识别模型可以确定目标对象附加的文字信息,具体识别过程此处不做赘述。
通过以上过程,可以利用第一预设模型确定目标对象对应的检测框,再通过提取检测框中的图像特征信息,作为目标对象的特征信息。如此可以保证对于待标注地图的识别速度,同时保证最终得到的检测框对应的特征信息更加准确。
如图3所示,在一种实施方式中,步骤102可以包括以下子步骤:
S301:基于目标对象的特征信息,确定目标对象的标识;
S302:基于目标对象的标识调用预设模板库,在调用成功的情况下,获取目标对象对应的初始矢量图形;预设模板库存储有多个初始矢量图形;
S303:基于目标对象的特征信息,调整初始矢量图形,使得调整结果对应的特征信息与目标对象的特征信息满足预定条件;
S304:将调整结果作为目标对象的矢量图形。
具体的,确定目标对象的标识可以是将目标对象的特征信息输入第二预设模型,得到目标对象的标识。其中,第二预设模型可以是图像分类模型,例如卷积神经网络模型或者其他类型的网络模型,此处不做限定。利用带有分类标记的样本数据对分类模型进行训练,可以得到训练好的第二预设模型。
目标对象的标识可以是表征目标对象类型的信息,具体可以包括一级类型和二级类型,其中,二级类型可以是一级类型的子类型。根据需要,目标对象的标识还可以包括三级类型、四级类型等,此处不做限定。
例如,第二预设模型对输入的目标对象进行识别,确定其一级类型为地面标志物,二级类型为车道实线。此外,按照输入目标对象的不同,一级类型还可以是空中标志牌或者其他一级类型,此处不做限定。每个一级类型包含有多个二级类型,例如地面标志物对应的二级类型还包括减速标线、网状线、车道虚线、直行箭头、左转弯箭头、右转弯箭头等。空中标志牌对应的二级类型可以包括非机动车标志、三角形标志、禁止停车标志等,此处不做穷举。
预设模板库可以是存储有多个初始矢量图形的数据库。每个初始矢量图形具有相应的类型字段信息,用以表示初始矢量图形的类型。具体的,初始矢量图形的类型字段信息与目标对象的标识的分类体系相对应,此处不做赘述。
第二预设模型基于目标对象的特征信息确定其标识,进而根据目标对象的标识可以调用预设模板库中相应类型字段的初始矢量图形。在预设模板库中存储有与目标对象的标识对应的类型字段的情况下,根据目标对象的标识可以成功调用初始矢量图形。
基于目标对象的特征信息对初始矢量图形进行调整,使得调整结果对应的特征信息与目标对象的特征信息满足预定条件。其中,预定条件可以包括调整结果与目标对象的特征相似度大于某一预设阈值,或者是调整结果与目标对象相一致。预设阈值可以根据需要进行设定,例如80%,90%等,此处不做限定。
对初始矢量图形进行调整的方式可以是对初始矢量图形输入相应参数进行调整,例如,输入长度、宽度、高度、角度等参数得到调整后的矢量图形。或者是直接拖动初始矢量图形中的特征点进行放大、缩小、旋转等。还可以根据需要通过其他方式对初始矢量图形进行调整,此处不做限定。
举例来说,待标注地图经第一预设模型的识别,确定其所包含的目标对象的特征信息有:形状近似为长方体,长度20cm、宽度10cm、高度8cm,角度垂直于车道线。经第二预设模型识别,确定目标对象的标识为“减速带”。根据目标对象的标识“减速带”向预设模板库发出调用初始矢量图形的请求,在调用成功的情况下,获取类型字段为“减速带”的初始矢量图形。根据目标对象的特征信息在初始矢量图形中输入与尺寸、角度等相关的参数,得到调整后的矢量图形。例如,输入长度20cm、宽度10cm、高度8cm,角度90度,由此得到调整后的矢量图形作为目标对象的矢量图形。
在一种实施方式中,在预设模板库中没有预先存储与目标对象的标识对应的类型字段的情况下,初始矢量图形调用失败。相应地,需要在预设模板库中构建新增矢量图形,并将新增矢量图形作为目标对象的矢量图形。
通过以上过程,基于目标对象的标识可以调用预设模板库中的矢量图形,如此可以提升高精地图的标注速度和精确度。
如图4所示,在一种实施方式中,构建新增矢量图形的方式可以包括以下子步骤:
S401:利用目标对象的特征信息确定与目标对象对应的检测框内的多条特征线;
S402:利用多条特征线之间的位置关系,确定目标对象的特征点;
S403:利用特征点,构建目标对象的新增矢量图形。
其中,第一预设模型可以识别待标注地图中目标对象的特征信息,基于特征信息可以提取目标对象对应的多条特征线。特征线可以包括直线和曲线等,此处不做限定。
多条特征线之间的位置关系可以包括平行、垂直、相交等。利用多条特征线之间的位置关系可以确定每条特征线对应的特征点集合,进而对各条特征线的特征点集合进行合并去重,作为目标对象的特征点。举例来说,目标对象的特征点可以包括目标对象中直线的端点,曲线的端点以及曲线弧度的调整点等,此处不做穷举。
利用特征点构建目标对象的新增矢量图形,可以是通过拖动各个特征点调整相应特征线的长度、角度、弧度等,或者是将分属于不同特征线的两个特征点置于同一坐标下,以建立两条特征线的连接关系等,此处不做穷举。
如图5所示,在一种实施方式中,步骤102还包括以下子步骤:
S501:确定新增矢量图形对应的新增类型;
S502:按照新增类型,将新增矢量图形存储进预设模板库。
其中,新增类型可以是预设模板库新增的一级类型,或者可以是原有一级类型下新增的二级类型,此处不做限定。
通过以上过程,高精地图标注工具就可以从新增、编辑到存储各个环节都支持新的要素,无需更新升级标注工具,就可以做到支持新的要素,实现动态扩展标注能力的目的。
如图6所示,本公开涉及一种高精地图标注装置,该装置可以包括:
识别模块601,用于识别待标注地图,得到待标注地图中所包含的目标对象的特征信息;
矢量图形确定模块602,用于基于目标对象的特征信息,确定目标对象对应的矢量图形;
标注模块603,用于利用目标对象的矢量图形,对待标注地图进行标注。
在一种实施方式中,识别模块601,可以进一步包括:
检测框确定子模块,用于在待标注地图中确定与目标对象对应的检测框;
特征提取子模块,用于提取检测框中的图像特征信息,作为目标对象的特征信息。
如图7所示,在一种实施方式中,矢量图形确定模块602,可以进一步包括:
标识确定子模块701,用于基于目标对象的特征信息,确定目标对象的标识;
矢量图形调用子模块702,用于基于目标对象的标识请求调用预设模板库,在调用预设模板库成功的情况下,获取目标对象对应的初始矢量图形;预设模板库存储有多个初始矢量图形;
矢量图形调整子模块703,用于基于目标对象的特征信息,调整初始矢量图形,使得调整结果对应的特征信息与目标对象的特征信息满足预定条件;
矢量图形执行子模块704,用于将调整结果作为目标对象的矢量图形。
在一种实施方式中,矢量图形确定模块602还可以进一步包括:
新增矢量图形构建子模块,用于在调用预设模板库失败的情况下,构建新增矢量图形;
目标对象执行子模块,用于将新增矢量图形作为目标对象的矢量图形。
如图8所示,在一种实施方式中,新增矢量图形构建子模块,可以进一步包括:
特征线确定子模块801,用于利用目标对象的特征信息,确定与目标对象对应的检测框内的多条特征线;
特征点确定子模块802,用于利用多条特征线之间的位置关系,确定目标对象的特征点;
新增矢量图形执行子模块803,用于利用特征点,构建目标对象的新增矢量图形。
在一种实施方式中,矢量图形确定模块,可以进一步包括:
新增类型确定子模块,用于确定新增矢量图形对应的新增类型;
存储子模块,用于按照新增类型,将新增矢量图形存储进预设模板库。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
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9示出了可以用来实施本公开的实施例的示例电子设备900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9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理,例如地图标注的方法。例如,在一些实施例中,地图标注的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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的地图标注的方法的一个或多个步骤。备选地,在其他实施例中,计算单元901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标注的方法。
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)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,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。
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 (15)
1.一种高精地图标注方法,包括:
识别待标注地图,得到所述待标注地图中所包含的目标对象的特征信息;
基于所述目标对象的特征信息,确定所述目标对象对应的矢量图形;
利用所述目标对象的矢量图形,对所述待标注地图进行标注。
2.根据权利要求1所述的方法,其中,所述识别待标注地图,得到所述待标注地图中所包含的目标对象的特征信息,包括:
在所述待标注地图中确定与所述目标对象对应的检测框;
提取所述检测框中的图像特征信息,作为所述目标对象的特征信息。
3.根据权利要求1所述的方法,其中,所述基于所述目标对象的特征信息,确定所述目标对象对应的矢量图形,包括:
基于所述目标对象的特征信息,确定所述目标对象的标识;
基于所述目标对象的标识请求调用预设模板库,在调用所述预设模板库成功的情况下,获取所述目标对象对应的初始矢量图形;所述预设模板库存储有多个所述初始矢量图形;
基于所述目标对象的特征信息,调整所述初始矢量图形,使得调整结果对应的特征信息与所述目标对象的特征信息满足预定条件;
将所述调整结果作为所述目标对象的矢量图形。
4.根据权利要求3所述的方法,还包括:
在调用所述预设模板库失败的情况下,构建新增矢量图形;
将所述新增矢量图形作为所述目标对象的矢量图形。
5.根据权利要求4所述的方法,所述构建新增矢量图形,包括:
利用所述目标对象的特征信息,确定与所述目标对象对应的检测框内的多条特征线;
利用所述多条特征线之间的位置关系,确定所述目标对象的特征点;
利用所述特征点,构建所述目标对象的新增矢量图形。
6.根据权利要求4或5所述的方法,还包括:
确定所述新增矢量图形对应的新增类型;
按照所述新增类型,将所述新增矢量图形存储进所述预设模板库。
7.一种高精地图标注装置,包括:
识别模块,用于识别待标注地图,得到所述待标注地图中所包含的目标对象的特征信息;
矢量图形确定模块,用于基于所述目标对象的特征信息,确定所述目标对象对应的矢量图形;
标注模块,用于利用所述目标对象的矢量图形,对所述待标注地图进行标注。
8.根据权利要求7所述的装置,其中,所述识别模块,包括:
检测框确定子模块,用于在所述待标注地图中确定与所述目标对象对应的检测框;
特征提取子模块,用于提取所述检测框中的图像特征信息,作为所述目标对象的特征信息。
9.根据权利要求7所述的装置,其中,所述矢量图形确定模块,包括:
标识确定子模块,用于基于所述目标对象的特征信息,确定所述目标对象的标识;
矢量图形调用子模块,用于基于所述目标对象的标识请求调用预设模板库,在调用所述预设模板库成功的情况下,获取所述目标对象对应的初始矢量图形;所述预设模板库存储有多个所述初始矢量图形;
矢量图形调整子模块,用于基于所述目标对象的特征信息,调整所述初始矢量图形,使得调整结果对应的特征信息与所述目标对象的特征信息满足预定条件;
矢量图形执行子模块,用于将所述调整结果作为所述目标对象的矢量图形。
10.根据权利要求9所述的装置,所述矢量图形确定模块,还包括:
新增矢量图形构建子模块,用于在调用所述预设模板库失败的情况下,构建新增矢量图形;
目标对象执行子模块,用于将所述新增矢量图形作为所述目标对象的矢量图形。
11.根据权利要求10所述的装置,所述新增矢量图形构建子模块,包括:
特征线确定子模块,用于利用所述目标对象的特征信息,确定与所述目标对象对应的检测框内的多条特征线;
特征点确定子模块,用于利用所述多条特征线之间的位置关系,确定所述目标对象的特征点;
新增矢量图形执行子模块,用于利用所述特征点,构建所述目标对象的新增矢量图形。
12.根据权利要求10或11所述的装置,所述矢量图形确定模块,还包括:
新增类型确定子模块,用于确定所述新增矢量图形对应的新增类型;
存储子模块,用于按照所述新增类型,将所述新增矢量图形存储进所述预设模板库。
13.一种电子设备,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1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111491212.0A CN114140813A (zh) | 2021-12-08 | 2021-12-08 | 高精地图标注方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111491212.0A CN114140813A (zh) | 2021-12-08 | 2021-12-08 | 高精地图标注方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114140813A true CN114140813A (zh) | 2022-03-04 |
Family
ID=80384936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111491212.0A Pending CN114140813A (zh) | 2021-12-08 | 2021-12-08 | 高精地图标注方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140813A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972650A (zh) * | 2022-06-08 | 2022-08-30 | 北京百度网讯科技有限公司 | 一种目标对象的调整方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-08 CN CN202111491212.0A patent/CN114140813A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972650A (zh) * | 2022-06-08 | 2022-08-30 | 北京百度网讯科技有限公司 | 一种目标对象的调整方法、装置、电子设备及存储介质 |
CN114972650B (zh) * | 2022-06-08 | 2024-03-19 | 北京百度网讯科技有限公司 | 一种目标对象的调整方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113674287A (zh) | 高精地图的绘制方法、装置、设备以及存储介质 | |
CN112560862B (zh) | 文本识别方法、装置及电子设备 | |
CN113379718A (zh) | 一种目标检测方法、装置、电子设备以及可读存储介质 | |
CN113971723B (zh) | 高精地图中三维地图的构建方法、装置、设备和存储介质 | |
CN113792061A (zh) | 地图数据的更新方法、装置及电子设备 | |
CN115050005B (zh) | 目标检测方法及用于高位视频智慧停车场景的检测装置 | |
CN113989777A (zh) | 高精地图限速标牌与车道位置的识别方法、装置和设备 | |
CN113724388A (zh) | 高精地图的生成方法、装置、设备以及存储介质 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN114187357A (zh) | 一种高精地图的生产方法、装置、电子设备及存储介质 | |
CN114111813B (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
CN113762397B (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
CN114926849A (zh) | 一种文本检测方法、装置、设备及存储介质 | |
CN114140813A (zh) | 高精地图标注方法、装置、设备及存储介质 | |
CN112784175A (zh) | 兴趣点数据处理方法、装置、设备及存储介质 | |
CN113126120A (zh) | 数据标注方法、装置、设备、存储介质以及计算机程序产品 | |
CN115410173B (zh) | 多模态融合的高精地图要素识别方法、装置、设备及介质 | |
CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
CN112987707A (zh) | 一种车辆的自动驾驶控制方法及装置 | |
CN112988932B (zh) | 高精地图标注方法、装置、设备、可读存储介质及产品 | |
CN115171094A (zh) | 一种道路要素确定方法、装置、设备以及存储介质 | |
CN113449798A (zh) | 港口无人驾驶地图生成方法、装置、电子设备、存储介质 | |
CN112507951B (zh) | 指示灯识别方法、装置、设备、路侧设备和云控平台 | |
CN114581667B (zh) | 地图数据处理方法、装置、电子设备和存储介质 | |
CN114155508B (zh) | 一种道路变化检测方法、装置、设备以及存储介质 |
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 |