CN114155508B - 一种道路变化检测方法、装置、设备以及存储介质 - Google Patents

一种道路变化检测方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN114155508B
CN114155508B CN202111491947.3A CN202111491947A CN114155508B CN 114155508 B CN114155508 B CN 114155508B CN 202111491947 A CN202111491947 A CN 202111491947A CN 114155508 B CN114155508 B CN 114155508B
Authority
CN
China
Prior art keywords
road
region
area
target
image
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
Application number
CN202111491947.3A
Other languages
English (en)
Other versions
CN114155508A (zh
Inventor
吴彬
钟开
杨建忠
张通滨
卢振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111491947.3A priority Critical patent/CN114155508B/zh
Publication of CN114155508A publication Critical patent/CN114155508A/zh
Priority to US18/076,230 priority patent/US20230101388A1/en
Priority to EP22212345.7A priority patent/EP4123599A3/en
Application granted granted Critical
Publication of CN114155508B publication Critical patent/CN114155508B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • 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
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • G01C21/3819—Road shape data, e.g. outline of a route
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Library & Information Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种道路变化检测方法、设备、装置以及存储介质，涉及图像处理技术领域，尤其涉及智能交通技术领域。具体实现方案为：获得道路图像；提取所述道路图像中的道路区域，作为待检测道路所在的目标区域；获得所述目标区域的目标地理位置，基于所述目标地理位置，从预先存储的道路区域中确定所述目标区域的参考区域；计算所述目标区域与参考区域之间的相似度；基于所述相似度，确定所述待检测道路的通行性是否发生变化，得到检测结果。应用本公开实施例提供的方案，能够提高道路变化检测的效率。

Description

一种道路变化检测方法、装置、设备以及存储介质
技术领域
本公开涉及图像处理技术领域，尤其涉及智能交通技术领域。
背景技术
随着科技的发展以及人类活动区域的不断扩大，用户对电子地图的使用越来越频繁，用户对电子地图的地图数据质量要求也越来越高。道路的通行性变化是电子地图的数据更新中的常见任务，道路包括存在路口的道路和不存在路口的道路。快速有效地检测道路是否发生通行性变化，基于检测结果对电子地图进行及时更新，为电子地图导航提供坚实的数据基础具有极为重要的意义。
发明内容
本公开提供了一种道路变化检测方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种道路变化检测方法，包括：
获得道路图像；
提取所述道路图像中的道路区域，作为待检测道路所在的目标区域；
获得所述目标区域的目标地理位置，基于所述目标地理位置，从预先存储的道路区域中确定所述目标区域的参考区域；
计算所述目标区域与参考区域之间的相似度；
基于所述相似度，确定所述待检测道路是否发生通行性变化，得到检测结果。
根据本公开的一方面，提供了一种道路变化检测装置，包括：
图像获得模块，用于获得道路图像；
区域提取模块，用于提取所述道路图像中的道路区域，作为待检测道路所在的目标区域；
区域确定模块，用于获得所述目标区域的目标地理位置，基于所述目标地理位置，从预先存储的道路区域中确定所述目标区域的参考区域；
相似度计算模块，用于计算所述目标区域与参考区域之间的相似度；
检测结果确定模块，用于基于所述相似度，确定所述待检测道路是否发生通行性变化，得到检测结果。
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道路变化检测方法。
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，其中，所述计算机指令用于使所述计算机执行上述道路变化检测方法。
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，所述计算机程序在被处理器执行时实现上述道路变化检测方法。
由以上可见，本公开实施例提供的方案中，由电子设备提取待检测道路所在的目标区域，并确定目标区域的参考区域，基于目标区域与参考区域之间的相似度，确定待检测道路是否发生通行性变化。相较于现有技术中由工作人员手动检测道路是否发生通行性变化，提高了道路变化检测的效率。
并且，由于参考区域是基于目标区域的目标地理位置从预先存储的道路区域中确定得到的，上述参考区域能够反映待检测道路的历史道路情况，又由于目标区域能够反映待检测道路当前道路情况，所以，目标区域与参考区域之间的相似度，能够反映待检测道路当前道路情况与历史道路情况之间的差异。因此，基于目标区域与参考区域之间的相似度，能够较为准确地确定待检测道路是否发生通行性，从而提高了道路变化检测的准确度。
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1a为本公开实施例提供的第一种道路变化检测方法的流程示意图；
图1b为本公开实施例提供的第一种道路图像；
图2为本公开实施例提供的第二种道路变化检测方法的流程示意图；
图3a为本公开实施例提供的第三种道路变化检测方法的流程示意图；
图3b为本公开实施例提供的第二种道路图像；
图4为本公开实施例提供的第四种道路变化检测方法的流程示意图；
图5为本公开实施例提供的一种道路变化检测方法的流程框图；
图6为本公开实施例提供的第一种道路变化检测装置的结构示意图；
图7为本公开实施例提供的第二种道路变化检测装置的结构示意图；
图8为本公开实施例提供的第三种道路变化检测装置的结构示意图；
图9为本公开实施例提供的第四种道路变化检测装置的结构示意图；
图10是用来实现本公开实施例的道路变化检测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。
近年来，随着国家城市道路的现代化建设逐步加快，每年都有大量的道路新增和变化，而当前道路通行性变化主要靠人工定期查看发现，耗费了大量的人力物力。
现有的工作主要有以下缺点：
1.基于地图信息定期派人去现场核实道路通行性变化，耗费大量的人力物力。以地图道路为牵引派作业人员现场核实无法覆盖新增道路场景，严重影响地图用户的用户体验。
2.定期采集道路图像数据利用人工核实道路通行性变化，采集图像数据过大，未进行自动化的道路通行性变化检测，单纯依赖人工核实的方式，会造成人力成本浪费等问题。
以下对本公开实施例提供的道路变化检测方案进行说明。
参见图1a，图1a为本公开实施例提供的第一种道路变化检测方法的流程示意图，上述方法包括以下步骤S101-S105。
在对上述各步骤进行说明之前，对本公开实施例的执行主体进行说明。本公开实施例的执行主体可以是具有道路变化检测功能的电子设备，上述电子设备可以是服务器，也可以是终端设备。
步骤S101：获得道路图像。
上述道路图像是指包含道路的图像。
具体的，可以按照以下两种方式获得道路图像：
第一种实施方式中，工作人员可以通过电子设备提供的用户界面输入道路图像，电子设备从而可以获得道路图像。
第二种实施方式中，电子设备可以获得车辆前置摄像头等图像采集设备所采集的多张图像，对所获得的每一图像进行图像分类，得到道路图像。
步骤S102：提取道路图像中的道路区域，作为待检测道路所在的目标区域。
上述道路区域是指包括道路的区域。道路区域所包含的道路称为待检测道路。
本公开的一个实施例中，上述待检测道路可以是路口道路。路口道路是指多条道路相交的道路。以图1b为例，图1b示出了一种道路图像，图1b中包含两条道路，两条道路相交的道路为路口道路，即图1b中虚线圆形框标出的区域为路口道路所在区域。当待检测道路为路口道路时，采用本实施例的方案，能够对路口道路是否发生通行性变化进行检测。
一种实施方式中，在提取道路区域时，可以对道路图像进行道路检测，得到所检测的区域，作为道路图像中的道路区域。
检测目标区域的其他方式可以参见后续图3a所示实施例，在此不进行详述。
步骤S103：获得目标区域的目标地理位置，基于目标地理位置，从预先存储的道路区域中确定目标区域的参考区域。
上述目标地理位置反映目标区域的实际地理位置信息。例如：目标地理位置可以为北纬36°50′～37°47′、东经113°52′～115°49′。
具体的，可以通过以下两种方式获得目标地理位置。
第一种实施方式中，在上述步骤S101获得道路图像时，还可以获得道路图像中各个像素点的地理坐标，在这种情况下，可以基于道路图像中目标区域内每一像素点的地理坐标，确定目标区域的目标地理位置。
第二种实施方式中，可以将目标区域中各个像素点映射到地图中相对应的坐标点，通过映射后的地图确定目标区域的目标地理位置。
预先存储的道路区域是历史采集的道路区域，由于参考区域是基于目标区域的目标地理位置从预先存储的道路区域中确定得到的，上述参考区域能够反映待检测道路的历史道路情况。
在上述步骤S102提取得到道路图像中的道路区域后，也可以存储所提取的道路图像中的道路区域。
预先存储的每一道路区域具有相对应的地理位置，基于此，一种实施方式中，可以针对预先存储的每一道路区域，计算该道路区域的地理位置与目标地理位置之间的匹配度，将匹配度最高的道路区域确定为目标区域的参考区域。
具体的，在计算地理位置之间的匹配度时，可以计算预先存储的道路区域的地理位置与目标地理位置之间的差值，作为上述匹配度。当差值越小，表示匹配度越高，当差值越大，表示匹配度越低。
当匹配度最高，表示预先存储的道路区域的地理位置与目标区域的目标地理位置为同一位置的可能性最高，那么，上述道路区域所对应的道路与目标区域所对应的待检测道路为同一道路的可能性最高，因此，可以将匹配度最高的道路区域确定为目标区域的参考区域。
确定参考区域的其他方式可以参见后续图2对应的实施例，在此不进行详述。
步骤S104：计算目标区域与参考区域之间的相似度。
由于目标区域为待检测道路所在的目标区域，用于反映待检测道路当前道路情况，参考区域用于反映待检测道路的历史道路情况，所以，目标区域与参考区域之间的相似度，能够反映待检测道路当前道路情况与历史道路情况之间的相似性。当相似度越高，表示相似性越高，当相似度越低，表示相似性越低。
一种实施方式中，可以利用预先训练的相似度计算模型，将目标区域与参考区域输入上述相似度计算模型，得到相似度计算模型输出的相似度，作为目标区域与参考区域之间的相似度。
上述相似度计算模型用于对输入的两个区域进行相似度计算，并输出计算得到的相似度。
计算相似度的其他方式可以参见后续图4所示实施例，在此不进行详述。
步骤S105：基于相似度，确定待检测道路是否发生通行性变化，得到检测结果。
若相似度小于相似度阈值，表示目标区域与参考区域之间的相似性较小，待检测道路的当前道路情况与历史道路情况的差异较大，在这种情况下，可以确定待检测道路发生通行性变化；
若相似度大于或等于相似度阈值，表示目标区域与参考区域之间的相似性较大，待检测道路的当前道路情况与历史道路情况的差异较小，在这种情况下，可以确定待检测道路未发生通行性变化。
由于是基于相似度与相似度阈值之间的大小关系，确定待检测道路是否发生通行性变化，又由于相似度与相似度阈值之间的大小关系能够准确表征目标区域与参考区域之间的相似度大小，因此，基于相似度与相似度阈值之间的大小关系，能够较为准确地确定待检测道路是否发生通行性变化。
由以上可见，本公开实施例提供的方案中，由电子设备提取待检测道路所在的目标区域，并确定目标区域的参考区域，基于目标区域与参考区域之间的相似度，确定待检测道路是否发生通行性变化。相较于现有技术中由工作人员手动检测道路是否发生通行性变化，提高了道路变化检测的效率。
并且，由于参考区域是基于目标区域的目标地理位置从预先存储的道路区域中确定得到的，上述参考区域能够反映待检测道路的历史道路情况，又由于目标区域能够反映待检测道路当前道路情况，所以，目标区域与参考区域之间的相似度，能够反映待检测道路当前道路情况与历史道路情况之间的差异。因此，基于目标区域与参考区域之间的相似度，能够较为准确地确定待检测道路是否发生通行性，从而提高了道路变化检测的准确度。
在上述图1a所示实施例的步骤S103中，除了采用基于计算得到的匹配度确定目标区域的参考区域的实施方式，可以按照下述图2所示实施例中步骤S203-S204确定目标区域的参考区域。参见图2，提供了第二种道路变化检测方法的流程示意图，上述方法包括以下步骤S201-S206。
步骤S201：获得道路图像。
步骤S202：提取道路图像中的道路区域，作为待检测道路所在的目标区域。
上述步骤S201-S202分别与前述图1a所示实施例中步骤S101-S102相同，在此不进行详述。
步骤S203：获得目标区域的目标地理位置，基于目标地理位置，从预先存储的道路区域中确定目标区域的第一备选区域。
一种实施方式中，可以针对预先存储的每一道路区域，计算该道路区域的地理位置与目标地理位置之间的匹配度，基于计算得到的匹配度，从预先存储的道路区域中确定目标区域的第一备选区域。
在确定第一备选区域时，可以将匹配度大于匹配度阈值的道路区域，确定为目标区域的第一备选区域；也可以将预设数量个匹配度最高的道路区域，确定为目标区域的第一备选区域。
由于匹配度能够反映预先存储的道路区域的地理位置与目标区域的目标地理位置为同一位置的可能性，当匹配度越高，可能性越大，当匹配度越低，可能性越小，因此，基于匹配度，能够较为准确地确定地理位置与目标地理位置可能为同一位置的道路区域，从而使得所确定的第一备选区域的地理位置与目标地理位置为同一位置的可能性较高。
步骤S204：基于第一备选区域的采集时刻，从各第一备选路区域中确定最新采集时刻所采集的备选区域，作为目标区域的参考区域。
预先存储的道路区域是在不同采集时刻采集得到的，在存储上述道路区域时，存储上述道路区域的采集时刻，因此，可以获得第一备选区域的采集时刻，基于第一备选区域的采集时刻确定参考区域。
由于道路可能会随着时间的推进而不断发生通行性变化，不同采集时刻所采集的道路区域反映的道路情况可能是不同的。最新采集时刻所采集的道路区域能够较为准确地反映道路最近的道路情况，所以，可以将最新采集时刻所采集的第一备选区域确定为目标区域的参考区域。
例如：第一备选区域以及第一备选区域的采集时刻如下表1所示。
表1
从上述表1可以看到，区域4的采集时刻为最新采集时刻，所以将区域4确定为目标区域的参考区域。
步骤S205：计算目标区域与参考区域之间的相似度。
步骤S206：基于相似度，确定待检测道路是否发生通行性变化，得到检测结果。
上述步骤S205-S206分别与前述图1a所示实施例中步骤S104-S105相同，在此不进行详述。
由于是基于目标地理位置，从预先存储的道路区域中确定目标区域的第一备选区域，第一备选区域的地理位置与目标区域的目标地理位置为同一位置的可能性较高，又由于最新采集时刻所采集的道路区域能够较为准确地反映道路最近的道路情况，因此，最新采集时刻所采集的第一备选区域与目标地理位置为同一位置的可能性较高、并且能够反映道路最近的道路情况，所以，将最新采集时刻所采集的第一备选区域确定为目标区域的参考区域，能够提高所确定的参考区域的准确度。
为了能够获得更加准确的第一备选区域，本公开的一个实施例中，在上述图2所示实施例的步骤S203之后，还可以基于目标区域在道路图像中的目标区域位置，从第一备选区域中确定目标区域的第二备选区域。
上述目标区域位置表示目标区域在图像中的位置信息。
一种实施方式中，可以针对每一第一备选区域，计算该第一备选区域在图像中的区域位置与目标区域位置之间的的匹配度；基于上述匹配度，从第一备选区域中确定目标区域的第二备选区域。
当匹配度越高，表示第一备选区域在图像的位置与目标区域位置为同一位置的可能性越高，第一备选区域与目标区域的图像尺寸、图像清晰度等信息相同的可能性越高，从而在后续确定目标区域的参考区域时，能够避免由于图像尺寸、图像清晰度等问题导致的误差，从而进一步提高了所缺的参考区域的准确度。
在上述实施例的基础上，上述步骤S204，可以按照以下方式实现：
基于第二备选区域的采集时刻，从各第二备选区域中确定最新采集时刻所采集的第二备选区域。
在上述图1a所示实施例的步骤S102中，除了采用道路检测方式确定目标区域，可以按照下述图3a所示实施例中步骤S302-S303确定目标区域。
参见图3a，提供了第三种道路变化检测方法的流程示意图，上述方法包括以下步骤S301-S307。
步骤S301：获得道路图像。
上述步骤S301与前述图1a所示实施例中步骤S101相同，在此不进行详述。
步骤S302：对道路图像进行道路区域实例分割，确定实例分割所得到的第一区域。
上述道路区域实例分割是指采用实例分割方式，识别道路图像中的道路区域。
具体的，在进行道路区域实例分割时，首先对道路图像进行实例检测，得到道路图像中各实例所在的实例区域，然后，对每一实例区域进行道路区域识别，得到所识别的道路区域，作为实例分割所得到的第一区域。
例如，在对道路图像进行实例检测，得到道路图像中各实例所在的实例区域分别为：正向道路区域、左侧路口道路区域、右侧路口道路区域、车道线区域、绿化带区域，然后，对上述每一实例区域进行道路区域识别，得到所识别的道路区域为：正向道路区域、左侧路口道路区域、右侧路口道路区域。
一种实施方式中，在进行实例分割时，可以采用实例分割模型对道路图像进行道路区域分割。上述实例分割模型可以为Mask-R-CNN(Mask-Region-Based ConvolutionalNetworks，掩膜基于区域的卷积神经网络)，yolact(You Only Look At CoefficienTs)，GCNet(Global Context Network，全局上下文建模网络)。
在进行实例分割时，是以图像中的实例为角度对图像进行区域分割，采用实例分割能够对图像进行细粒度的划分，使得得到的第一区域更加精准。
步骤S303：若存在多个第一区域，对第一区域进行合并，得到第二区域。
由于第一区域是对道路图像进行道路区域实例分割得到的区域，第一区域是道路区域中被识别为道路区域的实例区域。又由于在图像中会存在不同的实例区域的类型为同一类型的情况，例如实例区域可以为正向道路区域、左侧路口区域、右侧路口区域，这三者区域的类型均为道路区域类型。因此，当存在多个第一区域时，表示道路图像中存在多个道路区域，这多个道路区域加起来形成一个完整的道路区域，所以，可以将第一区域进行合并。
具体的，可以按照以下两种方式合并第一区域。
第一种实施方式中，直接对第一区域进行合并，将合并得到的区域作为第二区域。
以图3b为例，图3b示出了一种道路图像，道路图像中有两个小框，每一小框的区域为第一区域，两个第一区域进行合并，得到的区域为合并后的区域。
第二种实施方式中，在进行合并之前，可以对多个第一区域进行筛选，得到满足预设条件的第一区域，将所确定的第一区域进行合并，得到第二区域。
上述预设条件可以为：区域的尺寸大于预设区域尺寸、预设数量个相邻的区域等。例如：以区域的尺寸大于预设区域尺寸为例，预取区域尺寸为128，多个第一区域的尺寸分别为：32、64、256、512，由于32、64小于128、256、512大于128，所以，尺寸为256、512的第一区域满足预设条件。
步骤S304：基于第二区域，确定道路图像中的道路区域，作为待检测道路所在的目标区域。
具体的，可以按照以下两种方式确定道路图像中的道路区域。
第一种实施方式中，直接将第二区域确定为道路图像中的道路区域。
第二种实施方式中，由于合并后得到的第二区域的形状可能是不规整的形状，对后续基于道路区域进行道路变化检测造成一定难度，基于此，可以确定包含第二区域的预设形状的区域，作为道路图像中的道路区域。
上述预设形状可以为矩形。以预设形状为矩形为例，确定第二区域的最大外接矩形的区域，作为道路图像中的道路区域。
由于是将包含第二区域的预设形状的区域确定为道路区域，所以，所确定的道路区域的形状比较规整，在后续能够基于较为规整的道路区域进行道路变化检测，减少了道路变化检测的复杂度，提高了检测效率。
步骤S305：获得目标区域的目标地理位置，基于目标地理位置，从预先存储的道路区域中确定目标区域的参考区域。
步骤S306：计算目标区域与参考区域之间的相似度。
步骤S307：基于相似度，确定待检测道路是否发生通行性变化，得到检测结果。
上述步骤S305-S307分别与前述图1a所示实施例中步骤S103-S105相同，在此不进行详述。
由以上可见，由于第一区域是对道路图像进行道路区域实例分割得到的区域，又由于在进行实例分割时，是以图像中的实例为角度对道路图像中的实例所在区域进行检测，从检测得到的实例区域中确定道路区域，也就是，第一区域是道路区域中被识别为道路区域的实例区域。又由于不同实例区域的类型可能均为道路区域类型，因此，当存在多个第一区域时，表示道路图像中存在多个道路区域，将第一区域进行合并，所得到的第二区域能够较为准确地表示一个完整的道路区域，所以，将所得到的第二区域确定为道路图像中的道路区域，能够提高所确定的道路区域的完整度。
在上述图1a所示实施例的步骤S104中，除了采用通过相似度计算模型计算相似度的方式，可以按照下述图4所示实施例的步骤S404-S405计算相似度。
参见图4，提供了第四种道路变化检测方法的流程示意图，上述方法包括以下步骤S401-S406。
步骤S401：获得道路图像。
步骤S402：提取道路图像中的道路区域，作为待检测道路所在的目标区域。
步骤S403：获得目标区域的目标地理位置，基于目标地理位置，从预先存储的道路区域中确定目标区域的参考区域。
上述步骤S401-S403分别与前述图1a所示实施例中步骤S101-S103相同，在此不进行详述。
步骤S404：提取目标区域的第一图像特征，并获得参考区域的第二图像特征。
第一图像特征表征目标区域的图像特征，第二图像特征表征参考区域的图像特征。上述图像特征可以包括：颜色特征、纹理特征、边缘特征等。
具体的，可以采用以下两种方式提取第一图像特征。
第一种实施方式中，可以采用图像特征提取算法，对目标区域进行图像特征提取，得到第一图像特征。
上述图像特征提取算法可以包括：HOG(Histogram of Oriented Gradient，方向梯度直方图)、LBP(Local Binary Pattern，局部二值模式)等。
第二种实施方式中，可以采用图像特征提取模型，将目标区域输入图像特征提取模型，得到图像特征提取模型输出的图像特征，作为目标区域的第一图像特征。
上述图像特征提取模型可以包括：Resnet(残差神经网络)，Segnet(图像分割网络)，Shufflenet(精简神经网络模型)。
具体的，可以采用以下两种方式提取第一图像特征。
第一种实施方式中，预先存储各道路区域的图像特征，基于此，可以从预先存储的图像特征中获得参考区域的图像特征，作为第二图像特征。
第二种实施方式中，对参考图像进行图像特征提取，具体提取方式可以参见第一图像特征的提取方式，在此不进行详述。
步骤S405：计算第一图像特征与第二图像特征之间的相似度，作为目标区域与参考区域之间的相似度。
第一图像特征与第二图像特征之间的相似度反映目标区域与参考区域之间的相似性，当相似度越大，表示目标区域与参考区域之间的相似性越大，当相似度越小，表示目标区域与参考区域之间的相似性越小。
一种实施方式中，可以计算第一图像特征与第二图像特征之间的欧式距离或余弦距离，基于预设的相似度与距离之间的对应关系，确定计算得到的距离对应的相似度，作为第一图像特征与第二图像特征之间的相似度。
步骤S406：基于相似度，确定待检测道路是否发生通行性变化，得到检测结果。
上述步骤S406与前述图1a所示实施例中步骤S105相同，在此不进行详述。
由以上可见，由于第一图像特征与第二图像特征之间的相似度能够反映目标区域与参考区域之间的相似性，因此，将计算得到的相似度作为目标区域与参考区域之间的相似度，能够使得所确定的相似度的准确度较高。
以下结合图5，对本公开实施例提供的道路变化检测方案进行说明。
图5为本公开实施例提供的一种道路变化检测方法的流程框图。
在图5中，示出了针对路口道路的通行性变化检测的流程，按照箭头指向顺序，该流程分为三个部分，分别为：数据采集部分、路口通行性检测部分以及路口通行性变化检测部分。
在数据采集部分中，使用车辆摄像头采集道路数据。
在路口通行性检测部分中，分为三个步骤：
第一个步骤，采用图像分类方式，识别数据采集部分所采集的道路数据中路口前图像。
第二个步骤，对路口前图像进行实例分割，得到路口前图像中的道路区域。
第三个步骤，基于分割得到的道路区域，确定路口前图像中的路口区域。
在路口通行性变化检测部分中，从已采集的图像数据中确定路口区域的参考区域，基于路口前图像中的路口区域与参考区域，进行路口通行性变化检测，得到待检测路口是否发生通行性变化的检测结果。
与上述道路变化检测方法相对应的，本公开实施例提供的一种道路变化检测装置。
参见图6，图6为本公开实施例提供的第一种道路变化检测装置的结构示意图，上述装置包括以下模块601-605。
图像获得模块601，用于获得道路图像；
区域提取模块602，用于提取所述道路图像中的道路区域，作为待检测道路所在的目标区域；
区域确定模块603，用于获得所述目标区域的目标地理位置，基于所述目标地理位置，从预先存储的道路区域中确定所述目标区域的参考区域；
相似度计算模块604，用于计算所述目标区域与参考区域之间的相似度；
检测结果确定模块605，用于基于所述相似度，确定所述待检测道路是否发生通行性变化，得到检测结果。
由以上可见，本公开实施例提供的方案中，由电子设备提取待检测道路所在的目标区域，并确定目标区域的参考区域，基于目标区域与参考区域之间的相似度，确定待检测道路是否发生通行性变化。相较于现有技术中由工作人员手动检测道路是否发生通行性变化，提高了道路变化检测的效率。
并且，由于参考区域是基于目标区域的目标地理位置从预先存储的道路区域中确定得到的，上述参考区域能够反映待检测道路的历史道路情况，又由于目标区域能够反映待检测道路当前道路情况，所以，目标区域与参考区域之间的相似度，能够反映待检测道路当前道路情况与历史道路情况之间的差异。因此，基于目标区域与参考区域之间的相似度，能够较为准确地确定待检测道路是否发生通行性，从而提高了道路变化检测的准确度。
参见图7，图7为本公开实施例提供的第二种道路变化检测装置的结构示意图，上述装置包括以下模块701-706。
图像获得模块701，用于获得道路图像；
区域提取模块702，用于提取所述道路图像中的道路区域，作为待检测道路所在的目标区域；
第一区域确定子模块703，用于基于所述目标地理位置，从预先存储的道路区域中确定目标区域的第一备选区域；
第二区域确定子模块704，用于基于第一备选区域的采集时刻，从各第一备选路区域中确定最新采集时刻所采集的第一备选区域，作为所述目标区域的参考区域。
相似度计算模块705，用于计算所述目标区域与参考区域之间的相似度；
检测结果确定模块706，用于基于所述相似度，确定所述待检测道路是否发生通行性变化，得到检测结果。
由于是基于目标地理位置，从预先存储的道路区域中确定目标区域的第一备选区域，第一备选区域的地理位置与目标区域的目标地理位置为同一位置的可能性较高，又由于最新采集时刻所采集的道路区域能够较为准确地反映道路最近的道路情况，因此，最新采集时刻所采集的第一备选区域与目标地理位置为同一位置的可能性较高、并且能够反映道路最近的道路情况，所以，将最新采集时刻所采集的第一备选区域确定为目标区域的参考区域，能够提高所确定的参考区域的准确度。
本公开的一个实施例中，上述第一区域确定子模块703，具体用于针对预先存储的每一道路区域，计算该道路区域的地理位置与目标地理位置之间的匹配度；基于计算得到的匹配度，从预先存储的道路区域中确定目标区域的第一备选区域。
由于匹配度能够反映预先存储的道路区域的地理位置与目标区域的目标地理位置为同一位置的可能性，当匹配度越高，可能性越大，当匹配度越低，可能性越小，因此，基于匹配度，能够较为准确地确定地理位置与目标地理位置可能为同一位置的道路区域，从而使得所确定的第一备选区域的地理位置与目标地理位置为同一位置的可能性较高。
本公开的一个实施例中，上述区域确定模块603，还包括：
第三确定确定子模块，用于在所述第一区域确定子模块从预先存储的道路区域中确定目标区域的第一备选区域之后，基于所述目标区域在所述道路图像中的目标区域位置，从第一备选区域中确定目标区域的第二备选区域；
所述第二区域确定子模块704，具体用于基于第二备选区域的采集时刻，从各第二备选区域中确定最新采集时刻所采集的第二备选区域。
当匹配度越高，表示第一备选区域在图像的位置与目标区域位置为同一位置的可能性越高，第一备选区域与目标区域的图像尺寸、图像清晰度等信息相同的可能性越高，从而在后续确定目标区域的参考区域时，能够避免由于图像尺寸、图像清晰度等问题导致的误差，从而进一步提高了所缺的参考区域的准确度。
参见图8，图8为本公开实施例提供的第三种道路变化检测装置的结构示意图，上述装置包括以下模块801-807。
图像获得模块801，用于获得道路图像；
图像分割子模块802，用于对所述道路图像进行道路区域实例分割，确定实例分割所得到的第一区域；
区域合并子模块803，用于若存在多个第一区域，对第一区域进行合并，得到第二区域；
第四区域确定子模块804，用于基于所述第二区域，确定所述道路图像中的道路区域。
区域确定模块805，用于获得所述目标区域的目标地理位置，基于所述目标地理位置，从预先存储的道路区域中确定所述目标区域的参考区域；
相似度计算模块806，用于计算所述目标区域与参考区域之间的相似度；
检测结果确定模块807，用于基于所述相似度，确定所述待检测道路是否发生通行性变化，得到检测结果。
由以上可见，由于第一区域是对道路图像进行道路区域实例分割得到的区域，又由于在进行实例分割时，是以图像中的实例为角度对道路图像中的实例所在区域进行检测，从检测得到的实例区域中确定道路区域，也就是，第一区域是道路区域中被识别为道路区域的实例区域。又由于不同实例区域的类型可能均为道路区域类型，因此，当存在多个第一区域时，表示道路图像中存在多个道路区域，将第一区域进行合并，所得到的第二区域能够较为准确地表示一个完整的道路区域，所以，将所得到的第二区域确定为道路图像中的道路区域，能够提高所确定的道路区域的完整度。
本公开的一个实施例中，第四区域确定子模块804，具体用于确定包含所述第二区域的预设形状的区域，作为所述道路图像中的道路区域。
由于是将包含第二区域的预设形状的区域确定为道路区域，所以，所确定的道路区域的形状比较规整，在后续能够基于较为规整的道路区域进行道路变化检测，减少了道路变化检测的复杂度，提高了检测效率。
参见图9，图9为本公开实施例提供的第四种道路变化检测装置的结构示意图，上述装置包括以下模块901-906。
图像获得模块901，用于获得道路图像；
区域提取模块902，用于提取所述道路图像中的道路区域，作为待检测道路所在的目标区域；
区域确定模块903，用于获得所述目标区域的目标地理位置，基于所述目标地理位置，从预先存储的道路区域中确定所述目标区域的参考区域；
特征提取子模块904，用于提取所述目标区域的第一图像特征，并获得所述参考区域的第二图像特征；
相似度计算子模块905，用于计算所述第一图像特征与第二图像特征之间的相似度，作为所述目标区域与参考区域之间的相似度。
检测结果确定模块906，用于基于所述相似度，确定所述待检测道路是否发生通行性变化，得到检测结果。
由以上可见，由于第一图像特征与第二图像特征之间的相似度能够反映目标区域与参考区域之间的相似性，因此，将计算得到的相似度作为目标区域与参考区域之间的相似度，能够使得所确定的相似度的准确度较高。
本公开的一个实施例中，上述检测结果确定模块，具体用于若所述相似度小于相似度阈值，确定所述待检测道路发生通行性变化；若所述相似度大于或等于所述相似度阈值，确定所述待检测道路未发生通行性变化。
由于是基于相似度与相似度阈值之间的大小关系，确定待检测道路是否发生通行性变化，又由于相似度与相似度阈值之间的大小关系能够准确表征目标区域与参考区域之间的相似度大小，因此，基于相似度与相似度阈值之间的大小关系，能够较为准确地确定待检测道路是否发生通行性变化。
本公开的一个实施例中，上述待检测道路为路口道路。
当待检测道路为路口道路时，采用本实施例的方案，能够对路口道路是否发生通行性变化进行检测。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，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。
本公开的一个实施例中，提供了一种电子设备，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道路变化检测方法。
本公开的一个实施例中，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，其中，所述计算机指令用于使所述计算机执行上述道路变化检测方法。
本公开的一个实施例中，提供了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上述道路变化检测方法。
图10示出了可以用来实施本公开的实施例的示例电子设备1000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10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理，例如道路变化检测方法。例如，在一些实施例中，道路变化检测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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的道路变化检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行道路变化检测方法。
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)、复杂可编程逻辑设备(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 (17)

1.一种道路变化检测方法，包括：
获得道路图像；
提取所述道路图像中的道路区域，作为待检测道路所在的目标区域；
获得所述目标区域的目标地理位置，基于所述目标地理位置，从预先存储的道路区域中确定所述目标区域的参考区域，其中，预先存储的道路区域是历史采集的道路区域；
计算所述目标区域与参考区域之间的相似度；
基于所述相似度，确定所述待检测道路是否发生通行性变化，得到检测结果；
所述提取所述道路图像中的道路区域，包括：
对所述道路图像进行道路区域实例分割，确定实例分割所得到的第一区域，其中，所述第一区域包括以下区域中的至少一种：正向道路区域、左侧路口道路区域以及右侧路口道路区域，所述对所述道路图像进行道路区域实例分割，确定实例分割所得到的第一区域，包括：对所述道路图像进行道路区域实例分割，得到所述道路图像中各实例所在的实例区域，从实例分割得到的实例区域中识别道路区域，得到第一区域；
若存在多个第一区域，对第一区域进行合并，得到第二区域；
基于所述第二区域，确定所述道路图像中的道路区域。
2.根据权利要求1所述的方法，其中，所述基于所述目标地理位置，从预先存储的道路区域中确定所述目标区域的参考区域，包括：
基于所述目标地理位置，从预先存储的道路区域中确定目标区域的第一备选区域；
基于第一备选区域的采集时刻，从各第一备选路区域中确定最新采集时刻所采集的第一备选区域，作为所述目标区域的参考区域。
3.根据权利要求2所述的方法，其中，所述基于所述目标地理位置，从预先存储的道路区域中确定目标区域的第一备选区域，包括：
针对预先存储的每一道路区域，计算该道路区域的地理位置与目标地理位置之间的匹配度；
基于计算得到的匹配度，从预先存储的道路区域中确定目标区域的第一备选区域。
4.根据权利要求2所述的方法，
在所述基于所述目标地理位置，从预先存储的道路区域中确定目标区域的第一备选区域之后，还包括：
基于所述目标区域在所述道路图像中的目标区域位置，从第一备选区域中确定目标区域的第二备选区域；
所述基于第一备选区域的采集时刻，从各第一备选路区域中确定最新采集时刻所采集的第一备选区域，包括：
基于第二备选区域的采集时刻，从各第二备选区域中确定最新采集时刻所采集的第二备选区域。
5.根据权利要求1所述的方法，其中，所述基于所述第二区域，确定所述道路图像中的道路区域，包括：
确定包含所述第二区域的预设形状的区域，作为所述道路图像中的道路区域。
6.根据权利要求1-5中任一项所述的方法，其中，所述计算所述目标区域与参考区域之间的相似度，包括：
提取所述目标区域的第一图像特征，并获得所述参考区域的第二图像特征；
计算所述第一图像特征与第二图像特征之间的相似度，作为所述目标区域与参考区域之间的相似度。
7.根据权利要求1-5中任一项所述的方法，其中，所述基于所述相似度，确定所述待检测道路是否发生通行性变化，得到检测结果，包括：
若所述相似度小于相似度阈值，确定所述待检测道路发生通行性变化；
若所述相似度大于或等于所述相似度阈值，确定所述待检测道路未发生通行性变化。
8.根据权利要求1-5中任一项所述的方法，其中，所述待检测道路为路口道路。
9.一种道路变化检测装置，包括：
图像获得模块，用于获得道路图像；
区域提取模块，用于提取所述道路图像中的道路区域，作为待检测道路所在的目标区域；
区域确定模块，用于获得所述目标区域的目标地理位置，基于所述目标地理位置，从预先存储的道路区域中确定所述目标区域的参考区域，其中，预先存储的道路区域是历史采集的道路区域；
相似度计算模块，用于计算所述目标区域与参考区域之间的相似度；
检测结果确定模块，用于基于所述相似度，确定所述待检测道路是否发生通行性变化，得到检测结果；
所述区域提取模块，包括：
图像分割子模块，用于对所述道路图像进行道路区域实例分割，确定实例分割所得到的第一区域，其中，所述第一区域包括以下区域中的至少一种：正向道路区域、左侧路口道路区域以及右侧路口道路区域，所述对所述道路图像进行道路区域实例分割，确定实例分割所得到的第一区域，包括：对所述道路图像进行道路区域实例分割，得到所述道路图像中各实例所在的实例区域，从实例分割得到的实例区域中识别道路区域，得到第一区域；
区域合并子模块，用于若存在多个第一区域，对第一区域进行合并，得到第二区域；
第四区域确定子模块，用于基于所述第二区域，确定所述道路图像中的道路区域。
10.根据权利要求9所述的装置，其中，所述区域确定模块，包括：
第一区域确定子模块，用于基于所述目标地理位置，从预先存储的道路区域中确定目标区域的第一备选区域；
第二区域确定子模块，用于基于第一备选区域的采集时刻，从各第一备选路区域中确定最新采集时刻所采集的第一备选区域，作为所述目标区域的参考区域。
11.根据权利要求10所述的装置，其中，所述第一区域确定子模块，具体用于针对预先存储的每一道路区域，计算该道路区域的地理位置与目标地理位置之间的匹配度；基于计算得到的匹配度，从预先存储的道路区域中确定目标区域的第一备选区域。
12.根据权利要求10所述的装置，
所述区域确定模块，还包括：
第三确定子模块，用于在所述第一区域确定子模块从预先存储的道路区域中确定目标区域的第一备选区域之后，基于所述目标区域在所述道路图像中的目标区域位置，从第一备选区域中确定目标区域的第二备选区域；
所述第二区域确定子模块，具体用于基于第二备选区域的采集时刻，从各第二备选区域中确定最新采集时刻所采集的第二备选区域。
13.根据权利要求9所述的装置，其中，所述第四区域确定子模块，具体用于确定包含所述第二区域的预设形状的区域，作为所述道路图像中的道路区域。
14.根据权利要求9-13中任一项所述的装置，其中，所述相似度计算模块，包括：
特征提取子模块，用于提取所述目标区域的第一图像特征，并获得所述参考区域的第二图像特征；
相似度计算子模块，用于计算所述第一图像特征与第二图像特征之间的相似度，作为所述目标区域与参考区域之间的相似度。
15.根据权利要求9-13中任一项所述的装置，其中，所述检测结果确定模块，具体用于若所述相似度小于相似度阈值，确定所述待检测道路发生通行性变化；若所述相似度大于或等于所述相似度阈值，确定所述待检测道路未发生通行性变化。
16.一种电子设备，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1-8中任一项所述的方法。
17.一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1-8中任一项所述的方法。
CN202111491947.3A 2021-12-08 2021-12-08 一种道路变化检测方法、装置、设备以及存储介质 Active CN114155508B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111491947.3A CN114155508B (zh) 2021-12-08 2021-12-08 一种道路变化检测方法、装置、设备以及存储介质
US18/076,230 US20230101388A1 (en) 2021-12-08 2022-12-06 Detection of road change
EP22212345.7A EP4123599A3 (en) 2021-12-08 2022-12-08 Method and apparatus for detecting road change, device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111491947.3A CN114155508B (zh) 2021-12-08 2021-12-08 一种道路变化检测方法、装置、设备以及存储介质

Publications (2)

Publication Number Publication Date
CN114155508A CN114155508A (zh) 2022-03-08
CN114155508B true CN114155508B (zh) 2024-04-05

Family

ID=80453558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111491947.3A Active CN114155508B (zh) 2021-12-08 2021-12-08 一种道路变化检测方法、装置、设备以及存储介质

Country Status (3)

Country Link
US (1) US20230101388A1 (zh)
EP (1) EP4123599A3 (zh)
CN (1) CN114155508B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166261A (zh) * 2018-10-11 2019-01-08 平安科技（深圳）有限公司 基于图像识别的图像处理方法、装置、设备及存储介质
CN110334634A (zh) * 2019-06-28 2019-10-15 广州鹰瞰信息科技有限公司 一种车道线类别的检测方法和预警装置
CN111540010A (zh) * 2020-05-15 2020-08-14 百度在线网络技术（北京）有限公司 一种道路监测的方法、装置、电子设备及存储介质
CA3136160A1 (en) * 2019-04-12 2020-10-15 Amicro Semiconductor Co., Ltd. Map update control method and map update control system for vision robot
CN112699834A (zh) * 2021-01-12 2021-04-23 腾讯科技（深圳）有限公司 交通标识检测方法、装置、计算机设备和存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9858478B2 (en) * 2014-12-19 2018-01-02 Intel Corporation Bi-directional community information brokerage
CN113421432B (zh) * 2021-06-21 2023-02-28 北京百度网讯科技有限公司 交通限行信息检测方法、装置、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166261A (zh) * 2018-10-11 2019-01-08 平安科技（深圳）有限公司 基于图像识别的图像处理方法、装置、设备及存储介质
CA3136160A1 (en) * 2019-04-12 2020-10-15 Amicro Semiconductor Co., Ltd. Map update control method and map update control system for vision robot
CN110334634A (zh) * 2019-06-28 2019-10-15 广州鹰瞰信息科技有限公司 一种车道线类别的检测方法和预警装置
CN111540010A (zh) * 2020-05-15 2020-08-14 百度在线网络技术（北京）有限公司 一种道路监测的方法、装置、电子设备及存储介质
CN112699834A (zh) * 2021-01-12 2021-04-23 腾讯科技（深圳）有限公司 交通标识检测方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN114155508A (zh) 2022-03-08
US20230101388A1 (en) 2023-03-30
EP4123599A2 (en) 2023-01-25
EP4123599A3 (en) 2023-05-24

Similar Documents

Publication Publication Date Title
US10430659B2 (en) Method and apparatus for urban road recognition based on laser point cloud, storage medium, and device
US20210312632A1 (en) Method and apparatus for extracting a satellite image-based building footprint
CN112560862B (zh) 文本识别方法、装置及电子设备
CN112233240A (zh) 三维矢量地图的三维矢量数据切片方法、装置及电子设备
CN113409461B (zh) 构建地貌地图的方法、装置、电子设备和可读存储介质
CN114037966A (zh) 高精地图特征提取方法、装置、介质及电子设备
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
KR20230005070A (ko) 도로 정보 업데이트 방법, 도로 정보 업데이트 장치, 전자장비, 저장매체 및 컴퓨터 프로그램
CN114283343A (zh) 基于遥感卫星图像的地图更新方法、训练方法和设备
CN113989300A (zh) 车道线分割的方法、装置、电子设备和存储介质
CN116091709B (zh) 建筑物的三维重建方法、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
CN115131761B (zh) 道路边界的识别方法、绘制方法及装置
CN114724113B (zh) 道路标牌识别方法、自动驾驶方法、装置和设备
CN115761698A (zh) 一种目标检测方法、装置、设备及存储介质
CN113920273B (zh) 图像处理方法、装置、电子设备和存储介质
CN113450794B (zh) 导航播报的检测方法、装置、电子设备和介质
CN115527028A (zh) 地图数据处理方法及装置
CN115436900A (zh) 基于雷达图的目标检测方法、装置、设备和介质
CN114140813A (zh) 高精地图标注方法、装置、设备及存储介质
CN113706705A (zh) 用于高精地图的图像处理方法、装置、设备以及存储介质
CN109949360A (zh) 一种道路中心线的提取方法、装置、电子设备及存储介质
CN114581667B (zh) 地图数据处理方法、装置、电子设备和存储介质
CN114529768B (zh) 确定对象类别的方法、装置、电子设备和存储介质
CN114694138B (zh) 一种应用于智能驾驶的路面检测方法、装置及设备

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