CN114385662A - 路网更新方法、装置、存储介质及电子设备 - Google Patents
路网更新方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114385662A CN114385662A CN202210121687.9A CN202210121687A CN114385662A CN 114385662 A CN114385662 A CN 114385662A CN 202210121687 A CN202210121687 A CN 202210121687A CN 114385662 A CN114385662 A CN 114385662A
- Authority
- CN
- China
- Prior art keywords
- road
- target
- track
- road network
- 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.)
- Pending
Links
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种路网更新方法、装置、存储介质及电子设备。该方法包括:确定待更新路网信息的目标区域、及指定车辆在所述目标区域内的目标行驶轨迹;根据所述目标区域对应的初始路网和所述目标行驶轨迹,生成道路‑轨迹图像;将所述道路‑轨迹图像输入至训练好的神经网络模型中,输出目标图像,其中,所述目标图像至少包括目标道路,所述目标道路与所述初始路网不重叠;基于所述目标图像对所述初始路网进行更新。本方案中利用行驶轨迹结合神经网络模型来预测缺失道路数据,可提升路网更新的准确性和更新效率。
Description
技术领域
本申请涉及电子设备技术领域,尤其涉及一种路网更新方法、装置、存储介质及电子设备。
背景技术
数字地图更新的方法有多种,如人工采集方法、遥感影像识别方法等。其中,人工采集方法是通过专业人员和车辆配备勘测仪器进行实际道路勘查而进行路网更新;遥感影像识别方法需要专业人员不断采集足够多的遥感影像才能获取到大量可用的地图图像用于识别。然而,这些方式都面临更新周期长且需要大量的人力和物力资源的问题。
发明内容
本申请实施例提供一种路网更新方法、装置、存储介质及电子设备,可提升路网更新的准确性和更新效率。
第一方面,本申请实施例提供一种路网更新方法,包括:
确定待更新路网信息的目标区域、及指定车辆在所述目标区域内的目标行驶轨迹;
根据所述目标区域对应的初始路网和所述目标行驶轨迹,生成道路-轨迹图像;
将所述道路-轨迹图像输入至训练好的神经网络模型中,输出目标图像,其中,所述目标图像至少包括目标道路,所述目标道路与所述初始路网不重叠;
基于所述目标图像对所述初始路网进行更新。
第二方面,本申请实施例提供了一种路网更新装置,包括:
确定单元,用于确定待更新路网信息的目标区域、及指定车辆在所述目标区域内的目标行驶轨迹;
生成单元,用于根据所述目标区域对应的初始路网和所述目标行驶轨迹,生成道路-轨迹图像;
处理单元,用于将所述道路-轨迹图像输入至训练好的神经网络模型中,输出目标图像,其中,所述目标图像至少包括目标道路,所述目标道路与所述初始路网不重叠;
更新单元,用于基于所述目标图像对所述初始路网进行更新。
在一实施方式中,所述生成单元用于:
将所述初始路网和所述目标行驶轨迹转换成指定图像格式;
将转换格式后的初始网络信息和目标行驶轨迹进行数据叠加,得到道路-轨迹图像。
在一实施方式中,所述确定单元用于:
获取所述指定车辆在目标区域内的候选行驶轨迹;
对候选行驶轨迹进行聚类,得到多个轨迹簇;
针对不同轨迹簇提取中心线,得到所述目标行驶轨迹。
在一实施方式中,所述更新单元用于:
获取所述道路-轨迹图像中像素单元对应的地理位置信息;
将所述地理位置信息赋予给所述目标图像,以确定所述目标道路对应的目标地理位置信息;
根据所述目标地理位置信息将所述目标道路映射至所述初始路网中,以对所述初始路网进行更新。
在一实施方式中,所述装置还包括:
第一获取单元,用于在确定待更新路网信息的目标区域、及指定车辆在所述目标区域内的目标行驶轨迹之前,获取样本区域对应的样本初始路网、及预设车辆在所述样本区域内的样本行驶轨迹,并根据所述样本初始路网和所述样本行驶轨迹生成样本道路-轨迹图像;
第二获取单元,用于获取所述样本初始路网对应的缺失道路信息,并根据所述缺失道路信息生成缺失道路图像;
构建单元,用于根据所述样本道路-轨迹图像和所述缺失道路图像,构建训练样本;
训练单元,用于基于所述训练样本对预设神经网络模型进行训练,得到训练好的神经网络模型。
第三方面,本申请实施例还提供了一种计算机可读存储介质,所述存储介质中存储有多条指令,所述指令适于由处理器加载以执行上述的路网更新方法。
第四方面,本申请实施例还提供了一种电子设备,包括处理器及存储器,所述处理器与所述存储器电性连接,所述存储器用于存储指令和数据,处理器用于执行上述的路网更新方法。
本申请实施例,根据待更新路网信息的目标区域对应的初始路网、及在目标区域内的目标行驶轨迹,生成道路-轨迹图像,并输入至训练好的神经网络模型中,再基于模型输出的目标图像对初始路网进行更新。本方案中利用行驶轨迹结合神经网络模型来预测缺失道路数据,可提升路网更新的准确性和更新效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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路网更新方法的一流程示意图。
图2是本申请实施例提供的路网更新方法的另一流程示意图。
图3是本申请实施例提供的路网更新装置的一结构示意图。
图4是本申请实施例提供的电子设备的一结构示意图。
图5是本申请实施例提供的电子设备的另一结构示意图。
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,本领域技术人员在没有作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。
本申请实施例提供一种路网更新方法、装置、存储介质及电子设备。以下将分别进行详细说明。
在一实施例中,提供一种路网更新方法,应用于智能手机、平板电脑、笔记本电脑等电子设备中。参考图1,该路网更新方法的具体流程可以如下:
101、确定待更新路网信息的目标区域、及指定车辆在所述目标区域内的目标行驶轨迹。
其中,目标区域为需要做路网缺失挖掘的新区域。指定车辆可以由产品厂商自行选定,且行驶轨迹可以通过统一平台获取。例如,指定车辆可以是在该目标区域内行驶过的某一货运平台或载客平台下的车辆。
具体实施时,可以通过定时任务获取车辆每天所有订单的行驶轨迹数据。由于行使轨迹数据可能存在很多噪声,因此需要对行使轨迹数据进行质量提升,提取出可还原真实道路的行驶轨迹数据。也即,在一些实施例中,确定指定车辆在目标区域内的目标行驶轨迹的步骤,可以包括以下操作:
获取指定车辆在目标区域内的候选行驶轨迹;
对行驶轨迹进行聚类,得到多个轨迹簇;
针对不同轨迹簇提取中心线,得到目标行驶轨迹。
具体的,可以通过相似度计算对行使轨迹进行聚类,并对不同的行使轨迹簇提取出中心线作为关键轨迹以进行轨迹质量提升。
在进行轨迹相似度计算时,为了区分出符合对应不同的道路形态的行使轨迹,可利用Frechet距离和起终点之间的方向差来计算不同轨迹之间的相似度。计算公式如下:
TSM=MFrechet+Wdirectio*ζ
其中,MFrechet表示两条轨迹之间的Frechet距离,Wdirection表示两条轨迹起终点的方向差,ζ为常数。该公式所得的值越大,相似度越低;值越小,相似度越高。
另外,角度差的判定公式如下:
其中,ω表示两条轨迹之间的角度差。Tra表示轨迹a,Trb表示轨迹b。若两条轨迹起终点之间的方向差大于角度阈值γ,则两条轨迹之间的为方向差为1,否则为0。
然后,基于相似度矩阵的相似度测量结果,再用DBSCAN聚类算法将轨迹区分为不同的轨迹簇。DBSCAN方法有两个重要参数,可适当调整minSample(最小样本数)和eps的值。
提取中心线时,可先利用Frechet距离在同簇中候选参考轨迹(k条),并分别计算每个候选者与该簇的其余轨迹之间的Frechet距离,将具有最小距离和的候选轨迹视为参考轨迹;再用Force-attraction方法,让候选轨迹与同一簇中的其余轨迹来迭代调整点的位置,该过程为轨迹的任意点的吸引力和排斥力达到平衡来获取新位置。吸引力计算公式如下:
排斥力计算公式如下:
F2(pj)=s(x-pj)
其中,pj表示随机选取的轨迹上的任意点,pk表示任意同一轨迹簇中的一个轨迹点,d(pi,pk)表示点pi到点pk的最短距离,θ表示点pi和点pk的方向差,M和σ是确定引力的参数(值分别为1和10),s为斥力系数(值为0.005),x表示点pi新的位置。
实际应用中,在进行轨迹质量提升之前,还可以对可以分段、去噪和压缩的方法对轨迹进行数据预处理。具体如下:
轨迹分段:对于信号缺失导致采样点遗漏而缺失了大量中间的道路信息的情况,可考虑正常情况下的采样间隔(3~5s)和相邻轨迹点的距离间隔(20m),对轨迹设置时间间隔和距离间隔的阈值,对时间间隔或距离间隔过大的点之间进行截断;
轨迹去噪:对于轨迹分段造成一些轨迹长度极短或轨迹点数量极少的情况,可采用设置轨迹长度阈值和轨迹点数量阈值来剔除;对于gps信号漂移带来的轨迹点位置波动和由于拥堵和人为因素导致在很小区域轨迹有自相交的情况,可通过轨迹点的前后相邻点之间的方向差的阈值来剔除;
轨迹压缩:由于车辆在因为红绿灯或交通拥堵停留造成在局部区域产生大量的轨迹点,可利用道格拉斯-普克算法,将轨迹简化为一组关键点但同时保留原始轨迹的形状特征。(整体的思路为:对于任意轨迹tr,其起点ps和终点pe连成一条线段,起点ps和终点pe之间的长度Dse大于设定的距离阈值5m的最远的点pk视为一个关键点保留。然后,将起点(或终点)和关键点pk连接成一条线段,重复操作,直到起点(终点)与某个关键点重叠。在轨迹tr上的其余点上迭代执行关键点提取过程,最后获得一组由关键点形成的新的压缩轨迹。
102、根据目标区域对应的初始路网和目标行驶轨迹,生成道路-轨迹图像。
其中,初始路网指当前在该目标区域内的已知道路信息。在一些实施例中,在根据目标区域对应的初始路网和目标行驶轨迹生成道路-轨迹图像时,具体可以包括以下操作:
将初始路网和目标行驶轨迹转换成指定图像格式;
将转换格式后的初始网络信息和目标行驶轨迹进行数据叠加,得到道路-轨迹图像。
具体的,根据指定图幅范围shp文件(即目标区域),获取该图幅范围内的行驶轨迹数据(提升质量后)和路网数据,将图幅范围shp文件裁剪成多个个(如24个)子框,然后利用每一个子框切割行驶轨迹和路网shp文件,分别得到多个1024*1024大小的道路数据并转化成json格式。然后,将对应子图的行驶轨迹数据和路网数据json格式进行栅格矢量化转化成tif格式并进行数据叠加,保存在一个tif图像上,得到道路-轨迹图像。
103、将道路-轨迹图像输入至训练好的神经网络模型中,输出目标图像,其中,目标图像至少包括目标道路,目标道路与所述初始路网不重叠。
本实施例中,目标道路为该目标区域中路网信息对应的缺失道路。该训练好的神经网络模型可以是图像分割模型,其可替代人工数据标注的过程对新区域做路网缺失进行推断,输出缺失道路信息。
在本实施例中,需要预先训练好模型。具体的,可将缺失道路获取的问题看作是一种二分类的语义分割任务,以图像分割模型unet为基础,通过模型训练产出一个比较好的图像分割模型,能快速高效地获取到缺失道路信息。也即,在确定待更新路网信息的目标区域、及指定车辆在所述目标区域内的目标行驶轨迹之前,还可包括以下操作:
获取样本区域对应的样本初始路网、及预设车辆在样本区域内的样本行驶轨迹,并根据样本初始路网和样本行驶轨迹生成样本道路-轨迹图像;
获取样本初始路网对应的缺失道路信息,并根据缺失道路信息生成缺失道路图像;
根据样本道路-轨迹图像和缺失道路图像,构建训练样本;
基于训练样本对预设神经网络模型进行训练,得到训练好的神经网络模型。
首先是训练样本集的获取,主要包括两部分数据,一部分是行驶轨迹和道路叠加的数据图像(tif),即样本道路-轨迹图像;另一部分是缺失道路数据图像(tif)。前一部分数据通过数据转化格式获取到,后一部数据分通过图像标注平台获取。
具体的,可根据指定图幅范围shp文件,获取该图幅范围内的司机轨迹数据(提升质量后)和路网数据,将图幅范围shp文件裁剪成多个(如24个)子框,然后利用每一个子框切割司机轨迹和路网shp文件,分别得到多个1024*1024大小的道路数据并转化成json格式。
在获取缺失道路图像时,可将对应子图的司机轨迹数据和路网数据输入到缺失道路数据标注平台,通过人工识别和标注,获取到缺失道路json格式,后转化成tif格式。其中,转化的方法如下:读取图幅shp的xmin,xmax,ymin,ymax,分别计算x/y方向的分辨率和平均分辨率值:x_res/y_res和average_res(x_res和y_res会存在微小差别,在定义单个像元尺寸时,使用average_res);tif属性被定义后,判断每个像元位置是否存在道路,存在道路则赋予对应像元值(路网数据为4,行驶轨迹为1,缺失道路为-1,否则写入0)。
在获取样本道路-轨迹图像时,将对应子图的司机轨迹数据和路网数据json格式进行栅格矢量化转化成tif格式(和step2转换方法相同)并进行数据叠加,保存在一个tif图像上(像元值为5表示两种道路都存在)。
然后,将获取到的两类数据样本作为预设神经网络模型的数据输入,训练模型。
为了符合网络输入的像素标准,可改变数据集中的image(即样本道路-轨迹图像)和label(即缺失道路图像)的像素值,image中的背景像素值为100,单路网像素值为120,单轨迹像素值为200,路网与轨迹共有的像素值为170。label中的背景类像素值为0,其余为255。
将获取的训练样本中的数据按照训练集与测试集为4:1的比例进行划分。
因训练样本的数据量较少,在模型训练过程中,可设置数据增强参数(旋转、平移、错切、翻转、resize),对训练样本数据进行扩充。
训练参数设置可根据服务器GPU配置以及训练样本集中图片尺寸大小,设置batch_size为5,epoch为500,初始学习率为10e-4,10轮次loss不再下降后,学习率以0.1倍进行降低,为防止过拟合,当20轮次loss不再下降后,训练过程提前结束。
模型训练时,将训练图片以及所对应的标签传入到网络中,使用keras深度学习框架进行训练,输入图片经过不同程度的卷积,提取不同层次的特征,然后经过上采样恢复维度,并与前一层特征进行skip-connection,使特征图中既包含深层语义特征信息又包含浅层语义特征信息,上采样通过反卷积实现,最后恢复原图大小,并输出两类图,为背景和缺失道路,输出的缺失道路与label对比计算loss,并使用adam优化器优化学习率用来对网络权重进行更新,使loss进行降低,最终得到一个优化模型。
最后,使用训练好的神经网络模型对测试图片进行推断,将推断后的结果与测试图片所对应的标签比较,计算iou(IntersectionoverUnion,交并比)与miou(MeanIntersectionoverUnion,平均交并比),以验证模型预测的准性。
104、基于目标图像对初始路网进行更新。
在本实施例中,可将图像分割模型推断的图像结果矢量化,获取缺失道路的经纬度信息,以对路网进行更新。也即,在一实施方式中,在基于目标图像对初始路网进行更新时,具体可以包括以下操作:
获取道路-轨迹图像中像素单元对应的地理位置信息;
将地理位置信息赋予给目标图像,以确定目标道路对应的目标地理位置信息;
根据目标地理位置信息将目标道路映射至初始路网中,以对初始路网进行更新。
具体的,可将模型训练得到的缺失道路图像(tif)对每个图幅的多个子图结果进行拼接,将输入图像(即道路-轨迹图像)的经纬度信息赋予给产出的结果图像。例如,可读取拼接完的PNG图像,遍历每个像元,根据RGB值,将黑色背景位置的像元设置为0,其余道路为1,同时,写入左上角坐标,x和y方向比例尺,导出具有经纬度信息的tif图像。
然后,利用GIS(GeographicInformationSystem,地理信息系统)中的相关组件提取矢量图像的中心线,并保存为shp格式。例如,可利用ArcMap中的ArcScan模块,自动提取出道路中心线(需要对矢量设置里的部分参数进行调整)。
另外,还可根据实际需求,将获取到的shp格式的缺失道路格式转换成指定的格式进行保存,如json格式。
在一些实施方式中,因回溯得到的路网质量欠佳,为了让获取到的缺失道路更方便后续的数据入库作业,还可通过道路闭环裁剪、道路抽稀、道路和路网交叉裁剪等操作,提升缺失道路质量。
执行道路闭环裁剪时,可先判断获取到的缺失道路起终点是否相同,相同则判定为闭环,再计算缺失道路点的个数并分为三等份,进而将道路裁剪为三条道路。
执行道路抽稀时,可利用道格拉斯-普克算法,将轨迹简化为一组关键点但同时保留原始轨迹的形状特征(这步骤可参考轨迹压缩部分的算法解释)。
执行道路和路网交叉裁剪时,可先将指定图幅的路网数据转化成json格式,再将LineString属性的所有link对象拼接在一起,转化成MultiLineString属性的一个对象;然后将图幅内的每条缺失道路分别和MultiLineString属性的一个对象做相交或包含的判断,如果相交或包含,将缺失道路有差异的部分取出来并保存。
由上可知,本实施例提供的路网更新方法,根据待更新路网信息的目标区域对应的初始路网、及在目标区域内的目标行驶轨迹,生成道路-轨迹图像,并输入至训练好的神经网络模型中,再基于模型输出的目标图像对初始路网进行更新。本方案中利用行驶轨迹结合神经网络模型来预测缺失道路数据,可提升路网更新的准确性和更新效率。
参考图2,在本申请又一实施例中,还提供一种基于图像分割的缺失路网补充方法,将现有的图像识别算法和轨迹数据相结合,并在该基础上做出改进和优化,可以大大提高路网补充的准确率和覆盖率,解决路网路形信息缺失的问题。该方案主要包括五大环节:轨迹数据预处理及质量提升、数据集生成、图像分割方法、图像信息回溯以及缺失道路优化。具体如下:
(一)轨迹数据预处理及质量提升
通过定时任务可获取到司机每天所有订单的轨迹数据,后因轨迹存在很多噪声,需要采用分段、去噪和压缩的方法对轨迹进行数据预处理,再通过相似度计算对轨迹进行聚类,并对不同的轨迹簇提取出中心线作为关键轨迹进行轨迹质量提升。
(二)数据集生成
数据集分为两部分,训练集和测试集。训练集用于图像分割模型的训练,主要包括两部分数据,一部分是轨迹和道路叠加的数据图像(tif),另一部分是缺失道路数据图像(tif);前一部分通过数据转化格式获取到,后一部分通过图像标注平台获取。测试集用于在图像分割模型定型后,对新区域做路网缺失挖掘的时候使用,主要是轨迹和道路叠加的数据图像(tif)。
(三)图像分割方法
将缺失道路获取的问题看作是一种二分类的语义分割任务,以图像分割模型unet为基础进行改进和优化,最终训练获取所需的缺失道路。
(四)图像信息回溯
将模型训练得到的缺失道路图像(tif)对每个图幅的n个子图结果进行拼接,将输入图像的经纬度信息赋予给产出的结果图像,再提取道路中心线获取shp格式的道路信息,最后转化为json格式。
(五)缺失道路优化
因回溯得到的路网质量欠佳,故可通过环状裁剪、道路抽稀、以及和路网相交裁剪等操作提升缺失道路质量。
本申请实施例提供的缺失路网补充方法,其基于轨迹数据来获取道路数据,大大降低了人工采集所需的人力和时间成本,提高了获取缺失路网的效率。在更新道路阶段,采用图像分割的方法而非传统的地图匹配算法,不涉及任何参数的调优,提高了生成的缺失道路的准确率和覆盖率。
在本申请又一实施例中,还提供一种路网更新装置。该路网更新装置可以软件或硬件的形式集成在电子设备中,该电子设备具体可以包括手机、平板电脑、笔记本电脑等设备。如图3所示,该路网更新装置300可以包括:确定单元301、生成单元302、处理单元303和更新单元304,其中:
确定单元301,用于确定待更新路网信息的目标区域、及指定车辆在目标区域内的目标行驶轨迹;
生成单元302,用于根据该目标区域对应的初始路网和该目标行驶轨迹,生成道路-轨迹图像;
处理单元303,用于将该道路-轨迹图像输入至训练好的神经网络模型中,输出目标图像,其中,该目标图像至少包括目标道路,该目标道路与该初始路网不重叠;
更新单元304,用于基于该目标图像对该初始路网进行更新。
在一实施方式中,该生成单元302可以用于:
将该初始路网和该目标行驶轨迹转换成指定图像格式;
将转换格式后的初始网络信息和目标行驶轨迹进行数据叠加,得到道路-轨迹图像。
在一实施方式中,该确定单元301可以用于:
获取该指定车辆在目标区域内的候选行驶轨迹;
对候选行驶轨迹进行聚类,得到多个轨迹簇;
针对不同轨迹簇提取中心线,得到该目标行驶轨迹。
在一实施方式中,该更新单元304可以用于:
获取该道路-轨迹图像中像素单元对应的地理位置信息;
将该地理位置信息赋予给该目标图像,以确定该目标道路对应的目标地理位置信息;
根据该目标地理位置信息将该目标道路映射至该初始路网中,以对该初始路网进行更新。
在一实施方式中,该路网更新装置300还可以包括:
第一获取单元,用于在确定待更新路网信息的目标区域、及指定车辆在该目标区域内的目标行驶轨迹之前,获取样本区域对应的样本初始路网、及预设车辆在该样本区域内的样本行驶轨迹,并根据该样本初始路网和该样本行驶轨迹生成样本道路-轨迹图像;
第二获取单元,用于获取该样本初始路网对应的缺失道路信息,并根据该缺失道路信息生成缺失道路图像;
构建单元,用于根据该样本道路-轨迹图像和该缺失道路图像,构建训练样本;
训练单元,用于基于该训练样本对预设神经网络模型进行训练,得到训练好的神经网络模型。
由上可知,本申请实施例提供的路网更新装置,可根据待更新路网信息的目标区域对应的初始路网、及在目标区域内的目标行驶轨迹,生成道路-轨迹图像,并输入至训练好的神经网络模型中,再基于模型输出的目标图像对初始路网进行更新。本方案中利用行驶轨迹结合神经网络模型来预测缺失道路数据,可提升路网更新的准确性和更新效率。
在本申请又一实施例中还提供一种电子设备,该电子设备可以是智能手机、平板电脑等智能终端。如图4所示,电子设备400包括处理器401和存储器402。其中,处理器401与存储器402电性连接。
处理器401是电子设备400的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或加载存储在存储器402内的应用,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
在本实施例中,电子设备400中的处理器401会按照如下的步骤,将一个或一个以上的应用的进程对应的指令加载到存储器402中,并由处理器401来运行存储在存储器402中的应用,从而实现各种功能:
确定待更新路网信息的目标区域、及指定车辆在该目标区域内的目标行驶轨迹;
根据该目标区域对应的初始路网和该目标行驶轨迹,生成道路-轨迹图像;
将该道路-轨迹图像输入至训练好的神经网络模型中,输出目标图像,其中,该目标图像至少包括目标道路,该目标道路与该初始路网不重叠;
基于该目标图像对该初始路网进行更新。
在一实施方式中,在根据该目标区域对应的初始路网和该目标行驶轨迹,生成道路-轨迹图像时,处理器401具体执行以下操作:
将该初始路网和该目标行驶轨迹转换成指定图像格式;
将转换格式后的初始网络信息和目标行驶轨迹进行数据叠加,得到道路-轨迹图像。
在一实施方式中,在确定指定车辆在该目标区域内的目标行驶轨迹时,处理器401可以执行以下操作:
获取该指定车辆在目标区域内的候选行驶轨迹;
对候选行驶轨迹进行聚类,得到多个轨迹簇;
针对不同轨迹簇提取中心线,得到该目标行驶轨迹。
在一实施方式中,在基于该目标图像对该初始路网进行更新时,处理器401可以执行以下操作:
获取该道路-轨迹图像中像素单元对应的地理位置信息;
将该地理位置信息赋予给该目标图像,以确定该目标道路对应的目标地理位置信息;
根据该目标地理位置信息将该目标道路映射至该初始路网中,以对该初始路网进行更新。
在一实施方式中,在确定待更新路网信息的目标区域、及指定车辆在该目标区域内的目标行驶轨迹之前,处理器401可以执行以下操作:
获取样本区域对应的样本初始路网、及预设车辆在该样本区域内的样本行驶轨迹,并根据该样本初始路网和该样本行驶轨迹生成样本道路-轨迹图像;
获取该样本初始路网对应的缺失道路信息,并根据该缺失道路信息生成缺失道路图像;
根据该样本道路-轨迹图像和该缺失道路图像,构建训练样本;
基于该训练样本对预设神经网络模型进行训练,得到训练好的神经网络模型。
存储器402可用于存储应用和数据。存储器402存储的应用中包含有可在处理器中执行的指令。应用可以组成各种功能模块。处理器401通过运行存储在存储器402的应用,从而执行各种功能应用以及路网更新。
在一些实施例中,如图5所示,电子设备400还包括:显示屏403、控制电路404、射频电路405、输入单元406、传感器408以及电源409。其中,处理器401分别与显示屏403、控制电路404、射频电路405、输入单元406、摄像头407、传感器408以及电源409电性连接。
显示屏403可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口,这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路404与显示屏403电性连接,用于控制显示屏403显示信息。
射频电路405用于收发射频信号,以通过无线通信与电子设备或其他电子设备构建无线通讯,与服务器或其他电子设备之间收发信号。
输入单元406可用于接收输入的数字、字符信息或用户特征信息(例如指纹),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中,输入单元406可以包括指纹识别模组。
摄像头407可用于采集图像信息。其中,该摄像头可以是具有一个镜头的单摄像头,也可以具有两个或多个镜头。
传感器408用于采集外部环境信息。传感器408可以包括环境亮度传感器、加速度传感器、光传感器、运动传感器、以及其他传感器。
电源409用于给电子设备400的各个部件供电。在一些实施例中,电源409可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图5中未示出,电子设备400还可以包括扬声器、蓝牙模块等,在此不再赘述。
由上可知,本申请实施例提供的电子设备,可根据待更新路网信息的目标区域对应的初始路网、及在目标区域内的目标行驶轨迹,生成道路-轨迹图像,并输入至训练好的神经网络模型中,再基于模型输出的目标图像对初始路网进行更新。本方案中利用行驶轨迹结合神经网络模型来预测缺失道路数据,可提升路网更新的准确性和更新效率。
在一些实施例中,还提供了一种计算机可读存储介质,该存储介质中存储有多条指令,该指令适于由处理器加载以执行上述任一路网更新方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,RandomAccess Memory)、磁盘或光盘等。
以上对本申请实施例所提供的路网更新方法、装置、存储介质及电子设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种路网更新方法,其特征在于,包括:
确定待更新路网信息的目标区域、及指定车辆在所述目标区域内的目标行驶轨迹;
根据所述目标区域对应的初始路网和所述目标行驶轨迹,生成道路-轨迹图像;
将所述道路-轨迹图像输入至训练好的神经网络模型中,输出目标图像,其中,所述目标图像至少包括目标道路,所述目标道路与所述初始路网不重叠;
基于所述目标图像对所述初始路网进行更新。
2.根据权利要求1所述的路网更新方法,其特征在于,所述根据所述目标区域对应的初始路网和所述目标行驶轨迹,生成道路-轨迹图像,包括:
将所述初始路网和所述目标行驶轨迹转换成指定图像格式;
将转换格式后的初始网络信息和目标行驶轨迹进行数据叠加,得到道路-轨迹图像。
3.根据权利要求1所述的路网更新方法,其特征在于,确定指定车辆在所述目标区域内的目标行驶轨迹,包括:
获取所述指定车辆在目标区域内的候选行驶轨迹;
对候选行驶轨迹进行聚类,得到多个轨迹簇;
针对不同轨迹簇提取中心线,得到所述目标行驶轨迹。
4.根据权利要求1所述的路网更新方法,其特征在于,所述基于所述目标图像对所述初始路网进行更新,包括:
获取所述道路-轨迹图像中像素单元对应的地理位置信息;
将所述地理位置信息赋予给所述目标图像,以确定所述目标道路对应的目标地理位置信息;
根据所述目标地理位置信息将所述目标道路映射至所述初始路网中,以对所述初始路网进行更新。
5.根据权利要求1-4任一项所述的路网更新方法,其特征在于,在确定待更新路网信息的目标区域、及指定车辆在所述目标区域内的目标行驶轨迹之前,还包括:
获取样本区域对应的样本初始路网、及预设车辆在所述样本区域内的样本行驶轨迹,并根据所述样本初始路网和所述样本行驶轨迹生成样本道路-轨迹图像;
获取所述样本初始路网对应的缺失道路信息,并根据所述缺失道路信息生成缺失道路图像;
根据所述样本道路-轨迹图像和所述缺失道路图像,构建训练样本;
基于所述训练样本对预设神经网络模型进行训练,得到训练好的神经网络模型。
6.一种路网更新装置,其特征在于,包括:
确定单元,用于确定待更新路网信息的目标区域、及指定车辆在所述目标区域内的目标行驶轨迹;
生成单元,用于根据所述目标区域对应的初始路网和所述目标行驶轨迹,生成道路-轨迹图像;
处理单元,用于将所述道路-轨迹图像输入至训练好的神经网络模型中,输出目标图像,其中,所述目标图像至少包括目标道路,所述目标道路与所述初始路网不重叠;
更新单元,用于基于所述目标图像对所述初始路网进行更新。
7.根据权利要求6所述的路网更新装置,其特征在于,所述生成单元用于:
将所述初始路网和所述目标行驶轨迹转换成指定图像格式;
将转换格式后的初始网络信息和目标行驶轨迹进行数据叠加,得到道路-轨迹图像。
8.根据权利要求7所述的路网更新装置,其特征在于,所述更新单元用于:
获取所述道路-轨迹图像中像素单元对应的地理位置信息;
将所述地理位置信息赋予给所述目标图像,以确定所述目标道路对应的目标地理位置信息;
根据所述目标地理位置信息将所述目标道路映射至所述初始路网中,以对所述初始路网进行更新。
9.一种计算机可读存储介质,其特征在于,所述存储介质中存储有多条指令,所述指令适于由处理器加载以执行权利要求1-5任一项所述的路网更新方法。
10.一种电子设备,其特征在于,包括处理器及存储器,所述处理器与所述存储器电性连接,所述存储器用于存储指令和数据;所述处理器用于执行权利要求1-5任一项所述的路网更新方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210121687.9A CN114385662A (zh) | 2022-02-09 | 2022-02-09 | 路网更新方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210121687.9A CN114385662A (zh) | 2022-02-09 | 2022-02-09 | 路网更新方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114385662A true CN114385662A (zh) | 2022-04-22 |
Family
ID=81205962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210121687.9A Pending CN114385662A (zh) | 2022-02-09 | 2022-02-09 | 路网更新方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114385662A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972988A (zh) * | 2022-05-16 | 2022-08-30 | 北京百度网讯科技有限公司 | 一种路网提取方法、装置、设备及存储介质 |
CN117708261A (zh) * | 2024-02-02 | 2024-03-15 | 腾讯科技(深圳)有限公司 | 地图数据处理方法、装置、设备、存储介质及程序产品 |
-
2022
- 2022-02-09 CN CN202210121687.9A patent/CN114385662A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972988A (zh) * | 2022-05-16 | 2022-08-30 | 北京百度网讯科技有限公司 | 一种路网提取方法、装置、设备及存储介质 |
CN114972988B (zh) * | 2022-05-16 | 2024-03-26 | 北京百度网讯科技有限公司 | 一种路网提取方法、装置、设备及存储介质 |
CN117708261A (zh) * | 2024-02-02 | 2024-03-15 | 腾讯科技(深圳)有限公司 | 地图数据处理方法、装置、设备、存储介质及程序产品 |
CN117708261B (zh) * | 2024-02-02 | 2024-05-03 | 腾讯科技(深圳)有限公司 | 地图数据处理方法、装置、设备、存储介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210241109A1 (en) | Method for training image classification model, image processing method, and apparatuses | |
CN111126258A (zh) | 图像识别方法及相关装置 | |
CN112329725B (zh) | 一种道路场景的要素识别方法、装置、设备以及存储介质 | |
CN115457531A (zh) | 用于识别文本的方法和装置 | |
CN112927234A (zh) | 点云语义分割方法、装置、电子设备和可读存储介质 | |
CN114385662A (zh) | 路网更新方法、装置、存储介质及电子设备 | |
US11651191B2 (en) | Methods, apparatuses, and computer program products using a repeated convolution-based attention module for improved neural network implementations | |
CN111310770A (zh) | 目标检测方法和装置 | |
CN114550053A (zh) | 一种交通事故定责方法、装置、计算机设备及存储介质 | |
CN112232311B (zh) | 人脸跟踪方法、装置及电子设备 | |
EP4113376A1 (en) | Image classification model training method and apparatus, computer device, and storage medium | |
CN115512251A (zh) | 基于双分支渐进式特征增强的无人机低照度目标跟踪方法 | |
CN112115900B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN113762039A (zh) | 一种交通标志牌的信息匹配方法及相关装置 | |
CN112487871A (zh) | 笔迹数据处理方法、装置及电子设备 | |
CN111291715A (zh) | 基于多尺度卷积神经网络的车型识别方法、电子设备及存储介质 | |
CN116823884A (zh) | 多目标跟踪方法、系统、计算机设备及存储介质 | |
CN114419338B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN116188587A (zh) | 定位方法、装置及车辆 | |
CN114238541A (zh) | 敏感目标信息获取方法、装置和计算机设备 | |
CN111950572A (zh) | 训练分类器的方法、装置、电子设备和计算机可读存储介质 | |
CN110222590B (zh) | 图像差异判断方法、装置及电子设备 | |
KR102502515B1 (ko) | 유저 단말기의 스캐닝 이미지를 처리하여 생활편의 서비스를 증강현실 기반으로 제공하는 플랫폼의 운영방법 | |
CN114596580B (zh) | 一种多人体目标识别方法、系统、设备及介质 |
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 |