CN114490909A - 对象关联方法、装置和电子设备 - Google Patents
对象关联方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114490909A CN114490909A CN202210094221.4A CN202210094221A CN114490909A CN 114490909 A CN114490909 A CN 114490909A CN 202210094221 A CN202210094221 A CN 202210094221A CN 114490909 A CN114490909 A CN 114490909A
- Authority
- CN
- China
- Prior art keywords
- association
- objects
- determining
- probability
- description information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 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
- 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
- G01C21/3811—Point data, e.g. Point of Interest [POI]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- 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
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种对象关联方法、装置和电子设备,涉及地图技术领域。具体实现方案为:在进行对象关联时,可以先从真实数据中提取多个第一对象各自的第一描述信息,从高精地图数据中提取多个第二对象各自的第二描述信息;并根据第一描述信息和第二描述信息确定第一对象和第二对象之间的关联概率;再根据第一对象和第二对象之间的关联概率,确定第一对象和第二对象的关联结果,实现了真实世界中的对象与高精地图中的对象的自动化关联,提高了对象的关联效率。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及地图技术领域,具体涉及一种对象关联方法、装置和电子设备。
背景技术
将车道级的高精地图中的对象,与真实世界中的对象进行关联,对于实现高精地图与真实世界的同步是至关重要的。
因此,如何将真实世界中的对象与高精地图中的对象进行关联,是本领域技术人员亟待解决的问题。
发明内容
本公开提供了一种对象关联方法、装置和电子设备,实现了真实世界中的对象与高精地图中的对象的自动化关联,提高了对象的关联效率。
根据本公开的第一方面,提供了一种对象关联方法,该对象关联方法可以包括:
从真实数据中提取多个第一对象各自的第一描述信息,并从高精地图数据中提取多个第二对象各自的第二描述信息。
根据所述第一描述信息和所述第二描述信息,确定所述第一对象和所述第二对象之间的关联概率。
根据所述第一对象和所述第二对象之间的关联概率,确定所述第一对象和所述第二对象的关联结果。
根据本公开的第二方面,提供了一种对象关联装置,该对象关联装置可以包括:
提取单元,用于从真实数据中提取多个第一对象各自的第一描述信息,并从高精地图数据中提取多个第二对象各自的第二描述信息。
确定单元,用于根据所述第一描述信息和所述第二描述信息,确定所述第一对象和所述第二对象之间的关联概率。
处理单元,用于根据所述第一对象和所述第二对象之间的关联概率,确定所述第一对象和所述第二对象的关联结果。
根据本公开的第三方面,提供了一种电子设备,该电子设备可以包括:
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第一方面所述的对象关联方法。
根据本公开的第四方面,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第一方面所述的对象关联方法。
根据本公开的第五方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的对象关联方法。
根据本公开的技术方案,实现了真实世界中的对象与高精地图中的对象的自动化关联,提高了对象的关联效率。
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是本公开实施例提供的一种道路级的高精地图的示意图;
图2是根据本公开第一实施例提供的对象关联方法的流程示意图;
图3是根据本公开第二实施例提供的确定第一对象和第二对象之间的关联概率的方法的流程示意图;
图4是本公开实施例提供的一种确定第一关联概率的示意图;
图5是本公开实施例提供的一种确定第二关联概率的示意图;
图6是根据本公开第三实施例提供的确定第一对象和第二对象的关联结果的方法的流程示意图;
图7是根据本公开第四实施例提供的对象关联装置的结构示意图;
图8是本公开实施例提供的一种电子设备的示意性框图。
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。
在本公开的实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的访问关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。在本公开的文字描述中,字符“/”一般表示前后关联对象是一种“或”的关系。此外,在本公开实施例中,“第一”、“第二”、“第三”、“第四”、“第五”以及“第六”只是为了区分不同对象的内容而已,并无其它特殊含义。
本公开实施例提供的技术方案可以应用于地图技术领域。以地图技术领域中的道路级的高精地图场景为例,示例的,可参见图1所示,图1是本公开实施例提供的一种道路级的高精地图的示意图,该道路级的高精地图中包括多个对象,例如,摄像头、信号灯等对象。在道路级的高精地图场景下,若将车道级的高精地图中的对象,与真实世界中的对象进行关联,则可以基于道路级的高精地图中的对象关联平台,对真实世界中的对象进行管理;例如,点击对象关联平台中的摄像头,可以控制该摄像头对应的真实世界中的摄像头播放其拍摄的视频;或者,点击对象关联平台中的摄像头,可以控制该获取摄像头对应的真实世界中的摄像头的状态,例如维修停用状态或者正常状态等,并同步展现该摄像头的状态,这样可以有效地对真实世界中的对象进行管理,因此,如何将真实世界中的对象与高精地图中的对象进行关联,是至关重要的。
目前,在将真实世界中的对象与高精地图中的对象进行关联时,主要是基于人工标注的方式进行关联。例如,根据真实世界中对象的文本位置描述,先大概定位出一个区域;并在可视化渲染的高精地图中拖动页面查找定位该对象的位置,进行全流程的手动关联,从而实现将车道级的高精地图中的对象,与真实世界中的对象进行关联。但是,采用人工的方法将将真实世界中的对象与高精地图中的对象进行关联,不仅使得人工操作成本较高,而且会导致对象的关联效率较低。
为了提高对象的关联效率,可以根据从真实世界中的数据中提取多个第一对象各自的第一描述信息,和从高精地图数据中提取多个第二对象各自的第二描述信息确定第一对象和第二对象之间的关联概率;该关联概率可以用于指示第一对象和第二对象之间的关联程度,这样就可以根据第一对象和第二对象之间的关联概率,确定第一对象和第二对象的关联结果,从而实现了真实世界中的对象与高精地图中的对象的自动化关联,提高了对象的关联效率。
基于上述技术构思,本公开实施例提供了一种对象关联方法,下面,将通过具体的实施例对本公开提供的对象关联方法进行详细地说明。可以理解的是,下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例一
图2是根据本公开第一实施例提供的对象关联方法的流程示意图,该对象关联方法可以由软件和/或硬件装置执行,例如,该硬件装置可以为终端或者服务器。示例的,请参见图2所示,该对象关联方法可以包括:
S201、从真实数据中提取多个第一对象各自的第一描述信息,并从高精地图数据中提取多个第二对象各自的第二描述信息。
其中,真实数据是指真实世界中的数据。
可以理解的是,在本公开实施例中,为了便于区分从真实数据中提取的对象和从高精地图数据中提取出的对象,可以将从真实数据中提取的对象记为第一对象,将从高精地图数据中提取出的对象记为第二对象,同理,为了区分,将第一对象的描述信息和第二对象的描述信息,将第一对象的描述信息记为第一描述信息,并将第二对象的描述信息记为第二描述信息。
示例的,描述信息可以包括对象的位置和类型,也可以包括对象的其他描述信息,例如对象的标识等,具体可以根据实际需要进行设置,在此,本公开实施例只是以描述信息包括对象的位置和类型为例进行描述,但并不代表本公开实施例仅局限于此。示例的,对象的类型可以为灯杆、信号灯、标牌、龙门架、或者限高杆等道路上的设施类型,具体可以根据实际需要进行设置,在此,对于对象的类型,本公开实施例不做具体限制。
示例的,对象的位置可以用点、线或者面中至少一种坐标信息进行描述,具体可以根据实际场景进行设置。可以理解的是,在通过线或面进行描述时,也可以将其转换为点进行描述。
在采用点描述对象的位置时,例如,对象的位置可以为在实地安装时所记录的坐标信息,如116.11111,60.0000;或者,对象的位置可以通过兴趣点(point of interest,poi)描述的位置信息,例如XX大学东门门口,代表着东门门口这个坐标信息;在用线描述对象的位置时,对象的位置可以为对象所在的高速桩号描述的位置信息,例如京藏高速K20M305,K20M305表示高速上确定的位置;在用面描述对象的位置时,对象的位置可以为城市路口描述的位置信息,例如A路和B的路交叉口,代表着城市某路口的坐标信息,具体可以根据实际需要进行设置。
示例的,从真实数据中提取第一对象的位置时,可以先从真实数据中提取第一对象对应的文本描述,并从第一对象的文本描述中提取地理信息;再对提取出的地理信息进行转换,从而获取到第一对象的位置。
在分别从真实数据中提取出多个第一对象各自的第一描述信息,以及从高精地图数据中提取出多个第二对象各自的第二描述信息,就可以根据第一描述信息和第二描述信息,确定第一对象和第二对象之间的关联概率,即执行下述S202:
S202、根据第一描述信息和第二描述信息,确定第一对象和第二对象之间的关联概率。
其中,关联概率可以用于描述两个对象之间的关联程度。通常情况下,关联概率的取值与关联程度成正相关关系,即关联程度越高,对应的关联概率的取值越大;关键程度越低,对应的关联概率的取值越小。
鉴于关联概率可以用于描述两个对象之间的关联程度,因此,可以根据第一对象和第二对象之间的关联概率,确定第一对象和第二对象的关联结果,即执行下述S203:
S203、根据第一对象和第二对象之间的关联概率,确定第一对象和第二对象的关联结果。
假设从真实数据中提取出第一对象分别包括对象1、对象2以及对象3,从高精地图数据中提取出的第二对象分别包括对象a、对象b以及对象c;且真实世界中的对象1对应的是高精地图中的对象b、真实世界中的对象2对应的是高精地图中的对象a、真实世界中的对象3对应的是高精地图中的对象c;则通过计算该3个第一对象和3个第二对象之间的关联概率,得到的关联结果为:真实世界中的对象1与高精地图中的对象b关联、真实世界中的对象2与高精地图中的对象a关联、真实世界中的对象3与高精地图中的对象c关联。
可以理解的是,上述只是以第一对象和第二对象的数量均为3个为例进行说明,也可能因为数据来源的问题,使得第一对象的数量和第二对象的数量不相等,例如第一对象的数量大于第二对象的数量,则部分第一对象无法关联到第二对象,即不存在与其关联的第二对象,在该种情况下,可记为第一对象和第二对象之间的关联概率为0。
可以看出,本公开实施例中,在进行对象关联时,可以先从真实数据中提取多个第一对象各自的第一描述信息,从高精地图数据中提取多个第二对象各自的第二描述信息;并根据第一描述信息和第二描述信息确定第一对象和第二对象之间的关联概率;再根据第一对象和第二对象之间的关联概率,确定第一对象和第二对象的关联结果,实现了真实世界中的对象与高精地图中的对象的自动化关联,提高了对象的关联效率。
基于上述图2对应的实施例,为了便于理解在上述S202中,如何根据第一描述信息和第二描述信息,确定第一对象和第二对象之间的关联概率,下面,将通过下述图3所示的实施例二进行详细描述。
实施例二
图3是根据本公开第二实施例提供的确定第一对象和第二对象之间的关联概率的方法的流程示意图,该方法同样可以由软件和/或硬件装置执行。示例的,请参见图3所示,该方法可以包括:
S301、根据第一描述信息和第二描述信息,对多个第一对象和多个第二对象进行聚类,得到多个聚类结果。
示例的,当描述信息包括对象的位置和类型时,聚类结果中包括类型相同,且空间距离小于预设阈值的第一对象和第二对象。其中,预设阈值的取值可以根据实际需要进行设置,第一对象和第二对象的数量可以相等,也可以不相等。
示例的,根据第一描述信息和第二描述信息,对多个第一对象和多个第二对象进行聚类时,可以先根据第一描述信息中的位置和第二描述信息中的位置,对多个第一对象和多个第二对象进行空间聚类,得到多个初始聚类结果;该初始聚类中包括空间距离小于距离阈值的多个第一对象和多个第二对象;再针对各初始聚类结果,根据初始聚类结果中包括的多个第一对象各自的类型和多个第二对象各自的类型,对初始聚类结果中包括的多个第一对象和多个第二对象进行类型聚类,得到多个聚类结果。
需要说明的是,本公开实施例中,初始聚类结果中包括的多个第一对象的数量,和多个第二对象的数量可以相等,也可以不相等,具体可以根据实际需要进行设置。
示例的,在根据多个第一对象的位置和多个第二对象的位置,对多个第一对象和多个第二对象进行空间聚类时,需要先根据多个第一对象的位置和多个第二对象的位置,确定对象之间的距离;再根据对象之间的距离,对多个第一对象和多个第二对象进行空间聚类。
示例的,对象之间的距离可以通过多种方式实现。例如,点与点的距离,可通过欧式距离计算;点与线的距离,可通过点与线的中心点做欧氏距离计算;点与面的距离,可通过点与面的重心点做欧氏距离计算;线与线的距离,可通过线的中心点与另一条线的中心点做欧氏距离计算;线与面的距离,可通过线的中心点与面的重心点做欧氏距离计算;面与面的距离,可通过面的重心点与另一个面的重心点做欧式距离计算等,具体可以根据实际需要进行设置,在此,本公开实施例只是以这几种方式为例进行说明,但并不代表本公开实施例仅局限于此。
可以理解的是,在根据描述信息,对多个第一对象和多个第二对象进行聚类时,上述举例只是以先根据描述信息中的位置聚类,再根据描述信息中的类型进行聚类为例进行说明;也可以先根据描述信息中的类型进行聚类,再根据描述信息中的位置进行聚类,具体可以根据实际需要进行设置。
在根据对象的位置和类型进行聚类,得到多个聚类结果后,针对各聚类结果,可以根据聚类结果中包括的第一对象与第二对象之间的空间距离,确定第一对象和第二对象之间的关联概率,即执行下述S302:
S302、根据聚类结果中包括的第一对象与第二对象之间的空间距离,确定第一对象和第二对象之间的关联概率。
其中,关联概率可以用于描述两个对象之间的关联程度。通常情况下,关联概率的取值与关联程度成正相关关系,即关联程度越高,对应的关联概率的取值越大;关键程度越低,对应的关联概率的取值越小。
示例的,根据聚类结果中包括的第一对象与第二对象之间的空间距离,确定第一对象和第二对象之间的关联概率时,可以站在聚类结果中第一对象的角度上,根据所述聚类结果中所述第一对象分别与各第二对象之间的空间距离,确定所述第一对象和所述第二对象之间的第一关联概率;并站在聚类结果中第二对象的角度上,根据所述聚类结果中所述第二对象分别与各第一对象之间的空间距离,确定所述第二对象和所述第一对象之间的第二关联概率,这样第一对象和第二对象之间存在两个关联概率,再基于这两个关联概率,确定第一对象和第二对象之间的关联概率。
为了便于理解如何确定第一关联概率和第二关联概率,下面,将结合具体的实例进行描述。假设某一聚类结果中包括的m个第一对象与n个第二对象;其中,m个第一对象为基于真实数据提取出的对象,n个第二对象为基于高精地图提取出的对象,m小于n,可参见下述表1所示:
表1
结合表1所示,基于真实数据提取的m个第一对象可记为真实对象1、真实对象2、真实对象3、......、以及真实对象m;基于高精地图提取出的n个对象记可记为模型对象1、模型对象2、......、模型对象m、......、以及模型对象n。
以确定真实对象1和模型对象n之间的第一关联概率,以及确定模型对象n和真实对象1之间的第二关联概率为例,在确定真实对象1和模型对象n之间的第一关联概率时,示例的,可参见图4所示,图4是本公开实施例提供的一种确定第一关联概率的示意图,可以先确定真实对象1与n个模型对象中各模型对象之间的空间距离,再根据真实对象1与n个模型对象中各模型对象之间的空间距离,确定真实对象1和模型对象n之间的第一关联概率,示例的,可参见下述公式1:
其中,P(1,n)表示真实对象1和模型对象n之间的第一关联概率,dist(1,n)表示真实对象1与模型对象n之间的空间距离,j表示n个模型对象中第j个模型对象。对应的,真实对象m和模型对象n之间的第一关联概率可参见下述公式2:
其中,P(m,n)表示真实对象m和模型对象n之间的第一关联概率,dist(m,n)表示真实对象m与模型对象n之间的空间距离,j表示n个模型对象中第j个模型对象。
与上述确定真实对象1和模型对象n之间的第一关联概率类似,在确定模型对象n和真实对象1之间的第二关联概率时,示例的,可参见图5所示,图5是本公开实施例提供的一种确定第二关联概率的示意图,可以先确定模型对象n与m个真实对象中各真实对象之间的空间距离,再根据模型对象n与m个真实对象中各真实对象之间的空间距离,确定模型对象n和真实对象1之间的第二关联概率,示例的,可参见下述公式3:
其中,Q(n,m)表示模型对象n和真实对象1之间的第二关联概率,dist(n,m)表示模型对象n和真实对象1之间的空间距离,i表示m个真实对象中第i个真实对象。
在分别确定出第一关联概率和第二关联概率后,就可以根据第一关联概率和第二关联概率,确定第一对象和第二对象之间的关联概率。示例的,根据第一关联概率和第二关联概率,确定第一对象和第二对象之间的关联概率时,可以先确定预设值与第一关联概率的第一差值,并确定预设值与第二关联概率的第二差值;确定第一差值和第二差值的乘积;将预设值与乘积的第三差值,确定为第一对象和第二对象之间的关联概率。
继续以上述确定真实对象m和模型对象n之间的关联概率为例,参见上述描述,真实对象m和模型对象n之间的第一关联概率可记为P(m,n),模型对象n和真实对象1之间的第二关联概率为Q(n,m),则确定真实对象m和模型对象n之间的关联概率,可参见下述公式4:
K(m,n)=1-(1-P(m,n))(1-Q(n,m)) 公式4
其中,K(m,n)表示真实对象m和模型对象n之间的关联概率,从而获取到真实对象m和模型对象n之间的关联概率。
可以看出,本公开实施例中,在确定第一对象和第二对象之间的关联概率时,可以先根据多个第一对象各自的第一描述信息和多个第二对象各自的第二描述信息,对多个第一对象和多个第二对象进行聚类,得到多个聚类结果;根据聚类结果中包括的第一对象与第二对象之间的空间距离,确定第一对象和第二对象之间的关联概率,这样可以准确地确定出第一对象和第二对象之间的关联概率,提高了关联概率的准确度。
基于上述图2或图3对应的实施例,为了便于理解在上述S203中,如何根据第一对象和第二对象之间的关联概率,确定第一对象和第二对象的关联结果,下面,将通过下述图6所示的实施例三进行详细描述。
实施例三
图6是根据本公开第三实施例提供的确定第一对象和第二对象的关联结果的方法的流程示意图,该方法同样可以由软件和/或硬件装置执行。示例的,请参见图6所示,该方法可以包括:
S601、分别对多个第一对象和多个第二对象进行遍历,得到多个第一对象和多个第二对象之间的多个关联组合。
需要说明的是,当第一对象和第二对象的数量相等时,关联组合中的第一对象和第二对象一一对应;当第一对象的数量大于第二对象的数量时,关联组合中除了包括一一对应的第一对象和第二对象之外,还包括未成功匹配到第二对象的第一对象,该未成功匹配到第二对象的第一对象与第二对象之间的关联概率可记为0;同理,当第二对象的数量大于第一对象的数量时,关联组合中除了包括一一对应的第一对象和第二对象之外,还包括未成功匹配到第一对象的第二对象,该未成功匹配到第一对象的第二对象与第一对象之间的关联概率可记为0。
示例的,假设多个第一对象包括真实对象1、真实对象2以及真实对象3,且多个第二对象包括模型对象1、模型对象2以及模型对象3,则分别对3个真实对象和3个模型对象进行遍历,得到所有可能的关联组合,该所有可能的关联组合为6个。示例的,关联组合1中可以包括对应的真实对象1和模型对象1、对应的真实对象2和模型对象2、以及对应的真实对象3和模型对象3;关联组合2中可以包括对应的真实对象1和模型对象1、对应的真实对象2和模型对象3、以及对应的真实对象3和模型对象2;关联组合3中可以包括对应的真实对象2和模型对象1、对应的真实对象3和模型对象2、以及对应的真实对象1和模型对象3;关联组合4中可以包括对应的真实对象2和模型对象1、对应的真实对象1和模型对象2、以及对应的真实对象3和模型对象3;关联组合5中可以包括对应的真实对象3和模型对象1、对应的真实对象1和模型对象2、以及对应的真实对象2和模型对象3;关联组合6中可以包括对应的真实对象3和模型对象1、对应的真实对象1和模型对象3、以及对应的真实对象2和模型对象2。
在遍历得到多个第一对象和多个第二对象之间的多个关联组合后,就可以根据各关联组合中一一对应的第一对象和第二对象之间的关联概率,确定各关联组合对应的关联率,即执行下述S602:
S602、根据关联组合中一一对应的第一对象和第二对象之间的关联概率,确定关联组合对应的关联率。
在确定关联组合对应的关联率时,结合上述S601中的描述,以确定上述关联组合1对应的概率和为例,鉴于关联组合1中包括对应的真实对象1和模型对象1、对应的真实对象2和模型对象2、以及对应的真实对象3和模型对象3,因此,可以计算真实对象1和模型对象1之间的关联概率、真实对象2和模型对象2之间的关联概率、以及真实对象3和模型对象3之间的关联概率的概率和,并将该概率和,确定为关联组合1对应的概率和,从而得到各关联组合对应的关联率。
S603、根据多个关联组合各自对应的关联概率,确定第一对象和第二对象的关联结果。
示例的,根据多个关联组合各自对应的关联概率,确定第一对象和第二对象的关联结果时,可以将最大关联概率对应的关联组合,确定为第一对象和第二对象的关联结果,示例的,可参见下述公式5:
其中,i表示m真实对象中的第i个真实对象,j表示n个模型对象中的第j个模型对象,K(i,j)表示第i个真实对象和第j个模型对象之间的关联概率。
示例的,在确定第一对象和第二对象的关联结果时,结合上述S601和S602的描述,假设6个关联组合中,关联组合2对应的关联概率最大,则确定出的第一对象和第二对象的关联结果为:真实世界中的真实对象1和高精地图中的模型对象1关联、真实世界中的真实对象2和高精地图中的模型对象3关联、真实世界中的真实对象3和高精地图中的模型对象2关联,从而得到第一对象和第二对象的关联结果。
可以看出,本公开实施例中,在确定第一对象和第二对象的关联结果时,可以先分别对多个第一对象和多个第二对象进行遍历,得到多个第一对象和多个第二对象之间的多个关联组合;并根据关联组合中一一对应的第一对象和第二对象之间的关联概率,确定关联组合对应的关联率;再根据多个关联组合各自对应的关联概率,确定第一对象和第二对象的关联结果,从而实现了真实世界中的对象与高精地图中的对象的自动化关联,提高了对象的关联效率。
实施例四
图7是根据本公开第四实施例提供的对象关联装置70的结构示意图,示例的,请参见图7所示,该对象关联装置70可以包括:
提取单元701,用于从真实数据中提取多个第一对象各自的第一描述信息,并从高精地图数据中提取多个第二对象各自的第二描述信息。
确定单元702,用于根据第一描述信息和第二描述信息,确定第一对象和第二对象之间的关联概率。
处理单元703,用于根据第一对象和第二对象之间的关联概率,确定第一对象和第二对象的关联结果。
可选的,确定单元702包括第一确定模块和第二确定模块。
第一确定模块,用于根据第一描述信息和第二描述信息,对多个第一对象和多个第二对象进行聚类,得到多个聚类结果。
第二确定模块,用于根据聚类结果中包括的第一对象与第二对象之间的空间距离,确定第一对象和第二对象之间的关联概率。
可选的,第一确定模块包括第一确定子模块和第二确定子模块。
第一确定子模块,用于根据第一描述信息中的位置和第二描述信息中的位置,对多个第一对象和多个第二对象进行空间聚类,得到多个初始聚类结果。
第二确定子模块,用于根据第一描述信息中的类型和第二描述信息中的类型,对初始聚类结果中包括的多个第一对象和多个第二对象进行类型聚类,得到多个聚类结果。
可选的,第二确定模块包括第三确定子模块、第四确定子模块以及第五确定子模块。
第三确定子模块,用于根据聚类结果中第一对象分别与各第二对象之间的空间距离,确定第一对象和第二对象之间的第一关联概率。
第四确定子模块,用于根据聚类结果中第二对象分别与各第一对象之间的空间距离,确定第二对象和第一对象之间的第二关联概率。
第五确定子模块,用于根据第一关联概率和第二关联概率,确定第一对象和第二对象之间的关联概率。
可选的,第五确定子模块,具体用于确定预设值与第一关联概率的第一差值,并确定预设值与第二关联概率的第二差值;确定第一差值和第二差值的乘积;将预设值与乘积的第三差值,确定为第一对象和第二对象之间的关联概率。
可选的,处理单元703包括第一处理模块、第二处理模块以及第三处理模块。
第一处理模块,用于分别对多个第一对象和多个第二对象进行遍历,得到多个第一对象和多个第二对象之间的多个关联组合。
第二处理模块,用于根据关联组合中一一对应的第一对象和第二对象之间的关联概率,确定关联组合对应的关联率。
第三处理模块,用于根据多个关联组合各自对应的关联概率,确定第一对象和第二对象的关联结果。
可选的,第一处理模块包括第一处理子模块。
第一处理子模块,用于将最大关联概率对应的关联组合,确定为第一对象和第二对象的关联结果。
本公开实施例提供的对象关联装置70,可以执行上述任一实施例所示的对象关联方法的技术方案,其实现原理以及有益效果与对象关联方法的实现原理及有益效果类似,可参见对象关联方法的实现原理及有益效果,此处不再进行赘述。
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。
根据本公开的实施例,本公开还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图8是本公开实施例提供的一种电子设备80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8所示,设备80包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备80操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备80中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备80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801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801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801执行上文所描述的各个方法和处理,例如对象关联方法。例如,在一些实施例中,对象关联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808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备80上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的对象关联方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行对象关联方法。
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,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。
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 (17)
1.一种对象关联方法,包括:
从真实数据中提取多个第一对象各自的第一描述信息,并从高精地图数据中提取多个第二对象各自的第二描述信息;
根据所述第一描述信息和所述第二描述信息,确定所述第一对象和所述第二对象之间的关联概率;
根据所述第一对象和所述第二对象之间的关联概率,确定所述第一对象和所述第二对象的关联结果。
2.根据权利要求1所述的方法,其中,所述根据所述第一描述信息和所述第二描述信息,确定所述第一对象和所述第二对象之间的关联概率,包括:
根据所述第一描述信息和所述第二描述信息,对所述多个第一对象和所述多个第二对象进行聚类,得到多个聚类结果;
根据所述聚类结果中包括的第一对象与第二对象之间的空间距离,确定所述第一对象和所述第二对象之间的关联概率。
3.根据权利要求2所述的方法,其中,所述根据所述第一描述信息和所述第二描述信息,对所述多个第一对象和所述多个第二对象进行聚类,得到多个聚类结果,包括:
根据所述第一描述信息中的位置和所述第二描述信息中的位置,对所述多个第一对象和所述多个第二对象进行空间聚类,得到多个初始聚类结果;
根据所述第一描述信息中的类型和所述第二描述信息中的类型,对所述初始聚类结果中包括的多个第一对象和多个第二对象进行类型聚类,得到所述多个聚类结果。
4.根据权利要求2或3所述的方法,其中,所述根据所述聚类结果中包括的第一对象与第二对象之间的空间距离,确定所述第一对象和所述第二对象之间的关联概率,包括:
根据所述聚类结果中所述第一对象分别与各第二对象之间的空间距离,确定所述第一对象和所述第二对象之间的第一关联概率;
根据所述聚类结果中所述第二对象分别与各第一对象之间的空间距离,确定所述第二对象和所述第一对象之间的第二关联概率;
根据所述第一关联概率和所述第二关联概率,确定所述第一对象和所述第二对象之间的关联概率。
5.根据权利要求4所述的方法,其中,所述根据所述第一关联概率和所述第二关联概率,确定所述第一对象和所述第二对象之间的关联概率,包括:
确定预设值与所述第一关联概率的第一差值,并确定所述预设值与所述第二关联概率的第二差值;
确定所述第一差值和所述第二差值的乘积;
将所述预设值与所述乘积的第三差值,确定为所述第一对象和所述第二对象之间的关联概率。
6.根据权利要求1-5任一项所述的方法,其中,所述根据所述第一对象和所述第二对象之间的关联概率,确定所述第一对象和所述第二对象的关联结果,包括:
分别对所述多个第一对象和所述多个第二对象进行遍历,得到所述多个第一对象和所述多个第二对象之间的多个关联组合;
根据所述关联组合中一一对应的第一对象和第二对象之间的关联概率,确定所述关联组合对应的关联率;
根据所述多个关联组合各自对应的关联概率,确定所述第一对象和所述第二对象的关联结果。
7.根据权利要求6所述的方法,其中,所述根据所述多个关联组合各自对应的关联概率,确定所述第一对象和所述第二对象的关联结果,包括:
将最大关联概率对应的关联组合,确定为所述第一对象和所述第二对象的关联结果。
8.一种对象关联装置,包括:
提取单元,用于从真实数据中提取多个第一对象各自的第一描述信息,并从高精地图数据中提取多个第二对象各自的第二描述信息;
确定单元,用于根据所述第一描述信息和所述第二描述信息,确定所述第一对象和所述第二对象之间的关联概率;
处理单元,用于根据所述第一对象和所述第二对象之间的关联概率,确定所述第一对象和所述第二对象的关联结果。
9.根据权利要求8所述的装置,其中,所述确定单元包括第一确定模块和第二确定模块;
所述第一确定模块,用于根据所述第一描述信息和所述第二描述信息,对所述多个第一对象和所述多个第二对象进行聚类,得到多个聚类结果;
所述第二确定模块,用于根据所述聚类结果中包括的第一对象与第二对象之间的空间距离,确定所述第一对象和所述第二对象之间的关联概率。
10.根据权利要求9所述的装置,其中,所述第一确定模块包括第一确定子模块和第二确定子模块;
所述第一确定子模块,用于根据所述第一描述信息中的位置和所述第二描述信息中的位置,对所述多个第一对象和所述多个第二对象进行空间聚类,得到多个初始聚类结果;
所述第二确定子模块,用于根据所述第一描述信息中的类型和所述第二描述信息中的类型,对所述初始聚类结果中包括的多个第一对象和多个第二对象进行类型聚类,得到所述多个聚类结果。
11.根据权利要求9或10所述的装置,其中,所述第二确定模块包括第三确定子模块、第四确定子模块以及所述第五确定子模块;
所述第三确定子模块,用于根据所述聚类结果中所述第一对象分别与各第二对象之间的空间距离,确定所述第一对象和所述第二对象之间的第一关联概率;
所述第四确定子模块,用于根据所述聚类结果中所述第二对象分别与各第一对象之间的空间距离,确定所述第二对象和所述第一对象之间的第二关联概率;
所述第五确定子模块,用于根据所述第一关联概率和所述第二关联概率,确定所述第一对象和所述第二对象之间的关联概率。
12.根据权利要求11所述的装置,其中,
所述第五确定子模块,具体用于确定预设值与所述第一关联概率的第一差值,并确定所述预设值与所述第二关联概率的第二差值;确定所述第一差值和所述第二差值的乘积;将所述预设值与所述乘积的第三差值,确定为所述第一对象和所述第二对象之间的关联概率。
13.根据权利要求8-12任一项所述的装置,其中,所述处理单元包括第一处理模块、第二处理模块以及第三处理模块;
所述第一处理模块,用于分别对所述多个第一对象和所述多个第二对象进行遍历,得到所述多个第一对象和所述多个第二对象之间的多个关联组合;
所述第二处理模块,用于根据所述关联组合中一一对应的第一对象和第二对象之间的关联概率,确定所述关联组合对应的关联率;
所述第三处理模块,用于根据所述多个关联组合各自对应的关联概率,确定所述第一对象和所述第二对象的关联结果。
14.根据权利要求13所述的装置,其中,所述第一处理模块包括第一处理子模块;
所述第一处理子模块,用于将最大关联概率对应的关联组合,确定为所述第一对象和所述第二对象的关联结果。
15.一种电子设备,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1-7中任一项所述的对象关联方法。
16.一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权利要求1-7中任一项所述的对象关联方法。
17.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现权利要求1-7中任一项所述的对象关联方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210094221.4A CN114490909B (zh) | 2022-01-26 | 2022-01-26 | 对象关联方法、装置和电子设备 |
US17/818,406 US20220383613A1 (en) | 2022-01-26 | 2022-08-09 | Object association method and apparatus and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210094221.4A CN114490909B (zh) | 2022-01-26 | 2022-01-26 | 对象关联方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114490909A true CN114490909A (zh) | 2022-05-13 |
CN114490909B CN114490909B (zh) | 2024-03-12 |
Family
ID=81476391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210094221.4A Active CN114490909B (zh) | 2022-01-26 | 2022-01-26 | 对象关联方法、装置和电子设备 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220383613A1 (zh) |
CN (1) | CN114490909B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080147660A1 (en) * | 2005-03-31 | 2008-06-19 | Alexander Jarczyk | Method for Arranging Object Data in Electronic Maps |
CN105095306A (zh) * | 2014-05-20 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 基于关联对象进行操作的方法及装置 |
CN110909671A (zh) * | 2019-11-21 | 2020-03-24 | 大连理工大学 | 一种融合概率和高度信息的栅格地图障碍物检测方法 |
CN112948517A (zh) * | 2021-02-26 | 2021-06-11 | 北京百度网讯科技有限公司 | 区域位置标定方法、装置及电子设备 |
-
2022
- 2022-01-26 CN CN202210094221.4A patent/CN114490909B/zh active Active
- 2022-08-09 US US17/818,406 patent/US20220383613A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080147660A1 (en) * | 2005-03-31 | 2008-06-19 | Alexander Jarczyk | Method for Arranging Object Data in Electronic Maps |
CN105095306A (zh) * | 2014-05-20 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 基于关联对象进行操作的方法及装置 |
CN110909671A (zh) * | 2019-11-21 | 2020-03-24 | 大连理工大学 | 一种融合概率和高度信息的栅格地图障碍物检测方法 |
CN112948517A (zh) * | 2021-02-26 | 2021-06-11 | 北京百度网讯科技有限公司 | 区域位置标定方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
KE WANG等: ""Fast feature matching based on r-nearest k-means searching"", 《CAAI TRANSACTIONS ON INTELLIGENCE TECHNOLOGY》, vol. 3, no. 4, pages 198 - 207 * |
秦福高;孙悦娟;: "聚类与关联规则挖掘进行结合的研究", 电脑知识与技术, no. 14 * |
Also Published As
Publication number | Publication date |
---|---|
CN114490909B (zh) | 2024-03-12 |
US20220383613A1 (en) | 2022-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3910543A2 (en) | Method for training object detection model, object detection method and related apparatus | |
US11810319B2 (en) | Image detection method, device, storage medium and computer program product | |
US11861919B2 (en) | Text recognition method and device, and electronic device | |
US11967132B2 (en) | Lane marking detecting method, apparatus, electronic device, storage medium, and vehicle | |
CN113155141A (zh) | 地图的生成方法、装置、电子设备及存储介质 | |
CN113392794B (zh) | 车辆跨线识别方法、装置、电子设备和存储介质 | |
CN113780098A (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
CN113298910A (zh) | 生成交通标志线地图的方法、设备和存储介质 | |
CN114120414A (zh) | 图像处理方法、装置、电子设备和介质 | |
CN114627239B (zh) | 包围盒生成方法、装置、设备及存储介质 | |
CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN114283398A (zh) | 车道线的处理方法、装置和电子设备 | |
CN114490909B (zh) | 对象关联方法、装置和电子设备 | |
CN112988932B (zh) | 高精地图标注方法、装置、设备、可读存储介质及产品 | |
CN113723405A (zh) | 区域轮廓的确定方法、装置和电子设备 | |
CN114119990A (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN114330807A (zh) | 路线的确定方法、装置和电子设备 | |
CN112507957A (zh) | 一种车辆关联方法、装置、路侧设备及云控平台 | |
CN114383600B (zh) | 用于地图的处理方法、装置、电子设备和存储介质 | |
CN113901342B (zh) | 一种路网数据处理方法、装置、电子设备及存储介质 | |
US20220383626A1 (en) | Image processing method, model training method, relevant devices and electronic device | |
US20230049992A1 (en) | Fusion and association of traffic objects in driving environment | |
CN114565905A (zh) | 车道线的提取方法、装置和电子设备 | |
CN114359513A (zh) | 障碍物位置的确定方法、装置和电子设备 | |
CN114661842A (zh) | 地图匹配方法、装置和电子设备 |
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 |