CN114494986A - 道路场景识别方法及其装置 - Google Patents

Abstract

本申请涉及卫星导航技术领域，公开了一种道路场景识别方法及其装置，该方法包含：采集路况视频数据和定位日志文件，对路况视频数据进行预处理获取与定位日志文件的时间戳对齐的图像数据，对定位日志文件进行预处理并提取日志数据；采用深度学习技术对图像数据进行场景识别，获取每帧图像对应的场景信息，包括日期、时间戳、场景类别和置信度；基于日志数据对每帧图像进行地图匹配，获取每帧图像对应的地图匹配信息，包括日期、时间戳和道路类型；采用语义分割检测每帧图像中是否存在大型车辆和/或交通标牌并获取邻近道路信息，包括大型车辆和交通标牌的位置；融合并输出场景信息、地图匹配信息及邻近道路信息，用于进行定位性能评估。

Description

道路场景识别方法及其装置

技术领域

本申请涉及卫星导航技术领域，尤其涉及道路场景识别方法及其装置。

背景技术

目前，在评价自动驾驶场景的高精度定位性能问题中，能够精确分析不同的使用场景和匹配不同的指标已经成为一项重要的课题。传统的方法是利用卫星的信息进行使用场景的判断，例如卫星的数量和高度角等信息。这样做可以达到一定的区分目的，但是由于不同的时间点的卫星分布无法确定和统一，不能直观的区分不同的场景。另一种方案是将一整个路段确定为同一个场景。但是这明显不符合实际情况，实际情况在一条道路上的场景会复杂很多。因此，实际问题中亟需一种准确的场景识别和区分方法，在保证尽可能多的场景的区分下，提高场景识别的准确率，作为高精度定位场景的高精度定位性能的统一评判标准。

现有的技术往往只是针对单一的图像进行场景识别，即针对某一张图片，通过深度学习特征提取的方法得到一种或几种场景，但是针对车道级导航等对定位场景和精度要求较高的需求，无法做到输出完整的场景识别。另一方面，现有的技术往往无法解决区分车辆行驶在高架上下的判断。

发明内容

本申请的目的在于提供一种道路场景识别方法及其装置，采用深度学习场景识别、地图匹配和语义分割融合的场景识别方法，达到输出准确场景识别结果的目的。

本申请的一实施例中公开了一种道路场景识别方法，包括：

采集路况视频数据和定位日志文件，对所述路况视频数据进行预处理获取与所述定位日志文件的时间戳对齐的图像数据，对所述定位日志文件进行预处理并从所述定位日志文件中提取日志数据，所述日志数据包括时间信息、坐标信息和车速信息；

采用深度学习技术对所述图像数据进行场景识别，获取与每帧图像对应的场景信息，所述场景信息包括日期、时间戳、场景类别和置信度；

基于所述日志数据对所述每帧图像进行地图匹配，获取与所述每帧图像对应的地图匹配信息，所述地图匹配信息包括日期、时间戳和道路类型；

采用语义分割检测所述每帧图像中是否存在大型车辆和/或交通标牌，获取与所述每帧图像对应的邻近道路信息，所述邻近道路信息包括所述大型车辆和所述交通标牌的位置；

融合并输出所述场景信息、所述地图匹配信息及所述邻近道路信息，用于进行定位性能评估。

在一个优选例中，对所述路况视频数据进行预处理获取与所述定位日志文件的时间戳对齐的图像数据的步骤，进一步包括：

逐帧播放所述路况视频数据，当跳过的帧数等于所述路况视频数据的采集频率与所述定位日志文件的采集频率的商时，保存当前帧图像。

在一个优选例中，对所述定位日志文件进行预处理的步骤，进一步包括：

对一个或多个定位日志文件的每一行数据的完整性进行判断，删除不完整的行数据并合并所述一个或多个定位日志文件；

从所述合并的定位日志文件中提取日期、时间戳、坐标信息和车速信息。

在一个优选例中，所述采用语义分割在所述每帧图像中检测是否存在大型车辆和/或交通标牌，获取与所述每帧图像对应的邻近道路信息的步骤，进一步包括：

采用语义分割检测所述每帧图像中是否存在大型车辆和/或交通标牌；

根据所述大型车辆和所述交通标牌的像素大小判断所述大型车辆和所述交通标牌的位置，保留当前位置前方、左方相邻车道和右方相邻车道的大型车辆和交通标牌信息。

在一个优选例中，所述方法还包括：

遍历所述地图匹配信息；

当所述地图匹配信息中具有连续一定数量的同一种道路类型，该连续一定数量的同一种道路类型中间出现与该连续一定数量的同一种道路类型不同的1至2个道路类型时，将该1至2个道路类型修改为与该连续一定数量的同一种道路类型相同的道路类型。

在一个优选例中，所述方法还包括：

遍历所述场景信息；

当所述场景信息中具有连续一定数量的场景类别，该具有连续一定数量的场景类别中场景类别为高架桥下遮挡的数量大于预定阈值，并且该连续一定数量的场景类别对应时间的道路类型为高速公路或高架，将该连续一定数量的场景类别对应时间的道路类型修改为城市普通道路。

在一个优选例中，所述场景类别包括以下任意一个或多个：双边遮挡、单边遮挡、短暂全遮挡、空旷、交通标牌遮挡、双边山路遮挡、单边山路遮挡、隧道、高架桥下遮挡、单边高楼遮挡、单边树荫遮挡、双边高楼遮挡、双边树荫遮挡和高架旁。

在一个优选例中，所述道路类型包括以下任意一个或多个：高速公路、高架、城市普通道路和匝道。

在一个优选例中，所述地图匹配信息还包括道路类型相关信息，所述道路类型相关信息包括以下任意一个或多个：是否在服务区、是否在收费站和是否在高压输电线旁。

在一个优选例中，通过多个行车记录仪采集所述路况视频数据。

本申请的另一实施例中公开了一种道路场景识别装置，包括：

采集模块，用于采集路况视频数据和定位日志文件；

预处理模块，用于对所述路况视频数据进行预处理获取与所述定位日志文件的时间戳对齐的图像数据，对所述定位日志文件进行预处理并从所述定位日志文件中提取日志数据，所述日志数据包括时间信息、坐标信息和车速信号；

场景识别模块，用于采用深度学习技术对所述图像数据进行场景识别，获取与每帧图像对应的场景信息，所述场景信息包括日期、时间戳、场景类别和置信度；

地图匹配模块，用于基于所述日志数据对所述每帧图像进行地图匹配，获取与所述每帧图像对应的地图匹配信息，所述地图匹配信息包括日期、时间戳和道路类型；

邻近道路信息获取模块，用于采用语义分割检测所述每帧图像中是否存在大型车辆和/或交通标牌，获取与所述每帧图像对应的邻近道路信息，所述邻近道路信息包括所述大型车辆和所述交通标牌的位置；

输出模块，用于融合并输出所述场景信息、所述地图匹配信息及所述邻近道路信息，用于进行定位性能评估。

本专利提出了一种用于高精度定位性能评估的场景识别方案，至少具有以下有益效果：

1)本发明中，采用将深度学习场景识别、地图匹配和语义分割技术进行融合的场景识别，可以依托路网的环境进行准确识别，可以减少干扰因素对结果的误识别，从而提高准确率。

2)在地图匹配以后，会出现是否在高架桥上、是否从高架桥底穿过这样的问题，通过后处理方案的实现，进一步减少了干扰因素对结果的影响，从而提高了场景识别结果的准确率。

3)对于高精度定位性能评估的场景识别，该方案对深度学习场景识别、地图匹配、语义分割等多种识别结果进行融合，可以解决利用卫星的信息无法确定和统一评价标准，无法直观的区分不同的场景和避免一整个路段确定为同一个场景的问题，输出更准确的融合场景识别结果。

本申请的说明书中记载了大量的技术特征，分布在各个技术方案中，如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话，会使得说明书过于冗长。为了避免这个问题，本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征，都可以自由地互相组合，从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载)，除非这种技术特征的组合在技术上是不可行的。例如，在一个例子中公开了特征A+B+C，在另一个例子中公开了特征A+B+D+E，而特征C和D是起到相同作用的等同技术手段，技术上只要择一使用即可，不可能同时采用，特征E技术上可以与特征C相组合，则，A+B+C+D的方案因技术不可行而应当不被视为已经记载，而A+B+C+E的方案应当视为已经被记载。

附图说明

图1是根据本申请第一实施方式的道路场景识别方法的流程示意图；

图2是根据本申请第一实施方式的道路场景识别方法详细的流程示意图；

图3是根据本申请第二实施方式的道路场景识别装置的结构示意图。

具体实施方式

在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

部分概念的说明：

地图匹配技术：将车辆的位置信息关联到电子地图的路网上，将坐标下采样序列转换为路网坐标序列，以得到当前道路类型的过程。

图像语义分割技术：对图像中的每个像素标注所属的类别，将图像分成若干具有相似性质的区域，以达到分类的效果。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请的实施方式作进一步地详细描述。

本申请的第一实施方式涉及一种道路场景识别方法，其流程如图1所示，该方法包括以下步骤：

步骤101，采集路况视频数据和定位日志文件，对所述路况视频数据进行预处理获取与所述定位日志文件的时间戳对齐的图像数据，对所述定位日志文件进行预处理并从所述定位日志文件中提取日志数据，所述日志数据包括时间信息、坐标信息和车速信息。

在一个实施例中，通过多个行车记录仪采集所述路况视频数据。例如，在车辆的前方(例如，前挡风玻璃上)、左方(例如，左侧车门上)和右方(例如，右侧车门上)分别设置行车记录仪，分别获取各个行车记录仪采集的视频数据进行预处理。在一个实施例中，定位日志文件通过高精度定位模块获取，可以获取厘米级的定位结果。

在一个实施例中，对所述路况视频数据进行预处理获取与所述定位日志文件的时间戳对齐的图像数据的步骤，进一步包括：逐帧播放所述路况视频数据，当跳过的帧数等于所述路况视频数据的采集频率与所述定位日志文件的采集频率的商时，保存当前帧图像。

在一个实施例中，对所述定位日志文件进行预处理的步骤，进一步包括：

对一个或多个定位日志文件的每一行数据的完整性进行判断，删除行数据不完整的行数据并合并所述一个或多个定位日志文件；

从所述合并的定位日志文件中提取日志数据，包括：日期、时间戳、坐标信息和车速信息。

步骤102，采用深度学习技术对所述图像数据进行场景识别，获取与每帧图像对应的场景信息，所述场景信息包括日期、时间戳、场景类别和置信度。每帧图像可能被识别为多种场景类别，所述场景信息中记录可能的多种场景类别，并分别记录可能性(置信度)大小。

在一个实施例中，所述场景类别包括以下任意一个或多个：双边遮挡、单边遮挡、短暂全遮挡、空旷、交通标牌遮挡、双边山路遮挡、单边山路遮挡、隧道、高架桥下遮挡、单边高楼遮挡、单边树荫遮挡、双边高楼遮挡、双边树荫遮挡和高架旁。应当注意，所述场景类别可以包括但不限于上述类别。

步骤103，基于所述日志数据对所述每帧图像进行地图匹配，获取与所述每帧图像对应的地图匹配信息，所述地图匹配信息包括日期、时间戳和道路类型。在一个实施例中，所述道路类型包括以下任意一个或多个：高速公路、高架、城市普通道路和匝道。应当注意，所述道路类型可以包括但不限于上述类型。

此外，所述地图匹配信息还包括道路类型相关信息，所述道路类型相关信息包括但不限于以下任意一个或多个：是否在服务区、是否在收费站和是否在高压输电线旁。

步骤104，采用语义分割检测所述每帧图像中是否存在大型车辆和/或交通标牌，获取与所述每帧图像对应的邻近道路信息，所述邻近道路信息包括所述大型车辆和所述交通标牌的位置。

在一个实施例中，所述采用语义分割在所述每帧图像中检测是否存在大型车辆和/或交通标牌，获取与所述每帧图像对应的邻近道路信息的步骤，进一步包括：

采用语义分割检测所述每帧图像中是否存在大型车辆和/或交通标牌；

根据所述大型车辆和所述交通标牌的像素大小判断所述大型车辆和所述交通标牌的位置，保留当前位置前方、左方相邻车道和右方相邻车道的大型车辆和交通标牌信息。

应当理解，语义分割技术可以检测出图像中的物体类型并可以采用不同颜色标记出相应区域，像素区域的大小可以指示对应物体的远近程度，距离越近，像素区域越大，距离越远，像素区域越小。因此，当指代大型车辆的像素区域大于预定阈值时，可以认为该大型车辆与当前位置较近。并且，根据采集该图像的行车记录仪安装的位置判断该大型车辆所在的位置，例如，左侧的行车记录仪采集的图像中出现的大型车辆位于左方相邻车道，右侧的行车记录仪采集的图像中出现的大型车辆位于右方相邻车道，前方的行车记录仪采集的图像中出现的大象车辆根据其位于图像中的位置判断其位于前方、左方或右方，例如，将该位置前方区域按角度划分为三等分，位于左侧区域表示该大型车辆位于左方，位于中间区域表示该大型车辆位于前方，位于右侧区域表示该大型车辆位于右方。

在一个实施例中，该方法还包括：

遍历所述地图匹配信息；

当所述地图匹配信息中具有连续一定数量的同一种道路类型，该连续一定数量的同一种道路类型中间出现与该连续一定数量的同一种道路类型不同的1至2个道路类型时，将该1至2个道路类型修改为与该连续一定数量的同一种道路类型相同的道路类型。并且，该1至2个道路类型为相同的道路类型。

在该实施例中，该1至2个道路类型对应的场景类别可以为高架桥下遮挡，在连续的同一种道路类型上时，导致道路类型的匹配出现错误，本实施例可以进行更正。并且，当所述地图匹配信息可能存在多个该1至2个道路类型，根据上述方法进行修改。

应当理解，连续一定数量的同一种道路类型的数量可以根据实际情况进行设置，例如，大于等于10。本实施例中可以不局限于1至2个不同类型的道路类型，还可以是更多个，例如，3个等少数个。

在一个实施例中，该方法还包括：

遍历所述场景信息；

当所述场景信息中具有连续一定数量的场景类别，该具有连续一定数量的场景类别中场景类别为高架桥下遮挡的数量大于预定阈值，并且该连续一定数量的场景类别对应时间的道路类型为高速公路或高架，将该连续一定数量的场景类别对应时间的道路类型修改为城市普通道路。

在该实施例中，具有连续一定数量的场景类别可以为连续20个，该预定阈值为15个。

步骤105，融合并输出所述场景信息、所述地图匹配信息及所述邻近道路信息，用于进行定位性能评估。

为了能够更好地理解本说明书的技术方案，下面结合一个具体的例子来进行说明，该例子中罗列的细节主要是为了便于理解，不作为对本申请保护范围的限制。

基于场景识别方法的流程参考图2所示，其主要步骤包括：

(一)数据预处理：为了后续自动化场景识别的需要，首先对车载设备采集的视频数据和对应日期的定位日志文件进行预处理，得到与视频内时间戳对应的图像数据，及定位日志文件合并后提取出所需的时间信息、坐标信息、车速信息等内容的日志数据。

(二)自动化场景识别：使用深度学习技术、地图匹配技术和语义分割技术，分别得到基于图像的场景识别结果(场景信息)，基于坐标的地图匹配结果(地图匹配信息)和基于图像的语义分割结果(邻近道路信息)。

(三)地图匹配后处理：根据地图匹配结果，对错误的匹配的信息进行筛选和修改。

(四)输出融合识别结果。

继续参考图2所示，以下分别对数据预处理、自动化场景识别、地图匹配后处理、输出融合识别结果的步骤进行具体说明：

(一)数据预处理

用于场景识别的数据包括图像数据和定位日志文件，为了使用时间戳对两个文件进行对齐，需要对两种数据分别进行预处理。具体操作步骤包括：

1)视频数据抽析

由于场景识别的视频数据是用位于前挡风玻璃的行车记录仪以30Hz的频率进行采集，但是日志文件记录坐标的频率为1Hz，因此，首先需要将行车记录仪采集的视频以1Hz的频率进行抽析，具体操作是：准备视频，将视频逐帧播放，当跳过的帧数与行车记录仪的采集频率相等时，保存当前帧的图像，并将图像以图像中显示的当前时间戳进行命名，便于后续与坐标日志文件时间戳对齐。

2)日志文件预处理

日志文件包含的数据很多，并且可能会有多个文件，为了方便后续地图匹配，需要对日志文件进行处理。具体操作步骤包括：a)脏数据处理。设备在断电时会造成文件结尾处的数据不完整，首先对每一行数据的完整性进行判断，删除不完整的数据；b)合并。对脏数据进行处理后，将多个文件的数据进行合并；c)内容提取。对合并后的数据提取其中的日期、时间、坐标和车速等信息。

(二)自动化场景识别

完成数据预处理后，同时进行基于深度学习技术的场景识别，地图匹配以及语义分割。具体操作步骤如下：

1)基于深度学习技术的场景识别

由于现有模型没有针对本专利需要的场景识别进行训练，必须先使用完成分类的场景数据集对模型进行训练。在训练之前，需要先确定需要被识别出的场景类别。在本发明中，需要通过深度学习进行识别的场景包括但不限于以下一种或多种：双边遮挡、单边遮挡、短暂全遮挡、空旷、交通标牌遮挡、双边山路遮挡、单边山路遮挡、隧道、高架桥下遮挡、单边高楼遮挡、单边树荫遮挡、双边高楼遮挡、双边树荫遮挡和高架旁等。经过一定次数的训练后，本实施例使用ResNet-50模型，对图像对应的场景进行检测，并记录结果信息，包括：日期、时间戳、场景类别和置信度。其中，置信度表示该图像属于某种场景类别的可能性(例如，10％，30％)。

2)地图匹配

由于针对不同的道路类型需要使用不同的算法，因此，需要基于日志文件中的经纬度数据进行地图匹配，在电子地图数据源上得到对应的道路类型，例如高速、城市快速路、城市普通道路和匝道等。同时，本专利还可以从电子地图数据源上匹配到收费站、服务区和高压输电线旁等。在本发明中，首先按照省份将全国的路网数据进行划分，以减少算法的计算量。然后，将每一帧的坐标与一定范围地图中的坐标进行距离计算，将距离最近的点认为是当前帧所在的电子地图上的道路的位置，并记录地图匹配信息，包括：日期、时间戳、道路类型、是否在高压输电线旁、是否是收费站、是否为服务区、和车速信息等。

在地图匹配时，本实施例可以通过隐马尔可夫算法匹配出当前道路类型。

3)语义分割

在道路上的场景中，大型车辆和交通标牌也是需要关注的场景之一。本专利中采用语义分割技术，采用预训练的模型对大型车辆进行检测。在分割出大型车辆后，仅保留在当前行驶位置前方、左方相邻车道和右方相邻车道的大型车辆信息，以便后续融合使用。同样的，采用类似的方向提取出交通标牌的位置信息，保留在当前行驶位置前方、左方相邻车道和右方相邻车道的交通标牌信息。

在进行语义分割时，本实施例可以选择目标检测对大型车辆和交通标牌进行识别检测。

(三)地图匹配后处理

在得到地图匹配的检测结果后，会产生两个问题：1)在经过高架桥下遮挡这个场景类别时，地图匹配可能会匹配到当前行驶道路上方的道路，导致道路类型匹配错误，此问题可能持续1至2秒；2)在高架桥下的城市普通道路行驶时，地图匹配可能会匹配到当前行驶的城市普通道路上方的高架上，导致道路类型匹配错误，此问题可能持续一段时间。针对这两个问题，本专利还需要对地图匹配记录的结果进行后处理。具体操作步骤如下：

为了解决问题1)，本专利对地图匹配结果进行遍历，如果在连续同一种道路类型中出现1至2个不同的道路类型，并且这1至2个不同的道路类型前后均为同一种道路类型，则判定这1至2个不同的道路类型为误检测，将其修改为与连续同一种道路类型相一致的道路类型。

为了解决问题2)，本专利利用滑窗技术对场景记录的结果进行遍历，如果在连续20个数据的场景类别中，出现15个高架桥下遮挡的场景类别，并且对应时间戳的道路匹配结果中道路类型为高速公路或高架，则判定当前行驶在高架桥下的城市普通道路，将这20个数据的道路类型修改为城市普通道路。

(四)输出融合识别结果

结合修改后的自动化场景识别得到的三个结果，对不同数据源的结果进行融合，并输出每一帧数据对应的融合后场景识别结果。具体步骤如下：

1)从地图匹配的结果中读取每一帧数据的时间戳作为基准，将深度学习场景识别结果和语义分割识别结果中的时间戳进行对齐；

2)分别从三个文件中获取数据，并记录信息，包括：日期、时间戳和所有识别出的场景，包括道路类型和所有经过地图匹配、深度学习场景识别和语义分割得到的场景。

3)输出场景识别的融合结果。

本申请的第二实施方式涉及一种道路场景识别装置，其结构如图3所示，该道路场景识别装置包括：采集模块、预处理模块、场景识别模块、地图匹配模块、邻近道路信息获取模块和输出模块，其中：

所述采集模块用于采集路况视频数据和定位日志文件。

所述预处理模块用于对所述路况视频数据进行预处理获取与所述定位日志文件的时间戳对齐的图像数据，对所述定位日志文件进行预处理并从所述定位日志文件中提取日志数据，所述日志数据包括时间信息、坐标信息和车速信息。

所述场景识别模块用于采用深度学习技术对所述图像数据进行场景识别，获取与每帧图像对应的场景信息，所述场景信息包括日期、时间戳、场景类别和置信度。

所述地图匹配模块用于基于所述日志数据对所述每帧图像进行地图匹配，获取与所述每帧图像对应的地图匹配信息，所述地图匹配信息包括日期、时间戳和道路类型。

所述邻近道路信息获取模块用于采用语义分割检测所述每帧图像中是否存在大型车辆和/或交通标牌，获取与所述每帧图像对应的邻近道路信息，所述邻近道路信息包括所述大型车辆和所述交通标牌的位置。

所述输出模块用于融合并输出所述场景信息、所述地图匹配信息及所述邻近道路信息，用于进行定位性能评估。

第一实施方式是与本实施方式相对应的方法实施方式，第一实施方式中的技术细节可以应用于本实施方式，本实施方式中的技术细节也可以应用于第一实施方式。

需要说明的是，本领域技术人员应当理解，上述道路场景识别装置的实施方式中所示的各模块的实现功能可参照前述道路场景识别方法的相关描述而理解。上述道路场景识别装置的实施方式中所示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现，也可通过具体的逻辑电路而实现。本申请实施例上述道路场景识别装置如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

需要说明的是，在本专利的申请文件中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本专利的申请文件中，如果提到根据某要素执行某行为，则是指至少根据该要素执行该行为的意思，其中包括了两种情况：仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。

在本申请提及的所有文献都被认为是整体性地包括在本申请的公开内容中，以便在必要时可以作为修改的依据。此外应理解，在阅读了本申请的上述公开内容之后，本领域技术人员可以对本申请作各种改动或修改，这些等价形式同样落于本申请所要求保护的范围。

Claims (11)

1.一种道路场景识别方法，其特征在于，包括：

采集路况视频数据和定位日志文件，对所述路况视频数据进行预处理获取与所述定位日志文件的时间戳对齐的图像数据，对所述定位日志文件进行预处理并从所述定位日志文件中提取日志数据，所述日志数据包括时间信息、坐标信息和车速信息；

采用深度学习技术对所述图像数据进行场景识别，获取与每帧图像对应的场景信息，所述场景信息包括日期、时间戳、场景类别和置信度；

基于所述日志数据对所述每帧图像进行地图匹配，获取与所述每帧图像对应的地图匹配信息，所述地图匹配信息包括日期、时间戳和道路类型；

采用语义分割检测所述每帧图像中是否存在大型车辆和/或交通标牌，获取与所述每帧图像对应的邻近道路信息，所述邻近道路信息包括所述大型车辆和所述交通标牌的位置；

融合并输出所述场景信息、所述地图匹配信息及所述邻近道路信息，用于进行定位性能评估。

2.如权利要求1所述的道路场景识别方法，其特征在于，对所述路况视频数据进行预处理获取与所述定位日志文件的时间戳对齐的图像数据的步骤，进一步包括：

逐帧播放所述路况视频数据，当跳过的帧数等于所述路况视频数据的采集频率与所述定位日志文件的采集频率的商时，保存当前帧图像。

3.如权利要求1所述的道路场景识别方法，其特征在于，对所述定位日志文件进行预处理的步骤，进一步包括：

对一个或多个定位日志文件的每一行数据的完整性进行判断，删除不完整的行数据并合并所述一个或多个定位日志文件；

从所述合并的定位日志文件中提取日期、时间戳、坐标信息和车速信息。

4.如权利要求1所述的道路场景识别方法，其特征在于，所述采用语义分割在所述每帧图像中检测是否存在大型车辆和/或交通标牌，获取与所述每帧图像对应的邻近道路信息的步骤，进一步包括：

采用语义分割检测所述每帧图像中是否存在大型车辆和/或交通标牌；

根据所述大型车辆和所述交通标牌的像素大小判断所述大型车辆和所述交通标牌的位置，保留当前位置前方、左方相邻车道和右方相邻车道的大型车辆和交通标牌信息。

5.如权利要求1所述的道路场景识别方法，其特征在于，还包括：

遍历所述地图匹配信息；

当所述地图匹配信息中具有连续一定数量的同一种道路类型，该连续一定数量的同一种道路类型中间出现与该连续一定数量的同一种道路类型不同的1至2个道路类型时，将该1至2个道路类型修改为与该连续一定数量的同一种道路类型相同的道路类型。

6.如权利要求1所述的道路场景识别方法，其特征在于，还包括：

遍历所述场景信息；

当所述场景信息中具有连续一定数量的场景类别，该具有连续一定数量的场景类别中场景类别为高架桥下遮挡的数量大于预定阈值，并且该连续一定数量的场景类别对应时间的道路类型为高速公路或高架，将该连续一定数量的场景类别对应时间的道路类型修改为城市普通道路。

7.如权利要求1所述的道路场景识别方法，其特征在于，所述场景类别包括以下任意一个或多个：双边遮挡、单边遮挡、短暂全遮挡、空旷、交通标牌遮挡、双边山路遮挡、单边山路遮挡、隧道、高架桥下遮挡、单边高楼遮挡、单边树荫遮挡、双边高楼遮挡、双边树荫遮挡和高架旁。

8.如权利要求1所述的道路场景识别方法，其特征在于，所述道路类型包括以下任意一个或多个：高速公路、高架和城市普通道路匝道。

9.如权利要求1所述的道路场景识别方法，其特征在于，所述地图匹配信息还包括道路类型相关信息，所述道路类型相关信息包括以下任意一个或多个：是否在服务区、是否在收费站和是否在高压输电线旁。

10.如权利要求1所述的道路场景识别方法，其特征在于，通过多个行车记录仪采集所述路况视频数据。

11.一种道路场景识别装置，其特征在于，包括：

采集模块，用于采集路况视频数据和定位日志文件；

预处理模块，用于对所述路况视频数据进行预处理获取与所述定位日志文件的时间戳对齐的图像数据，对所述定位日志文件进行预处理并从所述定位日志文件中提取日志数据，所述日志数据包括时间信息、坐标信息和车速信号；

场景识别模块，用于采用深度学习技术对所述图像数据进行场景识别，获取与每帧图像对应的场景信息，所述场景信息包括日期、时间戳、场景类别和置信度；

地图匹配模块，用于基于所述日志数据对所述每帧图像进行地图匹配，获取与所述每帧图像对应的地图匹配信息，所述地图匹配信息包括日期、时间戳和道路类型；

邻近道路信息获取模块，用于采用语义分割检测所述每帧图像中是否存在大型车辆和/或交通标牌，获取与所述每帧图像对应的邻近道路信息，所述邻近道路信息包括所述大型车辆和所述交通标牌的位置；

输出模块，用于融合并输出所述场景信息、所述地图匹配信息及所述邻近道路信息，用于进行定位性能评估。

Images