CN114581667A - 地图数据处理方法、装置、电子设备和存储介质 - Google Patents
地图数据处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114581667A CN114581667A CN202210214253.3A CN202210214253A CN114581667A CN 114581667 A CN114581667 A CN 114581667A CN 202210214253 A CN202210214253 A CN 202210214253A CN 114581667 A CN114581667 A CN 114581667A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- scene information
- map data
- updated
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 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
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design 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
- 238000005070 sampling Methods 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
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种地图数据处理方法,涉及人工智能技术领域,尤其涉及深度学习技术领域和高精地图技术领域。具体实现方案为:根据第一图像的场景信息或第二图像的场景信息,分别对第一图像和第二图像进行语义分割,得到第一掩码图像和第二掩码图像;对第一掩码图像和第二掩码图像进行差分处理,得到差分结果;以及根据差分结果和目标地图数据,得到更新的目标地图数据。本公开还提供了一种地图数据处理装置、电子设备和存储介质。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及深度学习技术领域和高精地图技术领域。更具体地,本公开提供了一种地图数据处理方法、装置、电子设备和存储介质。
背景技术
高精地图中包括多种地物信息,例如对应标志牌的地物信息、对应车道线的地物信息等等。可以对高精地图中的地物信息进行更新,得到更新后的高精地图。
发明内容
本公开提供了一种地图数据处理方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种地图数据处理方法,该方法包括:根据第一图像的场景信息或第二图像的场景信息,分别对第一图像和第二图像进行语义分割,得到第一掩码图像和第二掩码图像;对所述第一掩码图像和所述第二掩码图像进行差分处理,得到差分结果;以及根据所述差分结果和目标地图数据,得到更新的目标地图数据。
根据本公开的另一方面,提供了一种地图数据处理装置,该装置包括:语义分割模块,用于根据第一图像的场景信息或第二图像的场景信息,分别对第一图像和第二图像进行语义分割,得到第一掩码图像和第二掩码图像;差分处理模块,用于对所述第一掩码图像和所述第二掩码图像进行差分处理,得到差分结果;以及获得模块,用于根据所述差分结果和目标地图数据,得到更新的目标地图数据。
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;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开提供的方法。
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根据本公开提供的方法。
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,所述计算机程序在被处理器执行时实现根据本公开提供的方法。
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是根据本公开的一个实施例的可以应用地图数据处理方法和装置的示例性系统架构示意图;
图2是根据本公开的一个实施例的地图数据处理方法的流程图;
图3是根据本公开的另一个实施例的地图数据处理方法的流程图;
图4A至图4F是根据本公开的另一个实施例的用于训练场景识别模型的多个样本数据的示意图;
图5是根据本公开的另一个实施例的地图数据处理方法的流程图;
图6是根据本公开的另一个实施例的地图数据处理方法的流程图;
图7是根据本公开的另一个实施例的地图数据处理方法的流程图;
图8是根据本公开的一个实施例的地图数据处理装置的框图;以及
图9是根据本公开的一个实施例的可以应用地图数据处理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。
可以根据不同时刻的反射值底图来确定地图中的地物信息是否发生变化。反射值底图也可以称为激光反射率底图,是将点云数据对应的激光反射率进行转换得到的灰度图像。
可以利用目标检测模型提取每个时刻的反射值底图中的地物信息,以确定不同时刻的反射值底图之间的地物信息是否有变化。目标检测模型可以输出一个矩形框来表示一个地物所处的区域。但很多地物的形状并不是矩形,导致目标检测模型不能进行高精度的检测。
也可以利用语义分割模型提取每个时刻的反射值底图中的地物信息,以确定不同时刻的反射值底图之间的地物信息是否有变化。语义分割模型可以在一种场景中较为准确地提取反射值底图中的地物信息。但用于高速公路场景的语义分割模型难以提取与城市住宅场景对应的反射值底图中的地物信息。
图1是根据本公开一个实施例的可以应用地图数据处理方法和装置的示例性系统架构示意图。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的地图数据处理方法一般可以由服务器105执行。相应地,本公开实施例所提供的地图数据处理装置一般可以设置于服务器105中。本公开实施例所提供的地图数据处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的地图数据处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
图2是根据本公开的一个实施例的地图数据处理方法的流程图。
如图2所示,该方法200可以包括操作S210至操作S230。
在操作S210,根据第一图像的场景信息或第二图像的场景信息,分别对第一图像和第二图像进行语义分割,得到第一掩码图像和第二掩码图像。
例如,第一图像可以是在时刻T1获取的对应地理区域Aera_1的反射值底图。
例如,第二图像可以是在时刻T2获取的对应地理区域Aera_1的反射值底图。在一个示例中,时刻T1是在时刻T2之前的一个时刻。
例如,第一掩码图像是对第一图像进行语义分割得到的。
例如,第二掩码图像是对第二图像进行语义分割得到的。
例如,可以利用语义分割模型分别对第一图像和第二图像进行语义分割。又例如,语义分割模型是根据第一图像的场景信息或第二图像的场景信息确定的。
例如,语义分割模型来自于多个经训练的语义分割模型,每个经训练的语义分割模型与一个场景信息对应。
又例如,可以利用与多个场景信息对应的多个样本数据集训练语义分割模型,得到多个经训练的语义分割模型。在一个示例中,每个场景信息可以为与多个场景中一个场景对应的信息。多个场景例如可以包括:工业园区、商住区、路口、立交桥/天桥、郊区高速等等。
在一个示例中,第一图像的场景信息和第二图像的场景信息一致,均为与工业园区这一场景对应的场景信息Scene_iz。可以利用与场景信息Scene_iz对应的经训练的语义分割模型Model_iz分别对第一图像和第二图像进行语义分割。
在操作S220,对第一掩码图像和第二掩码图像进行差分处理,得到差分结果。
例如,可以理解,可以利用各种方式对第一掩码图像和第二掩码图像进行差分,得到差分结果。
在操作S230,根据差分结果和目标地图数据,得到更新的目标地图数据。
例如,差分结果可以表征地图变化类型。地图变化类型可以包括地物信息新增、地物信息减少或者地物信息不变。
例如,差分结果中可以包括M个差分区域,每个差分区域对应一个类别。在一个示例中,差分结果的一个差分区域DA_1对应的类别可以是车道线。若第一掩码图像中不存在与该差分区域DA_1对应的区域且第二掩码图像中存在与该差分区域DA_1对应的区域,可以确定地图变化类型为地物信息新增。
又例如,在地图变化类型为地物信息新增的情况下,可以在目标地图数据中增加与差分结果相关的信息,以得到更新的目标地图数据。
通过本公开实施例,根据场景信息针对性地对图像进行语义分割,可以提高语义分割结果的准确性,进而提高了更新的目标地图数据的准确性。
在一些实施例中,在地图变化类型为地物信息不变的情况下,可以将目标地图数据作为更新的目标地图数据。
图3是根据本公开的另一个实施例的地图数据处理方法的流程图。
如图3所示,该方法310可以根据第一图像的场景信息或第二图像的场景信息,分别对第一图像和第二图像进行语义分割,下面将结合操作S311至操作S315进行详细说明。
在操作S311,分别对第一图像和第二图像进行识别,得到第一图像的场景信息和第二图像的场景信息。
例如,可以利用场景识别模型分别对第一图像和第二图像进行识别。又例如,场景识别模型可以识别出图像的场景信息。在一个示例中,每个场景信息可以为与多个场景中一个场景对应的信息。多个场景例如可以包括:工业园区、商住区、路口、立交桥/天桥、高速公路等等。
在本公开实施例中,可以分别对第一图像和第二图像进行超像素分割,得到第一特征图像和第二特征图像。
例如,对第一图像进行超像素分割,得到第一特征图像。
例如,对第二图像进行超像素分割,得到第二特征图像。
在本公开实施例中,分别对第一特征图像和第二特征图像进行识别,得到第一图像的场景信息和第二图像的场景信息。
例如,对第一特征图像进行识别,得到第一图像的场景信息。
例如,对第二特征图像进行识别,得到第二图像的场景信息。对图像进行超像素分割,可以减少后续识别操作的计算量,提高场景识别的效率。
在操作S312,确定第一图像的场景信息和第二图像的场景信息是否一致。
在本公开实施例中,响应于确定第一图像的场景信息和第二图像的场景信息一致,执行操作S313。
例如,若第一图像的场景信息与工业园区这一场景对应,第二图像的场景信息也与工业园区这一场景对应,可以确定二者一致,可以执行操作S313。
在本公开实施例中,响应于确定第一图像的场景信息和第二图像的场景信息不一致,执行操作S314。
例如,若第一图像的场景信息与工业园区这一场景对应,第二图像的场景信息与商住区这一场景对应,可以确定二者不一致,可以执行操作S314。
在操作S313,根据第一图像的场景信息或第二图像的场景信息,分别对第一图像和第二图像进行语义分割。
例如,可以利用上文所述的经训练的语义分割模型Model_iz分别对第一图像和第二图像进行语义分割。
在操作S314,利用输入的场景信息更新第一图像的场景信息或第二图像的场景信息,得到更新的第一图像的场景信息或更新的第二图像的场景信息。
例如,在确定第一图像的场景信息和第二图像的场景信息不一致之后,可以获取输入的场景信息。在一个示例中,输入的场景信息可以是人工输入的。在一个示例中,如上文所述,第一图像的场景信息与工业园区这一场景对应,第二图像的场景信息与商住区这一场景对应。经人工确定,二者的场景信息为与工业园区对应的场景信息。获取人工输入的“工业园区”这一场景信息,并利用该场景信息更新第一图像和第二图像的场景信息。
在操作S315,根据更新的第一图像的场景信息或更新的第二图像的场景信息,分别对第一图像和第二图像进行语义分割。
例如,输入的场景信息为与工业园区对应的场景信息,可以利用上文所述的经训练的语义分割模型Model_iz分别对第一图像和第二图像进行语义分割。
在一些实施例中,可以根据与多个场景信息对应的样本数据集,对场景识别模型进行训练。下面将结合图4A至图4F进行详细说明。
图4A至图4F是根据本公开的一个实施例的用于训练场景识别模型的多个样本数据的示意图。
如图4A所示,样本数据Image_iz 401的场景信息与工业园区这一场景对应。如图4A所示,在工业园区这一场景中,路面轮廓鲜明;路网密度中等;道路曲率较小;道路遮挡较少;道路两侧的树木多为低矮的灌木。
如图4B所示,样本数据Image_cr 402的场景信息与商住区这一场景对应。如图4B所示,在商住区这一场景中,道路宽度不固定,路面轮廓在该场景内具有一定差异;路网密度高;道路曲率较大;分叉路口较多;道路被路上车辆遮挡、乔木树冠遮挡较多。
如图4C所示,样本数据Image_in 403的场景信息与路口这一场景对应。如图4C所示,在路口这一场景中,路面轮廓鲜明;路口处道路曲率较大,非路口处道路曲率小;道路被路上车辆遮挡较多。
如图4D所示,样本数据Image_br 404的场景信息与立交桥/天桥这一场景对应。如图4D所示,在立交桥/天桥这一场景中,路面轮廓鲜明;路网密度中等;部分道路有较大的曲率;车辆数量较多;道路有层级关系,上层道路未被树木遮挡,下层道路可能被树木遮挡。
如图4E所示,样本数据Image_hw 405的场景信息与高速公路这一场景对应。如图4E所示,在高速公路这一场景中,路面轮廓鲜明;路网稀疏;道路曲率小;道路被路上车辆遮挡较少,道路未被树冠遮挡。
如图4F所示,样本数据Image_ot 406的场景信息与其他这一场景对应。如图4F所示,在其他这一场景中,路面轮廓不明确。
例如,场景识别模型可以包括AlexNet网络和至少一个全连接层。全连接层可以输出图像的场景信息。在一个示例中,可以利用ImageNet样本数据集对AlexNet网络进行预训练。
又例如,样本数据的地面采样距离(Ground Sampling Distance,GSD)为0.5m至2m。可以将样本数据集分为训练样本集和验证样本集,利用交叉验证的方式进行训练。
在一些实施例中,语义分割模型可以包括U-Net网络。例如,至少有5个经训练的语义分割模型,5个经训练的语义分割模型分别与工业园区、商住区、路口、立交桥/天桥、高速公路这5个场景对应。在一个示例中,可以利用对应工业园区这一场景的样本数据和相应的语义标签,训练U-Net网络,得到与工业园区这一场景对应的语义分割模型。类似地,可以得到其他经训练的语义分割模型。在一个示例中,还包括一个与其他这一场景对应的经训练的语义分割模型。
图5是根据本公开的一个实施例的地图数据处理方法的流程图。
如图5所示,方法530可以根据差分结果和目标地图数据,得到更新的目标地图数据,下面将结合操作S531至操作S532进行详细说明。
在本公开实施例中,差分结果包括表征地图变化类型为地物信息新增的第一子差分结果。
在操作S531,将对应目标地图数据的第一地理信息和对应第一子差分结果的第二地理信息融合,得到更新地理信息。
例如,根据对应目标地图数据的真实地理坐标信息,可以对目标地图数据进行矢量化处理,得到第一地理信息。在一个示例中,第一地理信息是一个矢量信息。
例如,在上文所述的时刻T1之后,在地理区域Aera_1中,对道路进行了扩建,使得时刻T2获得的第二图像中车道线的长度增加。进而,差分结果中包括表征地图变化类型为地物信息新增的第一子差分结果。
例如,根据对应第一子差分结果的真实地理坐标信息,可以对第一子差分结果进行矢量化处理,得到第二地理信息。在一个示例中,第二地理信息是一个矢量信息。
在一个示例中,可以将第一地理信息和第二地理信息融合,得到更新地理信息。
在操作S532,根据更新地理信息,得到更新的目标地图数据。
例如,可以根据更新地理信息,确定车道线几何和车道线拓扑等数据,以得到更新的目标地图数据。
在一些实施例中,将对应目标地图数据的第一地理信息和对应第一子差分结果的第二地理信息融合,得到更新地理信息包括:将第一地理信息和第二地理信息融合,得到融合地理信息;根据第一地理信息和第二地理信息,确定至少一个交点信息;以及根据至少一个交点信息和融合地理信息,得到更新地理信息。
例如,第一地理信息和第二地理信息分别是两个矢量信息。可以计算两个矢量信息的交点,以确定至少一个交点信息。之后,可以根据更新地理信息,生成车道线几何和车道线拓扑等,并生成与至少一个交点信息对应的车道线节点,以得到更新的目标地图数据。
图6是根据本公开的另一个实施例的地图数据处理方法的流程图。
如图6所示,方法630可以根据差分结果和目标地图数据,得到更新的目标地图数据,下面将结合操作S631至操作S632进行详细说明。
在本公开实施例中,差分结果包括表征地图变化类型为地物信息减少的第二子差分结果。
在操作S631,从对应目标地图数据的第一地理信息中删除对应第二子差分结果的第三地理信息,得到更新地理信息。
例如,根据对应目标地图数据的真实地理坐标信息,可以对目标地图数据进行矢量化处理,得到第一地理信息。在一个示例中,第一地理信息是一个矢量信息。
例如,在上文所述的时刻T1之后,在地理区域Aera_2中,对道路进行了拆除,使得时刻T2获得的第二图像中车道线的长度减少。进而,差分结果中包括表征地图变化类型为地物信息减少的第二子差分结果。
例如,根据对应第二子差分结果的真实地理坐标信息,可以对第二子差分结果进行矢量化处理,得到第三地理信息。在一个示例中,第三地理信息是一个矢量信息。
在一个示例中,针对第一地理信息和第三地理信息,进行矢量相减,得到更新地理信息。
在操作S632,根据更新地理信息,得到更新的目标地图数据。
例如,可以根据更新地理信息,确定车道线几何和车道线拓扑等数据,以得到更新的目标地图数据。
图7是根据本公开的一个实施例的地图数据处理方法的流程图。
如图7所示,方法730可以根据差分结果和目标地图数据,得到更新的目标地图数据,下面将结合操作S731至操作S734进行详细说明。
在本公开实施例中,差分结果包括M个差分区域,M为大于或等于1的整数。
例如,每个差分区域与一个类别对应。例如,一个差分区域与车道线对应。另一个差分区域与路面标志对应。
在操作S731,确定M个差分区域中是否存在预设形状的差分区域。
例如,预设形状可以是车辆形状或树冠形状。
在本公开实施例中,响应于确定M个差分区域中N个差分区域的形状为预设形状,执行操作S732。例如,N为大于或等于1的整数。
在本公开实施例中,响应于确定M个差分区域中每个差分区域的形状都不是预设形状,执行操作S734。
在操作S732,将N个差分区域中每个差分区域替换为预设差分区域,得到去噪后的差分结果.
例如,预设差分区域对应的类别可以是车道线。将车辆形状或树冠形状的差分区域替换为预设差分区域,可以避免因车道线被车辆或树冠等遮盖导致的误检,提高更新的目标地图的精度。
在操作S733,根据去噪后的差分结果和目标地图数据,得到更新的目标地图数据。
例如,可以在目标地图数据中增加或减少与去噪后的差分结果相关的信息,以得到更新的目标地图数据。
在操作S734,根据差分结果和目标地图数据,得到更新的目标地图数据。
例如,操作S734与操作S230相同或类似,本公开在此不再赘述。
图8是根据本公开的一个实施例的地图数据处理装置的框图。
如图8所示,该装置800可以包括语义分割模块810、差分处理模块820和获得模块830。
语义分割模块810,用于根据第一图像的场景信息或第二图像的场景信息,分别对第一图像和第二图像进行语义分割,得到第一掩码图像和第二掩码图像。
差分处理模块820,用于对所述第一掩码图像和所述第二掩码图像进行差分处理,得到差分结果。
获得模块830,用于根据所述差分结果和目标地图数据,得到更新的目标地图数据。
在一些实施例中,所述语义分割模块包括:第一识别子模块,用于分别对所述第一图像和所述第二图像进行识别,得到所述第一图像的场景信息和所述第二图像的场景信息;以及第一语义分割子模块,用于响应于确定所述第一图像的场景信息和所述第二图像的场景信息一致,根据第一图像的场景信息或所述第二图像的场景信息,分别对第一图像和第二图像进行语义分割。
在一些实施例中,所述语义分割模块包括:更新子模块,用于响应于确定所述第一图像的场景信息和所述第二图像的场景信息不一致,利用输入的场景信息更新所述第一图像的场景信息或所述第二图像的场景信息,得到更新的第一图像的场景信息或更新的第二图像的场景信息;以及第二语义分割子模块,用于根据所述更新的第一图像的场景信息或所述更新的第二图像的场景信息,分别对第一图像和第二图像进行语义分割。
在一些实施例中,所述语义分割模块包括:超像素分割子模块,用于分别对所述第一图像和所述第二图像进行超像素分割,得到第一特征图像和第二特征图像;以及第二识别子模块,用于分别对所述第一特征图像和所述第二特征图像进行识别,得到所述第一图像的场景信息和所述第二图像的场景信息。
在一些实施例中,所述差分结果包括表征地图变化类型为地物信息新增的第一子差分结果,所述获得模块包括:融合子模块,用于将对应所述目标地图数据的第一地理信息和对应所述第一子差分结果的第二地理信息融合,得到更新地理信息;以及第一获得子模块,用于根据所述更新地理信息,得到所述更新的目标地图数据。
在一些实施例中,所述融合子模块包括:融合单元,用于将所述第一地理信息和所述第二地理信息融合,得到融合地理信息;确定单元,用于根据所述第一地理信息和所述第二地理信息,确定至少一个交点信息;以及获得单元,用于根据所述至少一个交点信息和所述融合地理信息,得到所述更新地理信息。
在一些实施例中,所述差分结果包括表征地图变化类型为地物信息减少的第二子差分结果,所述获得模块包括:删除子模块,用于从对应所述目标地图数据的第一地理信息中删除对应所述第二子差分结果的第三地理信息,得到更新地理信息;以及第二获得子模块,用于根据所述更新地理信息,得到更新的目标地图数据。
在一些实施例中,所述差分结果包括M个差分区域,M为大于或等于1的整数,所述获得模块包括:替换子模块,用于响应于确定所述M个差分区域中N个差分区域的形状为预设形状,将所述N个差分区域中每个差分区域替换为预设差分区域,得到去噪后的差分结果,其中,N为大于或等于1的整数;以及第三获得子模块,用于根据所述去噪后的差分结果和所述目标地图数据,得到所述更新的目标地图数据。
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。
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RAM 903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,例如地图数据处理方法。例如,在一些实施例中,地图数据处理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ROM 902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数据处理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数据处理方法。
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。
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 (19)
1.一种地图数据处理方法,包括:
根据第一图像的场景信息或第二图像的场景信息,分别对第一图像和第二图像进行语义分割,得到第一掩码图像和第二掩码图像;
对所述第一掩码图像和所述第二掩码图像进行差分处理,得到差分结果;以及
根据所述差分结果和目标地图数据,得到更新的目标地图数据。
2.根据权利要求1所述的方法,其中,所述根据第一图像的场景信息或第二图像的场景信息,分别对第一图像和第二图像进行语义分割包括:
分别对所述第一图像和所述第二图像进行识别,得到所述第一图像的场景信息和所述第二图像的场景信息;以及
响应于确定所述第一图像的场景信息和所述第二图像的场景信息一致,根据第一图像的场景信息或所述第二图像的场景信息,分别对第一图像和第二图像进行语义分割。
3.根据权利要求1或2所述的方法,其中,所述根据第一图像的场景信息或第二图像的场景信息,分别对第一图像和第二图像进行语义分割包括:
响应于确定所述第一图像的场景信息和所述第二图像的场景信息不一致,利用输入的场景信息更新所述第一图像的场景信息或所述第二图像的场景信息,得到更新的第一图像的场景信息或更新的第二图像的场景信息;以及
根据所述更新的第一图像的场景信息或所述更新的第二图像的场景信息,分别对第一图像和第二图像进行语义分割。
4.根据权利要求2所述的方法,其中,所述分别对所述第一图像和所述第二图像进行识别,得到所述第一图像的场景信息和所述第二图像的场景信息包括:
分别对所述第一图像和所述第二图像进行超像素分割,得到第一特征图像和第二特征图像;以及
分别对所述第一特征图像和所述第二特征图像进行识别,得到所述第一图像的场景信息和所述第二图像的场景信息。
5.根据权利要求1所述的方法,其中,所述差分结果包括表征地图变化类型为地物信息新增的第一子差分结果,
所述根据所述差分结果和目标地图数据,得到更新的目标地图数据包括:
将对应所述目标地图数据的第一地理信息和对应所述第一子差分结果的第二地理信息融合,得到更新地理信息;以及
根据所述更新地理信息,得到所述更新的目标地图数据。
6.根据权利要求5所述的方法,其中,所述将对应所述目标地图数据的第一地理信息和对应所述第一子差分结果的第二地理信息融合,得到更新地理信息包括:
将所述第一地理信息和所述第二地理信息融合,得到融合地理信息;
根据所述第一地理信息和所述第二地理信息,确定至少一个交点信息;以及
根据所述至少一个交点信息和所述融合地理信息,得到所述更新地理信息。
7.根据权利要求1所述的方法,其中,所述差分结果包括表征地图变化类型为地物信息减少的第二子差分结果,
所述根据所述差分结果和目标地图数据,得到更新的目标地图数据包括:
从对应所述目标地图数据的第一地理信息中删除对应所述第二子差分结果的第三地理信息,得到更新地理信息;以及
根据所述更新地理信息,得到更新的目标地图数据。
8.根据权利要求1至7任一项所述的方法,其中,所述差分结果包括M个差分区域,M为大于或等于1的整数,
所述根据所述差分结果和目标地图数据,得到更新的目标地图数据包括:
响应于确定所述M个差分区域中N个差分区域的形状为预设形状,将所述N个差分区域中每个差分区域替换为预设差分区域,得到去噪后的差分结果,其中,N为大于或等于1的整数;以及
根据所述去噪后的差分结果和所述目标地图数据,得到所述更新的目标地图数据。
9.一种地图数据处理装置,包括:
语义分割模块,用于根据第一图像的场景信息或第二图像的场景信息,分别对第一图像和第二图像进行语义分割,得到第一掩码图像和第二掩码图像;
差分处理模块,用于对所述第一掩码图像和所述第二掩码图像进行差分处理,得到差分结果;以及
获得模块,用于根据所述差分结果和目标地图数据,得到更新的目标地图数据。
10.根据权利要求9所述的装置,其中,所述语义分割模块包括:
第一识别子模块,用于分别对所述第一图像和所述第二图像进行识别,得到所述第一图像的场景信息和所述第二图像的场景信息;以及
第一语义分割子模块,用于响应于确定所述第一图像的场景信息和所述第二图像的场景信息一致,根据第一图像的场景信息或所述第二图像的场景信息,分别对第一图像和第二图像进行语义分割。
11.根据权利要求9或10所述的装置,其中,所述语义分割模块包括:
更新子模块,用于响应于确定所述第一图像的场景信息和所述第二图像的场景信息不一致,利用输入的场景信息更新所述第一图像的场景信息或所述第二图像的场景信息,得到更新的第一图像的场景信息或更新的第二图像的场景信息;以及
第二语义分割子模块,用于根据所述更新的第一图像的场景信息或所述更新的第二图像的场景信息,分别对第一图像和第二图像进行语义分割。
12.根据权利要求10所述的装置,其中,所述语义分割模块包括:
超像素分割子模块,用于分别对所述第一图像和所述第二图像进行超像素分割,得到第一特征图像和第二特征图像;以及
第二识别子模块,用于分别对所述第一特征图像和所述第二特征图像进行识别,得到所述第一图像的场景信息和所述第二图像的场景信息。
13.根据权利要求9所述的装置,其中,所述差分结果包括表征地图变化类型为地物信息新增的第一子差分结果,
所述获得模块包括:
融合子模块,用于将对应所述目标地图数据的第一地理信息和对应所述第一子差分结果的第二地理信息融合,得到更新地理信息;以及
第一获得子模块,用于根据所述更新地理信息,得到所述更新的目标地图数据。
14.根据权利要求13所述的装置,其中,所述融合子模块包括:
融合单元,用于将所述第一地理信息和所述第二地理信息融合,得到融合地理信息;
确定单元,用于根据所述第一地理信息和所述第二地理信息,确定至少一个交点信息;以及
获得单元,用于根据所述至少一个交点信息和所述融合地理信息,得到所述更新地理信息。
15.根据权利要求9所述的装置,其中,所述差分结果包括表征地图变化类型为地物信息减少的第二子差分结果,
所述获得模块包括:
删除子模块,用于从对应所述目标地图数据的第一地理信息中删除对应所述第二子差分结果的第三地理信息,得到更新地理信息;以及
第二获得子模块,用于根据所述更新地理信息,得到更新的目标地图数据。
16.根据权利要求9至15任一项所述的装置,其中,所述差分结果包括M个差分区域,M为大于或等于1的整数,
所述获得模块包括:
替换子模块,用于响应于确定所述M个差分区域中N个差分区域的形状为预设形状,将所述N个差分区域中每个差分区域替换为预设差分区域,得到去噪后的差分结果,其中,N为大于或等于1的整数;以及
第三获得子模块,用于根据所述去噪后的差分结果和所述目标地图数据,得到所述更新的目标地图数据。
17.一种电子设备,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至8中任一项所述的方法。
18.一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至8中任一项所述的方法。
19.一种计算机程序产品,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至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210214253.3A CN114581667A (zh) | 2022-03-04 | 2022-03-04 | 地图数据处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210214253.3A CN114581667A (zh) | 2022-03-04 | 2022-03-04 | 地图数据处理方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114581667A true CN114581667A (zh) | 2022-06-03 |
Family
ID=81772794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210214253.3A Pending CN114581667A (zh) | 2022-03-04 | 2022-03-04 | 地图数据处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581667A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517334A (zh) * | 2018-05-21 | 2019-11-29 | 北京四维图新科技股份有限公司 | 一种矢量地图数据获取的方法及装置 |
CN111858805A (zh) * | 2020-07-08 | 2020-10-30 | 中国第一汽车股份有限公司 | 高精地图更新方法、车辆、服务器及存储介质 |
CN111930872A (zh) * | 2020-08-17 | 2020-11-13 | 武汉中海庭数据技术有限公司 | 一种高精度地图更新方法、服务器及可读存储介质 |
US20210166052A1 (en) * | 2019-12-03 | 2021-06-03 | Nvidia Corporation | Landmark detection using curve fitting for autonomous driving applications |
WO2021136979A1 (en) * | 2019-12-30 | 2021-07-08 | Sensetime International Pte. Ltd. | Image processing method and apparatus, electronic device, and storage medium |
CN113705515A (zh) * | 2021-09-03 | 2021-11-26 | 北京百度网讯科技有限公司 | 语义分割模型的训练和高精地图车道线的生成方法和设备 |
CN113704276A (zh) * | 2021-03-17 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 地图更新方法、装置、电子设备及计算机可读存储介质 |
CN113724205A (zh) * | 2021-08-09 | 2021-11-30 | 浙江大华技术股份有限公司 | 图像变化检测方法、设备及存储介质 |
CN114003613A (zh) * | 2021-10-29 | 2022-02-01 | 北京百度网讯科技有限公司 | 高精地图车道线更新方法、装置、电子设备以及存储介质 |
CN114111813A (zh) * | 2021-10-18 | 2022-03-01 | 阿波罗智能技术(北京)有限公司 | 高精地图元素更新方法、装置、电子设备及存储介质 |
-
2022
- 2022-03-04 CN CN202210214253.3A patent/CN114581667A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517334A (zh) * | 2018-05-21 | 2019-11-29 | 北京四维图新科技股份有限公司 | 一种矢量地图数据获取的方法及装置 |
US20210166052A1 (en) * | 2019-12-03 | 2021-06-03 | Nvidia Corporation | Landmark detection using curve fitting for autonomous driving applications |
WO2021136979A1 (en) * | 2019-12-30 | 2021-07-08 | Sensetime International Pte. Ltd. | Image processing method and apparatus, electronic device, and storage medium |
CN111858805A (zh) * | 2020-07-08 | 2020-10-30 | 中国第一汽车股份有限公司 | 高精地图更新方法、车辆、服务器及存储介质 |
CN111930872A (zh) * | 2020-08-17 | 2020-11-13 | 武汉中海庭数据技术有限公司 | 一种高精度地图更新方法、服务器及可读存储介质 |
CN113704276A (zh) * | 2021-03-17 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 地图更新方法、装置、电子设备及计算机可读存储介质 |
CN113724205A (zh) * | 2021-08-09 | 2021-11-30 | 浙江大华技术股份有限公司 | 图像变化检测方法、设备及存储介质 |
CN113705515A (zh) * | 2021-09-03 | 2021-11-26 | 北京百度网讯科技有限公司 | 语义分割模型的训练和高精地图车道线的生成方法和设备 |
CN114111813A (zh) * | 2021-10-18 | 2022-03-01 | 阿波罗智能技术(北京)有限公司 | 高精地图元素更新方法、装置、电子设备及存储介质 |
CN114003613A (zh) * | 2021-10-29 | 2022-02-01 | 北京百度网讯科技有限公司 | 高精地图车道线更新方法、装置、电子设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695488A (zh) | 兴趣面识别方法、装置、设备以及存储介质 | |
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 | |
CN112560862A (zh) | 文本识别方法、装置及电子设备 | |
CN113688935A (zh) | 高精地图的检测方法、装置、设备以及存储介质 | |
CN114443794A (zh) | 数据处理和地图更新方法、装置、设备以及存储介质 | |
CN115293332A (zh) | 一种图神经网络的训练方法、装置、设备及存储介质 | |
CN114627257A (zh) | 三维路网地图的构建方法、装置、电子设备和存储介质 | |
CN114882316A (zh) | 目标检测模型训练方法、目标检测方法及装置 | |
CN114519061A (zh) | 地图数据更新方法、装置、电子设备和介质 | |
CN114111813A (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
CN115049997B (zh) | 边缘车道线的生成方法、装置、电子设备及存储介质 | |
CN115171094A (zh) | 一种道路要素确定方法、装置、设备以及存储介质 | |
EP4141386A1 (en) | Road data monitoring method and apparatus, electronic device and storage medium | |
CN114581667A (zh) | 地图数据处理方法、装置、电子设备和存储介质 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN116091716A (zh) | 一种基于深度学习的高精度地图自动化制作系统及方法 | |
CN115527028A (zh) | 地图数据处理方法及装置 | |
CN115114312A (zh) | 地图数据更新方法、装置及电子设备 | |
CN114036166A (zh) | 高精地图数据更新方法、装置、电子设备以及存储介质 | |
CN113989300A (zh) | 车道线分割的方法、装置、电子设备和存储介质 | |
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 | |
CN114677570B (zh) | 道路信息更新方法、装置、电子设备以及存储介质 | |
CN114863285B (zh) | 识别目标道路的方法、装置、设备以及存储介质 | |
US20220050210A1 (en) | Method, apparatus for superimposing laser point clouds and high-precision map and electronic device |
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 |