CN114972988B - 一种路网提取方法、装置、设备及存储介质 - Google Patents

一种路网提取方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114972988B
CN114972988B CN202210530008.3A CN202210530008A CN114972988B CN 114972988 B CN114972988 B CN 114972988B CN 202210530008 A CN202210530008 A CN 202210530008A CN 114972988 B CN114972988 B CN 114972988B
Authority
CN
China
Prior art keywords
road network
target
road
track
target area
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
CN202210530008.3A
Other languages
English (en)
Other versions
CN114972988A (zh
Inventor
叶晓青
夏德国
黄际洲
王海峰
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 CN202210530008.3A priority Critical patent/CN114972988B/zh
Publication of CN114972988A publication Critical patent/CN114972988A/zh
Priority to US18/152,119 priority patent/US20230368523A1/en
Application granted granted Critical
Publication of CN114972988B publication Critical patent/CN114972988B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01C21/3815—Road data
    • G01C21/3819—Road shape data, e.g. outline of a route
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • 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
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3852—Data derived from aerial or satellite images
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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
    • 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
    • G06V10/443—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 matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
    • G06V10/82—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
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Astronomy & Astrophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Image Processing (AREA)

Abstract

本公开提供了一种路网提取方法、装置、设备及存储介质，涉及人工智能技术领域，具体涉及图像处理、计算机视觉等领域，具体可应用到智能交通、智慧城市等场景。具体实现方案为：根据目标区域的用户轨迹，提取所述目标区域的第一路网；根据所述目标区域的卫星航拍图，提取所述目标区域的第二路网；根据所述第一路网、所述第二路网、以及和所述用户轨迹，确定提取所述目标区域的目标路网。通过本公开实施例的技术，能够高效且精准的进行路网提取。

Description

一种路网提取方法、装置、设备及存储介质
技术领域
本公开涉及人工智能技术领域，具体涉及图像处理、计算机视觉等领域，具体可应用到智能交通、智慧城市等场景。
背景技术
随着城镇化的快速推进，基础建设中的交通设施也快速发展更新，导致交通网的复杂度越来越高，人们出行对导航的依赖也越来越强，所以导航中道路数据的准确性对于用户出行体验至关重要。因此，需要及时完成道路的更新。其中，从实际场景中提取路网，是完成道路更新过程中的核心环节。
发明内容
本公开提供了一种路网提取方法、装置、设备及存储介质。
根据本公开的一方面，提供了一种路网提取方法，该方法包括：
根据目标区域的用户轨迹，提取所述目标区域的第一路网；
根据所述目标区域的卫星航拍图，提取所述目标区域的第二路网；
根据所述第一路网、所述第二路网和所述用户轨迹，提取所述目标区域的目标路网。
根据本公开的另一方面，提供了一种电子设备，该电子设备包括：
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本公开任一实施例所述路网提取方法。
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计算机执行本公开任一实施例所述的路网提取方法。
根据本公开的技术，能够高效且精准的提取路网。
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是根据本公开实施例提供的一种路网提取方法的流程图；
图2是根据本公开实施例提供的一种总轨迹长度与累计时长之间的映射表示意图；
图3是根据本公开实施例提供的另一种路网提取方法的流程图；
图4是根据本公开实施例提供的一种确定轨迹密度峰值分布图的过程示意图；
图5A是根据本公开实施例提供的又一种路网提取方法的流程图；
图5B是根据本公开实施例提供的一种基于用户轨迹提取第一路网的过程示意图；
图6A是根据本公开实施例提供的又一种路网提取方法的流程图；
图6B是根据本公开实施例提供的一种基于卫星航拍图提取第二路网的过程示意图；
图7A是根据本公开实施例提供的又一种路网提取方法的流程图；
图7B是根据本公开实施例提供的另一种基于卫星航拍图提取第二路网的过程示意图；
图8是根据本公开实施例提供的再一种路网提取方法的流程图；
图9是根据本公开实施例提供的一种路网提取装置的结构示意图；
图10是用来实现本公开实施例的路网提取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。
需要说明的是，本公开的技术方案中，所涉及的用户轨迹和卫星航拍图等的收集、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。
图1是根据本公开实施例提供的一种路网提取方法的流程图，该方法适用于如何从实际场景中提取路网的情况。该方法可以由路网提取装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于承载路网提取功能的电子设备中。如图1所示，本实施例的路网提取方法可以包括：
S101，根据目标区域的用户轨迹，提取目标区域的第一路网。
可选的，预先可以以一个设定大小的地图块，对电子地图进行均匀划分；本实施例中的目标区域即为电子地图中任一地图块映射到真实环境中的区域。
本实施例中的用户轨迹可以为当前时间及当前时间之前一段时间内在目标区域行驶的用户的轨迹；可选的，用户轨迹可以包括但不限于驾车轨迹、骑行轨迹和步行轨迹等。获取目标区域的用户轨迹的方式有很多种，本实施例对此不做限定。例如，可以直接从地图类应用的数据库中获取目标区域的用户轨迹。还可以从目标区域内的路侧设备中获取用户轨迹等。
所谓路网即为道路拓扑网，具体可以为由多条纵横交错的道路组成的网络。
具体的，在具有目标区域的路网提取需求的情况下，获取目标区域的用户轨迹；基于所获取的用户轨迹，来提取目标区域的第一路网。例如可以基于所获取的用户轨迹，构建区域轨迹图，对所构建的区域轨迹图进行细化，以提取到目标区域的第一路网。其中，确定具有目标区域的路网提取需求的方式有很多种，本实施例对此不做限定。例如，可以是监测到当前时间达到目标区域的路网提取时间；或者还可以是接收到目标区域的路网提取请求等。
S102，根据目标区域的卫星航拍图，提取目标区域的第二路网。
所谓卫星航拍图即为卫星所拍摄的地球上带有坐标信息的图像。本实施例中，目标区域的卫星航拍图可以是卫星所拍摄的包括目标区域的图像。鉴于道路是动态更新的，本实施例中可以获取最新的目标区域的卫星航拍图。
可选的，可以基于预先训练的道路识别模型，来提取目标区域的第二路网。例如，可以将获取的目标区域的卫星航拍图输入至预先训练好的道路识别模型，基于道路识别模型的输出，确定目标区域的第二路网。
进一步的，由于卫星拍摄角度通常比较广，所以所获取的卫星航拍图中可能存在目标区域之外的图像。为减少计算量，可以先从所获取的卫星航拍图中裁剪出目标区域的图像块；之后基于图像块来提取目标区域的第二路网。
S103，根据第一路网、第二路网和用户轨迹，提取目标区域的目标路网。
所谓目标路网即为最终所提取的目标区域的路网。
可选的，可以基于预先设定的处理逻辑，对第一路网、第二路网和用户轨迹进行处理，以得到目标区域的目标路网。例如，可以基于用户轨迹构建区域轨迹图，基于区域轨迹图对第一路网和第二路网进行融合，以得到目标区域的目标路网。
进一步的，在提取到目标区域的目标路网之后，可以将所提取的目标路网，与电子地图中已存储的目标区域的已有路网进行匹配；根据匹配结果，可以及时获取到目标区域内的新增道路，并将新增道路及时更新到电子地图中。
可以理解的是，本实施例所提供的路网提取方法，可以批量提取多个区域的路网，进而可实现高效且规模化对电子地图中的道路进行更新。
本公开实施例提供的技术方案，通过结合基于目标区域的用户轨迹提取的第一路网、基于目标区域的卫星航拍图提取的第二路网、以及用户轨迹，可精准提取目标区域的目标路网。上述方案，通过充分利用用户轨迹和卫星航拍图这两种模态数据，提高了路网提取的效率和精度，为后续及时更新电子地图中的道路数据提供了保障。
可选的，本实施例获取用户轨迹的一种可选方式为，根据目标区域内的总轨迹长度，确定累计时长；获取目标区域在累计时长内的用户轨迹。本实施例中，总轨迹长度即为一段时间内(比如10分钟内)行驶在目标区域内的所有用户的轨迹之和。
具体的，可以先确定目标区域内的总轨迹长度；而后基于预先构建的总轨迹长度与累计时长之间的映射表，根据目标区域的总轨迹长度，确定目标区域的累计时长；进而可获取目标区域在累计时长内的用户轨迹。比如，累计时长为半个月，可以直接从地图类应用的数据库中获取当前时间之前半个月内的用户轨迹。
其中，映射表是通过对大量的不同区域的用户轨迹数据进行统计分析确定，如图2所示。
可以理解的是，由于实际场景中不同区域的人流量不同，即一段时间内不同区域的轨迹疏密程度不同。本实施例中引入基于总轨迹长度确定累计时长的逻辑，充分考虑了实际区域人流量，使得所获取的用户轨迹的数量更合理，进而为后续高效且精准提取第一路网奠定了基础。
图3是根据本公开实施例提供的另一种路网提取方法的流程图，本实施例在上述实施例的基础上，进一步对“根据目标区域的用户轨迹，提取目标区域的第一路网”进行详细解释说明。如图3所示，本实施例的路网提取方法可以包括：
S301，根据目标区域的用户轨迹，构建区域轨迹图。
在一可实施方式中，可以创建一个设定大小(比如与卫星航拍图尺寸相同)的白色背景的空白图像，将所获取的目标区域的用户轨迹绘制到该空白图像上，以得到区域轨迹图。
在又一可实施方式中，还可以结合神经网络模型来构建区域轨迹图。例如，可以将所获取的目标区域的用户轨迹输入至预先训练好的轨迹图构建模型，得到区域轨迹图。
S302，根据目标区域的区域热度，确定路网提取策略。
本实施例中，区域热度是用于表征区域轨迹疏密程度的一种指标。可选的，可以根据目标区域的总轨迹长度，来确定目标区域的区域热度。例如，可以基于预先构建的总轨迹长度与区域热度之间的对应关系，根据目标区域的总轨迹长度，确定目标区域的区域热度。又如，还可以对目标区域的总轨迹长度进行处理，比如将目标区域的总轨迹长度输入预先设定的区域热度计算公式中，得到目标区域的区域热度。
所谓路网提取策略即为从所构建的区域轨迹图中提取目标区域的第一路网的相关策略，也即对所构建的区域轨迹图进行细化，以得到第一路网的相关策略。可选的，本实施例中引入两种不同的路网提取策略，对于区域热度小于或等于设定热度阈值的区域，采用一种路网提取策略；对于区域热度大于设定热度阈值的区域，采用另一种路网提取策略。
具体的，可以根据目标区域的总轨迹长度，确定目标区域的区域热度；将所确定的区域热度与设定热度阈值进行比较，根据比较结果，从预先设定的两种路网提取策略中选择一种路网提取策略。
S303，根据路网提取策略，从区域轨迹图中提取目标区域的第一路网。
具体的，在确定路网提取策略之后，可以基于所确定的路网提取策略中的提取逻辑，从区域轨迹图中提取目标区域的第一路网。
S304，根据目标区域的卫星航拍图，提取目标区域的第二路网。
S305，根据第一路网、第二路网和用户轨迹，提取目标区域的目标路网。
本公开实施例提供的技术方案，通过采用基于目标区域的区域热度所确定的路网提取策略，从基于用户轨迹所构建的区域轨迹图中提取第一路网，之后结合所提取的第一路网、基于目标区域的卫星航拍图所提取的第二路网、以及用户轨迹，可精准提取目标区域的目标路网。上述方案，通过引入能够表征区域轨迹疏密程度的指标—区域热度，来确定对区域轨迹图的路网提取策略，使得所提取的第一路网更加精准。
可选的，作为本公开实施例的一种可选方式，若目标区域的区域热度大于设定热度阈值，则根据路网提取策略，从区域轨迹图中提取目标区域的第一路网可以是：根据用户轨迹，确定区域轨迹图中道路的轨迹密度峰值分布图；根据轨迹密度峰值分布图，从区域轨迹图中提取目标区域的第一路网。
具体的，对于区域轨迹图中的每一道路，沿着道路长度方向和道路宽度方向两个维度，将该道路均匀划分为多个块；统计所获取的用户轨迹位于每一块的数量，即每一块的轨迹密度，至此得到轨迹密度数据表；基于轨迹密度数据表，采用高斯滤波方式，绘制分布图，可得到该道路的轨迹密度峰值分布图，如图4所示。
可选的，轨迹密度峰值分布图中峰值的数量用于表征道路的数量。比如图4中，区域轨迹图中某一条道路的轨迹密度峰值分布图中具有两个峰值，则说明该条道路实际是两条相近的道路。
进一步的，在确定区域轨迹图中道路的轨迹密度峰值分布图之后，可以基于轨迹密度峰值分布图中峰值的数量，确定实际道路数量，基于实际道路数量，从区域轨迹图中提取目标区域的第一路网。
需要说明的是，本实施例通过引入轨迹密度峰值分布图，在轨迹密集区域，能够把两条相近的道路提取出来，进一步提升了第一路网的提取精度。
作为本公开实施例的又一种可选方式，若目标区域的区域热度小于或等于设定热度阈值，则根据路网提取策略，从区域轨迹图中提取目标区域的第一路网可以是：采用多次卷积核，对区域轨迹图进行细化，以提取目标区域的第一路网。
可以理解的是，本实施例对于区域热度大于设定热度阈值的区域，和区域热度小于或等于设定热度阈值的区域，采用不同的路网提取策略，在保证第一路网提取精度的情况下，增加了方案的灵活度。
图5A是根据本公开实施例提供的又一种路网提取方法的流程图，图5B是根据本公开实施例提供的一种基于用户轨迹提取第一路网的过程示意图，本实施例在上述实施例的基础上，进一步对“根据路网提取策略，从区域轨迹图中提取目标区域的第一路网”进行详细解释说明。结合图5A和5B所示，本实施例的路网提取方法可以包括：
S501，根据目标区域的用户轨迹，构建区域轨迹图。
S502，根据目标区域的区域热度，确定路网提取策略。
本实施例中，路网提取策略可以包括滤波方式和路网提取方式；所谓滤波方式即为对区域轨迹图进行去噪的方式；所谓路网提取方式即为提取第一路网的方式。
S503，采用路网提取策略中的滤波方式，对区域轨迹图进行滤波，得到滤波轨迹图。
可选的，不同的路网提取策略中所包括的滤波方式不同。例如，若区域热度小于或等于设定热度阈值，则可以采用形态学滤波方式，对区域轨迹图进行滤波。若区域热度大于设定热度阈值，则可以采用高斯滤波方式，对区域轨迹图进行滤波，以保证边缘的平滑性。
S504，根据路网提取策略中的路网提取方式，从滤波轨迹图中提取目标区域的第一路网。
可选的，不同路网提取策略中所包括的路网提取方式不同。例如，若区域热度小于或等于设定热度阈值，则可以采用多次卷积核，对区域轨迹图进行细化，以提取目标区域的第一路网。若区域热度大于设定热度阈值，则根据用户轨迹，确定区域轨迹图中道路的轨迹密度峰值分布图；根据轨迹密度峰值分布图，从区域轨迹图中提取目标区域的第一路网。
S505，根据目标区域的卫星航拍图，提取目标区域的第二路网。
S506，根据第一路网、第二路网和用户轨迹，提取目标区域的目标路网。
本公开实施例提供的技术方案，通过采用基于目标区域的区域热度所确定的路网提取策略中的滤波方式和路网提取方式，对基于用户轨迹所构建的区域轨迹图进行处理以获得第一路网，之后结合所提取的第一路网、基于目标区域的卫星航拍图所提取的第二路网、以及用户轨迹，可精准提取目标区域的目标路网。上述方案，通过引入对区域轨迹图进行滤波处理的过程，进一步提升了第一路网的提取精度。
图6A是根据本公开实施例提供的又一种路网提取方法的流程图，图6B是根据本公开实施例提供的一种基于卫星航拍图提取第二路网的过程示意图，本实施例在上述实施例的基础上，进一步对“根据目标区域的卫星航拍图，提取目标区域的第二路网”进行详细解释说明。结合图6A和6B所示，本实施例的路网提取方法可以包括：
S601，根据目标区域的用户轨迹，提取目标区域的第一路网。
S602，确定目标区域的卫星航拍图的特征图。
本实施例中，所谓特征图即为从卫星航拍图中所提取的特征。例如，如图6B所示，将卫星航拍图输入至预先训练好的编码器61，可以得到卫星航拍图的特征图。
S603，根据特征图，确定卫星航拍图中可选像素点为道路关键点的第一概率。
在本实施例中，可以将卫星航拍图中每一像素点均作为可选像素点。
继续参见图6B，将特征图输入至预先训练好的解码器62，可得到卫星航拍图中每一可选像素点为道路关键点的第一概率，以及还可得到每一可选像素点属于道路的概率。
需要说明的是，本实施例中的编码器61和解码器62可以通过如下方式训练得到：采用带有标注信息的卫星航拍图，对初始的编码器61和初始的解码器62进行联合训练，以得到训练好的编码器61和解码器62。其中，标注信息可以包括卫星航拍图中哪些像素点属于道路，以及卫星航拍图中哪些像素点为道路关键点。
S604，根据第一概率，从卫星航拍图中提取目标区域的第二路网。
可选的，可以根据卫星航拍图中每一可选像素点为道路关键点的第一概率，从可选像素点中选择目标像素点，比如可以将可选像素点中第一概率大于概率阈值的像素点作为目标像素点；对目标像素点进行连接，以得到目标区域的第二路网。
进一步的，还可以先根据卫星航拍图中每一可选像素点属于道路的概率，对可选像素点进行初筛，得到候选像素点；根据候选像素点为道路关键点的第一概率，从候选像素点中选择目标像素点；之后对目标像素点进行连接，以得到目标区域的第二路网。
S605，根据第一路网、第二路网和用户轨迹，提取目标区域的目标路网。
本公开实施例提供的技术方案，通过基于目标区域的用户轨迹提取第一路网，以及根据目标区域的卫星航拍图的特征图，可确定卫星航拍图中可选像素点为道路关键点的第一概率，并基于第一概率，可从卫星航拍图中提取目标区域的第二路网；之后结合第一路网、第二路网、以及用户轨迹，可精准提取目标区域的目标路网。上述方案，提供了一种基于卫星航拍图提取路网的可选方式，为最终精准提取目标路网提供了数据支撑。
图7A是根据本公开实施例提供的又一种路网提取方法的流程图，图7B是根据本公开实施例提供的另一种基于卫星航拍图提取第二路网的过程示意图，本实施例在上述实施例的基础上，又进一步对“根据目标区域的卫星航拍图，提取目标区域的第二路网”进行详细解释说明。结合图7A和7B所示，本实施例的路网提取方法可以包括：
S701，根据目标区域的用户轨迹，提取目标区域的第一路网。
S702，确定目标区域的卫星航拍图的特征图。
S703，根据特征图，确定卫星航拍图中可选像素点为道路关键点的第一概率。
例如，参见图7B，将卫星航拍图输入至编码器71，可以得到卫星航拍图的特征图；将特征图输入至解码器72，可得到卫星航拍图中每一可选像素点为道路关键点的第一概率。
S704，根据第一概率，从可选像素点中选择目标像素点。
可选的，可以将可选像素点中第一概率大于概率阈值的像素点作为目标像素点。
S705，从特征图中提取目标像素点的感兴趣区域。
可选的，每一目标像素点的感兴趣区域的数量可以为一个或多个；进一步的，为更精准的提取第二路网，本实施例中，每一目标像素点的感兴趣区域的数量优选为多个。
例如，对于每一目标像素点，分别以该目标像素点为中心点、左上角点、左下角点、右上角点和右下角点，从特征图中抽取对应的S*S(比如3*3)大小的区域，作为该目标像素点的感兴趣区域。即以该目标像素点为中心点，从特征图中抽取对应的S*S大小的区域，作为该目标像素点的一个感兴趣区域；以该目标像素点为左上角点，从特征图中抽取对应的S*S大小的区域，作为该目标像素点的一个感兴趣区域；以该目标像素点为左下角点，从特征图中抽取对应的S*S大小的区域，作为该目标像素点的一个感兴趣区域；以该目标像素点为右上角点，从特征图中抽取对应的S*S大小的区域，作为该目标像素点的一个感兴趣区域；以及以该目标像素点为右下角点，从特征图中抽取对应的S*S大小的区域，作为该目标像素点的一个感兴趣区域。
S706，对目标像素点的感兴趣区域进行编码，得到目标像素点的局部特征。
对于每一目标像素点，该目标像素点的局部特征即为从局部角度来表征该目标像素点的特征。
可选的，对于每一目标像素点，(比如可以按照提取顺序)将所提取的该目标像素点进行堆叠，得到该目标像素点的特征区域，即5*S*S的一个区域。
继续参见图7B所示，将该目标像素点的特征区域输入至多层感知机(MultilayerPerceptron，MLP)73中，进行特征感知，可以得到该目标像素点的局部特征。
S707，根据目标像素点的局部特征，以及特征图中目标像素点的全局特征，从卫星航拍图中提取目标区域的第二路网。
可选的，经编码器71所提取的卫星航拍图的特征图，具体可以包括卫星航拍图中每个可选像素点的特征，即编码器71会从全局角度对卫星航拍图中每一可选像素点进行编码。也就是说，相比于局部特征而言，特征图中包括各可选像素点的全局特征。
具体的，在确定各目标像素点的局部特征之后，可以根据各目标像素点的局部特征和全局特征，来确定目标区域的第二路网。例如，可以将各目标像素点的局部特征和全局特征输入至预先训练好的解码器(此处的解码器区别于解码器72)，基于解码器的输出，来从卫星航拍图中提取目标区域的第二路网。
一种可选方式，可以根据目标像素点的局部特征，以及特征图中目标像素点的全局特征，确定目标像素点的融合特征；对目标像素点的融合特征进行编码，得到目标像素点为道路关键点的第二概率，目标像素点属于道路的第三概率，以及目标像素点的图编码信息；根据目标像素点为道路关键点的第二概率，目标像素点属于道路的第三概率，以及目标像素点的图编码信息，从卫星航拍图中提取目标区域的第二路网。
其中，对于每一目标像素点，该目标像素点的图编码信息可以包括在道路交叉场景下该目标像素点与相邻道路关键点之间的角度信息；可选的，如果目标区域的道路不存在交叉的情况，那么图编码信息不包括任何内容，即为空信息。
继续参见图7B，对于每一目标像素点，可以将编码器71所提取的该目标像素点的全局特征，与多层感知机73所提取的该目标像素点的局部特征进行融合，得到该目标像素点的融合特征；将该目标像素点的融合特征输入至解码器74，可以得到该目标像素点为道路关键点的第二概率，该目标像素点属于道路的第三概率，以及目标像素点的图编码信息。
之后，可以根据各目标像素点为道路关键点的第二概率，以及各目标像素点属于道路的第三概率，对各目标像素点进行筛选；对筛选后的目标像素点进行连接，以得到目标区域的第二路网。进一步的，在对筛选后的目标像素点进行连接的过程中，若存在交叉场景，则基于交叉处的目标像素点的图编码信息进行连接。
需要说明的是，本实施例中的编码器71、解码器72、多层感知机73和解码器74可以通过如下方式训练得到：采用带有标注信息的卫星航拍图，对初始的编码器71、初始的解码器72、初始的多层感知机73和初始的解码器74进行联合训练，以得到训练好的码器71、解码器72、多层感知机73和解码器74。其中，标注信息可以包括卫星航拍图中哪些像素点属于道路，以及卫星航拍图中哪些像素点为道路关键点。
S708，根据第一路网、第二路网和用户轨迹，提取目标区域的目标路网。
本公开实施例提供的技术方案，通过基于目标区域的用户轨迹提取第一路网；根据目标区域的卫星航拍图的特征图，可确定卫星航拍图中可选像素点为道路关键点的第一概率，并基于第一概率，选取一部分目标像素点；从特征图中提取所选取的目标像素点的感兴趣区域，来确定所选择的目标像素点的局部特征，进而基于目标像素点的局部特征，以及特征图中目标像素点的全局特征，从卫星航拍图中提取目标区域的第二路网；之后结合第一路网、第二路网、以及用户轨迹，可精准提取目标区域的目标路网。上述方案，通过结合像素点的局部特征和全局特征，提升了第二路网的提取精度；进一步的，本实施例从像素点的全局到局部来提取第二路网的过程，实质是一种由粗到细的卫星航拍图提取路网的方式。
图8是根据本公开实施例提供的再一种路网提取方法的流程图，本实施例在上述实施例的基础上，进一步对“根据第一路网、第二路网和用户轨迹，提取目标区域的目标路网”进行详细解释说明。如图8所示，本实施例的路网提取方法可以包括：
S801，根据目标区域的用户轨迹，提取目标区域的第一路网。
S802，根据目标区域的卫星航拍图，提取目标区域的第二路网。
S803，对第一路网和第二路网进行交集运算，得到公共路网。
所谓公共路网即为第一路网和第二路网中相同的路网。
具体的，可以取基于用户轨迹所提取的第一路网，与基于卫星航拍图所提取的第二路网之间的交集，作为公共路网。
S804，根据目标区域的用户轨迹，构建区域轨迹图。
S805，根据第二路网、公共路网和区域轨迹图，提取目标区域的第三路网。
在一可实施方式中，可以将第二路网、公共路网和区域轨迹图一并输入至预先训练好的路网提取网络，由路网提取网络输出目标区域的第三路网。
在又一可实施方式中，可以确定第二路网中除公共路网之外的其他路网；根据区域轨迹图，从其他路网中提取第三路网。
具体可以是，从第二路网中剔除公共路网，得到其他路网；对于其他路网中的每一条道路，从区域轨迹图中查看是否存在至少两条用户轨迹经过该条道路；若否，则将该条道路从其他路网中剔除；若是，则保留。
进而，由最终其他路网中所保留下的道路，组成第三路网。
S806，将第三路网添加到公共路网，得到目标区域的目标路网。
具体的，将所提取的第三路网添加到公共路网中；并对将添加了第三路网的公共路网进行平滑处理后，作为最终所提取的目标区域的路网，即目标路网。
需要说明的是，基于用户轨迹提取路网的方式，准确率较高，但容易在滤波的过程中被滤掉有用的轨迹；而基于卫星航拍图提取路网的方式，召回较高，但准确率不够。本实施例基于卫星航拍图所预测的第二路网，结合区域轨迹图，可恢复出被误滤除的道路信息，并把其添加到公共路网中，使得最终呈现的目标路网更贴合实际场景。
本公开实施例提供的技术方案，通过对基于目标区域的用户轨迹提取的第一路网，和基于目标区域的卫星航拍图提取的第二路网进行交集运算，可到两者的公共路网；并基于所得到的公共路网、第二路网和基于用户轨迹构建的区域轨迹图，提取被误滤除的第三路网；进而将第三路网添加至公共路网中，即可得到目标区域的目标路网。上述方案，基于卫星航拍图所预测的第二路网，结合区域轨迹图，可恢复出被误滤除的道路信息，并把其添加到公共路网中，使得最终呈现的目标路网更贴合实际场景，即提高了路网提取的效率和精度。
由于对于实际场景中的同一条道路，基于用户轨迹进行提取和基于卫星航拍图进行提取存在一定的差异，因此在提取公共路网的过程中，为避免将实际场景中的一条道路提取为两条道路，本实施例在上述实施例的基础上，对提取公共路网的过程进一步优化。可选的，对第一路网和第二路网进行交集运算，得到公共路网可以是：对第一路网和第二路网进行交集运算，得到中间路网；根据道路相似度，对中间路网进行去重处理，得到公共路网。
具体的，取基于用户轨迹所提取的第一路网，与基于卫星航拍图所提取的第二路网之间的交集，作为中间路网；计算中间路网中两两道路之间的相似度(即道路相似度)；若任意两条道路的道路相似度大于设定数值，则说明这条道路对应实际场景中的同一条道路，此时可以剔除这两条道路中相对短的那条道路。其中，两条道路的道路相似度可以根据这两条道路之间的夹角和距离进行确定。
将基于道路相似度处理后的中间路网，作为公共路网。
图9是根据本公开实施例提供的一种路网提取装置的结构示意图。本公开实施例适用于如何从实际场景中提取路网的情况。该装置可以采用软件和/或硬件来实现，该装置可以实现本公开任意实施例所述的路网提取方法。如图9所示，该路网提取装置900包括：
第一路网提取模块901，用于根据目标区域的用户轨迹，提取目标区域的第一路网；
第二路网提取模块902，用于根据目标区域的卫星航拍图，提取目标区域的第二路网；
目标路网提取模块903，用于根据第一路网、第二路网和用户轨迹，提取目标区域的目标路网。
本公开实施例提供的技术方案，通过结合基于目标区域的用户轨迹提取的第一路网、基于目标区域的卫星航拍图提取的第二路网、以及用户轨迹，可精准提取目标区域的目标路网。上述方案，通过充分利用用户轨迹和卫星航拍图这两种模态数据，提高了路网提取的效率和精度，为后续及时更新电子地图中的道路数据提供了保障。
示例性的，第一路网提取模块901包括：
第一轨迹图构建单元，用于根据目标区域的用户轨迹，构建区域轨迹图；
提取策略确定单元，用于根据目标区域的区域热度，确定路网提取策略；
第一路网提取单元，用于根据路网提取策略，从区域轨迹图中提取目标区域的第一路网。
示例性的，第一路网提取单元具体用于：
若区域热度大于设定热度阈值，则根据用户轨迹，确定区域轨迹图中道路的轨迹密度峰值分布图；
根据轨迹密度峰值分布图，从区域轨迹图中提取所述目标区域的第一路网。
示例性的，第一路网提取单元还具体用于：
采用路网提取策略中的滤波方式，对区域轨迹图进行滤波，得到滤波轨迹图；
根据路网提取策略中的路网提取方式，从滤波轨迹图中提取目标区域的第一路网。
示例性的，第二路网提取模块902包括：
特征图确定单元，用于确定目标区域的卫星航拍图的特征图；
第一概率确定单元，用于根据特征图，确定卫星航拍图中可选像素点为道路关键点的第一概率；
第二路网提取单元，用于根据第一概率，从卫星航拍图中提取目标区域的第二路网。
示例性的，第二路网提取单元包括：
目标像素点确定子单元，用于根据第一概率，从可选像素点中选择目标像素点；
区域确定子单元，用于从特征图中提取目标像素点的感兴趣区域；
局部特征确定子单元，用于对目标像素点的感兴趣区域进行编码，得到目标像素点的局部特征；
第二路网提取子单元，用于根据目标像素点的局部特征，以及特征图中目标像素点的全局特征，从卫星航拍图中提取目标区域的第二路网。
示例性的，第二路网提取子单元具体用于：
根据目标像素点的局部特征，以及特征图中目标像素点的全局特征，确定目标像素点的融合特征；
对目标像素点的融合特征进行编码，得到目标像素点为道路关键点的第二概率，目标像素点属于道路的第三概率，以及目标像素点的图编码信息；
根据目标像素点为道路关键点的第二概率，目标像素点属于道路的第三概率，以及目标像素点的图编码信息，从卫星航拍图中提取目标区域的第二路网。
示例性的，目标路网提取模块903包括：
公共路网确定单元，用于对第一路网和第二路网进行交集运算，得到公共路网；
第二轨迹图构建单元，用于根据目标区域的用户轨迹，构建区域轨迹图；
第三路网提取单元，用于根据第二路网、公共路网和区域轨迹图，提取目标区域的第三路网；
目标路网提取单元，用于将第三路网添加到公共路网，得到目标区域的目标路网。
示例性的，公共路网确定单元具体用于：
对第一路网和第二路网进行交集运算，得到中间路网；
根据道路相似度，对中间路网进行去重处理，得到公共路网。
示例性的，第三路网提取单元具体用于：
确定第二路网中除公共路网之外的其他路网；
根据区域轨迹图，从其他路网中提取第三路网。
示例性的，上述装置还包括：
累计时长确定模块，用于根据目标区域内的总轨迹长度，确定累计时长；
用户轨迹获取模块，用于获取目标区域在累计时长内的用户轨迹。
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，电子设备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，还可存储电子设备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。
电子设备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允许电子设备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，例如路网提取方法。例如，在一些实施例中，路网提取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/或安装到电子设备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路网提取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)而被配置为执行路网提取方法。
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、现场可编程门阵列(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。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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 (23)

1.一种路网提取方法，包括：
根据目标区域的用户轨迹，提取所述目标区域的第一路网；
根据所述目标区域的卫星航拍图，提取所述目标区域的第二路网；
对所述第一路网和所述第二路网进行交集运算，得到公共路网；
根据目标区域的用户轨迹，构建区域轨迹图；
根据所述第二路网、所述公共路网和所述区域轨迹图，提取所述目标区域的第三路网；
将所述第三路网添加到所述公共路网，得到所述目标区域的目标路网。
2.根据权利要求1所述的方法，其中，所述根据目标区域的用户轨迹，提取所述目标区域的第一路网，包括：
根据目标区域的用户轨迹，构建区域轨迹图；
根据所述目标区域的区域热度，确定路网提取策略；
根据所述路网提取策略，从所述区域轨迹图中提取所述目标区域的第一路网。
3.根据权利要求2所述的方法，其中，所述根据所述路网提取策略，从所述区域轨迹图中提取所述目标区域的第一路网，包括：
若所述区域热度大于设定热度阈值，则根据所述用户轨迹，确定所述区域轨迹图中道路的轨迹密度峰值分布图；
根据所述轨迹密度峰值分布图，从所述区域轨迹图中提取所述目标区域的第一路网。
4.根据权利要求2所述的方法，其中，所述根据所述路网提取策略，从所述区域轨迹图中提取所述目标区域的第一路网，包括：
采用所述路网提取策略中的滤波方式，对所述区域轨迹图进行滤波，得到滤波轨迹图；
根据所述路网提取策略中的路网提取方式，从所述滤波轨迹图中提取所述目标区域的第一路网。
5.根据权利要求1所述的方法，其中，所述根据所述目标区域的卫星航拍图，提取所述目标区域的第二路网，包括：
确定所述目标区域的卫星航拍图的特征图；
根据所述特征图，确定所述卫星航拍图中可选像素点为道路关键点的第一概率；
根据所述第一概率，从所述卫星航拍图中提取所述目标区域的第二路网。
6.根据权利要求5所述的方法，其中，所述根据所述第一概率，从所述卫星航拍图中提取所述目标区域的第二路网，包括：
根据所述第一概率，从所述可选像素点中选择目标像素点；
从所述特征图中提取所述目标像素点的感兴趣区域；
对所述目标像素点的感兴趣区域进行编码，得到所述目标像素点的局部特征；
根据所述目标像素点的局部特征，以及所述特征图中所述目标像素点的全局特征，从所述卫星航拍图中提取所述目标区域的第二路网。
7.根据权利要求6所述的方法，其中，所述根据所述目标像素点的局部特征，以及所述特征图中所述目标像素点的全局特征，从所述卫星航拍图中提取所述目标区域的第二路网，包括：
根据所述目标像素点的局部特征，以及所述特征图中所述目标像素点的全局特征，确定所述目标像素点的融合特征；
对所述目标像素点的融合特征进行编码，得到所述目标像素点为道路关键点的第二概率，所述目标像素点属于道路的第三概率，以及所述目标像素点的图编码信息；
根据所述目标像素点为道路关键点的第二概率，所述目标像素点属于道路的第三概率，以及所述目标像素点的图编码信息，从所述卫星航拍图中提取所述目标区域的第二路网。
8.根据权利要求1所述的方法，其中，所述对所述第一路网和所述第二路网进行交集运算，得到公共路网，包括：
对所述第一路网和所述第二路网进行交集运算，得到中间路网；
根据道路相似度，对所述中间路网进行去重处理，得到公共路网。
9.根据权利要求8所述的方法，其中，所述根据所述第二路网、所述公共路网和所述区域轨迹图，提取所述目标区域的第三路网，包括：
确定所述第二路网中除所述公共路网之外的其他路网；
根据所述区域轨迹图，从所述其他路网中提取第三路网。
10.根据权利要求1-9中任一所述的方法，还包括：
根据所述目标区域内的总轨迹长度，确定累计时长；
获取所述目标区域在所述累计时长内的用户轨迹。
11.一种路网提取装置，包括：
第一路网提取模块，用于根据目标区域的用户轨迹，提取所述目标区域的第一路网；
第二路网提取模块，用于根据所述目标区域的卫星航拍图，提取所述目标区域的第二路网；
目标路网提取模块，所述目标路网提取模块包括：
公共路网确定单元，用于对所述第一路网和所述第二路网进行交集运算，得到公共路网；
第二轨迹图构建单元，用于根据目标区域的用户轨迹，构建区域轨迹图；
第三路网提取单元，用于根据所述第二路网、所述公共路网和所述区域轨迹图，提取所述目标区域的第三路网；
目标路网提取单元，用于将所述第三路网添加到所述公共路网，得到所述目标区域的目标路网。
12.根据权利要求11所述的装置，其中，所述第一路网提取模块包括：
第一轨迹图构建单元，用于根据目标区域的用户轨迹，构建区域轨迹图；
提取策略确定单元，用于根据所述目标区域的区域热度，确定路网提取策略；
第一路网提取单元，用于根据所述路网提取策略，从所述区域轨迹图中提取所述目标区域的第一路网。
13.根据权利要求12所述的装置，其中，所述第一路网提取单元具体用于：
若所述区域热度大于设定热度阈值，则根据所述用户轨迹，确定所述区域轨迹图中道路的轨迹密度峰值分布图；
根据所述轨迹密度峰值分布图，从所述区域轨迹图中提取所述目标区域的第一路网。
14.根据权利要求12所述的装置，其中，所述第一路网提取单元还具体用于：
采用所述路网提取策略中的滤波方式，对所述区域轨迹图进行滤波，得到滤波轨迹图；
根据所述路网提取策略中的路网提取方式，从所述滤波轨迹图中提取所述目标区域的第一路网。
15.根据权利要求11所述的装置，其中，所述第二路网提取模块包括：
特征图确定单元，用于确定所述目标区域的卫星航拍图的特征图；
第一概率确定单元，用于根据所述特征图，确定所述卫星航拍图中可选像素点为道路关键点的第一概率；
第二路网提取单元，用于根据所述第一概率，从所述卫星航拍图中提取所述目标区域的第二路网。
16.根据权利要求15所述的装置，其中，所述第二路网提取单元包括：
目标像素点确定子单元，用于根据所述第一概率，从所述可选像素点中选择目标像素点；
区域确定子单元，用于从所述特征图中提取所述目标像素点的感兴趣区域；
局部特征确定子单元，用于对所述目标像素点的感兴趣区域进行编码，得到所述目标像素点的局部特征；
第二路网提取子单元，用于根据所述目标像素点的局部特征，以及所述特征图中所述目标像素点的全局特征，从所述卫星航拍图中提取所述目标区域的第二路网。
17.根据权利要求16所述的装置，其中，所述第二路网提取子单元具体用于：
根据所述目标像素点的局部特征，以及所述特征图中所述目标像素点的全局特征，确定所述目标像素点的融合特征；
对所述目标像素点的融合特征进行编码，得到所述目标像素点为道路关键点的第二概率，所述目标像素点属于道路的第三概率，以及所述目标像素点的图编码信息；
根据所述目标像素点为道路关键点的第二概率，所述目标像素点属于道路的第三概率，以及所述目标像素点的图编码信息，从所述卫星航拍图中提取所述目标区域的第二路网。
18.根据权利要求11所述的装置，其中，所述公共路网确定单元具体用于：
对所述第一路网和所述第二路网进行交集运算，得到中间路网；
根据道路相似度，对所述中间路网进行去重处理，得到公共路网。
19.根据权利要求11所述的装置，其中，所述第三路网提取单元具体用于：
确定所述第二路网中除所述公共路网之外的其他路网；
根据所述区域轨迹图，从所述其他路网中提取第三路网。
20.根据权利要求11-19中任一所述的装置，还包括：
累计时长确定模块，用于根据所述目标区域内的总轨迹长度，确定累计时长；
用户轨迹获取模块，用于获取所述目标区域在所述累计时长内的用户轨迹。
21. 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1-10中任一项所述的路网提取方法。
22.一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计算机执行根据权利要求1-10中任一项所述的路网提取方法。
23.一种计算机程序产品，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1-10中任一项所述的路网提取方法。
CN202210530008.3A 2022-05-16 2022-05-16 一种路网提取方法、装置、设备及存储介质 Active CN114972988B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210530008.3A CN114972988B (zh) 2022-05-16 2022-05-16 一种路网提取方法、装置、设备及存储介质
US18/152,119 US20230368523A1 (en) 2022-05-16 2023-01-09 Road network extraction method, device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210530008.3A CN114972988B (zh) 2022-05-16 2022-05-16 一种路网提取方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114972988A CN114972988A (zh) 2022-08-30
CN114972988B true CN114972988B (zh) 2024-03-26

Family

ID=82983132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210530008.3A Active CN114972988B (zh) 2022-05-16 2022-05-16 一种路网提取方法、装置、设备及存储介质

Country Status (2)

Country Link
US (1) US20230368523A1 (zh)
CN (1) CN114972988B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008872A (zh) * 2019-03-25 2019-07-12 浙江大学 一种结合车辆轨迹和遥感图像的路网提取方法
CN112328730A (zh) * 2021-01-04 2021-02-05 腾讯科技（深圳）有限公司 一种地图数据更新的方法、相关装置、设备及存储介质
CN114385662A (zh) * 2022-02-09 2022-04-22 深圳依时货拉拉科技有限公司 路网更新方法、装置、存储介质及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008872A (zh) * 2019-03-25 2019-07-12 浙江大学 一种结合车辆轨迹和遥感图像的路网提取方法
CN112328730A (zh) * 2021-01-04 2021-02-05 腾讯科技（深圳）有限公司 一种地图数据更新的方法、相关装置、设备及存储介质
CN114385662A (zh) * 2022-02-09 2022-04-22 深圳依时货拉拉科技有限公司 路网更新方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
US20230368523A1 (en) 2023-11-16
CN114972988A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN113191256B (zh) 车道线检测模型的训练方法、装置、电子设备及存储介质
CN111695488B (zh) 兴趣面识别方法、装置、设备以及存储介质
CN113177968A (zh) 目标跟踪方法、装置、电子设备及存储介质
CN113012176A (zh) 样本图像的处理方法、装置、电子设备及存储介质
CN112132032A (zh) 交通标志牌检测方法、装置、电子设备及存储介质
CN114443794A (zh) 数据处理和地图更新方法、装置、设备以及存储介质
CN114037966A (zh) 高精地图特征提取方法、装置、介质及电子设备
CN114715145B (zh) 一种轨迹预测方法、装置、设备及自动驾驶车辆
CN113392793A (zh) 用于识别车道线的方法、装置、设备、存储介质以及无人车
CN113052048A (zh) 交通事件检测方法、装置、路侧设备以及云控平台
CN114802303A (zh) 障碍物轨迹预测方法、装置、电子设备及存储介质
CN113298910A (zh) 生成交通标志线地图的方法、设备和存储介质
CN114111813B (zh) 高精地图元素更新方法、装置、电子设备及存储介质
CN113297878B (zh) 道路交叉口识别方法、装置、计算机设备和存储介质
CN114972988B (zh) 一种路网提取方法、装置、设备及存储介质
CN114419883B (zh) 识别路口缺失交通限制信息的方法、装置和电子设备
CN116052097A (zh) 一种地图要素检测方法、装置、电子设备和存储介质
CN115457329A (zh) 图像分类模型的训练方法、图像分类方法和装置
CN115331048A (zh) 图像分类方法、装置、设备以及存储介质
CN115049997A (zh) 边缘车道线的生成方法、装置、电子设备及存储介质
CN111507203B (zh) 可变车道检测模型的构建方法、电子设备及存储介质
CN114708498A (zh) 图像处理方法、装置、电子设备以及存储介质
CN114064745A (zh) 一种确定交通提示距离的方法、装置及电子设备
CN114529719A (zh) 一种地面地图要素语义分割方法、系统、介质及设备
CN111753960A (zh) 模型训练及图像处理方法、装置、电子设备、存储介质

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
GR01 Patent grant
GR01 Patent grant