CN115638798A - 一种地图数据的生成方法、装置、电子设备和介质 - Google Patents
一种地图数据的生成方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN115638798A CN115638798A CN202211329398.4A CN202211329398A CN115638798A CN 115638798 A CN115638798 A CN 115638798A CN 202211329398 A CN202211329398 A CN 202211329398A CN 115638798 A CN115638798 A CN 115638798A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- area
- determining
- image 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000011218 segmentation Effects 0.000 claims description 59
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 12
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 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
- 241000283070 Equus zebra Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network 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
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method 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
- 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
Landscapes
- Image Processing (AREA)
Abstract
本公开提供了一种地图数据的生成方法、装置、电子设备和介质,涉及图像处理技术领域,具体涉及高精地图、计算机视觉、目标检测和云计算等技术领域。具体实现方案为:获取目标区域的采集图像,并根据所述采集图像确定所述目标区域中目标道路要素的道路要素图像;根据所述目标道路要素的形状类型,确定所述目标道路要素在所述道路要素图像中对应的目标图像区域;根据所述目标图像区域的图像区域坐标,生成所述目标区域的地图数据。本公开实现了降低地图数据生成所需成本,以及提高地图数据生成效率的效果。
Description
技术领域
本公开涉及图像处理技术领域,具体涉及高精地图、计算机视觉、目标检测和云计算等技术领域,特别涉及一种地图数据的生成方法、装置、电子设备和介质。
背景技术
高精地图对于现在的日常出行与车辆辅助驾驶任务都有着十分重要的作用。并且,由于高精地图中车道线精度高且道路信息丰富,因此也是未来自动驾驶中必不可少的关键技术之一。
现有技术在制作高精地图的地图数据时,依赖专业的数据采集车进行实地数据采集。
发明内容
本公开提供了一种用于降低地图数据生成所需成本,以及提高地图数据生成效率的地图数据的生成方法、装置、电子设备和介质。
根据本公开的一方面,提供了一种地图数据的生成方法,包括:
获取目标区域的采集图像,并根据所述采集图像确定所述目标区域中目标道路要素的道路要素图像;
根据所述目标道路要素的形状类型,确定所述目标道路要素在所述道路要素图像中对应的目标图像区域;
根据所述目标图像区域的图像区域坐标,生成所述目标区域的地图数据。
根据本公开的另一方面,提供了一种地图数据的生成装置,包括:
道路要素图像确定模块,用于获取目标区域的采集图像,并根据所述采集图像确定所述目标区域中目标道路要素的道路要素图像;
目标图像区域确定模块,用于根据所述目标道路要素的形状类型,确定所述目标道路要素在所述道路要素图像中对应的目标图像区域;
地图数据生成模块,用于根据所述目标图像区域的图像区域坐标,生成所述目标区域的地图数据。
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本公开中任一项的方法。
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,其中,计算机指令用于使计算机执行本公开中任一项的方法。
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,计算机程序在被处理器执行本公开中任一项的方法。
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1A是根据本公开实施例公开的一些地图数据的生成方法的流程图;
图1B是根据本公开实施例公开的一些卫星图像裁切结果的示意图;
图2A是根据本公开实施例公开的另一些地图数据的生成方法的流程图;
图2B是根据本公开实施例公开的一些采集图像的示意图;
图2C是根据本公开实施例公开的一些道路要素图像的示意图;
图2D是根据本公开实施例公开的另一些道路要素图像的示意图;
图2E是根据本公开实施例公开的一些生成地图数据的流程示意图;
图3是根据本公开实施例公开的一些地图数据的生成装置的结构示意图;
图4是用来实现本公开实施例公开的地图数据的生成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。
现有技术在制作高精地图的地图数据时,依赖于搭载激光雷达与高精度摄像头的专业数据采集车进行实地数据采集,并结合图像处理技术以及人工制作的方式进行地图数据的制作。然而这种地图数据制作方式,存在成本高以及效率低的问题。
其中,成本高的问题具体体现在:1、由于我国国土辽阔,利用数据采集车对如此庞大的路网进行实地数据采集,无疑存在极大的设备成本以及人力成本。2、在数据采集后,还需要大量的作业人员对采集数据进行校准和优化,这部分同样需要大量的人力成本。3、数据采集车在数据采集过程中会产生大量的图像与激光雷达数据,需要大量的数据存储成本以及数据传输成本。
效率低的问题具体体现在:数据采集车需要耗费大量的时间才能完成一次数据采集,而只有在完成数据采集后才能开始制作地图数据,这无疑大大影响了地图数据制作的效率。
图1A是根据本公开实施例公开的一些地图数据的生成方法的流程图,本实施例可以适用于利用目标区域的采集图像,生成目标区域的地图数据的情况。本实施例方法可以由本公开实施例公开的地图数据的生成装置来执行,装置可采用软件和/或硬件实现,并可集成在任意的具有计算能力的电子设备上。
如图1A所示,本实施例公开的地图数据的生成方法可以包括:
S101、获取目标区域的采集图像,并根据采集图像确定目标区域中目标道路要素的道路要素图像。
其中,目标区域表示真实世界中的地理区域,例如可以是村庄、学校、住宅、高速道路或者交通路口等等,本实施例并不对目标区域表示的具体含义进行限定。目标区域的采集图像则是利用具有拍照功能的设备,对目标区域进行图像采集得到的,例如可以是卫星拍摄的卫星图像、无人机拍摄的航拍图像、或者是监控摄像头拍摄的监控图像等等,本实施例同样并不对采集图像的具体采集方式进行限定。
目标道路要素表示目标区域包括的与道路相关的实例事物,例如车道线、斑马线、禁止停车区或者交通限流区等等,目标道路要素的数量可以是一个也可以是多个。道路要素图像则是通过在采集图像中进行裁切,得到的包含有目标道路要素的子图像。
在一种实施方式中,获取目标区域的采集图像,并对采集图像进行道路要素识别,进而根据识别结果确定目标区域中目标道路要素的道路要素图像。
可选的,将采集图像输入至训练完成的第一语义分割模型中,通过第一语义分割模型对采集图像包含的目标道路要素进行粗粒度识别,并根据第一语义分割模型的输出结果,确定采集图像包含的目标道路要素。进而对采集图像包含的目标道路要素进行图像裁切,得到包含有目标道路要素的道路要素图像,例如,可以根据目标道路要素在采集图像中的外切矩形进行图像裁切,得到道路要素图像;又例如,根据固定的图像尺寸进行图像裁切,得到道路要素图像等。
其中,第一语义分割模型的类型包括但不限于FCN(Fully ConvolutionalNetworks,全卷积神经网络)、U-Net(U形网络)、SegNet(赛格网络)、DeepLab(深度实验)网络或者PSPNet(Pyramid Scene Parseing Network,金字塔场景分析网络)等。
可选的,当采集图像的采集方式为通过卫星采集时,由于卫星图像的尺寸较大,则可以采用滑动窗口的方式对卫星图像进行裁切,并根据裁切结果获取采集图像。
图1B是根据本公开实施例公开的一些卫星图像裁切结果的示意图,如图1B所示,对卫星图像进行滑窗裁切,并根据裁切结果获取采集图像。
通过获取目标区域的采集图像,并根据采集图像确定目标区域中目标道路要素的道路要素图像,为后续在道路要素图像中确定目标图像区域,奠定了数据基础。
S102、根据目标道路要素的形状类型,确定目标道路要素在道路要素图像中对应的目标图像区域。
其中,形状类型体现了目标道路要素的外观形状,形状类型包括但不限于线状类型和面状类型等,线状类型的目标道路要素包括但不限于车道单实线、车道双实线和车道虚线等等,面状类型的目标道路要素包括但不限于斑马线、导流区和禁停区等等。
在一种实施方式中,根据预设的道路要素与形状类型之间的关联关系,确定与目标道路要素关联的形状类型。并根据预设的形状类型与图像分类方法之间的关联关系,确定与目标道路要素的形状类型关联的目标图像分类方法,进而采用目标图像分类方法对道路要素图像进行处理,确定目标道路要素在道路要素图像中对应的目标图像区域。
示例性的,假设预设形状类型“线状类型”关联的目标图像分类方法为“语义分割方法”,“面状类型”关联的目标图像分类方法为“实例分割方法”。若目标道路要素的形状类型为“线状类型”,则采用“语义分割方法”对道路要素图像进行处理,确定目标道路要素在道路要素图像中对应的目标图像区域;若目标道路要素的形状类型为“面状类型”,则采用“实例分割方法”对道路要素图像进行处理,确定目标道路要素在道路要素图像中对应的目标图像区域。
通过根据目标道路要素的形状类型,确定目标道路要素在道路要素图像中对应的目标图像区域,从而根据不同形状类型的目标道路要素,适应性确定对应的目标图像区域,保证了目标图像区域识别的准确性。
S103、根据目标图像区域的图像区域坐标,生成目标区域的地图数据。
其中,目标图像区域的图像区域坐标表示目标图像区域在道路要素图像中图像坐标的集合。
在一种实施方式中,根据目标道路要素在道路要素图像中对应的目标图像区域的图像区域坐标,以及用于对采集图像进行采集的设备的内参和外参,确定目标道路要素在世界坐标系下的世界区域坐标,进而根据目标道路要素的世界区域坐标,生成目标区域的地图数据。
可选的,采用如下公式确定目标道路要素在世界坐标系下的世界区域坐标:
其中,(X,Y,Z)表示目标道路要素在世界坐标系下的三维世界区域坐标,(u,v)表示目标道路要素在道路要素图像中对应的目标图像区域的二维图像区域坐标,K2表示用于对采集图像进行采集的设备的内参,K1表示用于对采集图像进行采集的设备的外参,Zc表示深度信息。
本公开通过获取目标区域的采集图像,并根据采集图像确定目标区域中目标道路要素的道路要素图像,进而根据目标道路要素的形状类型,确定目标道路要素在道路要素图像中对应的目标图像区域,最终根据目标图像区域的图像区域坐标,生成目标区域的地图数据,从而无需依赖数据采集车在目标区域进行实地数据采集,而是利用对目标区域的采集图像的图像处理结果,进行地图数据的生成,大大降低了地图数据生成的成本,以及缩短了地图数据生成所需的时间,提高了地图数据生成的效率。
图2A是根据本公开实施例公开的另一些地图数据的生成方法的流程图,基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。
如图2A所示,本实施例公开的地图数据的生成方法可以包括:
S201、获取目标区域的采集图像,并根据采集图像确定目标区域中目标道路要素的道路要素图像。
图2B是根据本公开实施例公开的一些采集图像的示意图,如图2B所示,是通过卫星对目标区域进行图像采集得到的采集图像,即卫星图像。
图2C是根据本公开实施例公开的一些道路要素图像的示意图,如图2C所示,对采集图像包含的线状类型的目标道路要素进行图像裁切,得到包含有目标道路要素的道路要素图像。
图2D是根据本公开实施例公开的另一些道路要素图像的示意图,如图2D所示,对采集图像包含的面状类型的目标道路要素进行图像裁切,得到包含有目标道路要素的道路要素图像。
S202、在形状类型为线状类型的情况下,执行S203,在形状类型为面状类型的情况下,执行S204。
S203、对道路要素图像进行语义分割,并根据语义分割结果确定目标图像区域。
在一种实施方式中,将道路要素图像输入至训练完成的第二语义分割模型中,通过第二语义分割模型对采集图像包含的目标道路要素进行细粒度识别,并根据第二语义分割模型的输出结果,确定目标道路要素在道路要素图像中对应的目标图像区域。
其中,第二语义分割模型相比第一语义分割模型具有更优的模型性能,第二语义分割模型的类型包括但不限于FCN、U-Net、SegNet、DeepLab网络或者PSPNet等。
由于线状类型的目标道路要素具备连续性,不同线状类型的目标道路要素之间不粘连,因此对于线状类型的目标道路要素,利用语义分割方法来确定目标图像区域,能够保证目标图像区域确定的精准度。
可选的,根据语义分割结果确定目标图像区域,包括以下步骤A1、B1、C1和D1:
A1、根据语义分割结果确定目标道路要素在道路要素图像中对应的第一初始图像区域。
其中,第一初始图像区域表示对道路要素图像进行语义分割直接得到的结果,但由于在现实道路场景中,存在大量的车辆遮挡或者道路磨损等情况,极大影响了第一初始图像区域的准确性,因此需要对第一初始图像区域进行优化处理。
B1、对第一初始图像区域进行图像细化,确定第一初始图像区域对应的细化图像区域。
在一种实施方式中,采用图像细化算法对第一初始图像区域进行图像细化,并将得到的第一初始图像区域的图像骨架,作为第一初始图像区域对应的细化图像区域。
C1、确定细化图像区域的第一关键像素点,并根据第一关键像素点的第一图像坐标进行多项式拟合,确定细化图像区域对应的图像坐标表达式。
其中,细化图像区域对应的图像坐标表达式为细化图像区域的区域方程,体现了细化图像区域中像素点的图像横坐标与图像纵坐标之间期望的函数关系。例如,Y=F(X)即为一种图像坐标表达式,其中,X表示细化图像区域中任一像素点的图像横坐标,Y表示根据图像横坐标X以及图像坐标表达式,计算得到的该像素点期望的图像纵坐标。
在一种实施方式中,将细化图像区域中的非离散像素点作为第一关键像素点,并根据第一关键像素点的第一图像坐标,采用包括基于最小二乘法进行多项式拟合,确定细化图像区域对应的图像坐标表达式。
D1、根据图像坐标表达式确定目标图像区域。
在一种实施方式中,根据图像坐标表达式以及细化图像区域中像素点的图像横坐标,确定目标图像区域。
通过根据语义分割结果确定目标道路要素在道路要素图像中对应的第一初始图像区域,对第一初始图像区域进行图像细化,确定第一初始图像区域对应的细化图像区域,确定细化图像区域的第一关键像素点,并根据第一关键像素点的第一图像坐标进行多项式拟合,确定细化图像区域对应的图像坐标表达式,根据图像坐标表达式确定目标图像区域,减轻了车辆遮挡或者道路磨损等情况对图像区域确定的影响,提高了最终确定的目标图像区域的准确性。
可选的,根据图像坐标表达式确定目标图像区域,包括以下D11和D12:
D11、确定细化图像区域中像素点的图像横坐标,并根据图像横坐标以及图像坐标表达式,计算图像横坐标对应的图像纵坐标。
在一种实施方式中,确定细化图像区域中各像素点的图像横坐标,并将图像横坐标代入到图像坐标表达式中,计算得到图像横坐标对应的图像纵坐标。
在另一种实施方式中,确定细化图像区域中各像素点的图像横坐标,为了保证比较好的连续性,从最小的图像横坐标开始,到最大的图像横坐标为止,按照预设步长选取图像横坐标作为优选图像横坐标。例如,假设预设步长为5,最小的图像横坐标为5,最大的图像横坐标为100,则选取5、10、15、20、……、95和100,作为优选图像横坐标。
将优选图像横坐标代入到图像坐标表达式中,计算得到优选图像横坐标对应的图像纵坐标。
D12、根据图像横坐标和图像纵坐标,确定目标图像区域。
在一种实施方式中,根据图像横坐标以及其对应的图像纵坐标,在道路要素图像中构成的图像区域,作为目标图像区域。
通过确定细化图像区域中像素点的图像横坐标,并根据图像横坐标以及图像坐标表达式,计算图像横坐标对应的图像纵坐标,并根据图像横坐标和图像纵坐标,确定目标图像区域,提高了最终确定的目标图像区域的准确性。
S204、对道路要素图像进行实例分割,并根据实例分割结果确定目标图像区域。
在一种实施方式中,将道路要素图像输入至训练完成的实例分割模型中,通过实例分割模型对采集图像包含的目标道路要素进行识别,并根据实例分割模型的输出结果,确定目标道路要素在道路要素图像中对应的目标图像区域。
其中,实例分割模型的类型包括但不限于Mask R-CNN(Mask Region-CNN,掩膜区域卷积神经网络),PaNet(Path Aggregation Network,路径聚合网络),HTC(Hybrid TaskCascade,混合任务级联)网络和SOLO(Segmenting Objects by Locations,按位置分割对象)网络等。
由于面状类型的目标道路要素不具备连续性,不同面状类型的目标道路要素之间容易存在粘连现象,为区分不同面状类型的目标道路要素,利用实例分割方法来确定目标图像区域,能够保证目标图像区域确定的精准度。
可选的,根据实例分割结果确定目标图像区域,包括以下步骤A2、B2、C2和D2:
A2、根据实例分割结果确定目标道路要素在道路要素图像中对应的第二初始图像区域。
其中,第二初始图像区域表示对道路要素图像进行实例分割直接得到的结果,但由于在现实道路场景中,存在大量的车辆遮挡或者道路磨损等情况,极大影响了第二初始图像区域的准确性,因此需要对第二初始图像区域进行优化处理。
B2、确定第二初始图像区域的区域轮廓,并确定区域轮廓的第二关键像素点。
在一种实施方式中,根据轮廓识别算法确定第二初始图像区域的区域轮廓,并对区域轮廓中的像素点进行关键点识别,确定区域轮廓的第二关键像素点。
C2、根据第二关键像素点的第二图像坐标,对区域轮廓进行多边形逼近,生成区域轮廓对应的区域优化轮廓。
在一种实施方式中,根据第二关键像素点的第二图像坐标,采用包括道格拉斯普克算法对区域轮廓进行多边形逼近,在道路要素图像中生成区域轮廓对应的区域优化轮廓。
D2、将区域优化轮廓在道路要素图像中围成的图像区域,作为目标图像区域。
通过根据实例分割结果确定目标道路要素在道路要素图像中对应的第二初始图像区域,确定第二初始图像区域的区域轮廓,并确定区域轮廓的第二关键像素点,根据第二关键像素点的第二图像坐标,对区域轮廓进行多边形逼近,生成区域轮廓对应的区域优化轮廓,将区域优化轮廓在道路要素图像中围成的图像区域,作为目标图像区域,减轻了车辆遮挡或者道路磨损等情况对图像区域确定的影响,提高了最终确定的目标图像区域的准确性。
S205、根据目标图像区域的图像区域坐标,生成目标区域的地图数据。
可选的,获取目标区域的采集图像之后,还包括:
根据采集图像,确定目标区域中目标地物要素在采集图像中对应的辅助图像区域。
其中,目标地物要素表示目标区域包括的地物实例事物,例如森林、湖泊、山峰或者农田等等。
在一种实施方式中,将采集图像输入至训练完成的第一语义分割模型中,通过第一语义分割模型对采集图像包含的目标地物要素进行粗粒度识别,并根据第一语义分割模型的输出结果,确定目标地物要素在采集图像中对应的辅助图像区域。
相应的,根据目标图像区域的图像区域坐标,生成目标区域的地图数据,包括:
根据目标图像区域的图像区域坐标,以及辅助图像区域的图像区域坐标,生成目标区域的地图数据。
在一种实施方式中,根据目标道路要素在道路要素图像中对应的目标图像区域的图像区域坐标,以及用于对采集图像进行采集的设备的内参和外参,确定目标道路要素在世界坐标系下的世界区域坐标。并且,根据目标地物要素在采集图像中对应的辅助图像区域的图像区域坐标,以及用于对采集图像进行采集的设备的内参和外参,确定目标地物要素在世界坐标系下的世界区域坐标。最终根据目标道路要素在世界坐标系下的世界区域坐标,以及目标地物要素在世界坐标系下的世界区域坐标,生成目标区域的地图数据。
通过根据采集图像,确定目标区域中目标地物要素在采集图像中对应的辅助图像区域,根据目标图像区域的图像区域坐标,以及辅助图像区域的图像区域坐标,生成目标区域的地图数据,避免了数据采集车由于采集区域限制,无法对目标区域中地物要素全部进行数据采集,导致地图数据生成覆盖率较低的问题,提高了地图数据生成的覆盖率。
可选的,根据目标图像区域的图像区域坐标,以及辅助图像区域的图像区域坐标,生成目标区域的地图数据,包括:
根据目标图像区域的图像区域坐标,确定目标道路要素在世界坐标系下的第一世界区域坐标;根据辅助图像区域的图像区域坐标,确定目标地物要素在世界坐标系下的第二世界区域坐标;根据第一世界区域坐标和第二世界区域坐标,生成目标区域的地图数据。
在一种实施方式中,根据目标道路要素在道路要素图像中对应的目标图像区域的图像区域坐标,以及用于对采集图像进行采集的设备的内参和外参,确定目标道路要素在世界坐标系下的第一世界区域坐标。并且,根据目标地物要素在采集图像中对应的辅助图像区域的图像区域坐标,以及用于对采集图像进行采集的设备的内参和外参,确定目标地物要素在世界坐标系下的第二世界区域坐标。
最终根据目标道路要素在世界坐标系下的第一世界区域坐标,生成目标区域地图数据中的道路数据,并根据目标地物要素在世界坐标系下的第二世界区域坐标,生成目标区域地图数据中的地物数据。
通过根据目标图像区域的图像区域坐标,确定目标道路要素在世界坐标系下的第一世界区域坐标,根据辅助图像区域的图像区域坐标,确定目标地物要素在世界坐标系下的第二世界区域坐标,根据第一世界区域坐标和第二世界区域坐标,生成目标区域的地图数据,提高了地图数据生成的覆盖率。
图2E是根据本公开实施例公开的一些生成地图数据的流程示意图,如图2E所示:
将采集图像输入至训练完成的第一语义分割模型中,通过第一语义分割模型对采集图像包含的目标道路要素和目标地物要素进行粗粒度识别,根据目标地物要素在采集图像中对应的辅助图像区域的图像区域坐标,生成目标区域地图数据中的地物数据。
根据识别到的目标道路要素进行图像裁切,分别获取线状类型目标道路要素的道路要素图像,以及面状类型目标道路要素的道路要素图像。将线状类型目标道路要素的道路要素图像,输入至第二语义分割模型中,并根据语义分割结果确定目标图像区域;将面状类型目标道路要素的道路要素图像,输入至实例分割模型中,并根据实例分割结果确定目标图像区域,最终根据目标图像区域的图像区域坐标,生成目标区域地图数据中的道路数据。
上述各步骤的具体实现方式详见本实施例的各具体实施方式,本处不再赘述。
图3是根据本公开实施例公开的一些地图数据的生成装置的结构示意图,可以适用于利用目标区域的采集图像,生成目标区域的地图数据的情况。本实施例装置可采用软件和/或硬件实现,并可集成在任意的具有计算能力的电子设备上。
如图3所示,本实施例公开的地图数据的生成装置30可以包括道路要素图像确定模块31、目标图像区域确定模块32和地图数据生成模块33,其中:
道路要素图像确定模块31,用于获取目标区域的采集图像,并根据采集图像确定目标区域中目标道路要素的道路要素图像;
目标图像区域确定模块32,用于根据目标道路要素的形状类型,确定目标道路要素在道路要素图像中对应的目标图像区域;
地图数据生成模块33,用于根据目标图像区域的图像区域坐标,生成目标区域的地图数据。
可选的,目标图像区域确定模块32,具体用于:
在形状类型为线状类型的情况下,对道路要素图像进行语义分割,并根据语义分割结果确定目标图像区域;
在形状类型为面状类型的情况下,对道路要素图像进行实例分割,并根据实例分割结果确定目标图像区域。
可选的,目标图像区域确定模块33,具体还用于:
根据语义分割结果确定目标道路要素在道路要素图像中对应的第一初始图像区域;
对第一初始图像区域进行图像细化,确定第一初始图像区域对应的细化图像区域;
确定细化图像区域的第一关键像素点,并根据第一关键像素点的第一图像坐标进行多项式拟合,确定细化图像区域对应的图像坐标表达式;
根据图像坐标表达式确定目标图像区域。
可选的,目标图像区域确定模块33,具体还用于:
确定细化图像区域中像素点的图像横坐标,并根据图像横坐标以及图像坐标表达式,计算图像横坐标对应的图像纵坐标;
根据图像横坐标和图像纵坐标,确定目标图像区域。
可选的,目标图像区域确定模块33,具体还用于:
根据实例分割结果确定目标道路要素在道路要素图像中对应的第二初始图像区域;
确定第二初始图像区域的区域轮廓,并确定区域轮廓的第二关键像素点;
根据第二关键像素点的第二图像坐标,对区域轮廓进行多边形逼近,生成区域轮廓对应的区域优化轮廓;
将区域优化轮廓在道路要素图像中围成的图像区域,作为目标图像区域。
可选的,装置还包括辅助图像区域确定模块,具体用于:
根据采集图像,确定目标区域中目标地物要素在采集图像中对应的辅助图像区域;
地图数据生成模块,具体用于:
根据目标图像区域的图像区域坐标,以及辅助图像区域的图像区域坐标,生成目标区域的地图数据。
可选的,地图数据生成模块33,具体还用于:
根据目标图像区域的图像区域坐标,确定目标道路要素在世界坐标系下的第一世界区域坐标;
根据辅助图像区域的图像区域坐标,确定目标地物要素在世界坐标系下的第二世界区域坐标;
根据第一世界区域坐标和第二世界区域坐标,生成目标区域的地图数据。
本公开实施例所公开的地图数据的生成装置30可执行本公开实施例所公开的地图数据的生成方法,具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开方法实施例中的描述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,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4示出了可以用来实施本公开的实施例的示例电子设备400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4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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401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401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401执行上文所描述的各个方法和处理,例如地图数据的生成方法。例如,在一些实施例中,地图数据的生成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408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的地图数据的生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元401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的生成方法。
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。
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)
1.一种地图数据的生成方法,包括:
获取目标区域的采集图像,并根据所述采集图像确定所述目标区域中目标道路要素的道路要素图像;
根据所述目标道路要素的形状类型,确定所述目标道路要素在所述道路要素图像中对应的目标图像区域;
根据所述目标图像区域的图像区域坐标,生成所述目标区域的地图数据。
2.根据权利要求1所述的方法,其中,所述根据所述目标道路要素的形状类型,确定所述目标道路要素在所述道路要素图像中对应的目标图像区域,包括:
在所述形状类型为线状类型的情况下,对所述道路要素图像进行语义分割,并根据语义分割结果确定所述目标图像区域;
在所述形状类型为面状类型的情况下,对所述道路要素图像进行实例分割,并根据实例分割结果确定所述目标图像区域。
3.根据权利要求2所述的方法,其中,所述根据语义分割结果确定所述目标图像区域,包括:
根据所述语义分割结果确定所述目标道路要素在所述道路要素图像中对应的第一初始图像区域;
对所述第一初始图像区域进行图像细化,确定所述第一初始图像区域对应的细化图像区域;
确定所述细化图像区域的第一关键像素点,并根据所述第一关键像素点的第一图像坐标进行多项式拟合,确定所述细化图像区域对应的图像坐标表达式;
根据所述图像坐标表达式确定所述目标图像区域。
4.根据权利要求3所述的方法,其中,所述根据所述图像坐标表达式确定所述目标图像区域,包括:
确定所述细化图像区域中像素点的图像横坐标,并根据所述图像横坐标以及所述图像坐标表达式,计算所述图像横坐标对应的图像纵坐标;
根据所述图像横坐标和所述图像纵坐标,确定所述目标图像区域。
5.根据权利要求2所述的方法,其中,所述根据实例分割结果确定所述目标图像区域,包括:
根据所述实例分割结果确定所述目标道路要素在所述道路要素图像中对应的第二初始图像区域;
确定所述第二初始图像区域的区域轮廓,并确定所述区域轮廓的第二关键像素点;
根据所述第二关键像素点的第二图像坐标,对所述区域轮廓进行多边形逼近,生成所述区域轮廓对应的区域优化轮廓;
将所述区域优化轮廓在所述道路要素图像中围成的图像区域,作为所述目标图像区域。
6.根据权利要求1所述的方法,获取目标区域的采集图像之后,还包括:
根据所述采集图像,确定所述目标区域中目标地物要素在所述采集图像中对应的辅助图像区域;
根据所述目标图像区域的图像区域坐标,生成所述目标区域的地图数据,包括:
根据所述目标图像区域的图像区域坐标,以及所述辅助图像区域的图像区域坐标,生成所述目标区域的地图数据。
7.根据权利要求6所述的方法,其中,所述根据所述目标图像区域的图像区域坐标,以及所述辅助图像区域的图像区域坐标,生成所述目标区域的地图数据,包括:
根据所述目标图像区域的图像区域坐标,确定所述目标道路要素在世界坐标系下的第一世界区域坐标;
根据所述辅助图像区域的图像区域坐标,确定所述目标地物要素在世界坐标系下的第二世界区域坐标;
根据所述第一世界区域坐标和所述第二世界区域坐标,生成所述目标区域的地图数据。
8.一种地图数据的生成装置,包括:
道路要素图像确定模块,用于获取目标区域的采集图像,并根据所述采集图像确定所述目标区域中目标道路要素的道路要素图像;
目标图像区域确定模块,用于根据所述目标道路要素的形状类型,确定所述目标道路要素在所述道路要素图像中对应的目标图像区域;
地图数据生成模块,用于根据所述目标图像区域的图像区域坐标,生成所述目标区域的地图数据。
9.根据权利要求8所述的装置,其中,所述目标图像区域确定模块,具体用于:
在所述形状类型为线状类型的情况下,对所述道路要素图像进行语义分割,并根据语义分割结果确定所述目标图像区域;
在所述形状类型为面状类型的情况下,对所述道路要素图像进行实例分割,并根据实例分割结果确定所述目标图像区域。
10.根据权利要求9所述的装置,其中,所述目标图像区域确定模块,具体还用于:
根据所述语义分割结果确定所述目标道路要素在所述道路要素图像中对应的第一初始图像区域;
对所述第一初始图像区域进行图像细化,确定所述第一初始图像区域对应的细化图像区域;
确定所述细化图像区域的第一关键像素点,并根据所述第一关键像素点的第一图像坐标进行多项式拟合,确定所述细化图像区域对应的图像坐标表达式;
根据所述图像坐标表达式确定所述目标图像区域。
11.根据权利要求10所述的装置,其中,所述目标图像区域确定模块,具体还用于:
确定所述细化图像区域中像素点的图像横坐标,并根据所述图像横坐标以及所述图像坐标表达式,计算所述图像横坐标对应的图像纵坐标;
根据所述图像横坐标和所述图像纵坐标,确定所述目标图像区域。
12.根据权利要求9所述的装置,其中,所述目标图像区域确定模块,具体还用于:
根据所述实例分割结果确定所述目标道路要素在所述道路要素图像中对应的第二初始图像区域;
确定所述第二初始图像区域的区域轮廓,并确定所述区域轮廓的第二关键像素点;
根据所述第二关键像素点的第二图像坐标,对所述区域轮廓进行多边形逼近,生成所述区域轮廓对应的区域优化轮廓;
将所述区域优化轮廓在所述道路要素图像中围成的图像区域,作为所述目标图像区域。
13.根据权利要求8所述的装置,所述装置还包括辅助图像区域确定模块,具体用于:
根据所述采集图像,确定所述目标区域中目标地物要素在所述采集图像中对应的辅助图像区域;
所述地图数据生成模块,具体用于:
根据所述目标图像区域的图像区域坐标,以及所述辅助图像区域的图像区域坐标,生成所述目标区域的地图数据。
14.根据权利要求13所述的装置,其中,所述地图数据生成模块,具体还用于:
根据所述目标图像区域的图像区域坐标,确定所述目标道路要素在世界坐标系下的第一世界区域坐标;
根据所述辅助图像区域的图像区域坐标,确定所述目标地物要素在世界坐标系下的第二世界区域坐标;
根据所述第一世界区域坐标和所述第二世界区域坐标,生成所述目标区域的地图数据。
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根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,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1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329398.4A CN115638798A (zh) | 2022-10-27 | 2022-10-27 | 一种地图数据的生成方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329398.4A CN115638798A (zh) | 2022-10-27 | 2022-10-27 | 一种地图数据的生成方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115638798A true CN115638798A (zh) | 2023-01-24 |
Family
ID=84946656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211329398.4A Pending CN115638798A (zh) | 2022-10-27 | 2022-10-27 | 一种地图数据的生成方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115638798A (zh) |
-
2022
- 2022-10-27 CN CN202211329398.4A patent/CN115638798A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
EP4116935B1 (en) | High-definition map creation method and device, and electronic device | |
CN112800915A (zh) | 建筑物变化检测方法、装置、电子设备以及存储介质 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN114993328B (zh) | 车辆定位评估方法、装置、设备和计算机可读介质 | |
CN113298910A (zh) | 生成交通标志线地图的方法、设备和存储介质 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN116052097A (zh) | 一种地图要素检测方法、装置、电子设备和存储介质 | |
CN114627257A (zh) | 三维路网地图的构建方法、装置、电子设备和存储介质 | |
CN115457152A (zh) | 外参标定方法、装置、电子设备及存储介质 | |
CN113177980B (zh) | 用于自动驾驶的目标对象速度确定方法、装置及电子设备 | |
CN114299242A (zh) | 高精地图中图像处理方法、装置、设备以及存储介质 | |
CN113932796A (zh) | 高精地图车道线生成方法、装置和电子设备 | |
CN114283343A (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
CN113569911A (zh) | 车辆识别方法、装置、电子设备及存储介质 | |
CN113569912A (zh) | 车辆识别方法、装置、电子设备及存储介质 | |
CN117036457A (zh) | 一种屋顶面积的测量方法、装置、设备及存储介质 | |
CN115049997B (zh) | 边缘车道线的生成方法、装置、电子设备及存储介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115527028A (zh) | 地图数据处理方法及装置 | |
KR20230006628A (ko) | 이미지 처리 방법과 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 | |
CN115790621A (zh) | 高精地图更新方法、装置及电子设备 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN115638798A (zh) | 一种地图数据的生成方法、装置、电子设备和介质 | |
CN116188587A (zh) | 定位方法、装置及车辆 |
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 |