CN116412800A - 基于连通图的多包高效匹配融合方法、装置、介质及设备 - Google Patents
基于连通图的多包高效匹配融合方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN116412800A CN116412800A CN202111625686.XA CN202111625686A CN116412800A CN 116412800 A CN116412800 A CN 116412800A CN 202111625686 A CN202111625686 A CN 202111625686A CN 116412800 A CN116412800 A CN 116412800A
- Authority
- CN
- China
- Prior art keywords
- matching
- low
- precision single
- packet
- map
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种基于连通图的多包高效匹配融合方法,属于地图数据处理领域。该方法包括在K个经过同一个中心点的低精单包地图中,每相邻两个低精单包地图中的同一个中心点分别对应的两个子图进行自动匹配,并依次连接K个低精单包地图中同一个中心点,得到完整的连通图中每两个子图之间不同数据元素对应的匹配分数,通过匹配分数确定出符合几何一致性的最确信匹配对应的物体;将每个低精单包地图与其重叠区域最大的另一低精单包地图中的同一个中心点分别经过的两个子图进行自动匹配,确定出符合几何一致性的最确信匹配对应的物体。本申请节省了设备成本,减少了计算的复杂度,保证了匹配的稳定性,并且不依赖地图元素的独特性。
Description
技术领域
本申请涉及地图数据处理领域,特别涉及一种基于连通图的多包高效匹配融合方法、装置、介质及设备。
背景技术
现有技术中,人为规则的方法在处理地图数据时,更加依赖地图元素的独特性。规则的方法首先在单包地图中找到最具有独特性的物体,然后将具有独特性的物体作匹配,将匹配上的物体组合在一起,然后依次再找次独特性的物体进行匹配组合。如果单包地图中没有独特的元素,或者独特的元素缺失了,如隧道的场景,没有标志牌、杆的场景;独特的元素位置偏差较大,如标志牌、杆的位置建立的不恰当;在筛选匹配过程中,丢弃的地图数据较多,这些都会导致匹配失败。规则的方法依赖阈值,针对不同场景需要不断调整阈值,如在多少米范围内才算是一个独特的物体。
本方案利用低精度的设备通过学习计算也能得到高精度的地图,解决了高精度设备的成本高,现有技术依赖地图元素的独特性的问题。
发明内容
针对现有技术存在的过度依赖地图元素的独特性,获取高精地图的成本高的问题,本申请主要提供一种基于连通图的多包高效匹配融合方法、装置、介质及设备。
本申请采用的一个技术方案是:提供一种基于连通图的多包高效匹配融合方法,其包括:
获取同一任务中的N个不包含重叠的数据元素的低精单包地图,N为大于1的自然数;
在每一低精单包地图中,以随机选取的数据元素为中心点,生成对应的固定范围的子图;
在K个经过同一个中心点的低精单包地图中,每相邻两个低精单包地图中的同一个中心点分别对应的两个子图进行自动匹配,并依次连接K个低精单包地图中同一个中心点,得到完整的连通图中每两个子图之间不同数据元素对应的匹配分数,通过匹配分数确定出符合几何一致性的最确信匹配对应的物体,其中K为小于N大于0的自然数;
将每个低精单包地图与其重叠区域最大的另一低精单包地图中的同一个中心点分别经过的两个子图进行自动匹配,得到两个子图之间不同数据元素对应的匹配分数,通过匹配分数确定出符合几何一致性的最确信匹配对应的物体;
根据最确信匹配,得到与最确信匹配相邻近的符合几何一致性的其它最确信匹配对应的物体;
将每两个低精单包地图中最确信匹配对应的物体分别进行一一对齐,得到高精单包地图;
将高精单包地图进行融合并优化,得到高精地图。
本申请采用的另一个技术方案是:提供一种基于连通图的多包高效匹配融合装置,其包括:
用于获取同一任务中的N个不包含重叠的数据元素的低精单包地图,N为大于1的自然数的模块;
用于在每一低精单包地图中,以随机选取的数据元素为中心点,生成对应的固定范围的子图的模块;
用于在K个经过同一个中心点的低精单包地图中,每相邻两个低精单包地图中的同一个中心点分别对应的两个子图进行自动匹配,并依次连接K个低精单包地图中同一个中心点,得到完整的连通图中每两个子图之间不同数据元素对应的匹配分数,通过匹配分数确定出符合几何一致性的最确信匹配对应的物体的模块,其中K为小于N大于0的自然数;
用于将每个低精单包地图与其重叠区域最大的另一低精单包地图中的同一个中心点分别经过的两个子图进行自动匹配,得到两个子图之间不同数据元素对应的匹配分数,通过匹配分数确定出符合几何一致性的最确信匹配对应的物体的模块;
用于根据最确信匹配,得到与最确信匹配相邻近的符合几何一致性的其它最确信匹配对应的物体的模块;
用于将每两个低精单包地图中最确信匹配对应的物体分别进行一一对齐,得到高精单包地图的模块;
本申请采用的另一个技术方案是:提供一种计算机可读存储介质,其存储有计算机指令,该计算机指令被操作以执行方案一中的基于连通图的多包高效匹配融合方法。
本申请采用的另一个技术方案是:提供一种计算机设备,其包括处理器和存储器,存储器存储有计算机指令,该计算机指令被操作以执行方案一中的基于连通图的多包高效匹配融合方法。
本申请的技术方案可以达到的有益效果是:本申请设计了一种基于连通图的多包高效匹配融合方法、装置、介质及设备。本申请通过低精单包地图匹配融合成高精地图,节省了设备成本,通过K个低精单包地图的匹配减少了计算的复杂度,保证了匹配的稳定性,并且最确信匹配不依赖地图元素的独特性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一种基于连通图的多包高效匹配融合方法的一个具体实施方式的示意图;
图2是本申请一种基于连通图的多包高效匹配融合装置的一个具体实施方式的示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
下面结合附图对本申请的较佳实施例进行详细阐述,以使本申请的优点和特征能更易于被本领域技术人员理解,从而对本申请的保护范围做出更为清楚明确的界定。
需要说明的是,在本文中,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……”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。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。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中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1示出了本申请一种基于连通图的多包高效匹配融合方法的一个具体实施方式。在图1所示的具体实施方式中,基于连通图的多包高效匹配融合方法包括:
步骤S101,获取同一任务中的N个不包含重叠的数据元素的低精单包地图,N为大于1的自然数。
本实施方式中,一个任务可以建立多个低精单包地图,但是为了防止同一段路径建立两次地图元素,需要对包含回头路的低精单包地图在回头路出进行切分,切分出两个不包含回头路的低精单板地图,方便后续匹配。
需要说明是,低精单包地图指的是采集车辆采集一趟经过一段路道采集到的描述了交通牌、车道线等交通元素的空间信息和语义信息的矢量地图。
在本申请的一个具体实例中,低精度设备采集一趟数据可以建一个低精单包地图,一趟采集到的数据均属于低精单包地图中的信息,将多趟采集建立的低精单包地图进行匹配融合优化。因为有低精度的采集设备,如GPS,其精度不高,算力有限,导致感知的结果不可靠。本方法采用两两配对的方式,同一个物体只针对低精单包地图中的一种数据元素进行配对。假如一个低精单包地图是有回头路的,就相当于同一个地方走过两次,建过两次地图,有两个数据元素,同一个物体会对应在低精单包地图中表现出来的两个数据元素。
在图1所示的具体实施方式中,基于连通图的多包高效匹配融合方法,还包括:
步骤S102,在每一低精单包地图中,以随机选取的数据元素为中心点,生成对应的固定范围的子图。
本实施方式中,一个低精单包地图中会有很多个子图,低精单包地图是不定大小的,子图是固定大小的,子图的目的是方便匹配,多个子图之间有大量的重叠,目的是为了后续的冗余匹配,保证匹配的鲁棒性。
在本申请的一个具体实施例中,获取同一任务中的N个不包含重叠的数据元素的低精单包地图,包括:若低精单包地图含有回头路,则在回头路处进行切分,得到两个不包含重叠的数据元素的低精单包地图。
本实施例中,同一个任务中包含多个低精单包地图,有些低精单包地图含有回头路,有些低精单包地图不含回头路,为了在匹配时方便地图元素对应,需要将含有回头路的低精单包地图在回头路处进行切分,使得每一个物体在一个低精单包地图中对应一个地图元素。
在图1所示的具体实施方式中,基于连通图的多包高效匹配融合方法,还包括:
步骤S103,在K个经过同一个中心点的低精单包地图中,每相邻两个低精单包地图中的同一个中心点分别对应的两个子图进行自动匹配,并依次连接K个低精单包地图中同一个中心点,得到完整的连通图中每两个子图之间不同数据元素对应的匹配分数,通过匹配分数确定出符合几何一致性的最确信匹配对应的物体,其中K为小于N大于0的自然数。
本实施方式中,K个中每相邻两个进行匹配,得到一个完整的连通图,来降低运算的复杂度。
在本申请的一个具体实例中,一个任务有N个低精单包地图,若是两两配对的话,就会有N^2的复杂度,则改良为K+1的匹配方式。经过同一个物体对应的中心点有很多个低精单包地图,1-2-3-4分别理解为4个低精单包地图,针对同一个中心点,形成一个连通图是所有经过同一中心点的低精单包地图都必须能在一起,不能出现低精单包地图3丢失连接不起来。K个低精单包地图要满足连通图的条件,选中的K个低精单包地图都要基于每个中心点弄成连接图。当低精单包地图2和低精单包地图3匹配的不是很好的话,就会导致低精单包地图4和低精单包地图2也会有偏差。
在本申请的一个具体实施例中,通过匹配分数确定出符合几何一致性的最确信匹配对应的物体,包括:当匹配分数与基准阈值一致时,匹配分数对应的数据元素符合几何一致性;且当匹配分数与基准阈值一致的数量在匹配分数中的占比大于预设阈值时,匹配分数对应的数据元素为最确信匹配对应的物体。
本实施例中,通过基准阈值可以筛选出多个匹配结果,多个匹配结果均符合几何一致性,当基准阈值的数量在所有的匹配分数的数量中的占比达到预设阈值时,则为最确信匹配。这保证了匹配的准确性。
在图1所示的具体实施方式中,基于连通图的多包高效匹配融合方法,还包括:
步骤S104,将每个低精单包地图与其重叠区域最大的另一低精单包地图中的同一个中心点分别经过的两个子图进行自动匹配,得到两个子图之间不同数据元素对应的匹配分数,通过匹配分数确定出符合几何一致性的最确信匹配对应的物体。
本实施方式中,每个低精单包地图与其重叠区域最大的另一个低精单包地图重新进行匹配,来保证匹配的稳定性。
在本申请的一个具体实施例中,将每个低精单包地图与其重叠区域最大的另一低精单包地图中的同一个中心点分别经过的两个子图进行自动匹配,包括:根据同一个中心点在两个低精单包地图中分别经过的子图的数量,选择两个低精单包地图中重叠区域最大的两个子图;对重叠区域最大的两个子图之间的不同数据元素分别同时进行特征提取,得到两个子图对应的特征信息;将两个子图对应的特征信息输入到注意力图神经网络进行自动匹配,得到两个子图之间不同数据元素对应的匹配分数。
本实施例中,将需要匹配的数据元素的信息进行特征提取,为后续匹配作基础;每一个子图中的不同数据元素可以同时进行特征提取,在进行匹配时,将同一个中心点在两个低精单包地图中对应的子图中数据元素中的特征信息同时进行匹配,具有高效便捷性。
在本申请的一个具体实施例中,对重叠区域最大的两个子图之间的不同数据元素分别同时进行特征提取,得到各自对应的特征信息,包括:根据不同数据元素的周围元素和自身属性的不同,分别对同一个子图中的不同数据元素进行特征提取,其中当一种数据元素的类别为第一类别时,分别对其周围元素和自身属性进行特征提取,得到对应的语义特征信息和感知特征信息,将语义特征信息与感知特征信息叠加得到一种数据元素对应的整体特征信息;当另一数据元素的类别为第二类别时,对其自身属性进行特征提取,得到属性特征信息,进而得到同一个子图中不同种数据元素对应的特征信息。
本实施例中,对每个子图中的不同数据元素进行特征提取,提取特征可以使得数据元素的匹配更加容易且方便。特征信息中的语义特征信息包括但不限于该数据元素的周围其他元素的类型、大小、相对深度、方位;特征信息中的感知特征信息和属性特征信息包括该数据元素的位置坐标。
在本申请的一个具体实施例中,将两个子图对应的特征信息输入到注意力图神经网络进行自动匹配,得到两个子图之间不同数据元素对应的匹配分数,包括:注意力图神经网络对两个子图对应的数据元素的特征信息进行注意力自动学习,以及同时对同一个子图中的不同数据元素之间的特征信息进行注意力自动学习,得到两个子图之间不同数据元素对应的匹配分数。
本实施例中,注意力图神经网络是已训练好的,其运算效率高。根据注意力机制分配不同的注意力得分,从而识别出更重要的对应关系。注意力图神经网络自动学习同一个子图中的不同种数据元素之间的注意力,能够更好的识别同一个子图中的不同数据元素对应的物体;注意力图神经网络自动学习两个子图中的同种数据元素之间的注意力,能够更好的识别两个子图的对应关系。
在图1所示的具体实施方式中,基于连通图的多包高效匹配融合方法,还包括:
步骤S105,根据最确信匹配,得到与最确信匹配相邻近的符合几何一致性的其它最确信匹配对应的物体。
本实施方式中,若一对匹配就是同一个物体,则符合几何一致性。在最确信匹配的附近,检查不确信的物体的匹配结果,使得低精单包地图中的所有物体均不会被遗漏,保证匹配的完整性。
在本申请的一个具体实施例中,根据最确信匹配,得到与最确信匹配相邻近的符合几何一致性的其它最确信匹配对应的物体,包括:根据最确信匹配,利用第一层级中的第一相关阈值和第二层级中的第二相关阈值,多次迭代选择与最确信匹配相邻近的符合几何一致性的其它最确信匹配对应的物体。
本实施例中,每找到一批最确信匹配,都要在这一批最确信匹配的附近依次去寻找不确信的物体中的最确信匹配。两个层级对不确信的物体进行筛选匹配,保证匹配的准确性。
在图1所示的具体实施方式中,基于连通图的多包高效匹配融合方法,还包括:
步骤S106,将每两个低精单包地图中最确信匹配对应的物体分别进行一一对齐,得到高精单包地图。
本实施方式中,通过多次迭代的位姿图优化将每两个低精单包地图中的匹配上的物体组合在一起,分别得到高精单包地图。提高了地图的精度。
在图1所示的具体实施方式中,基于连通图的多包高效匹配融合方法,还包括:
步骤S107,将高精单包地图进行融合并优化,得到高精地图。
本实施方式中,通过融合优化的方式,使得地图的精度能够达到更高的效果。
本申请通过K+1的匹配方式既节省了运算的复杂度,又保证了匹配的稳定性。首先将K个每相邻两个低精单包地图中的的同一个中心点进行连接,保证连成一个完整的连通图;为了防止在中间相邻两个低精单包地图匹配不好的情况下,后续匹配会有更大的偏差,需要将每个低精单包地图与其重叠区域最大的另一个低精单包地图进行匹配,来保证匹配的稳定性。
图2示出了本申请一种基于连通图的多包高效匹配融合装置的具体实施方式。在图2所示的具体实施方式中,基于连通图的多包高效匹配融合装置主要包括:
模块201,用于获取同一任务中的N个不包含重叠的数据元素的低精单包地图,N为大于1的自然数的模块;
模块202,用于在每一低精单包地图中,以随机选取的数据元素为中心点,生成对应的固定范围的子图的模块;
模块203,用于在K个经过同一个中心点的低精单包地图中,每相邻两个低精单包地图中的同一个中心点分别对应的两个子图进行自动匹配,并依次连接K个低精单包地图中同一个中心点,得到完整的连通图中每两个子图之间不同数据元素对应的匹配分数,通过匹配分数确定出符合几何一致性的最确信匹配对应的物体的模块,其中K为小于N大于0的自然数;
模块204,用于将每个低精单包地图与其重叠区域最大的另一低精单包地图中的同一个中心点分别经过的两个子图进行自动匹配,得到两个子图之间不同数据元素对应的匹配分数,通过匹配分数确定出符合几何一致性的最确信匹配对应的物体的模块;
模块205,用于根据最确信匹配,得到与最确信匹配相邻近的符合几何一致性的其它最确信匹配对应的物体的模块;
模块206,用于将每两个低精单包地图中最确信匹配对应的物体分别进行一一对齐,得到高精单包地图的模块;
模块207,用于将高精单包地图进行融合并优化,得到高精地图的模块。
本实施方式中,通过对含有回头路的低精单包地图进行回环切分,使得一个物体在一个低精单包地图中只有一个数据元素对应,方便后续的匹配;通过将低精单包地图拆分为多个子图进行匹配,更具有高效性、准确性,并且就解决了高精度设备带来的成本高的问题;通过最确信匹配使得本方案不依赖地图元素的独特性;通过将K个每相邻两个低精单包地图中的同一个中心点连接,构成一个连通图节省了算力,每个低精单包地图与其重叠区域最大的另一低精单包地图中的同一个中心点分别经过的两个子图进行自动匹配保证了匹配的稳定性。
本申请提供的基于连通图的多包高效匹配融合装置,可用于执行上述任一实施例描述的基于连通图的多包高效匹配融合方法,其实现原理和技术效果类似,在此不再赘述。
在本申请的一个具体实施例中,本申请一种基于连通图的多包高效匹配融合装置中各功能模块可直接在硬件中、在由处理器执行的软件模块中或在两者的组合中。
软件模块可驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可装卸盘、CD-ROM或此项技术中已知的任何其它形式的存储介质中。示范性存储介质耦合到处理器,使得处理器可从存储介质读取信息和向存储介质写入信息。
处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)、现场可编程门阵列(英文:Field Programmable Gate Array,简称:FPGA)或其它可编程逻辑装置、离散门或晶体管逻辑、离散硬件组件或其任何组合等。通用处理器可以是微处理器,但在替代方案中,处理器可以是任何常规处理器、控制器、微控制器或状态机。处理器还可实施为计算装置的组合,例如DSP与微处理器的组合、多个微处理器、结合DSP核心的一个或一个以上微处理器或任何其它此类配置。在替代方案中,存储介质可与处理器成一体式。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替代方案中,处理器和存储介质可作为离散组件驻留在用户终端中。
在本申请的另一个具体实施方式中,一种计算机可读存储介质,其存储有计算机指令,计算机指令被操作以执行任一实施例中的基于连通图的多包高效匹配融合方法。
在本申请的另一个具体实施方式中,一种计算机设备,其包括处理器和存储器,存储器存储有计算机指令,该计算机指令被操作以执行任一实施例中的基于连通图的多包高效匹配融合方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于连通图的多包高效匹配融合方法,其特征在于,包括:
获取同一任务中的N个不包含重叠的数据元素的低精单包地图,N为大于1的自然数;
在每一所述低精单包地图中,以随机选取的数据元素为中心点,生成对应的固定范围的子图;
在K个经过同一个所述中心点的所述低精单包地图中,每相邻两个所述低精单包地图中的同一个所述中心点分别对应的两个所述子图进行自动匹配,并依次连接K个所述低精单包地图中同一个所述中心点,得到完整的连通图中每两个所述子图之间不同数据元素对应的匹配分数,通过所述匹配分数确定出符合几何一致性的最确信匹配对应的物体,其中K为小于N大于0的自然数;
将每个所述低精单包地图与其重叠区域最大的另一所述低精单包地图中的同一个所述中心点分别经过的两个所述子图进行自动匹配,得到两个所述子图之间不同数据元素对应的匹配分数,通过所述匹配分数确定出符合几何一致性的最确信匹配对应的物体;
根据所述最确信匹配,得到与所述最确信匹配相邻近的符合所述几何一致性的其它最确信匹配对应的物体;
将每两个所述低精单包地图中所述最确信匹配对应的物体分别进行一一对齐,得到高精单包地图;
将所述高精单包地图进行融合并优化,得到高精地图。
2.如权利要求1所述的基于连通图的多包高效匹配融合方法,其特征在于,所述将每个所述低精单包地图与其重叠区域最大的另一所述低精单包地图中的同一个所述中心点分别经过的两个所述子图进行自动匹配,包括:
根据同一个所述中心点在两个所述低精单包地图中分别经过的所述子图的数量,选择两个所述低精单包地图中重叠区域最大的两个所述子图;
对所述重叠区域最大的两个所述子图之间的不同数据元素分别同时进行特征提取,得到两个所述子图对应的特征信息;
将两个所述子图对应的特征信息输入到注意力图神经网络进行自动匹配,得到两个所述子图之间不同数据元素对应的匹配分数。
3.如权利要求2所述的基于连通图的多包高效匹配融合方法,其特征在于,所述对所述重叠区域最大的两个所述子图之间的不同数据元素分别同时进行特征提取,得到各自对应的特征信息,包括:
根据不同所述数据元素的周围元素和自身属性的不同,分别对同一个所述子图中的不同所述数据元素进行特征提取,其中当一种所述数据元素的类别为第一类别时,分别对其周围元素和自身属性进行特征提取,得到对应的语义特征信息和感知特征信息,将所述语义特征信息与所述感知特征信息叠加得到一种所述数据元素对应的整体特征信息;
当另一所述数据元素的类别为第二类别时,对其自身属性进行特征提取,得到属性特征信息,进而得到同一个所述子图中不同种数据元素对应的特征信息。
4.如权利要求2所述的基于连通图的多包高效匹配融合方法,其特征在于,所述将两个所述子图对应的特征信息输入到注意力图神经网络进行自动匹配,得到两个所述子图之间不同数据元素对应的匹配分数,包括:
所述注意力图神经网络对两个所述子图对应的数据元素的特征信息进行注意力自动学习,以及同时对同一个所述子图中的不同数据元素之间的特征信息进行注意力自动学习,得到两个所述子图之间不同数据元素对应的匹配分数。
5.如权利要求1所述的基于连通图的多包高效匹配融合方法,其特征在于,所述获取同一任务中的N个不包含重叠的数据元素的低精单包地图,包括:
若所述低精单包地图含有回头路,则在所述回头路处进行切分,得到两个不包含重叠的数据元素的所述低精单包地图。
6.如权利要求1所述的基于连通图的多包高效匹配融合方法,其特征在于,所述根据所述最确信匹配,得到与所述最确信匹配相邻近的符合所述几何一致性的其它最确信匹配对应的物体,包括:
根据所述最确信匹配,利用第一层级中的第一相关阈值和第二层级中的第二相关阈值,多次迭代选择与所述最确信匹配相邻近的符合所述几何一致性的其它最确信匹配对应的物体。
7.如权利要求1所述的基于连通图的多包高效匹配融合方法,其特征在于,所述通过所述匹配分数确定出符合几何一致性的最确信匹配对应的物体,包括:
当所述匹配分数与基准阈值一致时,所述匹配分数对应的数据元素符合几何一致性;
且当所述匹配分数与所述基准阈值一致的数量在所述匹配分数中的占比大于预设阈值时,所述匹配分数对应的数据元素为最确信匹配对应的物体。
8.一种基于连通图的多包高效匹配融合装置,其特征在于,包括:
用于获取同一任务中的N个不包含重叠的数据元素的低精单包地图,N为大于1的自然数的模块;
用于在每一所述低精单包地图中,以随机选取的数据元素为中心点,生成对应的固定范围的子图的模块;
用于在K个经过同一个所述中心点的所述低精单包地图中,每相邻两个所述低精单包地图中的同一个所述中心点分别对应的两个所述子图进行自动匹配,并依次连接K个所述低精单包地图中同一个所述中心点,得到完整的连通图中每两个所述子图之间不同数据元素对应的匹配分数,通过所述匹配分数确定出符合几何一致性的最确信匹配对应的物体的模块,其中K为小于N大于0的自然数;
用于将每个所述低精单包地图与其重叠区域最大的另一所述低精单包地图中的同一个所述中心点分别经过的两个所述子图进行自动匹配,得到两个所述子图之间不同数据元素对应的匹配分数,通过所述匹配分数确定出符合几何一致性的最确信匹配对应的物体的模块;
用于根据所述最确信匹配,得到与所述最确信匹配相邻近的符合所述几何一致性的其它最确信匹配对应的物体的模块;
用于将每两个所述低精单包地图中所述最确信匹配对应的物体分别进行一一对齐,得到高精单包地图的模块;
用于将所述高精单包地图进行融合并优化,得到高精地图的模块。
9.一种计算机可读存储介质,其存储有计算机指令,其特征在于,所述计算机指令被操作以执行权利要求1-7中任一项所述的基于连通图的多包高效匹配融合方法。
10.一种计算机设备,其包括处理器和存储器,所述存储器存储有计算机指令,其中所述处理器操作所述计算机指令以执行权利要求1-7中任一项所述的基于连通图的多包高效匹配融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111625686.XA CN116412800A (zh) | 2021-12-28 | 2021-12-28 | 基于连通图的多包高效匹配融合方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111625686.XA CN116412800A (zh) | 2021-12-28 | 2021-12-28 | 基于连通图的多包高效匹配融合方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116412800A true CN116412800A (zh) | 2023-07-11 |
Family
ID=87047981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111625686.XA Pending CN116412800A (zh) | 2021-12-28 | 2021-12-28 | 基于连通图的多包高效匹配融合方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116412800A (zh) |
-
2021
- 2021-12-28 CN CN202111625686.XA patent/CN116412800A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Toft et al. | Semantic match consistency for long-term visual localization | |
Grote et al. | Road network extraction in suburban areas | |
CN109710708B (zh) | 一种电子地图映射方法及装置 | |
CN111652929A (zh) | 一种视觉特征的识别定位方法及系统 | |
CN109933635A (zh) | 一种更新地图数据库的方法及装置 | |
CN113255578B (zh) | 交通标识的识别方法及装置、电子设备和存储介质 | |
CN111295666A (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
CN109308456A (zh) | 目标对象的信息确定方法、装置、设备及存储介质 | |
CN112257762A (zh) | 一种异源高精度地图间的路网匹配方法及系统 | |
Bastani et al. | Beyond road extraction: A dataset for map update using aerial images | |
CN109145906A (zh) | 目标对象的图像确定方法、装置、设备及存储介质 | |
CN112232368A (zh) | 目标识别模型训练方法、目标识别方法及其相关装置 | |
CN112651417A (zh) | 车牌识别方法、装置、设备及存储介质 | |
CN111985366A (zh) | 一种道路中心线及桩号识别方法、装置 | |
CN116412800A (zh) | 基于连通图的多包高效匹配融合方法、装置、介质及设备 | |
Ziems et al. | Multiple-model based verification of road data | |
Bastani et al. | Updating street maps using changes detected in satellite imagery | |
CN113836251B (zh) | 一种认知地图构建方法、装置、设备及介质 | |
CN113435427B (zh) | 车道线的聚合方法和装置 | |
CN105205161A (zh) | 一种基于互联网图片的同时目标搜索与分割方法 | |
CN116412801A (zh) | 基于回环切分判断的多路型多包匹配融合方法及装置 | |
CN116358570A (zh) | 基于子图冗余的多包稳健匹配融合方法及装置 | |
CN114111817A (zh) | 基于slam地图与高精度地图匹配的车辆定位方法及系统 | |
CN116358569A (zh) | 数据驱动的低精地图匹配方法、装置、介质及设备 | |
CN116399353A (zh) | 基于分级迭代匹配的多包融合方法、装置、介质及设备 |
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 |