CN116563648B - 基于人工智能的车道线更新方法、装置、设备及存储介质 - Google Patents

基于人工智能的车道线更新方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116563648B
CN116563648B CN202310829814.5A CN202310829814A CN116563648B CN 116563648 B CN116563648 B CN 116563648B CN 202310829814 A CN202310829814 A CN 202310829814A CN 116563648 B CN116563648 B CN 116563648B
Authority
CN
China
Prior art keywords
lane
detection
detection result
image acquisition
image
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
CN202310829814.5A
Other languages
English (en)
Other versions
CN116563648A (zh
Inventor
刘文昌
李晶
张毅
周清华
刘世吉
梅飞
石磊
徐子玉
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.)
Shenzhen Bochang Intelligent Control Technology Co ltd
Original Assignee
Shenzhen Bochang Intelligent Control 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 Shenzhen Bochang Intelligent Control Technology Co ltd filed Critical Shenzhen Bochang Intelligent Control Technology Co ltd
Priority to CN202310829814.5A priority Critical patent/CN116563648B/zh
Publication of CN116563648A publication Critical patent/CN116563648A/zh
Application granted granted Critical
Publication of CN116563648B publication Critical patent/CN116563648B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本发明公开了基于人工智能的车道线更新方法、装置、设备及存储介质，方法包括：获取路口图像采集装置采集到的车道图像集；基于车道检测模型获取到与各车道图像分别对应的车道线检测结果及车道导向箭头检测结果，以组成车道检测结果集；将其与历史车道检测结果集进行比较，得到车道比较结果；获取与车道图像集对应的道路施工检测数据，若确定道路施工检测数据对应为车道近期施工检测结果，则将车道检测结果集作为当前版本车道线结果发送至电子地图运营服务器。本发明实施例能基于车道图像集自动识别以快速确定车道线及导向箭头的更新情况，也能及时向电子地图发送更新数据以及时更新，无需人工巡查发现后再更新，提高了车道线更新数据的效率。

Description

基于人工智能的车道线更新方法、装置、设备及存储介质
技术领域
本发明涉及人工智能的图像识别技术领域，尤其涉及一种基于人工智能的车道线更新方法、装置、设备及存储介质。
背景技术
导航软件在用户出行中得到了越来越广泛的应用，其可以根据用户设定的出发点和终点来规划出行路线以引导用户出行。例如，以汽车用户为例，其驾驶汽车出行时，在行驶到一些路口时，需要根据导航软件的提示提前驶入到某一车道然后进行直行、左转、右转、掉转方向等具体驾驶操作。也即导航软件中针对路口的车道线的更新需要十分及时，才能避免对驾驶员造成错误的车道导轨引导。
目前，导航软件对于车道线的更新不及时，例如一些车道线中的导向箭头在导航软件中是向前直行，但实际已在几天前更新为向左转弯。若用户根据未更新的数据驾车行驶，不仅易导致交通违规，而且对道路整体的驾驶安全造成隐患。
在申请号为202010263773.4的专利中，记载了基于路口监控摄像头获取的交通视频图像序列，利用背景建模技术建立车道背景模型，在建立的车道背景模型的基础上利用霍夫变换检测车道线，将检测到的车道线的端点作为图像透视变换的原坐标点，并结合最小二乘法完成透视变换，获取车道俯视图，从而矫正因摄像头拍摄产生的透视变形；然后，对车道俯视图分别在垂直方向和水平方向上进行投影，并根据标准导向箭头的长度与车道宽度之比进行筛选分割，得到全部只含单个导向箭头的目标区域图像；最后将分割得到的导向箭头逐个与标准导向箭头模板进行相似度匹配，识别出各车道的导向箭头类别。在该专利中，虽然也是基于路口监控摄像头获取的交通视频图像序列实现对各车道导向箭头的识别，能有效提高识别的准确率，但是未进一步利用到对导航软件中车道线数据的及时更新。
发明内容
本发明实施例提供了基于人工智能的车道线更新方法、装置、设备及存储介质，旨在解决现有技术中是基于路口监控摄像头获取的交通视频图像序列实现对各车道导向箭头的识别，能有效提高识别的准确率，但是未进一步利用到对导航软件中车道线数据的及时更新的问题。
第一方面，本发明实施例提供了一种基于人工智能的车道线更新方法，应用于后台服务器，其包括：
若检测到当前条件满足预设的车道图像采集条件，则获取路口图像采集装置采集到所对准方向的若干张车道图像，以组成车道图像集；其中，所述路口图像采集装置与所述后台服务器通信连接；
基于预先训练的车道检测模型获取到与所述车道图像集中各车道图像分别对应的车道线检测结果及车道导向箭头检测结果，以组成车道检测结果集；
获取与所述路口图像采集装置对应的历史车道检测结果集，将所述车道检测结果集与所述历史车道检测结果集进行比较，得到车道比较结果；
若确定所述车道比较结果为非空集合，则将所述历史车道检测结果集迁移保存至预设的历史数据存储空间，并将所述车道检测结果集存储至预设的当前数据存储空间；
获取与所述车道图像集对应的道路施工检测数据，若确定所述道路施工检测数据对应为车道近期施工检测结果，则将所述车道检测结果集作为当前版本车道线结果发送至电子地图运营服务器。
第二方面，本发明实施例还提供了一种基于人工智能的车道线更新装置，配置于后台服务器，其包括：
车道图像集获取单元，用于若检测到当前条件满足预设的车道图像采集条件，则获取路口图像采集装置采集到所对准方向的若干张车道图像，以组成车道图像集；其中，所述路口图像采集装置与所述后台服务器通信连接；
车道检测结果获取单元，用于基于预先训练的车道检测模型获取到与所述车道图像集中各车道图像分别对应的车道线检测结果及车道导向箭头检测结果，以组成车道检测结果集；
比较单元，用于获取与所述路口图像采集装置对应的历史车道检测结果集，将所述车道检测结果集与所述历史车道检测结果集进行比较，得到车道比较结果；
检测结果存储单元，用于若确定所述车道比较结果为非空集合，则将所述历史车道检测结果集迁移保存至预设的历史数据存储空间，并将所述车道检测结果集存储至预设的当前数据存储空间；
检测结果发送单元，用于获取与所述车道图像集对应的道路施工检测数据，若确定所述道路施工检测数据对应为车道近期施工检测结果，则将所述车道检测结果集作为当前版本车道线结果发送至电子地图运营服务器。
第三方面，本发明实施例还提供了一种应计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现上述第一方面所述的方法。
本发明实施例提供了一种基于人工智能的车道线更新方法、装置、设备及存储介质，方法包括：若检测到当前条件满足预设的车道图像采集条件，则获取路口图像采集装置采集到所对准方向的若干张车道图像，以组成车道图像集；其中，路口图像采集装置与后台服务器通信连接；基于预先训练的车道检测模型获取到与车道图像集中各车道图像分别对应的车道线检测结果及车道导向箭头检测结果，以组成车道检测结果集；获取与路口图像采集装置对应的历史车道检测结果集，将车道检测结果集与历史车道检测结果集进行比较，得到车道比较结果；若确定车道比较结果为非空集合，则将历史车道检测结果集迁移保存至预设的历史数据存储空间，并将车道检测结果集存储至预设的当前数据存储空间；获取与车道图像集对应的道路施工检测数据，若确定道路施工检测数据对应为车道近期施工检测结果，则将车道检测结果集作为当前版本车道线结果发送至电子地图运营服务器。本发明实施例能基于车道图像集自动识别以快速确定对应道路路口处的车道线及导向箭头的更新情况，也能及时向电子地图发送更新数据以及时更新，无需人工巡查发现后再更新，提高了车道线更新数据的效率。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于人工智能的车道线更新方法的应用场景示意图；
图2为本发明实施例提供的基于人工智能的车道线更新方法的流程示意图；
图3为本发明实施例提供的基于人工智能的车道线更新方法的子流程示意图；
图4为本发明实施例提供的基于人工智能的车道线更新方法中车道及导向箭头的示意图；
图5为本发明实施例提供的基于人工智能的车道线更新方法的另一子流程示意图；
图6为本发明实施例提供的基于人工智能的车道线更新装置的示意性框图；
图7为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本发明实施例提供了一种基于人工智能的车道线更新方法、装置、设备及存储介质。本发明实施例中的基于人工智能的车道线更新方法应用于后台服务器，后台服务器中设置有一个或多个处理器、存储器，以及一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现基于人工智能的车道线更新方法。
如图1所示，图1为本发明实施例基于人工智能的车道线更新方法的场景示意图，本发明实施例中基于人工智能的车道线更新场景中包括后台服务器10及图像采集装置20，其中后台服务器10中集成有基于人工智能的车道线更新装置，运行基于人工智能的车道线更新方法对应的存储介质，以执行基于人工智能的车道线更新方法的步骤。
图2是本发明实施例提供的基于人工智能的车道线更新方法的流程示意图。如图2所示，该方法包括以下步骤S110-S150。
S110、若检测到当前条件满足预设的车道图像采集条件，则获取路口图像采集装置采集到所对准方向的若干张车道图像，以组成车道图像集；其中，所述路口图像采集装置与所述后台服务器通信连接。
在本实施例中，是以后台服务器为执行主体描述技术方案。在城市道路上，权威管理机构设置了交通灯及图像采集装置来维持正常交通通行，如将图像采集装置设置于交通灯的固定杆上。其中，交通灯及图像采集装置均与所述后台服务器通讯连接。当在后台服务器中设置了用于远程控制图像采集装置进行图像采集及上传的智能控制策略后，可以由服务器自动触发判断道路是否存在车道线更新的操作。
例如，后台服务器中设置的智能控制策略中包括：（1）每天的6:00、12:00、18:00及00:00进行4次指定主干道指定路口的车道图像获取，并在00:00时基于所获得车道图像集检测得到的最新车道检测结果集判定是否更新后台服务器本地的车道检测结果；（2）每天的10:00及22:00进行2次指定支路指定路口的车道图像获取，并在22:00时基于所获得车道图像集检测得到的最新车道检测结果集判定是否更新后台服务器本地的车道检测结果。
例如，检测到当前系统时间为6:00且需要针对主干道A的B路口处进行车道图像获取，此时可以判定由当前系统时间6:00及主干道A的B路口组成的当前条件是满足所述智能控制策略对应的车道图像采集条件，之后由后台服务器生成车道图像采集指令并发送至主干道A的B路口处设置的若干个路口图像采集装置。在主干道A的B路口处设置的路口图像采集装置在接收到车道图像采集指令后，可以采集所对准方向的若干张车道图像并上传至后台服务器，以在后台服务器中组成车道图像集。
在一实施例中，步骤S110包括：
若检测到当前条件满足预设的车道图像采集条件，则确定目标路口图像采集装置，并基于所述目标路口图像采集装置对应的装置唯一编号生成图像采集指令；其中，所述图像采集指令中还包括图像采集时长；
将所述图像采集指令发送至所述目标路口图像采集装置；
接收所述目标路口图像采集装置基于所述图像采集指令朝所对准方向采集的若干张车道图像，组成所述车道图像集。
在本实施例中，当后台服务器在当前系统时间基于检测参数组合得到的当前条件满足了车道图像采集条件时，则表示此时后台服务器需要进行车道线更新的自动检测。例如，在当前系统时间为6:00时选定的是主干道A的B路口处设置的图像采集装置作为目标路口图像采集装置，此时获取到主干道A处设置的图像采集装置对应的装置唯一编号，然后生成了至少包括有装置唯一编号和图像采集时长（如设置图像采集时长为1min、2min、5min等用户自定义设置的时长均可）的所述图像采集指令。
之后，后台服务器将所述图像采集指令发送至主干道A的B路口处设置的图像采集装置，以由主干道A的B路口处设置的图像采集装置作为目标路口图像采集装置在图像采集时长对应的图像采集时间区间（如该图像采集时间区间以当前系统时间为时间起始点，以当前系统时间+图像采集时长为时间终止点）内且朝所对准方向采集的若干张车道图像，组成所述车道图像集。可见，基于上述方式，可以自动远程控制指定图像采集装置采集到所对准方向的若干张车道图像，以组成车道图像集。
S120、基于预先训练的车道检测模型获取到与所述车道图像集中各车道图像分别对应的车道线检测结果及车道导向箭头检测结果，以组成车道检测结果集。
在本实施例中，当后台服务器获取到了目标路口图像采集装置上传的车道图像集后，将此时需要基于本地预先存储且完成训练的车道检测模型获取到与所述车道图像集中各车道图像分别对应的车道线检测结果及车道导向箭头检测结果，以组成车道检测结果集。
具体的，若车道图像集中包括N张车道图像（N为正整数，且表示车道图像集中车道图像的总张数），则以其中一张车道图像的处理过程为例。基于后台服务器中的车道检测模型可以识别到车道图像对应的车道线检测结果及车道导向箭头检测结果，由车道线检测结果及车道导向箭头检测结果组成与该张车道图片对应的车道检测结果子集。其中，N张车道图像则对应了N个车道检测结果子集，并由N个车道检测结果子集共同组成了车道检测结果集。可见，基于上述方式能快速确定服务器判定得到的多个车道检测结果子集并组成车道检测结果集。
在一实施例中，如图3所示，步骤S120包括：
S121、获取所述车道检测模型中的车道线检测模型，基于所述车道线检测模型对所述车道图像集中各车道图像分别进行车道线检测，得到与各车道图像分别对应的车道线检测结果；其中，所述车道线检测模型为Line-CNN车道线检测模型；
S122、获取所述车道检测模型中的车道导向箭头检测模型，基于所述车道导向箭头检测模型对所述车道图像集中各车道图像分别进行车道导向箭头检测，得到与各车道图像分别对应的车道导向箭头检测结果。
在本实施例中，所述车道检测模型包括车道线检测模型和车道导向箭头检测模型，且车道线检测模型具体为Line-CNN车道线检测模型。其中，Line-CNN车道线检测模型是是一个端到端的车道线检测模型，其本质上是一个卷积神经网络且专用于车道线检测场景。车道导向箭头检测模型则本质上是一个图像分类模型，其至少包括目标检测模型。
基于Line-CNN车道线检测模型可获取到与各车道图像分别对应的车道线检测结果，且基于车道导向箭头检测模型可以获取到与各车道图像分别对应的车道导向箭头检测结果。之后，以每一张车道图像对应的车道线检测结果及车道导向箭头检测结果组成与该张车道图片对应的车道检测结果子集，并由多个车道检测结果子集共同组成车道检测结果集。
在一实施例中，步骤S122中基于车道导向箭头检测模型对所述车道图像集的其中一张车道图像进行车道导向箭头检测，得到车道导向箭头检测结果，包括：
基于所述车道导向箭头检测模型中的目标检测模型获取车道图像的导向箭头分布区域集；
基于所述导向箭头分布区域集中各导向箭头分布区域中四条侧边的长度关系确定各导向箭头分布区域分别对应的车道导向箭头检测子结果，以组成与所述车道图像对应的所述车道导向箭头检测结果。
在本实施例中，请参考如图4所示的车道图像，其中包括4个车道，每一车道的最前端设有导向箭头。基于所述车道导向箭头检测模型中的目标检测模型（如YOLO V3目标检测模型等）可以检测到该车道图像中导向箭头的分布区域，也即确定了导向箭头分布区域。例如，如图4所示的车道图像经过目标检测模型进行检测后，获取到导向箭头分布区域1（对应于最左侧车道）、导向箭头分布区域2（对应于左侧第二车道）、导向箭头分布区域3（对应于左侧第三车道）和向箭头分布区域4（对应于最右侧车道）。
之后以识别导向箭头分布区域3中具体的导向箭头方向为例，可以确定导向箭头分布区域3中最顶端侧边长度最短、左右两个侧边长度相同、最底端侧边长度大于最顶端侧边长度且小于左右两个侧边长度。上述特征是直行箭头具有的特征，故可以确定导向箭头分布区域3的车道导向箭头检测子结果为直行导向箭头。与此类似，还可以获取到导向箭头分布区域1、导向箭头分布区域2和导向箭头分布区域4分别对应的车道导向箭头检测子结果，最终组成如图4所示的车道图像所对应的所述车道导向箭头检测结果。例如，如图4所示的车道图像所对应的所述车道导向箭头检测结果包括左转、直行和左转、直行、及右转。可见，基于上述方式可以快速确定各车道图像对应的所述车道导向箭头检测结果。
S130、获取与所述路口图像采集装置对应的历史车道检测结果集，将所述车道检测结果集与所述历史车道检测结果集进行比较，得到车道比较结果。
在本实施例中，因与所述路口图像采集装置对应的具体设置地理位置是已知的（如上述示例中主干道A的B路口处），故在后台服务器中还存储有与该路口图像采集装置对应的历史车道检测结果集。例如主干道A的B路口中由南向北行驶的车道上，其存储的历史车道检测结果集包括左转、直行、直行、及右转。而主干道A的B路口此次得到的车道检测结果集包括左转、直行和左转、直行、及右转。可将所述车道检测结果集与所述历史车道检测结果集进行比较，得到车道比较结果。进行上述比较之后，可知车道比较结果为所述车道检测结果集与所述历史车道检测结果集不完全相同，且在左侧第二车道上的导向箭头存在变化。可见，基于上述比较过程，能快速确定车道图像中的车道导向箭头是否存在变化。
在一实施例中，如图5所示，步骤S130包括：
S131、将所述车道检测结果集中包括的各车道检测子结果分别与所述历史车道检测结果集中对应的历史车道检测子结果进行比较，得到与所述车道检测结果集中包括的各车道检测子结果分别对应的车道比较子结果；
S132、若车道检测子结果与对应的历史车道检测子结果相同，则对应的车道比较子结果记为空值；
S133、若车道检测子结果与对应的历史车道检测子结果不相同，则以车道检测子结果作为对应的车道比较子结果；
S134、由所述车道检测结果集中包括的各车道检测子结果分别对应的车道比较子结果组成所述车道比较结果。
在本实施例中，为了快速准确的确定所述车道检测结果集与所述历史车道检测结果集比较之后的得到的车道比较结果，可以按照车道检测结果集中车道检测子结果的排列顺序，将每一个车道检测子结果与所述历史车道检测结果集中对应的历史车道检测子结果进行比较。例如当在车道检测结果集中排序第一位的车道检测子结果与所述历史车道检测结果集中对应排序第一位的历史车道检测子结果进行比较，若两者完全相同则确定该车道比较子结果记为空值，但若两者不相同，则以在车道检测结果集中排序第一位的车道检测子结果作为第一个车道比较子结果车道比较子结果。以此类推，当获得了其他车道检测子结果分别对应的车道比较子结果，即可组成所述车道比较结果。可见，基于上述方式可以准确确定当前车道检测结果与相应历史车道检测结果的比较结果。
S140、若确定所述车道比较结果为非空集合，则将所述历史车道检测结果集迁移保存至预设的历史数据存储空间，并将所述车道检测结果集存储至预设的当前数据存储空间。
在本实施例中，若后台服务器确定所述车道比较结果为非空集合，则表示至少有一个车道子比较结果不为空值，此时可以所述车道检测结果集作为当前道路最新的车道线结果，以替代更新之前的历史车道线结果。但是为了保留每一条道路车道线的更新历史，可以在每一次基于新的车道检测结果集更新历史车道检测结果集时，可不删除历史车道检测结果集，而是将所述历史车道检测结果集迁移保存至预设的历史数据存储空间，并将所述车道检测结果集存储至预设的当前数据存储空间。
S150、获取与所述车道图像集对应的道路施工检测数据，若确定所述道路施工检测数据对应为车道近期施工检测结果，则将所述车道检测结果集作为当前版本车道线结果发送至电子地图运营服务器。
在本实施例中，当在后台服务器中确定了所述路口图像采集装置对应的具体设置路口处的道路确实存在车道线更新的情况，此时可以进一步确认该路口图像采集装置是否采集到道路施工检测数据。例如道路施工方向权威机构报备了车道线改道划线并在其申请的期限内施工，则会将道路施工申请数据发送至后台服务器以保存为道路施工检测数据。
当在后台服务器中确定所述道路施工检测数据对应为车道近期施工检测结果，则表示近期道路施工方确实进行了车道线改道划线，此时为了及时将车道线更新的情况发送至电子地图运营商，需要由后台服务器将所述车道检测结果集作为当前版本车道线结果发送至电子地图运营服务器。这样电子地图运营服商对应提供用户使用的导航软件中，与该车道检测结果集对应的具体设置路口处的车道线及时更新为最新数据，能有效避免实际车道线已发生改变但导航软件中车道线未改变的情况。
在一实施例中，步骤S150包括：
获取与所述车道图像集对应的道路施工图像集以作为所述道路施工检测数据；
基于预先训练的目标检测模型检测所述道路施工检测数据中是否存在施工车；
若确定所述道路施工检测数据中存在施工车，则确定所述道路施工检测数据对应为车道近期施工检测结果；
若确定所述道路施工检测数据中不存在施工车，则确定所述道路施工检测数据对应为车道近期未施工检测结果。
在本实施例中，由于后台服务器中在获取到所述车道图像集时，也能同时对准路口采集道路施工图像集以作为所述道路施工检测数据。之后基于本地预先训练的目标检测模型，识别所述道路施工检测数据中是否存在施工车。有超过预设张数（如10张等自定义数值）的道路施工图像中存在施工车，则确定所述道路施工检测数据对应为车道近期施工检测结果。若所有道路施工检测数据中不存在施工车，则确定所述道路施工检测数据对应为车道近期未施工检测结果。可见，基于上述方式能基于是否检测到施工车来进一步确定所述路口图像采集装置对应的具体设置路口处的道路确实存在车道线更新的情况。
在一实施例中，步骤S150之后还包括：
若接收到用户终端上传的车道变更识别数据，则在所述车道变更识别数据通过校验后，将所述车道变更识别数据作为辅助保存数据与所述车道检测结果集对应建立映射关系并保存。
在本实施例中，除了可以基于车道图像集判断车道线是否存在更新，还可以是用户在行驶过程中到达了所述路口图像采集装置对应的具体设置路口处，使用用户终端进行拍摄以得到车道变更图片以作为车道变更识别数据。在所述车道变更识别数据通过后台服务器校验后，即对该车道变更识别数据的真实性进行人工审核验证后，可将所述车道变更识别数据作为辅助保存数据与所述车道检测结果集对应建立映射关系并保存。通过上述方式，实现对车道检测结果增加多维度的辅助证据数据（即辅助保存数据）。
可见，实施该方法的实施例能基于车道图像集自动识别以快速确定对应道路路口处的车道线及导向箭头的更新情况，也能及时向电子地图发送更新数据以及时更新，无需人工巡查发现后再更新，提高了车道线更新数据的效率。
图6是本发明实施例提供的一种基于人工智能的车道线更新装置的示意性框图。如图6所示，对应于以上基于人工智能的车道线更新方法，本发明还提供一种基于人工智能的车道线更新装置100。该基于人工智能的车道线更新装置100包括用于执行上述基于人工智能的车道线更新方法的单元，且配置于后台服务器。请参阅图6，该基于人工智能的车道线更新装置100包括：车道图像集获取单元110、车道检测结果获取单元120、比较单元130、检测结果存储单元140和检测结果发送单元150。
车道图像集获取单元110，用于若检测到当前条件满足预设的车道图像采集条件，则获取路口图像采集装置采集到所对准方向的若干张车道图像，以组成车道图像集；其中，所述路口图像采集装置与所述后台服务器通信连接。
在本实施例中，是以后台服务器为执行主体描述技术方案。在城市道路上，权威管理机构设置了交通灯及图像采集装置来维持正常交通通行，如将图像采集装置设置于交通灯的固定杆上。其中，交通灯及图像采集装置均与所述后台服务器通讯连接。当在后台服务器中设置了用于远程控制图像采集装置进行图像采集及上传的智能控制策略后，可以由服务器自动触发判断道路是否存在车道线更新的操作。
例如，后台服务器中设置的智能控制策略中包括：（1）每天的6:00、12:00、18:00及00:00进行4次指定主干道指定路口的车道图像获取，并在00:00时基于所获得车道图像集检测得到的最新车道检测结果集判定是否更新后台服务器本地的车道检测结果；（2）每天的10:00及22:00进行2次指定支路指定路口的车道图像获取，并在22:00时基于所获得车道图像集检测得到的最新车道检测结果集判定是否更新后台服务器本地的车道检测结果。
例如，检测到当前系统时间为6:00且需要针对主干道A的B路口处进行车道图像获取，此时可以判定由当前系统时间6:00及主干道A的B路口组成的当前条件是满足所述智能控制策略对应的车道图像采集条件，之后由后台服务器生成车道图像采集指令并发送至主干道A的B路口处设置的若干个路口图像采集装置。在主干道A的B路口处设置的路口图像采集装置在接收到车道图像采集指令后，可以采集所对准方向的若干张车道图像并上传至后台服务器，以在后台服务器中组成车道图像集。
在一实施例中，车道图像集获取单元110具体用于：
若检测到当前条件满足预设的车道图像采集条件，则确定目标路口图像采集装置，并基于所述目标路口图像采集装置对应的装置唯一编号生成图像采集指令；其中，所述图像采集指令中还包括图像采集时长；
将所述图像采集指令发送至所述目标路口图像采集装置；
接收所述目标路口图像采集装置基于所述图像采集指令朝所对准方向采集的若干张车道图像，组成所述车道图像集。
在本实施例中，当后台服务器在当前系统时间基于检测参数组合得到的当前条件满足了车道图像采集条件时，则表示此时后台服务器需要进行车道线更新的自动检测。例如，在当前系统时间为6:00时选定的是主干道A的B路口处设置的图像采集装置作为目标路口图像采集装置，此时获取到主干道A处设置的图像采集装置对应的装置唯一编号，然后生成了至少包括有装置唯一编号和图像采集时长（如设置图像采集时长为1min、2min、5min等用户自定义设置的时长均可）的所述图像采集指令。
之后，后台服务器将所述图像采集指令发送至主干道A的B路口处设置的图像采集装置，以由主干道A的B路口处设置的图像采集装置作为目标路口图像采集装置在图像采集时长对应的图像采集时间区间（如该图像采集时间区间以当前系统时间为时间起始点，以当前系统时间+图像采集时长为时间终止点）内且朝所对准方向采集的若干张车道图像，组成所述车道图像集。可见，基于上述方式，可以自动远程控制指定图像采集装置采集到所对准方向的若干张车道图像，以组成车道图像集。
车道检测结果获取单元120，用于基于预先训练的车道检测模型获取到与所述车道图像集中各车道图像分别对应的车道线检测结果及车道导向箭头检测结果，以组成车道检测结果集。
在本实施例中，当后台服务器获取到了目标路口图像采集装置上传的车道图像集后，将此时需要基于本地预先存储且完成训练的车道检测模型获取到与所述车道图像集中各车道图像分别对应的车道线检测结果及车道导向箭头检测结果，以组成车道检测结果集。
具体的，若车道图像集中包括N张车道图像（N为正整数，且表示车道图像集中车道图像的总张数），则以其中一张车道图像的处理过程为例。基于后台服务器中的车道检测模型可以识别到车道图像对应的车道线检测结果及车道导向箭头检测结果，由车道线检测结果及车道导向箭头检测结果组成与该张车道图片对应的车道检测结果子集。其中，N张车道图像则对应了N个车道检测结果子集，并由N个车道检测结果子集共同组成了车道检测结果集。可见，基于上述方式能快速确定服务器判定得到的多个车道检测结果子集并组成车道检测结果集。
在一实施例中，车道检测结果获取单元120具体用于：
获取所述车道检测模型中的车道线检测模型，基于所述车道线检测模型对所述车道图像集中各车道图像分别进行车道线检测，得到与各车道图像分别对应的车道线检测结果；其中，所述车道线检测模型为Line-CNN车道线检测模型；
获取所述车道检测模型中的车道导向箭头检测模型，基于所述车道导向箭头检测模型对所述车道图像集中各车道图像分别进行车道导向箭头检测，得到与各车道图像分别对应的车道导向箭头检测结果。
在本实施例中，所述车道检测模型包括车道线检测模型和车道导向箭头检测模型，且车道线检测模型具体为Line-CNN车道线检测模型。其中，Line-CNN车道线检测模型是是一个端到端的车道线检测模型，其本质上是一个卷积神经网络且专用于车道线检测场景。车道导向箭头检测模型则本质上是一个图像分类模型，其至少包括目标检测模型。
基于Line-CNN车道线检测模型可获取到与各车道图像分别对应的车道线检测结果，且基于车道导向箭头检测模型可以获取到与各车道图像分别对应的车道导向箭头检测结果。之后，以每一张车道图像对应的车道线检测结果及车道导向箭头检测结果组成与该张车道图片对应的车道检测结果子集，并由多个车道检测结果子集共同组成车道检测结果集。
在一实施例中，所述获取所述车道检测模型中的车道导向箭头检测模型，基于所述车道导向箭头检测模型对所述车道图像集中各车道图像分别进行车道导向箭头检测，得到与各车道图像分别对应的车道导向箭头检测结果中基于车道导向箭头检测模型对所述车道图像集的其中一张车道图像进行车道导向箭头检测，得到车道导向箭头检测结果，包括：
基于所述车道导向箭头检测模型中的目标检测模型获取车道图像的导向箭头分布区域集；
基于所述导向箭头分布区域集中各导向箭头分布区域中四条侧边的长度关系确定各导向箭头分布区域分别对应的车道导向箭头检测子结果，以组成与所述车道图像对应的所述车道导向箭头检测结果。
在本实施例中，请参考如图4所示的车道图像，其中包括4个车道，每一车道的最前端设有导向箭头。基于所述车道导向箭头检测模型中的目标检测模型（如YOLO V3目标检测模型等）可以检测到该车道图像中导向箭头的分布区域，也即确定了导向箭头分布区域。例如，如图4所示的车道图像经过目标检测模型进行检测后，获取到导向箭头分布区域1（对应于最左侧车道）、导向箭头分布区域2（对应于左侧第二车道）、导向箭头分布区域3（对应于左侧第三车道）和向箭头分布区域4（对应于最右侧车道）。
之后以识别导向箭头分布区域3中具体的导向箭头方向为例，可以确定导向箭头分布区域3中最顶端侧边长度最短、左右两个侧边长度相同、最底端侧边长度大于最顶端侧边长度且小于左右两个侧边长度。上述特征是直行箭头具有的特征，故可以确定导向箭头分布区域3的车道导向箭头检测子结果为直行导向箭头。与此类似，还可以获取到导向箭头分布区域1、导向箭头分布区域2和导向箭头分布区域4分别对应的车道导向箭头检测子结果，最终组成如图4所示的车道图像所对应的所述车道导向箭头检测结果。例如，如图4所示的车道图像所对应的所述车道导向箭头检测结果包括左转、直行和左转、直行、及右转。可见，基于上述方式可以快速确定各车道图像对应的所述车道导向箭头检测结果。
比较单元130，用于获取与所述路口图像采集装置对应的历史车道检测结果集，将所述车道检测结果集与所述历史车道检测结果集进行比较，得到车道比较结果。
在本实施例中，因与所述路口图像采集装置对应的具体设置地理位置是已知的（如上述示例中主干道A的B路口处），故在后台服务器中还存储有与该路口图像采集装置对应的历史车道检测结果集。例如主干道A的B路口中由南向北行驶的车道上，其存储的历史车道检测结果集包括左转、直行、直行、及右转。而主干道A的B路口此次得到的车道检测结果集包括左转、直行和左转、直行、及右转。可将所述车道检测结果集与所述历史车道检测结果集进行比较，得到车道比较结果。进行上述比较之后，可知车道比较结果为所述车道检测结果集与所述历史车道检测结果集不完全相同，且在左侧第二车道上的导向箭头存在变化。可见，基于上述比较过程，能快速确定车道图像中的车道导向箭头是否存在变化。
在一实施例中，比较单元130具体用于：
将所述车道检测结果集中包括的各车道检测子结果分别与所述历史车道检测结果集中对应的历史车道检测子结果进行比较，得到与所述车道检测结果集中包括的各车道检测子结果分别对应的车道比较子结果；
若车道检测子结果与对应的历史车道检测子结果相同，则对应的车道比较子结果记为空值；
若车道检测子结果与对应的历史车道检测子结果不相同，则以车道检测子结果作为对应的车道比较子结果；
由所述车道检测结果集中包括的各车道检测子结果分别对应的车道比较子结果组成所述车道比较结果。
在本实施例中，为了快速准确的确定所述车道检测结果集与所述历史车道检测结果集比较之后的得到的车道比较结果，可以按照车道检测结果集中车道检测子结果的排列顺序，将每一个车道检测子结果与所述历史车道检测结果集中对应的历史车道检测子结果进行比较。例如当在车道检测结果集中排序第一位的车道检测子结果与所述历史车道检测结果集中对应排序第一位的历史车道检测子结果进行比较，若两者完全相同则确定该车道比较子结果记为空值，但若两者不相同，则以在车道检测结果集中排序第一位的车道检测子结果作为第一个车道比较子结果车道比较子结果。以此类推，当获得了其他车道检测子结果分别对应的车道比较子结果，即可组成所述车道比较结果。可见，基于上述方式可以准确确定当前车道检测结果与相应历史车道检测结果的比较结果。
检测结果存储单元140，用于若确定所述车道比较结果为非空集合，则将所述历史车道检测结果集迁移保存至预设的历史数据存储空间，并将所述车道检测结果集存储至预设的当前数据存储空间。
在本实施例中，若后台服务器确定所述车道比较结果为非空集合，则表示至少有一个车道子比较结果不为空值，此时可以所述车道检测结果集作为当前道路最新的车道线结果，以替代更新之前的历史车道线结果。但是为了保留每一条道路车道线的更新历史，可以在每一次基于新的车道检测结果集更新历史车道检测结果集时，可不删除历史车道检测结果集，而是将所述历史车道检测结果集迁移保存至预设的历史数据存储空间，并将所述车道检测结果集存储至预设的当前数据存储空间。
检测结果发送单元150，用于获取与所述车道图像集对应的道路施工检测数据，若确定所述道路施工检测数据对应为车道近期施工检测结果，则将所述车道检测结果集作为当前版本车道线结果发送至电子地图运营服务器。
在本实施例中，当在后台服务器中确定了所述路口图像采集装置对应的具体设置路口处的道路确实存在车道线更新的情况，此时可以进一步确认该路口图像采集装置是否采集到道路施工检测数据。例如道路施工方向权威机构报备了车道线改道划线并在其申请的期限内施工，则会将道路施工申请数据发送至后台服务器以保存为道路施工检测数据。
当在后台服务器中确定所述道路施工检测数据对应为车道近期施工检测结果，则表示近期道路施工方确实进行了车道线改道划线，此时为了及时将车道线更新的情况发送至电子地图运营商，需要由后台服务器将所述车道检测结果集作为当前版本车道线结果发送至电子地图运营服务器。这样电子地图运营服商对应提供用户使用的导航软件中，与该车道检测结果集对应的具体设置路口处的车道线及时更新为最新数据，能有效避免实际车道线已发生改变但导航软件中车道线未改变的情况。
在一实施例中，检测结果发送单元150具体用于：
获取与所述车道图像集对应的道路施工图像集以作为所述道路施工检测数据；
基于预先训练的目标检测模型检测所述道路施工检测数据中是否存在施工车；
若确定所述道路施工检测数据中存在施工车，则确定所述道路施工检测数据对应为车道近期施工检测结果；
若确定所述道路施工检测数据中不存在施工车，则确定所述道路施工检测数据对应为车道近期未施工检测结果。
在本实施例中，由于后台服务器中在获取到所述车道图像集时，也能同时对准路口采集道路施工图像集以作为所述道路施工检测数据。之后基于本地预先训练的目标检测模型，识别所述道路施工检测数据中是否存在施工车。有超过预设张数（如10张等自定义数值）的道路施工图像中存在施工车，则确定所述道路施工检测数据对应为车道近期施工检测结果。若所有道路施工检测数据中不存在施工车，则确定所述道路施工检测数据对应为车道近期未施工检测结果。可见，基于上述方式能基于是否检测到施工车来进一步确定所述路口图像采集装置对应的具体设置路口处的道路确实存在车道线更新的情况。
在一实施例中，基于人工智能的车道线更新装置100还包括：
辅助数据发送单元，用于若接收到用户终端上传的车道变更识别数据，则在所述车道变更识别数据通过校验后，将所述车道变更识别数据作为辅助保存数据与所述车道检测结果集对应建立映射关系并保存。
在本实施例中，除了可以基于车道图像集判断车道线是否存在更新，还可以是用户在行驶过程中到达了所述路口图像采集装置对应的具体设置路口处，使用用户终端进行拍摄以得到车道变更图片以作为车道变更识别数据。在所述车道变更识别数据通过后台服务器校验后，即对该车道变更识别数据的真实性进行人工审核验证后，可将所述车道变更识别数据作为辅助保存数据与所述车道检测结果集对应建立映射关系并保存。通过上述方式，实现对车道检测结果增加多维度的辅助证据数据（即辅助保存数据）。
可见，实施该装置的实施例能基于车道图像集自动识别以快速确定对应道路路口处的车道线及导向箭头的更新情况，也能及时向电子地图发送更新数据以及时更新，无需人工巡查发现后再更新，提高了车道线更新数据的效率。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述基于人工智能的车道线更新装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述基于人工智能的车道线更新装置可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7是本发明实施例提供的一种计算机设备的示意性框图。该计算机设备集成了本发明实施例所提供的任一种基于人工智能的车道线更新装置。
参阅图7，该计算机设备包括通过系统总线401连接的处理器402、存储器和网络接口405，其中，存储器可以包括存储介质403和内存储器404。
该存储介质403可存储操作系统4031和计算机程序4032。该计算机程序4032包括程序指令，该程序指令被执行时，可使得处理器402执行一种基于人工智能的车道线更新方法。
该处理器402用于提供计算和控制能力，以支撑整个计算机设备的运行。
该内存储器404为存储介质403中的计算机程序4032的运行提供环境，该计算机程序4032被处理器402执行时，可使得处理器402执行上述的基于人工智能的车道线更新方法。
该网络接口405用于与其它设备进行网络通信。本领域技术人员可以理解，图7中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器402用于运行存储在存储器中的计算机程序4032，以实现如上述的基于人工智能的车道线更新方法。
应当理解，在本发明实施例中，处理器402可以是中央处理单元（CentralProcessing Unit，CPU），该处理器402还可以是其他通用处理器、数字信号处理器（DigitalSignal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列 （Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如上述的基于人工智能的车道线更新方法。
所述存储介质可以是U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明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，各个单元的划分，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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，终端，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于人工智能的车道线更新方法，应用于后台服务器，其特征在于，方法包括：
若检测到当前条件满足预设的车道图像采集条件，则获取路口图像采集装置采集到所对准方向的若干张车道图像，以组成车道图像集；其中，所述路口图像采集装置与所述后台服务器通信连接；
基于预先训练的车道检测模型获取到与所述车道图像集中各车道图像分别对应的车道线检测结果及车道导向箭头检测结果，以组成车道检测结果集；
获取与所述路口图像采集装置对应的历史车道检测结果集，将所述车道检测结果集与所述历史车道检测结果集进行比较，得到车道比较结果；
若确定所述车道比较结果为非空集合，则将所述历史车道检测结果集迁移保存至预设的历史数据存储空间，并将所述车道检测结果集存储至预设的当前数据存储空间；
获取与所述车道图像集对应的道路施工检测数据，若确定所述道路施工检测数据对应为车道近期施工检测结果，则将所述车道检测结果集作为当前版本车道线结果发送至电子地图运营服务器；
所述若检测到当前条件满足预设的车道图像采集条件，则获取路口图像采集装置采集到所对准方向的若干张车道图像，以组成车道图像集，包括：
若检测到当前条件满足预设的车道图像采集条件，则确定目标路口图像采集装置，并基于所述目标路口图像采集装置对应的装置唯一编号生成图像采集指令；其中，所述图像采集指令中还包括图像采集时长；
将所述图像采集指令发送至所述目标路口图像采集装置；
接收所述目标路口图像采集装置基于所述图像采集指令朝所对准方向采集的若干张车道图像，组成所述车道图像集；
在所述获取与所述车道图像集对应的道路施工检测数据，若确定所述道路施工检测数据对应为车道近期施工检测结果，则将所述车道检测结果集作为当前版本车道线结果发送至电子地图运营服务器的步骤之后，还包括：
若接收到用户终端上传的车道变更识别数据，则在所述车道变更识别数据通过校验后，将所述车道变更识别数据作为辅助保存数据与所述车道检测结果集对应建立映射关系并保存；
其中，所述路口图像采集装置设置于交通灯的固定杆上，且所述交通灯与所述后台服务器通讯连接；所述后台服务器中设置了用于远程控制路口图像采集装置进行图像采集及上传的智能控制策略；
所述智能控制策略包括：每天的6:00、12:00、18:00及00:00远程控制位于预设主干道指定路口的路口图像采集装置进行4次车道图像获取，并在00:00时基于所获得车道图像集检测得到的车道检测结果集判定是否更新后台服务器本地的车道检测结果集；每天的10:00及22:00远程控制位于预设支路指定路口的路口图像采集装置进行2次车道图像获取，并在22:00时基于所获得车道图像集检测得到的车道检测结果集判定是否更新后台服务器本地的车道检测结果集。
2.根据权利要求1所述的方法，其特征在于，所述基于预先训练的车道检测模型获取到与所述车道图像集中各车道图像分别对应的车道线检测结果及车道导向箭头检测结果，以组成车道检测结果集，包括：
获取所述车道检测模型中的车道线检测模型，基于所述车道线检测模型对所述车道图像集中各车道图像分别进行车道线检测，得到与各车道图像分别对应的车道线检测结果；其中，所述车道线检测模型为Line-CNN车道线检测模型；
获取所述车道检测模型中的车道导向箭头检测模型，基于所述车道导向箭头检测模型对所述车道图像集中各车道图像分别进行车道导向箭头检测，得到与各车道图像分别对应的车道导向箭头检测结果。
3.根据权利要求2所述的方法，其特征在于，所述基于所述车道导向箭头检测模型对所述车道图像集中各车道图像分别进行车道导向箭头检测，得到与各车道图像分别对应的车道导向箭头检测结果中基于车道导向箭头检测模型对所述车道图像集的其中一张车道图像进行车道导向箭头检测，得到车道导向箭头检测结果，包括：
基于所述车道导向箭头检测模型中的目标检测模型获取车道图像的导向箭头分布区域集；
基于所述导向箭头分布区域集中各导向箭头分布区域中四条侧边的长度关系确定各导向箭头分布区域分别对应的车道导向箭头检测子结果，以组成与所述车道图像对应的所述车道导向箭头检测结果。
4.根据权利要求1所述的方法，其特征在于，所述将所述车道检测结果集与所述历史车道检测结果集进行比较，得到车道比较结果，包括：
将所述车道检测结果集中包括的各车道检测子结果分别与所述历史车道检测结果集中对应的历史车道检测子结果进行比较，得到与所述车道检测结果集中包括的各车道检测子结果分别对应的车道比较子结果；
若车道检测子结果与对应的历史车道检测子结果相同，则对应的车道比较子结果记为空值；
若车道检测子结果与对应的历史车道检测子结果不相同，则以车道检测子结果作为对应的车道比较子结果；
由所述车道检测结果集中包括的各车道检测子结果分别对应的车道比较子结果组成所述车道比较结果。
5.根据权利要求1所述的方法，其特征在于，所述获取与所述车道图像集对应的道路施工检测数据，若确定所述道路施工检测数据对应为车道近期施工检测结果，则将所述车道检测结果集作为当前版本车道线结果发送至电子地图运营服务器，包括：
获取与所述车道图像集对应的道路施工图像集以作为所述道路施工检测数据；
基于预先训练的目标检测模型检测所述道路施工检测数据中是否存在施工车；
若确定所述道路施工检测数据中存在施工车，则确定所述道路施工检测数据对应为车道近期施工检测结果；
若确定所述道路施工检测数据中不存在施工车，则确定所述道路施工检测数据对应为车道近期未施工检测结果。
6.一种基于人工智能的车道线更新装置，配置于后台服务器，其特征在于，包括：
车道图像集获取单元，用于若检测到当前条件满足预设的车道图像采集条件，则获取路口图像采集装置采集到所对准方向的若干张车道图像，以组成车道图像集；其中，所述路口图像采集装置与所述后台服务器通信连接；
车道检测结果获取单元，用于基于预先训练的车道检测模型获取到与所述车道图像集中各车道图像分别对应的车道线检测结果及车道导向箭头检测结果，以组成车道检测结果集；
比较单元，用于获取与所述路口图像采集装置对应的历史车道检测结果集，将所述车道检测结果集与所述历史车道检测结果集进行比较，得到车道比较结果；
检测结果存储单元，用于若确定所述车道比较结果为非空集合，则将所述历史车道检测结果集迁移保存至预设的历史数据存储空间，并将所述车道检测结果集存储至预设的当前数据存储空间；
检测结果发送单元，用于获取与所述车道图像集对应的道路施工检测数据，若确定所述道路施工检测数据对应为车道近期施工检测结果，则将所述车道检测结果集作为当前版本车道线结果发送至电子地图运营服务器；
所述车道图像集获取单元具体用于：
若检测到当前条件满足预设的车道图像采集条件，则确定目标路口图像采集装置，并基于所述目标路口图像采集装置对应的装置唯一编号生成图像采集指令；其中，所述图像采集指令中还包括图像采集时长；
将所述图像采集指令发送至所述目标路口图像采集装置；
接收所述目标路口图像采集装置基于所述图像采集指令朝所对准方向采集的若干张车道图像，组成所述车道图像集；
基于人工智能的车道线更新装置还包括：
辅助数据发送单元，用于若接收到用户终端上传的车道变更识别数据，则在所述车道变更识别数据通过校验后，将所述车道变更识别数据作为辅助保存数据与所述车道检测结果集对应建立映射关系并保存；
其中，所述路口图像采集装置设置于交通灯的固定杆上，且所述交通灯与所述后台服务器通讯连接；所述后台服务器中设置了用于远程控制路口图像采集装置进行图像采集及上传的智能控制策略；
所述智能控制策略包括：每天的6:00、12:00、18:00及00:00远程控制位于预设主干道指定路口的路口图像采集装置进行4次车道图像获取，并在00:00时基于所获得车道图像集检测得到的车道检测结果集判定是否更新后台服务器本地的车道检测结果集；每天的10:00及22:00远程控制位于预设支路指定路口的路口图像采集装置进行2次车道图像获取，并在22:00时基于所获得车道图像集检测得到的车道检测结果集判定是否更新后台服务器本地的车道检测结果集。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述的基于人工智能的车道线更新方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现如权利要求1-5中任一项所述的基于人工智能的车道线更新方法。
CN202310829814.5A 2023-07-07 2023-07-07 基于人工智能的车道线更新方法、装置、设备及存储介质 Active CN116563648B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310829814.5A CN116563648B (zh) 2023-07-07 2023-07-07 基于人工智能的车道线更新方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310829814.5A CN116563648B (zh) 2023-07-07 2023-07-07 基于人工智能的车道线更新方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116563648A CN116563648A (zh) 2023-08-08
CN116563648B true CN116563648B (zh) 2023-10-13

Family

ID=87486509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310829814.5A Active CN116563648B (zh) 2023-07-07 2023-07-07 基于人工智能的车道线更新方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116563648B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291681A (zh) * 2020-02-07 2020-06-16 北京百度网讯科技有限公司 车道线变化信息的检测方法、装置及设备
CN113449692A (zh) * 2021-07-22 2021-09-28 成都纵横自动化技术股份有限公司 一种基于无人机的地图车道信息更新方法及其系统
CN113627228A (zh) * 2021-05-28 2021-11-09 华南理工大学 一种基于关键点回归与多尺度特征融合的车道线检测方法
CN113792061A (zh) * 2021-09-16 2021-12-14 北京百度网讯科技有限公司 地图数据的更新方法、装置及电子设备
CN114372068A (zh) * 2021-12-31 2022-04-19 广州小鹏自动驾驶科技有限公司 地图更新方法和地图更新装置
JP2022182167A (ja) * 2021-05-27 2022-12-08 株式会社Soken 走行車線推定装置
CN115626175A (zh) * 2022-09-30 2023-01-20 广州文远知行科技有限公司 导航地图的生成方法、装置、设备及存储介质
CN116126982A (zh) * 2022-11-30 2023-05-16 武汉中海庭数据技术有限公司 一种高精度地图车道线更新方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111324616B (zh) * 2020-02-07 2023-08-25 北京百度网讯科技有限公司 车道线变化信息的检测方法、装置及设备
US11898868B2 (en) * 2021-09-10 2024-02-13 Here Global B.V. System and method for identifying redundant road lane detections
CN115797961A (zh) * 2022-11-29 2023-03-14 北京百度网讯科技有限公司 车道线变更检测方法、装置、电子设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291681A (zh) * 2020-02-07 2020-06-16 北京百度网讯科技有限公司 车道线变化信息的检测方法、装置及设备
JP2022182167A (ja) * 2021-05-27 2022-12-08 株式会社Soken 走行車線推定装置
CN113627228A (zh) * 2021-05-28 2021-11-09 华南理工大学 一种基于关键点回归与多尺度特征融合的车道线检测方法
CN113449692A (zh) * 2021-07-22 2021-09-28 成都纵横自动化技术股份有限公司 一种基于无人机的地图车道信息更新方法及其系统
CN113792061A (zh) * 2021-09-16 2021-12-14 北京百度网讯科技有限公司 地图数据的更新方法、装置及电子设备
CN114372068A (zh) * 2021-12-31 2022-04-19 广州小鹏自动驾驶科技有限公司 地图更新方法和地图更新装置
CN115626175A (zh) * 2022-09-30 2023-01-20 广州文远知行科技有限公司 导航地图的生成方法、装置、设备及存储介质
CN116126982A (zh) * 2022-11-30 2023-05-16 武汉中海庭数据技术有限公司 一种高精度地图车道线更新方法及系统

Also Published As

Publication number Publication date
CN116563648A (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
US11747169B2 (en) Real-time updates to maps for autonomous navigation
CN108734105B (zh) 车道线检测方法、装置、存储介质和电子设备
WO2015129045A1 (ja) 画像取得システム、端末、画像取得方法および画像取得プログラム
JP2003123058A (ja) 走行レーン認識装置
CN105122327A (zh) 路线的自动行驶
JP6810257B2 (ja) 車両を位置特定するための方法およびシステム
DE102011003954A1 (de) Fahrzeugnavigationsvorrichtung
CN112543956B (zh) 提供道路拥堵原因的方法和装置
CN110335484B (zh) 控制车辆行驶的方法及装置
WO2019203084A1 (ja) 地図情報更新システムおよび地図情報更新プログラム
CN108413973A (zh) 车辆转弯提示方法、装置、终端及计算机可读介质
JP7088137B2 (ja) 信号機情報管理システム
CN102201174B (zh) 行驶道路推测系统
CN114694123B (zh) 交通信号灯感知方法、装置、设备及存储介质
CN116563648B (zh) 基于人工智能的车道线更新方法、装置、设备及存储介质
CN113743356A (zh) 数据的采集方法、装置和电子设备
CN116010854B (zh) 异常原因的确定方法、装置、电子设备及存储介质
CN110473405B (zh) 行驶状态检测方法、装置、可读存储介质和电子设备
JP2017188164A (ja) 画像取得装置、端末および画像取得システム
JP2010190832A (ja) 合流退出判定装置及び合流退出判定プログラム
US20220266824A1 (en) Road information generation apparatus
JP2017072550A (ja) 自車位置認識装置
CN115249407B (zh) 指示灯状态识别方法、装置、电子设备、存储介质及产品
CN110895148B (zh) 一种导航时机优化的方法及装置
JP2017072450A (ja) 自車位置認識装置

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