CN117911974A - 一种数据处理方法、装置、设备以及存储介质 - Google Patents
一种数据处理方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN117911974A CN117911974A CN202410286847.4A CN202410286847A CN117911974A CN 117911974 A CN117911974 A CN 117911974A CN 202410286847 A CN202410286847 A CN 202410286847A CN 117911974 A CN117911974 A CN 117911974A
- Authority
- CN
- China
- Prior art keywords
- task
- road
- road section
- data
- graph
- 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.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims abstract description 30
- 238000003672 processing method Methods 0.000 title abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 105
- 238000004891 communication Methods 0.000 claims description 48
- 238000000034 method Methods 0.000 claims description 45
- 238000010586 diagram Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 14
- 238000013461 design Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000013507 mapping Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000009877 rendering Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 240000004050 Pentaglottis sempervirens Species 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000070023 Phoenicopterus roseus Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F16/29—Geographical information databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Processing Or Creating Images (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供了一种数据处理方法、装置、设备以及存储介质，用于提高地图数据处理的并行度以及泛用性。可应用于交通、地图等领域。包括：获取待处理地图图像和图像识别模型；调用图像识别模型对待处理地图图像进行识别，以得到待处理地图图像的分类结果；根据分类结果生成路口路段元数据集合；根据第一地图数据的路网信息确定路口路段元数据集合中各个路口路段元数据的路网属性标签，以得到路口路段数据集合；对路口路段数据集合中的各个路口路段数据进行聚类处理，以得到地图数据任务集合；执行地图数据任务集合，以得到目标地图数据。
Description
技术领域
本申请涉及计算机领域，尤其涉及一种数据处理方法、装置、设备以及存储介质。
背景技术
高精地图也称为高分辨率地图（High Definition Map，HD Map）或高精度自动驾驶地图（High Automated Driving Map，HAD Map），主要面向自动驾驶汽车应用。相较于普通导航地图，高精地图的精度更高，可达厘米级，具有更精细化的道路元素，如车道线、交通标志牌等。
而制作高精地图的流程如下：采用专用高精地图采集车，对某个区域进行数据采集，然后基于高精地图的图幅数据进行分区处理，然后基于采集到的数据进行分区制作。这样对于地图数据处理的并行度有较大的限制，不能满足通用道路场景的需要。
因此，目前亟需一种可以提高地图数据处理的并行度以及泛用性的地图数据处理方法。
发明内容
本申请实施例提供了一种数据处理方法、装置、设备以及存储介质，用于提高地图数据处理的并行度以及泛用性。
有鉴于此，本申请一方面提供一种数据处理方法，包括：获取待处理地图图像和图像识别模型；调用该图像识别模型对该待处理地图图像进行识别，以得到该待处理地图图像的分类结果，该分类结果用于指示该待处理地图图像中包含的路口数据和路段数据；根据该分类结果生成路口路段元数据集合；根据第一地图数据的路网信息确定该路口路段元数据集合中各个路口路段元数据的路网属性标签，以得到路口路段数据集合；对该路口路段数据集合中的各个路口路段数据进行聚类处理，以得到地图数据任务集合；执行该地图数据任务集合，以得到目标地图数据。
本申请另一方面提供一种数据处理装置，包括：
获取模块，用于获取待处理地图图像和图像识别模型；
处理模块 ，用于调用该图像识别模型对该待处理地图图像进行识别，以得到该待处理地图图像的分类结果，该分类结果用于指示该待处理地图图像中包含的路口数据和路段数据；根据该分类结果生成路口路段元数据集合；根据第一地图数据的路网信息确定该路口路段元数据集合中各个路口路段元数据的路网属性标签，以得到路口路段数据集合；对该路口路段数据集合中的各个路口路段数据进行聚类处理，以得到地图数据任务集合；
执行模块，用于执行该地图数据任务集合，以得到目标地图数据。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，该处理模块，用于计算该路口路段数据集合中各个路口路段数据的第一偏向角集合；
基于该第一偏向角集合对该各个路口路段数据进行路段方向划分，以得到横向路段集合和纵向路段集合；
基于该横向路段集合构建横向图，并基于该纵向路段集合构建纵向图，其中，该横向路段集合中的各路段为该横向图的节点，该横向路段集合中的各路段的相交关系为该横向图的边，该纵向路段集合中的各路段为该纵向图的节点，该纵向路段集合中的各路段的相交关系为该纵向图的边；
遍历该横向图和该纵向图得到第一连通子图集合，该第一连通子图集合作为该地图数据任务集合，其中，该第一连通子图集合中的每一个连通子图作为一个地图数据任务。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，该处理模块，用于遍历该横向图和该纵向图得到第二连通子图集合；
遍历该第二连通子图集合中各个连通子图的作业里程总数，该作业里程总数为该各个连通子图包含的路口路段数据的作业里程之和，该作业里程用于指示路段的长度；
在存在作业里程总数小于第一阈值的目标连通子图时，按照第一合并规则对该目标连通子图进行合并处理，以得到该第一连通子图集合。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，该处理模块，用于获取该目标连通子图的相交异向路段；
若存在该目标连通子图的相交异向路段，则将该目标连通子图与该相交异向路段进行合并处理，以得到第一连通子图；
若该第一连通子图的作业里程总数大于或者等于该第一阈值，则将该第一连通子图归于该第一连通子图集合。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，该处理模块，用于若不存在该目标连通子图的相交异向路段，则将该目标连通子图与第一同向路段进行合并处理，以得到第二连通子图，其中，该第一同向路段与该目标连通子图之间的距离值最小且属于同方向；
在该第二连通子图的作业里程总数大于或者等于该第一阈值时，将该第二连通子图归于该第一连通子图集合。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，该处理模块，用于获取该路口路段数据集合中各个路口路段数据的最小外接矩形；
计算该最小外接矩形的长边相对于基准方向的偏向角；
对该偏向角进行取整处理，以得到第二偏向角集合；
对该第二偏向角集合中的各个偏向角按照第一取值范围进行取整采样，以得到中间偏向角；
根据该中间偏向角与该第二偏向角集合生成该第一偏向角集合。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，该处理模块，用于遍历该第一偏向角集合，以得到各个偏向角的统计数量；
选择最大统计数量对应的第一偏向角指示的方向为横向，第二偏向角指示的方向为纵向，其中该第二偏向角与该第一偏向角之间相差90度；
计算该各个路口路段数据对应的偏向角与该第一偏向角的第一差异值，以及该各个路口路段数据对应的偏向角与该第二偏向角的第二差异值；
将该第一差异值与该第二差异值进行比较，选择较小差异值对应的偏向角确定该各个路口路段数据的方向，以得到该横向路段集合和该纵向路段集合。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，该处理模块，用于遍历该路口路段数据集合中的路段以及该路段的原始任务规模，基于该路段构建第一路段关系图，其中，该路段为该第一路段关系图的节点，该路段之间的相交关系为该第一路段关系图的边，该任务规模用于指示各个路段中的待修复任务数量；
按照期望任务规模、该原始任务规模以及第二合并规则对该第一路段关系图中的各个路段进行合并处理，以得到该地图数据任务集合，该期望任务规模用于指示包括最大任务规模、最小任务规模以及目标任务规模，其中，该最大任务规模用于指示一个地图数据任务中执行的最大待修复任务数量，该最小任务规模用于指示一个地图数据任务中执行的最小待修复任务数量，该目标任务规模用于指示一个地图数据任务中执行的合理待修复任务数量。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，该处理模块，用于遍历该第一路段关系图中的各个路段，以得到第一离散路段集合、第一路段集合和第二路段集合，其中，该第一离散路段集合中各个路段之间不相交，该第一路段集合中各个路段与一个路段相交，该第二路段集合中的各个路段与至少两个路段相交；
根据该期望任务规模、该原始任务规模对该第一离散路段集合中的各个离散路段进行合并处理，以得到第一任务集合，其中，该第一任务集合中的各个任务的任务规模小于该最大任务规模且大于该目标任务规模或者该第一任务集合中存在任务规模大于或者等于该最大任务规模的第一目标任务时，该第一目标任务中包括任务规模小于该最小任务规模的离散路段；
根据该期望任务规模、该原始任务规模对该第一路段集合中的各个路段进行合并处理，以得到第二任务集合，其中，该第二任务集合中的各个任务的任务规模小于该最大任务规模且大于该目标任务规模或者该第二任务集合中存在任务规模大于或者等于该最大任务规模的第二目标任务时，该第二目标任务中包括任务规模小于最小任务规模的路段；
根据该期望任务规模、该原始任务规模对该第二路段集合中的各个路段进行合并处理，以得到第三任务集合，其中，该第三任务集合中的各个任务的任务规模小于该最大任务规模且大于该目标任务规模或者该第 任务集合中存在任务规模大于或者等于该最大任务规模的第三目标任务时，该第三目标任务中包括任务规模小于最小任务规模的路段；
将该第一任务集合、该第二任务集合和该第三任务集合合并，以得到中间任务集合；
基于该中间任务集合中的各个任务构建第二路段关系图，其中，该中间任务集合中的各个任务为该第二路段关系图中的节点，该中间任务集合中的各个任务中的相交关系为该第二路段关系图中的边；
在该第二路段关系图与该第一路段关系图不相同时，依此重复执行上述操作，直到路段关系图不再变化，以得到该地图数据任务集合。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，该处理模块，用于根据该原始任务规模从该第一离散路段集合中确定第二离散路段集合，其中，该第二离散路段集合中的各个离散路段的原始任务规模小于该目标任务规模；
获取该第二离散路段集合中第一离散路段的第一目标离散路段集合，其中该第一目标离散路段集合中的各个离散路段与该第一离散路段的距离满足第一距离阈值；
按照距离从小到大将该第一目标离散路段集合中的各个离散路段与该第一离散路段进行合并处理，以得到第一合并路段；
依此遍历该第二离散路段集合，以得到多个第一合并路段，该多个第一合并路段作为该第一任务集合。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，该处理模块，用于获取第二路段集合中的第一路段的相交路段集合；
将该相交路段集合中的各个相交路段按照该原始任务规模从小到大进行排序；
依次将该相交路段集合中的各个相交路段与该第一路段进行合并处理，以得到第二合并路段；
依此遍历该第二路段集合，以得到多个第二合并路段，该多个第二合并路段作为该第三任务集合。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，该处理模块，用于获取训练样本和初始图像识别模型，其中，该训练样本是对采集到的地图图像和卫星图像进行标注得到；
基于该训练样本对该初始图像识别模型进行训练，以得到该图像识别模型。
本申请另一方面提供一种计算机设备，包括：存储器、处理器以及总线系统；
其中，存储器用于存储程序；
处理器用于执行存储器中的程序，处理器用于根据程序代码中的指令执行上述各方面的方法；
总线系统用于连接存储器以及处理器，以使存储器以及处理器进行通信。
本申请的另一方面提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面的方法。
本申请的另一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方面所提供的方法。
从以上技术方案可以看出，本申请实施例具有以下优点：利用图像识别模型对待处理地图图像进行识别，从而将待处理地图图像按照路口路段进行划分得到路口路段元数据；然后基于已有的路网信息对该路口路段元数据确定路网属性标签得到可用的路口路段数据，从而得到地图数据制作时的基础信息；最后将路口路段数据作为地图数据任务的分组依据，由于路口路段数据具有低区间冲突的优势，从而可以提高地图数据处理的并行度。同时路口路段数据是地图数据的基础信息，使得地图数据制作时可以不依赖于具体的地图数据规格，对于多种场景的地图数据均适用，从而提高地图数据的泛用性。
附图说明
图1为本申请实施例中路口路段的一个示例图；
图2为本申请实施例中应用场景的一个架构示意图；
图3为本申请实施例中数据处理方法的一个实施例示意图；
图4为本申请实施例中图像识别模型的一个流程示意图；
图5为本申请实施例中地图图像制作的一个流程示意图；
图6a为本申请实施例中地图图像的一个示意图；
图6b为本申请实施例中地图数据任务集合的一个示意图；
图7为本申请实施例中地图图像修复的一个流程示意图；
图8为本申请实施例中任务合并的一个流程示意图；
图9为本申请实施例中数据处理装置的一个实施例示意图；
图10为本申请实施例中服务器的一个实施例示意图；
图11为本申请实施例中终端设备的一个实施例示意图。
具体实施方式
本申请实施例提供了一种数据处理方法、装置、设备以及存储介质，用于提高地图数据处理的并行度以及泛用性。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例中，术语“模块”或“单元”是指有预定功能的计算机程序或计算机程序的一部分，并与其他相关部分一起工作以实现预定目标，并且可以通过使用软件、硬件（如处理电路或存储器）或其组合来全部或部分实现。同样的，一个处理器（或多个处理器或存储器）可以用来实现一个或多个模块或单元。此外，每个模块或单元都可以是包含该模块或单元功能的整体模块或单元的一部分。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“该”和“该”也可包括复数形式。应该进一步理解的是，本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件，但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解，当我们称一个元件被“连接”或“耦接”到另一元件时，该一个元件可以直接连接或耦接到另一元件，也可以指该一个元件和另一元件通过中间元件建立连接关系。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个，例如“A和/或B”可以实现为“A”，或者实现为“B”，或者实现为“A和B”。
高精地图也称为高分辨率地图（High Definition Map，HD Map）或高精度自动驾驶地图（High Automated Driving Map，HAD Map），主要面向自动驾驶汽车应用。相较于普通导航地图，高精地图的精度更高，可达厘米级，具有更精细化的道路元素，如车道线、交通标志牌等。因此，对高精地图的及时、准确的更新对自动驾驶车辆尤为重要。而制作高精地图的流程如下：采用专用高精地图采集车，对某个区域进行数据采集，然后基于高精地图的图幅数据进行分区处理，然后基于采集到的数据进行分区制作。这样对于地图数据处理的并行度有较大的限制，不能满足通用道路场景的需要。因此，目前亟需一种可以提高地图数据处理的并行度以及泛用性的地图数据处理方法。
为了解决这一问题，本申请提供如下技术方案：获取待处理地图图像和图像识别模型；调用该图像识别模型对该待处理地图图像进行识别，以得到该待处理地图图像的分类结果，该分类结果用于指示该待处理地图图像中包含的路口数据和路段数据；根据该分类结果生成路口路段元数据集合；根据第一地图数据的路网信息确定该路口路段元数据集合中各个路口路段元数据的路网属性标签，以得到路口路段数据集合；对该路口路段数据集合中的各个路口路段数据进行聚类处理，以得到地图数据任务集合；执行该地图数据任务集合，以得到目标地图数据，该目标地图数据的精度高于该第一地图数据的精度。这样利用图像识别模型对待处理地图图像进行识别，从而将待处理地图图像按照路口路段进行划分得到路口路段元数据，可以提高地图数据的处理效率；然后基于已有的路网信息对该路口路段元数据确定路网属性标签得到可用的路口路段数据，从而得到地图数据制作时的基础信息；最后将路口路段数据作为地图数据任务的分组依据，由于路口路段数据具有低区间冲突的优势，从而可以提高地图数据处理的并行度。同时路口路段数据是地图数据的基础信息，使得地图数据制作时可以不依赖于具体的地图数据规格，对于多种场景的地图数据均适用，从而提高地图数据的泛用性。
方便理解，下面对本申请中的部分名词进行说明：
路网：指的是在一定区域内，由各种道路组成的相互联络、交织成网状分布的道路系统。全部由各级公路组成的称公路网。在城市范围内由各种道路组成的称城市道路网。在道路系统中基于道路之间的相交关系可以生成路口、路段等信息。如图1所示，两个道路相交将产生一个路口，而路口之间通过路段进行连接，各路口与其他路口互不相交，路段之间也不存在区域冲突，因此依据路口路段格网生成的任务范围，相较于其他任务划分方式，可以在保证数据连通性的前提下极大的提高作业并行度。
路网信息：包括实际道路上的标识以及实际道路的道路标签，例如，道路标签为国道或者省道或者高速道路、车道线、交通标志牌、路沿和护栏等。
作业里程：在实施例中，用于指示一个路段在地图数据任务中的长度。一个示例方案中，该作业里程可以是高精地图采集车采集到的路段长度，也可以是基于标清地图（Standard Definition map）（比如普通的导航地图）显示的路段长度。
高精地图：也称为高分辨率地图（High Definition Map，HD Map）或高精度自动驾驶地图（High Automated Driving Map，HAD Map），主要面向自动驾驶汽车应用。相较于普通导航地图，高精地图的精度更高，可达厘米级，具有更精细化的道路元素，如车道线、交通标志牌等。
本申请实施例提供的数据处理方法可以基于云技术(Cloud technology)实现。云技术是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。云技术是基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。
本申请实施例提供的数据处理方法还可以基于区块链技术实现。具体的，可以将该数据处理方法中所用到的数据，例如第一地图数据和图像识别模型等，保存于区块链上。
本申请实施例提供的数据处理方法，可以基于人工智能(ArtificialIntelligence，AI)技术实现。比如，可以通过调用训练好的图像识别模型对待处理地图图像进行识别得到识别结果（即对图像进行分割识别以得到路口数据、路段数据）。AI是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。随着人工智能技术研究和进步，人工智能技术已经在多个领域广泛展开研究和应用，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
其中，上述训练好的图像识别模型可以是基于计算机视觉技术(ComputerVision，CV)的神经网络模型。
一个示例性方案中，上述训练好的图像识别模型可以是预训练模型（Pre-training model），也称基石模型、大模型，指具有大参量的深度神经网络（Deep neuralnetwork，DNN），在海量未标记的数据上对其进行训练，利用大参量DNN的函数近似能力使PTM在数据上提取共性特征，经微调（fine tune）、参数高效微调（PEFT）、prompt-tuning等技术，适用于下游任务。因此，预训练模型可以在小样本（Few-shot）或零样本（Zero-shot）场景下达到理想效果。PTM按照处理的数据模态可以分为语言模型（ELMO,BERT,GPT)、视觉模型（swin-transformer，ViT，V-MOE）、语音模型（VALL-E）、多模态模型(ViBERT, CLIP，Flamingo，Gato)等，其中多模态模型指建立两种或以上数据模态特征表示的模型。预训练模型是输出人工智能生成内容（AIGC）重要工具，也可以作为连接多个具体任务模型的通用接口。
其中，计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建、自动驾驶、智慧交通等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
本申请实施例提供的一种数据处理方法、装置、设备以及存储介质，用于提高地图数据处理的并行度以及泛用性。下面说明本申请实施例提供的电子设备的示例性应用，本申请实施例提供的电子设备可以实施为各种类型的用户终端，也可以实施为服务器。
电子设备通过运行本申请实施例提供的数据处理方法，用于提高地图数据处理的并行度以及泛用性。即提高电子设备处理地图数据的并行度以及提高电子设备处理地图数据 的泛用性。
上述方案可以应用于任何需要使用地图数据的场景中，可以包括但不限于导航或者自动驾驶等场景。当利用本申请实施例提供的数据处理方法处理地图数据时，该方法可以实现成为独立的线上应用程序，安装在用户使用的计算机设备或者后台服务器中，方便用户使用该程序处理地图数据。
一个示例性方案中，在自动驾驶场景下，车机服务的服务器获取待处理地图图像与图像识别模型；然后调用该图像识别模型对该待处理地图图像进行识别处理，以得到该待处理地图图像对应的分类结果，即得到该待处理地图图像对应的路口路段数据；然后基于该 路口路段数据划分高精地图的地图数据任务；然后基于该地图数据任务生成高精地图；最后将该高精地图下发至该车机或者该车机对应的服务器，使得该车辆基于该高精地图进行自动驾驶。
参见图2，图2是本申请实施例提供的数据处理方案的一个应用场景下的一个可选的架构示意图，为实现支撑一个数据处理方案，终端设备100通过网络200连接服务器300，服务器300连接数据库400，网络200可以是广域网或者局域网，又或者是二者的组合。其中用于实现数据处理方案的客户端部署于终端设备100上，其中，客户端可以通过浏览器的形式运行于终端设备100上，也可以通过独立的应用程序（application，APP）的形式运行于终端设备100上等，对于客户端的具体展现形式，此处不做限定。本申请涉及的服务器300可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content Delivery Network，CDN）、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备100可以是智能手机、平板电脑、笔记本电脑、掌上电脑、个人电脑、智能电视、智能手表、车载设备、可穿戴设备、智能语音交互设备、智能家电、飞行器等等，但并不局限于此。终端设备100以及服务器300可以通过有线或无线通信方式通过网络200进行直接或间接地连接，本申请在此不做限制。服务器300和终端设备100的数量也不做限制。本申请提供的方案可以由终端设备100独立完成，也可以由服务器300独立完成，还可以由终端设备100与服务器300配合完成，对此，本申请并不做具体限定。其中，数据库400，简而言之可视为电子化的文件柜——存储电子文件的处所，用户可以对文件中的数据进行新增、查询、更新、删除等操作。所谓“数据库”是以一定方式储存在一起、能与多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。数据库管理系统（Database Management System，DBMS）是为管理数据库而设计的电脑软件系统，一般具有存储、截取、安全保障、备份等基础功能。数据库管理系统可以依据它所支持的数据库模型来作分类，例如关系式、可扩展标记语言（Extensible Markup Language,XML）；或依据所支持的计算机类型来作分类，例如服务器群集、移动电话；或依据所用查询语言来作分类，例如结构化查询语言(Structured Query Language，SQL)、XQuery；或依据性能冲量重点来作分类，例如最大规模、最高运行速度；亦或其他的分类方式。不论使用哪种分类方式，一些DBMS能够跨类别，例如，同时支持多种查询语言。在本申请中，数据库400可以用于存储用于图像识别模型、相应的策略规则以及第一地图数据，当然，图像识别模型、相应的策略规则以及第一地图数据的存储位置并不限于数据库，例如还可以存储于终端设备100、区块链或者服务器300的分布式文件系统中等。
其中，终端设备100、该网络200、该服务器300以及该数据库400可以构成一个自动驾驶系统。其中，该服务器300可以作为该自动驾驶系统的策略控制中心，可以为任一本地策略控制中心，也可以为任一云策略控制中心，本申请对此不做限制。该终端设备可以作为该自动驾驶系统中的控制端，具体来说，该终端设备上的应用程序、 应用程序中小程序也可以作为该自动驾驶系统中的控制端。
在一些实施例中，服务器300和该终端设备100均可以执行本申请实施例提供的数据处理方法。
可以理解的是，在本申请的具体实施方式中，涉及到待处理地图图像和第一地图数据等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
结合上述介绍，下面以服务器为执行主体，对本申请中数据处理方法进行介绍，请参阅图3，本申请实施例中数据处理方法的一个实施例包括：
301、获取待处理地图图像和图像识别模型。
本实施例中，根据不同的应用场景，该待处理地图图像可以具有不同类型。在应用于高精地图制作时，该待处理地图图像可以是该高精地图对应的覆盖区域的全量地图图像；在应用于高精地图修复时，该待处理地图像可以是该高精地图对应的覆盖区域的全量地图图像也可以是该高精地图中待修复区域的地图图像。同时，该待处理地图图像可以是点云数据进行渲染得到的地图图像也可以是卫星图像也可以是高精地图采集车的摄像头拍摄得到的图像，具体此处不做限定。
同时，该图像识别模型可以是预训练模型，然后针对地图图像进行微调后得到；也可以是根据历史地图图像进行训练得到。下面以对该图像识别模型的训练过程可以如图4所示：
S101、获取训练样本。本实施例中，该训练样本的样本图像可以是点云数据进行渲染之后得到的地图图像也可以卫星图像也可以是高精地图采集车的摄像头拍摄得到的图像。
其中，基于该点云数据进行映射得到地图图像的具体过程可以如下：首先，采集高精度点云数据，并对高精度点云数据进行垂直渲染以生成鸟瞰点云图像（即采用从俯视的视角对该高精度点云数据进行渲染以得到该鸟瞰点云图像）。同时为了保证图像信息的完整，对于同一个地点，可以同步渲染多个方位（比如，以俯视为基准点，以俯视偏左15度的视角进行渲染或者以俯视偏右15度的视角进行渲染），以得到同一个地点的多个点云图像，并进行相应的坐标映射，以增强图像识别模型的鲁棒性。可选的，为了增加样本数据，也可以使用卫星图像作为辅助输入。在此过程中还可以将点云数据进行坐标映射，即将点云数据的三维坐标映射为图像中的二维坐标。比如在进行垂直渲染时，将点云数据的Z轴坐标去除。比如一个点云数据的坐标为（10，20，30），则在进行坐标映射之后，得到的图像上的坐标为（10，20）。
在获取上述样本图像之后，为了保证图像质量，还可以样本图像进行预处理。比如，对点云图像进行适当的开运算和闭运算等预处理；对于卫星图像可以进行图像锐化、边缘检测等预处理，以获得更加清晰分明的物体轮廓边缘，有助于提高识别模型的准确率。
在得到预处理好的样本图像之后，给样本图像进行标注以得到样本标签。一个示例性方案中，对样本图像进行小批量标注。比如人工将小部分样本图像划分为路段、路口、其他等3种区域，从而得到图像识别模型进行训练学习所用的训练样本。同时为了增加训练样本数量，可以应用图像平移、旋转、镜像等处理进行训练样本的扩充。
S102、根据训练样本训练该图像识别模型。本实施例中，可以使用训练样本进行图像识别模型预训练，并使用未标注的样本图像进行人工抽检，对于识别错误的场景再对其进行标注进行在线学习，以使图像识别模型适应复杂多变的道路布局。
302、调用该图像识别模型对该待处理地图图像进行识别，以得到该待处理地图图像的分类结果，该分类结果用于指示该待处理地图图像中包含的路口数据和路段数据。
本实施例中，该图像识别模型可以部署于该服务器或者第三方服务器；然后该服务器调用该图像识别模型对该待处理地图图像进行图像分割识别，以得到该待处理地图图像的分类结果。即识别得到该待处理地图图像对应的路口数据和路段数据。
303、根据该分类结果生成路口路段元数据集合。
该服务器将该待处理地图图像中各个图像元素进行坐标映射得到对应地图坐标的矢量图形；然后基于该分类结果对该矢量图形进行划分，以得到路口路段元数据集合。
本实施例中，坐标映射可以理解为将图像元素的二维坐标映射为地图坐标上的经纬度。比如一个图像元素的坐标为（10，20），在经过映射后得到的地图坐标为（东经110度，北纬30度）。该路口路段元数据可以理解为地图平面上的几何集合，比如将分类结果为路口数据的各个图像元素归于一个路口路段元数据。
304、根据第一地图数据的路网信息确定该路口路段元数据集合中各个路口路段元数据的路网属性标签，以得到路口路段数据集合。
该服务器获取第一地图数据的路网信息，并利用匹配算法将该第一地图数据的路网信息与该路口路段元数据集合中各个路口路段元数据进行绑定以得到该路网属性标签，以得到路口路段数据集合。
应理解的是，该路网属性标签可以用于指示该路口路段元数据的道路标签、以该路口路段元数据所包含的道路标识。该路网属性标签可以是多个，也可以是单个，可以根据实际需求进行设定，具体此处不做限定。
本实施例中，该第一地图数据可以理解为标清地图（即普通的导航地图）或者精度低于本实施例中中的目标地图数据的地图。即只要该第一地图数据包括相应的路网信息即可。 该路网信息包括实际道路上的标识以及实际道路的道路标签，例如，道路标签为国道或者省道或者高速道路、车道线、交通标志牌、路沿和护栏等。该路口路段数据集合中各个路口路段数据包括路口路段元数据以及该路网属性标签。
305、对该路口路段数据集合中的各个路口路段数据进行聚类处理，以得到地图数据任务集合。
本实施例中，根据不同的应用场景，该服务器在根据该路口路段数据集合进行聚类处理，得到该地图数据任务集合的过程可以不同，下面进行具体描述。
一、地图数据制作场景
在此场景下，该服务器对路口路段数据进行聚类处理的流程可以如图5所示：
S201、计算该路口路段数据集合中各个路口路段数据的第一偏向角集合。本实施例中，该服务器可以遍历该路口路段数据集合以得到路段集合，并获取第一阈值。其中，该第一阈值可以设置为地图数据任务中的最小作业里程。然后该服务器获取该路口路段数据集合中各个路口路段数据的最小外接矩形；计算该最小外接矩形的长边相对于基准方向的偏向角；对该偏向角进行取整处理，以得到第二偏向角集合；对该第二偏向角集合中的各个偏向角按照第一取值范围进行取整采样，以得到中间偏向角；根据该中间偏向角与该第二偏向角集合生成该第一偏向角集合。
下面以图6a所示的地图图像为例进行说明，如图6a所示的地图图像中包括20个路段，分别命名为路段1至路段20。该服务器可以分别获取路段1至路段20的最小外接矩形。该最小外接矩形应理解为可以将该路段全部框住且面积最小的矩形。然后该服务器以该最小外接矩形的长边计算其对应的偏向角，即计算路段1至路段20的偏向角。假设该偏向角可以是正北为基准方向，此时该偏向角可以理解为偏北角。应理解的是，该基准方向也可以设置为正南或者正东或者正西，具体此处不做限定，只要可以实现路段方向划分即可。
然后服务器对各个偏向角进行取整得到第二偏向角集合。比如路段1的偏向角为135.3度，路段2的偏向角为140度，则该第二偏向角集合中将包括135度和140度。
为了增加路段方向划分时的准确度，可以增加偏向角的数量。此时该服务器可以根据该各个路段的偏向角在第一取值范围进行取整，从而得到中间偏向角。比如设置该取值范围为（-5，+5），则路段15的偏向角（46度）进行取整得到的中间偏向角可以如下：41度、42度、43度、44度、45度、47度、48度、49度、50度以及51度。
S202、基于该第一偏向角集合对该各个路口路段数据进行路段方向划分，以得到横向路段集合和纵向路段集合。
该服务器在得到该第一偏向角集合之后，遍历该第一偏向角集合，以得到各个偏向角的统计数量；选择最大统计数量对应的第一偏向角指示的方向为横向，第二偏向角指示的方向为纵向，其中该第二偏向角与该第一偏向角之间相差90度；计算该各个路口路段数据对应的偏向角与该第一偏向角的第一差异值，以及该各个路口路段数据对应的偏向角与该第二偏向角的第二差异值；将该第一差异值与该第二差异值进行比较，选择较小差异值对应的偏向角确定该各个路口路段数据的方向，以得到该横向路段集合和该纵向路段集合。
假设该第一偏向角集合中45度的统计数量最多，则可以设置该45度偏向角指示的方向为横向，此时，该135度的偏向角指示的方向为纵向。若该路段1的偏向角为15.3度，则该第一差异值为29.7度，该第二差异值为119.7度，此时该第一差异值较小，即说明该路段1的路段方向更靠近横向，则可以确定该路段1为横向路段，依此遍历该各个路口路段数据，从而将图6a可以划分为横向路段集合（包括路段11至路段20）和纵向路段（包括路段1至路段10）。
S203、基于该横向路段集合构建横向图，并基于该纵向路段集合构建纵向图，其中，该横向路段集合中的各路段为该横向图的节点，该横向路段集合中的各路段的相交关系为该横向图的边，该纵向路段集合中的各路段为该纵向图的节点，该纵向路段集合中的各路段的相交关系为该纵向图的边。
以图6a为例，该横向图是基于路段11至路段20构成的图，而该纵向图是基于路段1至路段11构成的图。
S204、遍历该横向图和该纵向图得到第一连通子图集合，该第一连通子图集合作为该地图数据任务集合，其中，该第一连通子图集合中的每一个连通子图作为一个地图数据任务。
该服务器在获取到该横向图和该纵向图之后，遍历该横向图和该纵向图得到第二连通子图集合；遍历该第二连通子图集合中各个连通子图的作业里程总数，该作业里程总数为该各个连通子图包含的路口路段数据的作业里程之和，该作业里程用于指示路段的长度；在存在作业里程总数小于第一阈值的目标连通子图时，按照第一合并规则对该目标连通子图进行合并处理，以得到该第一连通子图集合。本实施例中，该连通子图可以理解为在保证道路连通情况下，道路不冲突的路段集合。如图6b所示，各个不同地图数据任务之间不相交，不存在路段冲突的问题。路段1、路段9、路段10、路段13和路段14可以归于一个连通子图。
应理解的是，该服务器在进行合并时，具体流程可以如下：获取该目标连通子图的相交异向路段；若存在该目标连通子图的相交异向路段，则将该目标连通子图与该相交异向路段进行合并处理，以得到第一连通子图；若该第一连通子图的作业里程总数大于或者等于该第一阈值，则将该第一连通子图归于该第一连通子图集合；若不存在该目标连通子图的相交异向路段，则将该目标连通子图与第一同向路段进行合并处理，以得到第二连通子图，其中，该第一同向路段与该目标连通子图之间的距离值最小且属于同方向；在该第二连通子图的作业里程总数大于或者等于该第一阈值时，将该第二连通子图归于该第一连通子图集合。
二、地图数据修复场景
在此场景下，该服务器对路口路段数据进行聚类处理的流程可以如图7所示：
S301、遍历该路口路段数据集合中的路段以及该路段的原始任务规模，基于该路段构建第一路段关系图，其中，该路段为该第一路段关系图的节点，该路段之间的相交关系为该第一路段关系图的边，该任务规模用于指示各个路段中的待修复任务数量。
在此方案中，该服务器可以基于全部的路段构建该第一路段关系图。比如假设图6a为待修复区域，则该服务器可以基于该路段1至路段20构建第一路段关系图。
S302、按照期望任务规模、该原始任务规模以及第二合并规则对该第一路段关系图中的各个路段进行合并处理，以得到该地图数据任务集合，该期望任务规模用于指示包括最大任务规模、最小任务规模以及目标任务规模，其中，该最大任务规模用于指示一个地图数据任务中执行的最大待修复任务数量，该最小任务规模用于指示一个地图数据任务中执行的最小待修复任务数量，该目标任务规模用于指示一个地图数据任务中执行的合理待修复任务数量。
本实施例中，该服务器在执行合并时，可以采用如图8所示的流程图进行合并：
A、遍历该第一路段关系图中的各个路段，以得到第一离散路段集合、第一路段集合和第二路段集合，其中，该第一离散路段集合中各个路段之间不相交，该第一路段集合中各个路段与一个路段相交，该第二路段集合中的各个路段与至少两个路段相交。
B、根据该期望任务规模、该原始任务规模对该第一离散路段集合中的各个离散路段进行合并处理，以得到第一任务集合，其中，该第一任务集合中的各个任务的任务规模小于该最大任务规模且大于该目标任务规模或者该第一任务集合中存在任务规模大于或者等于该最大任务规模的第一目标任务时，该第一目标任务中包括任务规模小于该最小任务规模的离散路段。
C、根据该期望任务规模、该原始任务规模对该第一路段集合中的各个路段进行合并处理，以得到第二任务集合，其中，该第二任务集合中的各个任务的任务规模小于该最大任务规模且大于该目标任务规模或者该第二任务集合中存在任务规模大于或者等于该最大任务规模的第二目标任务时，该第二目标任务中包括任务规模小于最小任务规模的路段。
D、根据该期望任务规模、该原始任务规模对该第二路段集合中的各个路段进行合并处理，以得到第三任务集合，其中，该第三任务集合中的各个任务的任务规模小于该最大任务规模且大于该目标任务规模或者该第 任务集合中存在任务规模大于或者等于该最大任务规模的第三目标任务时，该第三目标任务中包括任务规模小于最小任务规模的路段。
E、将该第一任务集合、该第二任务集合和该第三任务集合合并，以得到中间任务集合；
F、基于该中间任务集合中的各个任务构建第二路段关系图，其中，该中间任务集合中的各个任务为该第二路段关系图中的节点，该中间任务集合中的各个任务中的相交关系为该第二路段关系图中的边。
G、在该第二路段关系图与该第一路段关系图不相同时，依此重复执行上述操作，直到路段关系图不再变化，以得到该地图数据任务集合。
306、执行该地图数据任务集合，以得到目标地图数据。
该服务器按照执行规则执行该地图数据任务集合中的各个地图数据任务，以进行目标地图数据绘制，从而得到该目标地图数据。
下面对本申请中的数据处理装置进行详细描述，请参阅图9，图9为本申请实施例中数据处理装置的一个实施例示意图，数据处理装置20包括：
获取模块201，用于获取待处理地图图像和图像识别模型；
处理模块202 ，用于调用该图像识别模型对该待处理地图图像进行识别，以得到该待处理地图图像的分类结果，该分类结果用于指示该待处理地图图像中包含的路口数据和路段数据；根据该分类结果生成路口路段元数据集合；根据第一地图数据的路网信息确定该路口路段元数据集合中各个路口路段元数据的路网属性标签，以得到路口路段数据集合；对该路口路段数据集合中的各个路口路段数据进行聚类处理，以得到地图数据任务集合；
执行模块203，用于执行该地图数据任务集合，以得到目标地图数据。
本申请实施例中，提供了一种数据处理装置。采用上述装置，利用图像识别模型对待处理地图图像进行识别，从而将待处理地图图像按照路口路段进行划分得到路口路段元数据；然后基于已有的路网信息对该路口路段元数据确定路网属性标签得到可用的路口路段数据，从而得到地图数据制作时的基础信息；最后将路口路段数据作为地图数据任务的分组依据，由于路口路段数据具有低区间冲突的优势，从而可以提高地图数据处理的并行度。同时路口路段数据是地图数据的基础信息，使得地图数据制作时可以不依赖于具体的地图数据规格，对于多种场景的地图数据均适用，从而提高地图数据的泛用性。
可选地，在上述图9所对应的实施例的基础上，本申请实施例提供的数据处理装置20的另一实施例中，
该处理模块202，用于计算该路口路段数据集合中各个路口路段数据的第一偏向角集合；
基于该第一偏向角集合对该各个路口路段数据进行路段方向划分，以得到横向路段集合和纵向路段集合；
基于该横向路段集合构建横向图，并基于该纵向路段集合构建纵向图，其中，该横向路段集合中的各路段为该横向图的节点，该横向路段集合中的各路段的相交关系为该横向图的边，该纵向路段集合中的各路段为该纵向图的节点，该纵向路段集合中的各路段的相交关系为该纵向图的边；
遍历该横向图和该纵向图得到第一连通子图集合，该第一连通子图集合作为该地图数据任务集合，其中，该第一连通子图集合中的每一个连通子图作为一个地图数据任务。
本申请实施例中，提供了一种数据处理装置。采用上述装置，在将路口路段数据作为地图数据任务的分组依据时，可以按照路段方向以及路段的作业里程进行聚类处理，这样可以尽量减少地图数据任务的冲突，同时保证道路的连通性。同时路口路段数据是地图数据的基础信息，使得地图数据制作时可以不依赖于具体的地图数据规格，对于多种场景的地图数据均适用，从而提高地图数据的泛用性。
可选地，在上述图9所对应的实施例的基础上，本申请实施例提供的数据处理装置20的另一实施例中，该处理模块202，用于遍历该横向图和该纵向图得到第二连通子图集合；
遍历该第二连通子图集合中各个连通子图的作业里程总数，该作业里程总数为该各个连通子图包含的路口路段数据的作业里程之和，该作业里程用于指示路段的长度；
在存在作业里程总数小于第一阈值的目标连通子图时，按照第一合并规则对该目标连通子图进行合并处理，以得到该第一连通子图集合。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，该处理模块202，用于获取该目标连通子图的相交异向路段；
若存在该目标连通子图的相交异向路段，则将该目标连通子图与该相交异向路段进行合并处理，以得到第一连通子图；
若该第一连通子图的作业里程总数大于或者等于该第一阈值，则将该第一连通子图归于该第一连通子图集合。
本申请实施例中，提供了一种数据处理装置。采用上述装置，在将路口路段数据作为地图数据任务的分组依据时，可以按照路段方向以及路段的作业里程进行聚类处理，这样可以尽量减少地图数据任务的冲突，同时保证道路的连通性。
可选地，在上述图9所对应的实施例的基础上，本申请实施例提供的数据处理装置20的另一实施例中，
该处理模块202，用于若不存在该目标连通子图的相交异向路段，则将该目标连通子图与第一同向路段进行合并处理，以得到第二连通子图，其中，该第一同向路段与该目标连通子图之间的距离值最小且属于同方向；
在该第二连通子图的作业里程总数大于或者等于该第一阈值时，将该第二连通子图归于该第一连通子图集合。
本申请实施例中，提供了一种数据处理装置。采用上述装置，通过路段之间的合并，可以在尽量减少地图数据任务的冲突的情况下，尽量保证道路的连通性。
可选地，在上述图9所对应的实施例的基础上，本申请实施例提供的数据处理装置20的另一实施例中，
该处理模块202，用于获取该路口路段数据集合中各个路口路段数据的最小外接矩形；
计算该最小外接矩形的长边相对于基准方向的偏向角；
对该偏向角进行取整处理，以得到第二偏向角集合；
对该第二偏向角集合中的各个偏向角按照第一取值范围进行取整采样，以得到中间偏向角；
根据该中间偏向角与该第二偏向角集合生成该第一偏向角集合。
本申请实施例中，提供了一种数据处理装置。采用上述装置，以一个基准方向来计算路段的偏向角，这样可以为后续的路段方向划分提供有效的参考信息；同时基于路段的偏向角进行采样，从而扩充偏向角的数量，可以更加准确的进行横向和纵向的区分。
可选地，在上述图9所对应的实施例的基础上，本申请实施例提供的数据处理装置20的另一实施例中，该处理模块202，用于遍历该第一偏向角集合，以得到各个偏向角的统计数量；
选择最大统计数量对应的第一偏向角指示的方向为横向，第二偏向角指示的方向为纵向，其中该第二偏向角与该第一偏向角之间相差90度；
计算该各个路口路段数据对应的偏向角与该第一偏向角的第一差异值，以及该各个路口路段数据对应的偏向角与该第二偏向角的第二差异值；
将该第一差异值与该第二差异值进行比较，选择较小差异值对应的偏向角确定该各个路口路段数据的方向，以得到该横向路段集合和该纵向路段集合。
本申请实施例中，提供了一种数据处理装置。采用上述装置，通过偏向角对该横向路段和纵向路进行划分，可以增加方案的可实行性。
可选地，在上述图9所对应的实施例的基础上，本申请实施例提供的数据处理装置20的另一实施例中，该处理模块202，用于遍历该路口路段数据集合中的路段以及该路段的原始任务规模，基于该路段构建第一路段关系图，其中，该路段为该第一路段关系图的节点，该路段之间的相交关系为该第一路段关系图的边，该任务规模用于指示各个路段中的待修复任务数量；
按照期望任务规模、该原始任务规模以及第二合并规则对该第一路段关系图中的各个路段进行合并处理，以得到该地图数据任务集合，该期望任务规模用于指示包括最大任务规模、最小任务规模以及目标任务规模，其中，该最大任务规模用于指示一个地图数据任务中执行的最大待修复任务数量，该最小任务规模用于指示一个地图数据任务中执行的最小待修复任务数量，该目标任务规模用于指示一个地图数据任务中执行的合理待修复任务数量。
本申请实施例中，提供了一种数据处理装置。采用上述装置，在将路口路段数据作为地图数据任务的分组依据时，可以按照路段方向以及路段的作业里程进行聚类处理，这样可以尽量减少地图数据任务的冲突，同时保证道路的连通性。同时路口路段数据是地图数据的基础信息，使得地图数据制作时可以不依赖于具体的地图数据规格，对于多种场景的地图数据均适用，从而提高地图数据的泛用性。
可选地，在上述图9所对应的实施例的基础上，本申请实施例提供的数据处理装置20的另一实施例中，
该处理模块202，用于遍历该第一路段关系图中的各个路段，以得到第一离散路段集合、第一路段集合和第二路段集合，其中，该第一离散路段集合中各个路段之间不相交，该第一路段集合中各个路段与一个路段相交，该第二路段集合中的各个路段与至少两个路段相交；
根据该期望任务规模、该原始任务规模对该第一离散路段集合中的各个离散路段进行合并处理，以得到第一任务集合，其中，该第一任务集合中的各个任务的任务规模小于该最大任务规模且大于该目标任务规模或者该第一任务集合中存在任务规模大于或者等于该最大任务规模的第一目标任务时，该第一目标任务中包括任务规模小于该最小任务规模的离散路段；
根据该期望任务规模、该原始任务规模对该第一路段集合中的各个路段进行合并处理，以得到第二任务集合，其中，该第二任务集合中的各个任务的任务规模小于该最大任务规模且大于该目标任务规模或者该第二任务集合中存在任务规模大于或者等于该最大任务规模的第二目标任务时，该第二目标任务中包括任务规模小于最小任务规模的路段；
根据该期望任务规模、该原始任务规模对该第二路段集合中的各个路段进行合并处理，以得到第三任务集合，其中，该第三任务集合中的各个任务的任务规模小于该最大任务规模且大于该目标任务规模或者该第 任务集合中存在任务规模大于或者等于该最大任务规模的第三目标任务时，该第三目标任务中包括任务规模小于最小任务规模的路段；
将该第一任务集合、该第二任务集合和该第三任务集合合并，以得到中间任务集合；
基于该中间任务集合中的各个任务构建第二路段关系图，其中，该中间任务集合中的各个任务为该第二路段关系图中的节点，该中间任务集合中的各个任务中的相交关系为该第二路段关系图中的边；
在该第二路段关系图与该第一路段关系图不相同时，依此重复执行上述操作，直到路段关系图不再变化，以得到该地图数据任务集合。
本申请实施例中，提供了一种数据处理装置。采用上述装置，对于离散路段，以及一个相交路段和多个相交路段进行分别独立的合并，从而实现在减少地图数据任务的冲突的情况下，同时保证道路的连通性。
可选地，在上述图9所对应的实施例的基础上，本申请实施例提供的数据处理装置20的另一实施例中，
该处理模块202，用于根据该原始任务规模从该第一离散路段集合中确定第二离散路段集合，其中，该第二离散路段集合中的各个离散路段的原始任务规模小于该目标任务规模；
获取该第二离散路段集合中第一离散路段的第一目标离散路段集合，其中该第一目标离散路段集合中的各个离散路段与该第一离散路段的距离满足第一距离阈值；
按照距离从小到大将该第一目标离散路段集合中的各个离散路段与该第一离散路段进行合并处理，以得到第一合并路段；
依此遍历该第二离散路段集合，以得到多个第一合并路段，该多个第一合并路段作为该第一任务集合。
本申请实施例中，提供了一种数据处理装置。采用上述装置，对于离散任务按照距离远近进行合并，可以有效的减少地图数据任务执行时的数据跨度，从而实现在减少地图数据任务的冲突的情况下，同时保证道路的连通性。
可选地，在上述图9所对应的实施例的基础上，本申请实施例提供的数据处理装置20的另一实施例中，
该处理模块202，用于获取第二路段集合中的第一路段的相交路段集合；
将该相交路段集合中的各个相交路段按照该原始任务规模从小到大进行排序；
依次将该相交路段集合中的各个相交路段与该第一路段进行合并处理，以得到第二合并路段；
依此遍历该第二路段集合，以得到多个第二合并路段，该多个第二合并路段作为该第三任务集合。
本申请实施例中，提供了一种数据处理装置。采用上述装置，对于多相交路段合并时，按照原始任务规模从小到大的顺序进行合并，可以尽量保证地图数据任务不超出最大任务规模，从而减少任务执行时长，提高执行效率。
可选地，在上述图9所对应的实施例的基础上，本申请实施例提供的数据处理装置20的另一实施例中，
该处理模块202，用于获取训练样本和初始图像识别模型，其中，该训练样本是对采集到的地图图像和卫星图像进行标注得到；
基于该训练样本对该初始图像识别模型进行训练，以得到该图像识别模型。
本申请实施例中，提供了一种数据处理装置。采用上述装置，利用图像识别模型对待处理地图图像进行识别，从而快速将待处理地图图像按照路口路段进行划分得到路口路段元数据，提高数据处理效率。
本申请提供的数据处理装置可用于服务器，请参阅图10，图10是本申请实施例提供的一种服务器结构示意图，该服务器300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器（central processing units，CPU）322（例如，一个或一个以上处理器）和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330（例如一个或一个以上海量存储设备）。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在服务器300上执行存储介质330中的一系列指令操作。
服务器300还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341，例如Windows ServerTM，Mac OS XTM，UnixTM, LinuxTM，FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图10所示的服务器结构。
本申请提供的数据处理装置可用于终端设备，请参阅图11，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。在本申请实施例中，以终端设备为智能手机为例进行说明：
图11示出的是与本申请实施例提供的终端设备相关的智能手机的部分结构的框图。参考图11，智能手机包括：射频（radio frequency，RF）电路410、存储器420、输入单元430、显示单元440、传感器450、音频电路460、无线保真（wireless fidelity，WiFi）模块470、处理器480、以及电源490等部件。本领域技术人员可以理解，图11中示出的智能手机结构并不构成对智能手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图11对智能手机的各个构成部件进行具体的介绍：
RF电路410可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器480处理；另外，将设计上行的数据发送给基站。通常，RF电路410包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器（low noiseamplifier，LNA）、双工器等。此外，RF电路410还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统 （globalsystem of mobile communication，GSM）、通用分组无线服务（general packet radioservice，GPRS）、码分多址（code division multiple access，CDMA）、宽带码分多址（wideband code division multiple access, WCDMA）、长期演进 （long termevolution，LTE）、电子邮件、短消息服务（short messaging service，SMS）等。
存储器420可用于存储软件程序以及模块，处理器480通过运行存储在存储器420的软件程序以及模块，从而执行智能手机的各种功能应用以及数据处理。存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据智能手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元430可用于接收输入的数字或字符信息，以及产生与智能手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元430可包括触控面板431以及其他输入设备432。触控面板431，也称为触摸屏，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触控面板431上或在触控面板431附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触控面板431可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器480，并能接收处理器480发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板431。除了触控面板431，输入单元430还可以包括其他输入设备432。具体地，其他输入设备432可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元440可用于显示由用户输入的信息或提供给用户的信息以及智能手机的各种菜单。显示单元440可包括显示面板441，可选的，可以采用液晶显示器（liquidcrystal display，LCD）、有机发光二极管（organic light-emitting diode，OLED）等形式来配置显示面板441。进一步的，触控面板431可覆盖显示面板441，当触控面板431检测到在其上或附近的触摸操作后，传送给处理器480以确定触摸事件的类型，随后处理器480根据触摸事件的类型在显示面板441上提供相应的视觉输出。虽然在图11中，触控面板431与显示面板441是作为两个独立的部件来实现智能手机的输入和输入功能，但是在某些实施例中，可以将触控面板431与显示面板441集成而实现智能手机的输入和输出功能。
智能手机还可包括至少一种传感器450，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板441的亮度，接近传感器可在智能手机移动到耳边时，关闭显示面板441和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别智能手机姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等;至于智能手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路460、扬声器461，传声器462可提供用户与智能手机之间的音频接口。音频电路460可将接收到的音频数据转换后的电信号，传输到扬声器461，由扬声器461转换为声音信号输出；另一方面，传声器462将收集的声音信号转换为电信号，由音频电路460接收后转换为音频数据，再将音频数据输出处理器480处理后，经RF电路410以发送给比如另一智能手机，或者将音频数据输出至存储器420以便进一步处理。
WiFi属于短距离无线传输技术，智能手机通过WiFi模块470可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图11示出了WiFi模块470，但是可以理解的是，其并不属于智能手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器480是智能手机的控制中心，利用各种接口和线路连接整个智能手机的各个部分，通过运行或执行存储在存储器420内的软件程序和/或模块，以及调用存储在存储器420内的数据，执行智能手机的各种功能和处理数据，从而对智能手机进行整体监测。可选的，处理器480可包括一个或多个处理单元；可选的，处理器480可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器480中。
智能手机还包括给各个部件供电的电源490（比如电池），可选的，电源可以通过电源管理系统与处理器480逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出，智能手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
上述实施例中由终端设备所执行的步骤可以基于该图11所示的终端设备结构。
本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如前述各个实施例描述的方法。
本申请实施例中还提供一种包括程序的计算机程序产品，当其在计算机上运行时，使得计算机执行前述各个实施例描述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，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，该单元的划分，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。
该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。
另外，在本申请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，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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，服务器，或者网络设备等）执行本申请各个实施例该方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (15)
1.一种数据处理方法，其特征在于，包括：
获取待处理地图图像和图像识别模型；
调用所述图像识别模型对所述待处理地图图像进行识别，以得到所述待处理地图图像的分类结果，所述分类结果用于指示所述待处理地图图像中包含的路口数据和路段数据；
根据所述分类结果生成路口路段元数据集合；
根据第一地图数据的路网信息确定所述路口路段元数据集合中各个路口路段元数据的路网属性标签，以得到路口路段数据集合；
对所述路口路段数据集合中的各个路口路段数据进行聚类处理，以得到地图数据任务集合；
执行所述地图数据任务集合，以得到目标地图数据。
2.根据权利要求1所述的方法，其特征在于，所述对所述路口路段数据集合中的各个路口路段数据进行聚类处理，以得到地图数据任务集合包括：
计算所述路口路段数据集合中各个路口路段数据的第一偏向角集合；
基于所述第一偏向角集合对所述各个路口路段数据进行路段方向划分，以得到横向路段集合和纵向路段集合；
基于所述横向路段集合构建横向图，并基于所述纵向路段集合构建纵向图，其中，所述横向路段集合中的各路段为所述横向图的节点，所述横向路段集合中的各路段的相交关系为所述横向图的边，所述纵向路段集合中的各路段为所述纵向图的节点，所述纵向路段集合中的各路段的相交关系为所述纵向图的边；
遍历所述横向图和所述纵向图得到第一连通子图集合，所述第一连通子图集合作为所述地图数据任务集合，其中，所述第一连通子图集合中的每一个连通子图作为一个地图数据任务。
3.根据权利要求2所述的方法，其特征在于，所述遍历所述横向图和所述纵向图得到第一连通子图集合包括：
遍历所述横向图和所述纵向图得到第二连通子图集合；
遍历所述第二连通子图集合中各个连通子图的作业里程总数，所述作业里程总数为所述各个连通子图包含的路口路段数据的作业里程之和，所述作业里程用于指示路段的长度；
在存在作业里程总数小于第一阈值的目标连通子图时，按照第一合并规则对所述目标连通子图进行合并处理，以得到所述第一连通子图集合。
4.根据权利要求3所述的方法，其特征在于，所述在存在作业里程总数小于第一阈值的目标连通子图时，按照第一合并规则对所述目标连通子图进行合并处理，以得到所述第一连通子图集合包括：
获取所述目标连通子图的相交异向路段；
若存在所述目标连通子图的相交异向路段，则将所述目标连通子图与所述相交异向路段进行合并处理，以得到第一连通子图；
若所述第一连通子图的作业里程总数大于或者等于所述第一阈值，则将所述第一连通子图归于所述第一连通子图集合。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
若不存在所述目标连通子图的相交异向路段，则将所述目标连通子图与第一同向路段进行合并处理，以得到第二连通子图，其中，所述第一同向路段与所述目标连通子图之间的距离值最小且属于同方向；
在所述第二连通子图的作业里程总数大于或者等于所述第一阈值时，将所述第二连通子图归于所述第一连通子图集合。
6.根据权利要求2所述的方法，其特征在于，所述计算所述路口路段数据集合中各个路口路段数据的第一偏向角集合包括：
获取所述路口路段数据集合中各个路口路段数据的最小外接矩形；
计算所述最小外接矩形的长边相对于基准方向的偏向角；
对所述偏向角进行取整处理，以得到第二偏向角集合；
对所述第二偏向角集合中的各个偏向角按照第一取值范围进行取整采样，以得到中间偏向角；
根据所述中间偏向角与所述第二偏向角集合生成所述第一偏向角集合。
7.根据权利要求2所述的方法，其特征在于，基于所述第一偏向角集合对所述各个路口路段数据进行路段方向划分，以得到横向路段集合和纵向路段集合包括：
遍历所述第一偏向角集合，以得到各个偏向角的统计数量；
选择最大统计数量对应的第一偏向角指示的方向为横向，第二偏向角指示的方向为纵向，其中所述第二偏向角与所述第一偏向角之间相差90度；
计算所述各个路口路段数据对应的偏向角与所述第一偏向角的第一差异值，以及所述各个路口路段数据对应的偏向角与所述第二偏向角的第二差异值；
将所述第一差异值与所述第二差异值进行比较，选择较小差异值对应的偏向角确定所述各个路口路段数据的方向，以得到所述横向路段集合和所述纵向路段集合。
8.根据权利要求1所述的方法，其特征在于，所述对所述路口路段数据集合中的各个路口路段数据进行聚类处理，以得到地图数据任务集合包括：
遍历所述路口路段数据集合中的路段以及所述路段的原始任务规模，基于所述路段构建第一路段关系图，其中，所述路段为所述第一路段关系图的节点，所述路段之间的相交关系为所述第一路段关系图的边，所述任务规模用于指示各个路段中的待修复任务数量；
按照期望任务规模、所述原始任务规模以及第二合并规则对所述第一路段关系图中的各个路段进行合并处理，以得到所述地图数据任务集合，所述期望任务规模用于指示包括最大任务规模、最小任务规模以及目标任务规模，其中，所述最大任务规模用于指示一个地图数据任务中执行的最大待修复任务数量，所述最小任务规模用于指示一个地图数据任务中执行的最小待修复任务数量，所述目标任务规模用于指示一个地图数据任务中执行的合理待修复任务数量。
9.根据权利要求8所述的方法，其特征在于，所述按照期望任务规模、所述原始任务规模以及第二合并规则对所述第一路段关系图中的各个路段进行合并处理，以得到所述地图数据任务集合包括：
S1、遍历所述第一路段关系图中的各个路段，以得到第一离散路段集合、第一路段集合和第二路段集合，其中，所述第一离散路段集合中各个路段之间不相交，所述第一路段集合中各个路段与一个路段相交，所述第二路段集合中的各个路段与至少两个路段相交；
S2、根据所述期望任务规模、所述原始任务规模对所述第一离散路段集合中的各个离散路段进行合并处理，以得到第一任务集合，其中，所述第一任务集合中的各个任务的任务规模小于所述最大任务规模且大于所述目标任务规模或者所述第一任务集合中存在任务规模大于或者等于所述最大任务规模的第一目标任务时，所述第一目标任务中包括任务规模小于所述最小任务规模的离散路段；
S3、根据所述期望任务规模、所述原始任务规模对所述第一路段集合中的各个路段进行合并处理，以得到第二任务集合，其中，所述第二任务集合中的各个任务的任务规模小于所述最大任务规模且大于所述目标任务规模或者所述第二任务集合中存在任务规模大于或者等于所述最大任务规模的第二目标任务时，所述第二目标任务中包括任务规模小于最小任务规模的路段；
S4、根据所述期望任务规模、所述原始任务规模对所述第二路段集合中的各个路段进行合并处理，以得到第三任务集合，其中，所述第三任务集合中的各个任务的任务规模小于所述最大任务规模且大于所述目标任务规模或者所述第三任务集合中存在任务规模大于或者等于所述最大任务规模的第三目标任务时，所述第三目标任务中包括任务规模小于最小任务规模的路段；
S5、将所述第一任务集合、所述第二任务集合和所述第三任务集合合并，以得到中间任务集合；
S6、基于所述中间任务集合中的各个任务构建第二路段关系图，其中，所述中间任务集合中的各个任务为所述第二路段关系图中的节点，所述中间任务集合中的各个任务中的相交关系为所述第二路段关系图中的边；
S7、在所述第二路段关系图与所述第一路段关系图不相同时，依此重复执行上述步骤S1至S6操作，直到路段关系图不再变化，以得到所述地图数据任务集合。
10.根据权利要求9所述的方法，其特征在于，根据所述期望任务规模、所述原始任务规模对所述第一离散路段集合中的各个离散路段进行合并处理，以得到第一任务集合包括：
根据所述原始任务规模从所述第一离散路段集合中确定第二离散路段集合，其中，所述第二离散路段集合中的各个离散路段的原始任务规模小于所述目标任务规模；
获取所述第二离散路段集合中第一离散路段的第一目标离散路段集合，其中所述第一目标离散路段集合中的各个离散路段与所述第一离散路段的距离满足第一距离阈值；
按照距离从小到大将所述第一目标离散路段集合中的各个离散路段与所述第一离散路段进行合并处理，以得到第一合并路段；
依此遍历所述第二离散路段集合，以得到多个第一合并路段，所述多个第一合并路段作为所述第一任务集合。
11.根据权利要求9所述的方法，根据所述期望任务规模、所述原始任务规模对所述第二路段集合中的各个路段进行合并处理，以得到第三任务集合包括：
获取第二路段集合中的第一路段的相交路段集合；
将所述相交路段集合中的各个相交路段按照所述原始任务规模从小到大进行排序；
依次将所述相交路段集合中的各个相交路段与所述第一路段进行合并处理，以得到第二合并路段；
依此遍历所述第二路段集合，以得到多个第二合并路段，所述多个第二合并路段作为所述第三任务集合。
12.根据权利要求1至11中任一项所述的方法，其特征在于，所述方法还包括：
获取训练样本和初始图像识别模型，其中，所述训练样本是对采集到的地图图像和卫星图像进行标注得到；
基于所述训练样本对所述初始图像识别模型进行训练，以得到所述图像识别模型。
13.一种数据处理装置，其特征在于，包括：
获取模块，用于获取待处理地图图像和图像识别模型；
处理模块 ，用于调用所述图像识别模型对所述待处理地图图像进行识别，以得到所述待处理地图图像的分类结果，所述分类结果用于指示所述待处理地图图像中包含的路口数据和路段数据；根据所述分类结果生成路口路段元数据集合；根据第一地图数据的路网信息确定所述路口路段元数据集合中各个路口路段元数据的路网属性标签，以得到路口路段数据集合；对所述路口路段数据集合中的各个路口路段数据进行聚类处理，以得到地图数据任务集合；
执行模块，用于执行所述地图数据任务集合，以得到目标地图数据。
14.一种计算机设备，其特征在于，包括：存储器、处理器以及总线系统；
其中，所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，所述处理器用于根据程序代码中的指令执行权利要求1至12中任一项所述的方法；
所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。
15.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至12中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410286847.4A CN117911974B (zh) | 2024-03-13 | 2024-03-13 | 一种数据处理方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410286847.4A CN117911974B (zh) | 2024-03-13 | 2024-03-13 | 一种数据处理方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117911974A true CN117911974A (zh) | 2024-04-19 |
| CN117911974B CN117911974B (zh) | 2024-07-05 |
Family
ID=90692340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410286847.4A Active CN117911974B (zh) | 2024-03-13 | 2024-03-13 | 一种数据处理方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117911974B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883236A (zh) * | 2021-02-26 | 2021-06-01 | 北京百度网讯科技有限公司 | 一种地图更新方法、装置、电子设备及存储介质 |
| CN115077539A (zh) * | 2022-05-19 | 2022-09-20 | 阿波罗智联(北京)科技有限公司 | 一种地图生成方法、装置、设备以及存储介质 |
| US20230003545A1 (en) * | 2021-06-30 | 2023-01-05 | Here Global B.V. | Method, apparatus and computer program product for tunnel detection from a point cloud |
| CN116753935A (zh) * | 2023-05-08 | 2023-09-15 | 高德软件有限公司 | 地图图像处理及地图制作方法、装置、设备、存储介质 |
| CN116772821A (zh) * | 2023-05-06 | 2023-09-19 | 国汽智图(北京)科技有限公司 | 地图生成方法、装置、计算机设备和存储介质 |
| CN117058647A (zh) * | 2023-10-13 | 2023-11-14 | 腾讯科技（深圳）有限公司 | 车道线处理方法、装置和设备及计算机存储介质 |
-
2024
- 2024-03-13 CN CN202410286847.4A patent/CN117911974B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883236A (zh) * | 2021-02-26 | 2021-06-01 | 北京百度网讯科技有限公司 | 一种地图更新方法、装置、电子设备及存储介质 |
| US20230003545A1 (en) * | 2021-06-30 | 2023-01-05 | Here Global B.V. | Method, apparatus and computer program product for tunnel detection from a point cloud |
| CN115077539A (zh) * | 2022-05-19 | 2022-09-20 | 阿波罗智联(北京)科技有限公司 | 一种地图生成方法、装置、设备以及存储介质 |
| CN116772821A (zh) * | 2023-05-06 | 2023-09-19 | 国汽智图(北京)科技有限公司 | 地图生成方法、装置、计算机设备和存储介质 |
| CN116753935A (zh) * | 2023-05-08 | 2023-09-15 | 高德软件有限公司 | 地图图像处理及地图制作方法、装置、设备、存储介质 |
| CN117058647A (zh) * | 2023-10-13 | 2023-11-14 | 腾讯科技（深圳）有限公司 | 车道线处理方法、装置和设备及计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117911974B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3961579A2 (en) | Target detection method, apparatus, medium and computer program product | |
| WO2021121306A1 (zh) | 视觉定位方法和系统 | |
| KR102344012B1 (ko) | 관심 지점을 표시하기 위한 방법 및 장치 | |
| CN112802111B (zh) | 一种物体模型构建方法及装置 | |
| WO2020098252A1 (zh) | 一种路径规划方法、服务器及计算机存储介质 | |
| CN112329725B (zh) | 一种道路场景的要素识别方法、装置、设备以及存储介质 | |
| CN103959279A (zh) | 基于移动设备生成的事件分析的地图瓦片数据预取 | |
| EP3443482B1 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
| CN112435333B (zh) | 一种道路场景的生成方法以及相关装置 | |
| CN112686197B (zh) | 一种数据处理方法和相关装置 | |
| CN112052778B (zh) | 一种交通标志识别方法以及相关装置 | |
| JP7307111B2 (ja) | 車両測位方法及び装置、車両、記憶媒体並びにコンピュータプログラム | |
| CN114092920B (zh) | 一种模型训练的方法、图像分类的方法、装置及存储介质 | |
| CN117576535B (zh) | 一种图像识别方法、装置、设备以及存储介质 | |
| CN111597986B (zh) | 用于生成信息的方法、装置、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 | |
| CN115471495B (zh) | 模型鲁棒性检测方法、相关装置及存储介质 | |
| CN117911974B (zh) | 一种数据处理方法、装置、设备以及存储介质 | |
| CN116071614A (zh) | 样本数据处理方法、相关设备及存储介质 | |
| CN115062240A (zh) | 一种停车场排序方法、装置、电子设备和存储介质 | |
| CN115712749A (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
| CN110795994A (zh) | 路口图像选择方法及装置 | |
| CN118310538B (zh) | 基于多模态数据的重定位方法和装置 | |
| CN115994405B (zh) | 基于bim技术的城市信息管理平台构建方法 | |
| Lee et al. | Map generation and updating technologies based on network and cloud computing: A survey |
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 |