JP2020500319A - 機械学習とイメージプロセッシングを利用した地図製作装置 - Google Patents

Abstract

地図製作装置が開示される。本発明の地図製作装置は、ベクターデータとラスターデータをそれぞれ収集するデータ収集部と、ベクターデータを処理して、既定の設定サイズのグラウンドトルースイメージを生成するベクターデータ処理部と、ラスターデータを処理して、設定サイズのラスター分割イメージを生成するラスターデータ処理部と、グラウンドトルースイメージとラスター分割イメージに対する機械学習を用いて予測ポリゴンを生成し、予測ポリゴンとグラウンドトルースイメージを基にしてラスターデータ基盤の地図製作に適用可能なポリゴンを生成するポリゴン生成部とを含むことを特徴とする。

Description

本発明は、機械学習とイメージプロセッシングを利用した地図製作装置に関し、より詳細には、機械学習方式のうち畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を基盤とするディープラーニング機械学習方式で地図を自動で製作する、機械学習とイメージプロセッシングを利用した地図製作装置に関する。

電子情報端末に提供される地図関連技術が発達するのに伴い、地図で提供される多様な形式の位置情報サービス（Ｌｏｃａｔｉｏｎ Ｂａｓｅｄ Ｓｅｒｖｉｃｅ：ＬＢＳ）が開発されている。

位置情報サービス（ＬＢＳ）には、事業者の電話番号、事業者の住所および詳細情報を案内する関心地点（Ｐｏｉｎｔ Ｏｆ Ｉｎｔｅｒｅｓｔ：ＰＯＩ）情報、交通状況情報、実際の地形地物写真をパノラマ形式で製作してユーザに示すロードビューおよび航空ＶＲ（Ｖｉｒｔｕａｌ Ｒｅａｌｉｔｙ）のような地理情報パノラマなどがある。

これより、最近には、オープン型地図サービスとしてオープンストリートマップ（Ｏｐｅｎ Ｓｔｒｅｅｔ Ｍａｐ）が提供されている。

オープンストリートマップは、ユーザーが直接製作する地図サービスであって、各ユーザーが必要に応じて直接地図を製作することができ、グーグル地図とともに様々な分野に使用されるに至った。

本発明に関連した背景技術としては、韓国特許公開１０−２００５−００９７６１８号公報（２００５年１０月１０日）の「ＧＰＳおよびＩＮＳを利用した数値地図製作システムおよび方法」がある。

従来のナビゲーションやウェブ上で提供される地図は、人工衛星写真をユーザーが直接見て判断して建物や道路を分類し、手作業で建物や道路などを施して新しい形態の地図を生産した。

しかしながら、従来の方法は、ユーザーが直接地図を手作業で製作するので、地図の製作に多くの時間が必要とされ、生産費用が相対的に多くかかり、ユーザーの誤作業またはエラーに起因して地図の正確度も低下するという問題点があった。

また、従来の方法は、随時変更される建物や道路に対するデータを最新情報にアップデートするときに手作業で探さなければならないので、地図のアップデートが容易ではない問題点があった。

本発明は、前述した問題点を改善するためになされたものであって、本発明の目的は、ベクターデータに基づいて分割された学習データとラスターデータに基づいて分割された学習データに対するディープラーニング機械学習を基にしてラスターデータを用いて地図を自動で製作する、機械学習とイメージプロセッシングを利用した地図製作装置を提供することにある。

また、本発明の他の目的は、ラスターデータを用いて地図を自動で製作することができ、地図製作時のエラーを低減し、地図の正確度を向上させることができるようにした、機械学習とイメージプロセッシングを利用した地図製作装置を提供することにある。

本発明の一態様による機械学習とイメージプロセッシングを利用した地図製作装置は、ベクターデータとラスターデータをそれぞれ収集するデータ収集部と、前記ベクターデータを処理して、既定の設定サイズのグラウンドトルースイメージを生成するベクターデータ処理部と、前記ラスターデータを処理して、前記設定サイズのラスター分割イメージを生成するラスターデータ処理部と、前記グラウンドトルースイメージと前記ラスター分割イメージに対する機械学習を用いて予測ポリゴンを生成し、前記予測ポリゴンと前記グラウンドトルースイメージを基にして前記ラスターデータ基盤の地図製作に適用可能なポリゴンを生成するポリゴン生成部とを含むことを特徴とする。

本発明の前記ベクターデータ処理部は、前記ベクターデータのファイルフォーマットと座標系のうち少なくとも一つ以上が互いに異なる場合、前記ベクターデータのフォーマットや座標系が互いに一致するように、前記ベクターデータをそれぞれパーシングするデータパーシング部を含むことを特徴とする。

本発明の前記ベクターデータ処理部は、前記ベクターデータを用いて地図を生成して、地図の各クラスをカラーコーディングする地図生成部と、前記地図を前記設定サイズに分割して、前記グラウンドトルースイメージを生成するベクターデータ分割部とを含むことを特徴とする。

本発明の前記地図生成部は、前記地図の各クラスを互いに異なる色でカラーコーディングすることを特徴とする。

本発明の前記設定サイズは、機械学習のために既定の学習データサイズであることを特徴とする。

本発明の前記ラスターデータ処理部は、前記ラスターデータを前記設定サイズに分割して、前記ラスター分割イメージを生成し、且つ前記ラスター分割イメージを機械学習のために既定の設定個数以上生成するラスターデータ分割部を含むことを特徴とする。

本発明の前記ラスターデータ処理部は、前記ラスターデータの基準座標の正確度に応じて前記ラスターデータの座標を実際の地図の座標によって補正する座標補正部を含むことを特徴とする。

本発明の前記ラスターデータ処理部は、前記ラスター分割イメージにある機械学習妨害要素を除去するイメージ補正部を含むことを特徴とする。

本発明の前記ポリゴン生成部は、前記グラウンドトルースイメージと前記ラスター分割イメージに対する機械学習を用いて予測ポリゴンを生成するポリゴン予測部と、前記予測ポリゴンをベクターデータに変換して予測ベクターデータを生成するベクターデータ変換部と、前記グラウンドトルースイメージと前記予測ベクターデータとを比較して前記予測ベクターデータの正確度を検証し、該検証結果によって前記予測ポリゴンを前記ラスターデータ基盤の地図製作に適用可能なポリゴンに決定する正確度検証部とを含むことを特徴とする。

本発明の前記ポリゴン予測部は、前記グラウンドトルースイメージと前記ラスター分割イメージに対する機械学習を用いてクラス別に前記予測ポリゴンの形態を認識し、前記予測ポリゴンを分類して位置を予測することを特徴とする。

本発明の前記ベクターデータ変換部は、前記予測ポリゴンをクラス別にベクター追跡技術を利用して前記予測ベクターデータに変換することを特徴とする。

本発明の前記正確度検証部は、前記グラウンドトルースイメージと前記予測ベクターデータとが重なる部分をピクセルレベル単位で比較して正確度を判断することを特徴とする。

本発明の前記正確度検証部は、前記グラウンドトルースイメージに対する前記予測ベクターデータの正確度が既定の設定値以上であるか否かに基づいて前記予測ポリゴンが前記ラスターデータ基盤の地図製作に適用可能であるか否かを判断することを特徴とする。

本発明の前記正確度検証部は、前記正確度が前記設定値未満の場合、前記ポリゴン予測部を介して前記グラウンドトルースイメージに対する機械学習を繰り返すようにして、前記予測ベクターデータの正確度を向上させることを特徴とする。

本発明の前記ポリゴン生成部は、前記予測ポリゴンを前記ラスターデータ基盤の地図製作に適用可能なポリゴンの形態で調節する形態調節部を含むことを特徴とする。

本発明の前記形態調節部は、前記ラスターデータ基盤の地図製作に適用可能であるように、前記予測ポリゴンの面形態を調節し、ノードの個数を最小化させることを特徴とする。

本発明の一態様による機械学習とイメージプロセッシングを利用した地図製作装置は、ベクターデータに基づいて分割された学習データとラスターデータに基づいて分割された学習データに対する機械学習を基にしてラスターデータを用いて地図を自動で製作することができる。

本発明の他の態様による機械学習とイメージプロセッシングを利用した地図製作装置は、ラスターデータを用いて地図を自動で製作することができ、地図製作時のエラーを低減し、地図の正確度を向上させることができる。

本発明の一実施形態による機械学習とイメージプロセッシングを利用した地図製作装置のブロック構成図である。 本発明の一実施形態によるベクターデータ処理部のブロック構成図である。 本発明の一実施形態によるベクターデータの例示図である。 本発明の一実施形態によるカラーコーディング後に分割された学習データサイズに分割されたベクターデータ分割イメージの例示図である。 本発明の一実施形態によるラスターデータ処理部のブロック構成図である。 本発明の一実施形態によるラスターデータの緯度・経度の補正例を示す図である。 本発明の一実施形態によるラスターデータに基づいて学習データサイズに分割されたラスター分割イメージを示す図である。 本発明の一実施形態によるイメージプロセッシングを用いたイメージ補正例を示す図である。 本発明の一実施形態によるポリゴン生成部のブロック構成図である。 本発明の一実施形態によるグラウンドトルースとラスター分割イメージに対する機械学習を用いてポリゴンを予測する例を示す図である。 本発明の一実施形態による予測ポリゴンを予測ベクターデータに変換する例を示す図である。 本発明の一実施形態によるグラウンドトルースと予測されたベクターデータとを比較して正確度を検証する例を示す図である。 本発明の一実施形態によるポリゴンの形態を調節する例を示す図である。 本発明の一実施形態による機械学習とイメージプロセッシングを利用した地図製作方法を示すフローチャートである。

以下では、本発明の一実施形態による機械学習とイメージプロセッシングを利用した地図製作装置を添付の図面を参照して詳細に説明する。このような過程で図面に示された線の厚さや構成要素のサイズ等は、説明の明瞭性と便宜上、誇張して図示されていてもよい。また、後述する用語は、本発明における機能を考慮して定義された用語であって、これは、利用者や運用者の意図または慣例によって変わることができる。したがって、このような用語は、本明細書の全般にわたる内容に基づいて定義されなければならない。

図１は、本発明の一実施形態による機械学習とイメージプロセッシングを利用した地図製作装置のブロック構成図である。

図１を参照すると、本発明の一実施形態による機械学習とイメージプロセッシングを利用した地図製作装置は、データ収集部１０、ベクターデータ処理部２０、ラスターデータ処理部３０およびポリゴン生成部４０を含む。

データ収集部１０は、多様なソースからベクターデータとラスターデータを収集する。
ベクターデータには、数値地図や数値地形図などが含まれ得、ラスターデータには、衛星写真や航空写真または建物写真などが含まれ得る。

ここで、数値地形図は、Ｓｈａｐｅｆｉｌｅ、ＮＧＩ、ＧｅｏＪｓｏｎ、Ｐｂｆなど多様なフォーマットで形成することができる。ラスターデータの場合、衛星写真、航空写真、ドローン写真などに分類することができ、カメラセンサーによってＲＧＢ、Ｍｕｌｔｉｓｐｅｃｔｒａｌ、Ｈｙｐｅｒｓｐｅｃｔｒａｌイメージなどに分類することができる。

データ収集部１０によりベクターデータとラスターデータが収集されるのに伴い、ベクターデータ処理部２０とラスターデータ処理部３０がグラウンドトルース（Ｇｒｏｕｎｄ− Ｔｒｕｔｈ）イメージとラスター分割イメージをそれぞれ生成する。これを図２〜図８を参照して説明する。

図２は、本発明の一実施形態によるベクターデータ処理部のブロック構成図であり、図３は、本発明の一実施形態によるベクターデータの例示図であり、図４は、本発明の一実施形態によるカラーコーディング後に分割された学習データサイズに分割されたグラウンドトルースの例示図である。

ベクターデータ処理部２０は、データ収集部１０により収集されたベクターデータを処理して、既定の設定サイズのグラウンドトルースイメージを生成する。設定サイズについては後述する。

図２を参照すると、ベクターデータ処理部２０は、データパーシング部２２、地図生成部２４およびベクターデータ分割部２６を含む。

データパーシング部２２は、ベクターデータのファイルフォーマットと座標系のうち少なくとも一つ以上が互いに異なる場合、ベクターデータのフォーマットや座標系が互いに一致するように、ベクターデータをそれぞれパーシングする。

データ収集部１０により収集されたベクターデータは、前述したように、Ｓｈａｐｅｆｉｌｅ、ＮＧＩ、ＧｅｏＪｓｏｎ、Ｐｂｆなど互いに異なるフォーマットからなるか、または数値データごとに互いに異なる座標系を利用することができる。

ベクターデータが互いに異なるフォーマットからなるか、または座標系が互いに異なる場合、相互間の互換性が低下することがあるので、これらのフォーマットや座標系を統一させる必要がある。

これにより、データパーシング部２２は、ベクターデータのファイルフォーマットが互いに異なる場合には、当該ベクターデータをパーシングしてファイルフォーマットを一致させ、ベクターデータの座標系が互いに異なる場合には、当該ベクターデータをパーシングして座標系を一致させる。

地図生成部２４は、データパーシング部２２によりフォーマットまたは座標系が統一されたベクターデータを用いて地図を生成し、地図の各クラスを互いに異なる色でカラーコーディングする。

地図生成部２４は、図３に示されたように、ベクターデータを用いて地図を生成する。また、地図生成部２４は、ベクターデータを用いて生成された地図は、道路、建物、山林、水など各クラス別にクエリーが可能であるので、これらの道路、建物、山林、水など各クラス別に互いに異なる色でカラーコーディングする。

ベクターデータ分割部２６は、地図を設定サイズに分割して、グラウンドトルースイメージを生成する。

ベクターデータ分割部２６は、図４に示されたように、地図生成部２４によりカラーコーディングされた地図を設定サイズに分割してレンダリングすることにより、複数個、例えば１０万個のグラウンドトルースイメージを生成することができる。

ここで、設定サイズは、グラウンドトルースイメージのサイズを定義したものであって、ピクセル（ｐｉｘｅｌ）単位で設定され得る。設定サイズは、本実施形態では、２５６ｐｉｘｅｌ×２５６ｐｉｘｅｌのサイズに設定されることを例示として説明する。

設定サイズは、後述する機械学習（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）に適合するように設定された学習データサイズに該当する。機械学習については後述する。

地図が設定サイズに分割されるのに伴い、一つの地図にて複数個のグラウンドトルースイメージが生成され得る。

図４には、地図や道路が薄緑色、ビルが白色、背景が黒色でカラーコーディングされ、当該地図を用いて合計６個のグラウンドトルースイメージが生成されたことが図示されている。

前述したように、ベクターデータ処理部２０は、ベクターデータのファイルフォーマットや座標系を統一させた後、当該数値データを用いて地図を生成し、この地図をクラス別にカラーコーディングする。次に、ベクターデータ処理部２０は、カラーコーディングされた地図を設定サイズに分割してレンダリングすることにより、複数個のグラウンドトルースイメージを生成する。

図５は、本発明の一実施形態によるラスターデータ処理部のブロック構成図であり、図６は、本発明の一実施形態によるラスターデータの緯度・経度の補正例を示す図であり、図７は、本発明の一実施形態によるラスターデータに基づいて学習データサイズに分割されたテストタイルを示す図であり、図８は、本発明の一実施形態によるテストタイルのイメージプロセッシングを用いたイメージ補正例を示す図である。

ラスターデータ処理部３０は、ラスターデータを処理して設定サイズのラスター分割イメージを生成する。

図５を参照すると、ラスターデータ処理部３０は、座標補正部３２、ラスターデータ分割部３４およびイメージ補正部３６を含む。

座標補正部３２は、ラスターデータの基準座標の正確度に応じてラスターデータの座標を実際の地図の座標によって補正する。

衛星写真などのようなラスターデータは、基準座標が不正確な場合、図６の左側写真に図示された赤色の円に示されたように、座標が不正確なことがある。これにより、図６の右側写真の赤色の円に示されたように、実際の数値地図と一致するように補正する必要がある。これは、ラスターデータの基準座標が不正確な場合には、後述する機械学習の正確度が低下するからである。

これにより、座標補正部３２は、図６に示されたように、ラスターデータの基準座標の正確度に応じてラスターデータの座標を実際の地図の座標によって補正する。

ラスターデータ分割部３４は、座標補正部３２により座標が補正されたラスターデータを上記のグラウンドトルースイメージと同じサイズ、すなわち設定サイズに分割して、複数個、例えば１０万個のラスター分割イメージを生成する。

図７には、ラスターデータ分割部３４により分割された複数個のラスター分割イメージが図示されている。各ラスター分割イメージは、上記のグラウンドトルースイメージと同じ２５６ｐｉｘｅｌ×２５６ｐｉｘｅｌのサイズである。

イメージ補正部３６は、ラスターデータ分割部３４により生成された複数個のラスター分割イメージにある機械学習妨害要素を除去する。

通常、ラスターデータ分割部３４により生成されたラスター分割イメージのそれぞれには、機械学習妨害要素が存在し得る。機械学習妨害要素には、建物の影などが含まれ得る。

これにより、イメージ補正部３６は、ラスター分割イメージに機械学習妨害要素が存在するかを確認して、機械学習妨害要素が存在すると、当該ラスター分割イメージをイメージプロセッシングを通じてイメージ補正して、機械学習妨害要素を除去する。

図８の左側にあるラスター分割イメージには、各建物により機械学習妨害要素、すなわち影が存在する。他方で、イメージ補正部３６によるイメージプロセッシングを通じて図８の右側にあるラスター分割イメージには当該影が全部除去されたことが分かる。

前述したように、ラスターデータ処理部３０は、ラスターデータの基準座標の正確度に応じてラスターデータの座標を実際の地図の座標によって補正し、補正されたラスターデータを設定サイズに分割して複数個のラスター分割イメージを生成する。次に、ラスターデータ処理部３０は、分割されたラスター分割イメージをイメージプロセッシングして、ラスター分割イメージにある機械学習妨害要素を除去する。

なお、前述したように、ベクターデータ処理部２０によりグラウンドトルースイメージが生成され、ラスターデータ分割部３４によりラスター分割イメージが生成されるのに伴い、ポリゴン生成部４０は、これらのグラウンドトルースイメージとラスター分割イメージを用いて機械学習に基づいてポリゴンを生成する。これを図９〜図１３を参照して説明する。

図９は、本発明の一実施形態によるポリゴン生成部のブロック構成図であり、図１０は、本発明の一実施形態によるグラウンドトルースとテストタイルに対する機械学習を用いてポリゴンを予測する例を示す図であり、図１１は、本発明の一実施形態による予測ポリゴンを予測ベクターデータに変換する例を示す図であり、図１２は、本発明の一実施形態によるグラウンドトルースと予測されたベクターデータとを比較して正確度を検証する例を示す図であり、図１３は、本発明の一実施形態によるポリゴンの形態を調節する例を示す図である。

ポリゴン生成部４０は、ベクターデータ処理部２０により生成されたグラウンドトルースイメージとラスターデータ処理部３０により生成されたラスター分割イメージに対する機械学習を用いて予測ポリゴンを生成し、予測ポリゴンとグラウンドトルースイメージを基にしてラスターデータ基盤の地図製作に適用可能なポリゴンを生成する。

図９を参照すると、ポリゴン生成部４０は、ポリゴン予測部４２、ベクターデータ変換部４４、正確度検証部４６および形態調節部４８を含む。

ポリゴン予測部４２は、ベクターデータ処理部２０により生成されたグラウンドトルースイメージとラスター分割イメージに対する機械学習を用いてポリゴンを予測して、予測ポリゴンを生成する。

ここで、機械学習方式は、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を基盤とするディップランニング機械学習方式が採用され得る。

ポリゴン予測部４２は、図１０に示されたように、機械学習を用いてグラウンドトルースイメージを基にしてラスター分割イメージから予測ポリゴンを生成する。この場合、ポリゴン予測部４２は、グラウンドトルースイメージとラスター分割イメージに対する機械学習を用いてクラス別に予測ポリゴンの形態を認識し、予測ポリゴンを分類して、その位置を予測する。

ベクターデータ変換部４４は、ポリゴン予測部４２により予測された予測ポリゴンをベクターデータに変換して、予測ポリコンに対する予測ベクターデータを生成する。

この場合、ベクターデータ変換部４４は、図１１に示されたように、予測ポリゴンをクラス別に分割し、各クラス別にベクター追跡技術を利用して当該予測ポリゴンを予測ベクターデータに変換する。

正確度検証部４６は、ベクターデータ処理部２０により生成されたグラウンドトルースイメージとベクターデータ変換部４４により生成された予測ベクターデータとを比較して予測ベクターデータの正確度を検証し、該検証結果によって予測ポリゴンをラスターデータ基盤の地図製作に適用可能なポリゴンに決定する。

図１２を参照すると、正確度検証部４６は、グラウンドトルースイメージに対する予測ベクターデータの正確度が既定の設定値以上であるか否かに基づいて予測ポリゴンがラスターデータ基盤の地図製作に適用可能なポリゴンであるか否かを判断する。この際、正確度検証部４６は、グラウンドトルースイメージと予測ベクターデータとが重なる部分をピクセルレベル単位で比較して正確度を判断する。

ここで、正確度検証部４６は、グラウンドトルースイメージと予測ベクターデータとが重なる部分をピクセルレベル単位で比較し、該比較結果、グラウンドトルースイメージと予測ベクターデータとが重なる部分の割合、すなわち正確度が既定の設定値以上であるか否かを判断する。

設定値は、予測ベクターデータがグラウンドトルースイメージに対する正確度を判断する基準となる値である。すなわち、グラウンドトルースイメージに対して予測ベクターデータが重なる割合が設定値以上になる場合、当該予測ベクターデータは、グラウンドトルースイメージと非常に高い類似度を示すものと判断され得る。

正確度検証部４６は、正確度が設定値未満の場合、ポリゴン予測部４２を介してグラウンドトルースイメージに対する機械学習を繰り返すようにして、予測ベクターデータの正確度を向上させる。

すなわち、正確度検証部４６は、正確度が設定値未満の場合、ポリゴン予測部４２を介してグラウンドトルースイメージに対する機械学習を繰り返すようにし、このような正確度に応じた繰り返される機械学習を用いて予測ベクターデータの正確度が向上することができることになる。

他方で、上記の機械学習を用いた予測ベクターデータの正確度が設定値以上である場合、形態調節部４８は、予測ポリゴンをラスターデータ基盤の地図製作に適用可能なポリゴンであると判断し、当該予測ポリゴンの形態を調節する。

機械学習で抽出した予測ポリゴンは、デコボコした形態の面であるから、ベクタートレーサーを介してベクター化する場合、ノードの数が多いので、容量が相対的に非常に大きい。これに伴って、予測ポリゴンのロスとノード個数は最小化する必要がある。

これにより、図１３に示されたように、形態調節部４８は、ラスターデータ基盤の地図製作に適用可能であるように、予測ポリゴンの面形態を調節し、ノードの個数を最小化させる。

以下、本発明の一実施形態による機械学習とイメージプロセッシングを利用した地図製作方法を図１４を参照して説明する。

図１４は、本発明の一実施形態による機械学習とイメージプロセッシングを利用した地図製作方法を示すフローチャートである。

図１４を参照すると、まず、データ収集部１０は、多様なソースからベクターデータとラスターデータを収集する（Ｓ１０）。

次に、ベクターデータ処理部２０は、ベクターデータのファイルフォーマットや座標系を統一させて数値データを用いて地図を生成し、生成された地図をクラス別にカラーコーディングした後、カラーコーディングされた地図を設定サイズに分割してレンダリングして、複数個のグラウンドトルースイメージを生成する（Ｓ２０）。

さらに詳細に説明すると、データ収集部１０により収集されたベクターデータは、Ｓｈａｐｅｆｉｌｅ、ＮＧＩ、ＧｅｏＪｓｏｎ、Ｐｂｆなど互いに異なるフォーマットからなるか、または数値データごとに互いに異なる座標系を利用することができる。

これにより、データパーシング部２２は、ベクターデータのファイルフォーマットと座標系のうち少なくとも一つ以上が互いに異なる場合、これらのフォーマットや座標系が互いに一致するように、ベクターデータをそれぞれパーシングする（Ｓ２２）。

データパーシング部２２によりベクターデータのフォーマットや座標系が統一されるのに伴い、地図生成部２４は、ベクターデータを用いて地図を生成し、地図の各クラスを互いに異なる色でカラーコーディングする（Ｓ２４）。この場合、地図生成部２４は、地図の道路、建物、山林、水など各クラス別に互いに異なる色でカラーコーディングする。

次に、ベクターデータ分割部２６は、地図生成部２４によりカラーコーディングされた地図を設定サイズに分割してレンダリングすることにより、複数のグラウンドトルースイメージを生成する（Ｓ２６）。

なお、ラスターデータ処理部３０は、データ収集部１０によりラスターデータが収集されるのに伴い、ラスターデータの座標を実際の地図の座標によって補正し、補正されたラスターデータを設定サイズに分割して複数個のラスター分割イメージを生成した後、分割されたラスター分割イメージをイメージプロセッシングして、ラスター分割イメージにある機械学習妨害要素を除去する（Ｓ３０）。

さらに詳細に説明すると、衛星写真などのようなラスターデータは、基準座標が不正確なことがあるので、座標補正部３２は、ラスターデータの基準座標の正確度に応じてラスターデータの座標を実際の地図の座標によって補正する（Ｓ３２）。

次に、ラスターデータ分割部３４は、座標補正部３２により補正された座標が補正されたラスターデータを上記のグラウンドトルースイメージと同じサイズ、すなわち設定サイズに分割して、複数個のラスター分割イメージを生成する（Ｓ３４）。

ラスターデータ分割部３４によりラスター分割イメージが生成されるのに伴い、イメージ補正部３６は、これらのラスター分割イメージにある機械学習妨害要素を除去する。通常、ラスターデータ分割部３４により生成されたラスター分割イメージのそれぞれには、機械学習妨害要素が存在し得るので、イメージ補正部３６は、ラスター分割イメージに機械学習妨害要素が存在するかを確認して、機械学習妨害要素が存在すると、当該ラスター分割イメージをイメージプロセッシングを通じてイメージ補正することにより、ラスター分割イメージ内の機械学習妨害要素を除去する（Ｓ３６）。

なお、前述したように、ベクターデータ処理部２０によりグラウンドトルースイメージが生成され、ラスターデータ分割部３４によりラスター分割イメージが生成されるのに伴い、ポリゴン生成部４０は、ベクターデータ処理部２０により生成されたグラウンドトルースイメージとラスターデータ処理部３０により生成されたラスター分割イメージに対する機械学習を用いて予測ポリゴンを生成し、予測ポリゴンとグラウンドトルースイメージを基にしてラスターデータ基盤の地図製作に適用可能なポリゴンを生成する（Ｓ４０）。

さらに詳細に説明すると、まず、ポリゴン予測部４２は、ベクターデータ処理部２０により生成されたグラウンドトルースイメージとラスター分割イメージに対する機械学習を用いてポリゴンを予測して、予測ポリゴンを生成する（Ｓ４２）。

次に、ベクターデータ変換部４４は、ポリゴン予測部４２により生成された予測ポリゴンをベクターデータに変換して、予測ポリコンに対する予測ベクターデータを生成する（Ｓ４４）。この場合、ベクターデータ変換部４４は、予測ポリゴンをクラス別に分割し、各クラス別にベクター追跡技術を利用して予測ポリゴンを予測ベクターデータに変換する。

予測ポリゴンを予測ベクターデータに変換するのに伴い、正確度検証部４６は、ベクターデータ処理部２０により生成されたグラウンドトルースイメージとベクターデータ変換部４４により生成された予測ベクターデータとを比較して、予測ベクターデータの正確度を検証する（Ｓ４６）。

すなわち、正確度検証部４６は、グラウンドトルースイメージに対する予測ベクターデータの正確度が既定の設定値以上であるか否かに基づいて予測ポリゴンをラスターデータ基盤の地図製作に適用可能なポリゴンであるか否かを判断する。

この際、正確度検証部４６は、正確度が設定値未満の場合、ポリゴン予測部４２を介してグラウンドトルースイメージに対する機械学習を繰り返すようにして、予測ベクターデータの正確度を向上させる。

他方で、上記の機械学習を用いた予測ベクターデータの正確度が設定値以上の場合、形態調節部４８は、ラスターデータ基盤の地図製作に適用可能な予測ポリゴンの形態を調節する（Ｓ４８）。通常、機械学習で抽出した予測ポリゴンは、デコボコした形態の面であるから、形態調節部４８は、ラスターデータ基盤の地図製作に適用可能であるように、予測ポリゴンの面形態を調節し、ノードの個数を最小化させる。

このように、本発明の一実施形態による機械学習とイメージプロセッシングを利用した地図製作装置は、ベクターデータに基づいて分割された学習データとラスターデータに基づいて分割された学習データに対する機械学習を基にしてラスターデータを用いて地図を自動で製作することができる。

また、本発明の一実施形態による機械学習とイメージプロセッシングを利用した地図製作装置は、ラスターデータを用いて地図を自動で製作することができ、地図製作時のエラーを低減し、地図の正確度を向上させることができる。

本発明は、図面に示された実施形態を参考にして説明されたが、これは、例示的なものに過ぎず、当該技術の属する技術分野における通常の知識を有する者なら、これから多様な変形および均等な他の実施形態が可能であるという点が理解することができる。したがって、本発明の真の技術的保護範囲は、特許請求の範囲により定められなければならない。

Claims (16)

1. ベクターデータとラスターデータをそれぞれ収集するデータ収集部と、
   前記ベクターデータを処理して、既定の設定サイズのグラウンドトルースイメージを生成するベクターデータ処理部と、
   前記ラスターデータを処理して、前記設定サイズのラスター分割イメージを生成するラスターデータ処理部と、
   前記グラウンドトルースイメージと前記ラスター分割イメージに対する機械学習を用いて予測ポリゴンを生成し、前記予測ポリゴンと前記グラウンドトルースイメージを基にして前記ラスターデータ基盤の地図製作に適用可能なポリゴンを生成するポリゴン生成部と、を含む機械学習とイメージプロセッシングを利用した地図製作装置。
2. 前記ベクターデータ処理部は、
   前記ベクターデータのファイルフォーマットと座標系のうち少なくとも一つ以上が互いに異なる場合、前記ベクターデータのフォーマットや座標系が互いに一致するように、前記ベクターデータをそれぞれパーシングするデータパーシング部を含むことを特徴とする請求項１に記載の機械学習とイメージプロセッシングを利用した地図製作装置。
3. 前記ベクターデータ処理部は、
   前記ベクターデータを用いて地図を生成して、地図の各クラスをカラーコーディングする地図生成部と、
   前記地図を前記設定サイズに分割して、前記グラウンドトルースイメージを生成するベクターデータ分割部と、を含むことを特徴とする請求項１に記載の機械学習とイメージプロセッシングを利用した地図製作装置。
4. 前記地図生成部は、
   前記地図の各クラスを互いに異なる色でカラーコーディングすることを特徴とする請求項３に記載の機械学習とイメージプロセッシングを利用した地図製作装置。
5. 前記設定サイズは、機械学習のために既定の学習データサイズであることを特徴とする請求項１に記載の機械学習とイメージプロセッシングを利用した地図製作装置。
6. 前記ラスターデータ処理部は、
   前記ラスターデータを前記設定サイズに分割して、前記ラスター分割イメージを生成し、且つ前記ラスター分割イメージを機械学習のために既定の設定個数以上生成するラスターデータ分割部を含むことを特徴とする請求項１に記載の機械学習とイメージプロセッシングを利用した地図製作装置。
7. 前記ラスターデータ処理部は、
   前記ラスターデータの基準座標の正確度に応じて前記ラスターデータの座標を実際の地図の座標によって補正する座標補正部を含むことを特徴とする請求項１に記載の機械学習とイメージプロセッシングを利用した地図製作装置。
8. 前記ラスターデータ処理部は、
   前記ラスター分割イメージにある機械学習妨害要素を除去するイメージ補正部を含むことを特徴とする請求項１に記載の機械学習とイメージプロセッシングを利用した地図製作装置。
9. 前記ポリゴン生成部は、
   前記グラウンドトルースイメージと前記ラスター分割イメージに対する機械学習を用いて予測ポリゴンを生成するポリゴン予測部と、
   前記予測ポリゴンをベクターデータに変換して、予測ベクターデータを生成するベクターデータ変換部と、
   前記グラウンドトルースイメージと前記予測ベクターデータとを比較して、前記予測ベクターデータの正確度を検証し、該検証結果によって前記予測ポリゴンを前記ラスターデータ基盤の地図製作に適用可能なポリゴンに決定する正確度検証部と、を含むことを特徴とする請求項１に記載の機械学習とイメージプロセッシングを利用した地図製作装置。
10. 前記ポリゴン予測部は、
    前記グラウンドトルースイメージと前記ラスター分割イメージに対する機械学習を用いてクラス別に前記予測ポリゴンの形態を認識し、前記予測ポリゴンを分類して位置を予測することを特徴とする請求項９に記載の機械学習とイメージプロセッシングを利用した地図製作装置。
11. 前記ベクターデータ変換部は、
    前記予測ポリゴンをクラス別にベクター追跡技術を利用して前記予測ベクターデータに変換することを特徴とする請求項９に記載の機械学習とイメージプロセッシングを利用した地図製作装置。
12. 前記正確度検証部は、
    前記グラウンドトルースイメージと前記予測ベクターデータとが重なる部分をピクセルレベル単位で比較して正確度を判断することを特徴とする請求項９に記載の機械学習とイメージプロセッシングを利用した地図製作装置。
13. 前記正確度検証部は、
    前記グラウンドトルースイメージに対する前記予測ベクターデータの正確度が既定の設定値以上であるか否かに基づいて前記予測ポリゴンが前記ラスターデータ基盤の地図製作に適用可能であるか否かを判断することを特徴とする請求項９に記載の機械学習とイメージプロセッシングを利用した地図製作装置。
14. 前記正確度検証部は、
    前記正確度が前記設定値未満の場合、前記ポリゴン予測部を介して前記グラウンドトルースイメージに対する機械学習を繰り返すようにして、前記予測ベクターデータの正確度を向上させることを特徴とする請求項１３に記載の機械学習とイメージプロセッシングを利用した地図製作装置。
15. 前記ポリゴン生成部は、
    前記予測ポリゴンを前記ラスターデータ基盤の地図製作に適用可能なポリゴンの形態で調節する形態調節部を含むことを特徴とする請求項１３に記載の機械学習とイメージプロセッシングを利用した地図製作装置。
16. 前記形態調節部は、
    前記ラスターデータ基盤の地図製作に適用可能であるように、前記予測ポリゴンの面形態を調節し、ノードの個数を最小化させることを特徴とする請求項１５に記載の機械学習とイメージプロセッシングを利用した地図製作装置。