[go: up one dir, main page]

CN111597986B - 用于生成信息的方法、装置、设备和存储介质 - Google Patents

用于生成信息的方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN111597986B
CN111597986B CN202010411190.1A CN202010411190A CN111597986B CN 111597986 B CN111597986 B CN 111597986B CN 202010411190 A CN202010411190 A CN 202010411190A CN 111597986 B CN111597986 B CN 111597986B
Authority
CN
China
Prior art keywords
traffic indicator
image
information
precision map
traffic
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
CN202010411190.1A
Other languages
English (en)
Other versions
CN111597986A (zh
Inventor
何雷
杨光垚
沈莉霞
宋适宇
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010411190.1A priority Critical patent/CN111597986B/zh
Publication of CN111597986A publication Critical patent/CN111597986A/zh
Application granted granted Critical
Publication of CN111597986B publication Critical patent/CN111597986B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了用于生成信息的方法、装置、设备和存储介质，涉及自动驾驶领域。具体实现方案为：从目标图像中分割出交通指示物图像；获取该目标图像对应的相机姿态信息；根据该相机姿态信息，将与该目标图像匹配的高精地图数据投影至该目标图像所在平面，生成投影图像，其中，该匹配的高精地图数据包括位置和朝向符合预设要求的交通指示物的三维数据；基于该交通指示物图像和该投影图像的比较，生成交通指示物变更信息，其中，该交通指示物变更信息用于指示该匹配的高精地图数据对应的交通指示物是否发生变更。从而实现了通过小成本方式、快速及时地判断高精地图数据所呈现的交通指示物是否发生了现实变更，为打造分钟级高精地图自动化更新提供坚实的数据基础。

Description

用于生成信息的方法、装置、设备和存储介质
技术领域
本申请的实施例涉及计算机技术领域，具体涉及自动驾驶领域的高精地图变更检测技术。
背景技术
随着自动驾驶技术的发展，高精地图中核心元素(如交通信号灯等)跟随实际情况的变更对于保证高精地图的时效性和自动驾驶系统的安全起到举足轻重的作用。
现有技术通常是利用专门的地图采集车辆对主要的道路进行快速覆盖并将采集的数据回传。通过对采集到的点云和图像进行分析处理，结合定位数据对道路上的目标元素进行后台融合，通过各个局部信息构建出高精地图的全局信息。但这种方式存在着采集周期长、制图周期长和制作成本高等问题。
发明内容
提供了一种用于生成信息的方法、装置、设备以及存储介质。
根据第一方面，提供了一种用于生成信息的方法，该方法包括：从目标图像中分割出交通指示物图像；获取目标图像对应的相机姿态信息；根据相机姿态信息，将与目标图像匹配的高精地图数据投影至目标图像所在平面，生成投影图像，其中，匹配的高精地图数据包括位置和朝向符合预设要求的交通指示物的三维数据；基于交通指示物图像和投影图像的比较，生成交通指示物变更信息，其中，交通指示物变更信息用于指示匹配的高精地图数据对应的交通指示物是否发生变更，其中，交通指示物变更信息用于指示以下至少一项：交通指示物增加，交通指示物减少，交通指示物未变更。
根据第二方面，提供了一种用于生成信息的装置，该装置包括：分割单元，被配置成从目标图像中分割出交通指示物图像；第一获取单元，被配置成获取目标图像对应的相机姿态信息；投影单元，被配置成根据相机姿态信息，将与目标图像匹配的高精地图数据投影至目标图像所在平面，生成投影图像，其中，匹配的高精地图数据包括位置和朝向符合预设要求的交通指示物的三维数据；生成单元，被配置成基于交通指示物图像和投影图像的比较，生成交通指示物变更信息，其中，交通指示物变更信息用于指示匹配的高精地图数据对应的交通指示物是否发生变更，其中，交通指示物变更信息用于指示以下至少一项：交通指示物增加，交通指示物减少，交通指示物未变更。
根据第三方面，提供了一种电子设备，该电子设备包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，存储器存储有可被上述至少一个处理器执行的指令，上述指令被至少一个处理器执行，以使上述至少一个处理器能够执行如第一方面中任一实现方式所描述的方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机能够执行如第一方面中任一实现方式所描述的方法。
根据本申请的技术实现了通过小成本方式、快速及时地判断高精地图数据所呈现的交通指示物(例如红绿灯等)是否发生了现实变更，具有良好的泛化性。进而可以为打造分钟级高精地图自动化更新提供坚实的数据基础。从而解决了现有高精地图更新方法采集周期长、制图周期长和制作成本高等问题。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的示意图；
图2是根据本申请第二实施例的示意图；
图3是可以实现本申请实施例的用于生成信息的方法的一个应用场景的示意图；
图4是根据本申请实施例的用于生成信息的装置的示意图；
图5是用来实现本申请实施例的用于生成信息的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是示出了根据本申请第一实施例的示意图100。该用于生成信息的方法包括以下步骤：
S101，从目标图像中分割出交通指示物图像。
在本实施例中，用于生成信息的执行主体可以通过各种方式从目标图像中分割出交通指示物图像。其中，上述目标图像可以包括从车载相机中获取的图像。上述目标图像中通常可以包括各种交通指示物图像。上述交通指示物可以包括但不限于以下至少一项：机动车道的交通信号灯，人行道的交通信号灯，限速牌等交通标志牌。上述图像分割的方法可以包括但不限于以下至少一项：基于阈值的分割方法，分水岭算法，基于边缘检测的分割方法，基于小波分析和小波变换的图像分割方法，基于主动轮廓模型(Active ContourModels)的分割方法，基于深度学习的分割模型。
在本实施例的一些可选的实现方式中，上述执行主体还可以将目标图像输入至预先训练的交通指示物分割模型，生成包括至少一个交通指示物图像的分割结果。其中，上述交通指示物分割模型中可以包括基于空洞可分离卷积的编码网络和解码网络。上述交通指示物分割模型可以以Xception作为主干网络，在原有的编码网络和解码网络的基础上增加了空洞空间金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)模块，从而能够获取多个尺度上的卷积特征。上述交通指示物分割模型可以使用深度可分离卷积结构(depthwiseseparable convolution)，从而不仅可以降低网络参数，还可以提高网络推断的鲁棒性。实践中，可以将DeepLab v3+的深度神经网络结构作为初始模型，利用机器学习算法采用预设的训练样本集合进行训练，得到上述交通指示物分割模型。
S102，获取目标图像对应的相机姿态信息。
在本实施例中，上述执行主体可以通过各种方式获取目标图像对应的相机姿态信息。上述目标图像对应的相机姿态信息可以为上述车载相机的位姿。作为示例，上述执行主体可以通过各种姿态估计(Pose Estimation)的方法获取上述相机姿态信息。上述姿态估计的方法例如可以包括但不限于基于特征的方法和直接匹配法。
S103，根据相机姿态信息，将与目标图像匹配的高精地图数据投影至目标图像所在平面，生成投影图像。
在本实施例中，根据S102所获取的相机姿态信息，上述执行主体可以将与上述目标图像匹配的高精地图数据投影至目标图像所在平面，生成投影图像。其中，上述匹配的高精地图数据可以包括位置和朝向符合预设要求的交通指示物的三维数据。上述匹配的高精地图数据可以是包括与上述目标图像所指示的交通指示物一致的数据的高精地图数据。上述预设要求可以根据实际应用场景而预先设定。例如，上述预设要求可以是位于车辆行驶方向前方距离不大于200米范围内。可选地，预设要求还可以进一步包括交通指示物所在位置与机动车道的对应，以排除非机动车道的交通标志物的干扰。
在本实施例中，上述执行主体可以根据定位数据和高精地图中包括的坐标和朝向信息来确定上述匹配的高精地图数据。上述定位数据可以通过各种方式获取，例如从目标图像的EXIF(Exchangeable image file format，可交换图像文件格式)信息中获取或从车载相机对应的车辆定位系统获取。由于高精地图数据中往往包含着对应于点云的三维数据，上述执行主体可以根据S102所获取的相机姿态信息所指示的坐标变换矩阵，将与上述目标图像匹配的高精地图数据进行投影，从而生成上述投影图像。
在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤生成投影图像：
第一步，获取目标图像对应的拍摄方向和位置信息。
在这些实现方式中，上述执行主体可以通过各种方式获取上述目标图像对应的拍摄方向和位置信息。作为示例，上述执行主体可以从定位数据中获取位置信息。而后，可以根据定位数据生成轨迹信息，并根据轨迹信息生成行驶方向。之后，上述执行主体可以将与上述行驶方向一致的方向确定为拍摄方向。
第二步，利用预先构建的高维索引树形结构，从预设的高精地图数据中选取与拍摄方向和位置信息匹配的高精地图数据作为候选数据集。
在这些实现方式中，上述执行主体可以利用预先构建的高维索引树形结构，查找与上述第一步所获取的拍摄方向和位置信息匹配的高精地图数据作为候选数据集。其中，上述高维索引树形结构可以包括根据轨迹和相机姿态作为索引的高精地图数据查询数据库。上述高维索引树形结构例如可以包括K-D树(k-dimensional tree)。
第三步，根据相机姿态信息，将候选数据集投影至目标图像所在平面，生成投影图像。
在这些实现方式中，上述执行主体可以根据上述S102所获取的相机姿态信息所指示的坐标变换矩阵，将上述第二步所选取的候选数据集投影至上述目标图像所在平面，从而生成投影图像。
基于上述可选的实现方式，上述执行主体可以通过预先构建的高维索引树形数据结构快速筛选匹配的高精度地图数据，从而可以有效地减小检索的时间复杂度，进而能够为后续实现快速、准确的交通指示物变更的生成提供数据基础。
在本实施例的一些可选的实现方式中，上述执行主体还可以将上述匹配的高精地图数据投影至目标图像所在平面上之后，将投影得到的交通指示物图像进行后处理，从而将后处理后得到的图像作为上述投影图像。其中，上述后处理可以包括但不限于以下至少一项：区域扩展，轮廓曲线上点的稀释，轮廓曲线上点的直角化处理，重复点线的删除等。
基于上述可选的实现方式，可以对投影后的交通指示物图像进行优化修正，如避免有规则的几何体出现不规则、不合理的情况，还可以减小由于过多数据冗余带来的存储空间浪费。
S104，基于交通指示物图像和投影图像的比较，生成交通指示物变更信息。
在本实施例中，基于上述交通指示物图像和S103所得到的投影图像之间的比较，上述执行主体可以通过各种方式生成上述交通指示物变更信息。其中，上述交通指示物变更信息可以用于指示上述匹配的高精地图数据对应的交通指示物是否发生变更。上述交通指示物变更信息可以用于指示以下至少一项：交通指示物增加，交通指示物减少，交通指示物未变更。
作为示例，响应于确定上述交通指示物图像中存在与S103所得到的投影图像所指示的交通指示物(例如交通信号灯)一致的交通指示物，上述执行主体可以生成用于指示上述交通指示物未变更的交通指示物变更信息，即高精地图数据与实际情况一致。作为又一示例，响应于确定上述交通指示物图像中不存在与S103所得到的投影图像所指示的交通指示物(例如交通信号灯)一致的交通指示物，上述执行主体可以生成用于指示上述交通指示物减少的交通指示物变更信息，即高精地图数据中多标了对应的交通指示物。
在本实施例的一些可选的实现方式中，上述执行主体还可以采用网格搜索(gridsearching)法来确定上述交通指示物图像所指示的交通指示物与步骤103所得到的投影图像所指示的交通指示物是否一致。
在本实施例的一些可选的实现方式中，上述执行主体还可以通过以下步骤生成交通指示物变更信息：
第一步，响应于确定投影图像中不存在交通指示物图像，将交通指示物图像输入至预先训练的交通指示物细分类模型，生成交通指示物所属的类别信息。
在这些实现方式中，响应于确定上述投影图像中不存在上述交通指示物图像，上述执行主体可以将上述交通指示物图像输入至预先训练的交通指示物细分类模型，从而生成交通指示物所属的类别信息。其中，上述类别信息可以用于指示交通指示物是否在高精地图中显示。上述预先训练的交通指示物细分类模型可以包括各种通过机器学习方式而训练得到的神经网络。上述交通指示物细分类模型的训练样本集合可以包括正样本和负样本。上述正样本可以包括机动车道的交通指示物图像(例如交通信号灯、限速标志等)和用于指示交通指示物在高精地图中显示的类别信息。上述负样本可以包括非机动车道的交通指示物图像(例如非机动车信号灯、人行横道信号灯、禁止非机动车进入标志等)和指示交通指示物不在高精地图中显示的类别信息。
可选地，上述交通指示物细分类模型可以是一个单独训练的模型，也可以是上述S101的可选的实现方式中交通指示物分割模型中靠近输出端的一个网络层，在此不作限定。
第二步，响应于确定所生成的类别信息用于指示交通指示物在高精地图中显示，生成用于指示交通指示物增加的交通指示物变更信息。
在这些实现方式中，响应于确定所生成的类别信息用于指示交通指示物在高精地图中显示，上述执行主体可以生成用于指示交通指示物增加的交通指示物变更信息，即高精地图数据中漏标了对应的交通指示物。
第三步，响应于确定所生成的类别信息用于指示交通指示物不在高精地图中显示，生成用于指示交通指示物未变更的交通指示物变更信息。
在这些实现方式中，响应于确定所生成的类别信息用于指示交通指示物不在高精地图中显示，上述执行主体可以生成用于指示交通指示物未变更的交通指示物变更信息，即高精地图数据与实际情况一致。
基于上述可选的实现方式，可以通过交通指示物细分类模型进一步确定所生成的交通指示物变更信息是否满足高精地图的采集制作要求，从而能够进一步提升所生成的用于指示高精地图漏标交通指示物的交通指示物变更信息的准确度。
在本实施例的一些可选的实现方式中，上述执行主体还可以进一步执行以下步骤：
第一步，响应于生成用于指示交通指示物增加的交通指示物变更信息，获取与匹配的高精地图数据关联的补充数据。
在这些实现方式中，响应于生成用于指示交通指示物增加的交通指示物变更信息，上述执行主体还可以进一步获取与上述匹配的高精地图数据关联的补充数据。其中，上述补充数据可以包括与上述目标图像的位置相匹配的高精地图数据。上述补充数据通常可以包括不完全满足上述预设要求的高精地图数据。作为示例，上述预设要求为位于车辆行驶方向前方距离不大于200米范围内。那么上述补充数据通常可以包括位于车辆行驶方向前方(左右偏移方向不大于20°)距离不大于200米范围内的高精地图数据。
第二步，响应于确定补充数据中存在与目标图像中指示交通指示物增加的交通指示物图像匹配的交通指示物的三维数据，将所生成的用于指示交通指示物增加的交通指示物变更信息变更为用于指示交通指示物未变更的交通指示物变更信息。
基于上述可选的实现方式，可以通过增加匹配的高精地图数据量来进一步扩展交通指示物的匹配目标，从而能够进一步提升所生成的用于指示高精地图漏标交通指示物的交通指示物变更信息的准确度。
本申请的上述实施例提供的方法，通过将与目标图像匹配的高精地图数据投影至目标图像所在平面并进行比对，从而生成用于指示交通指示物是否发生变更的交通指示物变更信息，实现了通过小成本方式、快速及时地判断高精地图数据所呈现的交通指示物(例如红绿灯)是否发生了现实变更，并具有良好的泛化性。进而可以为打造分钟级高精地图自动化更新提供坚实的数据基础。
继续参见图2，图2是根据本申请第二实施例的示意图200。该用于生成信息的方法包括以下步骤：
S201，从目标图像中分割出交通指示物图像。
S202，获取目标图像对应的相机姿态信息。
S203，根据相机姿态信息，将与目标图像匹配的高精地图数据投影至目标图像所在平面，生成投影图像。
上述S201、S202和S203分别与前述实施例中的S101、S102和S103及其可选的实现方式一致，上文针对S101、S102和S103及其可选的实现方式的描述也适用于S201、S202和S203，此处不再赘述。
S204，根据交通指示物图像和投影图像的比较，生成交通指示物变更子信息。
在本实施例中，用于生成信息的方法的执行主体可以采用与前述实施例中S104及其可选的实现方式所描述的方法一致的方式，生成上述交通指示物变更子信息。其中，上述交通指示物变更子信息可以用于指示上述匹配的高精地图数据对应的交通指示物是否发生变更。
S205，获取目标数目张与目标图像关联的扩展图像。
在本实施例中，上述执行主体可以通过各种方式获取目标数目张与上述目标图像关联的扩展图像。其中，上述扩展图像所匹配的高精地图数据通常与目标图像所匹配的高精地图数据一致。作为示例，上述执行主体可以从拍摄上述目标图像的车载相机获取上述与目标图像关联的扩展图像。例如，搭载上述车载相机的车辆在行驶过程中可以连续拍摄图像，与上述目标图像关联的扩展图像可以是在图像序列中与上述目标图像相邻的若干张图像。
S206，从目标数目张扩展图像中分割出交通指示物图像。
在本实施例中，上述执行主体可以采用与前述实施例中S101所描述的方法一致的方式，将交通指示物图像从上述目标数目张扩展图像中分割出来。
S207，根据目标数目张扩展图像中分割出的交通指示物图像和投影图像的比较，生成目标数目个交通指示物变更子信息。
在本实施例中，上述执行主体可以采用与前述实施例中S102至S104及其可选的实现方式中描述的方法一致的方式，生成目标数目个交通指示物变更子信息。
S208，对所生成的多个交通指示物变更子信息进行统计，生成交通指示物变更信息。
在本实施例中，上述执行主体可以通过各种方式对上述所生成的多个交通指示物子信息进行统计。作为示例，上述执行主体可以分别统计指示交通指示物变更的交通指示物变更子信息和指示交通指示物未变更的交通指示物变更子信息的数目。而后，上述执行主体可以生成与数目较多的交通指示物变更子信息所指示的交通指示物变更情况一致的交通指示物变更信息。作为又一示例，上述执行主体还可以确定指示交通指示物变更的交通指示物变更子信息的数目占上述目标数目的占比是否大于预设比例阈值。响应于确定大于，上述执行主体可以生成指示交通指示物变更的交通指示物变更信息。响应于确定不大于，上述执行主体可以生成指示交通指示物未变更的交通指示物变更信息。
在本实施例的一些可选的实现方式中，响应于确定指示交通指示物是否变更的交通指示物变更子信息的数目不满足预设的生成指示交通指示物是否变更的条件，上述执行主体还可以表征不确定交通指示物是否变更的交通指示物变更信息。在这些实现方式中，上述执行主体可以发送提示表征人工接管的信息或针对上述目标图像对应的区域重新执行上述用于生成信息的方法。
从图2中可以看出，本实施例中的用于生成信息的方法的流程200体现了通过目标数目张扩展图像所确定的交通指示物变更子信息的统计结果来确定最终生成的交通指示物变更信息的步骤。由此，本实施例描述的方案可以通过目标图像的多张关联图像来共同确定交通指示物的变化，从而提升了交通指示物变更信息的可信度，进而为高精地图的准确性提供保障。
继续参见图3，图3是根据本申请的实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，自动驾驶车辆301可以在行驶过程中利用车载相机拍摄目标图像302。而后，自动驾驶车辆301可以将上述目标图像302上传至后台服务器303。之后，后台服务器303可以利用图像分割方法从目标图像302中分割出交通信号灯图像304。后台服务器303还可以从自动驾驶车辆301获取车载相机的相机姿态信息305。之后，上述后台服务器303可以根据所获取的相机姿态信息305所指示的坐标转换矩阵，将与目标图像302的拍摄位置对应的高精地图数据投影至上述目标图像302所在平面，生成投影图像306。最后，后台服务器可以将交通信号灯图像304和投影图像306进行比较，从而生成交通指示物变更信息307。其中，上述交通指示物变更信息307可以用于指示交通指示物增加。
目前，现有技术之一通常是通过将采集到的点云和图像进行后台融合，利用各个局部信息构建出高精地图的全局信息，导致采集周期长、制图周期长和制作成本高等问题。而本申请的上述实施例提供的方法，通过将与目标图像匹配的高精地图数据投影至目标图像所在平面并进行比对，从而生成用于指示交通指示物是否发生变更的交通指示物变更信息，实现了通过小成本方式、快速及时地判断高精地图数据所呈现的交通指示物是否发生了现实变更，并具有良好的泛化性。进而可以为打造分钟级高精地图自动化更新提供坚实的数据基础。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了用于生成信息的装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例提供的用于生成信息的装置400包括分割单元401、第一获取单元402、投影单元403和生成单元404。其中，分割单元401，被配置成从目标图像中分割出交通指示物图像；第一获取单元402，被配置成获取目标图像对应的相机姿态信息；投影单元403，被配置成根据相机姿态信息，将与目标图像匹配的高精地图数据投影至目标图像所在平面，生成投影图像，其中，匹配的高精地图数据包括位置和朝向符合预设要求的交通指示物的三维数据；生成单元404，被配置成基于交通指示物图像和投影图像的比较，生成交通指示物变更信息，其中，交通指示物变更信息用于指示匹配的高精地图数据对应的交通指示物是否发生变更，其中，交通指示物变更信息用于指示以下至少一项：交通指示物增加，交通指示物减少，交通指示物未变更。
在本实施例中，用于生成信息的装置400中：分割单元401、第一获取单元402、投影单元403和生成单元404的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤S101、S102、S103和S104的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述投影单元403可以包括第一获取模块(图中未示出)、选取模块(图中未示出)、投影模块(图中未示出)。其中，上述第一获取模块，可以被配置成获取目标图像对应的拍摄方向和位置信息；上述选取模块，可以被配置成利用预先构建的高维索引树形数据结构，从预设的高精地图数据中选取与拍摄方向和位置信息匹配的高精地图数据作为候选数据集；上述投影模块，可以被配置成根据相机姿态信息，将候选数据集投影至目标图像所在平面，生成投影图像。
在本实施例的一些可选的实现方式中，上述生成单元404可以包括第一比对模块(图中未示出)、第二获取模块(图中未示出)、分割模块(图中未示出)、第二比对模块(图中未示出)、第一生成模块(图中未示出)。其中，上述第一比对模块，可以被配置成根据交通指示物图像和投影图像的比较，生成交通指示物变更子信息。上述第二获取模块，可以被配置成获取目标数目张与目标图像关联的扩展图像。其中，上述扩展图像所匹配的高精地图数据可以与目标图像所匹配的高精地图数据一致。上述分割模块，可以被配置成从目标数目张扩展图像中分割出交通指示物图像。上述第二比对模块，可以被配置成根据目标数目张扩展图像中分割出的交通指示物图像和投影图像的比较，生成目标数目个交通指示物变更子信息。上述第一生成模块，可以被配置成对所生成的多个交通指示物变更子信息进行统计，生成交通指示物变更信息。
在本实施例的一些可选的实现方式中，上述生成单元404可以包括分类模块(图中未示出)、第二生成模块(图中未示出)、第三生成模块(图中未示出)。其中，上述分类模块，可以被配置成响应于确定投影图像中不存在交通指示物图像，将交通指示物图像输入至预先训练的交通指示物细分类模型，生成交通指示物所属的类别信息。其中，上述类别信息可以用于指示交通指示物是否在高精地图中显示。上述第二生成模块，可以被配置成响应于确定所生成的类别信息用于指示交通指示物在高精地图中显示，生成用于指示交通指示物增加的交通指示物变更信息。上述第三生成模块，可以被配置成响应于确定所生成的类别信息用于指示交通指示物不在高精地图中显示，生成用于指示交通指示物未变更的交通指示物变更信息。
在本实施例的一些可选的实现方式中，上述用于生成信息的装置400还可以包括：第二获取单元(图中未示出)、变更单元(图中未示出)。其中，上述第二获取单元，可以被配置成响应于生成用于指示交通指示物增加的交通指示物变更信息，获取与匹配的高精地图数据关联的补充数据。其中，补充数据可以包括与目标图像的位置相匹配的高精地图数据。上述变更单元，可以被配置成响应于确定补充数据中存在与目标图像中指示交通指示物增加的交通指示物图像匹配的交通指示物的三维数据，将所生成的用于指示交通指示物增加的交通指示物变更信息变更为用于指示交通指示物未变更的交通指示物变更信息。
本申请的上述实施例提供的装置，通过分割单元401从目标图像中分割出交通指示物图像。而后，第一获取单元402获取目标图像对应的相机姿态信息。之后，投影单元403根据相机姿态信息，将与目标图像匹配的高精地图数据投影至目标图像所在平面，生成投影图像。其中，匹配的高精地图数据包括位置和朝向符合预设要求的交通指示物的三维数据。生成单元404基于交通指示物图像和投影图像的比较，生成交通指示物变更信息。其中，交通指示物变更信息用于指示匹配的高精地图数据对应的交通指示物是否发生变更。其中，交通指示物变更信息用于指示以下至少一项：交通指示物增加，交通指示物减少，交通指示物未变更。从而实现了通过小成本方式、快速及时地判断高精地图数据所呈现的交通指示物(例如红绿灯等)是否发生了现实变更，具有良好的泛化性。进而可以为打造分钟级高精地图自动化更新提供坚实的数据基础。
下面参考图5，根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图5所示，是根据本申请实施例的用于生成信息的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，自动驾驶车辆的自动控制系统，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的用于生成信息的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的用于生成信息的方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的用于生成信息的方法对应的程序指令/模块(例如，附图4所示的分割单元401、第一获取单元402、投影单元403和生成单元404)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的用于生成信息的方法。
存储器502可以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、至少一个功能所需要的应用程序；存储数据区可存储根据用于生成信息的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至用于生成信息的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于生成信息的方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与用于生成信息的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，可以生成用于指示交通指示物是否发生变更的交通指示物变更信息。从而实现了通过小成本方式、快速及时地判断高精地图数据所呈现的交通指示物(例如红绿灯)是否发生了现实变更，并具有良好的泛化性。进而可以为打造分钟级高精地图自动化更新提供坚实的数据基础。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种用于生成信息的方法，其特征在于，包括：
从目标图像中分割出交通指示物图像；
获取所述目标图像对应的相机姿态信息；
根据所述相机姿态信息，将与所述目标图像匹配的高精地图数据投影至所述目标图像所在平面，生成投影图像，其中，所述匹配的高精地图数据包括位置和朝向符合预设要求的交通指示物的三维数据；
基于所述交通指示物图像和所述投影图像的比较，生成交通指示物变更信息，其中，所述交通指示物变更信息用于指示所述匹配的高精地图数据对应的交通指示物是否发生变更，其中，所述交通指示物变更信息用于指示以下至少一项：交通指示物增加，交通指示物减少，交通指示物未变更；
响应于生成用于指示交通指示物增加的交通指示物变更信息，获取与所述匹配的高精地图数据关联的补充数据，其中，所述补充数据包括与所述目标图像的位置相匹配的高精地图数据；
响应于确定补充数据中存在与所述目标图像中指示交通指示物增加的交通指示物图像匹配的交通指示物的三维数据，将所生成的用于指示交通指示物增加的交通指示物变更信息变更为用于指示交通指示物未变更的交通指示物变更信息。
2.根据权利要求1所述的方法，其中，所述根据所述相机姿态信息，将与所述目标图像匹配的高精地图数据投影至所述目标图像所在平面，生成投影图像，包括：
获取所述目标图像对应的拍摄方向和位置信息；
利用预先构建的高维索引树形数据结构，从预设的高精地图数据中选取与所述拍摄方向和位置信息匹配的高精地图数据作为候选数据集；
根据所述相机姿态信息，将所述候选数据集投影至所述目标图像所在平面，生成所述投影图像。
3.根据权利要求1所述的方法，其中，所述基于所述交通指示物图像和所述投影图像的比较，生成交通指示物变更信息，包括：
根据所述交通指示物图像和所述投影图像的比较，生成交通指示物变更子信息；
获取目标数目张与所述目标图像关联的扩展图像，其中，扩展图像所匹配的高精地图数据与所述目标图像所匹配的高精地图数据一致；
从所述目标数目张扩展图像中分割出交通指示物图像；
根据所述目标数目张扩展图像中分割出的交通指示物图像和所述投影图像的比较，生成目标数目个交通指示物变更子信息；
对所生成的多个交通指示物变更子信息进行统计，生成所述交通指示物变更信息。
4.根据权利要求1所述的方法，其中，所述基于所述交通指示物图像和所述投影图像的比较，生成交通指示物变更信息，包括：
响应于确定所述投影图像中不存在所述交通指示物图像，将所述交通指示物图像输入至预先训练的交通指示物细分类模型，生成交通指示物所属的类别信息，其中，类别信息用于指示交通指示物是否在高精地图中显示；
响应于确定所生成的类别信息用于指示交通指示物在高精地图中显示，生成用于指示交通指示物增加的交通指示物变更信息；
响应于确定所生成的类别信息用于指示交通指示物不在高精地图中显示，生成用于指示交通指示物未变更的交通指示物变更信息。
5.一种用于生成信息的装置，其特征在于，包括：
分割单元，被配置成从目标图像中分割出交通指示物图像；
第一获取单元，被配置成获取所述目标图像对应的相机姿态信息；
投影单元，被配置成根据所述相机姿态信息，将与所述目标图像匹配的高精地图数据投影至所述目标图像所在平面，生成投影图像，其中，所述匹配的高精地图数据包括位置和朝向符合预设要求的交通指示物的三维数据；
生成单元，被配置成基于所述交通指示物图像和所述投影图像的比较，生成交通指示物变更信息，其中，所述交通指示物变更信息用于指示所述匹配的高精地图数据对应的交通指示物是否发生变更，其中，所述交通指示物变更信息用于指示以下至少一项：交通指示物增加，交通指示物减少，交通指示物未变更；
第二获取单元，被配置成响应于生成用于指示交通指示物增加的交通指示物变更信息，获取与所述匹配的高精地图数据关联的补充数据，其中，所述补充数据包括与所述目标图像的位置相匹配的高精地图数据；
变更单元，被配置成响应于确定补充数据中存在与所述目标图像中指示交通指示物增加的交通指示物图像匹配的交通指示物的三维数据，将所生成的用于指示交通指示物增加的交通指示物变更信息变更为用于指示交通指示物未变更的交通指示物变更信息。
6.根据权利要求5所述的装置，所述投影单元包括：
第一获取模块，被配置成获取所述目标图像对应的拍摄方向和位置信息；
选取模块，被配置成利用预先构建的高维索引树形数据结构，从预设的高精地图数据中选取与所述拍摄方向和位置信息匹配的高精地图数据作为候选数据集；
投影模块，被配置成根据所述相机姿态信息，将所述候选数据集投影至所述目标图像所在平面，生成所述投影图像。
7.根据权利要求5所述的装置，所述生成单元包括：
第一比对模块，被配置成根据所述交通指示物图像和所述投影图像的比较，生成交通指示物变更子信息；
第二获取模块，被配置成获取目标数目张与所述目标图像关联的扩展图像，其中，扩展图像所匹配的高精地图数据与所述目标图像所匹配的高精地图数据一致；
分割模块，被配置成从所述目标数目张扩展图像中分割出交通指示物图像；
第二比对模块，被配置成根据所述目标数目张扩展图像中分割出的交通指示物图像和所述投影图像的比较，生成目标数目个交通指示物变更子信息；
第一生成模块，被配置成对所生成的多个交通指示物变更子信息进行统计，生成所述交通指示物变更信息。
8.根据权利要求5所述的装置，所述生成单元包括：
分类模块，被配置成响应于确定所述投影图像中不存在所述交通指示物图像，将所述交通指示物图像输入至预先训练的交通指示物细分类模型，生成交通指示物所属的类别信息，其中，类别信息用于指示交通指示物是否在高精地图中显示；
第二生成模块，被配置成响应于确定所生成的类别信息用于指示交通指示物在高精地图中显示，生成用于指示交通指示物增加的交通指示物变更信息；
第三生成模块，被配置成响应于确定所生成的类别信息用于指示交通指示物不在高精地图中显示，生成用于指示交通指示物未变更的交通指示物变更信息。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
CN202010411190.1A 2020-05-15 2020-05-15 用于生成信息的方法、装置、设备和存储介质 Active CN111597986B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010411190.1A CN111597986B (zh) 2020-05-15 2020-05-15 用于生成信息的方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010411190.1A CN111597986B (zh) 2020-05-15 2020-05-15 用于生成信息的方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN111597986A CN111597986A (zh) 2020-08-28
CN111597986B true CN111597986B (zh) 2023-09-29

Family

ID=72183717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010411190.1A Active CN111597986B (zh) 2020-05-15 2020-05-15 用于生成信息的方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111597986B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861832B (zh) * 2021-04-25 2021-07-20 湖北亿咖通科技有限公司 交通标识的检测方法、装置、电子设备及存储介质
CN113514053B (zh) * 2021-07-13 2024-03-26 阿波罗智能技术(北京)有限公司 生成样本图像对的方法、装置和更新高精地图的方法
CN113706704B (zh) * 2021-09-03 2024-06-18 北京百度网讯科技有限公司 基于高精地图规划路线的方法、设备以及自动驾驶车辆
CN114120279A (zh) * 2021-11-26 2022-03-01 武汉中海庭数据技术有限公司 一种交通标识牌更新方法、系统、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102447886A (zh) * 2010-09-14 2012-05-09 微软公司 在现有静止图像内可视化视频
CN102792316A (zh) * 2010-01-22 2012-11-21 谷歌公司 交通信号的映射和检测
CN109271924A (zh) * 2018-09-14 2019-01-25 盯盯拍（深圳）云技术有限公司 图像处理方法及图像处理装置
CN109579856A (zh) * 2018-10-31 2019-04-05 百度在线网络技术（北京）有限公司 高精度地图生成方法、装置、设备及计算机可读存储介质
CN109597862A (zh) * 2018-10-31 2019-04-09 百度在线网络技术（北京）有限公司 基于拼图式的地图生成方法、装置及计算机可读存储介质
CN110147382A (zh) * 2019-05-28 2019-08-20 北京百度网讯科技有限公司 车道线更新方法、装置、设备、系统及可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101843773B1 (ko) * 2015-06-30 2018-05-14 엘지전자 주식회사 차량 운전 보조 장치, 차량용 디스플레이 장치 및 차량
US10474163B2 (en) * 2016-11-24 2019-11-12 Lg Electronics Inc. Vehicle control device mounted on vehicle and method for controlling the vehicle
CN110657820A (zh) * 2017-01-12 2020-01-07 御眼视觉技术有限公司 基于车辆活动的导航
KR102518600B1 (ko) * 2018-10-26 2023-04-06 현대자동차 주식회사 친환경 차량의 감속 제어 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102792316A (zh) * 2010-01-22 2012-11-21 谷歌公司 交通信号的映射和检测
CN102447886A (zh) * 2010-09-14 2012-05-09 微软公司 在现有静止图像内可视化视频
CN109271924A (zh) * 2018-09-14 2019-01-25 盯盯拍（深圳）云技术有限公司 图像处理方法及图像处理装置
CN109579856A (zh) * 2018-10-31 2019-04-05 百度在线网络技术（北京）有限公司 高精度地图生成方法、装置、设备及计算机可读存储介质
CN109597862A (zh) * 2018-10-31 2019-04-09 百度在线网络技术（北京）有限公司 基于拼图式的地图生成方法、装置及计算机可读存储介质
CN110147382A (zh) * 2019-05-28 2019-08-20 北京百度网讯科技有限公司 车道线更新方法、装置、设备、系统及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
全卷积神经网络与卡尔曼滤波融合车道线跟踪控制技术;雷震;中国优秀硕士学位论文全文数据库 (基础科学辑);C035-288 *
张蕊.基于激光点云的复杂三维场景多态目标语义分割技术研究.中国博士学位论文全文数据库.2018,I135-19. *

Also Published As

Publication number Publication date
CN111597986A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111797187B (zh) 地图数据的更新方法、装置、电子设备和存储介质
CN111709328B (zh) 车辆跟踪方法、装置及电子设备
CN111695488B (zh) 兴趣面识别方法、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
CN110979346B (zh) 确定车辆所处车道的方法、装置及设备
JP7204823B2 (ja) 車両制御方法、車両制御装置及び車両
CN111753961B (zh) 模型训练方法和装置、预测方法和装置
CN111723768B (zh) 车辆重识别的方法、装置、设备和存储介质
CN111652153B (zh) 场景自动识别方法、装置、无人车及存储介质
CN111428663A (zh) 红绿灯状态的识别方法、装置、电子设备和存储介质
CN111597987B (zh) 用于生成信息的方法、装置、设备和存储介质
CN111666876B (zh) 用于检测障碍物的方法、装置、电子设备和路侧设备
CN110765227A (zh) 道路交通网络模型构建方法及装置
EP3985637A2 (en) Method and apparatus for outputting vehicle flow direction, roadside device, and cloud control platform
CN111767360A (zh) 路口虚拟车道标注的方法及装置
CN111950537A (zh) 斑马线信息获取方法、地图更新方法、装置及系统
CN112147632A (zh) 车载激光雷达感知算法的测试方法、装置、设备和介质
CN111539347A (zh) 用于检测目标的方法和装置
CN112528786A (zh) 车辆跟踪方法、装置及电子设备
CN110675635B (zh) 相机外参的获取方法、装置、电子设备及存储介质
CN113129423B (zh) 车辆三维模型的获取方法、装置、电子设备和存储介质
CN111523515A (zh) 自动驾驶车辆环境认知能力评价方法、设备及存储介质
CN111627241A (zh) 用于生成车辆排队信息的方法和装置
EP3958219A2 (en) Method and apparatus for generating a license plate defacement classification model, license plate defacement classification method and apparatus, electronic device, storage medium, and computer program product
CN114111813B (zh) 高精地图元素更新方法、装置、电子设备及存储介质

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