CN111435088A - 一种道路匹配方法、装置、电子设备及存储介质 - Google Patents
一种道路匹配方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111435088A CN111435088A CN201910038095.9A CN201910038095A CN111435088A CN 111435088 A CN111435088 A CN 111435088A CN 201910038095 A CN201910038095 A CN 201910038095A CN 111435088 A CN111435088 A CN 111435088A
- Authority
- CN
- China
- Prior art keywords
- road
- image
- matched
- equipment
- position information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种道路匹配方法、装置、电子设备及存储介质，涉及导航定位技术领域。方法包括：获取所述待匹配设备上报的定位数据；若根据定位数据获知待匹配设备的当前位置处于预设路段内，则向待匹配设备发送图像获取指令；获取待匹配设备上传的图像信息；基于图像信息利用道路识别模型进行图像识别，获得待匹配设备所在道路的目标位置信息。装置用于执行上述方法。本发明实施例通过获取待匹配设备上传的图像信息，并基于图像信息利用道路识别模型进行图像识别，从而获得该待匹配设备所在道路的目标位置信息，避免了使用定位数据进行道路匹配时，由于定位数据漂移导致的匹配不准确的问题，因此，大大提高了道路匹配的准确率。
Description
技术领域
本发明涉及导航定位技术领域，具体而言，涉及一种道路匹配方法、装置、电子设备及存储介质。
背景技术
目前移动互联网基于位置服务(Location Based Service，LBS)应用已经深入到大众的生活中。人们经常使用这些移动互联网地图规划出行的行程路线(Road Planning)，预估起终点所耗费的时间(Estimation time of arrival，ETA)等，而这些技术的一个很重要的基础，就是需要通过实时收集到的数据，包括卫星导航***(Global PositioningSystem，GPS)数据和传感器数据，感知当前车辆所处的路线，也即是地图领域的道路匹配(map-matching)。
现有技术中，通过获取车辆的GPS数据进行道路匹配，但是GPS数据存在精度漂移的现象，从而导致部分道路匹配准确率很低。
发明内容
有鉴于此，本发明实施例的目的在于提供一种道路匹配方法、装置、电子设备及存储介质，以达到提高了道路匹配的准确率的效果。
根据本发明的一个方面，提供一种电子设备，可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行所述机器可读指令，以执行一个或多个以下操作：
第一方面，本发明实施例提供了一种道路匹配方法，包括：
获取待匹配设备上报的定位数据；
若根据所述定位数据获知所述待匹配设备的当前位置处于预设路段内，则向所述待匹配设备发送图像获取指令；
获取待匹配设备在接收到所述图像获取指令后上传的图像信息，所述图像信息为所述待匹配设备所在道路的图像；
基于所述图像信息，利用道路识别模型进行图像识别，获得所述待匹配设备所在道路的目标位置信息。
通过获取待匹配设备上传的图像信息，并基于图像信息利用道路识别模型进行图像识别，从而获得该待匹配设备所在道路的目标位置信息，避免了使用定位数据进行道路匹配时，由于定位数据漂移导致的匹配不准确的问题，因此，大大提高了道路匹配的准确率。
在一些实施例中，所述方法，还包括：
获取训练样本，所述训练样本包括多张已标注的训练图像；
基于所述训练图像对卷积神经网络进行训练，获得所述道路识别模型。
通过对卷积神经网络的训练时，避免了显示的特征抽取，而隐式地从训练样本中进行学习，另外，由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，从而通过道路识别模型能够快速的进行图像识别，提高道路匹配的效率。
在一些实施例中，在获取待匹配设备采集的图像信息之前，所述方法，还包括：
根据所述定位数据利用预先构建的隐马尔可夫模型进行识别，获得所述待匹配设备所在道路的初始位置信息；
相应的，所述基于所述图像信息，利用道路识别模型进行图像识别，获得所述待匹配设备所在道路的目标位置信息，包括：
获取距初始位置信息预设距离内的路段对应的标准图像；其中，所述道路识别模型中预先存储有所述标准图像及对应的标准位置信息的映射关系；
对所述图像信息进行特征提取，获得对应的第一特征参数；
将所述第一特征参数分别与所述标准图像对应的第二特征参数进行匹配，获取与所述第一特征参数匹配成功的第二特征参数的标准图像作为目标标准图像；
将所述目标标准图像对应的标准位置信息作为目标位置信息。
在进行道路匹配时，先根据定位数据利用隐马尔可夫模型进行初始识别，获得初始位置信息，然后再利用道路识别模块进行图像匹配时，只将初始位置信息周围预设距离内的标准图像与图像信息进行匹配即可，从而进一步提高了道路匹配的效率。
在一些实施例中，在获得所述待匹配设备所在道路的位置信息之后，所述方法，还包括：
将所述图像信息以及对应的目标位置信息作为真值对隐马尔可夫模型进行优化。
通过由于通过道路识别模型获得的匹配结果较为准确，因此将图像信息对应的目标位置信息作为真值对隐马尔可夫模型进行优化，能够大大提高隐马尔可夫模型的识别准确率。
在一些实施例中，所述图像信息包括多张图像，相应的，所述基于所述图像信息，利用道路识别模型进行图像识别，获得所述待匹配设备所在道路的目标位置信息，包括：
分别将每张图像输入到所述道路识别模型中，获得每张图像对应的道路信息；
根据所有的图像分别对应的道路信息确定所述待匹配设备所在道路的目标位置信息。
在利用图像信息进行道路识别时，通过上传多张图像信息，利用道路识别模型分别对每一张图像信息进行识别，得到对应的结果，然后从多个识别结果中综合获得目标位置信息，相对于一张图像进行识别，能够大大提高道路匹配的准确率。
在一些实施例中，在分别将每张图像输入到所述道路识别模型中之前，所述方法，还包括：
对多张图像进行灰度变换，获得对应的灰度图像；
根据每张灰度图像对应的灰度直方图进行图像筛选。
通过对图像进行灰度变换，然后利用灰度变换后每张图像信息的灰度直方图对多张图像进行筛选，获得有价值的图像信息进行道路匹配，能够大大提高道路匹配的准确率。
第二方面，本发明实施例提供了一种道路匹配装置，包括：
第一获取模块，用于获取待匹配设备上报的定位数据；
发送模块，用于若根据所述定位数据获知所述待匹配设备的当前位置处于预设路段内，则向所述待匹配设备发送图像获取指令；
第二获取模块，用于获取待匹配设备在接收到所述图像获取指令后上传的图像信息，所述图像信息为所述待匹配设备所在道路的图像；
匹配模块，用于基于所述图像信息，利用道路识别模型进行图像识别，获得所述待匹配设备所在道路的目标位置信息。
通过获取待匹配设备上传的图像信息，并基于图像信息利用道路识别模型进行图像识别，从而获得该待匹配设备所在道路的目标位置信息，避免了使用定位数据进行道路匹配时，由于定位数据漂移导致的匹配不准确的问题，因此，大大提高了道路匹配的准确率。
在一些实施例中，所述装置，还包括：
样本获取模块，用于获取训练样本，所述训练样本包括多张已标注的训练图像；
训练模块，用于基于所述训练图像对卷积神经网络进行训练，获得所述道路识别模型。
通过对卷积神经网络的训练时，避免了显示的特征抽取，而隐式地从训练样本中进行学习，另外，由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，从而通过道路识别模型能够快速的进行图像识别，提高道路匹配的效率。
在一些实施例中，所述装置，还包括：
识别模块，用于根据所述定位数据利用预先构建的隐马尔可夫模型进行识别，获得所述待匹配设备所在道路的初始位置信息；
相应的，所述匹配模块，具体用于：
获取距初始位置信息预设距离内的路段对应的标准图像；其中，所述道路识别模型中预先存储有所述标准图像及对应的标准位置信息的映射关系；
对所述图像信息进行特征提取，获得对应的第一特征参数；
将所述第一特征参数分别与所述标准图像对应的第二特征参数进行匹配，获取与所述第一特征参数匹配成功的第二特征参数的标准图像作为目标标准图像；
将所述目标标准图像对应的标准位置信息作为目标位置信息。
在进行道路匹配时，先根据定位数据利用隐马尔可夫模型进行初始识别，获得初始位置信息，然后再利用道路识别模块进行图像匹配时，只将初始位置信息周围预设距离内的标准图像与图像信息进行匹配即可，从而进一步提高了道路匹配的效率。
在一些实施例中，所述装置，还包括：
优化模块，用于将所述图像信息以及对应的目标位置信息作为真值对隐马尔可夫模型进行优化。
通过由于通过道路识别模型获得的匹配结果较为准确，因此将图像信息对应的目标位置信息作为真值对隐马尔可夫模型进行优化，能够大大提高隐马尔可夫模型的识别准确率。
在一些实施例中，所述图像信息包括多张图像，相应的，所述匹配模块，具体用于：
分别将每张图像输入到所述道路识别模型中，获得每张图像对应的道路信息；
根据所有的图像分别对应的道路信息确定所述待匹配设备所在道路的目标位置信息。
在利用图像信息进行道路识别时，通过上传多张图像信息，利用道路识别模型分别对每一张图像信息进行识别，得到对应的结果，然后从多个识别结果中综合获得目标位置信息，相对于一张图像进行识别，能够大大提高道路匹配的准确率。
在一些实施例中，所述装置，还包括：
变换模块，用于对多张图像进行灰度变换，获得对应的灰度图像；
筛选模块，用于根据每张灰度图像对应的灰度直方图进行图像筛选。
通过对图像进行灰度变换，然后利用灰度变换后每张图像信息的灰度直方图对多张图像进行筛选，获得有价值的图像信息进行道路匹配，能够大大提高道路匹配的准确率。
第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的方法步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的方法步骤。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的车载终端与道路匹配装置进行交互的示意图；
图2为本发明实施例提供的电子设备结构示意图；
图3为本发明实施例提供的一种道路匹配方法流程示意图；
图4为本发明实施例提供卷积神经网络架构示意图；
图5为本发明实施例提供的一种道路匹配装置结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“用户驾驶车辆在道路上行驶”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕用户驾驶车辆在道路上行驶进行描述，但是应该理解，这仅是一个示例性实施例。本申请的***或方法的应用可以包括网页、浏览器的插件、客户端终端、定制***、内部分析***、或人工智能机器人等，或其任意组合。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
本申请中使用的定位技术可以基于全球定位***(Global Positioning System,GPS)、全球导航卫星***(Global Navigation Satellite System,GLONASS)，罗盘导航***(COMPASS)、伽利略定位***、准天顶卫星***(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等，或其任意组合。一个或多个上述定位***可以在本申请中互换使用。
图1为本发明实施例提供的车载终端与服务器进行交互的示意图，所述服务器102通过网络103与一个或多个车载终端101进行通信连接，以进行数据通信或交互。本发明实施例中的道路匹配装置可以为服务器102，待匹配设备可以为车载终端101。车载终端101可以是个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personaldigital assistant，PDA)、可穿戴设备等终端。
在一些实施例中，服务器102可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器102可以是分布式***)。在一些实施例中，服务器102相对于车载终端，可以是本地的、也可以是远程的。例如，服务器102可以经由网络103访问存储在终端20中的信息和/或数据。作为另一示例，服务器102可以直接连接到终端20，以访问存储的信息和/或数据。在一些实施例中，服务器102可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。在一些实施例中，服务器102可以在具有本发明中图2所示的一个或多个组件的电子设备200上实现。
在一些实施例中，服务器102可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据，以执行本发明中描述的一个或多个功能。在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等，或其任意组合。
网络103可以用于信息和/或数据的交换。在一些实施例中，服务器102和车载终端101可以向其他组件发送信息和/或数据。例如，服务器102可以经由网络103从车载终端101获取服务请求。在一些实施例中，网络103可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络103可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网(Wireless Local Area Networks，WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public Switched TelephoneNetwork，PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等，或其任意组合。在一些实施例中，网络103可以包括一个或多个网络接入点。例如，网络103可以包括有线或无线网络接入点，例如基站和/或网络交换节点，其他***的一个或多个组件可以通过该接入点连接到网络103以交换数据和/或信息。
图2示出根据本申请的一些实施例的电子设备200的示例性硬件和软件组件的示意图。
电子设备200可以是通用计算机或特殊用途的计算机，两者都可以用于实现本申请的道路匹配方法。本申请尽管仅示出了一个计算机，但是为了方便起见，可以在多个类似平台上以分布式方式实现本申请描述的功能，以均衡处理负载。
例如，电子设备200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240，例如，磁盘、ROM、或RAM，或其任意组合。示例性地，计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备200还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output，I/O)接口250。
为了便于说明，在电子设备200中仅描述了一个处理器。然而，应当注意，本申请中的电子设备200还可以包括多个处理器，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若电子设备200的处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B。
道路匹配是根据初始定位结果，利用路网数据库，采用适当算法，进行实时处理，将移动目标定位点直接投影到实际道路上。这种方法，一方面提供了避免移动目标显示混乱的手段，使移动目标不至于因为定位误差而在显示时出现偏离道路的情况；另一方面通过投影，移动目标定位数据仅残留初始定位误差在移动目标前进路线的径向分量，从而达到提高定位精度的目的。因此，道路匹配的准确率问题一直备受关注，本发明实施例提供的道路匹配方法大大提高了道路匹配的准确率，具体方法如下：
图3为本发明实施例提供的一种道路匹配方法流程示意图，如图3所示，该方法包括：
步骤301：实时获取待匹配设备上报的全球定位***定位数据。
在具体的实施过程中，待匹配设备可以是安装有定位装置的车载终端，也可以是用户手持带有定位装置的移动设备，以带有定位装置的车载终端为例，用户若要通过驾车到达某一目的地时，为了能够更好的监控用户车载终端的当前具***置信息，可以通过车载终端上的定位***实时向道路匹配装置发送定位数据，从而，道路匹配装置可以实时获取到该车载终端上报的定位数据。可以理解的是，车载终端上安装的行车记录仪可以同时带有图形采集及定位功能，因此，可以是行车记录仪实时获取该车载终端的定位数据。应当说明的是，车载终端还可以按照预设时间间隔向道路匹配装置发送定位数据。还应当说明的是，车载终端应当能够与道路匹配装置进行通信，其通信方式可以是无线通信，即可以通过wifi进行通信，也可以通过移动蜂窝进行通信，还可以利用其它无线通信方式，本发明实施例对此不作具体限定。
步骤302：若根据所述定位数据获知所述待匹配设备的当前位置处于预设路段内，则向所述待匹配设备发送图像获取指令；
在具体的实施过程中，由于车载终端上报的定位数据可能会发生漂移现象，因此道路匹配装置在获取到车载终端上报的定位数据后，可以粗略的获知当前车载终端所处的路段位置，如果道路匹配装置根据定位数据判断得知该车载终端的当前位置处于预设路段内，则向该车载终端发送图像获取指令。车载终端接收到道路匹配装置发送的图像获取指令后，可以通过行车记录仪采集当前位置的道路的图像，从而向道路匹配装置发送图像信息。应当说明的是，预设路段是根据实际情况预先设定的，可以是通过传统的道路匹配算法匹配失败率较高的路段，道路匹配装置将这些路段对应的定位数据进行保存，在获取到车载终端上传的定位数据后，将上传的定位数据与预先存储的定位数据进行匹配，如果发现上传的定位数据在预先存储的定位数据中，或者是上传的定位数据在预先存储的定位数据范围内，则说明该车载终端的当前位置处于预设路段内。
应当说明的是，车载终端不仅可以通过行车记录仪采集图像信息，还可以通过其他具有图像采集功能的设备进行采集，并上传至道路匹配装置，且上传的图像信息中，不仅包括图像，还包括可以表征是该车载终端的标识。
步骤303：获取待匹配设备在接收到所述图像获取指令后上传的图像信息，所述图像信息为所述待匹配设备所在道路的图像。
在具体的实施过程中，车载终端在接收到道路匹配装置发送的图像获取指令后，对该车载终端当前位置的道路进行图像采集，并向道路匹配装置发送图像信息，此时，道路匹配装置能够获取到该图像信息。因此，图像信息中除了包括有车辆当前位置的道路的图像外，还可以包括表征该车载终端的标识，还可以包括采集该图像时的时间等等，本发明实施例对此不作具体限定。
步骤304：基于所述图像信息，利用道路识别模型进行图像识别，获得所述待匹配设备所在道路的目标位置信息。
在具体的实施过程中，道路匹配装置在获取到图像信息后，将图像信息输入到道路识别模型中进行图像识别，道路识别模型可以对输入的图像信息进行识别获取该图像对应的目标位置信息。该目标位置信息可以包括主路、辅路、高速出口和高速入口等等。具体目标位置信息包括的信息可以根据道路识别模型确定，且道路识别模型为预先构建并训练的。
本发明实施例通过获取待匹配设备上传的图像信息，并基于图像信息利用道路识别模型进行图像识别，从而获得该待匹配设备所在道路的目标位置信息，避免了使用定位数据进行道路匹配时，由于定位数据漂移导致的匹配不准确的问题，因此，大大提高了道路匹配的准确率。
在上述实施例的基础上，所述方法，还包括：
获取训练样本，所述训练样本包括多张已标注的训练图像；
基于所述训练图像对卷积神经网络进行训练，获得所述道路识别模型。
在具体的实施过程中，在进行模型训练之前，需要获取训练样本，即可以预先获取预设路段对应的多张训练图像，并对训练图像进行标注，多张训练图像构成了训练样本。利用训练样本对卷积神经网络进行训练，图4为本发明实施例提供卷积神经网络架构示意图，如图4所示。该卷积神经网络包括包括4个卷积层，和1个全连接层，其中4个卷积层的大小分别为256、128、64和32，尺寸为256的卷积层中为两层卷积核为3*3，过滤器的个数为64的卷积，然后再进行最大值子采样；尺寸大小为128的卷积层中为两层卷积核为3*3，过滤器的个数为128的卷积，然后再进行最大值子采样；尺寸大小为64的卷积层中为两层卷积核为3*3，过滤器的个数为256的卷积，然后再进行最大值子采样；尺寸大小为32的卷积层中为两层卷积核为3*3，过滤器的个数为512的卷积，然后再进行最大值子采样。全连接层包括两层fc全连接，分别为fc 1028和fc 4096，之后进行softmax函数计算。
本发明实施例通过对卷积神经网络的训练时，避免了显示的特征抽取，而隐式地从训练样本中进行学习，另外，由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，从而通过道路识别模型能够快速的进行图像识别，提高道路匹配的效率。
在上述实施例的基础上，在获取待匹配设备采集的图像信息之前，所述方法，还包括：
根据所述定位数据利用预先构建的隐马尔可夫模型进行识别，获得所述待匹配设备所在道路的初始位置信息；
在具体的实施过程中，道路匹配装置实时获取车辆上报的定位数据，并将定位数据输入到预先构建的隐马尔可夫模型中进行识别，从而能够通过隐马尔可夫模型获得车载终端所在位置的初始位置信息。应当说明的是，由于定位数据可能会发生漂移，因此通过隐马尔可夫模型获得的初始位置信息可以看做是粗略的位置信息。由于定位数据漂移的距离不会无限大，所以可以获知车载终端当前位置可能会处于初始位置信息附近。为后续图像识别时，在进行图像匹配过程中缩小匹配范围，从而提高匹配效率。
相应的，所述基于所述图像信息，利用道路识别模型进行图像识别，获得所述待匹配设备所在道路的目标位置信息，包括：
获取距初始位置信息预设距离内的路段对应的标准图像；其中，所述道路识别模型中预先存储有所述标准图像及对应的标准位置信息的映射关系；
在具体的实施过程中，道路识别模型中预先存储有路网中所有道路对应的标准图像和标准图像对应的标准位置信息的映射关系，因此，道路匹配装置可以根据初始位置信息获取距离该初始位置信息预设距离内的路段对应的标准图像，具体可以为，获取以初始位置信息为中心，方圆3公里的范围内，所有道路对应的标准图像。
对所述图像信息进行特征提取，获得对应的第一特征参数；
将所述第一特征参数分别与所述标准图像对应的第二特征参数进行匹配，获取与所述第一特征参数匹配成功的第二特征参数的标准图像作为目标标准图像；
将所述目标标准图像对应的标准位置信息作为目标位置信息。
在具体的实施过程中，道路识别模型内部可以对车载终端上传的图像信息进行特征提取，获取该图像信息对应的第一特征参数，并且获取标准图像对应的第二特征参数，然后将第一特征参数分别与每个标准图像的第二特征参数进行匹配，获得匹配成功第二特征参数的标准图像作为目标标准图像。其中，在进行匹配时，可以获得第一特征参数分别与每一个第二特征参数的匹配值，将匹配值最高的第二特征参数作为匹配成功的第二特征参数。此时，目标标准图像对应的标准位置信息作为目标位置信息。
本发明实施例通过在进行道路匹配时，先根据定位数据利用隐马尔可夫模型进行初始识别，获得初始位置信息，然后再利用道路识别模块进行图像匹配时，只将初始位置信息周围预设距离内的标准图像与图像信息进行匹配即可，从而进一步提高了道路匹配的效率。
在上述实施例的基础上，在获得所述待匹配设备所在道路的位置信息之后，所述方法，还包括：
将所述图像信息以及对应的目标位置信息作为真值对隐马尔可夫模型进行优化。
在具体的实施过程中，由于经过图像信息获得的车载终端所在道路的目标位置信息的准确率较高，因此将该图像信息及对应的目标位置信息作为真值，对隐马尔可夫模型进行优化，调整隐马尔可夫模型的内部参数，使其识别能力大大提高。
在上述实施例的基础上，所述图像信息包括多张图像，相应的，所述基于所述图像信息，利用道路识别模型进行图像识别，获得所述待匹配设备所在道路的目标位置信息，包括：
分别将每张图像输入到所述道路识别模型中，获得每张图像对应的道路信息；
根据所有的图像分别对应的道路信息确定所述待匹配设备所在道路的目标位置信息。
在具体的实施过程中，车载终端可以采集多张图像，并将多张图像对应的图像信息上传至道路匹配装置，道路匹配装置分别将每张图像信息输入到道路识别模型中，道路识别模型分别对每张图像信息进行识别，输出每张图像信息对应的道路信息，具体输出为是属于各种道路信息的概率，然后综合多张图像对应的道路信息确定车辆所在道路的目标位置信息。
例如：车载终端上报了3张图像信息，道路识别模型输出第一张图像信息的道路信息为：主路60％、辅路10％、高速出口10％、高速入口10％；第二张图像信息的道路信息为：主路65％、辅路10％、高速出口10％、高速入口5％；第二张图像信息的道路信息为：主路50％、辅路15％、高速出口10％、高速入口15％。可以将每种道路信息进行加和平均，然后将得分最高的作为目标位置信息。也可以为每种道路信息设定权值，然后进行加权平均，本发明实施例对此不作具体限定。
本发明实施例通过由于通过道路识别模型获得的匹配结果较为准确，因此将图像信息对应的目标位置信息作为真值对隐马尔可夫模型进行优化，能够大大提高隐马尔可夫模型的识别准确率。
在上述实施例的基础上，在分别将每张图像输入到所述道路识别模型中之前，所述方法，还包括：
对多张图像进行灰度变换，获得对应的灰度图像；
根据每张灰度图像对应的灰度直方图进行图像筛选。
在具体的实施过程中，在道路匹配装置获取到多张图像后，对这些图像进行灰度变换，获得每张图像分别对应的灰度图像，然后获得每张灰度图像对应的灰度直方图，根据灰度直方图判断其对应的图像中是否包含有价值的特征，具体可以为：在获取到灰度图像后，对每张灰度图像进行平面分解，获得候选位平面；然后对候选位平面进行价值度量，具体的度量步骤可参考现有技术中的算法，本发明实施例对此不再赘述；最后，如果位平面度量为有价值，则判定该图像为有价值图像。
本发明实施例通过在利用图像信息进行道路识别时，通过上传多张图像信息，利用道路识别模型分别对每一张图像信息进行识别，得到对应的结果，然后从多个识别结果中综合获得目标位置信息，相对于一张图像进行识别，能够大大提高道路匹配的准确率。
图5为本发明实施例提供的一种道路匹配装置结构示意图，如图5所示，该装置包括第一获取模块501、发送模块502、第二获取模块503和匹配模块504，其中，
第一获取模块501用于获取待匹配设备上报的定位数据；发送模块502用于若根据所述定位数据获知所述待匹配设备的当前位置处于预设路段内，则向所述待匹配设备发送图像获取指令；第二获取模块503用于获取待匹配设备在接收到所述图像获取指令后上传的图像信息，所述图像信息为所述待匹配设备所在道路的图像；匹配模块504用于基于所述图像信息，利用道路识别模型进行图像识别，获得所述待匹配设备所在道路的目标位置信息。
在上述实施例的基础上，所述装置，还包括：
样本获取模块，用于获取训练样本，所述训练样本包括多张已标注的训练图像；
训练模块，用于基于所述训练图像对卷积神经网络进行训练，获得所述道路识别模型。
在上述实施例的基础上，所述装置，还包括：
识别模块，用于根据所述定位数据利用预先构建的隐马尔可夫模型进行识别，获得所述待匹配设备所在道路的初始位置信息；
相应的，所述匹配模块，具体用于：
获取距初始位置信息预设距离内的路段对应的标准图像；其中，所述道路识别模型中预先存储有所述标准图像及对应的标准位置信息的映射关系；
对所述图像信息进行特征提取，获得对应的第一特征参数；
将所述第一特征参数分别与所述标准图像对应的第二特征参数进行匹配，获取与所述第一特征参数匹配成功的第二特征参数的标准图像作为目标标准图像；
将所述目标标准图像对应的标准位置信息作为目标位置信息。
在上述实施例的基础上，所述装置，还包括：
优化模块，用于将所述图像信息以及对应的目标位置信息作为真值对隐马尔可夫模型进行优化。
在上述实施例的基础上，所述图像信息包括多张图像，相应的，所述匹配模块，具体用于：
分别将每张图像输入到所述道路识别模型中，获得每张图像对应的道路信息；
根据所有的图像分别对应的道路信息确定所述待匹配设备所在道路的目标位置信息。
在上述实施例的基础上，所述装置，还包括：
变换模块，用于对多张图像进行灰度变换，获得对应的灰度图像；
筛选模块，用于根据每张灰度图像对应的灰度直方图进行图像筛选。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。
综上所述，本发明实施例通过获取待匹配设备上传的图像信息，并基于图像信息利用道路识别模型进行图像识别，从而获得该待匹配设备所在道路的目标位置信息，避免了使用定位数据进行道路匹配时，由于定位数据漂移导致的匹配不准确的问题，因此，大大提高了道路匹配的准确率。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取所述待匹配设备上报的全球定位***定位数据；若根据所述定位数据获知所述待匹配设备的当前位置处于预设路段内，则向所述待匹配设备发送图像获取指令；获取待匹配设备在接收到所述图像获取指令后上传的图像信息，所述图像信息为所述待匹配设备所在道路的图像；基于所述图像信息，利用道路识别模型进行图像识别，获得所述待匹配设备所在道路的目标位置信息。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取所述待匹配设备上报的全球定位***定位数据；若根据所述定位数据获知所述待匹配设备的当前位置处于预设路段内，则向所述待匹配设备发送图像获取指令；获取待匹配设备在接收到所述图像获取指令后上传的图像信息，所述图像信息为所述待匹配设备所在道路的图像；基于所述图像信息，利用道路识别模型进行图像识别，获得所述待匹配设备所在道路的目标位置信息。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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)执行本发明各个实施例所述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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
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，可轻易想到变化或替换，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所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (14)
1.一种道路匹配方法，其特征在于，包括：
获取待匹配设备上报的定位数据；
若根据所述定位数据获知所述待匹配设备的当前位置处于预设路段内，则向所述待匹配设备发送图像获取指令；
获取待匹配设备在接收到所述图像获取指令后上传的图像信息，所述图像信息为所述待匹配设备所在道路的图像；
基于所述图像信息，利用道路识别模型进行图像识别，获得所述待匹配设备所在道路的目标位置信息。
2.根据权利要求1所述的方法，其特征在于，所述方法，还包括：
获取训练样本，所述训练样本包括多张已标注的训练图像；
基于所述训练图像对卷积神经网络进行训练，获得所述道路识别模型。
3.根据权利要求1所述的方法，其特征在于，在获取待匹配设备采集的图像信息之前，所述方法，还包括：
根据所述定位数据利用预先构建的隐马尔可夫模型进行识别，获得所述待匹配设备所在道路的初始位置信息；
相应的，所述基于所述图像信息，利用道路识别模型进行图像识别，获得所述待匹配设备所在道路的目标位置信息，包括：
获取距初始位置信息预设距离内的路段对应的标准图像；其中，所述道路识别模型中预先存储有所述标准图像及对应的标准位置信息的映射关系；
对所述图像信息进行特征提取，获得对应的第一特征参数；
将所述第一特征参数分别与所述标准图像对应的第二特征参数进行匹配，获取与所述第一特征参数匹配成功的第二特征参数的标准图像作为目标标准图像；
将所述目标标准图像对应的标准位置信息作为目标位置信息。
4.根据权利要求1所述的方法，其特征在于，在获得所述待匹配设备所在道路的位置信息之后，所述方法，还包括：
将所述图像信息以及对应的目标位置信息作为真值对隐马尔可夫模型进行优化。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述图像信息包括多张图像，相应的，所述基于所述图像信息，利用道路识别模型进行图像识别，获得所述待匹配设备所在道路的目标位置信息，包括：
分别将每张图像输入到所述道路识别模型中，获得每张图像对应的道路信息；
根据所有的图像分别对应的道路信息确定所述待匹配设备所在道路的目标位置信息。
6.根据权利要求5所述的方法，其特征在于，在分别将每张图像输入到所述道路识别模型中之前，所述方法，还包括：
对多张图像进行灰度变换，获得对应的灰度图像；
根据每张灰度图像对应的灰度直方图进行图像筛选。
7.一种道路匹配装置，其特征在于，包括：
第一获取模块，用于获取待匹配设备上报的定位数据；
发送模块，用于若根据所述定位数据获知所述待匹配设备的当前位置处于预设路段内，则向所述待匹配设备发送图像获取指令；
第二获取模块，用于获取待匹配设备在接收到所述图像获取指令后上传的图像信息，所述图像信息为所述待匹配设备所在道路的图像；
匹配模块，用于基于所述图像信息，利用道路识别模型进行图像识别，获得所述待匹配设备所在道路的目标位置信息。
8.根据权利要求7所述的装置，其特征在于，所述装置，还包括：
样本获取模块，用于获取训练样本，所述训练样本包括多张已标注的训练图像；
训练模块，用于基于所述训练图像对卷积神经网络进行训练，获得所述道路识别模型。
9.根据权利要求7所述的装置，其特征在于，所述装置，还包括：
识别模块，用于根据所述定位数据利用预先构建的隐马尔可夫模型进行识别，获得所述待匹配设备所在道路的初始位置信息；
相应的，所述匹配模块，具体用于：
获取距初始位置信息预设距离内的路段对应的标准图像；其中，所述道路识别模型中预先存储有所述标准图像及对应的标准位置信息的映射关系；
对所述图像信息进行特征提取，获得对应的第一特征参数；
将所述第一特征参数分别与所述标准图像对应的第二特征参数进行匹配，获取与所述第一特征参数匹配成功的第二特征参数的标准图像作为目标标准图像；
将所述目标标准图像对应的标准位置信息作为目标位置信息。
10.根据权利要求7所述的装置，其特征在于，所述装置，还包括：
优化模块，用于将所述图像信息以及对应的目标位置信息作为真值对隐马尔可夫模型进行优化。
11.根据权利要求7所述的装置，其特征在于，所述图像信息包括多张图像，相应的，所述匹配模块，具体用于：
分别将每张图像输入到所述道路识别模型中，获得每张图像对应的道路信息；
根据所有的图像分别对应的道路信息确定所述待匹配设备所在道路的目标位置信息。
12.根据权利要求11所述的装置，其特征在于，所述装置，还包括：
变换模块，用于对多张图像进行灰度变换，获得对应的灰度图像；
筛选模块，用于根据每张灰度图像对应的灰度直方图进行图像筛选。
13.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1至6任一所述的道路匹配的方法的步骤。
14.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至6任一所述的道路匹配的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910038095.9A CN111435088A (zh) | 2019-01-15 | 2019-01-15 | 一种道路匹配方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910038095.9A CN111435088A (zh) | 2019-01-15 | 2019-01-15 | 一种道路匹配方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111435088A true CN111435088A (zh) | 2020-07-21 |
Family
ID=71580045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910038095.9A Pending CN111435088A (zh) | 2019-01-15 | 2019-01-15 | 一种道路匹配方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111435088A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112484743A (zh) * | 2020-12-03 | 2021-03-12 | 安徽中科新萝智慧城市信息科技有限公司 | 车载hud融合实景导航显示方法及其*** |
| CN112667671A (zh) * | 2021-01-05 | 2021-04-16 | 腾讯科技（深圳）有限公司 | 一种路网数据处理方法、装置、计算机设备和存储介质 |
| CN113221652A (zh) * | 2021-04-09 | 2021-08-06 | 南京云计趟信息技术有限公司 | 确定道路类别的方法、装置及终端设备 |
| CN113963285A (zh) * | 2021-09-09 | 2022-01-21 | 济南金宇公路产业发展有限公司 | 一种基于5g的道路养护方法及设备 |
| JP2022133946A (ja) * | 2021-03-02 | 2022-09-14 | トヨタ自動車株式会社 | サーバ、データ収集システム、プログラムおよびデータ収集方法 |
| CN117537842A (zh) * | 2024-01-10 | 2024-02-09 | 深圳依时货拉拉科技有限公司 | 路线偏航识别方法、装置、计算机可读存储介质及设备 |
| CN117706478A (zh) * | 2024-02-02 | 2024-03-15 | 腾讯科技（深圳）有限公司 | 定位漂移的识别方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1961197A (zh) * | 2004-06-02 | 2007-05-09 | 株式会社查纳位资讯情报 | 车载导航装置和目标车辆位置修正方法 |
| CN106595680A (zh) * | 2016-12-15 | 2017-04-26 | 福州大学 | 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法 |
| CN108052933A (zh) * | 2018-01-16 | 2018-05-18 | 杭州国辰机器人科技有限公司 | 基于卷积神经网络的道路识别***及方法 |
| CN108256424A (zh) * | 2017-12-11 | 2018-07-06 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的高分辨率遥感图像道路提取方法 |
| CN108288096A (zh) * | 2017-01-10 | 2018-07-17 | 北京嘀嘀无限科技发展有限公司 | 用于估算行程时间、模型训练的方法及装置 |
| CN108900973A (zh) * | 2018-06-28 | 2018-11-27 | 上海与德通讯技术有限公司 | 一种车辆定位方法、装置、***、终端及可读介质 |
-
2019
- 2019-01-15 CN CN201910038095.9A patent/CN111435088A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1961197A (zh) * | 2004-06-02 | 2007-05-09 | 株式会社查纳位资讯情报 | 车载导航装置和目标车辆位置修正方法 |
| CN106595680A (zh) * | 2016-12-15 | 2017-04-26 | 福州大学 | 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法 |
| CN108288096A (zh) * | 2017-01-10 | 2018-07-17 | 北京嘀嘀无限科技发展有限公司 | 用于估算行程时间、模型训练的方法及装置 |
| CN108256424A (zh) * | 2017-12-11 | 2018-07-06 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的高分辨率遥感图像道路提取方法 |
| CN108052933A (zh) * | 2018-01-16 | 2018-05-18 | 杭州国辰机器人科技有限公司 | 基于卷积神经网络的道路识别***及方法 |
| CN108900973A (zh) * | 2018-06-28 | 2018-11-27 | 上海与德通讯技术有限公司 | 一种车辆定位方法、装置、***、终端及可读介质 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112484743A (zh) * | 2020-12-03 | 2021-03-12 | 安徽中科新萝智慧城市信息科技有限公司 | 车载hud融合实景导航显示方法及其*** |
| CN112667671A (zh) * | 2021-01-05 | 2021-04-16 | 腾讯科技（深圳）有限公司 | 一种路网数据处理方法、装置、计算机设备和存储介质 |
| CN112667671B (zh) * | 2021-01-05 | 2022-04-22 | 腾讯科技（深圳）有限公司 | 一种路网数据处理方法、装置、计算机设备和存储介质 |
| JP2022133946A (ja) * | 2021-03-02 | 2022-09-14 | トヨタ自動車株式会社 | サーバ、データ収集システム、プログラムおよびデータ収集方法 |
| JP7359175B2 (ja) | 2021-03-02 | 2023-10-11 | トヨタ自動車株式会社 | サーバ、データ収集システム、プログラムおよびデータ収集方法 |
| CN113221652A (zh) * | 2021-04-09 | 2021-08-06 | 南京云计趟信息技术有限公司 | 确定道路类别的方法、装置及终端设备 |
| CN113963285A (zh) * | 2021-09-09 | 2022-01-21 | 济南金宇公路产业发展有限公司 | 一种基于5g的道路养护方法及设备 |
| CN113963285B (zh) * | 2021-09-09 | 2022-06-10 | 山东金宇信息科技集团有限公司 | 一种基于5g的道路养护方法及设备 |
| CN117537842A (zh) * | 2024-01-10 | 2024-02-09 | 深圳依时货拉拉科技有限公司 | 路线偏航识别方法、装置、计算机可读存储介质及设备 |
| CN117706478A (zh) * | 2024-02-02 | 2024-03-15 | 腾讯科技（深圳）有限公司 | 定位漂移的识别方法、装置、设备及存储介质 |
| CN117706478B (zh) * | 2024-02-02 | 2024-05-03 | 腾讯科技（深圳）有限公司 | 定位漂移的识别方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111435088A (zh) | 一种道路匹配方法、装置、电子设备及存储介质 | |
| Cai et al. | Treepedia 2.0: applying deep learning for large-scale quantification of urban tree cover | |
| CN104599002B (zh) | 预测订单价值的方法及设备 | |
| CN111612489B (zh) | 订单量的预测方法、装置及电子设备 | |
| EP3671124B1 (en) | Method and apparatus for localization of position data | |
| KR102416711B1 (ko) | 인공지능을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고위험도 예측방법 | |
| CN111721306B (zh) | 道路匹配方法、装置、电子设备及可读存储介质 | |
| CN111582559A (zh) | 一种到达时间的预估方法及装置 | |
| CN111415024A (zh) | 一种到达时间预估方法以及预估装置 | |
| CN110866477A (zh) | 一种轨迹运动模式识别方法及装置 | |
| JP2017228091A (ja) | 歩行状態学習方法、歩行状態推定方法、路面状況理解方法、装置、及びプログラム | |
| CN111860558A (zh) | 行程异常检测方法、装置及电子设备 | |
| CN113378785A (zh) | 森林类型识别方法及装置 | |
| CN111310623B (zh) | 基于遥感数据与机器学习对泥石流敏感性地图分析的方法 | |
| CN112381298A (zh) | 空港旅客智能导航导乘自助服务*** | |
| CN111862583B (zh) | 一种车流量预测方法及装置 | |
| CN110909907A (zh) | 卡车的油耗预测方法、装置及存储介质 | |
| CN112926630B (zh) | 路线规划方法、装置、电子设备以及计算机可读介质 | |
| CN111613052B (zh) | 一种交通状况确定方法、装置、电子设备及存储介质 | |
| CN110793531B (zh) | 道路匹配的方法、装置以及可读存储介质 | |
| CN110647877B (zh) | 一种基于神经网络的立体交通设施定位纠偏方法及装置 | |
| CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
| CN115240400B (zh) | 车辆位置识别方法和装置、车辆位置输出方法和装置 | |
| CN112785083B (zh) | 到达时间的预估方法、装置、电子设备以及存储介质 | |
| CN111831827B (zh) | 一种数据处理方法、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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200721 |
|
| RJ01 | Rejection of invention patent application after publication |