CN111465936B - 确定地图上新道路的***和方法 - Google Patents
确定地图上新道路的***和方法 Download PDFInfo
- Publication number
- CN111465936B CN111465936B CN201780097530.4A CN201780097530A CN111465936B CN 111465936 B CN111465936 B CN 111465936B CN 201780097530 A CN201780097530 A CN 201780097530A CN 111465936 B CN111465936 B CN 111465936B
- Authority
- CN
- China
- Prior art keywords
- road network
- image
- road
- network image
- map
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 139
- 238000011176 pooling Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 46
- 238000010801 machine learning Methods 0.000 description 33
- 238000004891 communication Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000003190 augmentative effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000000670 limiting effect Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
-
- 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
- G01C21/32—Structuring or formatting of map data
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
在至少一个地图处理设备上实施的用于确定地图上的新道路的方法包括获取区域的第一路网图像,该第一路网图像包括第一道路。该方法还包括基于区域的地图确定区域的第二路网图像,第二路网图像包括在第一路网图像中不存在的第二道路。该方法还包括通过拼接第一路网图像和第二路网图像确定第三路网图像。该方法还包括通过至少一个卷积层,处理第三道路网,确定区域的第四路网图像,第四道路网包括第二道路。
Description
技术领域
本申请一般涉及用于图像分割的***和方法,更具体地,涉及用于基于深度卷积神经网络(DCNN)的图像分割的***和方法。
背景技术
基于地图的数字导航和按需服务越越受欢迎。但是,用于导航或按需服务的地图需要经常更新,以跟上城市发展的快节奏(例如,新的道路建设)。传统的语义图像分割用于处理地图并获取关于地图的详细信息,在识别地图上的新道路方面存在困难。因此,需要可用于准确且有效地确定地图上的新道路的***和方法。
发明内容
在本申请的一个方面,一种***可以包括至少一个计算机可读存储介质,其包括一组指令,和至少一个处理器,其用于与该至少一个计算机可读存储介质通信。当执行指令时,可以指示至少一个处理器获取区域的第一路网图像,第一路网图像包括第一道路;基于区域地图,通过训练后的深度卷积神经网络(DCNN)模型,确定区域的第二路网图像,第二路网图像包括在第一路网图像中不存在的第二道路;通过拼接第一路网图像和第二路网图像确定区域的第三路网图像,第三路网图像包括第一路网图像和第二路网图像的信息;通过至少一个卷积层,处理第三路网,确定区域的第四路网图像,第四路网包括第二道路。
在一些实施例中,所述至少一个处理器可以进一步用于将第一路网图像中的第一道路从第一宽度改变为第二宽度,其中第二路网图像中的第一道路和第二道路都具有第二宽度。
在一些实施例中,为了获取训练后的DCNN模型,至少一个处理器可以用于:获取初始DCNN模型;获取至少两个地图和与该至少两个地图相关的至少两个路网图像;基于至少两个地图和至少两个路网训练初始DCNN模型;并根据初始DCNN模型和损失函数确定训练后的DCNN模型。
在一些实施例中,至少一个卷积层可以是训练后的DCNN模型的一部分。
在一些实施例中,训练后的DCNN模型可包括一对或以上的卷积层和池化层,至少一个空洞卷积层,一个或以上反卷积层,以及一个或以上跳跃层。
在一些实施例中,训练后的DCNN模型可以包括:一个或以上空洞卷积层,其被配置用于将特征图像的分辨率从第一值提高到第二值;和一个或以上跳跃层,其被配置用于将两个特征图像合并为组合特征图像。
在一些实施例中,其中将两个特征图像组合成组合特征图像,第一跳跃层可以被配置为:将两个特征图像逐个元素地合并到组合特征图像中。
在一些实施例中,组合的特征图像可以包括两个特征图像的特征。
在某些实施例中,第二路网图像的尺寸可以与第一路网图像的尺寸相同。
在一些实施例中,为了通过拼接第一路网图像和第二路网图像确定区域的第三路网图像,可以指示至少一个处理器通过将第一路网图像和第二路网图像输入训后的DCNN模型的级联层确定第三路网图像。
在一些实施例中,所述至少一个处理器还可以用于:基于第四路网图像,确定第二道路的两个端点;以及根据霍夫变换确定两个端点的坐标。
在本申请的另一方面,一种在至少一个地图处理设备上实施的用于确定地图上的道路的方法。该方法可以包括由至少一个地图处理设备获取区域的第一路网图像,该第一路网图像包括第一道路;通过所述至少一个地图处理设备,基于区域地图,通过训练后的深度卷积神经网络(DCNN)模型,确定区域的第二路网图像,所述第二路网图像包括在第一路网图像中不存在的第二道路;通过拼接第一路网图像和第二路网图像,由至少一个地图处理设备确定区域的第三路网图像,第三路网图像包括第一路网图像和第二路网图像的信息;并且,由至少一个地图处理设备,通过至少一个卷积层,处理第三路网,确定区域的第四路网图像,第四路网包括第二道路。
在本申请的另一方面,一种非暂时性介质存储指令,当指令由至少一个地图处理设备执行时,使至少一个地图处理设备实现的方法。该方法可以包括获取区域的第一路网图像,该第一路网图像包括第一道路;基于区域地图,通过训练后的深度卷积神经网络(DCNN)模型,确定区域的第二路网图像,所述第二路网图像包括第一路网图像中不存在的第二道路;通过拼接第一路网图像和第二路网图像确定区域的第三路网图像,第三路网图像包括第一路网图像和第二路网图像的信息;通过至少一个卷积层,处理第三路网,确定区域的第四路网图像,第四路网包括第二道路。
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解,本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例是非限制性的示例性实施例,在这些实施例中,各图中相同的编号表示相似的结构,其中:
图1根据本申请的一些实施例示出了地图处理***的一种示例性网络环境;
图2根据本申请的一些实施例示出了可以在其上实现地图处理***的一种示例性计算设备;
图3根据本申请的一些实施例示出了可在其上实现在线服务的一种示例性移动设备;
图4根据本申请的一些实施例示出了一种示例性处理引擎;
图5是根据本申请的一些实施例所示的示例性处理模块的框图;
图6根据本申请的一些实施例示出了用于确定新道路的示例性过程的流程图;
图7根据本申请的一些实施例示出了用于基于区域的路网确定区域的新路网图像和确定包括该区域的地图的示意图;
图8是根据本申请的一些实施例所示的DCNN模型的示例性网络结构的示意图;
图9根据本申请的一些实施例示出了用于训练机器学习模型的示例性流程图;以及
图10根据本申请的一些实施例示出了用于确定地图上的新道路的示意图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员讲,显然可以对所披露的实施例作出各种改变,并且在不偏离本申请的原则和范围的情况下,本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
本申请中所使用的术语仅用于描述特定的示例性实施例,并不限制本申请的范围。如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词幷非特指单数,也可以包括复数。应该被理解的是,本申请中所使用的术语“包括”与“包括”仅提示已明确标识的特征、整数、步骤、操作、元素和/或部件,而不排除可以存在和添加其他一个或以上特征、整数、步骤、操作、元素、部件和/或其组合。
根据以下对附图的描述,本申请的这些和其他的特征、特点以及相关结构元件的功能和操作方法,以及部件组合和制造经济性,可以变得更加显而易见,这些附图都构成本申请说明书的一部分。然而,应该清楚地理解,附图仅用于说明和描述的目的,并不意图限制本申请的范围。应当理解的是,附图并不是按比例绘制的。
本申请中使用了流程图用说明根据本申请的实施例的***所执行的操作。应当理解的是,流程图中的操作可以不按顺序执行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将一个或以上其他操作添加到这些流程图中。也可以从流程图中删除一个或以上操作。
此外,尽管本申请中的***和方法主要是关于确定新的路网图像描述的,但是还应该理解,本申请并非旨在进行限制。本申请的***或方法可以应用于任何其他应用,例如自遥感图像的轮廓线确定等。例如,本申请的***和方法可以应用于不同的运输***,包括陆地、海洋、航空航天等或其任意组合。所述运输***的交通工具可以包括出租车、私家车、顺风车、公交车、火车、动车、高铁、地铁、船舶、飞机、飞船、热气球、无人驾驶的车辆等或其任意组合。运输***还可以包括用于管理的任何运输***,例如,用于发送和/或接收快递的***。本申请的***和方法的应用场景可以包括网页、浏览器插件、客户端、定制***、企业内部分析***、人工智能机器人等或上述举例的任意组合。在本申请中,术语“乘客”、“请求者”、“服务请求者”和“客户”可以交换使用,其表示可以请求或预定服务的个体、实体或工具。
本申请中的术语“乘客”、“请求者”、“服务请求者”和“用户”可互换使用,以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“提供者”以及“服务提供者”也可以交换使用,指的是可以提供服务或促进该服务提供的个体、实体或工具。
本申请中的术语“请求服务”、“请求”、“订单”和“服务订单”可互换使用,以指代可由乘客、服务请求者、用户发起的请求,司机、提供者、服务提供者等,或任何组合。服务请求可以由乘客、服务请求者、用户、司机、提供者或服务提供者中的任何一个接受。服务请求可以是计费的也可是免费的。
本申请中的术语“司机设备”指由服务提供者用于提供服务或促进提供服务的移动终端。本申请中的术语“终端设备”指由服务请求者用于请求或订购服务的移动终端。
应当注意本申请中的新道路确定,可用于地图应用,或按需服务,如在线出租车欢呼,是一种植根于后互联网时代的新兴服务。它为用户提供技术解决方案,这些解决方案只能在后互联网时代兴起。在互联网时代之前,人工更新新重建的道路。手动更新过程非常耗时。然而,本申请中描述的地图处理***能够基于历史路网图像和当前地图或高分辨率航拍图像,自动确定路网图像形式的新道路。***可以在非常短的时间内确定某个区域的新道路。因此,通过因特网、地图处理***可以提供更准确和有效的方式确定在传统的互联网前情景中可能永远不会遇到的新道路。
本申请涉及用于确定地图上的新道路的***和方法。可以基于可能不包括新道路的历史路网确定地图上的新道路。可以提供至少一个深度卷积神经网络,用于在历史路网上执行一个或以上操作,例如卷积操作、连接操作以及用于识别新道路的地图。
本申请中的术语“道路地图”、“地图”和“地图图像”可互换使用,以指代包括一个区域内的道路和兴趣点(例如,建筑物、山脉等)的地图图像。此外,本申请中的术语“路网”和“路网图像”可互换使用,以指代包括区域中的至少两个互连道路的路网的图像。另外,本申请中的机器学习模型或机器学习模型的一个或以上层,除非另有说明,否则可根据描述的某些实施例进行训练,例如,在图9及其描述中。
图1根据本申请的一些实施例示出了地图处理***的一种示例性网络环境。地图处理***100可以是用于提供地图相关服务的在线服务平台。地图处理***100可以包括服务器110、网络120、用户终端130、司机设备140和存储器150。
地图处理***100还可以包括定位设备170(图1中未示出)。地图处理***100可以提供至少两个服务。示例***可以包括地图更新服务、导航服务、按需服务(例如,出租车服务、司机服务、快车服务、拼车服务、公交服务或司机租用服务),或者类似或其组合。
服务器110可以处理来自地图处理***100的一个或以上组件或外部数据源(例如,云数据中心)的地图相关数据和/或信息。服务器110可以与用户终端130和/或司机设备140通信,以提供在线服务的各种功能。在一些实施例中,服务器110可以是单个服务器,也可以是服务器组。服务器组可以是通过接入点连接到网络120的集中式服务器组,或者通过一个或以上接入点分别连接到网络120的分布式服务器组。在一些实施例中,服务器110可以本地连接到网络120或者与网络120远程连接。例如,服务器110可以通过网络120访问存储在用户终端130、司机设备140和/或存储器150中的信息和/或数据。又例如,存储器150可以用作服务器110的后端数据存储器。在一些实施例中,服务器110可以在云平台上实施。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中,服务器110可以在本申请中图2描述的包含了一个或以上组件的计算设备200上执行。
在一些实施例中,服务器110可以包括处理引擎112。处理引擎112可以处理与本申请中描述的一个或以上功能相关的信息和/或数据。在一些实施例中,处理引擎112可以执行地图处理***100的主要功能。在一些实施例中,处理引擎112可以处理地图以确定地图上的新道路。例如,地图处理***可以基于使用了机器学习模型的道路地图,确定包括新道路的路网图像。在一些实施例中,处理引擎112可以执行与本申请中描述的方法和***有关的其他功能(例如,地图更新)。
在一些实施例中,处理引擎112可包括一个或以上处理单元(例如,单核处理引擎或多核处理引擎)。仅作为示例,处理引擎112可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑设备(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中,地图处理***100中的一个或以上组件(例如,服务器110、用户终端130、司机设备140、存储器150)可以通过网络120向地图处理***100中其他组件发送信息和/或数据。例如,处理引擎112可以通过网络120从存储器150获取至少两个路网图像。又如例,处理引擎112可以通过网络120将在地图上确定的新道路发送给用户终端130。在一些实施例中,网络120可以是有线网络或无线网络等或其任意组合。仅作为示例,网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通信(NFC)网络等或其任意组合。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,如基站和/或互联网交换点120-1、120-2、……,通过地图处理***100的一个或以上部件可以连接到网络120以交换数据和/或信息。
用户终端130和/或司机设备140可以通过网络120与服务器110通信。在一些实施例中,乘客可以是用户终端130的所有者。在一些实施例中,用户终端130的所有者可以是除乘客之外的其他人。例如,用户终端130的所有者A可以使用用户终端130发送对乘客B的服务请求,和/或从服务器110接收服务确认和/或信息或指令。在某些实施例中,司机可以是司机设备140的用户。在某些实施例中,司机设备140的用户可以是除司机之外的其他人。例如,司机设备140的用户C可以使用司机设备140接收对司机D的服务请求,和/或来自服务器110的信息或指令。在一些实施例中,可以指定司机使用其中一个司机设备140至少一段时间。例如,当司机可提供按需服务时,可以指派他/她使用接收最早请求的司机终端和推荐执行按需服务类型的车辆。在一些实施例中,“乘客”和“终端设备”可以互换使用,“司机”和“司机设备”可以互换使用。在一些实施例中,司机设备140可以与一个或以上司机(例如,夜班司机、日班司机或通过随机移位的司机池)相关联。
乘客可以通过用户终端130在地图上接收新道路。在一些实施例中,用户终端130可以通过网络120从处理引擎112获取道路地图。用户终端130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3、车辆内置设备130-4等,或其任何组合。在一些实施例中,移动设备130-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等,或其任意组合。在一些实施例中,智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等,或其任意组合。在一些实施例中,该可穿戴设备可包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣服、智能背包、智能配件等或其任意组合。在一些实施例中,智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备等,或其任意组合。在一些实施例中,虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等,或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括Google GlassTM、Oculus RiftTM、HololensTM或Gear VRTM等。在一些实施例中,车辆130-4中的内置设备可以包括内置计算机、车载内置电视、内置平板电脑等。
在一些实施例中,用户终端130可以包括信号发送器和被配置的信号接收器,用于与定位设备170通信以定位乘客和/或用户终端130的位置,并确定他/她的位置和道路的相对距离。司机还可以通过司机设备140在地图上接收新道路。司机设备140可以通过网络120从处理引擎112获取新的道路。司机设备140可包括至少两个司机设备140-1、140-2、......、140-n。在一些实施例中,司机设备140可以与用户终端130类似或相同。在一些实施例中,基于从处理引擎112获取的地图,可以定制司机设备140以实现在线服务。
存储器150可以存储数据和/或指令。数据可以包括与道路地图、路网、乘客、司机和/或外部环境有关的数据。仅用于说明目的,与道路地图相关的数据可能包括电子地图、纸质地图照片、航空摄影、遥感图像等。与乘客相关的数据可以包括用户档案。与司机相关的数据可能包括司机档案。与外部环境相关的数据可能包括天气状况、道路特征等。在一些实施例中,存储器150可以存储从用户终端130和/或司机设备140获取的数据。例如,存储器150可以存储与用户终端130相关联的日志信息。
在一些实施例中,存储器150可以存储处理引擎112可以执行的数据和/或指令,以处理本申请中描述的地图或地图相关图像。在一些实施例中,数据存储器160可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,所述存储器150可在云平台上实现。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,地图处理***100中的一个或以上组件可以通过网络120访问存储在存储器150中的数据或指令。在一些实施例中,存储器150可以作为后端存储器直接连接到服务器110。
定位设备170可以确定与对象相关联的信息,例如,一个或以上的用户终端130、司机设备140等例如,定位设备170可以确定用户终端130的当前位置。在一些实施例中,定位设备170可以是全球定位***(GPS)、全球导航卫星***(GLONASS)、罗盘导航***(COMPASS)、北斗导航卫星***、伽利略定位***、准天顶卫星***(QZSS)等。定位设备170提供的信息可以包括对象的位置、高度、速度或加速度,和/或当前时间。该位置可以是坐标的形式,例如纬度坐标和经度坐标等。定位设备170可以包括一个或以上卫星,或与一个或以上卫星相关联。卫星可以独立地或联合地确定上述信息。定位设备170可以通过网络120将上述信息发送到用户终端130或者司机设备140。
本领域普通技术人员应当理解,当地图处理***100的元件执行时,该元件可以通过电信号和/或电磁信号执行。例如,当用户终端130处理诸如确定新道路的任务时,用户终端130可以在其处理器中操作逻辑电路以处理这样的任务。当用户终端130将图像(例如,道路地图)发送到服务器110时,用户终端130的处理器可以生成编码图像的电信号。然后,用户终端130的处理器可以将电信号发送到输出端口。若用户终端130通过有线网络与服务器110通信,则输出端口可物理连接至电缆,其进一步将电信号传输给服务器110的输入端口。如果用户终端130通过无线网络与服务器110通信,则用户终端130的输出端口可以是一个或以上天线,其将电信号转换为电磁信号。类似地,司机设备140可以通过其处理器中的逻辑电路的操作处理任务,并且通过电信号或电磁信号从服务器110接收指令和/或信息。在电子设备中,例如用户终端130、司机设备140和/或服务器110,当其处理器处理指令时,发出指令和/或执行动作,指令和/或动作通过电信号进行。例如,当处理器从存储介质(例如,存储器150)检索数据(例如,路网)时,它可以将电信号发送到存储介质的读取设备,其可以读取存储介质中的结构化数据。该结构化数据可以电信号的形式通过电子设备的总线传输至处理器。此处,电信号可以指一个电信号、一系列电信号和/或至少两个不连续的电信号。
图2根据本申请的一些实施例示出了可以在其上实现地图处理***的一种示例性计算设备200。
计算设备200可以是通用计算机或专用计算机。两者都可用于实现本申请的地图处理***。计算设备200可用于实现如本文所述服务的任何组件。例如,处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。尽管为了方便,仅示出了一个这样的计算机,但是可以在多个类似平台上,以分布式方式实现与这里描述的服务相关的计算机功能,以分配处理负载。
例如,计算设备200可以包括连接的通信端口250,并且可以连接到网络以促进数据通信。计算设备200还可以包括处理器220用于执行程序指令,该处理器220以一个或以上处理器的形式存在。示例性计算机平台可以包括内部通信总线210、程序存储器和不同形式的数据存储器,例如,磁盘270、以及ROM 230或RAM 240,用于通过电脑处理和/或发送的各种数据文件。示例性的计算机平台也可以包括储存于ROM 230、RAM 240和/或其他非暂时储存介质类型中的供处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200还包括I/O组件260,支持计算机、用户和其中的其他组件之间的输入/输出。计算设备200也可以通过网络通信接收编程和数据。
仅仅为了说明,计算设备200只描述了一个中央处理单元和/或处理器。然而,需要注意的是,本申请中的计算设备200可以包括多个CPU和/或处理器,因此本申请中描述的由一个CPU和/或处理器实现的操作和/或方法也可以共同地或独立地由多个CPU和/或处理器实现。例如,计算设备200的CPU和/或处理器可以执行步骤A和步骤B。如在另一示例中,步骤A和步骤B也可以由计算设备200中的两个不同的CPU和/或处理器联合或单独地执行(例如,第一处理器执行步骤A并且第二处理器执行步骤B,或者第一和第二处理器共同执行步骤A和B)。
图3根据本申请的一些实施例示出了可在其上实现在线服务的一种示例性移动设备。如图3所示,移动设备300可以包括通信端口310、显示器320、图形处理单元(GPU)330、CPU 340、I/O 350、内存360和存储器390。在一些实施例中,任何其他合适的组件,包括但不限于***总线或控制器(未示出),也可包括在移动设备300内。在一些实施例中,为了使用CPU 340执行,移动操作***370(例如,iOSTM、AndroidTM、Windows PhoneTM等)和一个或以上应用程序380可从存储器390下载至内存360。应用程序380可以包括浏览器、地图应用程序或任何其他合适的移动应用程序,用于从处理引擎112和/或存储器150发送、接收和呈现与服务订单(例如,与地址文本相关联的至少两个名称)有关的信息。用户与信息流的交互可以通过I/O 350实现,并且通过网络120被提供给处理引擎112和/或按需服务***100的其他组件。
图4根据本申请的一些实施例示出了一种示例性处理引擎112。处理引擎112可以包括采集模块410、处理模块420、I/O模块430和通信模块440。处理引擎112的一个或以上模块可以通过有线连接、无线连接或其任何组合彼此连接或通信。有线连接可以包括金属线缆、光缆、混合电缆等或其任意组合。无线连接可以包括局域网络(LAN)、广域网络(WAN)、蓝牙、紫蜂网络、近场通信(NFC)等或其任意组合。
采集模块410可以被配置用于进行数据采集。在一些实施例中,采集模块410可以获取各种类型的数据。仅仅通过示例的方式,所获取的数据可以包括地图图像、路网图像、机器学习模型(例如,DCNN模型)、机器学习模型的超参数、用户指令、程序、算法等,或者其组合。在某些实施例中,地图图像可以用作区域的主要路线和特征的概述。在一些实施例中,本申请中的术语“地图”和“地图图像”可互换使用。地图图像可以是电子地图、纸质地图的照片(例如,打印的地图、手绘纸质地图)、空中地图、遥感地图等。在一些实施例中,地图图像可以包括至少两条道路和兴趣点(例如,教育机构、旅游景点、医院、商店、餐馆、旅馆、机场、火车站等)。如这里所使用的,除非指定,否则术语“道路”指的是在地图或地图图像上示出的道路。路网图像可以指包括至少两条道路的图像,其由线表示。在一些实施例中,本申请中的术语“路网”和“路网图像”可互换使用。在一些实施例中,基于地图,地图处理***100可以生成路网图像。在一些实施例中,路网图像可包括一个或以上道路特征,例如道路两端的坐标、道路长度、道路宽度、道路安全、交通信号灯、交通流量、道路维护、道路类型(高速公路、服务道路、单行道、双向街道等)等。采集模块410可以从存储设备(例如,存储器150)、终端设备(例如,用户终端130、司机设备140等)、外部源(例如,云数据中心等)等获取数据。
处理模块420可以被配置用于处理与地图图像和/或路网图像有关的数据。处理模块420可以从采集模块410、存储模块430和/或能够存储数据的任何存储设备(例如,存储器150或外部数据源)获取或接收数据和/或信息。在一些实施例中,处理模块420可以获取或接收初始机器学习模型(例如,深卷积神经网络(DCNN)模型),并训练机器学习模型以确定训练后的模型。基于地图图像,处理模块420可以使用训练后的模型确定路网图像。在一些实施例中,处理模块420可以对地图图像和/或路网图像执行各种操作,以确定道路地图图像和/或路网图像上的新道路。例如,各种操作可以包括卷积运算、反卷积运算、级联运算、图像增强等,或其组合。
处理模块420可以包括硬件处理器,例如微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机器(ARM)、可编程逻辑器件(PLD)、能够执行一个或以上功能的任何电路或处理器等,或其任何组合。
I/O模块430可以被配置用于使用户能够与处理引擎112交互。在一些实施例中,用户可以通过I/O模块430设置超参数包括,例如,学习速率和/或小批量尺寸,以训练机器学习模型。又例如,I/O模块430可以向用户输出信息(例如,新道路的一个或以上网络图像,用于选择地图图像的请求消息)。
I/O模块430还可以包括输入设备和输出设备。输入设备的示例可以包括控制面板、键盘、鼠标、触摸屏、麦克风等,或其组合。示例性的输出设备可以包括显示设备、扬声器、打印机、投影机等,或其任何组合。显示设备的示例可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、弯曲屏幕、电视设备、阴极射线管(CRT)、触控屏幕等,或其任何组合。
通信模块440可以被配置用于将处理引擎112连接到网络(例如,网络150)以促进数据通信。通信模块440可以在处理引擎112与用户终端130、司机设备140、存储器150和/或外部信息源之间建立连接。连接可以是有线连接、无线连接、可以启用数据传输和/或接收的任何其他通信连接,和/或这些连接的任何组合。有线连接可以包括,例如,电缆、光缆、电话线等或其任意组合。无线连接可以包括,例如,蓝牙TM链路、Wi-FiTM链路、WiMaxTM链路、WLAN链路、紫蜂链路、移动网络链路(例如3G、4G或5G等),或其组合。在一些实施例中,通信模块440可以是标准化通信端口,和/或包括标准化通信端口,例如RS232、RS485等在一些实施例中,通信模块440可以是专门设计的通信端口。
应当注意上述处理引擎112的描述仅仅是为了说明的目的而提供的,并不意图限制本申请的范围。对于本领域的普通技术人员说,可以根据本申请的描述,做出各种各样的变化和修改。例如,处理引擎112还可以包括便于数据存储的存储模块。然而,这些变化和修改不会背离本申请的范围。
图5是根据本申请的一些实施例所示的示例性处理模块420的框图。如图5所示,处理模块420可以包括图像处理单元510、训练单元520和存储单元530。在一些实施例中,处理模块420的一个或以上单元可以由至少一个处理器实现,例如处理器220。
图像处理单元510可以被配置用于处理地图图像和/或路网图像。在一些实施例中,图像处理单元510可以确定路网图像。例如,图像处理单元510可以从采集模块410获取地图,并且从训练单元520获取训练的DCNN模型。通过用训练后的DCNN模型处理地图,图像处理单元510可以生成路网图像。
在一些实施例中,图像处理单元510可以通过执行各种操作处理道路地图或路网图像,以确定道路地图图像或路网图像上的新道路。各种操作可以包括卷积运算、反卷积运算、级联运算、合并运算、图像增强运算(例如,直方图增强、对比度增强等)等,或其组合。例如,图像处理单元510可以对地图执行卷积运算以从地图提取主要特征(例如,道路信息)。又例如,图像处理单元510可以在两个路网图像上执行级联操作,以生成包括两个路网图像的信息的另一个路网图像。作为又一示例,图像处理单元510可以执行对比度增强操作以帮助识别地图上不同类型的道路。
训练单元520可以被配置用于训练机器学习模型。在一些实施例中,机器学习模型可以包括回归模型、神经网络模型、最大似然估计模型等。在一些实施例中,机器学习模型可以包括DCNN模型。DCNN模型可用于基于地图图像生成路网图像。在一些实施例中,训练单元520可以获取初始DCNN模型,并且基于初始DCNN模型,确定训练后的DCNN模型。初始DCNN模型可以由用户设置,根据地图处理***100的默认设置或两者的组合确定。
在一些实施例中,训练单元520可以从采集模块410获取训练数据,并且基于训练数据训练DCNN模型。训练数据可以包括,例如,至少两条道路地图图像和与道路地图图像对应的至少两个路网图像。在一些实施例中,训练单元520可以在迭代过程中训练DCNN模型。
存储单元530可以被配置用于存储与确定新道路有关的数据。数据可以从处理模块420、用户终端130、司机设备140、存储器150、一个或以上外部信息源(例如,云数据中心)和/或地图处理***100的任何其他组件获取。存储单元530可以存储各种数据,包括例如程序、代码、算法、道路地图、路网图像、机器学习模型和/或机器学习模型的超参数。存储单元530还可以存储由处理模块420的一个或以上单元执行的计算机指令,以执行本申请中描述的一个或以上功能。
图6根据本申请的一些实施例示出了用于确定新道路的示例性过程600的流程图。在一些实施例中,过程600可以由地图处理***100执行。例如,过程600可以作为存储在服务器110的非暂时性存储介质中的一组指令而被实现。处理器220可以执行一组指令并相应地执行过程600中的步骤。
在610中,可以获取区域的第一路网图像。在一些实施例中,第一路网图像可以通过采集模块410获取。第一路网图像可包括第一道路。在一些实施例中,第一道路可能不包括新道路,例如但不限于新建道路和新修改道路(例如,道路扩建)。仅出于说明目的,可以基于地图(例如,旧版本地图)生成第一路网图像。第一路网图像中所示的区域可以指任何地理区域。例如,区域可以是大陆、国家、省、州、郡、城市、城镇、区、社区、学校、工厂、公园等。
在某些实施例中,第一路网图像可包括第一道路。第一路网图像中的第一道路中的每一条可以由一定宽度的线表示。在一些实施例中,代表第一道路的线可具有类似的宽度。在一些实施例中,代表第一道路的线可以具有不同的宽度。例如,可以根据与该线对应的真实道路的宽度确定线的宽度。
在620中,基于具有训练后的DCNN模型的区域地图,可以确定区域的第二路网图像。在一些实施例中,采集模块410可以获取区域的地图图像。地图可以是电子地图,纸质地图的照片(例如,打印的地图、手绘纸质地图)、空中地图、遥感地图等。在一些实施例中,地图可以是道路地图,其可以包括区域的全部或部分路线。在一些实施例中,地图还可以包括多个兴趣点(例如,教育机构、旅游景点、医院、商店、餐馆、旅馆、机场、火车站等)。在一些实施例中,区域的地图图像可以是最新版本。
在一些实施例中,可以获取训练后的DCNN模型以处理地图图像。在某些实施例中,可以从训练单元520获取训练后的DCNN模型。可以通过用DCNN模型处理地图图像确定第二路网图像。DCNN模型可以处理具有至少两个层的路线图,例如卷积层、反卷积层、池化层、萎缩层等。在一些实施例中,关于DCNN模型的细节可以在本申请的其他地方描述,例如,图8和图9以及其描述。第二路网图像可能有一定的尺寸。在某些实施例中,第二路网图像可以具有与第一路网图像相同的尺寸。例如,第二路网图像和第一路网图像都可以具有256×256的尺寸。256×256的尺寸可以表示宽度为256像素点,高度为256像素点。又例如,第二路网图像和第一路网图像的尺寸均为9×9厘米。尺寸9×9cm可以表示9cm宽和9cm高。
第二路网图像可以包括至少一条第二道路。第二路网图像中的第二道路可以对应于第一路网图像中不存在的新道路(例如,新建道路、修改或重建道路等)。在某些实施例中,第二路网图像可包括第一道路和第二道路的部分或全部。第二路网图像中的第二道路中的每一条也可以由一定宽度的线表示。在一些实施例中,代表第一道路的线和代表第二道路的线可以具有相同的宽度。在一些实施例中,代表第二道路的线和代表第二道路的线可以具有不同的宽度。例如,表示第二道路的线可以具有比表示第一道路的线更大的宽度。
在630中,第一路网图像中的第一道路可以从第一宽度改变为第二宽度。表示第一道路的线的宽度可以通过例如图像处理单元510改变。在某些实施例中,第一宽度可以大于第二宽度。图像处理单元510可以将第一道路缩小到第二宽度。在某些实施例中,第一宽度可以小于第二宽度。图像处理单元510可以将第一道路扩展到第二宽度。在某些实施例中,第一路网图像中第一道路的宽度可以根据图像形态算法改变,例如扩展算法、快速并行算法等。在某些实施例中,第二路网图像中的第二道路也可具有第二宽度。在一些实施例中,在处理(例如,通过图像处理单元510)之后,第一网络图像中第一道路的宽度与第二路网图像中第二道路的宽度相同。
在640中,可以通过拼接第一路网图像(在630中处理之后)和第二路网图像确定区域的第三路网图像。区域的第三路网图像可以通过例如图像处理单元510确定。在一些实施例中,图像处理单元510可以执行级联操作或者将第一路网图像和第二路网图像输入到神经网络的级联层(例如,训练后的DCNN模型)以实现第三路网图像判定。第三路网图像可包括第一路网图像和第二路网图像的信息。该信息可以包括各种类型的道路特征,例如但不限于路网图像中道路的相对位置、道路长度、道路宽度等。
在某些实施例中,第三路网图像的尺寸可以根据第一路网图像的尺寸和/或第二路网图像的尺寸确定。在某些实施例中,如果第一路网图像和第二路网图像具有相同的预定尺寸,则第三路网图像也可具有预定尺寸。仅用于说明目的,第一路网图像和第二路网图像可以具有256×256的尺寸。第一路网图像和第二路网图像中的每一个均可对应于256*256*2的矩阵,其表示第一路网图像和第二网络图像可以在两个信道中存储信息。然后第三路网图像可以对应于256*256*4的矩阵,其表示第三路网图像可以在四个信道中存储信息。在某些实施例中,第一路网图像和第二路网图像的信息可以存储在第三路网图像的四个通道中;并且第三路网图像的尺寸可以是256×256。
在650中,可以通过至少一个卷积层(例如,DCNN模型),处理第三路网图像,确定区域的第四路网图像。第四路网图像可以通过例如图像处理单元510确定。在一些实施例中,图像处理单元510可以通过卷积层处理第三路网图像并获取处理结果,确定第四路网图像。卷积层可以由神经网络(例如,训练后的DCNN模型)提供。在一些实施例中,图像处理单元510可以通过对第三路网图像执行微分运算,确定第四路网图像。在某些实施例中,区分操作可以处理第三路网图像的一个或以上信道的信息,并去除一个或以上信道中的相同元素。仅仅出于说明的目的,图像处理单元510可以从第三路网图像中移除第一道路。在某些实施例中,第四路网图像可包括第二道路(即新道路)。
在660中,基于第四路网图像,可以确定第二道路两个端点的坐标。第二道路两个端点的坐标可以通过例如图像处理单元510确定。在一些实施例中,可以建立坐标系以便于确定坐标。可以确定第二道路两个端点之间的相对位置和坐标系的原点。在一些实施例中,可以根据相对位置确定第二道路两个端点的坐标。在一些实施例中,坐标可以以纬度坐标和经度坐标的形式表示。在一些实施例中,可以根据一个或以上算法确定第二道路两个端点的坐标。仅仅通过示例的方式,一个或以上算法可以包括霍夫变换。
过程600的操作是说明性的而非限制性的。在一些实施例中,过程600可以利用未描述的一个或以上附加操作完成,和/或不利用一个或以上所讨论的操作完成。另外,执行过程600操作的顺序不是限制性的。例如,过程600还可以包括通过通信模块440将第二路网图像发送到存储器150或地图处理***100中的任何其他组件。类似的修改应属于本申请的范围。
图7根据本申请的一些实施例示出了用于基于区域的路网确定区域的新路网图像和确定包括该区域的地图的示意图700。在一些实施例中,示意图700可以对应于图6中所示的步骤610至650。地图处理***100可以获取地图710和第一路网715。第一路网715可包括至少两条道路。在一些实施例中,可以基于旧版本地图生成第一路网715。地图710可以是最新版本,其可以进一步包括一条或以上新道路,例如但不限于新建道路和新修改道路(例如,道路扩建),其不存在于第一路网715中。地图处理***100可以利用一个或以上神经网络的至少两个层处理地图710和/或第一路网715。如图7所示,至少两个层可包括DCNN模型720、卷积层725、级联层740和卷积层760的多个层。
基于地图,DCNN模型720可以被配置用于确定第二路网。在一些实施例中,DCNN模型可以采用多层神经网络的形式。DCNN模型720可以处理地图710,并生成第二路网730,如620中所述。在一些实施例中,第二路网可以具有与道路地图类似的尺寸,并且可以保留地图710的信息。DCNN模型720可能具有某种网络结构,例如ResNet-101、VGG-16等可以在图8中披露DCNN模型720的网络结构的实施例。
在一些实施例中,卷积层725可以被配置用于在第一路网715中处理道路。例如,卷积层725可以获取第一路网,并生成经处理的第一路网图像735。在某些实施例中,卷积层725可以将表示第一路网715中道路的线从第一宽度改变为第二宽度。如果第一宽度大于第二宽度,则卷积层725可缩小第一路网715中的线。如果第一宽度小于第二宽度,则卷积层725可以扩展第一路网715中的线。
在一些实施例中,级联层740可以被配置用于组合两个图像并生成包含两个图像信息的另一图像。例如,级联层740可以获取第二路网730和处理后的第一路网735,并生成第三路网750。在一些实施例中,级联层740可以获取第二路网730、第一路网715和处理后的第一路网735的信息,并将获取的信息分别存储在不同的信道中。
基于第三路网图像750,卷积层760可以被配置用于生成第四路网770。卷积层760可以处理第三路网750的一个或以上信道的信息,并且移除一个或以上信道中的相同元素。在一些实施例中,可以通过在第三路网750上执行区分操作实现移除。第四路网770可以仅包括新道路。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员说,可以根据本申请的描述,做出各种各样的变化和修改。例如,卷积层725、级联层740和/或卷积层760可以是DCNN模型720的一部分。然而,这些变化和修改不会背离本申请的范围。
图8是根据本申请的一些实施例所示的DCNN模型800的示例性网络结构的示意图。DCNN模型800可以具有各种类型的网络结构,例如ResNet-101、VGG-16等。在图8中,提供了VGG-16的示例性网络结构,用于说明DCNN模型。仅作为示例,DCNN模型800可以包括三对卷积层和池化层810至830、空洞卷积层840、三个反卷积层850、870和890以及两个跳跃层860和880。基于至少两个图像,跳跃层可以被配置用于被配置用于生成具有更精细像素点的图像。
第一对卷积层和池化层810可以被配置用于生成第一特征图像(也被称为图像A815)。第一对卷积层和池化层810可以获取地图图像805,并基于地图图像805,生成图像A。在一些实施例中,卷积层可以从地图图像805中提取特征。具体地,卷积层可以将地图图像与一组滤波器卷积,并产生至少两个特征图像。池化层可以对卷积层的特征图像输出进行下采样。仅仅通过示例的方式,池化层可以利用一个或以上的汇集方法对特征图像进行下采样。示例性汇集方法可以包括平均汇集、最大汇集、随机汇集等。第一对卷积层和池化层810可以提取地图图像805的一个或以上特征以及减小地图图像805的尺寸。例如,图像A815的尺寸可以是地图图像805的尺寸的一半。
第二对卷积层和池化层820可以被配置用于从第一对卷积层和池化层810的输出(即图像A 815)进一步提取一个或以上特征,并生成第二特征图像(也称为图像B 825)。在一些实施例中,第二对卷积层和池化层820可以与第一对卷积层和池化层810类似或相同。仅出于说明的目的,图像B 825的尺寸可以是地图图像805的尺寸的四分之一。
第三对卷积层和池化层830可以与第一对卷积层和池化层810和/或第二对卷积层和池化层820相似或相同。基于第二对卷积层和池化层820的输出(即图像B 825),第三对卷积层和池化层830可以生成第三特征图像(图8中未示出)。第三图像的尺寸可以是地图图像805尺寸的八分之一。
在一些实施例中,空洞卷积层840可以被配置用于改善图像的质量。更具体地,空洞卷积层840可以促进图像的密集特征提取、视野放大和/或分辨率改善。在一些实施例中,空洞卷积层840可以获取第三对卷积层和池化层830的输出(即第三图像),并且可以生成第四特征图像(也被称为为图像C 845)。空洞卷积层840可以改善第三图像的分辨率。因此,图像C的分辨率可以具有比第三图像更大的分辨率和更多的特征。在一些实施例中,空洞卷积层840可以改变或不改变输入图像的尺寸。例如,图像C 845可以具有与第三图像相同的尺寸。
第一反卷积层850可以被配置用于对输入图像进行上采样。在一些实施例中,第一反卷积层850可以获取空洞卷积层840的输出(即,图像C 845),并且生成第五特征图像(也被称为图像D 855)。在某些实施例中,第一反卷积层850可以放大图像C 845。例如,第一反卷积层850可以使图像C 845的尺寸加倍。在某些实施例中,图像D 855的尺寸可以是地图图像805的尺寸的四分之一。
第一跳跃层860可以被配置用于将两个图像组合成一个图像。在一些实施例中,第一跳跃层860可以获取第一反卷积层850的输出(即,图像D 855)和第二对卷积层和池化层820的输出(即,图像B 825),并生成第六特征图像(也称为图像E 865)。在某些实施例中,图像D 855和图像B 825可以具有相同的尺寸。在一些实施例中,第一跳跃层860可以逐个元素地组合两个图像。具体地,可以在图像D 855中的每个像素点与图像B 825中的每个对应像素点之间执行算术运算(例如,乘积、和、最大等)。例如,第一跳跃层860可以添加两个像素点,其可以在两个图像中彼此对应,并且生成图像E 865的像素点。在某些实施例中,图像E865可包括图像B 825和图像D 855两者的特征。在一些实施例中,由第一跳跃层860生成的图像可以具有与输入到第一跳跃层860的图像相同的尺寸。例如,图像E 865的尺寸可以是地图图像805的尺寸的四分之一。
第二反卷积层870和第三反卷积层890可以与第一反卷积层850类似或相同。在一些实施例中,第二跳跃层880也可以与第一跳跃层860类似或相同。在一些实施例中,第二反卷积层870可以被配置用于获取第一跳跃层860的输出(即,图像E 865),并且生成第七特征图像(也被称为图像F 875)。在某些实施例中,图像F 875的尺寸可以是地图图像805尺寸的一半。第二跳跃层880可以被配置用于获取第二反卷积层870的输出(即图像F 875)和第一对卷积层和池化层810的输出(即,图像A 815),并生成第八特征图像(也称为图像G 885)。在一些实施例中,图像G 885可以包括图像A 815和图像F 875的特征。在某些实施例中,图像G 885的尺寸可以是地图图像805的尺寸的一半。
第三反卷积层890可以被配置用于获取第二跳跃层880的输出(即,图像G 885),并且生成第九特征图像(也被称为图像H 895)。在某些实施例中,图像H 895可以是DCNN模型800的输出。在某些实施例中,图像H 895可以具有与地图图像805相同的尺寸。在一些实施例中,地图图像805可以与地图710类似或相同。图像H 895可以是与图7有关的第二路网730。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员说,可以根据本申请的描述,做出各种各样的变化和修改。例如,DCNN模型800还可以包括第四对卷积层和池化层、第三跳跃层和/或第四反卷积层。然而,这些变化和修改不会背离本申请的范围。
图9根据本申请的一些实施例示出了用于训练机器学习模型的示例性过程900的流程图。过程900可以作为处理引擎112的非暂时性存储介质中的一组指令而被实现。计算设备200的处理器220可以执行一组指令并且可以相应地执行过程900中的步骤。
在910中,可以获取初始机器学习模型。初始机器学习模型可以通过例如采集模块410获取。初始机器学习模型可包括但不限于初始神经网络、初始神经网络的一个或以上层等。例如,初始机器学习模型可包括初始神经网络模型的初始DCNN模型或初始神经网络模型的一个或以上层(例如,一个或以上卷积层、一个或以上反卷积层、一个或以上池化层、一个或以上空洞卷积层、一个或以上跳跃层、一个或以上输出层等)。初始机器学习模型可具有一个或以上参数,其可在训练过程中更新或优化。一个或以上参数可以包括,例如学习速率、正则化项目、批量尺寸、权值和/或至少两个层的一个或以上的多个参数。
在920中,可以获取至少两个地图和路网图像。至少两个地图和路网可以通过例如采集模块410获取。采集模块410可以从存储设备(例如,存储器150)、终端设备(例如,用户终端130、司机设备140等)、外部源(例如,云数据中心等)等获取或接收至少两个地图和路网。在一些实施例中,采集模块410可以获取或接收至少两个地图和对应于该至少两个地图的至少两个路网,以训练初始DCNN模型。在一些实施例中,至少两个地图和相应的路网可以具有相同的尺寸。例如,地图和相应的路网可以具有尺寸(例如,256×256)。在一些实施例中,如果地图具有不同的尺寸,则地图处理***100可以将地图的尺寸调整到预定尺寸,例如,通过放大或缩小地图的一个或以上。在某些实施例中,预定尺寸可以由用户设置,或者可以根据地图处理***的默认设置确定。在某些实施例中,预定尺寸是其中一个地图的尺寸。在一些实施例中,至少两个地图可以包括不同场景的道路特征。仅通过示例的方式,至少两个地图可以包括城市道路地图、街道道路地图、社区的道路地图、校园的道路地图等。在一些实施例中,采集模块410可以获取或接收至少两个路网和对应于该至少两个路网的至少两个处理后的路网,以训练初始神经网络模型的一个或以上层(例如,卷积层725和/或卷积层760)。
在930中,基于至少两个地图和路网,可以训练初始机器学习模型。初始机器学习模型可以通过例如训练单元520训练。在训练过程中,可以将地图或路网输入到初始机器学习模型中。初始机器学习模型可以以输出路网作为处理结果。训练模块420,例如,可以获取或接收与输入到机器学习模型中的地图或路网相对应的路网,并且将获取的路网作为参考。在一些实施例中,训练过程可以是迭代过程。
在一些实施例中,在训练过程中,训练单元520可以将处理结果与参考进行比较,并确定是否满足预设条件。如果满足预设条件,则过程900可以进行到940,并且可以确定训练的机器学习模型。如果不满足预设条件,则可以将另一个映射输入到机器学习模型中,并且可以基于输入、处理结果和/或参考,更新机器学习模型的一个或以上参数(例如,一个或以上权值)。在一些实施例中,预设条件可以涉及处理结果和参考之间的差异。在一些实施例中,预设条件可以涉及算法的限制(例如,处理结果与参考之间的差值的阈值),当算法满足限制时,迭代可以终止。例如,算法可以是损失函数。
在一些实施例中,损失函数可以表示对确定地图上的道路作为地图背景(例如,建筑物,空白区域等)的错误的惩罚。在某些实施例中,损失函数可以根据等式(1)确定:
其中L可以表示损失函数,i可以表示当i=1时的道路,并且当i=0时可以表示地图的背景,wi可以表示权值。具体地,w1可以表示道路的权值,并且w0可以表示地图背景的权值。在某些实施例中,w1可能大于w0。在一些实施例中,当i=1时,pi可以表示道路的预测概率,并且当i=0时,pi可以表示地图的背景的预测概率。
在940中,可以确定训练后的机器学习模型。在一些实施例中,当在训练过程中达到损失函数收敛时,训练过程可以终止。在一些实施例中,在训练过程终止时确定的机器学习模型可以被指定为训练后机器学习模型。在一些实施例中,基于地图,训练后的机器学习模型可用于生成路网。例如,参考图7,训练后的DCNN模型可以用作DCNN模型720。又例如,一个或以上训练后的卷积层可以用作图7提到的卷积层725和760。在一些实施例中,卷积层725和/或卷积层760可以是DCNN模型720的一部分。
应当注意以上对过程900的描述仅仅是出于说明的目的而提供的,并不旨在限制本申请的范围。对于本领域的普通技术人员说,可以根据本申请的描述,做出各种各样的变化和修改。例如,过程900还可以包括用于验证训练后的机器学习模型的稳定性的验证操作。然而,这些变化和修改不会背离本申请的范围。
图10根据本申请的一些实施例示出了用于确定地图上的新道路的示意图。在某些实施例中,可以结合图6描述图10。如图10所示,可以获取第一路网图像1010。第一路网图像1010可以包括区域中的至少两条道路。在一些实施例中,可以基于旧版本映射生成第一路网图像1010。在一些实施例中,可以获取地图1020,并且地图1020可以是区域的新版本地图。地图1020可以包括区域的至少两条道路和POI(例如,建筑物、公交车站等)。在一些实施例中,道路地图1020中一条或以上道路可以是新道路(例如,新建或重建的),并且新道路不存在于第一路网图像1010中。在某些实施例中,可以将地图1020输入到训练后的DCNN模型中以生成第二路网图像1030。可以在路网图像1030中提取并保留道路地图1020的主要特征,例如道路。
在一些实施例中,地图处理***100可以基于第一路网图像1010和第二路网图像1030确定新道路1040的路网图像。在一些实施例中,可以通过对第一路网图像1010和第二路网图像1030执行一个或以上处理操作获取新道路1040的路网图像。处理操作可以包括,例如级联操作、卷积操作等在一些实施例中,可以建立坐标系,并且可以确定新道路1040的路网图像上每条新道路两个端点的坐标,以便于识别新道路。
同时,本申请使用了特定词语描述本申请的实施例。例如″一个实施例″、″一实施例″、和/或″一些实施例″意指与本申请至少一个实施例相关的某一特征、结构或特性。因此,应当强调并注意的是,本说明书中在不同位置两次或以上提及的″一实施例″或″一个实施例″或″一替代性实施例″并不一定是指同一实施例。此外,本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的过程、机器、产品或物质的组合,或对其任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行,可以完全由软件(包括固件、常驻软件、微码等)执行,也可以由硬件和软件组合执行。以上硬件或软件均可被称为“模块”、“单元”、“组件”、“设备”或“***”。此外,本申请的各方面可以采用计算机程序产品的形式,该计算机程序产品体现在具有计算机可读程序代码包含在其上的一个或以上非暂时性计算机可读介质中。
计算机可读信号介质可能包含一个内含有计算机可读程序代码的传播数据信号,例如在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光形式等,或任何合适的组合。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF等,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写,包括面向主体编程语言(如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等)、常规程序化编程语言(如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP)、动态编程语言(如Python、Ruby和Groovy)或其他编程语言等。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用(如软件即服务(SaaS))。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述申请中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于申请的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。然而,本申请的该方法不应被解释为要求保护的主题所需要的特征比每个权利要求中所明确记载的特征多。相反,要求保护的主题的特征要少于上述所披露的单个实施例的全部特征。
Claims (23)
1.一种用于确定地图上的新道路的***,包括:
至少一个存储介质用于存储一组指令;以及
至少一个处理器,其被配置为与所述至少一个存储介质通信,其中当执行所述一组指令时,所述至少一个处理器用于:
获取区域的第一路网图像,所述第一路网图像包括第一道路;
基于所述区域的地图,通过训练后的深度卷积神经网络(DCNN)模型,确定所述区域的第二路网图像,所述第二路网图像包括在所述第一路网图像中不存在的第二道路;
通过拼接所述第一路网图像和所述第二路网图像确定所述区域的第三路网图像,所述第三路网图像包括所述第一路网图像和所述第二路网图像的信息;以及
通过至少一个卷积层,处理所述第三路网图像,确定所述区域的第四路网图像,所述第四路网图像包括所述第二道路。
2.根据权利要求1所述的***,其特征在于,所述至少一个处理器还用于:
将所述第一路网图像中的所述第一道路从第一宽度改为第二宽度,其中所述第二路网图像中的所述第一道路和所述第二道路都具有所述第二宽度。
3.根据权利要求1所述的***,其特征在于,获取所述训练后的DCNN模型,所述至少一个处理器:
获取初始DCNN模型;
获取至少两个地图和与所述至少两个地图相关的至少两个路网图像;
基于所述至少两个地图和所述至少两个路网图像,训练所述初始DCNN模型;以及
基于所述初始DCNN模型和损失函数,确定训练后的DCNN模型。
4.根据权利要求1所述的***,其特征在于,所述至少一个卷积层是所述训练后的DCNN模型的一部分。
5.根据权利要求1所述的***,其特征在于,所述训练后的DCNN模型包括一对或以上卷积层和池化层、至少一个空洞卷积层、一个或以上反卷积层、一个或以上跳跃层。
6.根据权利要求1所述的***,其特征在于,所述训练后的DCNN模型包括:
一个或以上空洞卷积层,其被配置用于将特征图像的分辨率从第一值提高到第二值;以及
一个或以上跳跃层,其被配置用于将两个特征图像合并为组合特征图像。
7.根据权利要求6所述的***,其特征在于,将所述两个特征图像合并为所述组合特征图像,所述一个或以上跳跃层被配置为:
将所述两个特征图像,逐个元素地合并到所述组合特征图像中。
8.根据权利要求6所述的***,其特征在于,所述组合特征图像包括所述两个特征图像的特征。
9.根据权利要求1所述的***,其特征在于,所述第二路网图像的尺寸与所述第一路网图像的尺寸相同。
10.根据权利要求1所述的***,其特征在于,通过拼接所述第一路网图像和所述第二路网图像确定所述第三路网图像,所述至少一个处理器用于:
通过将所述第一路网图像和所述第二路网图像输入所述训练后的DCNN模型的级联层确定所述第三路网图像。
11.根据权利要求1所述的***,其特征在于,所述至少一个处理器还用于:
基于所述第四路网图像,确定每条第二道路的两个端点;以及
根据霍夫变换确定所述两个端点的坐标。
12.一种在至少一个地图处理设备上实施的方法,用于检测图像中的对象,所述方法包括:
通过所述至少一个地图处理设备获取区域的第一路网图像,所述第一路网图像包括第一道路;
通过所述至少一个地图处理设备,基于所述区域的地图,通过训练后的深度卷积神经网络(DCNN)模型,确定所述区域的第二路网图像,所述第二路网图像,包括在所述第一路网图像中不存在的第二道路;
由所述至少一个地图处理设备通过拼接所述第一路网图像和所述第二路网图像确定所述区域的第三路网图像,所述第三路网图像包括所述第一路网图像及所述第二路网图像的信息;以及
由所述至少一个地图处理设备,通过至少一个卷积层,处理所述第三路网图像,确定所述区域的第四路网图像,所述第四路网图像包括所述第二道路。
13.根据权利要求12所述的方法,还包括:
通过所述至少一个地图处理设备将所述第一路网图像中所述第一道路从第一宽度改变为第二宽度,其中所述第二路网图像中的所述第一道路和所述第二道路具有所述第二宽度。
14.根据权利要求12所述的方法,其特征在于,所述训练后的DCNN模型是通过以下方式获取的:
获取初始DCNN模型;
获取至少两个地图和与所述至少两个地图相关的至少两个路网图像;
基于所述至少两个地图和所述至少两个路网图像,训练所述初始DCNN模型;以及
基于所述初始DCNN模型和损失函数确定训练后的DCNN模型。
15.根据权利要求12所述的方法,其特征在于,所述至少一个卷积层是所述训练后的DCNN模型的一部分。
16.根据权利要求12所述的方法,其特征在于,所述训练后的DCNN模型包括一对或以上卷积层和池化层、至少一个空洞卷积层、一个或以上反卷积层和一个或以上跳跃层。
17.根据权利要求12所述的方法,其特征在于,所述训练过的DCNN模型包括:
一个或以上空洞卷积层,其被配置用于改善特征图像从第一值到第二值的分辨率;以及
一个或以上跳跃层,其被配置用于将两个特征图像合并为组合特征图像。
18.根据权利要求17所述的方法,其特征在于,将所述两个特征图像合并为所述一个组合特征图像,所述一个或以上跳跃层被配置为:
将所述两个特征图像,逐个元素地合并到所述组合特征图像中。
19.根据权利要求17所述的方法,其特征在于,组合特征图像包括所述两个特征图像的特征。
20.根据权利要求12所述的方法,其特征在于,所述第二路网图像的尺寸与所述第一路网图像的尺寸相同。
21.根据权利要求12所述的方法,其特征在于,由所述至少一个地图处理设备通过拼接所述第一路网图像和所述第二路网图像确定所述区域的所述第三路网图像包括:
由所述至少一个地图处理设备通过将所述第一路网图像和所述第二路网图像输入所述训练后的DCNN模型的级联层确定所述第三路网图像。
22.根据权利要求12所述的方法,其特征在于,还包括:
基于所述第四路网图像,通过所述至少一个地图处理设备,确定所述第二道路的两个端点;以及
通过所述至少一个地图处理设备,根据霍夫变换确定所述两个端点的坐标。
23.一种非暂时性介质存储介质,其特征在于,所述存储介质用于存储指令,当所述指令由至少一个地图处理设备执行时,使所述至少一个地图处理设备实现如权利要求12-22中任意一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/114761 WO2019109262A1 (en) | 2017-12-06 | 2017-12-06 | Systems and methods for determining new roads on a map |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111465936A CN111465936A (zh) | 2020-07-28 |
CN111465936B true CN111465936B (zh) | 2023-11-24 |
Family
ID=66751221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780097530.4A Active CN111465936B (zh) | 2017-12-06 | 2017-12-06 | 确定地图上新道路的***和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11293763B2 (zh) |
CN (1) | CN111465936B (zh) |
TW (1) | TWI725360B (zh) |
WO (1) | WO2019109262A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929607B (zh) * | 2019-11-11 | 2022-05-31 | 桂林理工大学 | 一种城市建筑物施工进度的遥感识别方法和*** |
CN111915490A (zh) * | 2020-08-14 | 2020-11-10 | 深圳清研智城科技有限公司 | 一种基于多尺度特征的车牌图像超分辨率重建模型及方法 |
CN113158726A (zh) * | 2020-12-30 | 2021-07-23 | 交通运输部科学研究院 | 一种基于遥感影像识别农村公路路面类型的方法 |
CN114331914B (zh) * | 2022-03-07 | 2022-05-24 | 中咨数据有限公司 | 一种图像快速校准与实时渲染方法、***、介质及移动端 |
TWI822132B (zh) * | 2022-06-20 | 2023-11-11 | 國立臺北科技大學 | 快遞輔助系統及快遞輔助系統的使用方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991906A (zh) * | 2015-06-17 | 2015-10-21 | 百度在线网络技术(北京)有限公司 | 信息获取方法、服务器、终端及数据库构建方法、装置 |
CN107170004A (zh) * | 2017-05-12 | 2017-09-15 | 同济大学 | 一种无人车单目视觉定位中对匹配矩阵的图像匹配方法 |
CN107221007A (zh) * | 2017-05-12 | 2017-09-29 | 同济大学 | 一种基于图像特征降维的无人车单目视觉定位方法 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6850252B1 (en) * | 1999-10-05 | 2005-02-01 | Steven M. Hoffberg | Intelligent electronic appliance system and method |
US7006881B1 (en) * | 1991-12-23 | 2006-02-28 | Steven Hoffberg | Media recording device with remote graphic user interface |
US5638116A (en) * | 1993-09-08 | 1997-06-10 | Sumitomo Electric Industries, Ltd. | Object recognition apparatus and method |
US7979172B2 (en) * | 1997-10-22 | 2011-07-12 | Intelligent Technologies International, Inc. | Autonomous vehicle travel control systems and methods |
US6266442B1 (en) * | 1998-10-23 | 2001-07-24 | Facet Technology Corp. | Method and apparatus for identifying objects depicted in a videostream |
US7359555B2 (en) | 2004-10-08 | 2008-04-15 | Mitsubishi Electric Research Laboratories, Inc. | Detecting roads in aerial images using feature-based classifiers |
DE102006062061B4 (de) * | 2006-12-29 | 2010-06-10 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung, Verfahren und Computerprogramm zum Bestimmen einer Position basierend auf einem Kamerabild von einer Kamera |
JP4780213B2 (ja) | 2009-03-24 | 2011-09-28 | 株式会社デンソー | 道路地図データ学習装置 |
US8958911B2 (en) * | 2012-02-29 | 2015-02-17 | Irobot Corporation | Mobile robot |
US8798372B1 (en) * | 2012-03-07 | 2014-08-05 | Hrl Laboratories, Llc | Method for detecting bridges using lidar point cloud data |
US8938094B1 (en) | 2012-04-13 | 2015-01-20 | Google Inc. | Generating a road network based on satellite imagery |
US8504233B1 (en) * | 2012-04-27 | 2013-08-06 | Google Inc. | Safely navigating on roads through maintaining safe distance from other vehicles |
US9704068B2 (en) | 2012-06-22 | 2017-07-11 | Google Inc. | System and method for labelling aerial images |
US9187099B2 (en) * | 2013-10-17 | 2015-11-17 | Richard M. Powers | Systems and methods for predicting weather performance for a vehicle |
EP3029606A3 (en) * | 2014-11-14 | 2016-09-14 | Thomson Licensing | Method and apparatus for image classification with joint feature adaptation and classifier learning |
CN104915636B (zh) | 2015-04-15 | 2019-04-12 | 北京工业大学 | 基于多级框架显著性特征的遥感影像道路识别方法 |
CN104851099B (zh) | 2015-05-21 | 2018-07-03 | 周口师范学院 | 一种基于表示学习的图像融合方法 |
AU2016315938B2 (en) | 2015-08-31 | 2022-02-24 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
CN105512661B (zh) | 2015-11-25 | 2019-02-26 | 中国人民解放军信息工程大学 | 一种基于多模态特征融合的遥感影像分类方法 |
CN105488534B (zh) | 2015-12-04 | 2018-12-07 | 中国科学院深圳先进技术研究院 | 交通场景深度解析方法、装置及*** |
US9802599B2 (en) * | 2016-03-08 | 2017-10-31 | Ford Global Technologies, Llc | Vehicle lane placement |
WO2017166089A1 (en) | 2016-03-30 | 2017-10-05 | Intel Corporation | Techniques for determining a current location of a mobile device |
US11188823B2 (en) * | 2016-05-31 | 2021-11-30 | Microsoft Technology Licensing, Llc | Training a neural network using another neural network |
CN207221007U (zh) | 2017-03-15 | 2018-04-13 | 新昌县三悟智能有限公司 | 一种具有腿部按摩功能的多功能椅 |
CN106934456A (zh) * | 2017-03-16 | 2017-07-07 | 山东理工大学 | 一种深度卷积神经网络模型构建方法 |
CN107145578B (zh) * | 2017-05-08 | 2020-04-10 | 深圳地平线机器人科技有限公司 | 地图构建方法、装置、设备和*** |
-
2017
- 2017-12-06 WO PCT/CN2017/114761 patent/WO2019109262A1/en active Application Filing
- 2017-12-06 CN CN201780097530.4A patent/CN111465936B/zh active Active
-
2018
- 2018-12-06 TW TW107143872A patent/TWI725360B/zh active
-
2020
- 2020-06-06 US US16/894,771 patent/US11293763B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991906A (zh) * | 2015-06-17 | 2015-10-21 | 百度在线网络技术(北京)有限公司 | 信息获取方法、服务器、终端及数据库构建方法、装置 |
CN107170004A (zh) * | 2017-05-12 | 2017-09-15 | 同济大学 | 一种无人车单目视觉定位中对匹配矩阵的图像匹配方法 |
CN107221007A (zh) * | 2017-05-12 | 2017-09-29 | 同济大学 | 一种基于图像特征降维的无人车单目视觉定位方法 |
Also Published As
Publication number | Publication date |
---|---|
US11293763B2 (en) | 2022-04-05 |
TW201931112A (zh) | 2019-08-01 |
TWI725360B (zh) | 2021-04-21 |
US20200300641A1 (en) | 2020-09-24 |
CN111465936A (zh) | 2020-07-28 |
WO2019109262A1 (en) | 2019-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111465936B (zh) | 确定地图上新道路的***和方法 | |
US11398002B2 (en) | Systems and methods for determining an estimated time of arrival | |
WO2017177916A1 (en) | Systems and methods for determining point of interest | |
US10904724B2 (en) | Methods and systems for naming a pick up location | |
US11003730B2 (en) | Systems and methods for parent-child relationship determination for points of interest | |
CN112868036A (zh) | 位置推荐的***和方法 | |
EP3566149B1 (en) | Systems and methods for updating poi information | |
JP2018530022A (ja) | 個人別コンテンツを推奨するためのシステム及び方法 | |
CN110998239B (zh) | 用于确定地图中的新路径的***和方法 | |
CN111295569B (zh) | 用于生成道路地图的***和方法 | |
CN111859178A (zh) | 一种推荐上车点的方法和*** | |
WO2019237945A1 (en) | Systems and methods for navigation services | |
CN110832476A (zh) | 用于为按需服务提供信息的***和方法 | |
CN111275807A (zh) | 一种3d道路建模的方法和*** | |
CN112836586A (zh) | 一种交叉口信息确定方法、***和装置 | |
CN110689719B (zh) | 用于识别封闭路段的***和方法 | |
US20210270629A1 (en) | Method and apparatus for selecting a path to a destination | |
WO2020093351A1 (en) | Systems and methods for identifying a road feature | |
WO2022087831A1 (en) | Systems and methods for recommending points of interest | |
CN113924460B (zh) | 确定服务请求的推荐信息的***和方法 | |
WO2021022487A1 (en) | Systems and methods for determining an estimated time of arrival | |
CN111563639A (zh) | 一种订单分配的方法和*** | |
CN112805534B (zh) | 定位目标对象的***和方法 |
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 |