KR20170103763A - 3차원 도로 모델의 모델링 방법, 장치 및 저장 매체 - Google Patents

3차원 도로 모델의 모델링 방법, 장치 및 저장 매체 Download PDF

Info

Publication number
KR20170103763A
KR20170103763A KR1020177015772A KR20177015772A KR20170103763A KR 20170103763 A KR20170103763 A KR 20170103763A KR 1020177015772 A KR1020177015772 A KR 1020177015772A KR 20177015772 A KR20177015772 A KR 20177015772A KR 20170103763 A KR20170103763 A KR 20170103763A
Authority
KR
South Korea
Prior art keywords
dimensional
data
road
model
traffic
Prior art date
Application number
KR1020177015772A
Other languages
English (en)
Other versions
KR101932623B1 (ko
Inventor
시앙페이 지아
양 옌
루이쒀 왕
Original Assignee
바이두 온라인 네트웍 테크놀러지 (베이징) 캄파니 리미티드
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 바이두 온라인 네트웍 테크놀러지 (베이징) 캄파니 리미티드 filed Critical 바이두 온라인 네트웍 테크놀러지 (베이징) 캄파니 리미티드
Publication of KR20170103763A publication Critical patent/KR20170103763A/ko
Application granted granted Critical
Publication of KR101932623B1 publication Critical patent/KR101932623B1/ko

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
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3626—Details of the output of route guidance instructions
    • G01C21/3635—Guidance using 3D or perspective road maps
    • G01C21/3638—Guidance using 3D or perspective road maps including 3D objects and buildings
    • 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
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road 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
    • G01C21/3852—Data derived from aerial or satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • 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
    • 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
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
    • 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
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3626—Details of the output of route guidance instructions
    • G01C21/3635—Guidance using 3D or perspective road maps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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; 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Graphics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Processing Or Creating Images (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Image Analysis (AREA)

Abstract

3차원 도로 모델의 모델링 방법, 장치 및 저장 매체가 제공된다. 상기 방법은, 2차원 도로망 데이터를 해석하여 도로의 초기 모델을 구축하는 단계(S11); 파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득하는 단계(S12); 상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득하는 단계(S13);를 포함한다. 상기 3차원 도로 모델의 모델링 방법, 장치 및 저장 매체는 상대적으로 획득하기가 용이한 데이터 소스를 기반으로 도로의 3차원 모델을 경제적이고 효율적으로 획득할 수 있다.

Description

3차원 도로 모델의 모델링 방법, 장치 및 저장 매체{MODELLING METHOD AND DEVICE FOR THREE-DIMENSIONAL ROAD MODEL, AND STORAGE MEDIUM}
본 특허 출원은 2015년 08월 03일에 제출한 출원인이 바이두 온라인 네트워크 테크놀러지 (베이징) 유한회사이고 발명의 명칭이 “3차원 도로 모델의 모델링 방법 및 장치”인 제201510481925.7호 중국 특허 출원의 우선권을 주장하는 바, 상기 중국 특허 출원의 모든 내용은 참조로서 본 출원에 원용된다.
본 발명의 실시예는 위치 기반의 서비스 기술 분야에 관한 것으로, 특히는 3차원 도로 모델의 모델링 방법, 장치 및 저장 매체에 관한 것이다.
전자지도는 지리적 정보를 기록하는 일종의 그래픽 언어 형식으로서, 사람들의 출행에 많은 편리를 도모하고 있다. 그러나, 전통적인 지도 제품들은 모두 2차원 지도 제품이다. 실제 응용에 있어서, 이러한 2차원 지도들에는 일정한 국한성이 존재한다. 예를 들어, 실제 도로에는 육교, 고랑길, 터널 등 복잡한 도로 구간이 존재한다. 이러한 복잡한 도로 구간은 공간상 일정한 엇갈림을 형성하며, 이러한 엇갈림은 2차원 지도로 표현하기 어렵다. 또한, 2차원 지도의 표현 형식은 직관적이지 못하여, 이해하기에 불편하다.
컴퓨터 그래픽, 3차원 시뮬레이션 기술, 가상 현실 기술 및 네트워크 통신 기술이 쾌속적으로 발전함에 따라, 전통적인 2차원 전자지도에도 새로원 활력이 주입되고 있으며, 인터넷을 통해 실행되는 3차원 전자지도는 전자지도 발전의 하나의 중요한 방향이 되고 있다. 3차원 전자지도는 직관적인 지리적 실경 시뮤레이션을 통해 사용자에게 지도 검색, 출행 네비게이션 등 지도 기능을 제공한다. 또한, 3차원 지도에 있어서, 더욱 풍부한 인터렉션과 더욱 화려한 렌더링 기술을 실현할 수 있으며, 이로써 관련 제품에 더 넓은 상상의 공간을 제공한다.
기존의 3차원 전자지도에 있어서, 도로의 3차원 모델의 구축 방법은 인공 모델링 방식 및 자동 모델링 방식으로 구분될 수 있다. 인공 모델링 방식은 위성 영상 또는 에어리얼 이미지를 참조하여 3차원 그래픽 소프트웨어를 이용하여 수동으로 도로의 3차원 모델을 제작하는 것을 가리킨다. 상기와 같이, 이러한 모델링 방법은 효율이 그다지 높지 않다. 자동 모델링 방법은 카메라 또는 레이다 등 전문적인 수집 장치를 이용하여 모델링이 필요한 구역에 대해 기계 탑재 또는 차량 탑재 스캐닝을 진행한 다음 스캐닝된 데이터에 따라 자동으로 모델링하는 것을 가리킨다. 이러한 모델링 방식의 작업 효율은 현저히 향상되었으나, 카메라, 레이다 자체의 가격이 상당히 비싸다. 또한, 이러한 스캐닝을 한번 진행하는 비용도 아주 높다. 따라서, 자동 모델링 방식의 비용은 대다수의 전자지도 개발 업자들이 뒷걸음질치게 한다.
상술한 기술적 문제에 대하여, 본 발명의 실시예는 경제적이고 효율적으로 도로의 3차원 모델을 구축하기 위한 3차원 도로 모델의 모델링 방법, 장치 및 저장 매체를 제공한다.
제1 양태에 있어서, 본 발명의 실시예는 3차원 도로 모델의 모델링 방법을 제공하며, 상기 방법은,
2차원 도로망 데이터를 해석하여 도로의 초기 모델을 구축하는 단계;
파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득하는 단계; 및
상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득하는 단계;를 포함한다.
제2 양태에 있어서, 본 발명의 실시예는 3차원 도로 모델의 모델링 장치를 더 제공하며, 상기 장치는,
2차원 도로망 데이터를 해석하여 도로의 초기 모델을 구축하도록 구성된 도로망 해석 모듈;
파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득하도록 구성된 파노라마 이미지 해석 모듈; 및
상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득하도록 구성된 데이터 융합 모듈;을 포함한다.
제3 양태에 있어서, 본 발명의 실시예는 하나 또는 다수의 컴퓨터 실행 가능한 명령어를 포함하는 저장 매체를 더 제공하며, 상기 컴퓨터 실행 가능한 명령어가 컴퓨터 프로세서에 의해 실행될 경우, 3차원 도로 모델의 모델링 방법을 실행하며, 상기 방법은,
2차원 도로망 데이터를 해석하여 도로의 초기 모델을 구축하는 단계;
파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득하는 단계; 및
상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득하는 단계;를 포함한다.
본 발명의 실시예에서 제공하는 3차원 도로 모델의 모델링 방법, 장치 및 저장 매체는, 2차원 도로망 데이터를 해석하여 도로의 초기 모델을 구축하고, 파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득하고, 상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득함으로써, 상대적으로 획득하기가 용이한 데이터 소스를 기반으로 도로의 3차원 모델을 경제적이고 효율적으로 획득한다.
본 발명의 실시예들 중의 기술적 해결방안을 더욱 명확하게 설명하기 위하여, 이하 실시예에 대한 설명에 필요한 첨부된 도면들에 대한 간단한 소개를 진행하기로 한다. 물론, 아래의 설명 중의 첨부된 도면들은 오직 본 발명의 일부 실시예들일 뿐이며, 해당 기술분야의 당업자들은 창조적인 능력을 발휘하지 않고서도 이러한 첨부된 도면들에 대한 변형 및 대체를 진행할 수 있다.
도1은 본 발명의 제1 실시예에서 제공하는 3차원 도로 모델의 모델링 방법의 흐름도이다.
도2는 본 발명의 제1 실시예에서 제공하는 위성 영상과 도로망 데이터의 중첩도이다.
도3은 본 발명의 제1 실시예에서 제공하는 초기 모델의 개략도이다.
도4는 본 발명의 제2 실시예에서 제공하는 3차원 도로 모델의 모델링 방법 중의 파노라마 이미지 해석의 흐름도이다.
도5는 본 발명의 제2 실시예에서 제공하는 파노라마 이미지이다.
도6은 본 발명의 제2 실시예에서 제공하는 파노라마 이미지 해석을 통해 획득한 교통 요소의 개략도이다.
도7은 본 발명의 제3 실시예에서 제공하는 3차원 도로 모델의 모델링 방법 중의 데이터 융합의 흐름도이다.
도8은 본 발명의 제3 실시예에서 제공하는 초기 모델의 개략도이다.
도9는 본 발명의 제3 실시예에서 제공하는 3차원 모델의 개략도이다.
도10은 본 발명의 제4 실시예에서 제공하는 3차원 도로 모델의 모델링 방법의 흐름도이다.
도11은 본 발명의 제5 실시예에서 제공하는 3차원 도로 모델의 모델링 방법의 프로세스 개략도이다.
도12는 본 발명의 제6 실시예에서 제공하는 3차원 도로 모델의 모델링 장치의 구성도이다.
이하, 첨부된 도면들에 결부하여 본 발명의 실시예들 중의 기술적 해결방안에 대한 명확하고 완정한 설명을 진행하기로 한다. 물론, 설명된 실시예들은 본 발명의 모든 실시예들인 것이 아니라 일부 실시예들일 뿐이며, 본 발명의 원리를 설명하기 위한 것일 뿐, 본 발명을 이러한 구체적인 실시예들에 한정하기 위한 것은 아니다. 본 발명 중의 실시예들을 기초로, 해당 기술분야의 당업자들은 창조적인 노동을 진행하지 않고서 획득한 모든 기타 실시예들은 본 발명의 보호 범위에 포함되어야 한다.
제1 실시예
본 실시예는 3차원 도로 모델의 모델링 방법의 일 기술적 해결방안을 제공한다. 상기 3차원 도로 모델의 모델링 방법은 3차원 도로 모델의 모델링 장치로 실행되며, 상기 3차원 도로 모델의 모델링 장치는 개인용 컴퓨터, 워크스테이션 또는 서버 등 컴퓨팅 장치에 집적된다.
도1을 참조하면, 상기 3차원 도로 모델의 모델링 방법은 아래와 같은 단계들을 포함한다.
S11에서, 2차원 도로망 데이터를 해석하여 도로의 초기 모델을 구축한다.
상기 2차원 도로망 데이터는 도로망 분포를 관찰할 수 있는 2차원 이미지 데이터를 가리킨다. 구체적으로, 상기 2차원 도로망 데이터는 도로망의 에어리일 이미지 또는 위성 영상일 수 있다. 바람직하게, 상기 2차원 도로망 데이터는 에어리일 이미지와 전자지도 중의 도로망 데이터를 중첩시킨 후 형성된 이미지일 수도 있다.
도2는 도로망 분포의 위성 영상와 도로망 데이터를 중첩시킨 후 형성된 2차원 도로망 데이터의 일 예시를 나타낸다. 도2를 참조하면, 중첩된 도면으로부터 각 도로의 주향, 경계를 명확히 관찰할 수 있을 뿐만 아니라, 도로 양측의 각종 건축물을 관찰할 수도 있다.
도2 중의 여러갈래의 실선(21)은 상기 이미지 상의 전자지도 중의 도로망 데이터에 중첩된다. 상기 도로망 데이터는 상이한 차량들의 주행 궤적으로부터 획득할 수 있다.
상술한 다양한 형식의 2차원 도로망 데이터에 대한 해석을 통해 도로의 초기 모델을 획득할 수 있다. 구체적으로, 상기 2차원 도로망 데이터에 대한 해석을 통해, 상기 도로의 도로 경계선, 중앙 분리대 경계선, 도로 중앙선 및 차도선 각자의 지리적 위치를 획득할 수 있다.
도3은 도2 중의 2차원 도로망 데이터에 대해 해석을 진행한 후 획득한 도로의 초기 모델을 나타낸다. 도3을 참조하면, 해당 초기 모델에 있어서, 상기 도로의 도로 경계선, 중앙 분리대 경계선, 도로 중앙선, 차도선은 모두 명확한 위치를 구비하고 있다.
S12에서, 파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득한다.
상기 파노라마 이미지 데이터는 차량이 상기 도로 상에서 주행 시 수집된 파노라마 이미지 데이터일 수 있다. 상기 파노라마 이미지 데이터에는 다수의 주행 시 교통 요소들이 포함되어 있음을 이해할 것이다. 예를 들어, 도로 상의 차도선, 교통 표지판, 지시 표시선 및 신호등이 있다. 상기 파노라마 이미지 데이터에 대한 해석을 통해, 상기 파노라마 이미지 데이터로부터 상술한 교통 요소의 3차원 속성 데이터를 획득할 수 있다. 상기 3차원 속성 데이터는 주요하게 3차원 위치 좌표를 포함한다.
바람직하게, 딥 러닝 기술 및 시각 이미지 위치 확정 기술을 통해 상기 교통 요소의 3차원 속성 데이터를 획득할 수 있다.
S13에서, 상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득한다.
일반적으로, 상기 초기 모델 중의 위치 데이터는 이미 전술된 도로의 기본 위치이고, 상기 교통 요소의 3차원 속성 데이터는 더욱 정확한 위치 데이터이다. 따라서, 상기 초기 모델과 상기 3차원 속성 데이터의 융합은 주로 상기 교통 요소의 3차원 속성 데이터를 이용하여 상기 초기 모델 중의 부정확한 위치 데이터에 대한 보정을 진행하는 것이다. 물론, 이러한 융합은 또한 교통 요소의 3차원 속성 데이터를 도입하는 것도 포함한다.
본 실시예는 2차원 도로망 데이터를 해석하여 도로의 초기 모델을 구축하고, 파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득하고, 상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득함으로써, 상대적으로 획득하기가 용이한 데이터 소스를 기반으로 도로의 3차원 모델을 경제적이고 효율적으로 획득한다.
제2 실시예
본 실시예는 본 발명의 상술한 실시예를 기초로, 3차원 도로 모델의 모델링 방법 중의 파노라마 이미지 해석의 일 기술적 해결방안을 더 제공한다. 해당 기술적 해결방안에 있어서, 파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득하는 단계는, 딥 러닝 기반의 이미지 인식 기술을 이용하여 상기 파노라마 이미지 데이터 속의 차도선, 교통 표지판, 지시 표시선 및 신호등을 포함하는 교통 요소를 획득하는 단계; 및 시각 이미지 위치 확정 기술을 이용하여 3차원 공간에서의 상기 교통 요소의 위치 정보를 획득하는 단계;를 포함한다.
S21에서, 딥 러닝 기반의 이미지 인식 기술을 이용하여 상기 파노라마 이미지 데이터 속의 교통 요소를 획득한다.
바람직하게, 사전에 수집한 교통 표지판을 이용한 샘플 이미지를 이용하여 하나의 심층 신경망을 트레이닝할 수 있고, 이어서 상기 트레이닝된 심층 신경망을 기반으로 상기 파노라마 이미지 데이터로부터 교통 표지판과 같이 서로 다른 교통 요소를 인식할 수 있다. 구체적으로, 상기 심층 신경망에 샘플 이미지를 입력한 후, 상기 심층 신경망은 상기 샘플 이미지 중의 서로 다른 교통 요소의 위치 영역 및 상기 위치 영역에 포함된 교통 요소의 유형을 인식할 수 있다. 예를 들어, 입력한 이미지에 차도선과 같은 교통 요소가 포함될 경우, 상기 이미지가 상기 심층 신경망에 입력되면 상기 심층 신경망은 해당 파노라마 이미지에서의 차도선의 위치 영역을 인식하고 상기 위치 영역에 대응되는 교통 요소의 유형이 차도선임을 인식할 수 있다.
S22에서, 시각 이미지 위치 확정 기술을 이용하여 3차원 공간에서의 상기 교통 요소의 위치 정보를 획득한다.
딥 러닝 기술을 이용하여 상기 파노라마 이미지 데이터 속의 교통 요소를 획득한 후, 시각 이미지 위치 확정 기술을 이용하여 3차원 공간에서의 획득한 교통 요소의 위치를 확정한다. 바람직하게, 상기 파노라마 이미지에서의 상기 교통 요소의 일 그룹의 경계점들을 획득하고, 이어서 시각 이미지 위치 확정 기술에 따라 3차원 공간에서의 상기 경계점들의 위치 정보를 확정하고, 마지막으로 3차원 공간에서의 상기 경계점들의 위치 정보에 따라 3차원 공간에서의 상기 교통 요소의 위치를 확정한다.
도5 및 도6은 각각 교통 요소에 대한 인식을 진행하기 이전의 파노라마 이미지 및 교통 요소에 대한 인식을 진행한 후의 인식된 교통 요소를 포함한 3차원 이미지를 나타낸다. 도5 및 도6을 참조하면, 교통 요소에 대한 인식을 통해 상기 파노라마 이미지에 포함된 교통 표지판(51) 및 상기 교통 표지판(51)의 위치를 정확하게 인식할 수 있다. 해당 교통 표지판(51) 및 그의 위치를 인식한 후, 3차원 이미지에서 상기 교통 표지판(61)을 정확하게 나타낼 수 있다.
본 실시예는 딥 러닝 기반의 이미지 인식 기술을 이용하여 상기 파노라마 이미지 데이터 속의 교통 요소를 획득하고 시각 이미지 위치 확정 기술을 이용하여 3차원 공간에서의 상기 교통 요소의 위치 정보를 획득함으로써, 파노라마 이미지 중의 교통 요소 및 그의 위치에 대한 정확한 인식을 실현한다.
제3 실시예
본 실시예는 본 발명의 상술한 실시예를 기초로, 3차원 도로 모델의 모델링 방법 중의 데이터 융합의 일 기술적 해결방안을 더 제공한다. 해당 기술적 해결방안에 있어서, 상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득하는 단계는, 상기 3차원 속성 데이터를 이용하여 상기 초기 모델 중의 위치 데이터를 3차원으로 전환하는 단계; 상기 3차원 속성 데이터 중의 위치 데이터를 이용하여 상기 초기 모델 중의 위치 데이터를 교정하는 단계; 및 융합된 3차원 데이터를 기반으로 3차원 모델 재구축을 진행하여 도로의 3차원 모델 데이터를 획득하는 단계;를 포함한다.
도7을 참조하면, 상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득하는 단계는 아래와 같은 단계들을 포함한다.
S71에서, 상기 3차원 속성 데이터를 이용하여 상기 초기 모델 중의 위치 데이터를 3차원으로 전환한다.
상기 초기 모델 중의 위치 데이터를 3차원으로 전환하는 것은 곧 상기 초기 모델 중의 각 위치 포인트들에 대해 고도 데이터를 추가하는 것임을 이해할 수 있을 것이다. 상기 고도 데이터의 추가는 상기 3차원 속성 데이터를 참조할 수 있다. 예를 들어, 교통 요소를 인식하는 동작에 있어서, 시각 이미지 위치 확정 기술을 통해 하나의 교통 표지판의 하단이 도로 노면까지의 높이가 10미터임을 확정할 경우, 3차원으로 전환된 데이터에서 상기 교통 표지판의 하단이 도로 노면까지의 높이가 10미터임을 확정할 수 있다.
S72에서, 상기 3차원 속성 데이터 중의 위치 데이터를 이용하여 상기 초기 모델 중의 위치 데이터를 교정한다.
상술한 바와 같이, 상기 초기 모델 중의 위치 데이터에는 비교적 큰 오차가 존재할 수 있으며, 상대적으로, 파노라마 이미지로부터 인식된 위치 데이터는 더욱 높은 데이터 정확도를 가진다. 따라서, 상기 3차원 속성 데이터 중의 위치 데이터를 이용하여 상기 초기 모델 중의 위치 데이터를 교정함으로써, 3차원으로 전환된 초기 모델에 포함된 위치 데이터도 비교적 높은 데이터 정확도를 가지도록 할 수 있다.
S73에서, 융합된 3차원 데이터를 기반으로 3차원 모델 재구축을 진행하여 도로의 3차원 모델 데이터를 획득한다.
구체적으로, 상기 3차원 모델 재구축은 구체적으로 상기 3차원 모델에 대한 윤곽 재구축 및 재구축된 3차원 모델에 대한 텍스쳐링 동작을 포함한다. 재구축된 3차원 모델에 대한 텍스쳐링을 완료한 후, 아주 생생한 도로의 3차원 모델 데이터가 형선된다.
도8은 3차원 모델링 이전의 도로의 초기 모델을 나타낸다. 도9는 3차원 모델링 이후의 도로의 3차원 모델을 나타낸다. 표시된 바와 같이, 도로의 3차원 모델은 더욱 직관적이고, 사용자들이 더욱 즐겨 이용한다.
물론, 재구성 이후의 3차원 모델 상에 여러가지 렌더링 기술을 적용하여 도로의 3차원 모델을 더욱 사실적으로 형성할 수 있다.
본 실시예는 상기 3차원 속성 데이터를 이용하여 상기 초기 모델 중의 위치 데이터를 3차원으로 전환하고, 상기 3차원 속성 데이터 중의 위치 데이터를 이용하여 상기 초기 모델 중의 위치 데이터를 교정하고, 융합된 3차원 데이터를 기반으로 3차원 모델 재구축을 진행하여 도로의 3차원 모델 데이터를 획득함으로써, 데이터 융합을 통한 도로의 3차원 모델의 구축을 실현하고 모델링의 효율을 향상시키고 모델링의 비용을 저감시킨다.
제4 실시예
본 실시예는 본 발명의 상술한 실시예를 기초로, 3차원 도로 모델의 모델링 방법의 일 기술적 해결방안을 더 제공한다. 해당 기술적 해결방안에 있어서, 상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득한 후, 상기 3차원 모델 데이터를 기정 모델 데이터 포맷으로 전환한다.
도10을 참조하면, 상기 3차원 도로 모델의 모델링 방법은, 아래와 같은 단계들을 포함한다.
S101에서, 2차원 도로망 데이터를 해석하여 도로의 초기 모델을 구축한다.
S102에서, 파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득한다.
S103에서, 상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득한다.
S104에서, 상기 3차원 모델 데이터를 기정 모델 데이터 포맷으로 전환한다.
서로 다른 네비게이션 플랫폼에서 3차원 모델 데이터에 대해 서로 다른 모델 데이터 포맷을 사용한다. 도로의 3차원 모델을 구축한 후, 구축된 3차원 모델 데이터를 기정 모델 데이터 포맷으로 전환함으로써 서로 다른 네비게이션 플랫폼의 적용 요구에 맞출 수 있다 예를 들어, 구축된 3차원 모델 데이터를 collada 데이터 포맷으로 전환할 수 있다.
본 실시예는, 상기 초기 모델과 상기 3차원 속성 데이터를 융합시킨 후, 상기 3차원 모델 데이터를 기정 모델 데이터 포맷으로 전환함으로써, 상기 3차원 모델 데이터가 서로 다른 네비게이션 응용 플랫폼에 적용될 수 있도록 하고 상기 3차원 모델 데이터가 서로 다른 네비게이션 응용 플랫폼에서 편리하게 이용되도록 한다.
제5 실시예
본 실시예는 3차원 도로 모델의 모델링 방법의 일 기술적 해결방안을 제공한다. 도11을 참조하면, 해당 기술적 해결방안에 있어서, 상기 3차원 도로 모델의 모델링 방법은 아래와 같은 단계들을 포함한다.
S111에서, 도로망 기본 데이터에 대한 해석을 통해 도로의 초기 모델을 획득한다.
구체적으로, 상기 초기 모델에는 도로망의 토폴로지, 도로의 기하학적 형태 및 도로의 구체적인 속성이 포함된다. 예를 들어, 시정공로(懇漣무쨌), 성급(伽섬) 간선 도로, 국도 등이 포함된다.
S112, 파노라마 이미지 데이터를 해석함으로써, 교통 요소의 위치 데이터를 획득한다.
상기 교통 요소는 도로 자체를 포함하고, 차도선, 교통 표지판, 신호등 등 교통에 대해 관건적인 작용을 하는 요소를 더 포함한다.
S113에서, 상기 초기 모델과 상기 교통 요소의 위치 데이터에 대한 융합을 통해 도로의 3차원 모델 기본 데이터를 복원한다.
상기 융합은, 초기 모델에 대한 3차원 전환 및 교통 요소의 위치 데이터에 따라 상기 초기 모델의 위치 데이터에 대해 진행하는 교정을 포함한다.
S114에서, 상기 3차원 모델 기본 데이터에 따른 모델 재구축을 통해 도로의 3차원 모델을 획득한다.
상기 모델 재구축은 상기 3차원 모델 기본 데이터에 따라 도로의 3차원 모델을 재구축하는 것을 가리킨다. 구체적으로, 이는 도로 및 도로 양측의 건축물의 윤곽에 대한 재구축 및 재구축된 도로, 건축물의 윤곽에 대한 텍스쳐링 동작을 포함할 수 있다.
S115에서, 상기 3차원 모델에 대한 데이터 포맷 전환을 통해 상기 3차원 모델이 구체적인 네비게이션 응용에 적용되도록 한다.
구체적으로, 상기 3차원 모델 데이터를 collada 데이터 포맷으로 전환할 수 있다.
본 실시예는 도로망 기본 데이터를 해석하여 도로의 초기 모델을 획득하고, 파노라마 이미지을 해석하여 교통 요소의 위치 데이터를 획득하고, 상기 초기 모델과 상기 교통 요소의 위치 데이터를 융합시켜 도로의 3차원 모델 기본 데이터를 복원하고, 상기 3차원 모델 기본 데이터에 따라 모델 재구축을 진행하여 도로의 3차원 모델을 획득하고, 상기 3차원 모델에 대한 데이터 포맷 전환을 통해 3차원 모델이 구체적인 네비게이션 응용에 적용되도록 함으로써, 상대적으로 획득하기가 용이한 데이터 소스를 기반으로 경제적이고 효율적인 3차원 도로 모델의 모델링을 완료한다.
제6 실시예
본 실시예는 3차원 도로 모델의 모델링 장치의 일 기술적 해결방안을 제공한다. 도12를 참조하면, 해당 기술적 해결방안에 있어서, 상기 3차원 도로 모델의 모델링 장치는, 도로망 해석 모듈(121), 파노라마 이미지 해석 모듈(122) 및 데이터 융합 모듈(123)을 포함한다.
상기 도로망 해석 모듈(121)은 2차원 도로망 데이터를 해석하여 도로의 초기 모델을 구축하도록 구성된다.
상기 파노라마 이미지 해석 모듈(122)은 파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득하도록 구성된다.
상기 데이터 융합 모듈(123)은 상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득하도록 구성된다.
나아가, 상기 도로망 해석 모듈(121)은 구체적으로 상기 2차원 도로망 데이터에 대한 해석을 통해 상기 도로의 도로 경계선, 중앙 분리대 경계선, 도로 중앙선 및 차도선을 획득하도록 구성된다.
나아가, 상기 파노라마 이미지 해석 모듈(122)은 요소 획득 유닛 및 위치 획득 유닛을 포함한다.
상기 요소 획득 유닛은 딥 러닝 기반의 이미지 인식 기술을 이용하여 상기 파노라마 이미지 데이터 속의 차도선, 교통 표지판, 지시 표시선 및 신호등을 포함하는 교통 요소를 획득하도록 구성된다.
상기 위치 획득 유닛은 시각 이미지 위치 확정 기술을 이용하여 3차원 공간에서의 상기 교통 요소의 위치 정보를 획득하도록 구성된다.
나아가, 상기 요소 획득 유닛은 구체적으로 심층 신경망을 이용하여 상기 파노라마 이미지 데이터 속의 교통 요소를 인식하도록 구성된다.
나아가, 상기 데이터 융합 모듈(123)은, 3차원 전환 유닛, 위치 교정 유닛 및 재구축 유닛을 포함한다.
상기 3차원 전환 유닛은 상기 3차원 속성 데이터를 이용하여 상기 초기 모델 중의 위치 데이터를 3차원으로 전환하도록 구성된다.
상기 위치 교정 유닛은 상기 3차원 속성 데이터 중의 위치 데이터를 이용하여 상기 초기 모델 중의 위치 데이터를 교정하도록 구성된다.
상기 재구축 유닛은 융합된 3차원 데이터를 기반으로 3차원 모델 재구축을 진행하여 도로의 3차원 모델 데이터를 획득하도록 구성된다.
나아가, 상기 3차원 도로 모델의 모델링 장치는 포맷 전환 모듈(124)을 더 포함한다.
상기 포맷 전환 모듈(124)은 상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득한 후, 상기 3차원 모델 데이터를 기정 모델 데이터 포맷으로 전환하도록 구성된다.
상술한 3차원 도로 모델의 모델링 장치는 본 발명의 임의의 실시예에서 제공하는 3차원 도로 모델의 모델링 방법을 실행할 수 있고, 방법에 대응하는 기능 모듈 및 유익한 효과를 구비한다.
상술한 본 발명의 각 모듈 또는 각 단계는 범용의 컴퓨팅 장치로 실현할 수 있으며, 이들은 단일 컴퓨팅 장치에 집중되거나 다수의 컴퓨팅 장치로 구성된 네트워크 상에 분포될 수 있으며, 선택적으로, 이들은 컴퓨터 장치가 실행 가능한 프로그램 코드로 실현할 수 있으며, 따라서, 이들은 저장 장치에 저장되어 컴퓨팅 장치에 의해 실행될 수 있으며, 또는 이들을 각각 별개의 집적 회로 모듈로 제작하거나 이들 중의 다수의 모듈 또는 단계를 단일 집적 회로 모듈로 제작하여 실현할 수 있음을 해당 기술분야에서의 당업자들은 자명할 것이다. 이로써, 본 발명은 임의의 특정된 하드웨어 및 소프트웨어의 결합에 한정되지 않는다.
제7 실시예
하나 또는 다수의 컴퓨터 실행 가능한 명령어를 포함하는 저장 매체, 상기 컴퓨터 실행 가능한 명령어는 컴퓨터 프로세서에 의해 실행될 경우 3차원 도로 모델의 모델링 방법을 실행하며, 상기 방법은,
2차원 도로망 데이터를 해석하여 도로의 초기 모델을 구축하는 단계;
파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득하는 단계; 및
상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득하는 단계;를 포함한다.
상술한 저장 매체가 상기 방법을 실행할 경우, 2차원 도로망 데이터를 해석하여 도로의 초기 모델을 구축하는 단계는,
상기 2차원 도로망 데이터에 대한 해석을 통해 상기 도로의 도로 경계선, 중앙 분리대 경계선, 도로 중앙선 및 차도선을 획득하는 단계를 포함한다.
상술한 저장 매체가 상기 방법을 실행할 경우, 파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득하는 단계는,
딥 러닝 기반의 이미지 인식 기술을 이용하여 상기 파노라마 이미지 데이터 속의 차도선, 교통 표지판, 지시 표시선 및 신호등을 포함하는 교통 요소를 획득하는 단계; 및
시각 이미지 위치 확정 기술을 이용하여 3차원 공간에서의 상기 교통 요소의 위치 정보를 획득하는 단계;를 포함한다.
상술한 저장 매체가 상기 방법을 실행할 경우, 상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득하는 단계는,
상기 3차원 속성 데이터를 이용하여 상기 초기 모델 중의 위치 데이터를 3차원으로 전환하는 단계;
상기 3차원 속성 데이터 중의 위치 데이터를 이용하여 상기 초기 모델 중의 위치 데이터를 교정하는 단계; 및
융합된 3차원 데이터를 기반으로 3차원 모델 재구축을 진행하여 도로의 3차원 모델 데이터를 획득하는 단계;를 포함한다.
상술한 저장 매체가 상기 방법을 실행할 경우, 상기 방법은,
상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득한 후, 상기 3차원 모델 데이터를 기정 모델 데이터 포맷으로 전환하는 단계를 더 포함한다.
본 발명은 소프트웨어 및 필요할 경우 하드웨어로 실현될 수 있으며, 물론 하드웨어로만 실현될 수도 있으나, 대부분 경우, 전자가 더욱 바람직한 실시예이며, 이러한 이해를 기반으로 본 발명의 기술적 해결방안은 본질적으로 또는 기존의 기술에 대해 기여가 되는 부분은 소프트웨어 제품의 형식으로 구현할 수 있으며, 컴퓨터 소프트웨어 제품은 자기 디스크, 콤팩트디스크, 판독 전용 기억 장치(Read-Only Memory, ROM) 또는 랜덤 액세스 기억 장치(Random Access Memory, RAM) 등과 같은 컴퓨터 판독 가능한 저장 매체에 저장될 수 있으며, 다수의 명령어를 포함하여 하나의 컴퓨터 장치(개인 컴퓨터, 서버 또는 네트워크 장치 등일 수 있음)로 하여금 본 발명의 각 실시예 중의 상기 방법들을 실행하도록 할 수 있음을 해당 기술분야의 당업자들은 상술한 실시예들에 관한 설명을 통해 명확히 이해할 것이다.
상술한 3차원 도로 모델의 모델링 장치의 실시예에 있어서, 포함된 각 유닛 및 모듈은 오직 기능적 로직에 따라 구분된 것이나, 이는 상술한 구분에 한정되지 않으며, 상응한 기능을 실현할 수만 있으면 되고, 또한, 각 기능 유닛의 구체적인 명칭도 상호 구분의 편리를 위해 명명된 것 일 뿐, 본 발명의 보호 범위를 한정하기 위한 것은 아니다.
본 명세서 중의 각 실시예는 모두 점진적인 방식으로 설명되며, 각 실시예들에서 중점적으로 설명하고자 하는 것은 모두 기타 실시예들과의 차이점들이며, 각 실시예들 사이의 동일하거나 유사한 부분은 서로 참조할 수 있다.
이상의 설명은 본 발명의 바람직한 실시예일 뿐, 본 발명을 한정하기 위한 것이 아니며, 해당 기술분야의 임의의 당업자는 본 발명에 대해 각종 변경 및 대체를 진행할 수 있다. 본 발명의 사상 및 원리 내에서 진행한 임의의 변경, 균등한 대체, 개선 등은 모두 본 발명의 보호 범위 내에 포함되어야 한다.

Claims (11)

  1. 2차원 도로망 데이터를 해석하여 도로의 초기 모델을 구축하는 단계;
    파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득하는 단계; 및
    상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득하는 단계;를 포함하는 것을 특징으로 하는 3차원 도로 모델의 모델링 방법.
  2. 제1항에 있어서,
    2차원 도로망 데이터를 해석하여 도로의 초기 모델을 구축하는 단계는,
    상기 2차원 도로망 데이터에 대한 해석을 통해 상기 도로의 도로 경계선, 중앙 분리대 경계선, 도로 중앙선 및 차도선을 획득하는 단계;를 포함하는 것을 특징으로 하는 3차원 도로 모델의 모델링 방법.
  3. 제1항에 있어서,
    파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득하는 단계는,
    딥 러닝 기반의 이미지 인식 기술을 이용하여 상기 파노라마 이미지 데이터 속의 차도선, 교통 표지판, 지시 표시선 및 신호등을 포함하는 교통 요소를 획득하는 단계; 및
    시각 이미지 위치 확정 기술을 이용하여 3차원 공간에서의 상기 교통 요소의 위치 정보를 획득하는 단계;를 포함하는 것을 특징으로 하는 3차원 도로 모델의 모델링 방법.
  4. 제1항에 있어서,
    상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득하는 단계는,
    상기 3차원 속성 데이터를 이용하여 상기 초기 모델 중의 위치 데이터를 3차원으로 전환하는 단계;
    상기 3차원 속성 데이터 중의 위치 데이터를 이용하여 상기 초기 모델 중의 위치 데이터를 교정하는 단계; 및
    융합된 3차원 데이터를 기반으로 3차원 모델 재구축을 진행하여 도로의 3차원 모델 데이터를 획득하는 단계;를 포함하는 것을 특징으로 하는 3차원 도로 모델의 모델링 방법.
  5. 제1항에 있어서,
    상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득한 후, 상기 3차원 모델 데이터를 기정 모델 데이터 포맷으로 전환하는 단계;를 포함하는 것을 특징으로 하는 3차원 도로 모델의 모델링 방법.
  6. 2차원 도로망 데이터를 해석하여 도로의 초기 모델을 구축하도록 구성된 도로망 해석 모듈;
    파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득하도록 구성된 파노라마 이미지 해석 모듈; 및
    상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득하도록 구성된 데이터 융합 모듈;을 포함하는 것을 특징으로 하는 3차원 도로 모델의 모델링 장치.
  7. 제6항에 있어서,
    상기 도로망 해석 모듈은,
    상기 2차원 도로망 데이터에 대한 해석을 통해 상기 도로의 도로 경계선, 중앙 분리대 경계선, 도로 중앙선 및 차도선을 획득하도록 구성되는 것을 특징으로 하는 3차원 도로 모델의 모델링 장치.
  8. 제6항에 있어서,
    상기 파노라마 이미지 해석 모듈은,
    딥 러닝 기반의 이미지 인식 기술을 이용하여 상기 파노라마 이미지 데이터 속의 차도선, 교통 표지판, 지시 표시선 및 신호등을 포함하는 교통 요소를 획득하도록 구성된 요소 획득 유닛; 및
    시각 이미지 위치 확정 기술을 이용하여 3차원 공간에서의 상기 교통 요소의 위치 정보를 획득하도록 구성된 위치 획득 유닛;을 포함하는 것을 특징으로 하는 3차원 도로 모델의 모델링 장치.
  9. 제6항에 있어서,
    상기 데이터 융합 모듈은,
    상기 3차원 속성 데이터를 이용하여 상기 초기 모델 중의 위치 데이터를 3차원으로 전환하도록 구성된 3차원 전환 유닛;
    상기 3차원 속성 데이터 중의 위치 데이터를 이용하여 상기 초기 모델 중의 위치 데이터를 교정하도록 구성된 위치 교정 유닛; 및
    융합된 3차원 데이터를 기반으로 3차원 모델 재구축을 진행하여 도로의 3차원 모델 데이터를 획득하도록 구성된 재구축 유닛;을 포함하는 것을 특징으로 하는 3차원 도로 모델의 모델링 장치.
  10. 제6항에 있어서,
    상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득한 후, 상기 3차원 모델 데이터를 기정 모델 데이터 포맷으로 전환하도록 구성된 포맷 전환 모듈;을 더 포함하는 것을 특징으로 하는 3차원 도로 모델의 모델링 장치.
  11. 하나 또는 다수의 컴퓨터 실행 가능한 명령어를 포함하는 저장 매체에 있어서,
    상기 컴퓨터 실행 가능한 명령어가 컴퓨터 프로세서에 의해 실행될 경우, 3차원 도로 모델의 모델링 방법을 실행하며, 상기 방법은,
    2차원 도로망 데이터를 해석하여 도로의 초기 모델을 구축하는 단계;
    파노라마 이미지 데이터를 해석하여 교통 요소의 3차원 속성 데이터를 획득하는 단계; 및
    상기 초기 모델과 상기 3차원 속성 데이터를 융합시켜 도로의 3차원 모델을 획득하는 단계;를 포함하는 것을 특징으로 하는 저장 매체.
KR1020177015772A 2015-08-03 2015-12-07 3차원 도로 모델의 모델링 방법, 장치 및 저장 매체 KR101932623B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201510481925.7 2015-08-03
CN201510481925.7A CN105069842A (zh) 2015-08-03 2015-08-03 道路三维模型的建模方法和装置
PCT/CN2015/096522 WO2017020465A1 (zh) 2015-08-03 2015-12-07 道路三维模型的建模方法、装置和存储介质

Publications (2)

Publication Number Publication Date
KR20170103763A true KR20170103763A (ko) 2017-09-13
KR101932623B1 KR101932623B1 (ko) 2018-12-27

Family

ID=54499198

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020177015772A KR101932623B1 (ko) 2015-08-03 2015-12-07 3차원 도로 모델의 모델링 방법, 장치 및 저장 매체

Country Status (6)

Country Link
US (1) US10643378B2 (ko)
EP (1) EP3319048A4 (ko)
JP (1) JP6568587B2 (ko)
KR (1) KR101932623B1 (ko)
CN (1) CN105069842A (ko)
WO (1) WO2017020465A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190089681A (ko) * 2018-01-22 2019-07-31 네이버 주식회사 파노라마 뷰에 대한 ３차원 모델을 생성하는 방법 및 시스템
WO2020080574A1 (ko) * 2018-10-18 2020-04-23 주식회사 씨밀레테크 진동 네비게이션 시스템
WO2020050934A3 (en) * 2018-08-10 2020-06-18 Nec Laboratories America, Inc. Parametric top-view representation of scenes
KR102526720B1 (ko) * 2022-07-25 2023-04-27 (주)이노시뮬레이션 포인트 클라우드 데이터를 이용한 3차원 가상 환경 모델링 방법 및 이를 실행하는 서버
US11816991B2 (en) 2018-04-18 2023-11-14 Mobileye Vision Technologies Ltd. Vehicle environment modeling with a camera

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10991049B1 (en) * 2014-09-23 2021-04-27 United Services Automobile Association (Usaa) Systems and methods for acquiring insurance related informatics
CN105069842A (zh) 2015-08-03 2015-11-18 百度在线网络技术（北京）有限公司 道路三维模型的建模方法和装置
US10339690B2 (en) * 2015-12-18 2019-07-02 Ricoh Co., Ltd. Image recognition scoring visualization
CN105844013A (zh) * 2016-03-23 2016-08-10 苏州数字地图信息科技股份有限公司 一种道路标线生成方法及***
CN105894575B (zh) * 2016-03-31 2019-05-21 百度在线网络技术（北京）有限公司 道路的三维建模方法和装置
CN105956268B (zh) * 2016-04-29 2018-01-02 百度在线网络技术（北京）有限公司 应用于无人驾驶汽车的测试场景构建方法和装置
US10276043B2 (en) * 2016-12-22 2019-04-30 GM Global Technology Operations LLC Vehicle system using vehicle-to-infrastructure and sensor information
CN106971040B (zh) * 2017-03-29 2020-12-04 上海晶众信息科技有限公司 一种基于平纵横设计的三维道路快速建模方法
EP3436783A4 (en) * 2017-06-22 2019-02-06 Baidu.com Times Technology (Beijing) Co., Ltd. FRAMEWORK FOR THE ASSESSMENT OF PREVIEWED TRAJECTORIES IN TRAFFIC FORECASTING AUTONOMOUS VEHICLES
CN107358642A (zh) * 2017-07-17 2017-11-17 深圳天珑无线科技有限公司 一种建立三维图像的方法、装置及计算机可读存储介质
CN107610227A (zh) * 2017-08-24 2018-01-19 深圳市易景空间智能科技有限公司 室内三维地图的制作方法
US20190072978A1 (en) * 2017-09-01 2019-03-07 GM Global Technology Operations LLC Methods and systems for generating realtime map information
CN108225334B (zh) * 2018-01-17 2020-10-16 泰瑞天际科技(北京)有限公司 一种基于三维实景数据的定位方法及装置
CN108765487B (zh) 2018-06-04 2022-07-22 百度在线网络技术（北京）有限公司 重建三维场景的方法、装置、设备和计算机可读存储介质
CN110647600B (zh) * 2018-06-26 2023-10-20 百度在线网络技术（北京）有限公司 三维地图的构建方法、装置、服务器及存储介质
CN111238504B (zh) * 2018-11-29 2023-04-07 沈阳美行科技股份有限公司 道路地图的道路线段建模数据生成方法、装置及相关***
US11030457B2 (en) 2018-12-17 2021-06-08 Here Global B.V. Lane feature detection in aerial images based on road geometry
CN109712231B (zh) * 2018-12-24 2022-12-06 成都四方伟业软件股份有限公司 道路特效设置方法及装置
CN111661059B (zh) * 2019-03-08 2022-07-08 虹软科技股份有限公司 分心驾驶监测方法、***及电子设备
CN110232230B (zh) * 2019-05-30 2022-11-01 北京农业信息技术研究中心 一种包含桥涵节点的路渠网络的三维模型构建方法及装置
CN110378996B (zh) * 2019-06-03 2022-05-17 国网浙江省电力有限公司温州供电公司 服务器三维模型生成方法及生成装置
CN110378293B (zh) * 2019-07-22 2021-02-23 泰瑞数创科技(北京)有限公司 一种基于实景三维模型生产高精度地图的方法
CN110990501B (zh) * 2019-07-31 2023-11-10 万物镜像(北京)计算机***有限公司 三维道路建模方法、装置、电子设备及存储介质
CN110728750B (zh) * 2019-10-13 2023-06-27 国网山东省电力公司莱芜供电公司 一种智能驾驶环境实景建模方法、***、终端及存储介质
CN111028331B (zh) * 2019-11-20 2023-08-25 天津市测绘院有限公司 一种高性能的车辆动态三维建模与轨迹实时渲染方法及装置
CN111143917B (zh) * 2019-12-04 2023-07-07 深圳微品致远信息科技有限公司 机场建模方法、装置、存储介质及设备
EP3872695A1 (en) * 2020-02-28 2021-09-01 Toyota Jidosha Kabushiki Kaisha A method and system of adapting an initial model of a neural network
CN111521193A (zh) * 2020-04-23 2020-08-11 广东博智林机器人有限公司 实景导航的方法、实景导航的装置、存储介质与处理器
CN111985037B (zh) * 2020-08-27 2024-03-15 长沙眸瑞网络科技有限公司 一种基于终端设备的三维巷道编辑方法
US20220147746A1 (en) * 2020-11-10 2022-05-12 Nec Laboratories America, Inc. End-to-end parametric road layout prediction with cheap supervision
CN112307553B (zh) * 2020-12-03 2024-04-16 之江实验室 一种对三维道路模型进行提取与简化的方法
CN112560131B (zh) * 2020-12-24 2022-09-09 中交第二公路勘察设计研究院有限公司 一种交通标志牌快速参数化bim动态建模方法及交通标志牌bim建模***
CN114969880B (zh) * 2021-02-26 2023-05-26 阿里巴巴集团控股有限公司 一种道路模型构建方法和装置
CN112883141B (zh) * 2021-04-29 2022-02-08 腾讯科技（深圳）有限公司 电子地图的数据处理方法、装置、设备及计算机存储介质
CN114091141A (zh) * 2021-10-15 2022-02-25 南宁市勘测设计院集团有限公司 一种基于倾斜实景模型的三维道路生成方法及装置
CN114648491B (zh) * 2022-02-22 2024-06-21 山东土地集团数字科技有限公司 一种用于耕地道路的遥感监测***和方法
CN114419231B (zh) * 2022-03-14 2022-07-19 幂元科技有限公司 基于点云数据和ai技术的交通设施矢量识别提取分析***
CN116311935B (zh) * 2023-03-20 2024-03-15 湖北省规划设计研究总院有限责任公司 一种基于大数据的智慧城市交通管理方法

Family Cites Families (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6411293B1 (en) * 1997-10-27 2002-06-25 Matsushita Electric Industrial Co., Ltd. Three-dimensional map navigation display device and device and method for creating data used therein
JP3691401B2 (ja) 2001-02-26 2005-09-07 日本電信電話株式会社 撮影対象物表面の自動獲得・復元方法及び装置
JP4284644B2 (ja) * 2003-05-23 2009-06-24 財団法人生産技術研究奨励会 ３次元モデル構築システム及び３次元モデル構築プログラム
KR100520707B1 (ko) * 2003-10-20 2005-10-17 엘지전자 주식회사 3차원 지도에서의 다중레벨 텍스트데이터 표시방법
JP4273119B2 (ja) * 2003-10-21 2009-06-03 和郎 岩根 ナビゲーション装置
JP2005265641A (ja) 2004-03-18 2005-09-29 Clarion Co Ltd ナビゲーション装置、ナビゲーション方法及びナビゲーションプログラム
JP4628356B2 (ja) 2004-03-31 2011-02-09 パイオニア株式会社 地図生成装置、ナビゲーション装置、地図生成方法、地図生成プログラムおよび記録媒体
JP4631750B2 (ja) * 2006-03-06 2011-02-16 トヨタ自動車株式会社 画像処理システム
US20080036758A1 (en) 2006-03-31 2008-02-14 Intelisum Inc. Systems and methods for determining a global or local position of a point of interest within a scene using a three-dimensional model of the scene
US20100045662A1 (en) * 2006-10-02 2010-02-25 Aftercad Software Inc. Method and system for delivering and interactively displaying three-dimensional graphics
KR100865723B1 (ko) 2007-05-22 2008-10-28 (주)엠앤소프트 네비게이션에서의 3차원 화면 조정 방법
AU2007355942B2 (en) * 2007-07-04 2012-11-15 Saab Ab Arrangement and method for providing a three dimensional map representation of an area
JP4951535B2 (ja) 2008-01-10 2012-06-13 株式会社パスコ 地図画像処理装置
US9390544B2 (en) 2009-10-20 2016-07-12 Robert Bosch Gmbh 3D navigation methods using nonphotorealistic (NPR) 3D maps
US9171396B2 (en) * 2010-06-30 2015-10-27 Primal Space Systems Inc. System and method of procedural visibility for interactive and broadcast streaming of entertainment, advertising, and tactical 3D graphical information using a visibility event codec
CN102436678B (zh) * 2010-09-29 2014-11-26 比亚迪股份有限公司 一种三维道路模型生成方法及***
DE102011115739A1 (de) 2011-10-11 2013-04-11 Daimler Ag Verfahren zur Integration von virtuellen Objekten in Fahrzeuganzeigen
US9791290B2 (en) * 2012-02-29 2017-10-17 Here Global B.V. Manipulation of user attention with respect to a simulated field of view for geographic navigation via constrained focus on, perspective attraction to, and/or correction and dynamic adjustment of, points of interest
CN104769652B (zh) 2012-11-20 2017-10-03 哈曼国际工业有限公司 用于检测交通灯的方法和***
US9928652B2 (en) * 2013-03-01 2018-03-27 Apple Inc. Registration between actual mobile device position and environmental model
CN103234547B (zh) * 2013-04-18 2017-03-22 易图通科技（北京）有限公司 真三维导航中道路场景的显示方法和装置
US9418485B2 (en) 2013-05-31 2016-08-16 Apple Inc. Adjusting heights for road path indicators
CN104280036B (zh) * 2013-07-05 2017-11-17 北京四维图新科技股份有限公司 一种交通信息的检测与定位方法、装置及电子设备
CN103411619B (zh) * 2013-08-26 2016-03-23 上海安悦四维信息技术有限公司 一种三维道路生成***及方法
GB201318049D0 (en) * 2013-10-11 2013-11-27 Tomtom Int Bv Apparatus and methods of displaying navigation instructions
CN103544734A (zh) * 2013-10-11 2014-01-29 深圳先进技术研究院 以街景为基础的三维地图建模的方法
KR20150058679A (ko) 2013-11-20 2015-05-29 한국전자통신연구원 단지내 도로에서 자율주행차량의 위치 및 해딩 정보 제공 장치 및 방법
WO2015132931A1 (ja) * 2014-03-06 2015-09-11 三菱重工業株式会社 電動移動体情報提供装置と電動移動体情報提供方法
US9986154B2 (en) * 2014-05-21 2018-05-29 Here Global B.V. Developing a panoramic image
US9435657B2 (en) * 2015-01-14 2016-09-06 Telenav, Inc. Navigation system with an itinerary planning mechanism and method of operation thereof
US9451077B2 (en) * 2015-02-24 2016-09-20 Patrick Duvaut Device-based safeguard systems and methods for enhancing driver safety
CN104766058B (zh) * 2015-03-31 2018-04-27 百度在线网络技术（北京）有限公司 一种获取车道线的方法和装置
CN105096386B (zh) * 2015-07-21 2017-11-17 中国民航大学 大范围复杂城市环境几何地图自动生成方法
CN105069842A (zh) * 2015-08-03 2015-11-18 百度在线网络技术（北京）有限公司 道路三维模型的建模方法和装置
US9604639B2 (en) * 2015-08-28 2017-03-28 Delphi Technologies, Inc. Pedestrian-intent-detection for automated vehicles
JP6741646B2 (ja) * 2017-12-25 2020-08-19 株式会社Ｓｕｂａｒｕ 車外環境認識装置
CN108764187B (zh) * 2018-06-01 2022-03-08 百度在线网络技术（北京）有限公司 提取车道线的方法、装置、设备、存储介质以及采集实体

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190089681A (ko) * 2018-01-22 2019-07-31 네이버 주식회사 파노라마 뷰에 대한 ３차원 모델을 생성하는 방법 및 시스템
US11816991B2 (en) 2018-04-18 2023-11-14 Mobileye Vision Technologies Ltd. Vehicle environment modeling with a camera
WO2020050934A3 (en) * 2018-08-10 2020-06-18 Nec Laboratories America, Inc. Parametric top-view representation of scenes
US11373067B2 (en) 2018-08-10 2022-06-28 Nec Corporation Parametric top-view representation of scenes
WO2020080574A1 (ko) * 2018-10-18 2020-04-23 주식회사 씨밀레테크 진동 네비게이션 시스템
KR102526720B1 (ko) * 2022-07-25 2023-04-27 (주)이노시뮬레이션 포인트 클라우드 데이터를 이용한 3차원 가상 환경 모델링 방법 및 이를 실행하는 서버

Also Published As

Publication number Publication date
JP2018509668A (ja) 2018-04-05
KR101932623B1 (ko) 2018-12-27
JP6568587B2 (ja) 2019-08-28
US10643378B2 (en) 2020-05-05
EP3319048A1 (en) 2018-05-09
CN105069842A (zh) 2015-11-18
WO2017020465A1 (zh) 2017-02-09
US20180232946A1 (en) 2018-08-16
EP3319048A4 (en) 2018-08-22

Similar Documents

Publication Publication Date Title
KR101932623B1 (ko) 3차원 도로 모델의 모델링 방법, 장치 및 저장 매체
CN109410327B (zh) 一种基于bim和gis的三维城市建模方法
Máttyus et al. Hd maps: Fine-grained road segmentation by parsing ground and aerial images
US20210049412A1 (en) Machine learning a feature detector using synthetic training data
CN109470254B (zh) 地图车道线的生成方法、装置、***及存储介质
KR102086081B1 (ko) 다변측량을 이용한 디바이스의 위치 확인
CN102867057B (zh) 一种基于视觉定位的虚拟向导构建方法
US20230074265A1 (en) Virtual scenario generation method and apparatus, computer device and storage medium
CN113899384B (zh) 车道级道路的路口面显示方法、装置、设备、介质及程序
CN104281746A (zh) 一种基于点云的交通安全道路特征图成图方法
CN113178008A (zh) 一种基于gis的三维城市建模***及方法
CN116518960B (zh) 路网更新方法、装置、电子设备和存储介质
CN113626455A (zh) 图库联动更新方法及装置、电子设备、存储介质
US20200380085A1 (en) Simulations with Realistic Sensor-Fusion Detection Estimates of Objects
WO2023226781A1 (zh) 地图生成方法和相关产品
CN109520513B (zh) 一种三维地图绘制方法及装置
CN115062445A (zh) 基于自然驾驶数据的仿真场景构建方法及***
Kazemi Knowledge-based generalisation of road networks
Semeraro et al. Technologies and techniques offering new interpretations of the landscape evolution
CN111121793B (zh) 用于无人驾驶的地图生成方法、装置及存储介质
Chiang et al. Establishment of HD Maps Verification and Validation Procedure with OpenDRIVE and Autoware (Lanelet2) Formats
CN114693574B (en) Unmanned simulation scene generation method and equipment
CN115438516B (zh) 仿真地图生成方法、电子设备及计算机存储介质
CN117739950B (zh) 一种地图的生成方法、装置及设备
LOGO¹ et al. Geometric-topologic description of a complex road junction considering the requirements of highly automated driving

Legal Events

Date Code Title Description
A201 Request for examination
AMND Amendment
E902 Notification of reason for refusal
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant