一种基于深度学习的交通设施地图生成方法与系统技术方案

本发明专利技术公开了一种基于深度学习的交通设施地图生成方法与系统，方法包括：采集车采集道路街景图；将采集车采集到的道路街景图进行预处理，得到预处理后的俯视图；采用预训练的交通设施识别模型对预处理后的俯视图进行自动识别，其中，预训练的交通设施识别模型采用Faster RCNN卷积神经网络训练得到；根据自动识别的结果自动生成车道级的精细化地图。本发明专利技术采用了基于Faster RCNN卷积神经网络的深度学习技术来自动识别交通设施，鲁棒性好，计算开销小，识别精度高；能根据自动识别的结果自动生成车道级的精细化地图，与传统绘图人员手工绘制的方式相比，耗时短且效率高。本发明专利技术可广泛应用于图像处理与地图测绘领域。

A method and system for traffic facilities map generation based on deep learning

The invention discloses a method and system for generating traffic facility map based on in-depth learning. The method comprises: collecting road street view by collecting vehicles; pretreating the road street view by collecting vehicles to obtain the pre-processed top view; adopting pre-trained traffic facility identification model to advance the pre-processed top view. The pre-trained traffic facility recognition model is trained by Faster RCNN convolution neural network, and the lane-level fine map is generated automatically according to the result of automatic recognition. The invention adopts the depth learning technology based on Faster RCNN convolution neural network to automatically identify traffic facilities, which has the advantages of good robustness, low computational cost and high recognition accuracy, and can automatically generate fine lane-level maps according to the results of automatic recognition, which is time-consuming and efficient compared with the traditional way of drawing by hand. High. The invention can be widely applied to the field of image processing and mapping.

【技术实现步骤摘要】
一种基于深度学习的交通设施地图生成方法与系统
本专利技术涉及图像处理与地图测绘领域，尤其是一种基于深度学习的交通设施地图生成方法与系统。
技术介绍
电子地图在车辆导航系统中的广泛应用推动各个国家开展了多尺度、高精度导航数据的研制和生产。目前较成熟的导航数据都是基于车道级地图的，但随着智能交通系统(ITS)、高级驾驶辅助系统(ADAS)、智能车等应用的发展，对导航地图数据提出了更高精度、更精细化的要求。许多应用需要使用高精度的电子地图，例如使用先验地图信息进行定位，高级驾驶辅助系统，以及车道级路径规划。高精细地图是指高精度、精细化定义的地图，精度需要达到分米级来区分各个车道。随着全球定位系统的发展，高精度的定位已经成为可能。而精细化定义，则需要格式化存储交通场景中的各种交通要素，包括传统地图的道路网数据、车道网络数据、车道线以及交通标志等。而在高精细地图，尤其是包含路面交通标志等交通设施的高精细地图的绘制过程中，交通设施的正确识别是前提和关键。目前的交通设施识别常用的方法主要包括基于形状的识别方法以及特征提取与分类器结合的方法这两种。基于形状的识别方法鲁棒性较差，复杂环境中效果不佳。特征提取与分类器结合的方法识别效果较好，但计算开销大，环境适应能力比较差。此外，目前车道级的精细化地图大多是由绘图人员手工绘制的，耗时长且绘图效率低。
技术实现思路
为解决上述技术问题，本专利技术的目的在于：提供一种精度高、计算开销小和效率高的基于深度学习的交通设施地图生成方法与系统。本专利技术所采取的第一技术方案是：一种基于深度学习的交通设施地图生成方法，包括以下步骤：采集车采集道路街景图；将采集车采集到的道路街景图进行预处理，得到预处理后的俯视图；采用预训练的交通设施识别模型对预处理后的俯视图进行自动识别，其中，预训练的交通设施识别模型采用FasterRCNN卷积神经网络训练得到；根据自动识别的结果自动生成车道级的精细化地图。进一步，所述交通设施包括道路标线、车道转向标志、绿化带、斑马线、公交车站和护栏。进一步，所述将采集车采集到的道路街景图进行预处理，得到预处理后的俯视图这一步骤，具体包括：将采集车采集到的道路街景图进行标定并采用透视变换转换成相应的俯视图；从转换成的俯视图中裁剪出采集车车头近端的部分作为预处理后的俯视图。进一步，所述采用预训练的交通设施识别模型对预处理后的俯视图进行自动识别这一步骤，具体包括：采用FasterRCNN卷积神经网络和给定的样本进行训练，得到预训练的交通设施识别模型；将预处理后的俯视图输入预训练的交通设施识别模型进行自动识别，得到识别的结果。进一步，所述采用FasterRCNN卷积神经网络和给定的样本进行训练，得到预训练的交通设施识别模型这一步骤，具体包括：获取训练样本的俯视图；在训练样本的俯视图中按照VOC2007数据集的格式分类标记出各种交通设施，得到标记好的训练样本；采用FasterRCNN+VGG16网络对标记好的训练样本进行训练，得到预训练的交通设施识别模型。进一步，所述将预处理后的俯视图输入预训练的交通设施识别模型进行自动识别，得到识别的结果这一步骤，具体包括：根据采集车采集街景图时的航向角信息将定位错误的采集点从预处理后的俯视图中剔除，得到剔除后的俯视图；按采集车的行进方向采用预训练的交通设施识别模型对剔除后的俯视图进行自动识别；将自动识别的结果按照道路街景图采集的顺序以预定的格式进行保存。进一步，所述根据自动识别的结果自动生成车道级的精细化地图这一步骤，具体包括：将自动识别的结果进行去冗余，得到去冗余后的结果；将去冗余后的结果导入交通设施管理系统，自动生成车道级的精细化地图。进一步，所述将自动识别的结果进行去冗余，得到去冗余后的结果这一步骤，具体包括：以采集车车头在采集到的图片中对应的位置为原点，建立右手坐标系；将采集到的前后两张图片的经纬度坐标(Lat1,Lon1)和(Lat2,Lon2)代入MatLab的distance函数，求得相应的测地线弧长，其中，Lat1和Lat2分别为采集到的前后两张图片纬度坐标，Lon1和Lon2分别为采集到的前后两张图片经度坐标；根据测地线弧长计算采集到的前后两张图片的实际距离，所述采集到的前后两张图片的实际距离YDistance的计算公式为：YDistance＝ARCLEN/180*pi*6378.1*1000，其中ARCLEN为测地线弧长，pi为圆周率；通过标定获得转换成俯视图之后的图片每像素代表的实际距离k；根据右手坐标系和每像素代表的实际距离，计算出对应目标分别距离采集到的前后两张图片底部的实际距离，所述对应目标分别距离采集到的前后两张图片底部的实际距离Y1和Y1的计算公式为：Y1＝y1*k、Y2＝y2*k，其中y1和y2分别为右手坐标系中对应目标距离采集到的前后两张图片底部的距离；判断采集到的前后两张图片是否目标类型相同且满足Y2+YDistance-M1≤Y1≤Y2+YDistance+M1，若是，则去除前一张图片的目标并保留后一张图片的目标，反之，则执行将去冗余后的结果导入交通设施管理系统，自动生成车道级的精细化地图这一步骤，其中，M1为预设的阈值。本专利技术所采取的第二技术方案是：一种基于深度学习的交通设施地图生成系统，包括：采集模块，用于采集车采集道路街景图；预处理模块，用于将采集车采集到的道路街景图进行预处理，得到预处理后的俯视图；自动识别模块，用于采用预训练的交通设施识别模型对预处理后的俯视图进行自动识别，其中，预训练的交通设施识别模型采用FasterRCNN卷积神经网络训练得到；精细化地图生成模块，用于根据自动识别的结果自动生成车道级的精细化地图。本专利技术所采取的第三技术方案是：一种基于深度学习的交通设施地图生成系统，包括：存储器，用于存储程序；处理器，用于加载所述程序以执行如第一技术方案所述的交通设施地图生成方法。本专利技术的有益效果是：本专利技术一种基于深度学习的交通设施地图生成方法及系统，采用预训练的交通设施识别模型对预处理后的俯视图进行自动识别，预训练的交通设施识别模型采用FasterRCNN卷积神经网络训练得到，采用了基于FasterRCNN卷积神经网络的深度学习技术来自动识别交通设施，鲁棒性好，计算开销小，识别精度高；能根据自动识别的结果自动生成车道级的精细化地图，与传统绘图人员手工绘制的方式相比，耗时短且效率高。附图说明图1为本专利技术一种基于深度学习的交通设施地图生成方法的整体流程图；图2为本专利技术的一种优选实施例的流程图；图3为本专利技术交通设施识别的一种具体实现流程图；图4为采集车采集到的一幅道路街景图；图5为图4的标定点选择示意图；图6为图4裁剪后的俯视图；图7为采集车的两侧定位位置示意图；图8为图6的交通设施识别结果图；图9为采集车采集到的前一张图片；图10为采集车采集到的后一张图片；图11为目标距离采集到的前一张图片底部的距离示意图；图12为目标距离采集到的后一张图片底部的距离示意图；图13为交通设施管理系统的界面示意图；图14为交通设施管理系统自动生成的车道级精细化地图；图15为最终生成的车道级精细化地图。具体实施方式参照图1，一种基于深度学习的交通设施地图生成方法，包括以下步骤：采集车采集道路街景图；将采集车采集本文档来自技高网...

【技术保护点】
1.一种基于深度学习的交通设施地图生成方法，其特征在于：包括以下步骤：采集车采集道路街景图；将采集车采集到的道路街景图进行预处理，得到预处理后的俯视图；采用预训练的交通设施识别模型对预处理后的俯视图进行自动识别，其中，预训练的交通设施识别模型采用Faster RCNN卷积神经网络训练得到；根据自动识别的结果自动生成车道级的精细化地图。

【技术特征摘要】
1.一种基于深度学习的交通设施地图生成方法，其特征在于：包括以下步骤：采集车采集道路街景图；将采集车采集到的道路街景图进行预处理，得到预处理后的俯视图；采用预训练的交通设施识别模型对预处理后的俯视图进行自动识别，其中，预训练的交通设施识别模型采用FasterRCNN卷积神经网络训练得到；根据自动识别的结果自动生成车道级的精细化地图。2.根据权利要求1所述的一种基于深度学习的交通设施地图生成方法，其特征在于：所述交通设施包括道路标线、车道转向标志、绿化带、斑马线、公交车站和护栏。3.根据权利要求1所述的一种基于深度学习的交通设施地图生成方法，其特征在于：所述将采集车采集到的道路街景图进行预处理，得到预处理后的俯视图这一步骤，具体包括：将采集车采集到的道路街景图进行标定并采用透视变换转换成相应的俯视图；从转换成的俯视图中裁剪出采集车车头近端的部分作为预处理后的俯视图。4.根据权利要求1所述的一种基于深度学习的交通设施地图生成方法，其特征在于：所述采用预训练的交通设施识别模型对预处理后的俯视图进行自动识别这一步骤，具体包括：采用FasterRCNN卷积神经网络和给定的样本进行训练，得到预训练的交通设施识别模型；将预处理后的俯视图输入预训练的交通设施识别模型进行自动识别，得到识别的结果。5.根据权利要求4所述的一种基于深度学习的交通设施地图生成方法，其特征在于：所述采用FasterRCNN卷积神经网络和给定的样本进行训练，得到预训练的交通设施识别模型这一步骤，具体包括：获取训练样本的俯视图；在训练样本的俯视图中按照VOC2007数据集的格式分类标记出各种交通设施，得到标记好的训练样本；采用FasterRCNN+VGG16网络对标记好的训练样本进行训练，得到预训练的交通设施识别模型。6.根据权利要求4所述的一种基于深度学习的交通设施地图生成方法，其特征在于：所述将预处理后的俯视图输入预训练的交通设施识别模型进行自动识别，得到识别的结果这一步骤，具体包括：根据采集车采集街景图时的航向角信息将定位错误的采集点从预处理后的俯视图中剔除，得到剔除后的俯视图；按采集车的行进方向采用预训练的交通设施识别模型对剔除后的俯视图进行自动识别；将自动识别的结果按照道路街景图采集的顺序以预定的格式进行保存。7.根据权利要求1所述的一种基于深度学习的交通设施地图生成方法，其特征在于：所述根据自动识别的结果自动生成车道级的...

【专利技术属性】
技术研发人员：罗东华，项文华，
申请(专利权)人：广东方纬科技有限公司，
类型：发明
国别省市：广东,44