空间标志识别方法及电子设备技术

本申请是关于一种空间标志识别方法及电子设备，该方法包括：从车载相机模块采集的视频中，获得包括空间标志的多帧图像，将所述多帧图像输入预先训练好的深度学习网络模型，获得每帧图像中所述空间标志的预识别数据，依据所述多帧图像的预识别数据和预设规则，获得所述空间标志的识别数据。本申请提供的方案，能够自动识别车载相机模块所采集图像中的空间标志，进而能够依据识别结果自动生成高精地图对象。

【技术实现步骤摘要】
空间标志识别方法及电子设备
本申请涉及计算机
，尤其涉及空间标志识别方法及电子设备。
技术介绍
随着空间技术、信息技术的发展，城市基础设施的统一管理与智能交互逐渐进入大众视野。路牌作为城市地理实体的信息承载载体，具备地名信息导引功能，同时作为分布于城市道路交叉口的基础设施，在空间上具有其特殊性，是城市基础物联网的良好载体。从卫星照片创建的地图随时可用。这些地图显示了地形的性质，包括道路和道路附件的结构。这种道路的准确性通常为米级，因此卫星创建的地图通常不足以准确地用于车辆路线导航目的。各种地图测绘公司通过使用特殊测绘车辆对这些地图进行了重大修正，这些测绘车辆通常使用激光雷达技术，创建了在全球范围的车辆路线导航地图。然而，这样的地图通常仅精确到几米。虽然这样的车辆路线导航地图足以用于路线导航，但这样的地图中路牌位置不够精确，这对于高速行驶的车辆及时识别路边的路牌来说是不够的。
技术实现思路
为克服相关技术中存在的问题，本申请提供一种空间标志识别方法及电子设备，能够自动识别车载相机模块所采集图像中的空间标志，进而能够依据识别结果自动生成高精地图对象。本申请一方面提供一种空间标志识别方法，包括：从车载相机模块采集的视频中，获得包括空间标志的多帧图像；依据所述多帧图像和预先训练好的深度学习网络模型，获得所述空间标志的识别数据。在一些实施例中，依据所述多帧图像和预先训练好的深度学习网络模型，获得所述空间标志的识别数据包括：将所述多帧图像输入预先训练好的深度学习网络模型，获得每帧图像中所述空间标志的预识别数据；依据所述多帧图像的预识别数据和预设规则，获得所述空间标志的识别数据。在一些实施例中，依据所述多帧图像的预识别数据和预设规则，获得所述空间标志的识别数据包括：依据所述多帧图像的预识别数据，预判属于所述空间标志的对象；对于被预判为空间标志的对象，判断所述多帧图像中具有该对象的图像帧数是否达到预设标准，若是，生成该对象属于所述空间标志的识别数据，否则，生成该对象不属于所述空间标志的识别数据。在一些实施例中，获得每帧图像中所述空间标志的预识别数据包括：获得每帧图像中的像素分类数据；依据所述多帧图像的预识别数据和预设规则，获得所述空间标志的识别数据包括：依据所述多帧图像的像素分类数据，预判属于所述空间标志的对象；对所述多帧图像中的相同所述对象进行标记；对于每个被预判为空间标志的对象，判断所述多帧图像中具有该对象的图像帧数是否达到预设标准，若是，生成该对象属于所述空间标志的识别数据，否则，生成该对象不属于所述空间标志的识别数据。在一些实施例中，通过以下方法获得所述预先训练好的深度学习网络模型：建立空间标志图像样本数据集，并对所述样本数据集的图像中的空间标志进行标注；建立深度学习网络模型；利用所述空间标志图像样本数据集对所述深度学习网络模型进行训练，直至收敛。在一些实施例中，所述深度学习网络模型为DeepLabV3+模型。在一些实施例中，从车载相机模块采集的视频中，获得包括空间标志的多帧图像包括：从车载相机模块采集的视频中，连续地获得前后多帧图像；或者从车载相机模块采集的视频中，间隔地获得前后多帧图像。在一些实施例中，在生成该对象属于所述空间标志的识别数据后还包括：获得所述对象的地理坐标信息；根据所述对象的地理坐标信息，在三维电子地图中生成所述对象。在一些实施例中，获得所述对象的地理坐标信息包括：获得所述对象在所述多帧图像的至少其中两帧中的像素坐标，依据所述至少其中两帧中的像素坐标，生成所述对象的地理坐标信息。本申请另一方面提供一种电子设备，包括：处理器；以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。本申请第三方面提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。本申请提供的技术方案可以包括以下有益效果：本申请的实施例中，通过从车载相机模块采集的视频中，获得包括空间标志的多帧图像；依据所述多帧图像和预先训练好的深度学习网络模型，获得所述空间标志的识别数据。依据多帧图像获得空间标志的识别数据，可以提高识别的可靠性。在一些实施例中，将所述多帧图像输入预先训练好的深度学习网络模型，获得每帧图像中所述空间标志的预识别数据；依据所述多帧图像的预识别数据和预设规则，获得所述空间标志的识别数据。通过按照预设规则对多帧图像的深度学习网络模型预识别数据进行验证，可以提高空间标志识别的可靠性。在一些实施例中，在生成对象属于空间标志的识别数据后，获得对象的地理坐标信息；根据对象的地理坐标信息，在三维电子地图中生成对象，可以基于对于空间标志的自动识别结果，自动生成高精地图对象。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。附图说明通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。图1是本申请一实施例的一种空间标志识别方法的流程示意图；图2是本申请一实施例的一种空间标志生成方法的流程示意图；图3和图4示例性示出对于两帧图像的预判结果；图5示出获得本申请实施例中深度学习网络模型的过程；图6是本申请实施例中的DeepLabV3+网络模型的框图；图7是本申请一实施例的电子设备的结构示意图。具体实施方式下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。以下结合附图详细描述本申请实施例的技本文档来自技高网...

【技术保护点】
1.一种空间标志识别方法，其特征在于，包括：/n从车载相机模块采集的视频中，获得包括空间标志的多帧图像；/n依据所述多帧图像和预先训练好的深度学习网络模型，获得所述空间标志的识别数据。/n

【技术特征摘要】
1.一种空间标志识别方法，其特征在于，包括：
从车载相机模块采集的视频中，获得包括空间标志的多帧图像；
依据所述多帧图像和预先训练好的深度学习网络模型，获得所述空间标志的识别数据。


2.如权利要求1所述的方法，其特征在于，依据所述多帧图像和预先训练好的深度学习网络模型，获得所述空间标志的识别数据包括：
将所述多帧图像输入预先训练好的深度学习网络模型，获得每帧图像中所述空间标志的预识别数据；
依据所述多帧图像的预识别数据和预设规则，获得所述空间标志的识别数据。


3.如权利要求2所述的方法，其特征在于，依据所述多帧图像的预识别数据和预设规则，获得所述空间标志的识别数据包括：
依据所述多帧图像的预识别数据，预判属于所述空间标志的对象；
对于被预判为空间标志的对象，判断所述多帧图像中具有该对象的图像帧是否达到预设标准，若是，生成该对象属于所述空间标志的识别数据，否则，生成该对象不属于所述空间标志的识别数据。


4.如权利要求2所述的方法，其特征在于，
获得每帧图像中所述空间标志的预识别数据包括：获得每帧图像中的像素分类数据；
依据所述多帧图像的预识别数据和预设规则，获得所述空间标志的识别数据包括：
依据所述多帧图像的像素分类数据，预判属于所述空间标志的对象；
对所述多帧图像中的相同所述对象进行标记；
对于每个被预判为空间标志的对象，判断所述多帧图像中具有该对象的图像帧数是否达到预设标准，若是，生成该对象属于所述空间标志的识别数据，否...

【专利技术属性】
技术研发人员：吴志洋，朱磊，贾双成，李成军，
申请(专利权)人：蘑菇车联信息科技有限公司，
类型：发明
国别省市：北京;11