一种基于多源数据的非结构化高精地图生成方法及装置制造方法及图纸

本发明专利技术提供一种基于多源数据的非结构化高精地图生成方法及装置，包括数据获取和预处理，获取行驶区域相同分辨率的DSM、DOM、DEM数据，对DSM与DEM数据计算生成nDSM数据；进行模型训练，对原始含有噪声的影像进行标注，分为训练集和测试集，采用数据增强方法得到扩容后标签样本，得到反向噪声样本和一般样本；影像分类，将nDSM和DOM影像合并通道，将合并通道后的数据送入U

【技术实现步骤摘要】
一种基于多源数据的非结构化高精地图生成方法及装置


[0001]本专利技术属于自动驾驶
，具体涉及一种基于多源数据的非结构化高精地图生成方法及装置。

技术介绍

[0002]高精地图是面向智能驾驶的特殊电子地图，高精地图的研究主要针对城区道路、高速公路、特定厂区等结构化环境和封闭园区、乡村等非结构化环境。针对结构化的高精度地图已经取得了关键突破，但是针对复杂非结构化环境下的高精度地图构建缺乏完善系统的理论支撑。非结构化环境主要是指野外复杂的地形环境，具有路面情况复杂、地形多样、环境和目标特征稳定性差等特点。综上，针对非结构化环境的表达研究十分匮乏。
[0003]数据采集方式决定了高精地图的精度和广度。目前，高精地图数据采集有三种实现方案：移动测绘车采集、无人机航测和1:500地形图测绘。移动测绘车需要搭载激光雷达、惯导、RTK、全景相机等传感器设备，集成造价高，采集成本高；无人机航测申请空域周期长、飞行作业受天气影响；1:500地形图测绘，需要控制网布设、外业测绘和内业编绘等大量工作，工作周期长。
[0004]随着深度学习技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源数据的非结构化高精地图生成方法，其特征在于，包括以下步骤：步骤S1、数据获取和预处理，获取行驶区域相同分辨率的DSM、DOM、DEM数据，对DSM与DEM数据计算生成nDSM数据；步骤S2、进行模型训练，对原始含有噪声的影像进行标注，分为训练集和测试集，采用数据增强方法得到扩容后标签样本，得到反向噪声样本和一般样本；步骤S3、影像分类，将nDSM和DOM影像合并通道，将合并通道后的数据送入U
‑
Net模型实现多种地物覆盖物自动分类。2.根据权利要求1所述的基于多源数据的非结构化高精地图生成方法，其特征在于：在步骤S1中，通过对高程进行归一化处理，获得地物的真实高度，在后续的影像分类中需要通过高度阈值进行分类，nDSM含有真实高度信息，计算方法为：DSM
‑
DEM＝nDSM其中，DEM是数字高程模型，DSM是数字表面模型，DSM是归一化数字表面模型。3.根据权利要求1所述的基于多源数据的非结构化高精地图生成方法，其特征在于：在步骤S2中，对原始含有噪声的影像进行标注，分为训练集和测试集，利用滑动窗口随机将训练集和测试集图像分为固定大小的小尺寸图像。4.根据权利要求1所述的基于多源数据的非结构化高精地图生成方法，其特征在于：在步骤S2中，从训练集中随机选择图像制作少量反向噪声样本集，剩余的训练集称为一般训练样本。5.根据权利要求1所述的基于多源数据的非结构化高精地图生成方法，其特征在于：在步骤S2中，对训练集中的图形进行水平翻转、逆时针旋转、随机尺寸拉伸进行数据增强。6.根据权利要求1所述的基于多源数据的非结构化高精地图生成方法，其特征在于：在步骤S2中，将nDSM和DOM影像合并通道输入U
‑
Net进行训练，设置U
‑
net结构的输入图像尺寸，输入数据转换为多维特征图，卷积操作中卷积过滤器深度逐步增加，使用线性整流函数作为激活函数，Softmax作为分类函数，使用正则化后的平均绝对误差和交叉熵损失函数作为目标函数；ReLu在小于0的部分，数据被映射到0；在大于0的部分保...

【专利技术属性】
技术研发人员：郑玲，田岩，
申请(专利权)人：华中师范大学深圳研究院，
类型：发明
国别省市：