[发明专利]一种基于深度学习的交通设施地图生成方法与系统

说明书

本发明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。本发明可广泛应用于图像处理与地图测绘领域。

技术领域

本发明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。

背景技术

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。

发明内容

为解决上述技术问题，本发明的目的在于：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。

本发明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。

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Faster RCNN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Faster RCNN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：