[发明专利]一种地图道路全要素特征提取方法和系统

说明书

本发明属于地图数据处理技术领域，涉及一种地图道路全要素特征提取方法和系统，包括以下步骤：S1.建立全要素的道路标线要素集；S2.获取地图道路图像集，并基于道路标线要素集，在道路图像集中选取部分图像生成全要素训练数据集；S3.使用图像翻译算法对训练数据集进行训练；S4.根据经过训练的训练数据集，确定标线要素的位置和形状；S5.根据标线要素的位置和形状，生成标识了全要素道路标线的图像。其实现了道路全要素模型数据库的构建，并且通过优化网络模型，将图像翻译算法应用到高精度地图的构建技术中，推动自动驾驶高精地图技术的发展。

技术领域

本发明是关于一种地图道路全要素特征提取方法和系统，属于地图数据处理技术领域。

背景技术

道路作为无人驾驶高精度地图的关键组成部分，道路信息的准确提取是目前一直关注的热点问题，道路信息的提取需要道路要素特征尽可能详细、清晰和准确，但是现有的研究多数只是针对道路要素中一种或者简单几种进行提取与识别，从而导致道路信息不完整，并且目前已有算法模型也仅仅是针对某一种或者某几种道路要素进行提取。

针对道路要素提取与识别，现有技术中多采用深度学习算法，但是针对目标检测，多数深度学习算法都停留在yolo系列、FasterRCNN、SSD等相关算法，而对于图像翻译算法，较多应用于典型的图像翻译任务中，比如语义分割图像转换为真实街景图，灰色图转换为彩色图，简笔图转换为真实图，白天图片转换为夜间图像等情况，但目前尚未有将图像翻译算法应用于道路信息提取中。

发明内容

针对上述现有技术的不足，本发明的目的是提供了一种地图道路全要素特征提取方法和系统，其实现了地图道路全要素模型数据库的构建，并且通过对网络模型的优化，将图像翻译算法应用到高精度地图的构建技术中，推动自动驾驶高精地图技术的发展。

为实现上述目的，本发明提供了一种地图道路全要素特征提取方法，包括以下步骤：S1.建立全要素的道路标线要素集；S2.获取地图道路图像集，并基于道路标线要素集，在道路图像集中选取部分图像生成全要素训练数据集；S3.使用图像翻译算法对训练数据集进行训练；S4.根据经过训练的训练数据集，确定标线要素的位置和形状；S5.根据标线要素的位置和形状，生成标识了全要素道路标线的图像。

进一步，全要素的道路标线要素集根据对象类型分为图像类要素和字符类要素两类，图像类要素包括：减速标线、网状线、人行道、导向指示符、道路出入口标记和虚线；字符类要素包括：转向箭头、横向实线、长实线、字体、三角形标志、菱形标志和非机动车标志。

进一步，步骤S2中获取地图道路图像集生成全要素训练数据集的具体过程为：通过激光雷达检测器生成道路的强度特征图，并结合地图道路图像集将图像中道路标线要素的位置进行标识，将其中包括至少一个道路标线要素的图像从最初的道路图像集中分离，并生成全要素训练数据集。

进一步，全要素训练数据集在进行步骤S3之前，需要对数据集中图像进行平移、旋转、剪切、尺度调整和去噪，并通过对抗生成网络GAN和模型迁移对图像进行样本增强处理。

进一步，将经过样本增强处理的图像进行正向改进以满足图像翻译算法的要求。

进一步，正向改进步骤为：首先，将图像数据格式转换为label.png或label_viz.png格式文件；其次，将图像剪切为统一尺寸；最后，将剪切后未标记道路标线要素的图像和与其对应的标记了道路标线要素的图像合并为一张图像。

进一步，在步骤S4结束后进行图像数据反向改进，图像数据反向改进为正向改进的逆过程。

进一步，步骤S4中采用动态模拟匹配算法获取标线要素的形状，动态匹配算法需引入模板匹配数据集，将模板匹配数据集与经过训练的训练数据集中图像进行匹配，确定二者相似度，模板匹配数据集包括每个道路标线的图像、基于图像的矢量特征数据、矢量特征类别和标线的动态角度信息。