[发明专利]基于街景图片的城市自行车道类型检测方法及系统

说明书

本发明涉及图像处理领域，提供一种基于街景图片的城市自行车道类型检测方法及系统，包括：通过OpenStreetMap数据源获取初始街景图片，通过Arcgis对初始街景图片进行切割，获得初始街景图片中的所有道路；计算各道路的方向，通过百度API获取各道路沿对应方向的道路街景图片；通过开放数据集Cityscapes和Apolloscape训练语义分割模型；通过语义分割模型对道路街景图片进行语义分割，获取道路街景图片中的实体，构建实体间的相对位置条件；通过实体间的相对位置条件判断道路街景图片中的自行车道实体的类型；通过自行车道实体的类型，判断初始街景图片的街道类型。本发明实现了快速且自动对城市自行车道进行识别和划分类别，弥补了城市骑行环境信息的不完善及缺失问题。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于街景图片的城市自行车道类型检测方法及系统。

背景技术

目前随着城市化和交通机动化的快速发展，交通拥堵和安全问题日益突出，人们在骑行过程中经常受到各种危险情况的威胁，如碰撞、刮擦和摔倒。改善骑行者骑行体验的第一步是识别城市骑行环境的优劣，其中自行车道的类型与人们的骑行安全息息相关，为骑行者准确提供现有的城市自行车道类型信息尤为迫切。

随着街景图片获取的便捷性和其更新的实时性得以大幅度提高，以及近年来众多研究证明了街景图像中富含的语义信息对场景识别研究的可行性，使得基于街景图片的城市自行车道类型检测方法成为可能。目前，城市自行车道类型检测方法主要有两种：一种是基于传统方式进行数据获取或使用传统方法对自行车道路进行识别。比如，获取政府公开数据、人工实地走访、使用街景图像进行人工识别。另一种是基于深度学习的的交通标示目标检测。但是使用传统方法的缺陷一方面在于数据的缺失，比如政府道路数据的缺失。另一方面在于费时费力，比如人工实地走访或人工识别。而通过深度学习方法识别交通标示和道路标线来确定自行车道类型，存在标示标线图像采集的不便捷性、更新的非实时性、图像背景复杂性，拍摄环境多变性等不可控的干扰因素的缺陷，使得基于深度学习的交通标示目标检测方法判别自行车道类型存在重重困难。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

为解决上述技术问题，本发明提供一种基于街景图片的城市自行车道类型检测方法，包括：

S1：通过OpenStreetMap数据源获取初始街景图片，通过Arcgis对所述初始街景图片进行切割，获得所述初始街景图片中的所有道路；计算各所述道路的方向，通过百度API获取各所述道路沿对应方向的道路街景图片；

S2：通过开放数据集Cityscapes和Apolloscape训练语义分割模型；

S3：通过所述语义分割模型对所述道路街景图片进行语义分割，获取所述道路街景图片中的实体，构建实体间的相对位置条件；通过所述实体间的相对位置条件判断所述道路街景图片中的自行车道实体的类型；

S4：通过所述自行车道实体的类型，判断所述初始街景图片的街道类型。

优选的，步骤S1中，通过百度API获取各所述道路沿对应方向的道路街景图片，具体为：

S11：以各所述道路的中心点作为经纬度坐标参数的输入，以各所述道路的方向作为道路朝向参数的输入；

S12：将各所述经纬度坐标参数和各所述道路朝向参数输入所述百度API，并且设置所述百度API的街景参数，通过所述百度API的全景静态地图服务，获得各所述道路沿对应方向的道路街景图片。

优选的，步骤S2中，所述语义分割模型包括：DeeplabV3+模型、基于全卷积的GAN语义分割模型和基于注意力的语义分割模型。

优选的，步骤S3具体为：