CN107229690B - 基于路侧传感器的高精度动态地图数据处理系统及方法 - Google Patents

Abstract

本发明公开了一种基于路侧传感器的高精度动态地图数据处理系统及方法，该系统包括：地图数据采集端，为高精度地图生成服务端提供海量、多元化的地图道路原始数据；高精度地图生成服务端包括：地图数据处理模块，将地图道路原始数据进行道路特征提取，对所有的道路特征采用分层设计，将同一道路信息进行拼接，先在道路特征层面完成道路特征数据融合，最后在图像层面完成图像拼接，拼接的结果生成道路的俯视投影图；地图生成可视化模块，在俯视投影图上标注道路信息，标注完的道路信息和俯视投影图共同组成高精度地图的地图数据，将地图数据进行可视化编辑，生成高精度动态地图。本发明能降低高精度地图的生成成本；实现高精度动态地图的快速更新。

Description

基于路侧传感器的高精度动态地图数据处理系统及方法

技术领域

本发明涉及计算机技术领域，具体涉及一种基于路侧传感器的高精度动态地图数据处理系统及方法。

背景技术

当前，随着自动驾驶技术的快速发展，高精度地图重要性日益凸显，已成为实现无人驾驶和智能交通不可或缺的重要一环。现有导航地图精度一般不高，并且以整条道路作为对象提供道路信息数据或进行导航指令发布，这种导航地图称之为道路级别地图，是对实际交通环境的大幅度简化，能提供的信息内容少，精确度低，对驾驶员的辅助能力较低。

自动驾驶所需要的地图不仅要具备高精度，还要拥有大量丰富的道路周边细节，普通地图导航精度只能达到米量级，高精度地图可精确到10cm级别，不仅增加了车道属性相关数据，还增加了高架物体、防护栏、障碍物、道路边缘类型、路边地标等多种类型数据。多元异构的海量地图数据需要占用大量存储空间，单图层的高精度地图无法满足实时更新的需求。

深度学习、图像识别等技术在高精度地图领域的应用，能够大幅度提升地图数据采集和处理效率。自动驾驶技术和用户需求的不断提升，对高精度地图的数据容量、精确程度、更新频率等提出了更高的要求，传统的地图数据采集绘制方式存在诸多技术瓶颈，利用图像识别、大数据处理、深度学习等人工智能技术，能够自动识别交通标志、地面标志、车道线、信号灯等，实现全景图像自动化提取道路及POI信息，提高数据加工效率和更新频次，保证数据的准确性。

目前高精度地图的生产大多由专业的工作人员重新采集所有的道路信息，并计划采集完成后周期性地对大部分区域重新更新。这种方法的采集设备往往是安装了激光雷达等专用设备的采集车。三菱和丰田等日本汽车厂商联合日本图商Zenrin正在制作三维的动态地图。其计划是采用装有高端传感器的专用汽车对道路进行侧绘，第一步是覆盖日本300公里的主要高速公路。Here、TomTom和谷歌也采用类似方式制作三维地图。国内的传统图商高德通过装配2个激光雷达和4个摄像头的方式来满足所需要的10cm级别精度。腾讯、百度、四维图新等公司也在用类似的方式制作高精度地图。

上述用专门的车载传感器采集的原始地图信息准确性很高，然而存在以下问题：

1)、车载设备成本居高不下，使用激光雷达采集信息精度高，全局性好，但成本高昂，数据量大，且生成图像为反射率图像，与现实景物存在差异；

2)、数据处理效率较低，地图数据采集到实现地图更新的周期长，会出现在地图更新时实际路况特征属性状态早已改变的现象，无法及时有效反应实际道路的动态特征信息，阻碍位置服务的快速发展，降低了无人驾驶的安全性和可靠性；

3)、采集到的数据是稠密的点云，数据密度极大，消耗大量的计算资源，且后期地图通信量高；

4)、采集的道路特征信息内容有限，针对有些特定的道路特征需要特定的传感器(如温湿度、道路积水等天气相关的动态特征数据)完成数据采集，因此车载采集方式无法满足自动驾驶对高精度地图内容方面的需求。

因此，如何低成本、高效且准确地生产或更新高精度地图是亟待解决的问题。

发明内容

有鉴于此，为了解决现有技术中地图采集方式数据量大、处理困难、成本高、地图更新周期长的问题，本发明提出一种基于路侧传感器的高精度动态地图数据处理系统及方法，通过路侧传感器和AI技术实现高精度地图生成，成本低、生成结果能实时有效反馈道路特征当前的状态，为自动驾驶提供准确的驾驶辅助信息。

本发明通过以下技术手段解决上述问题：

一种基于路侧传感器的高精度动态地图数据处理系统，包括：

地图数据采集端，用于为高精度地图生成服务端提供海量、多元化的地图道路原始数据；

高精度地图生成服务端，用于根据地图数据采集端提供的海量、多元化的地图道路原始数据生成高精度动态地图；

所述高精度地图生成服务端包括：

地图数据处理模块，用于将地图道路原始数据进行道路特征提取，对所有的道路特征采用分层设计，将同一道路信息进行拼接，先在道路特征层面完成道路特征数据融合，最后在图像层面完成图像拼接，拼接的结果生成道路的俯视投影图；

地图生成可视化模块，用于在俯视投影图上标注道路信息，标注完的道路信息和俯视投影图共同组成高精度地图的地图数据，将地图数据进行可视化编辑，生成高精度动态地图。

进一步地，所述地图数据采集端包括：

图像数据采集模块，用于采集海量的地图原始道路图像数据；

路况数据采集模块，用于采集海量的地图原始道路路况数据。

进一步地，所述地图数据处理模块包括：

图像数据预处理单元，用于将地图原始道路图像数据进行图像校正、图像坐标变换、图像投影变换的预处理，预处理后相邻位置的图像数据采集模块采集的图像重叠区能够对齐；

道路特征提取单元，用于从地图原始道路图像数据中识别道路动态特征；根据现有导航地图进行精细化特征建模，得到道路静态特征；通过对地图原始道路路况数据做数据筛选验证，抽取对应的道路半静态特征和道路半动态特征；

道路特征设计单元，用于从内容上对所有道路特征进行分层设计，第一层为道路静态特征，第二层为道路半静态特征，第三层为道路半动态特征，第四层为道路动态特征；

多维道路信息融合拼接单元，用于将同一道路信息进行拼接，先在道路特征层面完成道路特征数据融合，最后将预处理后的图像在图像层面完成图像拼接，拼接的结果生成道路的俯视投影图。

进一步地，所述道路特征提取单元包括：

动态特征提取子单元，用于利用深度学习、图像识别的相关AI技术建立一个深度学习道路动态特征识别模型，采用深度学习道路动态特征识别模型从地图原始道路图像数据中识别道路动态特征；

静态特征提取子单元，用于根据现有导航地图进行精细化特征建模，得到道路静态特征；

半静态特征提取子单元，用于通过对地图原始道路路况数据做数据筛选验证，抽取对应的道路半静态特征；

半动态特征提取子单元，用于通过对地图原始道路路况数据做数据筛选验证，抽取对应的道路半动态特征。

进一步地，所述多维道路信息融合拼接单元包括：

道路特征融合拼接子单元，用于将提取的所有道路特征按照特征分层进行拼接，先拼接静态特征，最后融合动态特征；

图像拼接子单元，用于将预处理后的图像进行融合拼接成一张基础的俯视投影图。

进一步地，所述地图生成可视化模块包括：

地理信息标注单元，用于在俯视投影图上标注道路信息，标注完的道路信息和俯视投影图共同组成高精度地图的地图数据；

地理信息校准验证单元，用于对标注完的道路信息进行校准验证；

地图生成单元，用于将地图数据进行可视化编辑，生成高精度动态地图。

进一步地，所述图像数据采集模块为摄像头，所述路况数据采集模块包括GPS、温湿度传感器、积水传感器。

进一步地，所述摄像头为城市交通所用的安防监控摄像头和物联网智慧路灯杆上挂载的摄像头；GPS为当前智慧城市中的GPS基站，温湿度传感器、积水传感器为物联网智慧路灯杆上集成的温湿度传感器、积水传感器；地图原始道路图像数据和地图原始道路路况数据通过物联网智慧路灯杆上配置的公共网关模块传输到高精度地图生成服务端。

一种基于路侧传感器的高精度动态地图数据处理方法，包括：

S1、采集海量的地图原始道路图像数据和地图原始道路路况数据；

S2、将地图原始道路图像数据进行图像校正、图像坐标变换、图像投影变换的预处理，预处理后相邻位置的图像数据采集模块采集的图像重叠区能够对齐；

S3、利用深度学习、图像识别的相关AI技术建立一个深度学习道路动态特征识别模型，采用深度学习道路动态特征识别模型从地图原始道路图像数据中识别道路动态特征；

根据现有导航地图进行精细化特征建模，得到道路静态特征；

通过对地图原始道路路况数据做数据筛选验证，抽取对应的道路半静态特征和道路半动态特征；

S4、从内容上对所有道路特征进行分层设计，第一层为道路静态特征，第二层为道路半静态特征，第三层为道路半动态特征，第四层为道路动态特征；

S5、将同一道路信息进行拼接，先在道路特征层面完成道路特征数据融合，最后将预处理后的图像在图像层面完成图像拼接，拼接的结果生成道路的俯视投影图；

S6、在俯视投影图上标注道路信息，标注完的道路信息和俯视投影图共同组成高精度地图的地图数据；

S7、对标注完的道路信息进行校准验证；

S8、将地图数据进行可视化编辑，生成高精度动态地图。

进一步地，步骤S1中，采用摄像头采集海量的地图原始道路图像数据，采用GPS、温湿度传感器、积水传感器采集地图原始道路路况数据；

所述摄像头为城市交通所用的安防监控摄像头和物联网智慧路灯杆上挂载的摄像头；GPS为当前智慧城市中的GPS基站，温湿度传感器、积水传感器为物联网智慧路灯杆上集成的温湿度传感器、积水传感器；地图原始道路图像数据和地图原始道路路况数据通过物联网智慧路灯杆上配置的公共网关模块传输到高精度地图生成服务端。

与现有技术相比，本发明的有益效果如下：

1)、本发明采集路侧图像的摄像头部署在路侧基础设施上(路灯杆、高架杆)，比车载摄像头采集的地图数据更具有实时有效性；

2)、本发明通过物联网一体化灯杆挂载的多种传感器终端设备，可实时采集高精度地图的多维动态信息(路面积水、湿度、天气、街道标志等)，这些信息只需要后台进行简单地验证处理，就可以发布到高精度地图的应用平台，实时服务于智能交通领域；

3)、本发明中的地图数据采集充分利用了当前智慧城市的基础设施(智慧路灯、路侧摄像头、GPS基站)，通过共享智慧城市的路侧传感器方式，以及地图数据的自动采集上传方式，能从多方面降低高精度地图的生成成本；

4)、本发明通过对道路特征分层设计、特征分层融合拼接、以及支持增量更新的数据格式存储，可实现高精度动态地图的快速更新。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明基于路侧传感器的高精度动态地图数据处理系统的结构示意图；

图2是本发明基于路侧传感器的高精度动态地图数据处理系统的拓扑图；

图3是本发明基于路侧传感器的高精度动态地图数据处理系统的工作流程图；

图4是本发明采集地图的摄像头部署图；

图5是本发明基于路侧传感器的高精度动态地图数据处理方法的流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1所示，本发明提供一种基于路侧传感器的高精度动态地图数据处理系统，包括：

地图数据采集端，用于为高精度地图生成服务端提供海量、多元化的地图道路原始数据；

高精度地图生成服务端，用于根据地图数据采集端提供的海量、多元化的地图道路原始数据生成高精度动态地图；

所述高精度地图生成服务端包括：

地图数据处理模块，用于将地图道路原始数据进行道路特征提取，对所有的道路特征采用分层设计，将同一道路信息进行拼接，先在道路特征层面完成道路特征数据融合，最后在图像层面完成图像拼接，拼接的结果生成道路的俯视投影图；

地图生成可视化模块，用于在俯视投影图上标注道路信息，标注完的道路信息和俯视投影图共同组成高精度地图的地图数据，将地图数据进行可视化编辑，生成高精度动态地图。

所述地图数据采集端包括：

图像数据采集模块，用于采集海量的地图原始道路图像数据；

路况数据采集模块，用于采集海量的地图原始道路路况数据。

所述图像数据采集模块为摄像头，所述路况数据采集模块包括GPS、温湿度传感器、积水传感器等。

所述摄像头为城市交通所用的安防监控摄像头和物联网智慧路灯杆上挂载的摄像头；GPS为当前智慧城市中的GPS基站，温湿度传感器、积水传感器为物联网智慧路灯杆上集成的温湿度传感器、积水传感器。

所述地图数据处理模块包括：

图像数据预处理单元，用于将地图原始道路图像数据进行图像校正、图像坐标变换、图像投影变换的预处理，预处理后相邻位置的图像数据采集模块采集的图像重叠区能够对齐；

道路特征提取单元，用于从地图原始道路图像数据中识别道路动态特征；根据现有导航地图进行精细化特征建模，得到道路静态特征；通过对地图原始道路路况数据做数据筛选验证，抽取对应的道路半静态特征和道路半动态特征；

道路特征设计单元，用于从内容上对所有道路特征进行分层设计，第一层为道路静态特征，第二层为道路半静态特征，第三层为道路半动态特征，第四层为道路动态特征；

多维道路信息融合拼接单元，用于将同一道路信息进行拼接，先在道路特征层面完成道路特征数据融合，最后将预处理后的图像在图像层面完成图像拼接，拼接的结果生成道路的俯视投影图。

所述道路特征提取单元包括：

动态特征提取子单元，用于利用深度学习、图像识别的相关AI技术建立一个深度学习道路动态特征识别模型，采用深度学习道路动态特征识别模型从地图原始道路图像数据中识别道路动态特征；

静态特征提取子单元，用于根据现有导航地图进行精细化特征建模，得到道路静态特征；

半静态特征提取子单元，用于通过对地图原始道路路况数据做数据筛选验证，抽取对应的道路半静态特征；

半动态特征提取子单元，用于通过对地图原始道路路况数据做数据筛选验证，抽取对应的道路半动态特征。

所述多维道路信息融合拼接单元包括：

道路特征融合拼接子单元，用于将提取的所有道路特征按照特征分层进行拼接，先拼接静态特征，最后融合动态特征；

图像拼接子单元，用于将预处理后的图像进行融合拼接成一张基础的俯视投影图。

所述地图生成可视化模块包括：

地理信息标注单元，用于在俯视投影图上标注道路信息，标注完的道路信息和俯视投影图共同组成高精度地图的地图数据；

地理信息校准验证单元，用于对标注完的道路信息进行校准验证；

地图生成单元，用于将地图数据进行可视化编辑，生成高精度动态地图。

如图2所示，地图数据采集端中的图像采集，所用的摄像头是城市交通所用的安防监控摄像头和智慧路灯杆上挂载的摄像头。随着智慧城市建设日趋成熟，摄像头的覆盖越来越密集，每个摄像头采集所在区域对应监控范围内的道路属性图像，上传到高精度地图生成服务端。如图4所示，采集道路图像的摄像头挂载在路灯杆、高架杆等路侧设施上。针对摄像头没法获取的其他道路路况属性如(温湿度、路面积水等数据)，通过物联网一体化灯杆上集成的温湿度传感器、积水传感器进行获取，物联网一体化灯杆上的传感设备终端可根据情况灵活选配，数据通过灯杆上配置的公共网关模块传输到高精度地图生成服务端。

道路特征设计单元，根据自动驾驶对高精度地图的需求，从内容上对道路特征进行建模设计，分层设计道路网络的特征。第一层为道路的静态特征，静态特征信息包含：道路线车道线的位置、交通信号和交通标志的位置；道路ID号、形状、坡度、宽度等基础信息。第二层为道路的半静态特征：交通规则信息(例如潮汐路段等)、道路施工信息、广泛地区天气信息(雨雪天气)等；第三层为道路特征的半动态信息：交通事故位置、交通拥堵位置、交通积水位置、道路坑洼位置、道路障碍物位置等；第四层道路特征为动态信息：行人、汽车、自行车、摩托车等目标当前坐标、运动轨迹。道路特征设计单元的结果是将设计的所有道路特征信息抽象为高精度地图中的数据实体和对象。道路特征设计采用的原则是不同自动驾驶级别对高精度地图内容和精度的需求，随着自动驾驶级别不断提升，道路特征需要不断细化和丰富。

图像数据预处理单元对上传的地图原始道路图像数据首先需要进行图像校正、图像坐标变换、图像投影变换等一系列的预处理；针对处理完后的同一坐标系下的图像数据，采用深度学习、图像识别等相关的AI技术提取道路动态特征，比如采用事先训练好的深度学习模型识别高精度地图中的动态道路特征(信号灯、行人、汽车、自行车、摩托车)。

多维道路信息融合拼接是针对高精度地图中同一道路信息进行拼接，先在道路特征层面完成道路特征数据融合分析，最后在图像层面完成图像拼接，拼接的结果生成道路的俯视图，最终通过道路属性的标注、道路特征数据库的可视化编辑生成高精度动态地图。

本发明提出的基于路侧传感器的高精度动态地图数据处理系统，整合了智慧路灯、路侧摄像头，通信基站等基础设施，能有效降低高精度地图的生成成本。本发明中的路侧传感数据处理、基于AI的道路特征提取分析、多维道路特征分析融合在服务端或云端，传感设备终端只需要负责数据的采集与上传数据给服务后台，因此对传感设备终端没有过多的存储计算资源要求，实现了整个地图生成方案的可行性。

如图3所示，本发明基于路侧传感器的高精度动态地图数据处理系统工作流程如下：

1)、路侧摄像头的覆盖。本发明用于采集路侧图像数据的摄像头安装部署在道路两侧的路灯杆上，随着城市的智慧化发展，市政道路两侧的路灯有关的基础设施建设越发完善，市政道路路灯间距离一般在30米左右。如图4所示，假定用于采集路侧图像的摄像头视角是θ度，路灯杆高为m米，摄像头可采集图像的范围米。通过计算，只要采集路侧图像的摄像头视角θ大于摄像头采集区域范围l则大于30米，基于路侧摄像头采集的道路数据就不会出现遗漏。

2)、针对道路特征稳定路段的摄像头数据可以按一定周期上传到服务端进行处理，针对道路特征复杂多变或交通主动安全需求级别高的路段(如十字路口)，需缩短上传图像到服务端的周期，确保获取的动态道路路段的特征数据准确有效。

3)、城市物联网一体化灯杆覆盖。物联网一体化灯杆可集成物联网充电桩、智能照明、监控摄像头、微型气象站、电子公告屏、报警按钮等功能，各部分以模块化方式集成，可根据情况灵活选配。本发明利用一体化灯杆上的传感设备采集道路状况数据、一体化灯杆上各传感设备数据通过灯杆上配置的公共网关模块传输到地图数据处理服务端，地图数据处理服务端可以通过统一的管理平台进行各部分远程控制、远程管理、数据采集、数据分析、消息发布、故障监测等。

4)、图像数据空间变换处理。由于城市路灯的部署是以不同的位置排列，故挂载在路灯杆上的摄像头部署和排列方式也不尽相同，没法保证所有采集道路图像数据的摄像头在同一个平面上，故需要对所有原始图像进行坐标变换和投影变换处理。处理后的相邻位置摄像头采集的图像重叠区能够对齐，对齐后的图像便于后面的道路特征提取拼接和地图图像融合拼接。

5)、道路特征实体设计。根据自动驾驶对高精度地图的内容和精度两方面需求，对所有的道路特征采用分层设计。第一层为道路的静态特征，静态特征信息包含：道路线车道线的位置、交通信号和交通标志位置、道路ID号、形状、坡度、宽度等基础信息。第二层为道路的半静态特征：交通规则信息(例如潮汐路段等)、道路施工信息、广泛地区天气信息(雨雪天气)等；第三层为道路特征的半动态信息：交通事故位置、交通拥堵位置、交通积水位置、道路坑洼位置、道路障碍物位置等；第四层道路特征为动态信息：行人、汽车、自行车、摩托车等目标当前坐标、运动轨迹。道路特征设计模块的结果是将设计的所有道路特征信息抽象为高精度地图中的数据实体和对象，如图4、图5所示。

6)、道路特征提取。第一层静态道路特征可以根据现有导航地图进行精细化特征建模，得到每个特征实体，最后采用适宜的数据结构存储在数据库的表中。第二、三层的道路特征可以通过对地图数据采集端上报的路况数据做简单预处理(数据筛选验证)，最终抽取对应的半静态和半动态特征。

7)、第四层的道路动态特征采用深度学习、图像识别的相关AI技术从地图图像数据中识别道路中的行人、汽车、自行车、摩托车。地图数据处理服务端首先针对一个大规模的包含行人、汽车、自行车、摩托车等对象类别的图像库进行深度学习训练，训练完建立一个能准确识别道路动态特征的模型。地图数据采集端上传当前道路图像时，可以快速有效地识别当前道路所包含的交通对象特征，将这些识别出来的动态道路特征更新到高精度地图第四层特征对应的数据库，则可以快速真实反馈当前的道路状况。

8)、道路特征提取完，所有特征以一个完整的数据实体形式存储在数据库中，该数据库支持道路特征增量更新。

9)、多维道路特征融合拼接。基于准确的道路特征数据库进行一系列操作，完成道路特征的融合拼接，道路特征的融合拼接将上述6)、7)中提取的所有道路特征按照特征分层进行拼接，先拼接静态特征，最后融合动态特征。

10)、将5)中图像空间变换后的路侧图融合拼接成一张基础的俯视投影图，最后在这张图像上标注道路信息，包括：道路边沿、车道线、路口点等，标注完的信息共同组成高精度地图的地图数据；

11)、将地图数据库中的数据进行可视化编辑，可观察到车道级高精度道路地图和道路动态特征，其中数据精度可达厘米级。地图数据库一旦有动态道路特征更新，可快速体现在可视化的地图上。

实施例2

如图5所示，本发明还一种基于路侧传感器的高精度动态地图数据处理方法，包括：

S1、采集海量的地图原始道路图像数据和地图原始道路路况数据；

S2、将地图原始道路图像数据进行图像校正、图像坐标变换、图像投影变换的预处理，预处理后相邻位置的图像数据采集模块采集的图像重叠区能够对齐；

S3、利用深度学习、图像识别的相关AI技术建立一个深度学习道路动态特征识别模型，采用深度学习道路动态特征识别模型从地图原始道路图像数据中识别道路动态特征；

根据现有导航地图进行精细化特征建模，得到道路静态特征；

通过对地图原始道路路况数据做数据筛选验证，抽取对应的道路半静态特征和道路半动态特征；

S4、从内容上对所有道路特征进行分层设计，第一层为道路静态特征，第二层为道路半静态特征，第三层为道路半动态特征，第四层为道路动态特征；

S5、将同一道路信息进行拼接，先在道路特征层面完成道路特征数据融合，最后将预处理后的图像在图像层面完成图像拼接，拼接的结果生成道路的俯视投影图；

S6、在俯视投影图上标注道路信息，标注完的道路信息和俯视投影图共同组成高精度地图的地图数据；

S7、对标注完的道路信息进行校准验证；

S8、将地图数据进行可视化编辑，生成高精度动态地图。

步骤S1中，采用摄像头采集海量的地图原始道路图像数据，采用GPS、温湿度传感器、积水传感器采集地图原始道路路况数据；

所述摄像头为城市交通所用的安防监控摄像头和物联网智慧路灯杆上挂载的摄像头；GPS为当前智慧城市中的GPS基站，温湿度传感器、积水传感器为物联网智慧路灯杆上集成的温湿度传感器、积水传感器。

与现有技术相比，本发明的有益效果如下：

1)、本发明采集路侧图像的摄像头部署在路侧基础设施上(路灯杆、高架杆)，比车载摄像头采集的地图数据更具有实时有效性；

2)、本发明通过物联网一体化灯杆挂载的多种传感器终端设备，可实时采集高精度地图的多维动态信息(路面积水、湿度、天气、街道标志等)，这些信息只需要后台进行简单地验证处理，就可以发布到高精度地图的应用平台，实时服务于智能交通领域；

3)、本发明中的地图数据采集充分利用了当前智慧城市的基础设施(智慧路灯、路侧摄像头、GPS基站)，通过共享智慧城市的路侧传感器方式，以及地图数据的自动采集上传方式，能从多方面降低高精度地图的生成成本；

4)、本发明通过对道路特征分层设计、特征分层融合拼接、以及支持增量更新的数据格式存储，可实现高精度动态地图的快速更新。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于路侧传感器的高精度动态地图数据处理系统，其特征在于，包括：

地图数据采集端，用于为高精度地图生成服务端提供海量、多元化的地图道路原始数据；

高精度地图生成服务端，用于根据地图数据采集端提供的海量、多元化的地图道路原始数据生成高精度动态地图；

所述高精度地图生成服务端包括：

地图数据处理模块，用于将地图道路原始数据进行道路特征提取，对所有的道路特征采用分层设计，将同一道路信息进行拼接，先在道路特征层面完成道路特征数据融合，最后在图像层面完成图像拼接，拼接的结果生成道路的俯视投影图；

地图生成可视化模块，用于在俯视投影图上标注道路信息，标注完的道路信息和俯视投影图共同组成高精度地图的地图数据，将地图数据进行可视化编辑，生成高精度动态地图；

所述地图数据处理模块包括：

图像数据预处理单元，用于将地图原始道路图像数据进行图像校正、图像坐标变换、图像投影变换的预处理，预处理后相邻位置的图像数据采集模块采集的图像重叠区能够对齐；

道路特征提取单元，用于从地图原始道路图像数据中识别道路动态特征；根据现有导航地图进行精细化特征建模，得到道路静态特征；通过对地图原始道路路况数据做数据筛选验证，抽取对应的道路半静态特征和道路半动态特征；

道路特征设计单元，用于从内容上对所有道路特征进行分层设计，第一层为道路静态特征，第二层为道路半静态特征，第三层为道路半动态特征，第四层为道路动态特征；

多维道路信息融合拼接单元，用于将同一道路信息进行拼接，先在道路特征层面完成道路特征数据融合，最后将预处理后的图像在图像层面完成图像拼接，拼接的结果生成道路的俯视投影图；

所述道路特征提取单元包括：

动态特征提取子单元，用于利用深度学习、图像识别的相关AI技术建立一个深度学习道路动态特征识别模型，采用深度学习道路动态特征识别模型从地图原始道路图像数据中识别道路动态特征；

静态特征提取子单元，用于根据现有导航地图进行精细化特征建模，得到道路静态特征；

半静态特征提取子单元，用于通过对地图原始道路路况数据做数据筛选验证，抽取对应的道路半静态特征；

半动态特征提取子单元，用于通过对地图原始道路路况数据做数据筛选验证，抽取对应的道路半动态特征。

2.根据权利要求1所述的基于路侧传感器的高精度动态地图数据处理系统，其特征在于，所述地图数据采集端包括：

图像数据采集模块，用于采集海量的地图原始道路图像数据；

路况数据采集模块，用于采集海量的地图原始道路路况数据。

3.根据权利要求1所述的基于路侧传感器的高精度动态地图数据处理系统，其特征在于，所述多维道路信息融合拼接单元包括：

道路特征融合拼接子单元，用于将提取的所有道路特征按照特征分层进行拼接，先拼接静态特征，最后融合动态特征；

图像拼接子单元，用于将预处理后的图像进行融合拼接成一张基础的俯视投影图。

4.根据权利要求1所述的基于路侧传感器的高精度动态地图数据处理系统，其特征在于，所述地图生成可视化模块包括：

地理信息标注单元，用于在俯视投影图上标注道路信息，标注完的道路信息和俯视投影图共同组成高精度地图的地图数据；

地理信息校准验证单元，用于对标注完的道路信息进行校准验证；

地图生成单元，用于将地图数据进行可视化编辑，生成高精度动态地图。

5.根据权利要求2所述的基于路侧传感器的高精度动态地图数据处理系统，其特征在于，所述图像数据采集模块为摄像头，所述路况数据采集模块包括GPS、温湿度传感器、积水传感器。

6.根据权利要求5所述的基于路侧传感器的高精度动态地图数据处理系统，其特征在于，所述摄像头为城市交通所用的安防监控摄像头和物联网智慧路灯杆上挂载的摄像头；GPS为当前智慧城市中的GPS基站，温湿度传感器、积水传感器为物联网智慧路灯杆上集成的温湿度传感器、积水传感器；地图原始道路图像数据和地图原始道路路况数据通过物联网智慧路灯杆上配置的公共网关模块传输到高精度地图生成服务端。

7.一种基于路侧传感器的高精度动态地图数据处理方法，其特征在于，包括：

S1、采集海量的地图原始道路图像数据和地图原始道路路况数据；

S2、将地图原始道路图像数据进行图像校正、图像坐标变换、图像投影变换的预处理，预处理后相邻位置的图像数据采集模块采集的图像重叠区能够对齐；

S3、利用深度学习、图像识别的相关AI技术建立一个深度学习道路动态特征识别模型，采用深度学习道路动态特征识别模型从地图原始道路图像数据中识别道路动态特征；

根据现有导航地图进行精细化特征建模，得到道路静态特征；

通过对地图原始道路路况数据做数据筛选验证，抽取对应的道路半静态特征和道路半动态特征；

S4、从内容上对所有道路特征进行分层设计，第一层为道路静态特征，第二层为道路半静态特征，第三层为道路半动态特征，第四层为道路动态特征；

S5、将同一道路信息进行拼接，先在道路特征层面完成道路特征数据融合，最后将预处理后的图像在图像层面完成图像拼接，拼接的结果生成道路的俯视投影图；

S6、在俯视投影图上标注道路信息，标注完的道路信息和俯视投影图共同组成高精度地图的地图数据；

S7、对标注完的道路信息进行校准验证；

S8、将地图数据进行可视化编辑，生成高精度动态地图。

8.根据权利要求7所述的基于路侧传感器的高精度动态地图数据处理方法，其特征在于，步骤S1中，采用摄像头采集海量的地图原始道路图像数据，采用GPS、温湿度传感器、积水传感器采集地图原始道路路况数据；

所述摄像头为城市交通所用的安防监控摄像头和物联网智慧路灯杆上挂载的摄像头；GPS为当前智慧城市中的GPS基站，温湿度传感器、积水传感器为物联网智慧路灯杆上集成的温湿度传感器、积水传感器；地图原始道路图像数据和地图原始道路路况数据通过物联网智慧路灯杆上配置的公共网关模块传输到高精度地图生成服务端。