CN111611955B - 可通行施工道路的识别方法、装置、设备及存储介质 - Google Patents
可通行施工道路的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111611955B CN111611955B CN202010466009.7A CN202010466009A CN111611955B CN 111611955 B CN111611955 B CN 111611955B CN 202010466009 A CN202010466009 A CN 202010466009A CN 111611955 B CN111611955 B CN 111611955B
- Authority
- CN
- China
- Prior art keywords
- road
- construction
- directed
- road section
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 367
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000002159 abnormal effect Effects 0.000 claims abstract description 110
- 238000012545 processing Methods 0.000 claims description 97
- 238000001914 filtration Methods 0.000 claims description 53
- 230000008859 change Effects 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 235000015243 ice cream Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了可通行施工道路的识别方法、装置、设备及存储介质，涉及智能交通领域。具体实现方案为：通过获取道路路网中的至少一个异常有向路段的图像数据，其次根据每个异常有向路段的图像数据确定出至少一条施工道路，然后根据每条施工道路中的每个施工有向路段的第一车行轨迹特征，确定出至少一条可通行施工道路。本申请实施例中，通过结合有向路段的车行轨迹特征和图像数据的方式，可以提高道路路网中可通行施工道路的识别效率。
Description
技术领域
本申请实施例涉及数据处理技术领域中的智能交通，尤其涉及一种可通行施工道路的识别方法、装置、设备及存储介质。
背景技术
通常情况下，道路施工场景，主要分为两类：一、道路完全封闭的道路施工场景；二、可通行道路施工场景(例如，半幅施工、部分车道施工、或者临时改道等)。
对于完全封闭的道路施工场景，通行性信息变化不太频繁，通常导航规划时对于完全封闭道路予以规避。而对于第二种情形，通行性信息变化频繁，现有技术中通过用户生成内容(User Generated Content，UGC)反馈或者道路图像采集车采集的方式来获取可通行施工道路的变化。但现有技术的获取方式时效性较差，导致无法及时地获知可通行施工道路的变化。
发明内容
本申请提供了一种识别效率更高的可通行施工道路的识别方法、装置、设备及存储介质。
根据本申请的一方面，提供了一种可通行施工道路的识别方法，包括：
确定道路路网中的至少一个异常有向路段；
获取每个所述异常有向路段的图像数据，并对每个所述异常有向路段的图像数据进行图像处理，得到至少一条施工道路；其中，每条所述施工道路包括：至少一个施工有向路段；
根据每条所述施工道路中的每个施工有向路段的第一车行轨迹特征以及预设识别条件，确定出至少一条可通行施工道路；其中，所述预设识别条件用于指示可通行施工道路对应的轨迹特征信息。
可以看出，与现有技术不同的是，本申请实施例中，通过获取道路路网中的至少一个异常有向路段的图像数据，其次根据每个异常有向路段的图像数据确定出至少一条施工道路，然后根据每条施工道路中的每个施工有向路段的第一车行轨迹特征，确定出至少一条可通行施工道路。可见，相对于现有技术中通过UGC反馈或者道路图像采集车采集的方式，本申请实施例中，通过结合有向路段的车行轨迹特征和图像数据的方式，可以提高道路路网中可通行施工道路的识别效率。
根据本申请的另一方面，提供了一种可通行施工道路的识别装置，包括：
第一确定模块，用于确定道路路网中的至少一个异常有向路段；
图像处理模块，用于获取每个所述异常有向路段的图像数据，并对每个所述异常有向路段的图像数据进行图像处理，得到至少一条施工道路；其中，每条所述施工道路包括：至少一个施工有向路段；
第二确定模块，用于根据每条所述施工道路中的每个施工有向路段的第一车行轨迹特征以及预设识别条件，确定出至少一条可通行施工道路；其中，所述预设识别条件用于指示可通行施工道路对应的轨迹特征信息。
根据本申请的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面所述的方法。
根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述第一方面所述的方法。
根据本申请的技术，通过获取道路路网中的至少一个异常有向路段的图像数据，其次根据获取到的至少一个异常有向路段的图像数据进行图像处理，确定出至少一条施工道路；然后根据每条施工道路中的每个施工有向路段的第一车行轨迹特征以及用于指示可通行施工道路对应的轨迹特征信息的预设识别条件，确定出至少一条可通行施工道路。本申请实施例中，通过结合有向路段的车行轨迹特征和图像数据的方式，可以提高道路路网中可通行施工道路的识别效率，以便于后续可以结合确定出的可通行施工道路为终端规划更加合理的导航路线，从而提高了用户导航体验。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例提供的应用场景示意图；
图2为本申请一实施例提供的可通行施工道路的识别方法的流程示意图；
图3为本申请另一实施例提供的可通行施工道路的识别方法的流程示意图；
图4为本申请另一实施例提供的可通行施工道路的识别方法的流程示意图；
图5为语义分割处理之前的原始图像；
图6为语义分割处理之后的语义分割图像；
图7为本申请实施例提供的图像预处理的示意图；
图8为本申请另一实施例提供的可通行施工道路的识别方法的流程示意图；
图9为本申请另一实施例提供的可通行施工道路的识别方法的流程示意图；
图10为本申请实施例提供的可通行施工道路的识别装置的结构示意图；
图11是用来实现本申请实施例的可通行施工道路的识别方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
首先，对本申请实施例的应用场景和所涉及的部分词汇进行解释说明。
通常情况下，道路施工场景，主要分为两类：一、道路完全封闭的道路施工场景；二、可通行道路施工场景(例如，半幅施工、部分车道施工、或者临时改道等)。
对于完全封闭的道路施工场景，通行性信息变化不太频繁，通常导航规划时对于完全封闭道路予以规避。而对于第二种情形，通行性信息变化频繁，现有技术中通过用户生成内容(User Generated Content，UGC)反馈或者道路图像采集车采集的方式来获取可通行施工道路的变化。
但现有技术的获取方式时效性较差，导致无法及时地获知可通行施工道路的变化(例如，某些道路从封闭施工道路变为可通行施工道路，或者从其它情况变为可通行施工道路等情况)，使得在为用户导航时无法为用户规划合理的路线(例如容易规划一些比较绕路的导航路线)，容易造成用户导航体验较差。
针对现有技术的获取方式时效性较差的问题，本申请实施例提供的可通行施工道路的识别方法、装置、设备及存储介质，通过获取道路路网中的至少一个异常有向路段的图像数据，其次根据每个异常有向路段的图像数据确定出至少一条施工道路，然后根据每条施工道路中的每个施工有向路段的第一车行轨迹特征，确定出至少一条可通行施工道路。可见，相对于现有技术中通过UGC反馈或者道路图像采集车采集的方式，本申请实施例中，通过结合有向路段的车行轨迹特征和图像数据的方式，可以提高道路路网中可通行施工道路的识别效率，以便于后续可以结合确定出的可通行施工道路为终端规划更加合理的导航路线，从而提高了用户导航体验。
图1为本申请实施例提供的应用场景示意图。如图1所示，本申请实施例的应用场景中可以包括但不限于：至少一个终端10(需要说明的是，图1中以3个终端10为例进行示出的)以及电子设备11。需要说明的是，本申请实施例提供的可通行施工道路的识别方法可以应用于电子设备11。
示例性地，任意终端10可以用于向电子设备11发送终端10对应的车行轨迹信息，还可以向电子设备11发送导航请求；当然，还可以向电子设备11发送其它信息，本申请实施例中对此并不作限定。
示例性地，电子设备11可以用于每隔预设时长获取道路路网中的至少一个异常有向路段的图像数据，其次根据每个异常有向路段的图像数据确定出至少一条施工道路，然后根据每条施工道路中的每个施工有向路段的第一车行轨迹特征，确定出至少一条可通行施工道路，以便于在接收到任意终端10发送的导航请求时，会结合确定出的至少一条可通行施工道路为终端10规划导航路线，从而可以为终端10规划更加合理的导航路线，可以避免一些不必要的绕路。
另外，电子设备11还可以用于在检测到车辆驶入任意可通行施工道路之前，向车辆内的终端发送提示信息，以便于驾驶员可以预先获知道路情况。
示例性地，本申请实施例中涉及的终端10可以包括但不限于以下任一项：智能手机、平板电脑、车载终端设备、可穿戴智能设备。
示例性地，本申请实施例中涉及的电子设备11可以包括但不限于服务器(例如地图服务器)。
本申请实施例中涉及的任意车行轨迹信息用于指示对应车辆的多个移动轨迹点的信息。示例性地，任意移动轨迹点的信息可以包括但不限于：车辆的位置信息和对应的时间信息。
例如，若车行轨迹信息以轨迹点序列形式存在，则车行轨迹信息可以包括：(x1,y1,t1),(x2,y2,t2),…,(xn,yn,tn)；其中，x1代表在时间t1时车辆所处位置的经度信息，y1代表在时间t1时车辆所处位置的纬度信息，x2代表在时间t2时车辆所处位置的经度信息，y2代表在时间t2时车辆所处位置的纬度信息，xn代表在时间tn时车辆所处位置的经度信息，yn代表在时间tn时车辆所处位置的纬度信息。
本申请实施例中，电子设备可以结合道路路网的结构信息(可以包括但不限于：各有向路段信息和各节点信息)可以将任意车行轨迹信息转换为对应的车行轨迹有向路段信息。其中，任意车行轨迹有向路段信息可以用于指示对应车辆的多个移动轨迹点的信息所对应的有向路段信息。
示例性地，任意车行轨迹有向路段信息可以包括但不限于：对应车辆的至少一个位置信息、每个位置信息对应的时间信息和电子地图道路路网中的有向路段信息。
例如，若车行轨迹路段信息以有向路段序列形式存在，则车行轨迹有向路段信息可以包括：(x1,y1,t1，link1),(x2,y2,t2，link2),…,(xn,yn,tn，linkn)；其中，link1代表在时间t1时车辆所处位置对应的有向路段，link2代表在时间t2时车辆所处位置对应的有向路段，linkn代表在时间tn时车辆所处位置对应的有向路段。
本申请实施例中涉及的任意有向路段的车行轨迹特征(例如第一车行轨迹特征或者第二车行轨迹特征)用于指示该有向路段在预设统计时段内的车行轨迹信息的特征。应理解，任意有向路段的第一车行轨迹特征与第二车行轨迹特征用于指示该有向路段在预设统计时段内的不同车行轨迹信息的特征。
需要说明的是，第一车行轨迹特征，和/或，第二车行轨迹特征中涉及的各预设统计时段可以为相同的时段，也可以为不同的时段，本申请实施例中对此并不作限定。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为本申请一实施例提供的可通行施工道路的识别方法的流程示意图。本申请实施例的执行主体可以为上述电子设备，或者上述电子设备中的可通行施工道路的识别装置(需要说的是，本申请下述实施例中以执行主体为上述电子设备为例进行介绍)。示例性地，上述可通行施工道路的识别装置可以通过软件和/或硬件实现。
如图2所示，本申请实施例提供的可通行施工道路的识别方法可以包括：
步骤S201、确定道路路网中的至少一个异常有向路段。
本步骤中，电子设备可以实时地确定道路路网中的至少一个异常有向路段、或者可以每隔预设时长确定道路路网中的至少一个异常有向路段，或者也可以在接收到获取指令时确定道路路网中的至少一个异常有向路段，以便于从获取到的至少一个异常有向路段中确定出可通行施工有向路段；其中，异常有向路段是指可通行性(或者可通行能力)发生异常的有向路段。
步骤S201、获取每个异常有向路段的图像数据，并对每个异常有向路段的图像数据进行图像处理，得到至少一条施工道路；其中，每条施工道路包括：至少一个施工有向路段。
本步骤中，电子设备可以获取每个异常有向路段在当前时段的图像数据。应理解，电子设备可以通过道路图像采集车获取到异常有向路段的图像数据，或者也可以通过车辆上的图像采集设备获取到异常有向路段的图像数据，或者也可以通过道路上的图像采集设备获取到异常有向路段的图像数据；当然，电子设备还可以通过其它方式，获取到异常有向路段的图像数据，本申请实施例中对此并不作限定。
进一步地，电子设备对每个异常有向路段的图像数据进行图像处理(例如，语义分割处理、图像过滤处理、障碍物识别处理，和/或图像聚类处理等)，从而确定出至少一条施工道路(或者称之为道路施工区域)；其中，每条施工道路包括：至少一个施工有向路段。
步骤S203、根据每条施工道路中的每个施工有向路段的第一车行轨迹特征以及预设识别条件，确定出至少一条可通行施工道路。
本申请实施例中，电子设备中可以预置有预设识别条件，其中，预设识别条件用于指示可通行施工道路对应的轨迹特征信息。
示例性地，预设识别条件可以包括但不限于：预设识别条件1、预设识别条件2，和/或预设识别条件3。
其中，预设识别条件1用于指示以下至少一项信息：在预设统计时段内车行轨迹的速度变化差值超过预设速度值(例如，10km/s)、在预设统计时段内车行轨迹的中心线变化差值超过第一预设距离(例如，3米)、在预设统计时段内车行轨迹的中心线拟合的正态分布曲线的预设倍数(例如，2倍)标准差的宽度变化差值超过第二预设距离(例如，3米)、在预设统计时段内车行轨迹的中心线与道路路网之间的偏差大于路网宽度。
其中，预设识别条件2用于指示以下至少一项信息：在预设统计时段内车行轨迹的中心线与道路路网之间的偏差大于第三预设距离(例如，10米)、车行轨迹的中心线偏移预设统计时段(例如，30天)内的相对变化差值超过第四预设距离(例如，2.5米)、在预设统计时段内车行轨迹的中心线拟合的正态分布曲线的预设倍数(例如，2倍)标准差的宽度变化差值超过第四预设距离(例如，2.5米)。
其中，预设识别条件3用于指示以下至少一项信息：在预设统计时段(例如，30天)内车行轨迹的中心线变化差值超过第五预设距离(例如，4米)、在预设统计时段内车行轨迹的中心线与道路路网之间的偏差超过第五预设距离(例如，4米)。
需要说明的是，上述预设识别条件1、预设识别条件2，和/或，预设识别条件3中涉及的各预设统计时段可以为相同的时段，也可以为不同的时段，本申请实施例中对此并不作限定。
应理解，预设识别条件1、预设识别条件2和预设识别条件3还可以用于指示其它信息，本申请实施例中对此并不作限定。
本申请实施例中涉及的任意施工有向路段的第一车行轨迹特征可以包括但不限于：与上述预设识别条件所指示的轨迹特征信息对应的车行轨迹特征。例如，任意施工有向路段的第一车行轨迹特征可以包括但不限于以下至少一项：在预设统计时段内车行轨迹的速度变化差值、在预设统计时段内车行轨迹的中心线变化差值、在预设统计时段内车行轨迹的中心线拟合的正态分布曲线的预设倍数(例如，2倍)标准差的宽度变化差值、在预设统计时段内车行轨迹的中心线与道路路网之间的偏差、车行轨迹的中心线偏移预设统计时段(例如，30天)内的相对变化差值。
需要说明的是，上述第一车行轨迹特征中涉及的各预设统计时段可以为相同的时段，也可以为不同的时段，本申请实施例中对此并不作限定。
需要说明的是，电子设备可以根据每条施工道路中的每个施工有向路段在预设统计时段内的车行轨迹信息，分别确定出每条施工道路中的每个施工有向路段的第一车行轨迹特征。
本步骤中，电子设备可以通过判断每条施工道路中的每个施工有向路段的第一车行轨迹特征是否满足预设识别条件的方式，确定出至少一条可通行施工道路；其中，每条可通行施工道路包括：至少一个可通行施工有向路段。
综上所述，本申请实施例中，通过获取道路路网中的至少一个异常有向路段的图像数据，其次根据获取到的至少一个异常有向路段的图像数据进行图像处理，确定出至少一条施工道路；然后根据每条施工道路中的每个施工有向路段的第一车行轨迹特征以及用于指示可通行施工道路对应的轨迹特征信息的预设识别条件，确定出至少一条可通行施工道路。可见，本申请实施例中，通过结合有向路段的车行轨迹特征和图像数据的方式，可以提高道路路网中可通行施工道路的识别效率，以便于后续可以结合确定出的可通行施工道路为终端规划更加合理的导航路线，从而提高了用户导航体验。
图3为本申请另一实施例提供的可通行施工道路的识别方法的流程示意图。在上述实施例的基础上，本申请实施例对上述步骤S203中根据每条施工道路中的每个施工有向路段的第一车行轨迹特征以及预设识别条件，确定出至少一条可通行施工道路的可实现方式进行介绍。如图3所示，本申请实施例的方法可以包括：
步骤S301、针对任意施工道路，根据上述施工道路中的每个施工有向路段的第一车行轨迹特征以及预设识别条件，判断上述施工道路是否属于可通行施工道路。
本步骤中，针对任意施工道路，电子设备可以通过判断上述施工道路中的每个施工有向路段的第一车行轨迹特征是否满足预设识别条件的方式，来判断上述施工道路是否属于可通行施工道路；其中，上述预设识别条件可以包括但不限于：上述预设识别条件1、上述预设识别条件2，和/或上述预设识别条件3。
本申请实施例中涉及的任意施工有向路段的第一车行轨迹特征可以包括但不限于：与上述预设识别条件所指示的轨迹特征信息对应的车行轨迹特征。
需要说明的是，针对任意施工道路的任意施工有向路段，若上述施工有向路段的第一车行轨迹特征中的任意轨迹特征满足任意上述预设识别条件(例如，上述预设识别条件1、预设识别条件2，和/或预设识别条件3)中的任意一项，则电子设备可以认为上述施工道路的上述施工有向路段满足预设识别条件。
例如，若施工道路1的施工有向路段1的第一车行轨迹特征中关于在预设统计时段内车行轨迹的速度变化超过第一预设距离，则电子设备可以认为施工道路1的施工有向路段1的第一车行轨迹特征满足上述预设识别条件1。
步骤S302、若上述施工道路中满足预设识别条件的施工有向路段的数量占比大于预设占比，则确定上述施工道路属于可通行施工道路。
本步骤中，针对任意施工道路，若上述施工道路中满足预设识别条件的施工有向路段的数量占比大于预设占比(例如，30％)，则电子设备可以确定上述施工道路属于可通行施工道路。
例如，假设一条施工道路包括100个施工有向路段，且上述100个施工有向路段中的50个施工有向路段满足预设识别条件(即上述施工道路中满足预设识别条件的施工有向路段的数量占比为50％)，则电子设备可以确定上述施工道路属于可通行施工道路。
综上所述，本申请实施例中，通过判断每个施工道路中的每个施工有向路段的第一车行轨迹特征是否满足预设识别条件的方式，来判断每个施工道路是否属于可通行施工道路，从而可以准确地确定出至少一条可通行施工道路。
图4为本申请另一实施例提供的可通行施工道路的识别方法的流程示意图。在上述实施例的基础上，本申请实施例对上述步骤S202中对每个异常有向路段的图像数据进行图像处理，得到至少一条施工道路的可实现方式进行介绍。如图4所示，本申请实施例的方法可以包括：
步骤S401、对每个异常有向路段的图像数据进行图像过滤处理以及障碍物识别处理，得到包含道路施工要素的至少一个施工有向路段的图像信息。
本申请实施例中涉及的道路施工要素可以包括但不限于以下至少一项：挡板(或者围挡)、围栏、隔离柱、隔离物(例如，注水隔离物和/或注沙隔离物)、锥形雪糕筒；当然，道路施工要素还可以包括其它种类的障碍物，本申请实施例中对此并不作限定。
本步骤中，为了提高障碍物识别处理和图像聚类处理的速率，电子设备对每个异常有向路段的图像数据进行图像过滤处理，用于过滤掉非施工道路的图像数据。其次，电子设备可以对图像过滤处理后剩余的各异常有向路段的图像数据进行障碍物识别处理，从而得到包含道路施工要素的至少一个施工有向路段的图像信息。
示例性地，任意施工有向路段的图像信息可以包括但不限于以下至少一项：上述施工有向路段的图像数据、图像数据的标识、图像数据对应的位置坐标、图像数据对应的有向路段的标识。
本申请下述实施例分别对图像过滤处理和障碍物识别处理进行介绍。
1)图像过滤处理
可选地，电子设备可以根据第一预设过滤条件对每个异常有向路段的图像数据进行图像过滤处理；其中，第一预设过滤条件用于指示待过滤的图像数据(例如非施工道路的图像数据)所包含的图像内容(或者称之为图像要素)。
示例性地，第一预设过滤条件用于指示以下至少一项信息：
护栏或者栅栏的相连占比大于第一预设阈值(例如，10％)、路面的相连占比小于第二预设阈值(例如，0.5％)、路沿的相连占比大于第三预设阈值(例如，5％)且路面的相连占比与路沿的相连占比的差值小于第四预设阈值(例如，0.15％)、轮廓面积(或者称之为待识别区域的图像面积)与轮廓对应的最小凸包面积的比值大于第五预设阈值(例如，40％)。
本申请实施例中，电子设备中可以根据上述第一预设过滤条件对每个异常有向路段的图像数据进行图像过滤处理，以过滤掉非施工道路的图像数据，从而有利于节省计算资源以及提高可通行施工道路的识别效率。
应理解，针对任意异常有向路段的图像数据，电子设备可以滤掉上述异常有向路段的图像数据中所包括的上述第一预设过滤条件所指示的图像内容。
需要说明的是，针对任意异常有向路段的图像数据，若上述异常有向路段的图像数据中关于上述第一预设过滤条件所指示的图像内容滤除掉之后还有剩余图像内容(或者称之为图像要素)，则还需要对上述异常有向路段的图像数据进行障碍物识别处理；若上述异常有向路段的图像数据中关于上述第一预设过滤条件所指示的图像内容滤除掉之后没有剩余图像内容(或者称之为图像要素)，则无需对上述异常有向路段的图像数据进行障碍物识别处理。
为了提高图像过滤处理的效率，电子设备在对每个异常有向路段的图像数据进行图像过滤处理之前，可以先对每个异常有向路段的图像数据进行语义分割处理得到每个异常有向路段的语义分割图像数据，用于识别出每个异常有向路段的图像数据中的路面、路沿、护栏、障碍物等图像要素，从而非常有利于后续的图像过滤处理。
应理解，电子设备对每个异常有向路段的语义分割图像数据进行上述图像过滤处理，具体处理方式可以参考上述图像过滤处理中的相关内容，此处不再赘述。
可选地，电子设备可以通过语义分割模型(例如，DeepLabV3+)、图像级联网络(Image Cascade Network，ICNet)、或者基于掩码区域的卷积神经网络Mask Region-basedConvolutional Neural Network，Mask R-CNN)等方式，对图像数据的图像要素进行分类。
图5为语义分割处理之前的原始图像，图6为语义分割处理之后的语义分割图像，如图5和图6所示，电子设备通过对原始图像数据进行语义分割处理之后，可以得到原始图像数据中的路面、路沿、护栏、障碍物等图像要素。
2)障碍物识别处理
本申请实施例中，电子设备中可以预置有用于识别图像数据中的道路施工要素的障碍物识别模型。示例性地，电子设备可以预先从其它设备处获取到训练好的障碍物识别模型，或者电子设备可以在步骤S202之前根据多个训练样本对深度学习分类模型或者其它分类模型进行参数训练得到障碍物识别模型；其中，每个训练样本包括：图像样本数据以及标注的障碍物类型(或者称之为道路施工要素的类型)。例如，深度学习分类模型可以包括但不限于以下任一项：残差网络(Residual Networks,ResNets)、Alex网络(Alex Net,AlexNet)、视觉几何组网络(Visual Geometry Group Net,VGG)。
需要说明的是，用于训练障碍物识别模型的多个训练样本可以包括：对原始图像数据进行图像预处理(例如，旋转处理和/或裁剪处理等)所得到的原始图像样本数据，以及对原始图像样本数据进行泛化处理(例如，增加随机角度、增加随机裁剪、增加水平随机翻转，和/或，增加颜色随机增强等)所得到的扩展图像样本数据。其中，增加颜色随机增强可以包括但不限于以下至少一项：亮度随机调整、饱和度随机调整、色度随机调整、对比度随机调整。
图7为本申请实施例提供的图像预处理的示意图，如图7所示，矩形框内的不规则框中的要素为锥形雪糕筒。在图像预处理时，电子设备获取不规则框的最小外接矩形(即图7中的矩形框)以及最小外接矩形的宽(counter_w)、高(counter_h)和水平倾斜角度(angle)；其次，电子设备可以将最小外接矩形旋转至水平；然后，电子设备可以进行裁剪处理。
例如，电子设备可以通过以下代码方式进行裁剪处理：
“if counter_w*counter_h<x*x(例如，x为224):
counter_w＝max([x,counter_w])
counter_h＝max([x,counter_h])
else:
counter_w+＝y(例如，y为45)
counter_h+＝y”
需要说明的是，电子设备还可以通过其它方式进行裁剪处理，本申请实施例中对此并不作限定。
可选地，电子设备可以根据用于识别图像数据中的道路施工要素的障碍物识别模型对上述图像过滤处理后得到的各异常有向路段的图像数据进行障碍物识别处理，得到包含道路施工要素的至少一个施工有向路段的图像信息。
应理解，针对任意异常有向路段的图像数据，电子设备可以将上述异常有向路段的图像数据中经图像过滤处理后剩余的图像内容的相关像素点信息分别输入障碍物识别模型，便可识别出上述异常有向路段的图像数据中是否包含道路施工要素。
若上述异常有向路段的图像数据中识别出道路施工要素，则电子设备可以确定上述异常有向路段为施工有向路段，从而得到包含道路施工要素的一个施工有向路段的图像信息；若上述异常有向路段的图像数据中未识别出道路施工要素，则电子设备可以确定上述异常有向路段不是施工有向路段。
步骤S402、对上述至少一个施工有向路段的图像信息进行图像聚类处理，得到至少一个图像信息集合。
本步骤中，为了滤掉单独某个点的施工道路情形，电子设备通过对上述至少一个施工有向路段的图像信息进行图像聚类处理，用于将属于同一条施工道路的各施工有向路段的图像信息划分到同一个图像信息集合，从而得到至少一个图像信息集合；其中，每个图像信息集合中包括：属于同一条施工道路的各施工有向路段的图像信息。
一种可能的实现方式中，电子设备可以通过道路路网中有向路段的连通性，对上述至少一个施工有向路段的图像信息进行图像聚类处理。
本实现方式中，针对任意施工有向路段，电子设备可以通过道路路网中有向路段的连通性将与上述施工有向路段属于相同的两个分支节点之间的各施工有向路段的图像信息划分到同一个图像信息集合。
例如，假设通过道路路网中有向路段的连通性获知道路路网中的分支节点1与分支节点2之间包括：施工有向路段1、施工有向路段2、施工有向路段3和施工有向路段4，则电子设备可以将上述施工有向路段1、施工有向路段2、施工有向路段3和施工有向路段4的图像信息划分到同一个图像信息集合，从而得到一个图像信息集合。应理解，上述施工有向路段1、施工有向路段2、施工有向路段3和施工有向路段4所组成的道路便可以为一条施工道路。
另一种可能的实现方式中，电子设备可以通过基于密度的噪声应用空间聚类(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)方法对上述至少一个施工有向路段的图像信息进行图像聚类处理。
本实现方式中，电子设备可以按照预设最小聚类点数(例如，3个)和预设聚类半径(例如，10米)，采用DBSCAN方法对上述至少一个施工有向路段的图像信息进行图像聚类处理，便可以得到至少一个图像信息集合。
另一种可能的实现方式中，电子设备可以结合道路路网中有向路段的连通性和DBSCAN方法对上述至少一个施工有向路段的图像信息进行图像聚类处理。
本实现方式中，电子设备可以通过道路路网中有向路段的连通性，对上述至少一个施工有向路段的图像信息进行图像聚类处理，得到至少一个第一图像信息集合，其中，每个第一图像信息集合中包括：属于同一条第一施工道路的各施工有向路段的图像信息。另一方面，电子设备可以通过DBSCAN方法对上述至少一个施工有向路段的图像信息进行图像聚类处理，得到至少一个第二图像信息集合，其中，每个第二图像信息集合中包括：属于同一条第二施工道路的各施工有向路段的图像信息。然后，电子设备可以根据预设融合距离(例如，20米)对通过上述两种聚类处理所得到的图像信息集合进行融合处理，得到至少一个第三图像信息集合，其中，每个第三图像信息集合中包括：属于同一条第三施工道路的各施工有向路段的图像信息。
例如，针对任意第一图像信息集合，电子设备可以将预设融合距离(例如，20米)内与上述第一图像信息集合所对应的第一施工道路相交的各第二施工道路对应的第二图像信息集合以及上述第一图像信息集合合并为同一个图像信息集合，从而得到一个第三图像信息集合。
当然，电子设备还可以通过其它图像聚类方式，本申请实施例中对此并不作限定。
步骤S403、根据上述至少一个图像信息集合，确定至少一条施工道路。
本步骤中，由于任意图像信息集合中包括：属于同一条施工道路的各施工有向路段的图像信息，从而电子设备根据上述图像信息集合中所包括的各施工有向路段的图像信息，便可以确定出上述各施工有向路段所属的施工道路，或者说上述图像信息集合所对应的施工道路。
例如，假设任意图像信息集合中包括：施工有向路段1的图像信息、施工有向路段2的图像信息、施工有向路段3的图像信息和施工有向路段4的图像信息，电子设备可以根据上述施工有向路段1的图像信息、施工有向路段2的图像信息、施工有向路段3的图像信息和施工有向路段4的图像信息，便可以确定出上述施工有向路段1、施工有向路段2、施工有向路段3和施工有向路段4所组成的施工道路，或者说所属的施工道路。
综上所述，本申请实施例中，通过对各异常有向路段的图像数据进行图像过滤处理、障碍物识别处理以及图像聚类处理的方式，可以准确地识别出至少一条施工道路，以便于后续结合各施工道路中各施工有向路段的车行轨迹特征，便可以更加准确以及更加快速地识别出道路路网中的可通行施工道路。
图8为本申请另一实施例提供的可通行施工道路的识别方法的流程示意图。在上述实施例的基础上，本申请实施例对上述步骤S201中确定道路路网中的至少一个异常有向路段的可实现方式进行介绍。如图8所示，本申请实施例的方法可以包括：
步骤S801、确定道路路网中的至少一个待检测有向路段。
本步骤中，为了节省计算资源以及提高可通行施工道路的识别效率，电子设备可以确定道路路网中的至少一个待检测有向路段，用于滤掉无需进行可通行施工道路识别的各有向路段；例如，阻断有向路段、断头有向路段，和/或，道路等级较低的有向路段等。
可选地，电子设备可以根据道路路网中的每个有向路段的路网属性信息以及第二预设过滤条件，确定至少一个待检测有向路段；其中，第二预设过滤条件用于指示待过滤的有向路段对应的属性信息。
示例性地，本申请实施例中涉及的任意有向路段的路网属性信息可以包括但不限于以下至少一项：是否为阻断有向路段、是否为非公共有向路段、所属道路等级、单双向、总车道数、是否为断头有向路段。其中，非公共有向路段可以包括但不限于：园区内的有向路段和/或景区内的有向路段；道路等级可以包括但不限于以下任一项：国道、省道、市道、县道、乡道、镇道、村道。
示例性地，第二预设过滤条件用于指示以下至少一项信息：
阻断有向路段、非公共有向路段、村道、双向且总车道数为1、断头有向路段。
应理解，针对任意有向路段，若上述有向路段的路网属性信息满足上述第二预设过滤条件中的任一项，则电子设备可以确定上述有向路段属于待过滤的有向路段；若上述有向路段的路网属性信息不满足上述第二预设过滤条件中的所有项，则电子设备可以确定上述有向路段属于待检测有向路段。
步骤S802、将每个待检测有向路段的第二车行轨迹特征输入异常路段预测模型，得到每个待检测有向路段对应的预测结果。
本申请实施例中，电子设备中可以预置有异常路段预测模型。示例性地，电子设备可以预先从其它设备处获取到训练好的异常路段预测模型，或者电子设备可以在步骤S201之前根据多个训练样本对机器学习模型、集成学习模型或者深度学习模型等进行参数训练得到异常路段预测模型。
应理解，训练上述异常路段预测模型所采用的多个训练样本中可以包括：满足预设数量要求的多个正训练样本(是指正常有向路段对应的第二车行轨迹特征)和多个负训练样本(是指异常有向路段对应的第二车行轨迹特征)；其中，正常有向路段是指路段处于开通状态，或者说当前通行能力与其原始通行能力相匹配；异常有向路段是指处于非开通状态，或者说当前通行能力小于其原始通行能力。
示例性地，本申请实施例中的任意有向路段的第二车行轨迹特征可以包括但不限于以下至少一项：
在预设统计时段内道路横截面车行轨迹形态曲线的车行轨迹峰值变化差值、在预设统计时段内道路横截面车行轨迹形态曲线的车行轨迹偏度变化差值、在预设统计时段内的预设百分位速度值(例如，80％分位速度值)、在预设统计时段内的路段通行占道比、在预设统计时段内车行轨迹的宽度变化差值、在预设统计时段内车行轨迹的中心线变化差值、在预设统计时段内车行轨迹的速度变化差值、在预设统计时段内车行轨迹的中心线与道路路网之间的差值、在预设统计时段内车行轨迹的中心线左侧与右侧轨迹点的数量比变化差值。
需要说明的是，上述第二车行轨迹特征中涉及的各预设统计时段可以为相同的时段，也可以为不同的时段，本申请实施例中对此并不作限定。
示例性地，电子设备可以根据轨迹灰度成像后道路差分方式确定出上述第二车行轨迹特征中的第一部分轨迹特征，例如，上述在预设统计时段内道路横截面车行轨迹形态曲线的车行轨迹峰值变化差值、在预设统计时段内道路横截面车行轨迹形态曲线的车行轨迹偏度变化差值、在预设统计时段内的预设百分位速度值(例如，80％分位速度值)，和/或，在预设统计时段内的路段通行占道比。
又一示例性地，电子设备可以根据轨迹绑路后构建有向路段画像方式确定出上述第二车行轨迹特征中的第二部分轨迹特征，例如，在预设统计时段内车行轨迹的宽度变化差值、在预设统计时段内车行轨迹的中心线变化差值、在预设统计时段内车行轨迹的速度变化差值、在预设统计时段内车行轨迹的中心线与道路路网之间的差值，和/或，在预设统计时段内车行轨迹的中心线左侧与右侧轨迹点的数量比变化差值。
需要说明的是，电子设备还可以通过其它方式确定出上述第二车行轨迹特征，本申请实施例中对此并不作限定。
本步骤中，电子设备可以将每个待检测有向路段的第二车行轨迹特征输入异常路段预测模型，便可得到每个待检测有向路段对应的预测结果；其中，任意待检测有向路段对应的预测结果用于指示上述待检测有向路段为异常路段的概率。
示例性地，任意待检测有向路段对应的预测结果可以为第一数值(例如，0)到第二数值(例如，1)之间的任意数值(可以包括第一数值和第二数值)。
应理解，上述任意有向路段的第二车行轨迹特征可以以表格形式存在，例如，该表格的任意一行可以包括某条有向路段的第二车行轨迹特征，该表格的任意一列可以用于指示某种类型的第二车行轨迹特征；当然，还可以以其它形式存在，本申请实施例中对此并不作限定。
步骤S803、根据每个待检测有向路段对应的预测结果，从至少一个待检测有向路段中确定出至少一个异常有向路段。
本步骤中，针对任意待检测有向路段，电子设备可以根据上述待检测有向路段对应的预测结果与预设数值(例如，0.4)对比，以判断上述待检测有向路段是否为异常有向路段，从而从至少一个待检测有向路段中确定出至少一个异常有向路段。
示例性地，若上述待检测有向路段对应的预测结果小于预设数值(例如，0.4)，则可以认为上述待检测有向路段为正常路段；若上述待检测有向路段对应的预测结果不小于预设数值，则可以认为上述待检测有向路段为异常路段。
综上所述，本申请实施例中，通过将确定出的道路路网中的每个待检测有向路段的第二车行轨迹特征输入异常路段预测模型，得到每个待检测有向路段对应的预测结果，然后根据每个待检测有向路段对应的预测结果，从至少一个待检测有向路段中确定出至少一个异常有向路段。可见，本申请实施例中通过从道路路网的各有向路段中先确定出各待检测有向路段，然后从个待检测有向路段中确定出各异常有向路段，从而不仅可以大大节省后续关于图像处理以及可通行施工有向路段识别等过程中的计算资源，还可以提高后续关于图像处理以及可通行施工有向路段识别等过程中的处理效率。
在上述实施例的基础上，电子设备在确定出至少一条可通行施工道路之后，还可以更新至少一条可通行施工道路对应的通行性信息，从而实现对可通行道路施工场景下关于通行性信息变化的及时更新，一方面以便于为终端或者终端用户导航时可以结合可通行施工道路对应的通行性信息为终端规划更加合理的导航路线(例如，可以避免一些不好走的导航路线)，另一方面还以便于为终端或者终端用户导航时可以准确地提供关于通行性信息的提示。
示例性地，本申请实施例中涉及的通行性信息可以包括但不限于以下至少一项：交通标线信息(或者称之为车信)、限速信息、路型信息、红绿灯信息、车道信息、车道位置信息、道路方向信息。
在上述实施例的基础上，电子设备在确定出至少一条可通行施工道路之后，还可以在车辆驶入任可通行施工道路之前，向车辆内的终端发送提示信息(例如，“前方为施工路段，请小心驾驶，注意形式安全”)，以便于驾驶员可以预先获知道路情况，有利于缓解由施工路段给驾驶员带来的紧张、焦躁，和/或愤怒等不好的情绪。
图9为本申请另一实施例提供的可通行施工道路的识别方法的流程示意图。在上述实施例的基础上，本申请实施例中对可通行施工道路的识别方法的整体流程进行介绍。如图9所示，本申请实施例的方法可以包括：
1)前向过滤
本步骤中，电子设备可以确定道路路网中的至少一个待检测有向路段。
2)确定异常有向路段
本步骤中，电子设备可以通过将每个待检测有向路段的第二车行轨迹特征输入异常路段预测模型，得到每个待检测有向路段对应的预测结果；然后根据每个待检测有向路段对应的预测结果，从至少一个待检测有向路段中确定出至少一个异常有向路段。
3)采集每个异常有向路段的图像数据
4)图像识别
本步骤中，电子设备可以对每个异常有向路段的图像数据依次进行语义分割处理、图像过滤处理以及障碍物识别处理，得到包含道路施工要素的至少一个施工有向路段的图像信息。
5)图像聚类
本步骤中，电子设备可以对上述至少一个施工有向路段的图像信息进行图像聚类处理，得到至少一个图像信息集合，并根据上述至少一个图像信息集合，便可以确定出至少一条施工道路。
6)确定可通行施工道路
本步骤中，电子设备可以根据每条施工道路中的每个施工有向路段的第一车行轨迹特征以及预设识别条件，确定出至少一条可通行施工道路。
7)更新通行性信息
本步骤中，电子设备可以更新上述至少一条可通行施工道路对应的通行性信息，从而实现对可通行道路施工场景下关于通行性信息变化的及时更新。
8)导航诱导播报
本步骤中，电子设备可以在车辆驶入任可通行施工道路之前，为车辆内的终端导航诱导播报语音信息(例如，“前方为施工路段，请小心驾驶，注意形式安全”)，以便于驾驶员可以预先获知道路情况。
需要说明的是，本申请实施例中各步骤的可实现方式可以参考上述实施例中的相关内容，此处不再赘述。
综上所述，本申请实施例中，通过结合有向路段的车行轨迹特征和图像数据的方式，可以准确且快速地识别出道路路网中的可通行施工道路，不仅可以结合确定出的可通行施工道路为终端规划更加合理的导航路线，以及在车辆驶入任可通行施工道路之前，可以向车辆内的终端发送提示信息，而且还可以及时地更新可通行施工道路对应的通行性信息，以便于为终端或者终端用户导航时可以准确地提供关于通行性信息的提示，使得驾驶员可以预先获知道路情况，从而提高了用户导航体验。
图10为本申请实施例提供的可通行施工道路的识别装置的结构示意图，如图10所示，本申请实施例提供的可通行施工道路的识别装置可以包括：第一确定模块1001、图像处理模块1002和第二确定模块1003。
其中，第一确定模块1001，用于确定道路路网中的至少一个异常有向路段；
图像处理模块1002，用于获取每个所述异常有向路段的图像数据，并对每个所述异常有向路段的图像数据进行图像处理，得到至少一条施工道路；其中，每条所述施工道路包括：至少一个施工有向路段；
第二确定模块1003，用于根据每条所述施工道路中的每个施工有向路段的第一车行轨迹特征以及预设识别条件，确定出至少一条可通行施工道路；其中，所述预设识别条件用于指示可通行施工道路对应的轨迹特征信息。
在一种可能的实现方式中，所述第二确定模块具体用于：
针对任意所述施工道路，根据所述施工道路中的每个施工有向路段的第一车行轨迹特征以及所述预设识别条件，判断所述施工道路是否属于可通行施工道路；
若所述施工道路中满足所述预设识别条件的施工有向路段的数量占比大于预设占比，则确定所述施工道路属于可通行施工道路。
在一种可能的实现方式中，所述图像处理模块，包括：
第一图像处理单元，用于对每个所述异常有向路段的图像数据进行图像过滤处理以及障碍物识别处理，得到包含道路施工要素的至少一个施工有向路段的图像信息；
第二图像处理单元，用于对所述至少一个施工有向路段的图像信息进行图像聚类处理，得到至少一个图像信息集合；其中，每个所述图像信息集合中包括：属于同一条施工道路的各施工有向路段的图像信息；
确定单元，用于根据所述至少一个图像信息集合，确定至少一条施工道路。
在一种可能的实现方式中，所述第一图像处理单元具体用于：
根据第一预设过滤条件对每个所述异常有向路段的图像数据进行图像过滤处理，并根据障碍物识别模型对图像过滤处理后得到的各异常有向路段的图像数据进行障碍物识别处理，得到包含道路施工要素的至少一个施工有向路段的图像信息；其中，所述第一预设过滤条件用于指示待过滤的图像数据所包含的图像内容，所述障碍物识别模型用于识别图像数据中的道路施工要素。
在一种可能的实现方式中，所述第一确定模块，包括：
第一确定单元，用于确定所述道路路网中的至少一个待检测有向路段；
异常路段预测单元，用于将每个所述待检测有向路段的第二车行轨迹特征输入异常路段预测模型，得到每个所述待检测有向路段对应的预测结果；其中，所述待检测有向路段对应的预测结果用于指示所述待检测有向路段为异常路段的概率；
第二确定单元，用于根据每个所述待检测有向路段对应的预测结果，从所述至少一个待检测有向路段中确定出至少一个异常有向路段。
在一种可能的实现方式中，所述第一确定单元具体用于：
根据所述道路路网中的每个有向路段的路网属性信息以及第二预设过滤条件，确定至少一个待检测有向路段；其中，所述第二预设过滤条件用于指示待过滤的有向路段对应的属性信息。
在一种可能的实现方式中，所述方法还包括：
更新模块，用于更新所述至少一条可通行施工道路对应的通行性信息。
在一种可能的实现方式中，所述方法还包括：
提示模块，用于在车辆驶入任意所述可通行施工道路之前，向终端发送提示信息。
本实施例提供的可通行施工道路的识别装置，用于执行本申请上述可通行施工道路的识别方法实施例中的技术方案，其技术原理和技术效果相似，此处不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
根据本申请的实施例，本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
如图11所示，是根据本申请实施例的可通行施工道路的识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图11所示，该电子设备包括：一个或多个处理器1101、存储器1102，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图11中以一个处理器1101为例。
存储器1102即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的可通行施工道路的识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的可通行施工道路的识别方法。
存储器1102作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的可通行施工道路的识别方法对应的程序指令/模块(例如，附图10所示的第一确定模块1001、图像处理模块1002和第二确定模块1003)。处理器1101通过运行存储在存储器1102中的非瞬时软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中的可通行施工道路的识别方法。
存储器1102可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器1102可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1102可选包括相对于处理器1101远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述电子设备还可以包括：输入装置1103和输出装置1104。处理器1101、存储器1102、输入装置1103和输出装置1104可以通过总线或者其他方式连接，图11中以通过总线连接为例。
输入装置1103可接收输入的数字或字符信息，以及产生与上述电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1104可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过获取道路路网中的至少一个异常有向路段的图像数据，其次根据获取到的至少一个异常有向路段的图像数据进行图像处理，确定出至少一条施工道路；然后根据每条施工道路中的每个施工有向路段的第一车行轨迹特征以及用于指示可通行施工道路对应的轨迹特征信息的预设识别条件，确定出至少一条可通行施工道路。可见，本申请实施例中，通过结合有向路段的车行轨迹特征和图像数据的方式，可以提高道路路网中可通行施工道路的识别效率，以便于后续可以结合确定出的可通行施工道路为终端规划更加合理的导航路线，从而提高了用户导航体验。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (18)
1.一种可通行施工道路的识别方法，包括：
确定道路路网中的至少一个异常有向路段；
获取每个所述异常有向路段的图像数据，并对每个所述异常有向路段的图像数据进行图像处理，得到至少一条施工道路；其中，每条所述施工道路包括：至少一个施工有向路段；
根据每条所述施工道路中的每个施工有向路段的第一车行轨迹特征以及预设识别条件，确定出至少一条可通行施工道路；其中，所述预设识别条件用于指示可通行施工道路对应的轨迹特征信息，所述第一车行轨迹特征包括如下至少一项：在预设统计时段内车行轨迹的速度变化差值、在预设统计时段内车行轨迹的中心线变化差值、在预设统计时段内车行轨迹的中心线拟合的正态分布曲线的预设倍数标准差的宽度变化差值、在预设统计时段内车行轨迹的中心线与道路路网之间的偏差、车行轨迹的中心线偏移预设统计时段内的相对变化差值。
2.根据权利要求1所述的方法，其中，所述根据每条所述施工道路中的每个施工有向路段的第一车行轨迹特征以及预设识别条件，确定出至少一条可通行施工道路，包括：
针对任意所述施工道路，根据所述施工道路中的每个施工有向路段的第一车行轨迹特征以及所述预设识别条件，判断所述施工道路是否属于可通行施工道路；
若所述施工道路中满足所述预设识别条件的施工有向路段的数量占比大于预设占比，则确定所述施工道路属于可通行施工道路。
3.根据权利要求1所述的方法，其中，所述对每个所述异常有向路段的图像数据进行图像处理，得到至少一条施工道路，包括：
对每个所述异常有向路段的图像数据进行图像过滤处理以及障碍物识别处理，得到包含道路施工要素的至少一个施工有向路段的图像信息；
对所述至少一个施工有向路段的图像信息进行图像聚类处理，得到至少一个图像信息集合；其中，每个所述图像信息集合中包括：属于同一条施工道路的各施工有向路段的图像信息；
根据所述至少一个图像信息集合，确定至少一条施工道路。
4.根据权利要求3所述的方法，其中，所述对每个所述异常有向路段的图像数据进行图像过滤处理以及障碍物识别处理，得到包含道路施工要素的至少一个施工有向路段的图像信息，包括：
根据第一预设过滤条件对每个所述异常有向路段的图像数据进行图像过滤处理，并根据障碍物识别模型对图像过滤处理后得到的各异常有向路段的图像数据进行障碍物识别处理，得到包含道路施工要素的至少一个施工有向路段的图像信息；其中，所述第一预设过滤条件用于指示待过滤的图像数据所包含的图像内容，所述障碍物识别模型用于识别图像数据中的道路施工要素。
5.根据权利要求1所述的方法，其中，所述确定道路路网中的至少一个异常有向路段，包括：
确定所述道路路网中的至少一个待检测有向路段；
将每个所述待检测有向路段的第二车行轨迹特征输入异常路段预测模型，得到每个所述待检测有向路段对应的预测结果；其中，所述待检测有向路段对应的预测结果用于指示所述待检测有向路段为异常路段的概率；
根据每个所述待检测有向路段对应的预测结果，从所述至少一个待检测有向路段中确定出至少一个异常有向路段。
6.根据权利要求5所述的方法，其中，所述确定所述道路路网中的至少一个待检测有向路段，包括：
根据所述道路路网中的每个有向路段的路网属性信息以及第二预设过滤条件，确定至少一个待检测有向路段；其中，所述第二预设过滤条件用于指示待过滤的有向路段对应的属性信息。
7.根据权利要求1-6中任一项所述的方法，其中，所述方法还包括：
更新所述至少一条可通行施工道路对应的通行性信息。
8.根据权利要求1-6中任一项所述的方法，其中，所述方法还包括：
在车辆驶入任意所述可通行施工道路之前，向终端发送提示信息。
9.一种可通行施工道路的识别装置，包括：
第一确定模块，用于确定道路路网中的至少一个异常有向路段；
图像处理模块，用于获取每个所述异常有向路段的图像数据，并对每个所述异常有向路段的图像数据进行图像处理，得到至少一条施工道路；其中，每条所述施工道路包括：至少一个施工有向路段；
第二确定模块，用于根据每条所述施工道路中的每个施工有向路段的第一车行轨迹特征以及预设识别条件，确定出至少一条可通行施工道路；其中，所述预设识别条件用于指示可通行施工道路对应的轨迹特征信息，所述第一车行轨迹特征包括如下至少一项：在预设统计时段内车行轨迹的速度变化差值、在预设统计时段内车行轨迹的中心线变化差值、在预设统计时段内车行轨迹的中心线拟合的正态分布曲线的预设倍数标准差的宽度变化差值、在预设统计时段内车行轨迹的中心线与道路路网之间的偏差、车行轨迹的中心线偏移预设统计时段内的相对变化差值。
10.根据权利要求9所述的装置，其中，所述第二确定模块具体用于：
针对任意所述施工道路，根据所述施工道路中的每个施工有向路段的第一车行轨迹特征以及所述预设识别条件，判断所述施工道路是否属于可通行施工道路；
若所述施工道路中满足所述预设识别条件的施工有向路段的数量占比大于预设占比，则确定所述施工道路属于可通行施工道路。
11.根据权利要求9所述的装置，其中，所述图像处理模块，包括：
第一图像处理单元，用于对每个所述异常有向路段的图像数据进行图像过滤处理以及障碍物识别处理，得到包含道路施工要素的至少一个施工有向路段的图像信息；
第二图像处理单元，用于对所述至少一个施工有向路段的图像信息进行图像聚类处理，得到至少一个图像信息集合；其中，每个所述图像信息集合中包括：属于同一条施工道路的各施工有向路段的图像信息；
确定单元，用于根据所述至少一个图像信息集合，确定至少一条施工道路。
12.根据权利要求11所述的装置，其中，所述第一图像处理单元具体用于：
根据第一预设过滤条件对每个所述异常有向路段的图像数据进行图像过滤处理，并根据障碍物识别模型对图像过滤处理后得到的各异常有向路段的图像数据进行障碍物识别处理，得到包含道路施工要素的至少一个施工有向路段的图像信息；其中，所述第一预设过滤条件用于指示待过滤的图像数据所包含的图像内容，所述障碍物识别模型用于识别图像数据中的道路施工要素。
13.根据权利要求9所述的装置，其中，所述第一确定模块，包括：
第一确定单元，用于确定所述道路路网中的至少一个待检测有向路段；
异常路段预测单元，用于将每个所述待检测有向路段的第二车行轨迹特征输入异常路段预测模型，得到每个所述待检测有向路段对应的预测结果；其中，所述待检测有向路段对应的预测结果用于指示所述待检测有向路段为异常路段的概率；
第二确定单元，用于根据每个所述待检测有向路段对应的预测结果，从所述至少一个待检测有向路段中确定出至少一个异常有向路段。
14.根据权利要求13所述的装置，其中，所述第一确定单元具体用于：
根据所述道路路网中的每个有向路段的路网属性信息以及第二预设过滤条件，确定至少一个待检测有向路段；其中，所述第二预设过滤条件用于指示待过滤的有向路段对应的属性信息。
15.根据权利要求9-14中任一项所述的装置，其中，所述装置还包括：
更新模块，用于更新所述至少一条可通行施工道路对应的通行性信息。
16.根据权利要求9-14中任一项所述的装置，其中，所述装置还包括：
提示模块，用于在车辆驶入任意所述可通行施工道路之前，向终端发送提示信息。
17.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010466009.7A CN111611955B (zh) | 2020-05-28 | 2020-05-28 | 可通行施工道路的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010466009.7A CN111611955B (zh) | 2020-05-28 | 2020-05-28 | 可通行施工道路的识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111611955A CN111611955A (zh) | 2020-09-01 |
| CN111611955B true CN111611955B (zh) | 2023-09-26 |
Family
ID=72205589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010466009.7A Active CN111611955B (zh) | 2020-05-28 | 2020-05-28 | 可通行施工道路的识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111611955B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101527B (zh) * | 2020-09-15 | 2023-09-01 | 北京百度网讯科技有限公司 | 识别车道变化的方法和装置、电子设备和存储介质 |
| CN112560609B (zh) | 2020-12-03 | 2022-11-15 | 北京百度网讯科技有限公司 | 路况预估方法、建立路况预估模型的方法及对应装置 |
| CN112418167A (zh) * | 2020-12-10 | 2021-02-26 | 深圳前海微众银行股份有限公司 | 图像的聚类方法、装置、设备和存储介质 |
| CN112581763A (zh) * | 2020-12-11 | 2021-03-30 | 北京百度网讯科技有限公司 | 道路事件检测的方法、装置、设备和存储介质 |
| CN114677852B (zh) * | 2020-12-24 | 2023-05-26 | 北京三快在线科技有限公司 | 道路通行状态确定方法、导航方法、装置、介质及设备 |
| CN112464914A (zh) * | 2020-12-30 | 2021-03-09 | 南京积图网络科技有限公司 | 一种基于卷积神经网络的护栏分割方法 |
| CN113447013B (zh) * | 2021-06-24 | 2023-03-17 | 北京百度网讯科技有限公司 | 施工道路识别方法、装置、设备、存储介质和程序产品 |
| CN114187578A (zh) * | 2021-12-13 | 2022-03-15 | 北京百度网讯科技有限公司 | 道路连接状态的识别方法及装置、电子设备和介质 |
| CN114360261B (zh) * | 2021-12-30 | 2023-05-19 | 北京软通智慧科技有限公司 | 车辆逆行的识别方法、装置、大数据分析平台和介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971521A (zh) * | 2014-05-19 | 2014-08-06 | 清华大学 | 道路交通异常事件实时检测方法及装置 |
| JP2015007657A (ja) * | 2011-10-13 | 2015-01-15 | 株式会社デンソー | 道路情報更新システム及びナビゲーション装置 |
| CN104484999A (zh) * | 2014-12-31 | 2015-04-01 | 百度在线网络技术（北京）有限公司 | 基于用户轨迹确定动态交通信息的方法及装置 |
| CN106767870A (zh) * | 2016-12-23 | 2017-05-31 | 北京世纪高通科技有限公司 | 一种施工解除道路发现方法、装置及终端 |
| CN107247718A (zh) * | 2016-12-19 | 2017-10-13 | 北京四维图新科技股份有限公司 | 一种地图数据的更新方法和装置、导航系统及服务器 |
| CN108628206A (zh) * | 2017-03-17 | 2018-10-09 | 通用汽车环球科技运作有限责任公司 | 道路施工检测系统和方法 |
| CN109754594A (zh) * | 2017-11-01 | 2019-05-14 | 腾讯科技（深圳）有限公司 | 一种路况信息获取方法及其设备、存储介质、终端 |
| CN109974726A (zh) * | 2017-12-28 | 2019-07-05 | 北京搜狗科技发展有限公司 | 一种道路通行状态确定方法及装置 |
| CN110032381A (zh) * | 2019-02-27 | 2019-07-19 | 丰图科技(深圳)有限公司 | 电子地图的道路状态更新方法、系统及存储介质 |
| CN110364008A (zh) * | 2019-08-16 | 2019-10-22 | 腾讯科技（深圳）有限公司 | 路况确定方法、装置、计算机设备和存储介质 |
| CN110991320A (zh) * | 2019-11-29 | 2020-04-10 | 北京百度网讯科技有限公司 | 路况检测方法和装置、电子设备、存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9221461B2 (en) * | 2012-09-05 | 2015-12-29 | Google Inc. | Construction zone detection using a plurality of information sources |
| US9881384B2 (en) * | 2014-12-10 | 2018-01-30 | Here Global B.V. | Method and apparatus for providing one or more road conditions based on aerial imagery |
-
2020
- 2020-05-28 CN CN202010466009.7A patent/CN111611955B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015007657A (ja) * | 2011-10-13 | 2015-01-15 | 株式会社デンソー | 道路情報更新システム及びナビゲーション装置 |
| CN103971521A (zh) * | 2014-05-19 | 2014-08-06 | 清华大学 | 道路交通异常事件实时检测方法及装置 |
| CN104484999A (zh) * | 2014-12-31 | 2015-04-01 | 百度在线网络技术（北京）有限公司 | 基于用户轨迹确定动态交通信息的方法及装置 |
| CN107247718A (zh) * | 2016-12-19 | 2017-10-13 | 北京四维图新科技股份有限公司 | 一种地图数据的更新方法和装置、导航系统及服务器 |
| CN106767870A (zh) * | 2016-12-23 | 2017-05-31 | 北京世纪高通科技有限公司 | 一种施工解除道路发现方法、装置及终端 |
| CN108628206A (zh) * | 2017-03-17 | 2018-10-09 | 通用汽车环球科技运作有限责任公司 | 道路施工检测系统和方法 |
| CN109754594A (zh) * | 2017-11-01 | 2019-05-14 | 腾讯科技（深圳）有限公司 | 一种路况信息获取方法及其设备、存储介质、终端 |
| CN109974726A (zh) * | 2017-12-28 | 2019-07-05 | 北京搜狗科技发展有限公司 | 一种道路通行状态确定方法及装置 |
| CN110032381A (zh) * | 2019-02-27 | 2019-07-19 | 丰图科技(深圳)有限公司 | 电子地图的道路状态更新方法、系统及存储介质 |
| CN110364008A (zh) * | 2019-08-16 | 2019-10-22 | 腾讯科技（深圳）有限公司 | 路况确定方法、装置、计算机设备和存储介质 |
| CN110991320A (zh) * | 2019-11-29 | 2020-04-10 | 北京百度网讯科技有限公司 | 路况检测方法和装置、电子设备、存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Road User Abnormal Trajectory Detection Using a Deep Autoencoder;Pankaj Raj Roy 等;《ISVC 2018: Advances in Visual Computing》;20181110;第748-757页 * |
| 基于线形和限速的施工瓶颈路段通行能力改善方法;陈君等;《西安建筑科技大学学报(自然科学版)》;20150428;第47卷(第02期);第49-53+109页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111611955A (zh) | 2020-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111611955B (zh) | 可通行施工道路的识别方法、装置、设备及存储介质 | |
| EP3929805A1 (en) | Method and apparatus for identifying traffic accident, device and computer storage medium | |
| KR102618445B1 (ko) | 도로 상황 예측 방법, 도로 상황 예측 모델을 구축하는 방법, 대응되는 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 제품 | |
| CN113327447B (zh) | 导航提醒方法、装置、设备、车辆及存储介质 | |
| WO2024222453A1 (zh) | 确定车辆行驶轨迹的方法、、装置、电子设备和存储介质 | |
| WO2023050698A1 (zh) | 一种交通限制识别方法、装置及电子设备 | |
| CN112069279A (zh) | 地图数据更新方法、装置、设备及可读存储介质 | |
| CN115662113A (zh) | 一种信号交叉口人车博弈冲突风险评估与预警方法 | |
| CN114443794A (zh) | 数据处理和地图更新方法、装置、设备以及存储介质 | |
| CN115062202A (zh) | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 | |
| CN112418081A (zh) | 一种空地联合快速勘察交通事故的方法及系统 | |
| US20230159052A1 (en) | Method for processing behavior data, method for controlling autonomous vehicle, and autonomous vehicle | |
| CN114689069A (zh) | 自动驾驶设备的导航路线处理方法、装置及电子设备 | |
| CN114216471A (zh) | 电子地图确定方法、装置、电子设备及存储介质 | |
| CN113297878B (zh) | 道路交叉口识别方法、装置、计算机设备和存储介质 | |
| CN116264038A (zh) | 信号灯控制方法及装置、电子设备和存储介质 | |
| CN112699773A (zh) | 交通灯识别方法、装置及电子设备 | |
| CN114582125B (zh) | 道路通行方向的识别的方法、装置、设备及存储介质 | |
| CN114998863B (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
| CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
| US20230065341A1 (en) | Road data monitoring method and apparatus, electronic device and storage medium | |
| CN115973190A (zh) | 自动驾驶车辆的决策方法、装置和电子设备 | |
| CN114179805A (zh) | 一种行驶方向确定方法、装置、设备以及存储介质 | |
| CN110795977B (zh) | 交通信号识别方法、装置、存储介质及电子设备 | |
| CN113886413A (zh) | 地图更新方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |