【专利解密】百度高精度地图下车道数据处理的新途径

原标题:[专利解密]百度高精度地图

【嘉德点评】该专利方法使用了人工智能中的深度神经网络，将人工智能技术应用到了实际的高精度地图绘制中，从而节省人力成本。

集微网消息下车道数据处理的新途径。根据iiMedia Research发布的《2019Q1中国手机地图行业市场监测报告》，中国手机地图用户将在2018年达到7.37亿，2019年达到7.55亿。可以看出地图应用非常受人们欢迎，当然也证明了当前应用的功能足以满足人们的需求。然而，对于无人驾驶汽车，高德、百度等流行地图应用的全球定位系统定位精度明显不够，可靠性也不太好。

因此，自驾汽车中也有一种特殊的核心技术“高精度地图”，面向与人类完全不同的用户，即自驾系统软件。高精度地图需要描绘道路的每一个细节:每一条曲线、每一条凸起的路缘和每一条车道。

绘制高精度地图的情况并非如此。这主要是一个成本问题。目前，它主要是一种手工生成的方法。通过比较道路图像和工业摄像机采集的点云信息，道路图像被用来给拼接的点云着色。在彩色点云上，手动绘制和标记道路车道信息，例如车道线等。显然，这种方法非常耗费劳动力。为此，百度公司率先提出了一种新的从图像中自动识别车道线的车道数据处理方法(专利授权公告号:CN105260699B)。

百度的专利主要涉及一种处理车道线数据的方法和装置。首先，编辑器将向您详细展示车道线数据的处理步骤。步骤图示于图1中。主要步骤如下:

1)通过在车辆上设置工业摄像机，进行每秒8-10帧的连续拍摄，采集目标路段的车道线图像作为原始图像。通过全球定位系统全球定位系统进行车辆定位，结合工业摄像机在车辆上的安装高度、拍摄视角、拍摄姿态等内部参数数据计算原始图像的定位数据。

2)使用深度神经网络模型，计算原始图像中每个像素符合车道线特征的像素置信度。大量标记的路线图数据用于预先训练深度神经网络模型，训练后的深度神经网络模型用于预测和计算输入原始图像的输出像素置信度。之后，利用图形连通域分析方法从原始图像中提取边缘像素，对边缘像素进行三次曲线拟合，确定车道线的边缘轮廓作为候选车道线。

3)根据2)中深度神经网络预测的像素置信度和候选车道线计算候选车道线的置信度。根据候选车道置信度筛选候选车道线。

4)根据筛选出的车道线识别车道线对应的属性信息。例如识别车道线的线形和颜色以及车道线的线形。在拍摄原始图像期间，根据车道线的属性信息和定位数据确定车道线的地图数据。