百度负面处理_「专利解密」百度高精地图下的车道数据处理新方式

[嘉德电平]该专利方法利用人工智能中的深层神经网络，将人工智能技术应用于实际的高精度地图绘制，节省了人工成本

套微网新闻。根据iiMedia Research发布的2019年第一季度中国移动地图行业市场监测报告，2018年中国移动地图用户将达到7.37亿，2019年将达到7.55亿可以看出，地图应用非常受人们的欢迎，当然，这也证明了当前应用的功能足以满足人们的需求。然而，对于自动驾驶汽车，高德和百度等流行地图应用的全球定位系统定位精度明显不够，可靠性也不是很好。

因此，在自动驾驶汽车中也有一种特殊的核心技术“高精度地图”,它面向与人类完全不同的用户，即自动驾驶系统软件高精度地图需要描绘道路的每一个细节:每一个弯道、每一个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方法。通过比较道路图像和工业相机收集的点云信息，道路图像被用于对拼接的点云进行着色。在彩色点云上，诸如车道线等道路车道信息被手动绘制和标记显然，这种方法非常劳动密集型为此，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)

百度提出的专利主要涉及一种车道线数据的处理方法和装置。首先，编辑器将向您详细展示车道线数据的处理步骤。步骤图如图1所示。主要步骤的细节如下:

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，并采集目标路段的车道线图像作为原始图像车辆定位是通过全球定位系统全球定位系统进行的，原始图像的定位数据是通过结合工业相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来计算的

2)采用深度神经网络模型来计算原始图像中每个像素符合车道线特征的像素置信度使用大量标记的路线图数据来预先训练深度神经网络模型，并且使用训练的深度神经网络模型来预测和计算输入原始图像的输出像素置信度。然后，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)根据深度神经网络预测的像素置信度和2)中的候选车道线计算候选车道线的置信度根据候选车道的置信度

4)根据筛选出的车道线识别与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时，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

图1车道线数据处理方法

的步骤流程图根据本专利提出的上述车道线数据处理方法，可以获得车道线的地图数据，从而节省人工操作成本这种新方法利用人工智能中的深度神经网络，将人工智能技术应用到实际的高精度地图绘制中，是节省人工成本的关键边肖相信人工智能将在未来进一步发展到生活的各个方面。

关键词:高精度地图，车道信息，数据处理

专利号:CN105260699B

(校对/冬青)