[发明专利]提取地下停车场要素坐标的方法、系统、制图方法及介质

说明书

本申请公开了一种提取地下停车场要素坐标的方法、系统、制图方法及介质，属于地理信息领域和图像技术领域。该方法包括：采集地下停车场的环境数据，并确定环境数据中基准点的经纬度坐标；对环境数据进行转换，并对得到的初始图像进行分割，得到瓦片图；对瓦片图中的停车场要素进行标记，并利用深度学习算法模型对瓦片图进行处理，得到停车场要素的多边形轮廓；对多个瓦片图进行融合，并在融合图像中，根据基准点的位置和经纬度坐标确定多边形轮廓对应的经纬度坐标。本申请通过确定地下停车场环境数据的经纬度坐标，使得采集的环境数据之间具备相互联系，进而在进行地下停车场的车位和立柱的建图时，降低了制作成本，加快停车场地图制作进程。

技术领域

本申请涉及地理信息领域和图像技术领域，特别是一种提取地下停车场要素坐标的方法系统、制图方法及介质。

背景技术

在进行停车场车位的识别时，现有的识别方法主要包括基于非视频图像检测和基于视频图像识别检测两类。其中，基于非视频图像检测的技术手段主要包括感应线圈检测、声波检测、红外检测以及基于RFID的射频识别技术检测等。基于视频图像识别检测的技术手段主要包括运用传统图像检测算法进行识别和运用深度学习算法进行识别。

其中，在使用基于非视频图像检测的技术手段进行车位检测时，由于这类传感器的安装都需要对停车场车位地面进行改动，安装难度较大，成本较高，大大增加了设备维护与维修的难度。运用传统图像检测算法进行识别：在使用基于视频图像识别检测的方法进行车位识别时，传统图像算法泛化能力差，鲁棒性差，极容易受到环境变化带来的干扰，对车位的识别能力差。另外，现在使用深度学习算法对车位进行识别的专利或方案中，输入的基础数据仅为视频或图像数据，数据来源为摄像头，然后对图片进行车位识别分类操作，输出结果为“有车车位”或“无车车位”的两种结果。由于深度学习算法的原数据中，没有gps定位信息，视频图像数据之间没有空间信息关联，因此无法将车位信息绘制成完整的停车场大图，无法形成完善的停车场地图的制作和更新。

发明内容

针对现有技术中，停车场车位及立柱识别成本高，精度差，识别结果不完整的技术问题，本申请提出一种提取地下停车场要素坐标的方法、系统、制图方法及介质。

第一方面，本申请提供一种提取地下停车场要素坐标的方法，包括：采集地下停车场的环境数据，并确定环境数据中基准点的经纬度坐标；对环境数据进行转换，并对得到的初始图像进行分割，得到多个瓦片图；对瓦片图中的停车场要素进行标记，并利用预训练的深度学习算法模型对瓦片图进行处理，得到各个瓦片图中停车场要素对应的多边形轮廓；以及对处理后的多个瓦片图进行融合，得到融合图像，并在融合图像中，根据停车场要素的多边形轮廓与基准点的相对位置和基准点的经纬度坐标确定停车场要素的多边形轮廓对应的经纬度坐标。

可选的，利用预训练的深度学习算法模型对瓦片图进行处理，得到各个瓦片图中停车场要素对应的多边形轮廓，包括：对瓦片图进行下采样卷积操作，提取瓦片图中的特征图；通过聚类降维算法对特征图进行处理，得到特征图对应的检测框；对特征图进行反卷积操作，并对反卷积操作后特征图中的检测框进行回归处理，确定停车场要素的多边形轮廓。

可选的，利用预训练的深度学习算法模型对瓦片图进行处理，得到各个瓦片图中停车场要素对应的多边形轮廓，还包括：在对瓦片图进行下采样卷积操作之前，对瓦片图进行扩增，得到多维度的瓦片图，扩增包括角度旋转；在对特征图进行反卷积操作之前，对相互对应的多个多维度瓦片图进行融合，使对瓦片图中的特征进行增强。

可选的，在融合图像中，根据停车场要素的多边形轮廓和基准点的相对位置和基准点的经纬度坐标确定停车场要素的轮廓对应的经纬度坐标，包括：在融合点图像中，获取停车场要素的轮廓的像素坐标和基准点的像素坐标，进而确定停车场要素的轮廓和基准点的相对位置；根据相对位置对基准点的经纬度坐标进行转换，得到停车场要素的多边形轮廓对应的经纬度坐标。