本發(fā)明涉及數(shù)據(jù)校驗，具體涉及一種用于預(yù)碰撞場景的dxf數(shù)據(jù)檢驗系統(tǒng)及方法。

背景技術(shù)：

1、自動駕駛場景主要來源為自然駕駛數(shù)據(jù)、事故數(shù)據(jù)和專家經(jīng)驗數(shù)據(jù)，依托于事故數(shù)據(jù)可以用于場景生成。從事故數(shù)據(jù)到場景數(shù)據(jù)，首先需要對數(shù)據(jù)進行加工和處理。數(shù)據(jù)加工及處理包含靜態(tài)cad制圖對事故道路幾何信息重建和動態(tài)pc?crash對交通參與方動態(tài)軌跡重建。

2、其中靜態(tài)cad制圖對事故道路幾何信息重建的結(jié)果通常以dxf文件的形式存儲，便于在道路交通場景庫中根據(jù)這些文件信息輸出道路幾何和明確其特征屬性。這些信息進一步被用于場景文件(pcm)的轉(zhuǎn)換，以實現(xiàn)對真實道路環(huán)境的高保真度模擬。

3、當前，對靜態(tài)重建cad的檢驗主要依賴于人工核驗。具體來說，檢驗人員需要逐一檢查cad圖中繪制的道路線形及其屬性特征是否與實際道路一致。這種方法雖然直觀有效，但在實際應(yīng)用中存在以下不足之處：

4、人工核驗需要消耗大量時間和人力成本，尤其是在處理大規(guī)模道路元素時，這一缺點尤為明顯。

5、不同檢驗人員的認知差異可能導(dǎo)致檢驗結(jié)果的一致性較差，進而影響最終場景數(shù)據(jù)轉(zhuǎn)換的準確性。

6、基于此，急需一種用于預(yù)碰撞場景的dxf數(shù)據(jù)檢驗系統(tǒng)及方法，能夠?qū)崿F(xiàn)dxf數(shù)據(jù)檢驗的自動化，提高數(shù)據(jù)校驗效率的同時減少人為因素帶來的誤差。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的之一在于提供一種用于預(yù)碰撞場景的dxf數(shù)據(jù)檢驗系統(tǒng)及方法，能夠?qū)崿F(xiàn)dxf數(shù)據(jù)檢驗的自動化，提高數(shù)據(jù)校驗效率的同時減少人為因素帶來的誤差。

2、為了達到上述目的，提供了一種用于預(yù)碰撞場景的dxf數(shù)據(jù)檢驗系統(tǒng)，包括服務(wù)端；

3、所述服務(wù)端包括：

4、航拍圖像數(shù)據(jù)獲取模塊，用于對要錄入的航拍圖像進行獲取；

5、dxf圖獲取模塊，用于將要錄入的航拍圖像所對應(yīng)的dxf圖進行獲取；

6、陰影去除模塊，用于基于預(yù)先構(gòu)建的陰影去除模型，對獲取到的要錄入的航拍圖像進行陰影去除操作；

7、語義分割模塊，用于根據(jù)陰影去除操作后的要錄入的航拍圖像，基于預(yù)先構(gòu)建的語義分割模型中，輸出對應(yīng)的語義分割結(jié)果數(shù)據(jù)；所述語義分割結(jié)果數(shù)據(jù)包括象素點坐標信息(x1,y1)以及象素點屬性信息c1；

8、數(shù)據(jù)轉(zhuǎn)換模塊，用于根據(jù)輸出的語義分割結(jié)果數(shù)據(jù)，先將象素點屬性信息c1轉(zhuǎn)換為對應(yīng)的圖層信息c1’；然后將象素點坐標信息(x1,y1)以及圖層信息c1’轉(zhuǎn)換為對應(yīng)的第一坐標及圖層數(shù)據(jù)(x1,y1,c1’)；

9、dxf圖像識別模塊，用于對獲取到的dxf圖進行識別，識別出dxf圖中的象素坐標(x2,y2)以及對應(yīng)的圖層信息c2，并將其識別為第二坐標及圖層數(shù)據(jù)(x2,y2,c2)；

10、數(shù)據(jù)對比模塊，用于根據(jù)第一坐標及圖層數(shù)據(jù)(x1,y1,c1’)，以及第二坐標及圖層數(shù)據(jù)(x2,y2,c2)，將坐標(x,y)相同的第一坐標及圖層數(shù)據(jù)，以及第二坐標及圖層數(shù)據(jù)之間所對應(yīng)的圖層信息c1’和c2進行對比，若對比結(jié)果一致，則判定航拍圖像所對應(yīng)的第二坐標及圖層數(shù)據(jù)為(x,y,1)，反之，則判定為(x,y,0)；

11、在完成所有的坐標的判斷后，記錄下判定結(jié)果為(x,y,0)所對應(yīng)的數(shù)據(jù)并形成對應(yīng)的校驗結(jié)果數(shù)據(jù)。

12、本方案的技術(shù)原理及效果：在本方案中，首先對要錄入的航拍圖像以及對應(yīng)的dxf圖進行獲取。在這個過程中，還需要基于預(yù)先構(gòu)建的陰影去除模型，對獲取到的要錄入的航拍圖像進行陰影去除操作，在無人機航拍采集圖像過程中，由于無人機拍攝角度問題，可能導(dǎo)致采集的圖上有陰影，遮擋道路信息，為了便于后續(xù)航拍圖像識別，對航拍圖像去除陰影。

13、之后，就可以分別對航拍圖像和dxf圖進行處理，具體的，將陰影去除操作后的航拍圖像輸入到預(yù)先構(gòu)建的語義分割模型中，實現(xiàn)對應(yīng)的語義分割結(jié)果數(shù)據(jù)的輸出，對應(yīng)的語義分割結(jié)果數(shù)據(jù)包括航拍圖像所對應(yīng)的象素點坐標信息(x1,y1)以及象素點屬性信息c1，之后就可以實現(xiàn)對象素點屬性信息c1進行轉(zhuǎn)換，轉(zhuǎn)換為對應(yīng)的圖層信息c1’，然后就根據(jù)象素點坐標信息(x1,y1)以及圖層信息c1’進行對應(yīng)的轉(zhuǎn)換，轉(zhuǎn)換為對應(yīng)的第一坐標及圖層數(shù)據(jù)(x,y,c1’)。

14、于此同時，還會對獲取到的航拍圖像所對應(yīng)的dxf圖進行識別，從而識別出dxf圖中的象素坐標(x2,y2)以及對應(yīng)的圖層信息c2，之后將其轉(zhuǎn)換為第二坐標及圖層數(shù)據(jù)(x2,y2,c2)，進而實現(xiàn)對dxf圖的數(shù)據(jù)識別和轉(zhuǎn)換。

15、在完成第一坐標及圖層數(shù)據(jù)以及第二坐標及圖層數(shù)據(jù)的轉(zhuǎn)換之后，根據(jù)第一坐標及圖層數(shù)據(jù)(x1,y1,c1’)，以及第二坐標及圖層數(shù)據(jù)(x2,y2,c2)，選取出對應(yīng)的坐標(x,y)相同的第一坐標及圖層數(shù)據(jù)，以及第二坐標及圖層數(shù)據(jù)，即(x＝x1＝x2,y＝y(tǒng)1＝y(tǒng)2)。在確定對應(yīng)的坐標相同時，比對第一坐標及圖層數(shù)據(jù)，以及第二坐標及圖層數(shù)據(jù)之間所對應(yīng)的圖層信息c1’和c2，若比對結(jié)果一致，即c1’＝c2，則判定對應(yīng)的dxf圖所對應(yīng)的第二坐標及圖層數(shù)據(jù)為(x,y,1)，即在x,y不變的前提下，將c2變成1，反之，則判定為(x,y,0)，即在x,y不變的前提下，將c2變成0。

16、在完成所有的坐標的判斷后，記錄下判定結(jié)果為(x,y,0)所對應(yīng)的數(shù)據(jù)并形成對應(yīng)的校驗結(jié)果數(shù)據(jù)，從而實現(xiàn)對dxf圖層的正確性的自動判斷，無效人工定位dxf圖層錯誤位置，在提高dxf圖的判定準確性的同時減低了工作時耗，提高了判定效率。

17、進一步，所述服務(wù)端還包括：

18、歷史數(shù)據(jù)獲取模塊，用于獲取歷史航拍圖像，并按照不同的分類對歷史航拍圖像進行象素級別標注，形成帶標注的歷史航拍圖像集；

19、數(shù)據(jù)預(yù)處理模塊，用于對帶標注的歷史航拍圖像集進行數(shù)據(jù)預(yù)處理操作，所述數(shù)據(jù)預(yù)處理操作包括圖像切割操作、數(shù)據(jù)平衡操作以及數(shù)據(jù)增強操作；

20、語義分割模型構(gòu)建模塊，用于架搭建語義分割模型；

21、第一模型訓(xùn)練模塊，用于將預(yù)處理后的帶標注的歷史航拍圖像輸入到構(gòu)建的語義分割模型中，基于預(yù)設(shè)的模型訓(xùn)練策略，對該模型進行迭代訓(xùn)練，在滿足訓(xùn)練條件后輸出對應(yīng)的訓(xùn)練完成后的語義分割模型。

22、有益效果：收集和整理歷史航拍圖像，并對其進行像素級別的標注。這一步驟非常重要，因為高質(zhì)量的數(shù)據(jù)集是訓(xùn)練高性能機器學(xué)習(xí)模型的基礎(chǔ)。對帶標注的歷史航拍圖像集進行一系列預(yù)處理操作，以優(yōu)化模型訓(xùn)練過程并提高模型性能。預(yù)處理過的帶標注的歷史航拍圖像被用來訓(xùn)練語義分割模型。訓(xùn)練過程中會采用一定的訓(xùn)練策略，比如損失函數(shù)的選擇、優(yōu)化算法的配置等。使用帶有標簽的歷史航拍圖像作為輸入，監(jiān)督模型的學(xué)習(xí)過程。通過多輪迭代來不斷調(diào)整模型參數(shù)，直到達到預(yù)定的收斂標準。在訓(xùn)練過程中定期評估模型性能，以監(jiān)控訓(xùn)練進展。從數(shù)據(jù)準備到模型訓(xùn)練，整個過程可以實現(xiàn)自動化，減少人力成本，通過精心設(shè)計的數(shù)據(jù)預(yù)處理和模型訓(xùn)練流程，可以顯著提高模型的準確性和魯棒性。

23、進一步，所述預(yù)設(shè)的模型訓(xùn)練策略為：

24、步驟一、定義語義分割模型中對應(yīng)的超參數(shù)lr和dropout在空間中的搜索范圍；

25、步驟二、在空間中初始化超參數(shù)，分別為lr0和dropout0，形成對應(yīng)的超參數(shù)組合；

26、步驟三、在當前迭代下，基于確定的超參數(shù)組合，對對應(yīng)的超參數(shù)的搜索范圍進行劃分，形成超參數(shù)lr和dropout所對應(yīng)的多個劃分區(qū)間，識別出對應(yīng)的劃分區(qū)間中的中心點，并形成超參數(shù)lr和dropout所對應(yīng)的中心點集，基于兩個中心點集，進行中心點集中中心點的兩兩組合，形成若干個超參數(shù)組合；

27、步驟四、將帶標注的歷史航拍圖像集劃分為訓(xùn)練集和驗證集，基于形成的若干個超參數(shù)組合，分別進行語義分割模型進行訓(xùn)練，并在完成訓(xùn)練之后，通過驗證集的數(shù)據(jù)對訓(xùn)練后的語義分割模型進行驗證，形成對應(yīng)的預(yù)測結(jié)果；

28、步驟五、根據(jù)預(yù)測結(jié)果以及驗證集中的帶標注的歷史航拍圖像集，基于擬合優(yōu)度函數(shù)計算公式，計算出各個超參數(shù)組合所對應(yīng)的擬合優(yōu)度；

29、所述擬合優(yōu)度函數(shù)計算公式為：

30、

31、式中，iou為擬合優(yōu)度，λ1和λ2分別為focal?loss與dice?loss的權(quán)重系數(shù)，y′是輸出類別置信度，范圍在0到1之間，α為權(quán)重參數(shù)；x表示真實的樣本標簽，y表示網(wǎng)絡(luò)的分割結(jié)果，|x∩y|表示x與y的交集，也就是分割的結(jié)果與樣本重疊的位置，|x|和|y|分別代表x和y的元素個數(shù)；

32、步驟六、根據(jù)各個超參數(shù)組合所對應(yīng)的擬合優(yōu)度，選取出擬合優(yōu)度最小的超參數(shù)組合，并判斷對應(yīng)的擬合優(yōu)度是否小于預(yù)設(shè)值fmin或者對應(yīng)的當前迭代次數(shù)是否大于預(yù)設(shè)迭代次數(shù)，若是，則判斷訓(xùn)練結(jié)束，并將當前迭代次數(shù)所對應(yīng)的超參數(shù)組合作為語義分割模型的最優(yōu)超參數(shù)，反之，則記錄下擬合優(yōu)度最小的超參數(shù)組合以及對應(yīng)超參數(shù)組合所在的劃分區(qū)間，將記錄下來的對應(yīng)超參數(shù)組合所在的劃分區(qū)間作為下一次迭代所對應(yīng)的搜索區(qū)間，并重新執(zhí)行步驟三，開始下一次迭代。

33、有益效果：在本方案中，首先是對模型的超參數(shù)進行范圍的限制，并且進行初始化設(shè)置，根據(jù)當前迭代下的超參數(shù)值，將搜索區(qū)間細分為多個小區(qū)間。計算每個區(qū)間的中心點，并形成中心點集。組合中心點形成新的超參數(shù)組合，將數(shù)據(jù)集劃分為訓(xùn)練集和驗證集。使用不同的超參數(shù)組合訓(xùn)練語義分割模型。使用驗證集評估模型性能。基于預(yù)測結(jié)果和真實標簽計算iou指標。使用focal?loss和dice?loss的加權(quán)組合來計算損失函數(shù)。據(jù)iou指標選擇最優(yōu)超參數(shù)組合。檢查是否達到終止條件(iou小于預(yù)設(shè)閾值或達到最大迭代次數(shù))。

34、通過迭代調(diào)整學(xué)習(xí)率learning?rate和dropout，可以自動尋找到最適合當前任務(wù)的超參數(shù)組合，避免了手動調(diào)參的繁瑣過程。

35、使用綜合了focal?loss和dice?loss的擬合優(yōu)度函數(shù)，能夠更全面地評估模型性能，兼顧了分類精度和分割準確度。

36、通過在訓(xùn)練過程中自動調(diào)整超參數(shù)，可以提高模型的魯棒性，使其在面對不同數(shù)據(jù)集時也能保持較好的性能。即通過整個邏輯的設(shè)置實現(xiàn)了自動超參數(shù)的調(diào)優(yōu)，減少了手動調(diào)參的工作量，通過逐步細化搜索區(qū)間和選擇中心點的方式，可以更高效地探索超參數(shù)空間。通過使用iou作為評價指標，并結(jié)合focal?loss和dice?loss，可以提高模型在不平衡數(shù)據(jù)集上的表現(xiàn)，特別是對于小目標或多類別的分割任務(wù)。

37、進一步，所述陰影去除模塊包括：

38、數(shù)據(jù)獲取模塊，用于獲取用于陰影去除模型訓(xùn)練的初始圖像，形成初始圖像集；

39、數(shù)據(jù)處理模塊，用于根據(jù)獲取到的初始圖像集，從初始圖像集中選取一個特定的陰影掩碼ms，以及與其對應(yīng)的陰影圖像is，將ms應(yīng)用于is的陰影部分，裁剪出對應(yīng)的陰影區(qū)域ps，而圖像的剩余區(qū)域象素則被自動設(shè)置為0；

40、還用于從初始圖像集中挑選出另一個隨機的陰影掩碼mn，并將其應(yīng)用于is的無陰影部分，得到一個無陰影區(qū)域pn，其面積與陰影區(qū)域ps的面積接近，結(jié)束條件為：

41、area(pn)/area(ps)∈(1-β,1+β)

42、其中，area(pn)操作負責(zé)計算給定無陰影區(qū)域的面積；

43、還用于根據(jù)得到的陰影區(qū)域ps以及無陰影區(qū)域pn，構(gòu)建成包括陰影區(qū)域ps和無陰影區(qū)域pn的非配對型訓(xùn)練數(shù)據(jù)；

44、還用于根據(jù)構(gòu)建出來的非配對型訓(xùn)練數(shù)據(jù)，將非配對型訓(xùn)練數(shù)據(jù)中pn輸入到預(yù)設(shè)的偽影生成器中，得到輸出的偽影圖像pps；在這個過程中，通過設(shè)置第一鑒別器，對生成的偽影圖像pps鑒別判定為假，對陰影區(qū)域ps鑒別判定為真；

45、陰影去除模型構(gòu)建模塊，用于構(gòu)建陰影去除模型；

46、第二模型訓(xùn)練模塊，用于將非配對型訓(xùn)練數(shù)據(jù)中的pn輸入到偽影生成器中所產(chǎn)生的輸出偽影圖像pns，與pn一起作為陰影去除模型的輸入，輸出對應(yīng)的模型的無陰影區(qū)域pf，判斷此時輸出的無陰影區(qū)域pf以及非配對型訓(xùn)練數(shù)據(jù)中的無陰影區(qū)域pn之間的陰影相似度，并基于陰影相似度判斷對應(yīng)的陰影去除模型是否完成訓(xùn)練，若否，則重新執(zhí)行第二模型訓(xùn)練模塊。

47、有益效果：在本方案中，首先是獲取用于陰影去除模型訓(xùn)練的初始圖像，形成初始圖像集；此時的初始圖像集中的各個初始圖像均是沒有陰影的圖像，相比現(xiàn)有的圖像采集技術(shù)，通常都是采集沒有陰影的圖像之后再采集在相同位置處有陰影的圖像，不僅操作復(fù)雜而且還采集的準確度不高，相似的程度可能存在差異，而本方案則是，從初始圖像集中選取一個特定的陰影掩碼ms，以及與其對應(yīng)的陰影圖像is，將ms應(yīng)用于is的陰影部分，裁剪出對應(yīng)的陰影區(qū)域ps，而圖像的剩余區(qū)域象素則被自動設(shè)置為0；還用于從初始圖像集中挑選出另一個隨機的陰影掩碼mn，并將其應(yīng)用于is的無陰影部分，得到一個無陰影區(qū)域pn，其面積與陰影區(qū)域ps的面積接近，通過這種方式實現(xiàn)了對包括陰影區(qū)域ps和無陰影區(qū)域pn的非配對型訓(xùn)練數(shù)據(jù)的構(gòu)建，從而使得數(shù)據(jù)集中包括了有陰影的圖像和對應(yīng)的無陰影的圖像，通過在這種自動生成的方式極大提高了兩個對比圖像生成的可靠性和高效性。

48、同時在對應(yīng)的陰影去除模型的訓(xùn)練時，輸入的是將pn輸入到偽影生成器產(chǎn)生的輸出pps，連同pn一起，此時理論上pf與pn的內(nèi)容完全一致。在此訓(xùn)練過程中，由于pn和pps是針對圖像中同一塊內(nèi)容的有陰影/無陰影區(qū)域，可以將其視作是配對的訓(xùn)練數(shù)據(jù)，從而建立起類似于弱監(jiān)督的學(xué)習(xí)模式。

49、進一步，所述陰影去除模塊還包括：

50、輸出細化模塊，用于將陰影去除模型輸出的無陰影區(qū)域pf，嵌入到原始輸入的陰影圖像is中，得到對應(yīng)的輸出為pe，并將pe與陰影掩碼mn進行concatenate操作，得到對應(yīng)的輸出圖像pm，所述輸出圖像pm擁有4個特征通道數(shù)，包括pe圖像的3個通道和mn掩碼的1個通道；根據(jù)輸出圖像pm，基于結(jié)果細化器，通過原始陰影圖像is的上下文語義特征，提高去除陰影并恢復(fù)重建的圖像質(zhì)量，并得到最終輸出的無陰影圖像po。

51、有益效果：通過對陰影去除模型輸?shù)臒o陰影區(qū)域的結(jié)果細化的操作，是的最終得到的無陰影圖像能夠保證高質(zhì)量的去除陰影的同時恢復(fù)重建的圖像質(zhì)量也得到提高。

52、進一步，所述服務(wù)端還包括：

53、圖像調(diào)整模塊，用于在獲取到要錄入的航拍圖像和對應(yīng)的dxf圖之后，基于預(yù)設(shè)的圖像調(diào)整策略，對航拍圖像以及對應(yīng)的dxf圖進行自動化調(diào)整；

54、所述圖像調(diào)整策略為：

55、根據(jù)dxf圖所對應(yīng)的原點，在dxf圖中識別出對應(yīng)的道路線條；

56、識別出水平軸沿順時針方向與dxf過原點的道路線條之間的夾角∝，再以原點為旋轉(zhuǎn)基點，對dxf圖內(nèi)的所有元素逆時針旋轉(zhuǎn)∝度，確保dxf內(nèi)繪制的道路基本線條的道路走向水平；

57、根據(jù)航拍圖像，識別出航拍圖像中人為確定的道路所對應(yīng)的起點和終點坐標，所述起點為對應(yīng)的原點，并基于起點坐標和終點坐標，計算起點與終點連線與水平軸的夾角δ，再以確定的原點作為旋轉(zhuǎn)基點，對航拍圖像逆時針旋轉(zhuǎn)δ度，確保航拍圖像內(nèi)的道路走向水平；

58、識別出dxf圖中過原點的道路線條的長度l，以及航拍圖像中起點和終點之間的長度l′；

59、以航拍圖像中的原點為基準點，以l′/l的比例對航拍圖像和dxf圖像進行縮放處理。

60、有益效果：在本方案中，通過對dxf圖的原點的識別以及對應(yīng)的過原點的道路線條的確定，并且計算出該道路線條與水平軸的夾角，以原點為旋轉(zhuǎn)中心，逆時針旋轉(zhuǎn)dxf圖像中的所有元素對應(yīng)角度，使道路線條大致水平，然后又通過人為確定的道路的起點和終點的確定來實現(xiàn)對航拍圖像的旋轉(zhuǎn)，使得航拍圖像內(nèi)的道路也保持水平，通過這種方式使得航拍圖像與dxf圖內(nèi)的道路都能夠在同一水平上，這樣方便后續(xù)的基于航拍圖像的原點來進行統(tǒng)一的縮放操作，確保dxf圖像與航拍圖像能夠精確對齊，自動化過程減少了手動調(diào)整的時間和人力成本，確保不同來源的數(shù)據(jù)具有相同的空間參考系，便于集成和比較。

61、本發(fā)明還提供了一種用于預(yù)碰撞場景的dxf數(shù)據(jù)檢驗方法，使用上述的一種用于預(yù)碰撞場景的dxf數(shù)據(jù)檢驗系統(tǒng)。