路网差分方法、装置、电子设备及存储介质与流程

1.本技术实施例涉及电子地图技术领域，特别是涉及一种路网差分方法、装置、电子设备及存储介质。


背景技术：

2.路网差分指的是对于两份不同的路网数据，对比找出其中存在差异的部分。对于同源路网数据，通过路网差分可以获取前后两版路网数据中增量部分，即对于上版路网数据，获取新版路网数据新增、删除和修正的道路，以便后续对于增量数据进行质量检查，保证新版数据质量。对于异源路网数据，通过与母库路网数据进行差分，可以获取母库路网数据缺失和冗余的道路，进而进行异源路网数据融合，对母库路网数据进行更新，补充母库路网数据，提高路网数据质量。
3.路网数据是由道路弧段组成的，异源路网数据差分的方法一般需要先进行路网匹配，假设两个路网为路网a和路网b，路网匹配需要对路网a和路网b的数据在弧段级别上建立匹配关系，即对于路网a中的每条弧段找到其在路网b中对应的弧段，得到路网之间的匹配关系后，将所有匹配上的弧段截去进行差分，剩下的弧段则是没有匹配上的道路，也就是两份路网之间存在差异的数据，从而得到路网差分结果。同源路网数据一般具有id继承的特性，可以简单地根据id的差分获取新版路网数据中新增和删除的数据；如果不具有id继承的特性，则和异源路网数据差分方法相同。
4.现有的路网差分方法包含匹配和差分两个子过程，属于two-stage方法，这种方法存在以下缺点：路网匹配是给定两条道路判别其是否匹配并给出匹配的置信度，路网匹配本身比较复杂，一般需要依赖道路的路形、距离、拓扑和道路属性等特征，差分的效果依赖于匹配的效果，错误的匹配关系将直接导致错误的差分结果；对源数据完整性的依赖，如上所述，路网匹配一般会用到道路属性和拓扑等特征，这就要求源数据需要具备这些特征，而源数据除了是地图数据厂商生产的完整的路网数据，也可能是根据卫星影像，轨迹等提取生成的路网，这些数据没有道路属性，也缺乏完整的拓扑关系，从而影响到后续的匹配差分；路网差分除了需要知道两条道路是否匹配，还需要知道两条道路匹配的精确位置，道路匹配有1:1，1:n和m:n三种模式，如图1所示，不同的匹配模式会造成不同的差分结果，如果是1:1完全匹配，则两条匹配上的道路ab和cd可以直接截去，如果是1:n和m:n部分匹配，则需要将匹配上的部分截去，剩下的部分继续和其它道路进行差分，如1:n匹配中剩余了dd1，m:n匹配中剩余了aa1和dd1，匹配部分精确位置的确定和多轮差分会降低差分的效果。也就是说，现有技术中包含道路匹配和差分两个子过程的路网差分方法，存在着差分结果准确性差的问题。


技术实现要素：

5.本技术实施例提供一种路网差分方法、装置、电子设备及存储介质，有助于提高下载稳定性。
6.为了解决上述问题，第一方面，本技术实施例提供了一种路网差分方法，包括：
7.从第一路网数据中截取待差分区域的道路数据，作为第一道路数据，从第二路网数据中截取所述待差分区域的道路数据，作为第二道路数据；
8.对所述第一道路数据进行矢量数据栅格化处理，得到第一道路图像，对所述第二道路数据进行矢量数据栅格化处理，得到第二道路图像；
9.将所述第一道路图像和所述第二道路图像输入语义分割模型，通过所述语义分割模型对所述第二道路图像相对于所述第一道路图像进行语义分割处理，得到差分结果图像；
10.对所述差分结果图像进行栅格数据矢量化处理，以将所述差分结果图像转换为与所述第一道路数据和第二道路数据所对应的差分结果。
11.第二方面，本技术实施例提供了一种路网差分装置，包括：
12.道路数据截取模块，用于从第一路网数据中截取待差分区域的道路数据，作为第一道路数据，从第二路网数据中截取所述待差分区域的道路数据，作为第二道路数据；
13.栅格化处理模块，用于对所述第一道路数据进行矢量数据栅格化处理，得到第一道路图像，对所述第二道路数据进行矢量数据栅格化处理，得到第二道路图像；
14.语义分割模块，用于将所述第一道路图像和所述第二道路图像输入语义分割模型，通过所述语义分割模型对所述第二道路图像相对于所述第一道路图像进行语义分割处理，得到差分结果图像；
15.矢量化处理模块，用于对所述差分结果图像进行栅格数据矢量化处理，以将所述差分结果图像转换为与所述第一道路数据和第二道路数据所对应的差分结果。
16.第三方面，本技术实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本技术实施例所述的路网差分方法。
17.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时本技术实施例公开的路网差分方法的步骤。
18.本技术实施例提供的路网差分方法、装置、电子设备及存储介质，通过从第一路网数据中截取待差分区域的道路数据，作为第一道路数据，从第二路网数据中截取待差分区域的道路数据，作为第二道路数据，分别对第一道路数据和第二道路数据进行矢量栅格化处理，得到第一道路图像和第二道路图像，将第一道路图像和第二道路图像输入语义分割模型，通过语义分割模型对第二道路图像相对于第一道路图像进行语义分割处理，得到差分结果图像，对差分结果图像进行栅格数据矢量化处理，以将差分结果图像转换为与第一道路数据和第二道路数据所对应的差分结果。本技术实施例由于使用语义分割模型对第二道路图像相对于第一道路图像进行语义分割，综合考虑了待差分区域内路网的全局特征，可以提高路网差分的准确性，而且不依赖任何道路属性特征，对源路网数据没有完整性要求，提高了泛化性。
附图说明
19.为了更清楚地说明本技术实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实
施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
20.图1是现有技术中的道路匹配模式的示意图；
21.图2是本技术实施例一的路网差分方法的流程图；
22.图3是本技术实施例中待差分区域内道路查询的示意图；
23.图4a-4c是本技术实施例中参考图像、分割图像和分割结果的示意图；
24.图5a-5d是本技术实施例中路网a、路网b、a-b和b-a的示意图；
25.图6是本技术实施例二的路网差分装置的结构示意图；
26.图7是本技术实施例三的电子设备的结构示意图。
具体实施方式
27.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
28.实施例一
29.本实施例提供的一种路网差分方法，如图2所示，该方法包括：步骤210至步骤240。
30.步骤210，从第一路网数据中截取待差分区域的道路数据，作为第一道路数据，从第二路网数据中截取所述待差分区域的道路数据，作为第二道路数据。
31.其中，第一路网数据和第二路网数据可以是两份不同来源的路网数据，也可以是相同来源不同版本的路网数据。第一路网数据和第二路网数据均是矢量数据。待差分区域是预先确定的当前要进行路网差分的实际地理区域，可以通过经纬度坐标表示。
32.在确定待差分区域后，按照表示待差分区域的经纬度坐标，通过空间索引在第一路网数据中查询包含在所述待差分区域内的道路，对与待差分区域的边框相交的道路做截断处理，只保留位于区域内部的道路，得到第一道路数据。同样通过空间索引在第二路网数据中查询包含在所述待差分区域内的道路，对与与待差分区域的边框相交的道路做截断处理，只保留位于区域内部的道路，得到第二道路数据。
33.在本技术的一个实施例中，在所述从第一路网数据中截取待差分区域的道路数据之前，还包括：根据所述语义分割模型的输入图像尺寸和输入图像中每个像素点所表示的栅格的长和宽，确定所述待差分区域的大小；根据所述待差分区域的大小，确定所述待差分区域的起始经纬度坐标和终止经纬度坐标。
34.语义分割模型的输入图像尺寸一般是确定的，因此需要首先根据语义分割模型的输入图像尺寸和输入图像中每个像素点所表示的栅格的长和宽(即每个像素点所表示的真实世界的长和宽)，确定待差分区域的大小，从而在对应一个具体的大区域进行路网差分时，可以将这个大区域根据待差分区域的大小划分为多个较小的待差分区域，得到每个待差分区域的起始经纬度坐标和终止经纬度坐标，例如，在待进行路网差分的大区域为一个城市时，该城市的尺寸为100
×
100，而每个待差分区域的尺寸为10
×
10，则需要将该城市划分为100个待差分区域。对于一个大区域划分得到的多个待差分区域，分别按照本技术实施例中的路网差分方法进行路网差分。
35.例如，u-net网络输入的图像尺寸是512
×
512，对应到原始路网当中需要确定每个像素点代表的长度和宽度，如每个像素点表示现实世界中的0.5m
×
0.5m，则512
×
512的图像可以表示现实世界中256m
×
256m的待差分区域，长和宽固定，待差分区域的区域边框(bounding box)由区域左上角经纬度坐标(x,y)唯一确定，在确定左上角经纬度坐标(起始经纬度坐标)后可以根据待差分区域的长和宽确定待差分区域的终止经纬度坐标。
36.待差分区域的区域边框确定之后，可以根据空间索引从原始路网(第一路网数据和第二路网数据)中查询所有包含在待差分区域内部的道路，与区域边框相交的道路做截断处理，只保留位于待差分区域内部的道路，如图3所示。
37.在本技术的一个实施例中，所述从第一路网数据中截取待差分区域的道路数据，作为第一道路数据，从第二路网数据中截取所述待差分区域的道路数据，作为第二道路数据，包括：将所述待差分区域的四条边分别向外扩大预设距离，得到截取区域；从所述第一路网数据中截取所述截取区域的道路数据，作为第一道路数据；从所述第二路网数据中截取所述截取区域的道路数据，作为第二道路数据。
38.为了避免在进行路网差分时，由于路网的偏移和区域边界处的像素缺少上下文信息导致的区域边界处分割效果较差，可以采取overlap-tile策略，即将待差分区域的四条边分别向外扩大预设距离，得到截取区域，并分别从第一路网数据和第二路网数据中截取所述截取区域的道路数据，得到第一道路数据和第二道路数据，在后续通过语义分割模型得到差分结果图像，并对差分结果图像进行矢量化后得到的矢量数据中截取所述待差分区域的数据，作为待差分区域的差分结果。例如，待差分区域的左上角经纬度坐标和右下角经纬度坐标为(x1,y1,x2,y2)，可以适当扩大一定区域，即四条边分别向外扩展预设距离t，得到截取区域的左上角经纬度坐标和右下角经纬度坐标为(x1-t,y1-t,x2 t,y2 t)，在后续通过语义分割模型得到差分结果图像，并对差分结果图像进行矢量化后得到的矢量数据中截取所述待差分区域的数据，作为差分结果，得到的矢量数据的左上角经纬度坐标和右下角经纬度坐标为(x1-t,y1-t,x2 t,y2 t)，从其中截取区域(x1,y1,x2,y2)的分割结果作为差分结果。
39.步骤220，对所述第一道路数据进行矢量数据栅格化处理，得到第一道路图像，对所述第二道路数据进行矢量数据栅格化处理，得到第二道路图像。
40.在gis(geographic information system，地理信息系统)中，常见的数据形式是矢量数据和栅格数据，矢量数据中的线是由一定序列的点坐标组成，而栅格数据是由像元阵列组成。第一道路数据为从第一路网数据中截取的数据，第二道路数据为从第二路网数据中截取的数据，由于第一路网数据和第二路网数据均为矢量数据，因此，第一道路数据和第二道路数据也均是矢量数据。本技术实施例中，在进行路网差分时，是通过基于神经网络的语义分割模型对表示两个不同路网数据中待差分区域的道路数据的图像进行处理，来得到路网差分结果，因此，需要分别对第一道路数据和第二道路数据进行矢量数据栅格化处理，将第一道路数据转换为第一道路图像，将第二道路数据转换为第二道路图像。
41.在本技术的一个实施例中，所述对所述第一道路数据进行矢量数据栅格化处理，得到第一道路图像，对所述第二道路数据进行矢量数据栅格化处理，得到第二道路图像，包括：将所述第一道路数据中表示道路的栅格所对应像素点的像素值设置为1，将其他栅格所对应像素点的像素值设置为0，得到第一道路图像；将所述第二道路数据中表示道路的栅格
所对应像素点的像素值设置为1，将其他栅格所对应像素点的像素值设置为0，得到第二道路图像。
42.根据空间索引从所述第一道路数据中确定表示道路的数据所在的栅格，将表示道路的栅格所对应像素点的像素值设置为1，将其他栅格所对应像素点的像素值设置为0，即将表示道路的像素点设置为前景，将其他像素点设置为背景。同样，根据空间索引从所述第二道路数据中确定表示道路的数据所在的栅格，将表示道路的栅格所对应像素点的像素值设置为1，将其他栅格所对应像素点的像素值设置为0，即将表示道路的像素点设置为前景，将其他像素点设置为背景。由于在对道路数据进行栅格化时将表示道路的上个所对应像素点的像素值设置为1，将其他栅格所对应像素点的像素值设置为0，相当于给道路加了掩码，便于后续的计算并提高路网差分结果的准确率。
43.步骤230，将所述第一道路图像和所述第二道路图像输入语义分割模型，通过所述语义分割模型对所述第二道路图像相对于所述第一道路图像进行语义分割处理，得到差分结果图像。
44.其中，语义分割模型可以包括全卷积网络模型、带图像的卷积模型、编码器解码器模型，或者基于多尺度和金字塔网络的模型等。将第一道路图像作为参考图像，将第二道路图像作为分割图像，在进行路网差分时对分割图像进行语义分割，确定参考图像相对于分割图像缺失的道路，即所述差分结果图像为所述第一道路图像相对于第二道路图像缺失的道路的图像。当然，还可以将第二道路图像作为参考图像，将第一道路图像作为分割图像，这时，将第一道路图像和第二道路图像输入语义分割模型后，通过语义分割模型对第一道路图像相对于第二道路图像进行语义分割处理，得到差分结果图像，所述差分结果图像为所述第一道路图像相对于第二道路图像冗余的道路的图像(也是第二道路图像相对于第一道路图像缺失的道路的图像)。
45.本技术实施例中，将路网差分问题看作一个语义分割问题，将第一道路图像和第二道路图像输入到语义分割模型中，通过语义分割模型以参考图像作为参考，对分割图像进行语义分割处理，得到差分结果图像。其中，语义分割是计算机视觉中一种常见任务，指的是对图像中的每个像素进行分类。其中，语义分割模型已根据样本训练完成。
46.在本技术的一个实施例中，所述将所述第一道路图像和所述第二道路图像输入语义分割模型，包括：将所述第一道路图像和所述第二道路图像融合为一张图像，得到融合图像，并在所述融合图像中区分表示所述第一道路图像和所述第二道路图像中的道路数据；将所述融合图像输入所述语义分割模型。
47.在将第一道路图像和第二道路图像输入语义分割模型之前，先将第一道路图像和第二道路图像融合为一张图像，得到融合图像，在融合时，区分表示第一道路图像和第二道路图像中的道路数据，使得在融合图像中可以区分出第一道路图像和第二道路图像中的道路数据，例如，可以使用不同颜色或不同线型表示第一道路图像和第二道路图像中的道路数据，。在将第一道路图像和第二道路图像融合为融合图像后，将融合图像输入语义分割模型，通过语义分割模型以融合图像中来自于参考图像的道路数据作为参考，对融合图像中来自于分割图像的道路数据进行语义分割处理。通过在将第一道路图像和第二道路图像融合为一张融合图像时，区分表示第一道路图像和第二道路图像中的道路数据，以便于语义分割模型可以区分出作为参考的道路数据和要进行分割的道路数据。
48.在本技术的一个实施例中，所述将所述第一道路图像和所述第二道路图像输入语义分割模型，包括：将所述第一道路图像和所述第二道路图像按照通道堆叠，得到双通道图像；将所述双通道图像输入所述语义分割模型。
49.将第一道路图像和第二道路图像按照独立通道堆叠形成一个双通道图像，将得到的双通道图像输入语义分割模型，通过语义分割模型以双通道图像中的参考图像作为参考，对双通道图像中的分割图像进行语义分割处理，得到语义分割结果，即差分结果图像。路网差分目标是二分类任务，最后一层使用sigmoid函数激活，所以最终输出的特征图是单通道，因此网络的输入是两张图像堆叠起来的双通道图像，输出的差分结果图像是单通道图像。通过将第一道路图像和第二道路图像堆叠为一个双通道图像后输入语义分割模型，相对于将第一道路图像和第二道路图像融合为一张融合图像来说，可以降低不同来源路网数据的遮盖干扰。
50.在本技术的一个实施例中，所述语义分割模型为u-net模型；
51.通过所述u-net模型中的卷积层在对输入特征图进行卷积处理前，对所述输入特征图进行填充处理，通过所述卷积层对填充处理后的输入特征图进行卷积处理，得到输出特征图，其中，所述输出特征图的尺寸与所述输入特征图的尺寸相同。
52.其中，u-net模型是一个非常流行的语义分割模型，最初应用在医学图像分割中，采用编码器(下采样)-解码器(上采样)结构和跳跃连接的设计方法，只需要少量标注数据就可以达到非常好的分割效果，目前已成功应用到其它领域当中。u-net的网络结构和字母“u”相似而得名，u-net包含左侧的收缩过程和右侧的扩张过程，在收缩过程中，使用卷积和下采样操作使特征图尺寸不断变小进行特征提取，在扩张过程中则使用卷积和上采样操作扩大特征图尺寸，在收缩和扩张过程之间进行跳层连接，融合不同层次的特征，提高分割效果，最后对输出的特征图逐像素进行分类。
53.原始u-net模型在卷积过程中没有使用padding(填充)，导致每次卷积计算后特征图的尺寸变小，本技术实施例中为了使输出的特征图与输入的图像大小对应，所以在卷积过程中加入padding，即在每个卷积层对输入该卷积层的输入特征图进行卷积处理前，先对该输入特征图进行填充处理，之后再将填充处理后的输入特征图输入卷积层，通过卷积层对该填充处理后的输入特征图进行卷积处理，得到输出特征图，使得输出特征图和输入特征图的尺寸相同，从而整个u-net网络只在下采样和上采样过程改变图像尺寸，而卷积过程不改变图像尺寸，这样保证了差分结果图像与第一道路图像和第二道路图像的尺寸相同。
54.可以将第一道路图像和第二道路图像堆叠为双通道图像，将双通道图像输入u-net模型，通过u-net模型以双通道图像中的参考图像作为参考，对双通道图像中的分割图像进行语义分割，这个过程中，通过u-net模型中作为编码器的下采样过程进行特征提取，然后通过作为解码器的上采样对分割图像中的每个像素在参考图像中对应像素的基础上进行二分类预测，正例表示该像素所代表的道路在参考图像对应的路网中缺失，负例表示该像素所代表的道路在参考图像对应的路网中有对应的道路。如图4a-4c所示，图4a是本技术实施例中的参考图像(路网a)的示意图，图4b是本技术实施例中的分割图像(路网b)的示意图，图4c为本技术实施例中标注的分割结果(ground truth)的示意图，ground truth中的结果即为路网a相对于路网b缺失的道路(黑色前景表示正例，白色背景表示负例)，将路网a和路网b调换顺序，即将路网a作为分割图像，将路网b作为参考图像，通过语义分割模型
进行分割时，可以得到路网a相对于路网b冗余的道路。
55.其中，所述u-net模型的损失函数表示如下：
[0056][0057]
其中，n为第一道路图像和第二道路图像的长和宽，y为与作为样本的第一道路图像和第二道路图像对应的差分标注图像，yi是差分标注图像y中的第i个像素点的值，是将所述作为样本的第一道路图像和第二道路图像输入u-net模型得到的差分预测结果，是差分预测结果中的第i个像素点的值，wi是在作为样本的第二道路图像中的第i个像素点的值。
[0058]
其中，第一道路图像和第二道路图像是相同尺寸的图像，在u-net模型中n＝512，因此第一道路图像和第二道路图像的尺寸均为512
×
512，第一道路图像作为参考图像，第二道路图像作为分割图像，wi是在作为样本的分割图像中的第i个像素点的值。
[0059]
原始u-net模型中一般使用的损失函数是交叉熵或加权交叉熵损失函数，由于本技术实施例的任务是给定第一道路图像和第二道路图像两张图像，对其中的分割图像进行语义分割，判断每个像素所代表的道路在参考图像所在路网中是否缺失，缺失则输出1否则输出0，所以分割图像中的所有背景像素在输出特征图中的结果都是0，因此只需对分割图像中的前景(存在路网的区域)中每个像素进行二分类。这样有以下几点优点：使分割图像与参考图像中的道路对应，保证不会凭空产生新的道路；大大减小了计算量，提高训练速度，从原始图像逐像素分类变成只对前景像素进行分类；可以提高了准确率，由于第一道路图像和第二道路图像只是在有路网数据的像素点为前景，其他均为背景，相当于加了一层掩码，使模型的学习不会倾向于背景，而专注于对前景像素的分类，相当于给模型加入注意力机制(attention)。
[0060]
由于分割图像中前景像素的像素点的值为1，其他像素点的值为0，因此wi表示如下：
[0061][0062]
其中，假设第一道路图像为xa，来自路网a，第二道路图像为xb，来自路网b，即给定输入(xa,xb)，这里将第一道路图像xa作为参考图像，将第二道路图像xb作为分割图像，因此，wi是在作为分割图像的第二道路图像中像素点i的值。
[0063]
u-net模型只需要少量标注数据即可得到非常好的分割效果，在本技术实施例的路网差分中，可以选择不同区域的路网数据进行人工标注，例如，实际应用中，人工标注了70个数据，每个数据包含(a,b,groundtruth)，标注的结果如图4a-4c所示，然后使用随机旋转、裁剪、偏移等方式进行数据增强，从70个实际中随机选择50个数据作为训练集，20个数据作为测试集，对u-net模型进行训练，迭代20轮后在测试集上的路网差分效果如图5a-5d所示，其中图5a是本技术实施例中路网a的示意图，图5b是本技术实施例中路网b的示意图，图5c是本技术实施例中a-b的示意图，图5d是本技术实施例中b-a的示意图，a-b表示路网a
独有(即路网a冗余)，b-a表示路网b独有(即路网a缺失)。
[0064]
步骤240，对所述差分结果图像进行栅格数据矢量化处理，以将所述差分结果图像转换为与所述第一道路数据和第二道路数据所对应的差分结果。
[0065]
语义分割模型得到的差分结果图像是栅格图像数据，需要转为矢量数据对应到原始路网当中，语义分割模型中网络的输出经过最后一层sigmoid函数后得到的差分结果图像为每个像素在0-1之间的分类置信度，根据预设阈值对差分结果图像进行二值化处理，得到0和1的二值图，对二值图进行栅格数据矢量化处理，将二值图转换为与第一道路数据和第二道路数据所对应的差分结果，即得到第一道路数据相对于第二道路数据缺失的道路数据。
[0066]
在本技术的一个实施例中，所述对所述差分结果图像进行栅格数据矢量化处理，以将所述差分结果图像转换为与所述第一道路数据和第二道路数据所对应的差分结果，包括：对所述差分结果图像进行二值化处理，得到二值图；对所述二值图进行细化处理，得到骨架图；对所述骨架图进行栅格数据矢量化处理，得到所述骨架图对应的道路矢量数据；将所述道路矢量数据中表示道路的每个数据点扩大预设范围；将扩大范围后的道路矢量数据与所述第一道路数据或第二道路数据求取交集，得到与所述第一道路数据和第二道路数据所对应的差分结果。
[0067]
根据预设阈值对差分结果图像进行二值化处理，将像素值小于预设阈值的像素点设置为值为0，将像素值大于或等于预设阈值的像素点设置为值为1，得到二值图，对二值图进行细化处理，以进行骨架提取，得到骨架图，对骨架图进行栅格数据矢量化处理，即追踪遍历骨架图中的每个像素，将像素点的值转换为矢量数据，并连接各个数据，通过像素坐标与原始路网经纬度坐标的对应关系将矢量数据的像素坐标转换为经纬度坐标，得到经纬度坐标所对应的矢量数据值，即得到所述骨架图对应的道路矢量数据，之后将道路矢量数据中表示道路的每个数据点扩大预设范围，即以该数据点为中心，以预设半径为半径，将该数据点扩大预设范围，使得每个道路扩大了一定范围，即给道路加了缓冲(buffer)，将扩大范围后的道路矢量数据与第一道路数据或第二道路数据求取交集，得到与第一道路数据和第二道路数据所对应的差分结果。其中，如果路网差分的结果是求取第一道路数据相对于第二道路数据的缺失道路，则将扩大范围后的道路矢量数据与第二道路数据求取交集，如果路网差分的结果是求取第一道路数据相对于第二道路数据的冗余道路，则将扩大范围后的道路矢量数据与第二道路数据求取交集。对于路网差分的结果为上述两种结果中的具体哪一种，是由训练语义分割模型时给出的样本数据和标注数据确定的。
[0068]
通过提取二值图的骨架图，并对在矢量化后得到的道路矢量数据中表示道路的每个数据点扩大预设范围，使得扩展预设范围后的道路矢量数据相对于实际路网的道路数据的范围更大，从而在后续求取交集时可以求取到准确的道路交集，得到准确的差分结果，即可以提高差分结果的准确性。
[0069]
本技术实施例由于在对道路数据进行栅格化处理后，利用基于深度神经网络的语义分割模型实现端到端的学习，不需要经过道路匹配阶段，也不需要知道道路精确的匹配位置，可以直接得到差分结果，简化了路网差分的流程；现有的路网差分方法都是以单条道路弧段为单位的，对于第一路网中的每一条道路弧段，在第二路网中找到与其匹配的道路弧段，然后确定匹配位置进行差分，单条道路弧段仅考虑局部特征，而本技术实施例综合考
虑区域内路网信息，有了全局特征可以提高路网差分的准确性；现有的匹配差分方法只考虑局部特征，为了提高准确率，还需要加入道路属性特征(如道路等级，名称和方向等)，因此需要对源路网数据的完整性有依赖，而本技术实施例不依赖任何道路属性特征，所以对源路网数据没有完整性要求，提高了泛化性。
[0070]
本技术实施例提供的路网差分方法，通过从第一路网数据中截取待差分区域的道路数据，作为第一道路数据，从第二路网数据中截取待差分区域的道路数据，作为第二道路数据，分别对第一道路数据和第二道路数据进行矢量栅格化处理，得到第一道路图像和第二道路图像，将第一道路图像和第二道路图像输入语义分割模型，通过语义分割模型对第二道路图像相对于第一道路图像进行语义分割处理，得到差分结果图像，对差分结果图像进行栅格数据矢量化处理，以将差分结果图像转换为与第一道路数据和第二道路数据所对应的差分结果。本技术实施例由于使用语义分割模型对第二道路图像相对于第一道路图像进行语义分割，综合考虑了待差分区域内路网的全局特征，可以提高路网差分的准确性，而且不依赖任何道路属性特征，对源路网数据没有完整性要求，提高了泛化性。
[0071]
实施例二
[0072]
本实施例提供的一种路网差分装置，如图6所示，所述路网差分装置600包括：
[0073]
道路数据截取模块610，用于从第一路网数据中截取待差分区域的道路数据，作为第一道路数据，从第二路网数据中截取所述待差分区域的道路数据，作为第二道路数据；
[0074]
栅格化处理模块620，用于对所述第一道路数据进行矢量数据栅格化处理，得到第一道路图像，对所述第二道路数据进行矢量数据栅格化处理，得到第二道路图像；
[0075]
语义分割模块630，用于将所述第一道路图像和所述第二道路图像输入语义分割模型，通过所述语义分割模型对所述第二道路图像相对于所述第一道路图像进行语义分割处理，得到差分结果图像；
[0076]
矢量化处理模块640，用于对所述差分结果图像进行栅格数据矢量化处理，以将所述差分结果图像转换为与所述第一道路数据和第二道路数据所对应的差分结果。
[0077]
可选的，所述语义分割模块包括：
[0078]
图像堆叠单元，用于将所述第一道路图像和所述第二道路图像按照通道堆叠，得到双通道图像；
[0079]
第一图像输入单元，用于将所述双通道图像输入所述语义分割模型。
[0080]
可选的，所述语义分割模块包括：
[0081]
图像融合单元，用于将所述第一道路图像和所述第二道路图像融合为一张图像，得到融合图像，并在所述融合图像中区分表示所述第一道路图像和所述第二道路图像中的道路数据；
[0082]
第二图像输入单元，用于将所述融合图像输入所述语义分割模型。
[0083]
可选的，所述语义分割模型为u-net模型；
[0084]
通过所述u-net模型中的卷积层在对输入特征图进行卷积处理前，对所述输入特征图进行填充处理，通过所述卷积层对填充处理后的输入特征图进行卷积处理，得到输出特征图，其中，所述输出特征图的尺寸与所述输入特征图的尺寸相同。
[0085]
可选的，所述u-net模型的损失函数表示如下：
[0086][0087]
其中，n为第一道路图像和第二道路图像的长和宽，y为与作为样本的第一道路图像和第二道路图像对应的差分标注图像，yi是差分标注图像y中的第i个像素点的值，是将所述作为样本的第一道路图像和第二道路图像输入u-net模型得到的差分预测结果，是差分预测结果中的第i个像素点的值，wi是在作为样本的第二道路图像中的第i个像素点的值。
[0088]
可选的，所述道路数据截取模块包括：
[0089]
区域扩大单元，用于将所述待差分区域的四条边分别向外扩大预设距离，得到截取区域；
[0090]
道路数据截取单元，用于从所述第一路网数据中截取所述截取区域的道路数据，作为第一道路数据；从所述第二路网数据中截取所述截取区域的道路数据，作为第二道路数据。
[0091]
可选的，所述矢量化处理模块包括：
[0092]
二值化处理单元，用于对所述差分结果图像进行二值化处理，得到二值图；
[0093]
细化处理单元，用于对所述二值图进行细化处理，得到骨架图；
[0094]
矢量化处理单元，用于对所述骨架图进行栅格数据矢量化处理，得到所述骨架图对应的道路矢量数据；
[0095]
数据点范围扩大单元，用于将所述道路矢量数据中表示道路的每个数据点扩大预设范围；
[0096]
差分结果确定单元，用于将扩大范围后的道路矢量数据与所述第一道路数据或第二道路数据求取交集，得到与所述第一道路数据和第二道路数据所对应的差分结果。
[0097]
可选的，所述装置还包括：
[0098]
待差分区域大小确定模块，用于根据所述语义分割模型的输入图像尺寸和输入图像中每个像素点所表示的栅格的长和宽，确定所述待差分区域的大小；
[0099]
待差分区域确定模块，用于根据所述待差分区域的大小，确定所述待差分区域的起始经纬度坐标和终止经纬度坐标。
[0100]
可选的，所述栅格化处理模块具体用于：
[0101]
将所述第一道路数据中表示道路的栅格所对应像素点的像素值设置为1，将其他栅格所对应像素点的像素值设置为0，得到第一道路图像；
[0102]
将所述第二道路数据中表示道路的栅格所对应像素点的像素值设置为1，将其他栅格所对应像素点的像素值设置为0，得到第二道路图像。
[0103]
本技术实施例提供的路网差分装置，用于实现本技术实施例一中所述的路网差分方法的各步骤，装置的各模块的具体实施方式参见相应步骤，此处不再赘述。
[0104]
本技术实施例提供的路网差分装置，通过道路数据截取模块从第一路网数据中截取待差分区域的道路数据，作为第一道路数据，从第二路网数据中截取待差分区域的道路数据，作为第二道路数据，栅格化处理模块分别对第一道路数据和第二道路数据进行矢量
栅格化处理，得到第一道路图像和第二道路图像，语义分割模块将第一道路图像和第二道路图像输入语义分割模型，通过语义分割模型对第二道路图像相对于第一道路图像进行语义分割处理，得到差分结果图像，矢量化处理模块对差分结果图像进行栅格数据矢量化处理，以将差分结果图像转换为与第一道路数据和第二道路数据所对应的差分结果。本技术实施例由于使用语义分割模型对第二道路图像相对于第一道路图像进行语义分割，综合考虑了待差分区域内路网的全局特征，可以提高路网差分的准确性，而且不依赖任何道路属性特征，对源路网数据没有完整性要求，提高了泛化性。
[0105]
实施例三
[0106]
本技术实施例还提供了一种电子设备，如图7所示，该电子设备700可以包括一个或多个处理器710以及与处理器710连接的一个或多个存储器720。电子设备700还可以包括输入接口730和输出接口740，用于与另一装置或系统进行通信。被处理器710执行的程序代码可存储在存储器720中。
[0107]
电子设备700中的处理器710调用存储在存储器720的程序代码，以执行上述实施例中的路网差分方法。
[0108]
上述电子设备中的上述元件可通过总线彼此连接，总线例如数据总线、地址总线、控制总线、扩展总线和局部总线之一或其任意组合。
[0109]
本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本技术实施例一所述的路网差分方法的步骤。
[0110]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0111]
以上对本技术实施例提供的一种路网差分方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。
[0112]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。