高精车道级地图是构建智慧城市的重要一环,能够有效助力无人驾驶、地图导航、路况分析等诸多实际应用场景。目前,行业内普遍采用的人工手动构建高精车道级地图的方式,在面对海量公路场景、高频地图更新等问题和要求时,显露出地图构建成本高昂、地图时效性低等问题。因此,一种能够快速且精确地自动构建高精车道级地图的方法愈发凸显其重要性。而人工智能算法在图像处理领域的兴起,为使用智能化手段快速构建高精车道级地图的方式提供了可能。同时,无人机硬件设备的发展与成本的降低,为智慧城市大规模、实时数据采集提供了新的可选途径。本文借助无人机硬件平台,使用人工智能算法与传统图像图形算法,实现了从车道标线图像采集、车道标线识别、人工智能模型半自主进化到高精车道级地图自动构建的完整流程,加快由图像数据到高精车道级地图数据的数据流通环节,助力智慧城市相关产业及应用的落地。无人机视角图像中的车道标线呈现出多样化的形状特点,如直线、分叉线、交叉线、螺旋线等,为在人工智能算法中准确描述车道标线形状提出了一定的挑战。本文使用Bi Se Net V2实时语义分割模型完成车道标线识别,使用像素点描述车道标线形状,能够以像素级精度表示各种线条形状的车道标线,并且在模型处理时效性上满足无人机机载电脑的要求。除车道标线形状复杂之外,无人机视角图像中车道标线所占像素比例远低于背景像素比例,属于样本极端不均衡问题。为此,本文提出一种基于Top-K选取的样本极端不均衡联合损失函数,使模型在训练过程中能够均衡地学习各样本类别的信息。此外,本文针对无人机飞行过程中所处场景的特点,设计了随机形状生成、随机图像去雾等图像数据增强算法,增加图像数据集的数据特征丰富度。考虑到语义分割模型训练数据的数据孤岛问题,本文提出一种数据集离线半自主更新机制,糅合标注数据的算法筛选与人工筛选以实现快速的图像标注,构建数据集与模型之间的闭环。同时,考虑到长时间模型训练中难易样本训练侧重程度不一致的问题,本文提出一种单任务样本数据自适应重采样机制,实现训练过程中难易样本数据之间的均衡。在无人机机载电脑Nvidia Jetson NX硬件环境下,本文提出的车道标线识别算法能够对640?640的图像实现0.9920的像素精度及5～10帧/秒的图像处理速度。在无人机视角车道标线识别的基础上,本文使用采用边缘填充改进的Zhang-Suen图像细化、车道标线实例标识算法、基于连通域分析的车道标线矢量提取算法、基于梯度与位置的线形矢量聚合算法等,实现车道标线识别结果到Lane Let2静态高精车道级地图格式的转换,经过高速公路实地测试,在车道标线单个控制点上能够实现1.8～3.5米的地图精度。