CN103310699A - 一种提取道路的线形参数的方法 - Google Patents

Abstract

本发明实施例提供一种提取道路的线形参数的方法，应用于导航装置，方法包括：步骤一，采用从图像空间到参数空间的变换对道路中心线坐标进行线形检测，获得初步道路线形单元；步骤二，利用最小二乘与总体最小二乘混合法对各个所述初步道路线形单元进行平差，得出线形参数；步骤三，对所述线形参数循环执行前后延伸以及平差，直至将所述线形参数划分到各个对应的数据组；步骤四，利用带参数的条件平差对各个所述数据组中的线形参数进行整体平差，得到符合预定条件的优化线形参数；采用所述优化线形参数在导航电子地图上描述道路状况。优化线形参数能够在导航电子地图上非常准确的描述道路状况。

Description

一种提取道路的线形参数的方法

技术领域

本发明涉及电子地图技术，特别是指一种提取道路的线形参数的方法。

背景技术

导航技术中的道路信息非常重要，提高道路信息的准确性、精细化和改进获取几何特性的自动化是制作导航地图的重要技术方向。在道路设计中，道路线形有三种：直线、圆曲线、缓和曲线，一般根据道路等级，缓和曲线都有最小长度值。根据道路起点和终点坐标、方位角，结合线形参数和路宽度，可以准确计算出道路上任何一点的坐标，求出其切线方向等信息。

电子导航地图中的道路，一般以弧段(Link)表示，其几何信息主要以形状点的形式描述；而在道路设计中，每条道路线形要素包括起点与终点坐标、方位角和线形参数。如果能采集到道路线形要素，并将这些数据加入link中，则能够更好的表达道路的几何信息，增加道路几何信息的准确性和精细程度，更有利于电子导航地图中道路的描绘、路径匹配、路径规划和路径引导等。

现有技术存在如下问题：汽车自动驾驶是车辆导航的一个重要方向，电子导航地图的精准需要足够的数据支持，而现有导航电子地图的数据采集与处理中，没有成熟的技术来提取线形参数。

发明内容

本发明要解决的技术问题是提供一种提取道路的线形参数的方法，用于解决现有导航电子地图的数据采集与处理中，没有成熟的技术来提取最优的线形参数的缺陷。

为解决上述技术问题，本发明的实施例提供一种提取道路的线形参数的方法，应用于导航装置，方法包括：步骤一，采用从图像空间到参数空间的变换对道路中心线坐标进行线形检测，获得初步道路线形单元；步骤二，利用最小二乘与总体最小二乘混合法对各个所述初步道路线形单元进行平差，得出线形参数；步骤三，对所述线形参数循环执行前后延伸以及平差，直至将所述线形参数划分到各个对应的数据组；步骤四，利用带参数的条件平差对各个所述数据组中的线形参数进行整体平差，得到符合预定条件的优化线形参数；采用所述优化线形参数在导航电子地图上描述道路状况。

所述的方法中，步骤一之前还包括：步骤A，采集道路的原始数据，包括：道路等级、道路宽度、道路边线和行车线坐标；所述道路边线包括道路两边的坐标，并用于在计算道路中心线时进行检核；对所述道路的原始数据进行数据初处理，包括：根据所述道路的原始数据形成原始道路坐标，描述完整独立的道路；采用四参数坐标转化或者七参数坐标转化对所述原始道路坐标进行转化，生成对应的当地坐标系中的当地道路坐标。

所述的方法中，还包括：步骤B，利用三次样条函数计算出所述道路中心线坐标，包括：步骤B1，输入存放所述道路边线的数据文件，形成矢量：X＝[x₁，x₂，…，x_n+1]^T，Y＝[y₁，y₂，…，y_n+1]^T，矢量中各个元素描述所述道路边线的坐标；计算中间量h_i＝x_i+1-x_i，i＝1，2，…，n；若h_i＝0，去掉所述矢量中相应的点，形成更新后的矢量；步骤B2，计算 $f[x_i,x_{i+1}]=\frac{y_{i+1}-y_i}{x_{i+1}-x_i},$ i＝1，2，…，n；步骤B3，计算起  点  边  界条件d₁： $f(x_1,x_2,x_3)=\frac{f[x_2,x_3]-f[x_1,x_2]}{x_3-x_1},$ $f(x_2,x_3,x_4)=\frac{f[x_3,x_4]-f[x_2,x_3]}{x_4-x_2},$ $f(x_1,x_2,x_3,x_4)=\frac{f[x_2,x_3,x_4]-f[x_1,x_2,x_3]}{x_4-x_1},$ d₁＝-{(h₁+h₂)f[x₁，x₂，x₃，x₄]-f[x₁，x₂，x₃]}；  计算终点边界条件d_n+1： $f(x_{n-2},x_{n-1},x_n)=\frac{f[x_{n-1},x_n]-f[x_{n-2},x_{n-1}]}{x_n-x_{n-2}},$ $f(x_{n-1},x_n,x_{n+1})=\frac{f[x_n,x_{n+1}]-f[x_{n-1},x_n]}{x_{n+}-x_{n-1}},$ $f(x_{n-2},x_{n-2},x_n,x_{n+1})=\frac{f[x_{n-1},x_n,x_{n+1}]-f[x_{n-2},x_{n-1},x_n]}{x_{n+1}-x_{n-2}},$ d_n+1＝-{(h_n-1+h_n)f[x_n-2，x_n-1，x_n，x_n+1]+f[x_n-1，x_n，x_n+1]} ；步骤B4，计算d_i＝f[x_i，x_i+1]-f[x_i-1，x_i]，i＝2，3，…，n，计算矩阵：A(i，i-1)＝h_i-1，A(i，i)＝2×(h_i-1+h_i)，A(i，i+1)＝h_i，i＝2，3，…，n，A(1，1)＝2，A(1，2)＝1，A(n+1，n)＝1，A(n+1，n+1)＝2；  步骤B5，利用三对角算法计算m₁，m₂，…，m_n，L(1，1)＝A(1，2)，U(1，2)＝A(1，2)/L(1，1)，L(i，i)＝A(i，i)-A(i，i-1)×U(i-1，i)，U(1，i+1)＝A(i，i+1)/L(i，i)，i＝2，3，…，n，L(n+1，n+1)＝A(n+1，n+1)-A(n+1，n)×U(n，n+1)，Y₁＝6d₁/L(1，1)，i＝2，3，…，n+1：Y(i，1)＝(6d_i-A(i，i-1)×Y_i-1)/L(i，i)；步骤B6，计算三次样条函数的各系数： $\mathrm{Co}\_a_i=\frac{m_{i+1}-m_i}{6h_i},$ $\mathrm{Co}\_b_i=\frac{m_i{x}_{i+1}-m_{i+1}{x}_i}{2h_i},$ $\mathrm{Co}\_c_i=\frac{y_{i+1}-y_i}{h_i}-\frac{h_i}{6}(m_{i+1}-m_i)-\frac{m_i{x}_{i+1}^2-m_{i+1}{x}_i^2}{2h_i},$ $\mathrm{Co}\_d_i=y_i-m_i\frac{h_i^2}{6}+\frac{m_i{x}_{i+1}^3-m_{i+1}{x}_i^3}{6h_i}-x_i(\frac{y_{i+1}-y_i}{h_i}-\frac{h_i}{6}(m_{i+1}-m_i));$ 步骤B7，求出各个子区间的一阶导数各个系数：fd_a_i＝3Co_a_i，fd_b_i＝2Co_b_i，fd_c_i＝Co_c_i；计算各个子区间的一阶导数： ${\mathrm{fd}}_1=\mathrm{fd}\_a_1\×x_1^2+\mathrm{fd}\_b_1\×x_1+\mathrm{fd}\_c_1,$ ${\mathrm{fd}}_{n+1}=\mathrm{fd}\_a_n\×x_{n+1}^2+\mathrm{fd}\_b_n\×x_{n+1}+\mathrm{fd}\_c_n,$ ${\mathrm{fd}}_i=((\mathrm{fd}\_a_{i-1}+\mathrm{fd}\_a_i)/2)\×x_i^2+((\mathrm{fd}\_b_{i-1}+\mathrm{fd}\_b_i)/2)\×x,$ ${\mathrm{fd}}_i=((\mathrm{fd}\_a_{i-1}+\mathrm{fd}\_a_i)/2)\×x_i^2+((\mathrm{fd}\_b_{i-1}+\mathrm{fd}\_b_i)/2)\×x_i+(\mathrm{fd}\_c_{i-1}+{\mathrm{fd}\_c}_i)/2;$ 步骤B8，计算所述道路中心线坐标： $\left\{\begin{array}{c}C\_x_i=x_i+\frac{W}{2}\×\cos (\arctan \left({\mathrm{fd}}_i\right)+\frac{\mathrm{\π}}{2})\\ C\_y_i=y_i+\frac{W}{2}\×\sin (\arctan \left({\mathrm{fd}}_i\right)+\frac{\mathrm{\π}}{2})\end{array}\right.,$ i＝1，2，…，n。

所述的方法中，还包括：步骤C，根据道路等级规定的缓和曲线最小长度，对所述道路中心线坐标进行初步分组，包括：将所述道路中心线坐标上的第一点作为起始点P1，向后顺序查找点Pn，若P1至Pn的距离d不大于缓和曲线最小长度，则划分为第一组；若大于缓和曲线最小长度，则以Pn为第二组的起始点，直至文件结束；输出按照缓和曲线最小长度分组后的数据，所有组的数据包括三种线形的数据组：直线数据组、圆曲线数据组和混合数据组；所述混合数据组又包括：直线与缓和曲线混合数据组，圆曲线与缓和曲线混合数据组，缓和曲线混合数据组。

所述的方法中，步骤一具体是利用随机Hough变换进行直线检测，包括：步骤11，初始化：计数器S＝0，最大判断次数S_max；允许失败次数f＝0，允许失败最大次数f_max；允许误差d_error；步骤12，对于一个数据组，若S＞S_max，则此数据组为直线数据组，跳出循环；若S＜S_max，则执行步骤13；步骤13，在数据组中任意选取两点，计算出通过这两点的第一直线，且S＝S+1；步骤14，遍历数据组中所有的点，若有点到第一直线距离大于d_error，则f＝f+1；步骤15，若f＞f_max，则数据组为非直线数据组；否则执行步骤12。

所述的方法中，步骤一具体是利用随机Hough变换进行圆曲线检测，包括：步骤11，初始化：计数器S＝0，最大判断次数S_max；允许失败次数f＝0，允许失败最大次数f_max；允许误差d_error；步骤12，若S＞S_max，则当前数据组为圆曲线数据组，跳出循环；若S＜S_max，则执行步骤13；步骤13，在当前数据组中任意选取三点，求出通过这三点的圆曲线参数，且S＝S+1；步骤14，在当前数据组中遍历所有点，若有点到圆曲线距离大于d_error，则f＝f+1；步骤15，若f＞f_max，则当前数据组为混合数据组；否则，执行步骤12；至此，所有数据组被被分为直线数据组、圆曲线数据组和混合数据组。

所述的方法中，步骤一之后还包括：相邻的相同性质的数据组进行合并；所有所述数据组被分为直线数据组、圆曲线数据组和混合数据组。

所述的方法中，步骤二具体包括：将所述直线数据组和所述圆曲线数据组基于TLS-LS的选权迭代法进行平差，得出对应的线形参数，步骤21，直线数据组或者圆曲线数据组对应的方程组

E(Δ)＝0，求出误差方程：V＝AδX+l；对于直线，设直线方程式为y＝ax+b，其中a，b为未知参数，x，y均含有误差，直线误差方程为： $\left\{\begin{array}{c}{v}_{x_i}=\mathrm{\δ}{x}_i-({\hat{x}}_i-x_i^0)\\ v_{y_i}=a^0\mathrm{\δ}{x}_i+x_i^0\mathrm{\δ}\hat{a}\widehat{+\mathrm{\δ}\hat{b}}-(y_i-y_i^0)\end{array}\right.;$ 对于圆曲线，设圆曲线方程式为(x-a)²+(y-b)²＝r²，a，b，r为未知参数，x，y均含有误差，圆曲线方程为：

对圆曲线方程求导得到：

圆曲线方误差方程为：

方程中各项初值计算包括：取当前组数据中的第一点、当中一点、最后一点，坐标分别为P1(x₁，y₁)，P2(x₂，y₂)，P1(x₃，y₃)，若三点不在一线上，则计算出a，b，r的初值： $\left\{\begin{array}{c}{a}^0=\frac{(y_1-y_2)(y_2-y_3)(y_3-y_1)+(y_2-y_3)(x_2^2-x_1^2)+(y_2-y_1)(x_3^2-x_2^2)}{2((y_2-y_3)(x_2-x_1)+(y_2-y_1)(x_3-x_2))}\\ b^0=(x_2-x_1)(a^0-\frac{x_1+x_2}{2})/(y_1-y_2)+\frac{y_1+y_2}{2}\\ r^0=\sqrt{{(x_3-a^0)}^2+(y_3-b^0)}\end{array}\right.$ 任意点的初值计算为：

$\mathrm{\&rho;}=\sqrt{{(x_i-a^0)}^2+{(y_i-b^0)}^2};$ 步骤22，改写为线形规划的形式：AδX-V＝-l；步骤23，线形规划模型是： $\left\{\begin{array}{c}Z=V^{+}+V^{-}=\min \\ \mathrm{A\&delta;}{X}^{+}-\mathrm{\&delta;}{X}^{-}-V^{+}+V^{-}=-l\\ {\mathrm{\&delta;X}}^{+}\&GreaterEqual;0,\mathrm{\&delta;}{X}^{-}\&GreaterEqual;0,V^{+}\&GreaterEqual;0,V^{-}\&GreaterEqual;0\end{array}\right.;$ 步骤24，利用单纯形法定初权，采用IGG权因子： $p\left(v\right)=\left\{\begin{array}{cc}1& \left|v\right|<1.5\mathrm{\&sigma;}\\ \frac{1.5\mathrm{\&sigma;}}{\left|v\right|+k}& 1.5\mathrm{\&sigma;}<\left|v\right|<2.5\mathrm{\&sigma;}\\ 0& \left|v\right|\&GreaterEqual;2.5\mathrm{\&sigma;}\end{array}\right.;$ 步骤25，进行奇异值分解：P(A，B)＝U∑V^T；步骤26，计算出加权解： $X_{\mathrm{TLS}}=-\frac{1}{v_{n+1,n+1}}{P}_{1,n}{[v_{1,n+1},v_{2,n+1},...,v_{n,n+1}]}^T;$ 步骤27，进行精度评定，计算出单位权方差近似值： ${\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}^2=\frac{V^T\stackrel{\&OverBar;}{P}V}{r}.$

所述的方法中，步骤三包括：根据平差计算出的直线参数和圆曲线参数，向两端的混合数据组中进行搜寻，查找到符合限差要求的数据后，将该数据划分到对应的直线数据组或者圆曲线数据组；循环执行所述步骤二中的步骤21～步骤27，当不同性质的数据组的范围不再发生变化时，剩余数据均属于所述混合数据组；根据计算出的不同的线形参数，以及各个数据组之间的相邻关系，求出缓和曲线参数。

所述的方法中，步骤四具体包括：步骤41，道路中心线为一平滑连续的曲线，共有n个路段；对于各个路段，从起点推算至终点，所推算的终点坐标与切线方位角等于所述终点的已知坐标与已知切线方位角，包括：以道路中心线的起点和终点为控制条件，坐标增量和切线方位角变化量的约束条件是 $\left\{\begin{array}{c}\mathrm{\&Sigma;}{\mathrm{dx}}_i={\mathrm{dx}}_{\mathrm{AB}}\\ \mathrm{\&Sigma;d}{y}_i={\mathrm{dy}}_{\mathrm{AB}}\\ \mathrm{\&Sigma;d}{\mathrm{\&alpha;}}_i=d{\mathrm{\&alpha;}}_{\mathrm{AB}}\end{array}\right.,$ 其中dx_i，dy_i，dα_i为各路段的坐标差、方位角变化值，满足： $\left\{\begin{array}{c}{\mathrm{dx}}_i=f_i(a_0,l,k_1,k_2)\\ {\mathrm{dy}}_i=g_i(a_0,l,k_1,k_2)\\ {\mathrm{d\&alpha;}}_i=h_i(a_0,l,k_1,k_2)\end{array}\right.,$ α₀为各路段起点的切线方位角，与所在路段前面的各路段参数相关，是系统参数；设置n-1个系统参数：

各系统参数的初值计算通过递推的方法得到：

...，则方程式为

$\left\{\begin{array}{c}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{x}_i}{\&PartialD;{\hat{x}}_{i-1}}\right)\&CenterDot;{\hat{x}}_{i-1}+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{x}_i}{\&PartialD;L_i}\right)\&CenterDot;d{L}_i+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{x}_i}{\&PartialD;K_{\mathrm{bi}}}\right)\&CenterDot;{\mathrm{dK}}_{\mathrm{bi}}+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{x}_i}{\&PartialD;K_{\mathrm{ei}}}\right)\&CenterDot;{\mathrm{dK}}_{\mathrm{ei}}-(\mathrm{\&Delta;}{x}_{\mathrm{AB}}-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{x}_i^0)=0\\ \underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{y}_i}{\&PartialD;{\hat{x}}_{i-1}}\right)\&CenterDot;{\hat{x}}_{i-1}+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{y}_i}{\&PartialD;L_i}\right)\&CenterDot;{\mathrm{dL}}_i+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{y}_i}{\&PartialD;K_{\mathrm{bi}}}\right)\&CenterDot;{\mathrm{dK}}_{\mathrm{bi}}+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{y}_i}{\&PartialD;K_{\mathrm{ei}}}\right)\&CenterDot;d{K}_{\mathrm{ei}}-(\mathrm{\&Delta;}{y}_{\mathrm{AB}}-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{y}_i^0)=0\\ {\hat{x}}_{i-1}+\mathrm{\&Delta;}{\mathrm{\&alpha;}}_i={\hat{x}}_i\\ \end{array}\right.$

步骤42，包含直线和圆曲线的起点与终点曲率特性的条件方程式是：直线： $v_{\mathrm{kb}}-(-K_b^0)=0,$ $v_{\mathrm{ke}}-(-K_e^0)=0;$ 圆曲线： $v_{\mathrm{kb}}-v_{\mathrm{ke}}-(K_e^0-K_b^0)=0;$ 曲率连续条件： $v_{k\left(i\right)}-v_{k(i-1)}-(K_{i-1}^0-K_i^0)=0;$ 利用带参数的条件平差进行计算，得到优化的线形参数。

本发明的上述技术方案的有益效果如下：先获取道路中心线的初步道路线形单元，对初步道路线形单元进行平差等处理以得出线形参数，找到线形参数的各个符合预定条件的分界点，对所有的道路线形单元进行整体平差，得到优化线形参数，优化线形参数能够在导航电子地图上非常准确的描述道路状况。

附图说明

图1表示一种提取道路的线形参数的方法流程示意图；

图2表示利用三次样条函数得出道路中心线坐标数据的流程图；

图3表示对数据进行初步分组的流程图；

图4表示利用随机Rough转换进行直线检测的流程图；

图5表示利用随机Rough转换进行圆曲线检测的流程图；

图6表示基于TLS-LS的选权迭代法进行平差的流程图；

图7表示利用带参数的条件平差求最优道路线形参数的流程图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

道路设计过程中，电子地图上的道路的线形应当是直线、缓和曲线、圆曲线三种线形中的一种，根据道路起点坐标和终点坐标、方位角、线形参数和道路宽度，可以准确计算出道路上任何一点的坐标，求出任何一点切线方向等信息。线形参数是重要的导航数据，用于描述道路，减少了电子地图的数据量，优化了在电子地图上对道路的表达和描述，使得电子地图更精细化。在自动驾驶中，高速道路从直线转向缓和曲线或者圆曲线时，可以预知前方的转向、曲率等重要信息，以便及早做出正确判断，这在急转弯时更为重要。

本发明实施例提供一种提取道路的线形参数的方法，如图1所示，应用于导航装置，包括：

步骤一，采用图像空间到参数空间的变换对道路中心线坐标进行线形检测，获得初步道路线形单元；

步骤二，利用最小二乘与总体最小二乘混合法对各个所述初步道路线形单元进行平差，得出线形参数；

步骤三，对所述线形参数循环执行前后延伸以及平差，直至将所述线形参数划分到各个对应的数据组；

步骤四，利用带参数的条件平差对各个所述数据组中的线形参数进行整体平差，得到符合预定条件的优化线形参数；采用所述优化线形参数在导航电子地图上描述道路状况。

应用所提供的技术方案，先获取道路中心线的初步道路线形单元，对初步道路线形单元进行平差等处理以得出线形参数，找到线形参数的各个符合预定条件的分界点，对所有的道路线形单元进行整体平差，得到优化线形参数，优化线形参数能够在导航电子地图上非常准确的描述道路状况。

在本申请的技术领域中，优化线形参数通常是指最优线形参数；图像空间到参数空间的变换主要是随机Hough变换。

在一个优选实施例中，步骤一之前还包括：

步骤A1，采集道路的原始数据，包括：道路等级、道路宽度、道路边线和行车线坐标；其中，道路边线包括道路两边的边线的坐标，用以计算道路中心线的过程中进行检核；

步骤A2，对所述道路的原始数据进行数据初处理，包括：根据所述道路的原始数据形成原始道路坐标，原始道路坐标能够描述完整独立的道路；

步骤A3，采用四参数坐标转化或者七参数坐标转化对所述原始道路坐标进行转化，生成对应的当地坐标系中的当地道路坐标。

在一个优选实施例中，如图2所示，还包括：步骤B，利用三次样条函数计算出道路中心线坐标，包括：

步骤B1，输入存放道路边线的数据文件，形成两个矢量：X＝[x₁，x₂，…，x_n+1]^T，  Y＝[y₁，y₂，…，y_n+1]^T。

计算h_i＝x_i+1-x_i，i＝1，2，…，n，其中若h_i＝0，则去掉矢量中相应的点，重新更新矢量X和Y；

步骤B2，计算 $f[x_i,x_{i+1}]=\frac{y_{i+1}-y_i}{x_{i+1}-x_i},$ i＝1，2，…，n；

步骤B3，计算起点边界条件和终点边界条件，起点边界条件： $f(x_1,x_2,x_3)=\frac{f[x_x,x_3]-f[x_1,x_2]}{x_3-x_1},$ $f(x_2,x_3,x_4)=\frac{f[x_3,x_4]-f[x_2,x_3]}{x_4-x_2},$ $f(x_1,x_2,x_3,x_4)=\frac{f[x_2,x_3,x_4]-f[x_1,x_2,x_3]}{x_4-x_1},$ d₁＝-{(h₁+h₂)f[x₁，x₂，x₃，x₄]-f[x₁，x₂，x₃]}；

终点边界条件： $f(x_{n-2},x_{n-1},x_n)=\frac{f[x_{n-1},x_n]-f[x_{n-2},x_{n-1}]}{x_n-x_{n-2}},$ $f(x_{n-1},x_n,x_{n+1})=\frac{f[x_n,x_{n+1}]-f[x_{n-1},x_n]}{x_{n+}-x_{n-1}},$ $f(x_{n-2},x_{n-2},x_n,x_{n+1})=\frac{f[x_{n-1},x_n,x_{n+1}]-f[x_{n-2},x_{n-1},x_n]}{x_{n+1}-x_{n-2}},$ d_n+1＝-{(h_n-1+h_n)f[x_n-2，x_n-1，x_n，x_n+1]+f[x_n-1，x_n，x_n+1]}；

步骤B4，  计算出两个道路中心线坐标之间的距离d_i＝f[x_i，x_i+1]-f[x_i-1，x_i]，i＝2，3，…，n，计算矩阵：A(i，i-1)＝h_i-1，A(i，i)＝2×(h_i-1+h_i)，A(i，i+1)＝h_i，i＝2，3，…，n，  A(1，1)＝2，A(1，2)＝1，A(n+1，n)＝1，A(n+1，n+1)＝2；

步骤B5，利用三对角算法计算m₁，m₂，…，m_n，L(1，1)＝A(1，2)，U(1，2)＝A(1，2)/L(1，1)，L(i，i)＝A(i，i)-A(i，i-1)×U(i-1，i)，U(1，i+1)＝A(i，i+1)/L(i，i)，i＝2，3，…，n，L(n+1，n+1)＝A(n+1，n+1)-A(n+1，n)×U(n，n+1)，Y₁＝6d₁/L(1，1)，i＝2，3，…，n+1：Y(i，1)＝(6d_i-A(i，i-1)×Y_i-1)/L(i，i)；

步骤B6，计算三次样条函数的各系数：

$\mathrm{Co}\_a_i=\frac{m_{i+1}-m_i}{6h_i},$ $\mathrm{Co}\_b_i=\frac{m_i{x}_{i+1}-m_{i+1}{x}_i}{2h_i},$

$\mathrm{Co}\_c_i=\frac{y_{i+1}-y_i}{h_i}-\frac{h_i}{6}(m_{i+1}-m_i)-\frac{m_i{x}_{i+1}^2-m_{i+1}{x}_i^2}{2h_i},$

$\mathrm{Co}\_d_i=y_i-m_i\frac{h_i^2}{6}+\frac{m_i{x}_{i+1}^3-m_{i+1}{x}_i^3}{6h_i}-x_i(\frac{y_{i+1}-y_i}{h_i}-\frac{h_i}{6}(m_{i+1}-m_i));$

步骤B7，求出各个子区间的一阶导数的各个系数：

fd_a_i＝3Co_a_i，fd_b_i＝2Co_b_i，fd_c_i＝Co_c_i；

计算各个子区间的一阶导数： ${\mathrm{fd}}_1=\mathrm{fd}\_a_1\&times;x_1^2+\mathrm{fd}\_b_1\&times;x_1+\mathrm{fd}\_c_1,$

${\mathrm{fd}}_{n+1}=\mathrm{fd}\_a_n\&times;x_{n+1}^2+\mathrm{fd}\_b_n\&times;x_{n+1}+\mathrm{fd}\_c_n,$

${\mathrm{fd}}_i=((\mathrm{fd}\_a_{i-1}+\mathrm{fd}\_a_i)/2)\&times;x_i^2+((\mathrm{fd}\_b_{i-1}+\mathrm{fd}\_b_i)/2)\&times;x,$

${\mathrm{fd}}_i=((\mathrm{fd}\_a_{i-1}+\mathrm{fd}\_a_i)/2)\&times;x_i^2+((\mathrm{fd}\_b_{i-1}+\mathrm{fd}\_b_i)/2)\&times;x_i+(\mathrm{fd}\_c_{i-1}+{\mathrm{fd}\_c}_i)/2;$

步骤B8，计算出道路中心线坐标： $\left\{\begin{array}{c}C\_x_i=x_i+\frac{W}{2}\&times;\cos (\arctan \left({\mathrm{fd}}_i\right)+\frac{\mathrm{\&pi;}}{2})\\ C\_y_i=y_i+\frac{W}{2}\&times;\sin (\arctan \left({\mathrm{fd}}_i\right)+\frac{\mathrm{\&pi;}}{2})\end{array}\right.,$ i＝1，2，…，n。

在一个优选实施例中，如图3所示，还包括：

步骤C，根据道路等级规定的缓和曲线最小长度，对道路中心线坐标进行初步分组，包括：

步骤C1，将所述道路中心线坐标上的第一点作为起始点P1，向后顺序查找点Pn，若P1至Pn的距离d不大于缓和曲线最小长度，则划分为本组；若大于缓和曲线最小长度，则以Pn为起始点，同样查找并分组，直至存放道路坐标数据的文件读取结束；

步骤C2，输出按照缓和曲线最小长度分组后的数据，未进行优化之前，数据所属的数据组依据三种线形分为：直线数据组、圆曲线数据组、混合数据组；其中，所述混合数据组又包括：直线与缓和曲线混合数据组，圆曲线与缓和曲线混合数据组，缓和曲线混合数据组。

在一个优选实施例中，如图4所示，步骤一具体是利用随机Hough变换进行直线检测，包括：

步骤D1，初始化：计数器S＝0，最大判断次数S_max；允许失败次数f＝0，允许失败最大次数f_max；允许误差d_error；

步骤D2，对于一个数据组，若S＞S_max，则当前数据组为直线数据组，跳出循环；若S＜S_max，则执行步骤D3；该数据组可能是直线数据组、圆曲线数据组、混合数据组中的某一种，其中，圆曲线数据组、混合数据组合称为非直线数据组；

步骤D3，在数据组中任意选取两点，计算出通过这两点的第一直线，且S＝S+1；

步骤D4，遍历数据组中所有的点，若有点到第一直线距离大于允许误差d_error，则f＝f+1；

步骤D5，若f＞f_max，则数据组为非直线数据组；否则，执行步骤D2。

在一个优选实施例中，如图5所示，步骤一具体是利用随机Hough变换进行圆曲线检测，包括：

步骤E1，初始化：计数器S＝0，最大判断次数S_max；允许失败次数f＝0，允许失败最大次数f_max；允许误差d_error；

步骤E2，若S＞S_max，则当前数据组为圆曲线数据组，跳出循环；若S＜S_max，则执行下一步骤E3；

步骤E3，在数据组中任意选取三点，求出通过这三点的圆曲线参数，且S＝S+1；

步骤E4，遍历当前数据组中的所有点，若有点到圆曲线距离大于d_error，则f＝f+1；

步骤E5，若f＞f_max，则当前数据组为混合数据组；否则，执行步骤E2；至此，所有数据组被分为直线数据组、圆曲线数据组和混合数据组。

在一个优选实施例中，步骤一之后还包括：相邻相同性质的数据组进行合并。

在一个优选实施例中，如图6所示，步骤二具体包括：直线数据组和圆曲线数据组利用基于TLS-LS的选权迭代法进行平差，得出线形参数，

步骤F1，直线数据组或者圆曲线数据组对应的方程组

E(Δ)＝0，求出误差方程：V＝AδX+l；

对于直线，直线方程式为y＝ax+b，其中a，b为未知参数，x，y均含有误差，直线误差方程为： $\left\{\begin{array}{c}{v}_{x_i}=\mathrm{\&delta;}{x}_i-({\hat{x}}_i-x_i^0)\\ v_{y_i}=a^0\mathrm{\&delta;}{x}_i+x_i^0\mathrm{\&delta;}\hat{a}\widehat{+\mathrm{\&delta;}\hat{b}}-(y_i-y_i^0)\end{array}\right.$

对于圆曲线，设圆曲线方程式为(x-a)²+(y-b)²＝r²，a，b，r为未知参数，x，y均含有误差，圆曲线方程为：

有：

圆曲线方误差方程为：

通过如下方式获取方程中各项初值：取本组数据中的第一点、当中一点、最后一点，坐标分别为P1(x₁，y₁)，P2(x₂，y₂)，P1(x₃，y₃)，若三点不在一线上，则计算a，b，r的初值为：

$\left\{\begin{array}{c}{a}^0=\frac{(y_1-y_2)(y_2-y_3)(y_3-y_1)+(y_2-y_3)(x_2^2-x_1^2)+(y_2-y_1)(x_3^2-x_2^2)}{2((y_2-y_3)(x_2-x_1)+(y_2-y_1)(x_3-x_2))}\\ b^0=(x_2-x_1)(a^0-\frac{x_1+x_2}{2})/(y_1-y_2)+\frac{y_1+y_2}{2}\\ r^0=\sqrt{{(x_3-a^0)}^2+(y_3-b^0)}\end{array}\right.$

任意点的初值计算为：

$\mathrm{\&rho;}=\sqrt{{(x_i-a^0)}^2+{(y_i-b^0)}^2};$

步骤F2，将误差方程改写为线形规划的标准形式：AδX-V＝-l；

步骤F3，计算出线形规划模型： $\left\{\begin{array}{c}Z=V^{+}+V^{-}=\min \\ \mathrm{A\&delta;}{X}^{+}-\mathrm{\&delta;}{X}^{-}-V^{+}+V^{-}=-l\\ {\mathrm{\&delta;X}}^{+}\&GreaterEqual;0,\mathrm{\&delta;}{X}^{-}\&GreaterEqual;0,V^{+}\&GreaterEqual;0,V^{-}\&GreaterEqual;0\end{array}\right.;$

步骤F4，利用单纯形法定初权，采用IGG权因子：

$p\left(v\right)=\left\{\begin{array}{cc}1& \left|v\right|<1.5\mathrm{\&sigma;}\\ \frac{1.5\mathrm{\&sigma;}}{\left|v\right|+k}& 1.5\mathrm{\&sigma;}<\left|v\right|<2.5\mathrm{\&sigma;}\\ 0& \left|v\right|\&GreaterEqual;2.5\mathrm{\&sigma;}\end{array}\right.;$

步骤F5，进行奇异值分解：P(A，B)＝U∑V^T；

步骤F6，计算出加权解： $X_{\mathrm{TLS}}=-\frac{1}{v_{n+1,n+1}}{P}_{1,n}{[v_{1,n+1},v_{2,n+1},...,v_{n,n+1}]}^T;$

步骤F7，进行精度评定，计算出单位权方差近似值： ${\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}^2=\frac{V^T\stackrel{\&OverBar;}{P}V}{r}.$

在一个优选实施例中，如图7所示，步骤三包括：

根据平差计算出的直线的线形参数-即直线方程y＝ax+b中的a，b两个参数，以及计算出圆曲线的线形参数-即圆方程(x-a)²+(y-b)²＝r²中的a，b，r三个参数，向本组数据的前后方向且相邻的混合数据组中进行搜寻，查找符合限差要求的数据，划分到对应的直线数据组或者圆曲线数据组；其中，限差可以根据实际情况设定，一般为0.5米。

循环执行步骤二中的步骤F1～步骤F7，当数据组的范围不再发生变化时，剩余数据均划分到缓和曲线数据组；

根据计算出的不同的线形参数，以及各个数据组的相邻关系，求出缓和曲线参数。

在一个优选实施例中，步骤四具体包括：

步骤G1，道路中心线中，沿各个路段从起点推算至终点，所计算的终点坐标与切线方位角等于终点的已知的坐标与切线方位角，包括：以道路中心线的起点和终点为控制条件，坐标增量和切线方位角变化量的约束条件是 $\left\{\begin{array}{c}\mathrm{\&Sigma;}{\mathrm{dx}}_i={\mathrm{dx}}_{\mathrm{AB}}\\ \mathrm{\&Sigma;d}{y}_i={\mathrm{dy}}_{\mathrm{AB}}\\ \mathrm{\&Sigma;d}{\mathrm{\&alpha;}}_i=d{\mathrm{\&alpha;}}_{\mathrm{AB}}\end{array}\right.,$ 其中dx_i，dy_i，dα_i为各路段的坐标差、方位角变化值，且满足： $\left\{\begin{array}{c}{\mathrm{dx}}_i=f_i(a_0,l,k_1,k_2)\\ {\mathrm{dy}}_i=g_i(a_0,l,k_1,k_2)\\ {\mathrm{d\&alpha;}}_i=h_i(a_0,l,k_1,k_2)\end{array}\right.,$ α₀为各路段起点的切线方位角，与所在路段前面的各路段参数相关，是系统参数；道路中心线共有n个路段，设置n-1个系统参数：

各系统参数的初值计算通过递推的方法得到：

...，则方程式为：

$\left\{\begin{array}{c}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{x}_i}{\&PartialD;{\hat{x}}_{i-1}}\right)\&CenterDot;{\hat{x}}_{i-1}+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{x}_i}{\&PartialD;L_i}\right)\&CenterDot;d{L}_i+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{x}_i}{\&PartialD;K_{\mathrm{bi}}}\right)\&CenterDot;{\mathrm{dK}}_{\mathrm{bi}}+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{x}_i}{\&PartialD;K_{\mathrm{ei}}}\right)\&CenterDot;{\mathrm{dK}}_{\mathrm{ei}}-(\mathrm{\&Delta;}{x}_{\mathrm{AB}}-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{x}_i^0)=0\\ \underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{y}_i}{\&PartialD;{\hat{x}}_{i-1}}\right)\&CenterDot;{\hat{x}}_{i-1}+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{y}_i}{\&PartialD;L_i}\right)\&CenterDot;{\mathrm{dL}}_i+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{y}_i}{\&PartialD;K_{\mathrm{bi}}}\right)\&CenterDot;{\mathrm{dK}}_{\mathrm{bi}}+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{y}_i}{\&PartialD;K_{\mathrm{ei}}}\right)\&CenterDot;d{K}_{\mathrm{ei}}-(\mathrm{\&Delta;}{y}_{\mathrm{AB}}-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{y}_i^0)=0\\ {\hat{x}}_{i-1}+\mathrm{\&Delta;}{\mathrm{\&alpha;}}_i={\hat{x}}_i\\ \end{array}\right.$

步骤G2，道路中心线为一平滑连续的曲线，且考虑直线和圆曲线的起点与终点曲率特性，得到条件方程式，包括：

直线： $v_{\mathrm{kb}}-(-K_b^0)=0,$ $v_{\mathrm{ke}}-(-K_e^0)=0;$

圆曲线： $v_{\mathrm{kb}}-v_{\mathrm{ke}}-(K_e^0-K_b^0)=0;$

曲率连续条件： $v_{k\left(i\right)}-v_{k(i-1)}-(K_{i-1}^0-K_i^0)=0;$

步骤G3，利用带参数的条件平差进行计算，求出最优的线形参数，此为优化线形参数。包括：把步骤G1和步骤G2得出的方程式整理成AV+A_xX+W＝0的形式，其中：

按照公式依次进行计算：N_aa＝AP^-1A^T，

V＝-P^-1A^TN_aa(A_xX+W)。

采用所述优化线形参数在导航电子地图上描述道路状况。

采用本方案之后的优势是：获取道路中心线的初步道路线形单元，对初步道路线形单元进行平差等处理以得出线形参数，找到线形参数的各个符合预定条件的分界点，对所有的道路线形单元进行整体平差，得到优化线形参数，优化线形参数能够在导航电子地图上非常准确的描述道路状况，减少了电子地图的数据量，优化了在电子地图上对道路的表达和描述，使得电子地图更精细化。在自动驾驶中，高速道路从直线转向缓和曲线或者圆曲线时，可以预知前方的转向、曲率等重要信息，以便及早做出正确判断，这在急转弯时更为重要。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种提取道路的线形参数的方法，应用于导航装置，其特征在于，方法包括：

步骤一，采用从图像空间到参数空间的变换对道路中心线坐标进行线形检测，获得初步道路线形单元；

步骤二，利用最小二乘与总体最小二乘混合法对各个所述初步道路线形单元进行平差，得出线形参数；

步骤三，对所述线形参数循环执行前后延伸以及平差，直至将所述线形参数划分到各个对应的数据组；

步骤四，利用带参数的条件平差对各个所述数据组中的线形参数进行整体平差，得到符合预定条件的优化线形参数；采用所述优化线形参数在导航电子地图上描述道路状况。

2.根据权利要求1所述的方法，其特征在于，所述步骤一之前还包括：

步骤A，采集道路的原始数据，包括：道路等级、道路宽度、道路边线和行车线坐标；所述道路边线包括道路两边的坐标，并用于在计算道路中心线时进行检核；

对所述道路的原始数据进行数据初处理，包括：

根据所述道路的原始数据形成原始道路坐标，描述完整独立的道路；

采用四参数坐标转化或者七参数坐标转化对所述原始道路坐标进行转化，生成对应的当地坐标系中的当地道路坐标。

3.根据权利要求2所述的方法，其特征在于，还包括：

步骤B，利用三次样条函数计算出所述道路中心线坐标，包括：

步骤B1，输入存放所述道路边线的数据文件，形成矢量：X＝[x₁，x₂，...，x_n+1]^T，Y＝[y₁，y₂，...，y_n+1]^T，矢量中各个元素描述所述道路边线的坐标；

计算中间量h_i＝x_i+1-x_i，i＝1，2，...，n；若h_i＝0，去掉所述矢量中相应的点，形成更新后的矢量；

步骤B2，计算 $f[x_i,x_{i+1}]=\frac{y_{i+1}-y_i}{x_{i+1}-x_i},$ i＝1，2，...，n；

步骤B3，计算起点边界条件d₁：

$f(x_1,x_2,x_3)=\frac{f[x_2,x_3]-f[x_1,x_2]}{x_3-x_1},$ $f(x_2,x_3,x_4)=\frac{f[x_3,x_4]-f[x_2,x_3]}{x_4-x_2},$

$f(x_1,x_2,x_3,x_4)=\frac{f[x_2,x_3,x_4]-f[x_1,x_2,x_3]}{x_4-x_1},$ d₁＝-{(h₁+h₂)f[x₁，x₂，x₃，x₄]-f[x₁，x₂，x₃]}；

计算终点边界条件d_n+1：

$f(x_{n-2},x_{n-1},x_n)=\frac{f[x_{n-1},x_n]-f[x_{n-2},x_{n-1}]}{x_n-x_{n-2}},$ $f(x_{n-1},x_n,x_{n+1})=\frac{f[x_n,x_{n+1}]-f[x_{n-1},x_n]}{x_{n+}-x_{n-1}},$

$f(x_{n-2},x_{n-2},x_n,x_{n+1})=\frac{f[x_{n-1},x_n,x_{n+1}]-f[x_{n-2},x_{n-1},x_n]}{x_{n+1}-x_{n-2}},$

d_n+1＝-{(h_n-1+h_n)f[x_n-2，x_n-1，x_n，x_n+1]+f[x_n-1，x_n，x_n+1]}；

步骤B4，计算d_i＝f[x_i，x_i+1]-f[x_i-1，x_i]，i＝2，3，...，n，

计算矩阵：A(i，i-1)＝h_i-1，A(i，i)＝2×(h_i-1+h_i)，A(i，i+1)＝h_i，i＝2，3，...，n，A(1，1)＝2，A(1，2)＝1，A(n+1，n)＝1，A(n+1，n+1)＝2；

步骤B5，利用三对角算法计算m₁，m₂，...，m_n，L(1，1)＝A(1，2)，U(1，2)＝A(1，2)/L(1，1)，L(i，i)＝A(i，i)-A(i，i-1)×U(i-1，i)，U(1，i+1)＝A(i，i+1)/L(i，i)，i＝2，3，...，n，L(n+1，n+1)＝A(n+1，n+1)-A(n+1，n)×U(n，n+1)，Y₁＝6d₁/L(1，1)，i＝2，3，...，n+1：Y(i，1)＝(6d_i-A(i，i-1)×Y_i-1)/L(i，i)；

步骤B6，计算三次样条函数的各系数：

$\mathrm{Co}\_a_i=\frac{m_{i+1}-m_i}{6h_i},$ $\mathrm{Co}\_b_i=\frac{m_i{x}_{i+1}-m_{i+1}{x}_i}{2h_i},$

$\mathrm{Co}\_c_i=\frac{y_{i+1}-y_i}{h_i}-\frac{h_i}{6}(m_{i+1}-m_i)-\frac{m_i{x}_{i+1}^2-m_{i+1}{x}_i^2}{2h_i},$

$\mathrm{Co}\_d_i=y_i-m_i\frac{h_i^2}{6}+\frac{m_i{x}_{i+1}^3-m_{i+1}{x}_i^3}{6h_i}-x_i(\frac{y_{i+1}-y_i}{h_i}-\frac{h_i}{6}(m_{i+1}-m_i));$

步骤B7，求出各个子区间的一阶导数各个系数：

fd_a_i＝3Co_a_i，fd_b_i＝2Co_b_i，fd_c_i＝Co_c_i；

计算各个子区间的一阶导数： ${\mathrm{fd}}_1=\mathrm{fd}\_a_1\&times;x_1^2+\mathrm{fd}\_b_1\&times;x_1+\mathrm{fd}\_c_1,$

${\mathrm{fd}}_{n+1}=\mathrm{fd}\_a_n\&times;x_{n+1}^2+\mathrm{fd}\_b_n\&times;x_{n+1}+\mathrm{fd}\_c_n,$

${\mathrm{fd}}_i=((\mathrm{fd}\_a_{i-1}+\mathrm{fd}\_a_i)/2)\&times;x_i^2+((\mathrm{fd}\_b_{i-1}+\mathrm{fd}\_b_i)/2)\&times;x,$

${\mathrm{fd}}_i=((\mathrm{fd}\_a_{i-1}+\mathrm{fd}\_a_i)/2)\&times;x_i^2+((\mathrm{fd}\_b_{i-1}+\mathrm{fd}\_b_i)/2)\&times;x_i+(\mathrm{fd}\_c_{i-1}+{\mathrm{fd}\_c}_i)/2;$

步骤B8，计算所述道路中心线坐标： $\left\{\begin{array}{c}C\_x_i=x_i+\frac{W}{2}\&times;\cos (\arctan \left({\mathrm{fd}}_i\right)+\frac{\mathrm{\&pi;}}{2})\\ C\_y_i=y_i+\frac{W}{2}\&times;\sin (\arctan \left({\mathrm{fd}}_i\right)+\frac{\mathrm{\&pi;}}{2})\end{array}\right.,$ i＝1，2，...，n。

4.根据权利要求2所述的方法，其特征在于，还包括：

步骤C，根据道路等级规定的缓和曲线最小长度，对所述道路中心线坐标进行初步分组，包括：

将所述道路中心线坐标上的第一点作为起始点P1，向后顺序查找点Pn，若P1至Pn的距离d不大于缓和曲线最小长度，则划分为第一组；若大于缓和曲线最小长度，则以Pn为第二组的起始点，直至文件结束；

输出按照缓和曲线最小长度分组后的数据，所有组的数据包括三种线形的数据组：直线数据组、圆曲线数据组和混合数据组；所述混合数据组又包括：直线与缓和曲线混合数据组，圆曲线与缓和曲线混合数据组，缓和曲线混合数据组。

5.根据权利要求1所述的方法，其特征在于，步骤一具体是利用随机Hough变换进行直线检测，包括：

步骤11，初始化：计数器S＝0，最大判断次数S_max；允许失败次数f＝0，允许失败最大次数f_max；允许误差d_error；

步骤12，对于一个数据组，若S＞S_max，则此数据组为直线数据组，跳出循环；若S＜S_max，则执行步骤13；

步骤13，在数据组中任意选取两点，计算出通过这两点的第一直线，且S＝S+1；

步骤14，遍历数据组中所有的点，若有点到第一直线距离大于d_error，则f＝f+1；

步骤15，若f＞f_max，则数据组为非直线数据组；否则，执行步骤12。

6.根据权利要求1所述的方法，其特征在于，步骤一具体是利用随机Hough变换进行圆曲线检测，包括：

步骤11，初始化：计数器S＝0，最大判断次数S_max；允许失败次数f＝0，允许失败最大次数f_max；允许误差d_error；

步骤12，若S＞S_max，则当前数据组为圆曲线数据组，跳出循环；若S＜S_max，则执行步骤13；

步骤13，在当前数据组中任意选取三点，求出通过这三点的圆曲线参数，且S＝S+1；

步骤14，在当前数据组中遍历所有点，若有点到圆曲线距离大于d_error，则f＝f+1；

步骤15，若f＞f_max，则当前数据组为混合数据组；否则，执行步骤12；至此，所有数据组被被分为直线数据组、圆曲线数据组和混合数据组。

7.根据权利要求5或6所述的方法，其特征在于，步骤一之后还包括：

相邻的相同性质的数据组进行合并；所有所述数据组被分为直线数据组、圆曲线数据组和混合数据组。

8.根据权利要求1所述的方法，其特征在于，步骤二具体包括：

将所述直线数据组和所述圆曲线数据组基于TLS-LS的选权迭代法进行平差，得出对应的线形参数，

步骤21，直线数据组或者圆曲线数据组对应的方程组

E(Δ)＝0，求出误差方程：V＝AδX+l；

对于直线，设直线方程式为y＝ax+b，其中a，b为未知参数，x，y均含有误差，直线误差方程为： $\left\{\begin{array}{c}{v}_{x_i}=\mathrm{\&delta;}{x}_i-({\hat{x}}_i-x_i^0)\\ v_{y_i}=a^0\mathrm{\&delta;}{x}_i+x_i^0\mathrm{\&delta;}\hat{a}\widehat{+\mathrm{\&delta;}\hat{b}}-(y_i-y_i^0)\end{array}\right.;$

对于圆曲线，设圆曲线方程式为(x-a)²+(y-b)²＝r²，a，b，r为未知参数，x，y均含有误差，圆曲线方程为：

对圆曲线方程求导得到：

圆曲线方误差方程为：

方程中各项初值计算包括：取当前组数据中的第一点、当中一点、最后一点，坐标分别为P1(x₁，y₁)，P2(x₂，y₂)，P1(x₃，y₃)，若三点不在一线上，则计算出a，b，r的初值：

$\left\{\begin{array}{c}{a}^0=\frac{(y_1-y_2)(y_2-y_3)(y_3-y_1)+(y_2-y_3)(x_2^2-x_1^2)+(y_2-y_1)(x_3^2-x_2^2)}{2((y_2-y_3)(x_2-x_1)+(y_2-y_1)(x_3-x_2))}\\ b^0=(x_2-x_1)(a^0-\frac{x_1+x_2}{2})/(y_1-y_2)+\frac{y_1+y_2}{2}\\ r^0=\sqrt{{(x_3-a^0)}^2+(y_3-b^0)}\end{array}\right.$

任意点的初值计算为： $\mathrm{\&rho;}=\sqrt{{(x_i-a^0)}^2+{(y_i-b^0)}^2};$

步骤22，改写为线形规划的形式：AδX-V＝-l；

步骤23，线形规划模型是： $\left\{\begin{array}{c}Z=V^{+}+V^{-}=\min \\ \mathrm{A\&delta;}{X}^{+}-\mathrm{\&delta;}{X}^{-}-V^{+}+V^{-}=-l\\ {\mathrm{\&delta;X}}^{+}\&GreaterEqual;0,\mathrm{\&delta;}{X}^{-}\&GreaterEqual;0,V^{+}\&GreaterEqual;0,V^{-}\&GreaterEqual;0\end{array}\right.;$

步骤24，  利用单纯形法定初权，  采用IGG权因子：

$p\left(v\right)=\left\{\begin{array}{cc}1& \left|v\right|<1.5\mathrm{\&sigma;}\\ \frac{1.5\mathrm{\&sigma;}}{\left|v\right|+k}& 1.5\mathrm{\&sigma;}<\left|v\right|<2.5\mathrm{\&sigma;}\\ 0& \left|v\right|\&GreaterEqual;2.5\mathrm{\&sigma;}\end{array}\right.;$

步骤25，进行奇异值分解：P(A，B)＝U∑V^T；

步骤26，计算出加权解： $X_{\mathrm{TLS}}=-\frac{1}{v_{n+1,n+1}}{P}_{1,n}{[v_{1,n+1},v_{2,n+1},...,v_{n,n+1}]}^T;$

步骤27，进行精度评定，计算出单位权方差近似值： ${\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}^2=\frac{V^T\stackrel{\&OverBar;}{P}V}{r}.$

9.根据权利要求8所述的方法，其特征在于，步骤三包括：

根据平差计算出的直线参数和圆曲线参数，向两端的混合数据组中进行搜寻，查找到符合限差要求的数据后，将该数据划分到对应的直线数据组或者圆曲线数据组；

循环执行所述步骤二中的步骤21～步骤27，当不同性质的数据组的范围不再发生变化时，剩余数据均属于所述混合数据组；

根据计算出的不同的线形参数，以及各个数据组之间的相邻关系，求出缓和曲线参数。

10.根据权利要求1所述的方法，其特征在于，步骤四具体包括：

步骤41，道路中心线为一平滑连续的曲线，共有n个路段；对于各个路段，从起点推算至终点，所推算的终点坐标与切线方位角等于所述终点的已知坐标与已知切线方位角，包括：以道路中心线的起点和终点为控制条件，坐标增量和切线方位角变化量的约束条件是 $\left\{\begin{array}{c}\mathrm{\&Sigma;}{\mathrm{dx}}_i={\mathrm{dx}}_{\mathrm{AB}}\\ \mathrm{\&Sigma;d}{y}_i={\mathrm{dy}}_{\mathrm{AB}}\\ \mathrm{\&Sigma;d}{\mathrm{\&alpha;}}_i=d{\mathrm{\&alpha;}}_{\mathrm{AB}}\end{array}\right.,$ 其中dx_i，dy_i，dα_i为各路段的坐标差、方位角变化值，满足： $\left\{\begin{array}{c}{\mathrm{dx}}_i=f_i(a_0,l,k_1,k_2)\\ {\mathrm{dy}}_i=g_i(a_0,l,k_1,k_2)\\ {\mathrm{d\&alpha;}}_i=h_i(a_0,l,k_1,k_2)\end{array}\right.,$ α₀为各路段起点的切线方位角，与所在路段前面的各路段参数相关，是系统参数；设置n-1个系统参数：各系统参数的初值计算通过递推的方法得到：

...，

则方程式为：

$\left\{\begin{array}{c}\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{x}_i}{\&PartialD;{\hat{x}}_{i-1}}\right)\&CenterDot;{\hat{x}}_{i-1}+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{x}_i}{\&PartialD;L_i}\right)\&CenterDot;d{L}_i+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{x}_i}{\&PartialD;K_{\mathrm{bi}}}\right)\&CenterDot;{\mathrm{dK}}_{\mathrm{bi}}+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{x}_i}{\&PartialD;K_{\mathrm{ei}}}\right)\&CenterDot;{\mathrm{dK}}_{\mathrm{ei}}-(\mathrm{\&Delta;}{x}_{\mathrm{AB}}-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{x}_i^0)=0\\ \underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{y}_i}{\&PartialD;{\hat{x}}_{i-1}}\right)\&CenterDot;{\hat{x}}_{i-1}+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{y}_i}{\&PartialD;L_i}\right)\&CenterDot;{\mathrm{dL}}_i+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{y}_i}{\&PartialD;K_{\mathrm{bi}}}\right)\&CenterDot;{\mathrm{dK}}_{\mathrm{bi}}+\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(\frac{\&PartialD;\mathrm{\&Delta;}{y}_i}{\&PartialD;K_{\mathrm{ei}}}\right)\&CenterDot;d{K}_{\mathrm{ei}}-(\mathrm{\&Delta;}{y}_{\mathrm{AB}}-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{y}_i^0)=0\\ {\hat{x}}_{i-1}+\mathrm{\&Delta;}{\mathrm{\&alpha;}}_i={\hat{x}}_i\\ \end{array}\right.$

步骤42，包含直线和圆曲线的起点与终点曲率特性的条件方程式是：

直线： $v_{\mathrm{kb}}-(-K_b^0)=0,$ $v_{\mathrm{ke}}-(-K_e^0)=0;$

圆曲线： $v_{\mathrm{kb}}-v_{\mathrm{ke}}-(K_e^0-K_b^0)=0;$

曲率连续条件： $v_{k\left(i\right)}-v_{k(i-1)}-(K_{i-1}^0-K_i^0)=0;$

利用带参数的条件平差进行计算，得到优化的线形参数。

Images