CN104700617A - 基于低精度gps轨迹数据的高精度车道信息提取方法 - Google Patents

Abstract

本发明提供一种基于低精度GPS轨迹数据的高精度车道信息提取方法，包括对输入的轨迹数据聚类得到所属路段，分段处理得到分割段并进行优化处理；进行GPS轨迹分布宽度探测，根据样本分割段的车道数量和样本分割段中每个再分割段相应GPS轨迹分布宽度探测结果，构建车道数量判断的基本分类器，得到待测分割段中每个再分割段的车道数量候选值；基于限制性高斯混合模型确定待测分割段中各再分割段的车道数量以及车道中心线；对路段上的GPS轨迹进行轨迹追踪，然后确定各车道的转向信息。本发明构筑了一种从低精度车载GPS轨迹数据中获取高精度车道信息的方法，降低了获取车道信息的成本，且探测方法简单、容易实现。

Description

基于低精度GPS轨迹数据的高精度车道信息提取方法

技术领域

本发明涉及基于低精度GPS轨迹数据中获取高精度车道信息，属于地理信息系统与智能交通研究领域。

背景技术

道路信息(道路级别信息和车道级别信息)是智能辅助驾驶系统应用的基础，其获取方法和精细程度随数据源和需求不断发展演变。现有的道路信息获取方法按数据源不同主要分为三类：从图像数据中提取道路信息，从激光点云数据中获取道路信息以及从时空GPS(全球定位系统)轨迹数据中挖掘道路信息；道路信息获取的精细程度也逐渐由传统的道路级别深入到车道级别。利用时空GPS轨迹大数据提取道路信息是目前研究的热点话题。目前针对车道级别道路信息提取，高精度GPS轨迹数据一般是指GPS定位精度在5米以内，且采集间隔是1s的数据；低精度GPS轨迹是指GPS定位精度低于5米，且采样间隔为20s～60s的GPS数据。Rogerset al.(1999)是最早尝试利用时空DGPS(差分全球定位系统)轨迹数据提取道路中心线以及车道边界线的研究者之一。随后在Rogers等人研究的基础上，利用时空GPS轨迹数据获取道路信息逐渐发展成为一种端对端的模式。这种端对端模式的道路信息获取可以总结为如下几个过程：首先对DGPS轨迹数据进行优化，然后将DGPS轨迹数据与现有地图数据匹配，样条曲线拟合道路中心线，最后通过聚类方法提取车道信息以及细化交叉口的几何结构。John Krumm提出一种脱离原始地图的道路信息获取模式，该模式首先采用轨迹分类和融合方法从大量DGPS轨迹数据中提取道路级别信息，然后利用高斯混合模型从归属于每一条路段的大量轨迹数据中提取车道信息。

利用高质量DGPS轨迹数据提取道路信息虽然具有精细程度高且精度可靠的特点，但是也存在数据采集成本高、周期长且无法反映因为交通管制、城市建设和车道功能改变等引起的道路信息变化的局限性。同高精度DGPS轨迹数据相比，来源于城市出租车系统或者其他采集设备的低精度GPS轨迹数据，虽然定位精度低、采样频率低，但是其海量信息包含了丰富的道路信息和交通动态信息。目前利用低精度时空GPS轨迹数据获取高精度道路信息是一个难点，而大量的研究仍然停留在道路级别信息的获取，例如：道路中心线和复杂交叉口道路的几何结构。

发明内容

本发明在以上研究的基础上，提出了一种从低精度GPS轨迹数据中获取车道级别信息(车道数量、车道线、车道转向信息)的新方法。

本发明提供一种基于低精度GPS轨迹数据的高精度车道信息提取方法，包括以下步骤，

步骤1，根据GPS轨迹数据的位置信息和方向信息，对输入的轨迹数据聚类、初步匹配得到所属路段，对属于同一条路段的轨迹数据进行分段处理得到分割段；

步骤2，对步骤1获取的分割段分别进行优化处理，包括计算分割段内各轨迹点的密度值，小于阈值的保留，否则去除；

步骤3，对各优化处理后的分割段进行GPS轨迹分布宽度探测，将其中已知车道数量的若干分割段作为样本分割段，以未知车道数量的分割段为待测分割段；根据样本分割段的车道数量和样本分割段中每个再分割段相应GPS轨迹分布宽度探测结果，构建车道数量判断的基本分类器，根据待测分割段相应的GPS轨迹分布宽度探测结果和基本分类器得到待测分割段中每个再分割段的车道数量候选值；

步骤4，根据步骤3所得车道数量候选值，基于限制性高斯混合模型确定待测分割段中各再分割段的车道数量以及车道中心线；

步骤5，根据步骤4获取的车道数量和车道中心线信息，对路段上的GPS轨迹进行轨迹追踪，然后确定各车道的转向信息如下，

如果途经两个路段的轨迹方向变化值Δθ分别满足(Δθ<0°&Δθ≈-90°),(Δθ>0°&Δθ≈90°),(Δθ≈0°)and(Δθ>0°&Δθ≈180°)，那么判定该路段上分布的车道转向分别为‘左转’，‘右转’，‘直行’和‘掉头’。

而且，步骤1中轨迹点的密度值求取方式为，设轨迹点P是道路横截面上任意的一个轨迹点，则点P的密度值为以P为中心的邻域内包含其他轨迹点的个数。

而且，步骤2中对分割段进行GPS轨迹分布宽度探测的方式为，

设目标分割段Seg总长为L，按照分割尺度h依次得到n＝(L/h)个再分割段，记为{Seg₁，Seg₂...Seg_n}，再分割点记为{S₁,S₂......S_n+1}，首先通过主成分分析得到各再分割段的主方向，然后拟合得到各再分割段上覆盖的GPS轨迹数据的中心线，以中心线作为相应再分割段上测宽坐标系的横轴，各再分割点为每段再分割段上对应坐标系的坐标原点；初始化i＝1，设定矩形测宽器的增长宽度c和长度为分割尺度h，经过如下过程得到n个再分割段的测宽结果{w₁,w₂,w₃.......w_n}，

第一步，依次取再分割点S_i，将通过主成分分析后得到的主方向作为横轴；

第二步，从原点开始沿着纵轴以宽度c上下增长，记录每次增长后测宽器内覆盖的浮动车数据比例，将每次增长后记录的浮动车数据比例进行累加，直到累加比例达到预定比例阈值停止，将此时测宽器增长的最大纵坐标累加，得到再分割段Seg_i的测宽结果w_i；

第三步，令i＝i+1，坐标系原点平移到新的再分割点S_i，从第一步开始重复执行，直到目标分割段Seg所有再分割段测宽结束。

而且，步骤3建立的基本分类器，包括每种车道数量和相应GPS轨迹分布宽度的宽度范围，所述GPS轨迹分布宽度的宽度范围包括GPS轨迹数据分布的最大值、平均值以及最小值。

而且，步骤4中，对待测分割段中某再分割段，根据步骤3获取的若干个车道类型候选值，依次代入到以下高斯混合模型公式进行计算，并将计算结果代入到评价函数中，选取评价函数值最小时对应的车道数量作为该再分割段的车道数量，所述高斯混合模型公式如下，

$p\left(y\right)=\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_j\frac{1}{\sqrt{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}}\exp (-\frac{{(y-{\mathrm{\&mu;}}_j)}^2}{2{\mathrm{\&sigma;}}^2})$

所述评价函数如下，

$k=\arg \min (-\frac{1}{\mathrm{num}}\underset{i=1}{\overset{\mathrm{num}}{\mathrm{\&Sigma;}}}\log p\left(y_i\right|{\mathrm{\&theta;}}_k)+\mathrm{AIC})$

其中，p(y)表示再分割段上分布轨迹数据的混合高斯分布函数，其中y表示轨迹点旋转后的纵坐标；ω_j表示第j个高斯成分的权值，σ表示混合高斯分布函数中每一个高斯成分的标准差，是再分割段上每个车道宽度的一半，μ_j是第j个高斯成分的均值，为相应车道的车道中心线，其中j＝1,2…k；k表示混合高斯函数p(y)内所包含的高斯成分个数，是再分割段上分布车道的数量；中，i＝1,2…num，num为再分割段上分布轨迹点的个数，y_i表示再分割段上第i个轨迹点经过旋转后的纵坐标；AIC为Akaike信息标准，参数d＝k+2，θ_k为参数集。

而且，对车道中心线进行修正，

设μ_j＝μ+(j-1)×Δμ,j＝1…k，其中μ是沿着道路横截面分布的高斯成分中最右端或者最左端的高斯成分的均值；Δμ是每个高斯成分与邻近高斯成分均值之差，

如果min_width≤Δμ≤max_width,那么Δμ被作为有效值，则μ_j＝μ+(j-1)×Δμ，j＝1,2,…k；

如果Δμ>max_width或者Δμ<min_width，以及min_width≤2σ≤max_width，那么σ作为有效值，修正值Δμ'＝2σ并且μ_j＝μ+(j-1)×Δμ'；

其中，min_width和max_width分别表示车道宽度的最小值和最大值。

而且，当有不同的转向时，确定车道最终转向信息如下，

$f_j=\frac{{\mathrm{value}}_j}{{\mathrm{\&Sigma;}}_{j=1}^4{\mathrm{value}}_j},(j=\mathrm{1,2}..4)$

其中，j表示转向类型，j＝1表示左转，j＝2表示右转，j＝3表示直行，j＝4表示掉头；f_j表示目标车道上出现转向为j的轨迹数占该车道上出现其他转向轨迹数的比例；value_j表示转向为j的轨迹个数。

本发明构筑了一种从低精度车载GPS轨迹数据中获取高精度车道信息的方法，降低了获取车道信息的成本，且探测方法简单、容易实现。本发明所提供方法首先利用相邻性-密度优化方法去除原始GPS轨迹数据中掺杂的大量噪音信息，通过探测优化后轨迹覆盖的宽度间接得到道路宽度；然后从数据库中选取已知车道数量和轨迹覆盖宽度的训练样本，通过分析两者之间的关系构建基本分类器，对待测的轨迹样本进行初步分类获取若干个车道数量类型候选值；最后利用优化的高斯混合模型对最终车道数量类型进行确认，并通过修正异常高斯参数获取车道线位置。车道拓扑信息也即转向信息获取，则是利用轨迹追踪方法比较轨迹方向得到。本发明得到的车道数量探测结果整体精度为82.2％，车道转向探测结果的整体精度为81％。

附图说明：

图1是本发明实施例的方法流程图；

图2是本发明实施例的相似轨迹分段示意图；

图3是本发明实施例的轨迹优化原理示意图，其中图3(a)为轨迹点分布特征示意图，图3(b)为轨迹点邻域示意图；

图4是本发明实施例对分割段上分布的GPS轨迹分布宽度探测的示意图；

图5是本发明实施例分割段车道转向确定的示意图。

具体实施方式

本发明涉及一种从低精度车载GPS轨迹数据中获取高精度车道信息(车道数量、车道线位置、车道转向)的方法。本发明利用一种相邻性-密度聚类方法首先对掺杂有大量噪音的原始GPS轨迹数据进行优化，道路宽度可通过探测优化后的GPS轨迹数据覆盖宽度获得；然后选择一部分已知车道数量和道路探测宽度路段作为训练样本，构建车道类型判断的基本分类器；按照基本分类器对已知道路探测宽度的待测路段进行车道数量类型初次分类，获得若干个候选车道类型；最后利用限制性高斯混合模型确定待测路段最终的车道数量类型，并根据与之对应的每一个高斯成分参数确定车道线位置。车道转向的探测则利用追踪GPS轨迹数据，通过比较轨迹数据方向变化进行确定。

本发明提出基于低精度GPS轨迹数据获取车道信息(车道数量、车道线位置、车道转向)方法，从大量GPS轨迹数据中提取精细的车道信息，以便得到更加丰富细致的道路图。本发明技术方案可采用计算机软件方式支持自动运行流程。以下结合实施例和附图详细说明本发明技术方案。

参见图1，本发明实施例提供的一种从低精度GPS轨迹数据中获取车道信息(车道数量、车道线位置、车道转向)方法，包括如下步骤：

1)对原始GPS轨迹数据进行分段，得到分割段，然后进入2)进行轨迹优化，去除原始轨迹中包含的大量噪音信息；进入3)根据本发明提出的轨迹分布宽度探测方法，得到各分割段的探测宽度，并利用一部分已知车道数量和其轨迹分布宽度信息构建基本分类器，得到待测分割段可能的几种车道数量类型；进入4)利用高斯混合模型方法进一步确定待测分割段的车道数量信息，并根据高斯混合模型参数得到车道中心线；最后进入5)获取车道转向信息。

一种从低精度GPS轨迹数据中获取车道级别信息(车道数量、车道线、车道转向信息)的新方法，包括以下步骤，

步骤1，根据GPS轨迹数据的位置信息和方向信息，对输入的轨迹数据聚类、初步匹配得到所属路段，对属于同一条路段的轨迹数据进行分段处理得到分割段。

实施例具体实现如下，

将没有经过任何处理的原始GPS轨迹按照其行驶方向和位置分别进行聚类，然后采用现有的轨迹匹配方法得到每一个轨迹点归属的路段编号(匹配过程中采用的基础路网是由拓扑点和线条表示的已知道路网络图，是道路级别而不是车道级别的路网，而路段就是路网中两个拓扑点之间的线段)，如何实现聚类和匹配目前已经有很多方法，具体实施时本领域技术人员可自行选择，此处不再赘述；一类轨迹对应一条路段，对一条路段上的GPS轨迹数据进行分段处理，可以将路网拓扑点作为初步分割点，如图2所示，图中分割点即为路网中的拓扑点，TS-001、TS-002、TS-003、TS-004、TS-005则为某一条轨迹初步分段编号，而RS-001、RS-002、RS-003、RS-004、RS-005则为该条轨迹分段后所对应的路段上分割段的编号，该路段上其他轨迹也按此划分，得到每个分割段上所有的轨迹点集合。

步骤2，轨迹优化处理：对包含大量冗余信息的原始GPS轨迹进行优化处理，优化处理以步骤1获取的分割段为基本单位依次进行，采用计算公式如下所示；

根据低精度GPS轨迹数据在道路横截面上的分布特征，提出采用相邻性-密度优化方法。假设轨迹点P是道路横截面上任意的一个轨迹点，那么根据统计学聚类原理可知点P的密度值可以被表达为以P为中心的邻域内包含其他轨迹点的个数，如图3(b)所示。

计算各个轨迹点的具体密度值可以如下所示：

$P(X\&GreaterEqual;n_i)=1-{\mathrm{\&Sigma;}}_{m=0}^{n_i-1\left({\left|r\right|}^m\right)}\frac{e^{-\mathrm{\&lambda;}\left|r\right|}{\mathrm{\&lambda;}}^m}{m!}---\left(1\right)$

$\mathrm{\&lambda;}=\frac{N}{\left|S\right|}---\left(2\right)$

r＝meanDE+variationDE   (3)

$\left|S\right|={\mathrm{\&Sigma;}}_{j=1}^{M}A{T}_j---\left(4\right)$

其中，λ表示轨迹点分布的密度强度，N为分割段道路横截面上所有轨迹点个数，r为轨迹点的邻域半径(|r|为半径r的绝对值，e为自然常数e＝2.718…)，n_i为第i个轨迹点的邻域内包含其他轨迹点的个数，也即以该轨迹点为中心点r为半径的圆内包含其他轨迹点的个数，其中i＝1,2…N。|S|为所有轨迹点分布的面积，meanDE和variationDE分别为所有轨迹点构成Delaunay三角网三角形边长的均值和方差，AT_j则为Delaunay三角网内第j个三角形的面积且j＝1,2…M，M为轨迹点构成Delaunay三角网中三角形的个数。公式1中m＝1,2…n_i，m！表示m的阶乘(m！＝1×2×3×…m)。

按照上述公式，第i个轨迹点的密度值就可以表达为P(X≥n_i)。通过上式计算每一个轨迹点的密度，如果其密度值P(X≥n_i)小于阈值(按照统计学原理该阈值一般取0.05或者0.01)则被定义为有效值，反之则被视作噪音去除。

实施例中，原始GPS轨迹数据中包含很多噪音信息，为提取车道级精细信息带来了极大的干扰。根据GPS轨迹数据在道路横截面的分布特征，如图3(a)所示，大部分GPS轨迹数据都会处于道路中心线两侧，道路中心线聚集度最高，而分布在路面以外区域的GPS轨迹则越来越少，道路两侧只有少量漂移点。基于聚类思想采用相邻性-密度优化方法，根据每一个轨迹点邻域内包含相邻点的个数计算其密度强度，然后利用统计学原理，将密度值小于预设阈值(例如0.01)的轨迹点作为高密度点，也即有效点保留，而其余轨迹点则被视为噪音点去除。

步骤3，基本分类器构建：通过对优化处理后分布在分割段上的GPS轨迹分布宽度探测，并结合一部分已知车道数量和GPS轨迹分布宽度探测结果的分割段构建车道数量判断基本分类器，具体构建过程如下所述：

实施例利用图4所示轨迹分布宽度探测方法对分布在各分割段上的轨迹分布宽度进行探测，其中轨迹分布宽度探测原理如下所述。

假设某目标分割段Seg总长为L，按照分割尺度h对分割段Seg进行再分割(建议分割尺度h取<＝10米)，得到n＝(L/h)个再分割段，记为：{Seg₁，Seg₂...Seg_n}，其再分割点记为：{S₁,S₂......S_n+1}，其中再分割点序号i＝1,2..(n+1)，S₁为目标分割Seg的起点，S₁和S₂之间为再分割段Seg₁，…，S_n和S_n+1之间为再分割段Seg_n。首先通过主成分分析(PCA)得到各再分割段的主方向(由于PCA方法是成熟的技术方案，目前应用非常广泛，本发明不予赘述)，然后拟合得到各分割段的再分割段上覆盖的GPS轨迹数据的中心线，以中心线作为相应再分割段上测宽坐标系的横轴，各再分割点即为每段再分割段上对应坐标系的坐标原点，经过如下过程即可得到n个测宽结果为:{w₁,w₂,w₃.......w_n}。预设矩形测宽器的增长宽度c为0.1m(具体实施时，本领域技术人员可根据情况对增长宽度适当设置)，长度为h(长度可以随机选取，建议取10米左右)，算法具体过程如下所示：

第一步：依次取再分割点S_i，第一次执行时将坐标原点定为S₁，通过主成分分析(PCA)后得到的主方向作为横轴。

第二步：从原点开始沿着纵轴以0.1m的宽度上下增长，记录每次增长后测宽器内覆盖的浮动车数据(FCD)比例，即测宽器内覆盖的浮动车数据量与坐标轴上分布的浮动车数据量的比值。

将每次增长后记录的浮动车数据(FCD)比例进行累加，直到累加比例达到预定比例阈值即可停止增长(预定比例阈值理论上为100％，由于浮动车数据自身精度问题，实际可将最终比例调整减小，例如99％)，将此时测宽器增长的最大纵坐标累加，得到再分割段Seg_i的测宽结果w_i。如图4中所示的：UYj和DYj，第1个分割段的测宽结果w_i＝w₁＝|UYj|+|DYj|其中j表示测宽器纵向移动的次数。

第三步：坐标系原点平移到S₂，从第一步开始重复执行，直到目标分割段Seg所有再分割段测宽结束。具体实施时，可初始化i＝1，每次执行到第三步时，令i＝i+1，坐标系原点平移到新的S_i，依次求取w₁,w₂,w₃.......w_n，直到i＝i+1后i＝n+1，坐标系原点平移到目标路段Seg终点，该目标分割段上所有再分割段已测宽完成。

根据上述轨迹数据宽度探测方法，对步骤2所得各分割段分别进行测宽，其中一部分已知车道数量的分割段作为样本分割段，其他分割段可以作为待测分割段。根据样本分割段的轨迹数据分布宽度探测结果，以再分割段为基本单元，将再分割段的车道数量和轨迹数据分布宽度进行分析，构建基本分类器也即车道类型与其轨迹分布宽度之间的关系对应表。如下表所示：

基本分类器涉及了不同车道类型道路其GPS轨迹数据分布的宽度范围，包括GPS轨迹数据分布的最大值、平均值以及最小值。

对待测分割段上分布的GPS轨迹数据进行初步测宽后，根据分割段各再分割段的测宽结果，参考基本分类器内容得到待测分割段中各再分割段车道数量的可能值。根据待测分割段上再分割段的GPS轨迹数据分布宽度，在进行车道数量探测过程中，以待测分割段作为主目标，其包含GPS轨迹数据分布宽度的再分割段为子目标，依次对子目标进行车道数量探测。即对于待测分割段各再分割段而言，如果已知其轨迹分布宽度，参考车道数量与其对应轨迹分布宽度分类器可以得到大致几个车道数量类型。将这些车道数量类型作为候选结果，即车道类型候选值，例如，某条待测分割段的某一个再分割段经过测宽之后，得到GPS轨迹数据分布宽度是10m，根据基本分类器显示，该待测分割段的某一个再分割段所对应的路段有可能是两车道或三车道，那么该再分割段的车道类型候选值为2和3，然后进入步骤4进一步确认该待测分割段再分割段的最终车道数量类型。

步骤4，基于约束高斯混合模型确定待测分割段的再分割段车道数量类型以及车道中心线：根据优化的约束高斯混合模型对待测分割段的再分割段上分布的GPS轨迹数据进行统计分析，获悉最终的车道数量信息以及其对应的高斯成分参数。如下所述：

对待测分割段的某再分割段，根据步骤3获取的若干个车道类型候选值，依次代入到以下约束高斯混合模型公式(公式5)进行计算，并将计算结果代入到评价函数(公式6)中，选取评价函数值最小时对应的车道数量类型(k)作为当前再分割段的车道类型，且此时的μ_i即为相应车道的车道中心线。

$p\left(y\right)={\mathrm{\&Sigma;}}_{j=1}^k{\mathrm{\&omega;}}_j\frac{1}{\sqrt{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}}\exp (-\frac{{(y-{\mathrm{\&mu;}}_j)}^2}{2{\mathrm{\&sigma;}}^2})---\left(5\right)$

$k=\arg \min (-\frac{1}{\mathrm{num}}{\mathrm{\&Sigma;}}_{i=1}^{\mathrm{num}}\log p\left(y_i\right|{\mathrm{\&theta;}}_k)+\mathrm{AIC})---\left(6\right)$

其中，p(y)表示再分割段上分布轨迹数据的混合高斯分布函数，其中y表示GPS轨迹点旋转后的纵坐标(一般是将原来没有处于水平的轨迹点进行旋转，旋转成水平方向，即与正北方向的夹角是90度)；ω_j表示混合高斯分布函数中第j个高斯成分的权值；σ表示混合高斯分布函数中每一个高斯成分的标准差，也即再分割段上每个车道宽度的一半，μ_j是第j个高斯成分的均值也即第j个车道的车道中心线，其中j＝1,2…k；k表示混合高斯函数p(y)内所包含的高斯成分个数，也即再分割段上分布车道的数量；公式中i＝12…num，num为再分割段上分布轨迹点的个数，y_i表示再分割段上第i个GPS轨迹点经过旋转后的纵坐标；AIC为Akaike信息标准，可参见Akaike信息标准相关文献。其中，d为模型的自由参数；参数集θ_k＝(ω_k,μ_k,σ)，也即当有k个高斯成分时，其权值为ω_k，均值为μ_k，方差为σ，计算如下，

$\mathrm{AIC}=\frac{d}{\mathrm{num}}---\left(7\right)$

其中，参数d＝k+2。

由于低精度GPS轨迹数据质量原因，得到明确的车道数量后，按照约束高斯混合模型参数得到的再分割段的车道中心线与实际情况会有所出入，所以需要对其进行修正。由于μ_j＝μ+(j-1)×Δμ,j＝1…k，其中μ是沿着道路横截面分布的高斯成分中最右端或者最左端的高斯成分的均值，也即最右端或者最左端车道的车道中心线；Δμ是每个高斯成分与其邻近高斯成分均值之差，考虑到车道宽度一致所以取定值，也就是为车道宽度。按照修正策略：

策略1：如果min_width≤Δμ≤max_width,那么Δμ被作为有效值，则μ_j＝μ+(j-1)×Δμ(j＝1,2,…k)。

策略2：如果Δμ>max_width或者Δμ<min_width，以及min_width≤2σ≤max_width,那么σ作为有效值，修正值Δμ'＝2σ并且μ_j＝μ+(j-1)×Δμ'。

其中min_width和max_width分别表示车道宽度的最小值和最大值。

步骤5，车道转向获取：根据步骤4获取的车道数量和车道中心线信息，对路段上分布的GPS轨迹进行轨迹追踪(此时的GPS轨迹是各分割段再分割段的所有轨迹数据经过上述优化、测宽后重新整合得到的一条条轨迹)，然后确定各车道的转向信息：

由于每一个轨迹点记录都包括采集车辆ID、采集时间和坐标，可以方便地进行整合。

图5所示，基础路网由地图拓扑点和线条构成，其中道路情况参见道路边界线和车道边界线，例如：基础路网中的道路路段RS-001和路段RS-004分别有3个车道，分别记为车道-1、车道-2、车道-3，其中分布在道路路段RS-001和道路路段RS-004上的轨迹如图5带箭头虚线所示。假设一条轨迹途径路段RS-001和RS-004，那么其轨迹变化角度Δθ可以被计算为Δθ＝θ₂-θ₁，其中θ₁和θ₂分别表示路段RS-001和RS-004的道路方向。如果途经两个路段的轨迹方向变化值Δθ分别满足(Δθ<0°&Δθ≈-90°),(Δθ>0°&Δθ≈90°),(Δθ≈0°)and(Δθ>0°&Δθ≈180°)，那么可以判定该路段上分布的车道转向可以为：‘左转’，‘右转’，‘直行’和‘掉头’。考虑到城市驾驶员驾驶行为参差不齐，本发明提出如下判定公式，用以确定车道最终转向信息：

$f_j=\frac{{\mathrm{value}}_j}{{\mathrm{\&Sigma;}}_{j=1}^4{\mathrm{value}}_j},(j=\mathrm{1,2}..4)---\left(8\right)$

其中j表示转向类型，j＝1表示左转，j＝2表示右转，j＝3表示直行，j＝4表示掉头；f_j表示目标车道上出现转向为j的轨迹数占该车道上出现其他转向轨迹数的比例；value_j表示转向为j的轨迹个数。

如果某一车道上出现某一转向的轨迹数量占该车道上出现各类转向数量总数的比率大于目前城市驾驶员违规率，那么则将该转向作为该车道的一种转向信息，反之，则不作为其转向信息。

基于本发明，可以方便地从GPS轨迹数据中获取待测分割段中各再分割段的车道信息，包括几何信息车道数量、车道中心线，和拓扑信息车道转向，从而得到车道级别的道路网。本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。

Claims (7)

1.一种基于低精度GPS轨迹数据的高精度车道信息提取方法，其特征在于：包括以下步骤，

步骤1，根据GPS轨迹数据的位置信息和方向信息，对输入的轨迹数据聚类、初步匹配得到所属路段，对属于同一条路段的轨迹数据进行分段处理得到分割段；

步骤2，对步骤1获取的分割段分别进行优化处理，包括计算分割段内各轨迹点的密度值，小于阈值的保留，否则去除；

步骤3，对各优化处理后的分割段进行GPS轨迹分布宽度探测，将其中已知车道数量的若干分割段作为样本分割段，以未知车道数量的分割段为待测分割段；根据样本分割段的车道数量和样本分割段中每个再分割段相应GPS轨迹分布宽度探测结果，构建车道数量判断的基本分类器，根据待测分割段相应的GPS轨迹分布宽度探测结果和基本分类器得到待测分割段中每个再分割段的车道数量候选值；

步骤4，根据步骤3所得车道数量候选值，基于限制性高斯混合模型确定待测分割段中各再分割段的车道数量以及车道中心线；

步骤5，根据步骤4获取的车道数量和车道中心线信息，对路段上的GPS轨迹进行轨迹追踪，然后确定各车道的转向信息如下，

如果途经两个路段的轨迹方向变化值Δθ分别满足(Δθ<0°&Δθ≈-90°),(Δθ>0°&Δθ≈90°),(Δθ≈0°)and(Δθ>0°&Δθ≈180°)，那么判定该路段上分布的车道转向分别为‘左转’，‘右转’，‘直行’和‘掉头’。

2.根据权利要求1所述基于低精度GPS轨迹数据的高精度车道信息提取方法，其特征在于：步骤1中轨迹点的密度值求取方式为，设轨迹点P是道路横截面上任意的一个轨迹点，则点P的密度值为以P为中心的邻域内包含其他轨迹点的个数。

3.根据权利要求1所述基于低精度GPS轨迹数据的高精度车道信息提取方法，其特征在于：步骤2中对分割段进行GPS轨迹分布宽度探测的方式为，

设目标分割段Seg总长为L，按照分割尺度h依次得到n＝(L/h)个再分割段，记为{Seg₁，Seg₂...Seg_n}，再分割点记为{S₁,S₂......S_n+1}，首先通过主成分分析得到各再分割段的主方向，然后拟合得到各再分割段上覆盖的GPS轨迹数据的中心线，以中心线作为相应再分割段上测宽坐标系的横轴，各再分割点为每段再分割段上对应坐标系的坐标原点；初始化i＝1，设定矩形测宽器的增长宽度c和长度为分割尺度h，经过如下过程得到n个再分割段的测宽结果{w₁,w₂,w₃.......w_n}，

第一步，依次取再分割点S_i，将通过主成分分析后得到的主方向作为横轴；

第二步，从原点开始沿着纵轴以宽度c上下增长，记录每次增长后测宽器内覆盖的浮动车数据比例，将每次增长后记录的浮动车数据比例进行累加，直到累加比例达到预定比例阈值停止，将此时测宽器增长的最大纵坐标累加，得到再分割段Seg_i的测宽结果w_i；

第三步，令i＝i+1，坐标系原点平移到新的再分割点S_i，从第一步开始重复执行，直到目标分割段Seg所有再分割段测宽结束。

4.根据权利要求1所述基于低精度GPS轨迹数据的高精度车道信息提取方法，其特征在于：步骤3建立的基本分类器，包括每种车道数量和相应GPS轨迹分布宽度的宽度范围，所述GPS轨迹分布宽度的宽度范围包括GPS轨迹数据分布的最大值、平均值以及最小值。

5.根据权利要求1所述基于低精度GPS轨迹数据的高精度车道信息提取方法，其特征在于：步骤4中，对待测分割段中某再分割段，根据步骤3获取的若干个车道类型候选值，依次代入到以下高斯混合模型公式进行计算，并将计算结果代入到评价函数中，选取评价函数值最小时对应的车道数量作为该再分割段的车道数量，所述高斯混合模型公式如下，

$p\left(y\right)=\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_j\frac{1}{\sqrt{{2\mathrm{\&pi;\&sigma;}}^2}}\exp (-{\frac{(y-{\mathrm{\&mu;}}_j)}{{2\mathrm{\&sigma;}}^2}}^2)$

所述评价函数如下，

$k=\arg \min (-\frac{1}{\mathrm{num}}\underset{i=1}{\overset{\mathrm{num}}{\mathrm{\&Sigma;}}}\log p\left(y_i\right|{\mathrm{\&theta;}}_k)+\mathrm{AIC})$

其中，p(y)表示再分割段上分布轨迹数据的混合高斯分布函数，其中y表示轨迹点旋转后的纵坐标；ω_j表示第j个高斯成分的权值，σ表示混合高斯分布函数中每一个高斯成分的标准差，是再分割段上每个车道宽度的一半，μ_j是第j个高斯成分的均值，为相应车道的车道中心线，其中j＝1,2…k；k表示混合高斯函数p(y)内所包含的高斯成分个数，是再分割段上分布车道的数量；中，i＝1,2…num，num为再分割段上分布轨迹点的个数，y_i表示再分割段上第i个轨迹点经过旋转后的纵坐标；AIC为Akaike信息标准，参数d＝k+2，θ_k为参数集。

6.根据权利要求5所述基于低精度GPS轨迹数据的高精度车道信息提取方法，其特征在于：对车道中心线进行修正，

设μ_j＝μ+(j-1)×Δμ,j＝1…k，其中μ是沿着道路横截面分布的高斯成分中最右端或者最左端的高斯成分的均值；Δμ是每个高斯成分与邻近高斯成分均值之差，

如果min_width≤Δμ≤max_width,那么Δμ被作为有效值，则μ_j＝μ+(j-1)×Δμ，j＝1,2,…k；

如果Δμ>max_width或者Δμ<min_width，以及min_width≤2σ≤max_width，那么σ作为有效值，修正值Δμ'＝2σ并且μ_j＝μ+(j-1)×Δμ'；

其中，min_width和max_width分别表示车道宽度的最小值和最大值。

7.根据权利要求1或2或3或4或5或6所述基于低精度GPS轨迹数据的高精度车道信息提取方法，其特征在于：当有不同的转向时，确定车道最终转向信息如下，

$f_j=\frac{{\mathrm{value}}_j}{{\mathrm{\&Sigma;}}_{j=1}^4{\mathrm{value}}_j}(j=\mathrm{1,2}..4)$

其中，j表示转向类型，j＝1表示左转，j＝2表示右转，j＝3表示直行，j＝4表示掉头；f_j表示目标车道上出现转向为j的轨迹数占该车道上出现其他转向轨迹数的比例；value_j表示转向为j的轨迹个数。