CN107796414B - 一种基于街景图美学评分的最美路径导航方法和系统 - Google Patents

一种基于街景图美学评分的最美路径导航方法和系统 Download PDF

Info

Publication number
CN107796414B
CN107796414B CN201710984682.8A CN201710984682A CN107796414B CN 107796414 B CN107796414 B CN 107796414B CN 201710984682 A CN201710984682 A CN 201710984682A CN 107796414 B CN107796414 B CN 107796414B
Authority
CN
China
Prior art keywords
path
scoring
aesthetics
streetscape
feasible
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710984682.8A
Other languages
English (en)
Other versions
CN107796414A (zh
Inventor
富鑫
颜佳
陈子轩
孙琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201710984682.8A priority Critical patent/CN107796414B/zh
Publication of CN107796414A publication Critical patent/CN107796414A/zh
Application granted granted Critical
Publication of CN107796414B publication Critical patent/CN107796414B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3602—Input other than that of destination using image analysis, e.g. detection of road signs, lanes, buildings, real preceding vehicles using a camera

Abstract

本发明涉及一种基于街景图美学评分的最美路径的导航方法，包括步骤：S1，计算任意地点包含地点街景图片集的美学评分并标注；S2，根据用户确定的起始点及目的地划定路径候选区域；S3，在路径候选区域内，获得道路节点与道路节点之间距离信息，并利用深度优先搜索算法计算获得起始点及目的地两点之间所有的可行路径，获得候选路径集；S4，根据每一条可行路径中包含地点街景图片集的美学评分，以及可行路径的长度，分别计算候选路径集中每一条可行路径的综合美学评分，取其中综合美学评分最高的一条或多条路径。本发明克服了传统方法耗时耗力的弊端，将美学评分与传统的路径规划相结合，给用户推荐符合需求的最美路径，具有广阔的应用前景。

Description

一种基于街景图美学评分的最美路径导航方法和系统
技术领域
本发明属于路径导航领域，尤其涉及一种基于街景图美学评分的最美路径导航方法和系统。
背景技术
随着智能手机等设备的普及以及地理信息技术的发展，人们使用地图导航也越来越多。然而，普通的导航系统通常选取的是两地之间最短的可行路线。然而，随着人民生活水平的日益提高以及旅游业的发展，人们出门旅游的次数也越来越多。人民的文化及艺术修养的提高也使得人们不满足传统的观景需求，对景区及路线的视觉要求也越来越高。
目前绝大部分GPS的地图程序，在起点和终点之间，能得到一个最短的路径。但最短的路径往往针对的是赶时间的用户而不是游客。游客通常希望在从起点到终点的途中，能看到美丽的景色。因此设计出一种最美路径的生成方法显得十分必要。
传统的美感评价，由于美感的主观性和复杂性，往往需要专业的摄影及鉴赏人员，费时费力且评判标准的不同会对结果直接造成的影响。因此，需要引入一种更加自动化与客观化的美学评分方法。
发明内容
本发明针对现有技术的不足，提供一种基于街景图美学评分的最美路径生成方法。能够自动的根据街景图片进行美学的评分并生成最美的路径。该方法针对现有路径规划技术对美感指标的忽视，提出了一种满足广大用户需求的方法，具有广阔的应用前景。
为实现上述目的，本发明提供一种基于街景图美学评分的最美路径导航方法，包括如下步骤：
步骤1，计算包含地点街景图片集的任意地点的美学评分并标注；
步骤2，根据用户确定的起始点及目的地划定路径候选区域；设起始点与目的地两点之间的直线距离为d，所述路径候选区域内任意一点到起始点及目的地的距离在d+dlimit内，其中dlimit表示预先设置的阈值；
步骤3，在路径候选区域内，获得道路节点与道路节点之间距离信息，并利用深度优先搜索算法计算获得起始点及目的地两点之间所有的可行路径，获得候选路径集；
步骤4，根据包含地点街景图片集的每一条可行路径中的美学评分，以及可行路径的长度，分别计算候选路径集中每一条可行路径的综合美学评分，取其中综合美学评分最高的一条或多条路径；
步骤4的具体实现方式如下，
设候选路径集为B＝{P1，P2，P3，…，Pk，…，Pn}，在某可行路径Pk上，存在以两道路节点构成的b各基本通路，b各基本通路构成某可行路径Pk的基本通路集D＝{q1，q2，…，qe，…，qn}；
对于在某一基本通路qe上的某一阈值Lthr范围内，计算所有已标注的M个地点街景图片集的美学评分{r1，r2，…，ri，…，rM}，求其平均值作为该基本通路上的评分；
则当前可行路径Pk上b个基本通路得到b个评分，再求其平均值作为可行路径Pk的无距离加权的美学评分；
以可行路径的长度Pk作为参考，分别计算候选路径集中所有可行路径的综合美学评分C＝{E1，E2，…，En}，其中α为不小于零的常数；
将可行路径以评分进行排序，取评分最高的一条或多条路径作为最美路径。
优选的，步骤1中通过深度神经网络美学评价模型计算得到美学评分，所述深度神经网络美学评价模型是利用现有的神经网络模型进行训练获得，当某一地点包含的地点街景图片集包含多张图片时，利用深度神经网络美学评价模型计算出多张图片的美学评分，然后进行加权平均，得到该地点对应的美学评分。
优选的，步骤2中起始点通过用户使用设备的GPS定位数据确定或用户手动设定，目的地通过用户手动设定。
优选的，街景图数据库包括任意地点及周边相关的旅游宣传照、地图航拍图、摄影照片，图片的来源为网络数据库或用户上传。
优选的，所述地点街景图片集中街景图片的数量由计算机的性能以及进行评分的时间决定，优先考虑拍摄时间靠前以及图像分辨率高的图片，以此确保参与美学评分的街景图片数量和质量。
优选的，当某一地点街景图片集有增加、删除、更改时，首先挑选出符合条件数量的图片参与美学评分，然后重新计算当前地点对应的美学评分并标注。
本发明还提供一种基于街景图美学评分的最美路径导航系统，包括如下模块：
美学评分计算模块，用于通过深度神经网络美学评价模型计算包含地点街景图片集的任意地点的美学评分并标注，所述深度神经网络美学评价模型是利用现有的神经网络模型进行训练获得；
路径候选区域生成模块，用于根据用户确定的起始点及目的地划定路径候选区域；设起始点与目的地两点之间的直线距离为d，所述路径候选区域内任意一点到起始点及目的地的距离在d+dlimit内，其中dlimit表示预先设置的阈值；
候选路径集获取模块，用于在路径候选区域内，获得道路节点与道路节点之间距离信息，并利用深度优先搜索算法计算获得起始点及目的地两点之间所有的可行路径，获得候选路径集；
综合美学评分计算模块，用于根据包含地点街景图片集的每一条可行路径中的美学评分，以及可行路径的长度，分别计算候选路径集中每一条可行路径的综合美学评分，取其中综合美学评分最高的一条或多条路径，具体实现如下，
设候选路径集为B＝{P1，P2，P3，…，Pk，…，Pn}，在某可行路径Pk上，存在以两道路节点构成的b各基本通路，b各基本通路构成某可行路径Pk的基本通路集D＝{q1，q2，…，qe，…，qn}；
对于在某一基本通路qe上的某一阈值Lthr范围内，计算所有已标注的M个地点街景图片集的美学评分{r1，r2，…，ri，…，rM}，求其平均值作为该基本通路上的评分；
则当前可行路径Pk上b个基本通路得到b个评分，再求其平均值作为可行路径Pk的无距离加权的美学评分；
以可行路径的长度dk作为参考，分别计算候选路径集中所有可行路径的综合美学评分C＝{E1，E2，…，En}，其中α为不小于零的常数；
将可行路径以评分进行排序，取评分最高的一条或多条路径作为最美路径。
与现有技术相比，本发明的优点和有益效果：本发明利用真实街景图作为基础，通过深度神经网络自动进行客观的美学评分，克服了传统方法耗时耗力的弊端，再将美学评分与传统的路径规划相结合，给用户推荐符合他们需求的最美路径，具有十分广阔的应用前景。
附图说明
图1是本发明实施例提供的街景图数据库示意图；
图2是本发明实施例提供的计算地点街景图的美学评分方法示意图；
图3是本发明实施例提供的街景图数据库及评分自动更新的流程图；
图4是本发明实施例的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护的范围。
本发明利用真实街景图作为基础，通过深度神经网络自动进行客观的美学评分，克服了传统方法耗时耗力的弊端，再将美学评分与传统的路径规划相结合，给用户推荐符合他们需求的最美路径，具体方案如下所述：
图1所示的为街景图数据库的一种构成方式，所述街景图数据库包括任意地点及周边相关的旅游宣传照、地图航拍图、摄影照片，图片的来源为网络数据库或用户上传；可以看到，街景图数据库以地点为标签，由多个街景图片集构成。
具体的，街景图片集主要通过图片拍摄时保存的地理位置坐标信息来确定。假定有n张无序图片的地理坐标信息集合为A＝{(L1，A1，H1)，(L2，A2，H2)，…，(Ln，An，Hn)}，Lk,Ak,Hk分别代表经度、纬度、和海拔高度；
通过临近算法计算点与点之间的距离，选取A中两点经度与纬度信息(L1，A1)与(L2，A2)，由两点之间距离近似公式可计算出这两点的相对距离。将集合A中计算出的所有点的距离按递增关系进行排序，选取距离最小的K个点，确定前K个点在所在类的概率，使用kNN算法将集合A进行分类，得到地点个数n，以及对应的该地街景图片集。
图2所示的为由街景图片集得到对应地点美学评分的一种方法，设某一地点对应的街景图集有n张图片，将n张图片依次送入深度神经网络美学评价模型，对应能够得到n个美学评分，接着将这n个美学评分进行加权平均，得到一个该地的美学评分。
具体的，深度神经网络美学评价模型是基于大量数据进行训练而得到的，该模型利用现有的深度神经网络模型(例如AlexNet，LeNet模型等，这些深度神经网络模型通常包含有数量不等的输入层、卷积层、池化层、全连接层、激活单元等，通过这些的不同组合构成了可以提取图片信息的深度神经网络)在具有几十万张摄影图片的数据集上进行训练，该训练数据集中的每张图片具有基于众多用户评分的综合评分以及相应的场景等标签。通过随机的将数据集分为训练集和测试集，将构造的神经网络模型在训练集上进行相应的训练，得到对应的参数，再在测试集上进行验证，以验证模型的美学评分能力。
图3所示的是街景图数据库及评分自动更新的流程。在用户上传了新的图片或者街景图数据库中的图片被管理员增加、删除或修改了之后，该街景图数据库自动检测到图片集的变化，首先将该图片根据地理位置信息进行归类到一个地点。接着更改的街景图片集重新进行自动美学评分，最后将该地美学评分进行重新标注。
在用户使用的时候，首先需要确定起始点与目的地，具体的，起始点利用用户设备自带传感器的地理位置信息给出建议，用户可以手动选择新的起始点，目的地同理通过用户手动选择来确定。
在用户完成起始点与终点的选择之后，能够得到起始点的坐标S(L1，A1)和结束点坐标D(L2，A2)。首先，计算两点之间的直线距离根据计算出来的距离d在预先设置的阈值dlimit范围内划定路径候选区域，该区域内的点(L，A)距离S或D的距离应在d+dlimit内，dlimit应为一大于零的常数，具体值应由实际情况而具体确定。
利用传统的道路信息，可以构建出一个道路图，包括了道路节点与道路节点之间距离的信息。在这个图上，利用深度优先搜索，可以计算出两点之间所有的可行路径，再利用上面的候选区域作为约束条件，能够得到候选路径集B＝{P1，P2，P3，…，Pn}。
得到候选路径集之后，在某可行路径Pk上，存在以两道路节点构成的基本通路集D＝{q1，q2，…，qn}。对于在某一基本通路qk上(包含节点)的某一阈值Lthr范围内所有已标注的M个街景数据评分{r1，r2，…，rM}，求其平均值作为该基本通路上的评分，则当前可行路径Pk上n个基本通路能够得到n个评分，再求其平均作为Pk的无距离加权的美学评分；再以可行路径的长度dk(如果路径为曲折线路，可行路径的长度为曲折线的长度)作为参考，分别计算候选路径的综合美学评分C＝{E1，E2，…，En}，其中α为一不小于零的常数。再将路径以评分进行排序，取评分最高的一条或多条路径作为最美路径。
图4所示的实施例的完整流程，即根据地点街景图片自动计算出任意地点所包含地点街景图片的美学评分，然后根据用户的起始及目标点划定路径候选区域，在路径获选区域内获得所有可行路径，最后根据可行路径及其包含的街景图美学评分挑选出整体美学评分最高的一条或多条路径。
本发明还提供一种基于街景图美学评分的最美路径导航系统，包括如下模块：
美学评分计算模块，用于通过深度神经网络美学评价模型计算任意地点包含地点街景图片集的美学评分并标注，所述深度神经网络美学评价模型是利用现有的神经网络模型进行训练获得；
路径候选区域生成模块，用于根据用户确定的起始点及目的地划定路径候选区域；设起始点与目的地两点之间的直线距离为d，所述路径候选区域内任意一点到起始点及目的地的距离在d+dlimit内，其中dlimit表示预先设置的阈值；
候选路径集获取模块，用于在路径候选区域内，获得道路节点与道路节点之间距离信息，并利用深度优先搜索算法计算获得起始点及目的地两点之间所有的可行路径，获得候选路径集；
综合美学评分计算模块，用于根据每一条可行路径中包含地点街景图片集的美学评分，以及可行路径的长度，分别计算候选路径集中每一条可行路径的综合美学评分，取其中综合美学评分最高的一条或多条路径，具体实现如下，
设候选路径集获取模块中候选路径集为B＝{P1，P2，P3，…，Pn}，在某可行路径Pk上，存在以两道路节点构成的基本通路集D＝{q1，q2，…，qn}；
对于在某一基本通路qk上的某一阈值Lthr范围内，计算所有已标注的M个地点街景图片集的美学评分{r1，r2，…，rM}，求其平均值作为该基本通路上的评分；
则当前可行路径Pk上n个基本通路得到n个评分，再求其平均值作为可行路径Pk的无距离加权的美学评分；
以可行路径的长度dk作为参考，分别计算候选路径集中所有可行路径的综合美学评分C＝{E1，E2，…，En}，其中α为不小于零的常数；
将可行路径以评分进行排序，取评分最高的一条或多条路径作为最美路径。
各模块的具体实现方式和各步骤相对应，本发明不予撰述。
具体实施例：
例如一个游客想从武汉街道口地铁站到东湖观光。传统的导航程序通常会选择一些省时或者距离最短的路径，并且优先选择一些宽阔、延展较长的马路作为优选。这是一种普遍的方法，但对于游客来说，他们的需求不仅仅是从地铁出口到观光风景区这么简单，若在沿途能够经过其它有着美景的地方，会有更加舒适的旅行体验。
因此，通过本发明提出的基于街景图美学评分的最美路径生成方法，在从地铁站到东湖观光的沿途中，根据街景图的美学评分，会优先考虑经过武汉大学内的正门、樱花大道等街景美学评分较高的地方，而非传统的马路等无美学评分或者评分较低的地方。因而在牺牲了一点距离的基础上，给游客能够带来身心上的愉快旅行感受。
该方法能够客观的推荐符合用户视觉享受的最美路径，在多种导航场景比传统最短路径更为实用，符合用户需求，具有广阔前景。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
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者超越所附权利要求书所定义的范围。

Claims (7)

1.一种基于街景图美学评分的最美路径导航方法，其特征在于，包括如下步骤：
步骤1，计算包含地点街景图片集的任意地点的美学评分并标注；
步骤2，根据用户确定的起始点及目的地划定路径候选区域；设起始点与目的地两点之间的直线距离为d，所述路径候选区域内任意一点到起始点及目的地的距离在d+dlimit内，其中dlimit表示预先设置的阈值；
步骤3，在路径候选区域内，获得道路节点与道路节点之间距离信息，并利用深度优先搜索算法计算获得起始点及目的地两点之间所有的可行路径，获得候选路径集；
步骤4，根据包含地点街景图片集的每一条可行路径中的美学评分，以及可行路径的长度，分别计算候选路径集中每一条可行路径的综合美学评分，取其中综合美学评分最高的一条或多条路径；
步骤4的具体实现方式如下，
设候选路径集为B＝{P1，P2，P3，…，Pk，…，Pn}，在某可行路径Pk上，存在以两道路节点构成的b个 基本通路，b个 基本通路构成某可行路径Pk的基本通路集D＝{q1，q2，…，qe，…，qb}；
对于在某一基本通路qe上的某一阈值Lthr范围内，计算所有已标注的M个地点街景图片集的美学评分{r1，r2，…，ri，…，rM}，求其平均值作为该基本通路上的评分；
则当前可行路径Pk上b个基本通路得到b个评分，再求其平均值作为可行路径Pk的无距离加权的美学评分；
以可行路径的长度dk作为参考，分别计算候选路径集中所有可行路径的综合美学评分C＝{E1，E2，…，En}，其中α为不小于零的常数；
将可行路径以评分进行排序，取评分最高的一条或多条路径作为最美路径。
2.根据权利要求1所述的一种基于街景图美学评分的最美路径导航方法，其特征在于：步骤1中通过深度神经网络美学评价模型计算得到美学评分，所述深度神经网络美学评价模型是利用现有的神经网络模型进行训练获得，当某一地点包含的地点街景图片集包含多张图片时，利用深度神经网络美学评价模型计算出多张图片的美学评分，然后进行加权平均，得到该地点对应的美学评分。
3.根据权利要求2所述的一种基于街景图美学评分的最美路径导航方法，其特征在于：步骤2 中起始点通过用户使用设备的GPS定位数据确定或用户手动设定，目的地通过用户手动设定。
4.根据权利要求3所述的一种基于街景图美学评分的最美路径导航方法，其特征在于：街景图数据库包括任意地点及周边相关的旅游宣传照、地图航拍图、摄影照片，图片的来源为网络数据库或用户上传。
5.根据权利要求4所述的一种基于街景图美学评分的最美路径导航方法，其特征在于：所述地点街景图片集中街景图片的数量由计算机的性能以及进行评分的时间决定，优先考虑拍摄时间靠前以及图像分辨率高的图片，以此确保参与美学评分的街景图片数量和质量。
6.根据权利要求5所述的一种基于街景图美学评分的最美路径导航方法，其特征在于：当某一地点街景图片集有增加、删除、更改时，首先挑选出符合条件数量的图片参与美学评分，然后重新计算当前地点对应的美学评分并标注。
7.一种基于街景图美学评分的最美路径导航系统，其特征在于：包括以下模块，
美学评分计算模块，用于通过深度神经网络美学评价模型计算包含地点街景图片集的任意地点的美学评分并标注，所述深度神经网络美学评价模型是利用现有的神经网络模型进行训练获得；
路径候选区域生成模块，用于根据用户确定的起始点及目的地划定路径候选区域；设起始点与目的地两点之间的直线距离为d，所述路径候选区域内任意一点到起始点及目的地的距离在d+dlimit内，其中dlimit表示预先设置的阈值；
候选路径集获取模块，用于在路径候选区域内，获得道路节点与道路节点之间距离信息，并利用深度优先搜索算法计算获得起始点及目的地两点之间所有的可行路径，获得候选路径集；
综合美学评分计算模块，用于根据包含地点街景图片集的每一条可行路径中的美学评分，以及可行路径的长度，分别计算候选路径集中每一条可行路径的综合美学评分，取其中综合美学评分最高的一条或多条路径，具体实现如下，
设候选路径集为B＝{P1，P2，P3，…，Pk，…，Pn}，在某可行路径Pk上，存在以两道路节点构成的b个 基本通路，b个 基本通路构成某可行路径Pk的基本通路集D＝{q1，q2，…，qe，…，qb}；
对于在某一基本通路qe上的某一阈值Lthr范围内，计算所有已标注的M个地点街景图片集的美学评分{r1，r2，…，ri，…，rM}，求其平均值作为该基本通路上的评分；
则当前可行路径Pk上b个基本通路得到b个评分，再求其平均值作为可行路径Pk的无距离加权的美学评分；
以可行路径的长度dk作为参考，分别计算候选路径集中所有可行路径的综合美学评分C＝{E1，E2，…，En}，其中α为不小于零的常数；
将可行路径以评分进行排序，取评分最高的一条或多条路径作为最美路径。
CN201710984682.8A 2017-10-20 2017-10-20 一种基于街景图美学评分的最美路径导航方法和系统 Expired - Fee Related CN107796414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710984682.8A CN107796414B (zh) 2017-10-20 2017-10-20 一种基于街景图美学评分的最美路径导航方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710984682.8A CN107796414B (zh) 2017-10-20 2017-10-20 一种基于街景图美学评分的最美路径导航方法和系统

Publications (2)

Publication Number Publication Date
CN107796414A CN107796414A (zh) 2018-03-13
CN107796414B true CN107796414B (zh) 2019-10-25

Family

ID=61533414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710984682.8A Expired - Fee Related CN107796414B (zh) 2017-10-20 2017-10-20 一种基于街景图美学评分的最美路径导航方法和系统

Country Status (1)

Country Link
CN (1) CN107796414B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781633A (zh) * 2019-10-30 2020-02-11 广东博智林机器人有限公司 基于深度学习模型的图文设计质量检测方法、装置及系统
CN111060119B (zh) * 2019-12-27 2021-08-10 中电海康集团有限公司 基于街景图视觉要素评分的城市慢行出行导航方法和系统
CN111272164B (zh) * 2020-02-21 2020-12-01 苏州鱼得水电气科技有限公司 基于物联网的高安全性电动轮椅出行控制系统及方法
CN111337041A (zh) * 2020-02-25 2020-06-26 深圳震有科技股份有限公司 一种电子导航路线的生成方法、智能终端及存储介质
CN112504278B (zh) * 2020-11-25 2023-03-24 中国电子科技集团公司第三十八研究所 一种机动测控站导航规划方法
CN113010723A (zh) * 2021-03-17 2021-06-22 维沃移动通信有限公司 电子设备、服务器的控制方法和装置
CN113188558A (zh) * 2021-05-24 2021-07-30 中山大学 一种基于街景多维要素和评分的路径推荐方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104089620A (zh) * 2014-04-04 2014-10-08 北京乐投信息技术有限公司 一种基于数据分析的自动路线规划方法及其系统
CN104634358A (zh) * 2015-02-05 2015-05-20 惠州Tcl移动通信有限公司 多种线路规划推荐方法、系统及移动终端
CN104866903A (zh) * 2015-05-15 2015-08-26 华东师范大学 基于遗传算法的最美路径导航算法
CN105205559A (zh) * 2015-09-25 2015-12-30 重庆大学 基于多源异构众包数据的风景旅行路线规划系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9689705B2 (en) * 2014-08-29 2017-06-27 Mapquest, Inc. Systems and methods for electronic display of various conditions along a navigation route

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104089620A (zh) * 2014-04-04 2014-10-08 北京乐投信息技术有限公司 一种基于数据分析的自动路线规划方法及其系统
CN104634358A (zh) * 2015-02-05 2015-05-20 惠州Tcl移动通信有限公司 多种线路规划推荐方法、系统及移动终端
CN104866903A (zh) * 2015-05-15 2015-08-26 华东师范大学 基于遗传算法的最美路径导航算法
CN105205559A (zh) * 2015-09-25 2015-12-30 重庆大学 基于多源异构众包数据的风景旅行路线规划系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
多源异构众包数据风景旅行路线规划;陈霞等;《浙江大学学报》;20160630;第50卷(第6期);全文 *

Also Published As

Publication number Publication date
CN107796414A (zh) 2018-03-13

Similar Documents

Publication Publication Date Title
CN107796414B (zh) 一种基于街景图美学评分的最美路径导航方法和系统
CN108829852B (zh) 一种个性化旅游路线推荐方法
CN105139301B (zh) 一种基于bp神经网络的导游方法
JP5833567B2 (ja) デジタル地図におけるネットワーク生成のための時間および／または正確度に依存した重み
CN105157714B (zh) 一种基于用户个性化的景区游览路线推荐方法
CN104881472B (zh) 一种基于网络数据收集的旅游线路景点组合推荐方法
US9494440B2 (en) Generating travel routes for increased visual interest
CN105512166B (zh) 一种微博舆情与城市路况相映射的交通平行方法
CN106909692B (zh) 一种计算城市公共设施覆盖辐射指数的方法
WO2016177016A1 (zh) 一种景区游览方案规划方法
CN107228677A (zh) 偏航识别方法和装置
CN109948547A (zh) 城市绿地景观评价方法、装置、存储介质及终端设备
US11448516B2 (en) Scenic route-based navigation directions
CN101122468A (zh) 兴趣点信息的存储方法及利用兴趣点信息的导航方法
CN109688532A (zh) 一种划分城市功能区域的方法及装置
Dymkova et al. Synchronizing of moving object with novel 3D maps imaging
KR102042919B1 (ko) 가상 캐릭터의 커스터마이징 학습을 통한 ar기반 테마여행 ai 큐레이션 제공시스템
CN113342873B (zh) 一种基于城市形态与汇聚模式的人口分析单元划分方法
CN106940190A (zh) 导航图绘制方法、导航图绘制导航装置以及导航系统
CN110532464A (zh) 一种基于多旅游上下文建模的旅游推荐方法
CN110135451A (zh) 一种基于点到线段集距离的航迹聚类方法
US20210270629A1 (en) Method and apparatus for selecting a path to a destination
CN116415499B (zh) 一种社区舒适感模拟预测方法
CN112199611A (zh) 基于AIoT和计算机视觉的智慧景区景点推荐方法
CN114580796B (zh) 一种旅游属性路径规划方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191025

Termination date: 20201020