CN108709561A - 一种基于全局路网特征的不同尺度数据的匹配算法 - Google Patents
一种基于全局路网特征的不同尺度数据的匹配算法 Download PDFInfo
- Publication number
- CN108709561A CN108709561A CN201810335065.XA CN201810335065A CN108709561A CN 108709561 A CN108709561 A CN 108709561A CN 201810335065 A CN201810335065 A CN 201810335065A CN 108709561 A CN108709561 A CN 108709561A
- Authority
- CN
- China
- Prior art keywords
- crossing
- group
- road network
- road
- confidence
- 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.)
- Granted
Links
- 239000000284 extract Substances 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 9
- 101150064138 MAP1 gene Proteins 0.000 claims description 45
- 101100075995 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fma2 gene Proteins 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 18
- 239000000203 mixture Substances 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G01C21/3667—Display of a road map
- G01C21/367—Details, e.g. road map scale, orientation, zooming, illumination, level of detail, scrolling of road map or positioning of current position marker
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Automation & Control Theory (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Instructional Devices (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于全局路网特征的不同尺度数据的匹配算法及装置，其中方法包括：加载不同地图数据，分别构建各地图中的路口组，并提取路口组属性信息；根据属性信息的重要度，为路口组的各属性分配权重，综合评价不同地图中的两个路口组相匹配的置信值；根据所述置信值构建匹配的道路网，并计算匹配的道路网的置信总值，选取置信总值最大的道路网为匹配最优解，即匹配结果。本发明具有匹配率高，可广泛应用的优点。本文中以传统地图和高精度地图数据匹配为例进行说明。
Description
技术领域
本发明涉及计算机技术及地图导航领域，具体涉及一种基于全局路网特征的不同尺度数据的匹配算法。
背景技术
在自动驾驶新兴的今天，车载地图必然由单纯的使用传统地图数据，变更为传统地图数据与高精度地图数据组合使用的方式。这就需要传统地图数据与高精度地图数据相匹配。但是由于传统地图与高精度地图的地图提供商往往不同，这就导致传统地图与高精度地图的数据模型和数据范围不同，同时也会由于数据加密的原因导致两幅地图的同名点的GPS坐标不同，甚至偏移很大，而且传统地图与高精度地图之间由于测绘时间不同(时效性)，导致路网存在较大的差异。
目前已有的关于地图数匹配的专利技术都依赖于GPS坐标，而不同尺度的地图数据同名点的GPS坐标并不相同，这就无法对不同尺度的地图数据进行匹配，而且由于数据模型与数据范围不同，无法利用统一的方法进行偏移处理。
本文中以传统地图和高精度地图数据匹配为例进行说明。
文中涉及到的名称解释：
路口：多条道路交汇的区域，或存在路权选择的区域称为路口，路口的中心点记为路口点。
路口的邻接路口：是指机动车在当前路口，通过有且仅有可通行的道路(不存在道路交汇区域)，可到达的路口。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于全局路网特征的不同尺度数据的匹配算法及装置，通过提取全局路网特征，将地图数据中的路口组作为特征点，通过特征点的属性以及特征点之间的相对位置关系来进行不同尺度的地图数据的匹配。
本发明解决上述技术问题的技术方案如下：
一方面，本发明提供一种基于全局路网特征的不同尺度数据的匹配算法，包括以下步骤：
步骤1，加载不同地图数据，分别构建各地图中的路口组，并提取路口组属性信息；
步骤2，根据属性信息的重要度，为路口组的各属性分配权重，综合评价不同地图中的两个路口组相匹配的置信值；
步骤3，根据所述置信值构建匹配的道路网，并计算匹配的道路网的置信值，再通过匹配的道路网构建匹配道路网组合。根据匹配道路网组合中，各道路网的相对位置关系，计算道路网组合匹配的置信值为置信总值，选取置信总值最大的道路网组合为匹配最优解，即匹配结果。
进一步，所述步骤1包括：
步骤101，加载传统地图数据map1，提取map1中的路口点，并通过道路连通性获取每个路口的相邻路口点；
步骤102，加载高精度地图数据map2，提取map2中的路口点，并通过道路连通性获取每个路口的相邻路口点；
步骤103，通过道路的连通关系分别构建map1和map2的路口组；
步骤104，提取路口组属性信息，所述路口组属性信息包括：路口组之间的连通及位置关系、路口组内路口属性、路口数、组内路口间的连通及位置关系、组内道路的属性信息以及路口组与路口组之间连通道路的属性信息。
进一步，所述组内道路的属性信息包括：道路名称、行政区划、道路宽度、道路形状、道路的种别、道路类型。
进一步，所述步骤2包括：
步骤201，依据经验或深度学习方法，为路口组的各属性分配权重；
步骤202，取传统地图数据map1中的任一路口组JGi为对象，在高精度地图数据map2中查找相匹配的路口组JG’j，其中i，j为整数；
步骤203，若在不同的地图数据中，存在一对路口组，具有相同的属性，依据各属性的权重计算这一对路口组匹配的置信值；若没有相同的属性，则匹配的置信值为0；
步骤204，最终得到传统地图数据map1中所有路口组对应的匹配路口组集合。
进一步，所述步骤3包括：
步骤301，选取传统地图数据map1中的任一路口组JGi为对象，其在高精度地图中匹配的路口组为JG’j；
步骤302，若路口组JGi的相邻路口组JGm在高精度地图数据map2中的相匹配的路口组JG’n为路口组JG’j的相邻路口组且置信值大于0，则认为JGi→JGm构成的道路网与JG’j→JG’n构成的道路网相匹配；
步骤303，选取路口组JGm为对象，并重复步骤302，最终得到相匹配的分别以路口组JGi和JG’j为中心路口组，JGi和JG’j匹配的所有连通关系构成的道路网Ni和N’j；
步骤304，针对以路口组JGi为中心路口组的其中一个道路网Ni，对其相匹配的多个以路口组JG’j为中心路口组的道路网N’j中的各路口组的置信值求和，得到Ni和N’j相匹配的置信值；
步骤305，根据路口及其匹配路口不交叉的原则，得到map1中所有道路网，记为N0…Nn(n为整数)以及map2中对应的道路网组合，记为N’0…N’n，此时N0…Nn两两之间以及N’0…N’m两两之间，均没有相匹配的连通道路了。
步骤306，根据匹配关系，在map1和map2中，可以得到多对N0…Nx(x为整数，可以与n不同)的组合。在不同的组合中道路网或路口组可以重复，但在同一组合中，不同的道路网或路口组所包含的路口以及路口对应的匹配路口均不能重复；
步骤307，根据道路网组合中各道路网的相对位置关系，计算map1中的道路网组合N0…Nn，与map2中的道路网组合N’0…N’m匹配的置信值，得到置信总值；
步骤308，取置信总值最大的道路网组合为匹配最优解。
另一方面，本发明还提供一种基于全局路网特征的不同尺度数据的匹配装置，包括：
地图加载模块，用于加载不同地图数据，分别构建各地图中的路口组，并提取路口组属性信息；
置信值评价模块，根据属性信息的重要度，为路口组的各属性分配权重，综合评价不同地图中的两个路口组相匹配的置信值；
道路网匹配模块，根据所述置信值构建匹配的道路网，并计算地图中所有匹配的道路网的置信总值，选取置信总值最大的道路网组合为匹配最优解，即匹配结果。
进一步，所述地图加载模块包括：
第一地图加载模块，用于加载传统地图数据map1，提取map1中的路口点，并通过道路连通性获取每个路口的相邻路口点；
第二地图加载模块，用于加载高精度地图数据map2，提取map2中的路口点，并通过道路连通性获取每个路口的相邻路口点；
路口组构建模块，用于通过道路的连通关系分别构建map1和map2的路口组；
属性提取模块，用于提取路口组属性信息，所述路口组属性信息包括：路口组之间的连通及位置关系、路口组内路口属性、路口数、组内路口间的连通及位置关系、组内道路的属性信息以及路口组与路口组之间连通道路的属性信息。
进一步，所述组内道路的属性信息包括：道路名称、行政区划、道路宽度、道路形状、道路的种别、道路类型。
进一步，所述置信值评价模块包括：
权重分配模块，用于依据经验或深度学习方法，为路口组的各属性分配权重；
路口组集合生成模块，用于选取传统地图数据map1中的任一路口组JGi为对象，在高精度地图数据中map2查找相匹配的路口组JG’j，其中i，j为整数；若在不同的地图数据中，存在一对路口组，具有相同的属性，依据各属性的权重计算这一对路口组匹配的置信值；若没有相同的属性，则匹配的置信值为0；最终得到传统地图数据map1中所有路口组对应的匹配路口组集合。
进一步，所述道路网匹配模块包括：
匹配道路网生成模块，用于选取传统地图数据map1中的任一路口组JGi为对象，其在高精度地图中匹配的路口组为JG’j；若路口组JGi的相邻路口组JGm在高精度地图数据map2中的相匹配的路口组JG’n为路口组JG’j的相邻路口组且置信值大于0，则认为JGi→JGm构成的道路网与JG’j→JG’n构成的道路网相匹配；
置信总值计算模块，用于针对以路口组JGi为中心路口组的其中一个道路网Ni，对其相匹配的多个以路口组JG’j为中心路口组的道路网N’j中的各路口组的置信值求和，得到Ni和N’j匹配的置信值。根据路口及其匹配路口不交叉的原则，得到map1中所有道路网，记为N0…Nn(n为整数)以及map2中对应的道路网组合，记为N’0…N’n，此时N0…Nn两两之间以及N’0…N’m两两之间，均没有相匹配的连通道路了。根据匹配关系，在map1和map2中，可以得到多对N0…Nx(x为整数，可以与n不同)的组合。在不同的组合中道路网或路口组可以重复，但在同一组合中，不同的道路网或路口组所包含的路口以及路口对应的匹配路口均不能重复。根据道路网组合中各道路网的相对位置关系，计算map1中的道路网组合N0…Nn，与map2中的道路网组合N’0…N’m匹配的置信值，得到置信总值；
匹配结果输出模块，取置信总值最大的道路网组合为匹配最优解。
本发明的有益效果是：
1、匹配率高：由于采用了整体路网的特征匹配，类似于测绘中的数据纠偏，所以有充分的理论基础来说明算法的匹配率问题。
2、可广泛应用：由于算法中主要使用了相对位置关系，那么只要知晓了地图中的路口组的相对位置关系即可进行数据匹配。进一步可延伸应用于地图数据更新时，定位两幅地图之间的差异。
3、可进一步提高匹配率：算法中的路口组属性以及属性匹配所对应的置信值，可以由深度学习算法进行代替，不断优化关注点属性以及属性匹配所对应的置信值，则可以将匹配率提高到接近100％。
附图说明
图1为本发明一种基于全局路网特征的不同尺度数据的匹配算法流程图；
图2为本发明一种基于全局路网特征的不同尺度数据的匹配装置结构图。
具体实施方式
以下结合实例对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明一种基于全局路网特征的不同尺度数据的匹配算法流程图，如图1所示，本发明包括以下步骤，
步骤1，加载不同地图数据，分别构建各地图中的路口组，并提取路口组属性信息；
步骤2，根据属性信息的重要度，为路口组的各属性分配权重，综合评价不同地图中的两个路口组相匹配的置信值；
步骤3，根据所述置信值构建匹配的道路网，并计算匹配的道路网的置信值，再通过匹配的道路网构建匹配道路网组合。根据匹配道路网组合中，各道路网的相对位置关系，计算道路网组合匹配的置信值为置信总值，选取置信总值最大的道路网组合为匹配最优解，即匹配结果。
具体的，本发明的实施过程如下：
1、加载传统地图数据map1，提取map1中的路口点，并通过道路连通性获取每个路口的相邻路口点；
2、加载高精度地图数据map2，提取map2中的路口，并通过道路连通性获取每个路口的相邻路口；
3、通过道路的连通关系分别构建map1和map2的路口组；
4、提取关注点属性，即路口组之间的连通关系、相对位置关系、路口组内路口属性、路口数、组内路口间的连通关系、相对位置关系，组内道路的属性信息以及路口组与路口组之间连通道路的属性信息等；
所述连通关系是指进入和脱出路口(组)的道路数以及通向的邻接路口信息；
所述组内道路的属性信息包括路口组内的道路的属性，包括道路名称，行政区划，道路宽度，道路形状，道路的种别，道路类型等
5、以map1中任意路口组JG1在map2中寻找相匹配的路口组JG’并利用关注点属性是否相同，评价其匹配的置信值。此时我们可以找到多个路口组与JG1相匹配，记为JG’1，JG’2……JG’n。
关注点属性为路口组的属性，以及路口组间道路的属性中的一种或多种，并依据经验或深度学习的给这些关注点属性分配权重。传统地图数据和高精度地图数据中，若存在一对路口组，它们有相同的关注点属性时，可依据关注点的权重来计算这一对路口组匹配的置信度。若没有相同的关注点属性，则匹配度为0。
6、根据JG1的匹配结果，可找到与JG1匹配的路口组JG’1，JG’2……JG’n，以JG’i(i为1,2……n之间的数值)表示。若存在JG1的相邻路口组JG11与JG’i的相邻路口组JG’ii相匹配的置信值大于0，则JG1->JG11构成的道路网，与JG’i->JG’ii构成的道路网相匹配。再找到JG11的相邻的路口组JG111，以及JG’ii的相邻路口组JG’iii，满足JG111和JG’iii匹配的置信值大于0。那么JG1->JG11->JG111构成的道路网和JG’i->JG’ii->JG’iii构成的道路网相匹配。以此来构建以JG1与JG’i相匹配的道路网，记为N1和N’i；
7、以N1与N’i中，路口组匹配的置信值求和的方法，分别计算N1与N’i(i为1,2……n之间的数值)相匹配的置信值；
8、将N1与N’i(i为1,2……n之间的数值)看成新的路口组，通过道路的连通关系，分别获取map1和map2中道路网与道路网之间的连通关系以及相对位置信息；
9、以新的路口组重复第5～8步，直至无法构建新的匹配的道路网为止；
10、获取置信值最大的为匹配最优解。
本发明在该算法的基础上提供一种基于全局路网特征的不同尺度数据的匹配装置，如图2所示，包括：
地图加载模块，用于加载不同地图数据，分别构建各地图中的路口组，并提取路口组属性信息；
置信值评价模块，根据属性信息的重要度，为路口组的各属性分配权重，综合评价不同地图中的两个路口组相匹配的置信值；
道路网匹配模块，根据所述置信值构建匹配的道路网，并计算匹配的道路网的置信值，再通过匹配的道路网构建匹配道路网组合。根据匹配道路网组合中，各道路网的相对位置关系，计算道路网组合匹配的置信值为置信总值，选取置信总值最大的道路网组合为匹配最优解，即匹配结果。
进一步，所述地图加载模块包括：
第一地图加载模块，用于加载传统地图数据map1，提取map1中的路口点，并通过道路连通性获取每个路口的相邻路口点；
第二地图加载模块，用于加载高精度地图数据map2，提取map2中的路口点，并通过道路连通性获取每个路口的相邻路口点；
路口组构建模块，用于通过道路的连通关系分别构建map1和map2的路口组；
属性提取模块，用于提取路口组属性信息，所述路口组属性信息包括：路口组之间的连通及位置关系、路口组内路口属性、路口数、组内路口间的连通及位置关系、组内道路的属性信息以及路口组与路口组之间连通道路的属性信息。
进一步，所述组内道路的属性信息包括：道路名称、行政区划、道路宽度、道路形状、道路的种别、道路类型。
进一步，所述置信值评价模块包括：
权重分配模块，用于依据经验或深度学习方法，为路口组的各属性分配权重；
路口组集合生成模块，用于选取传统地图数据map1中的任一路口组JGi为对象，在高精度地图数据中map2查找相匹配的路口组JG’j，其中i，j为整数；若在不同的地图数据中，存在一对路口组，具有相同的属性，依据各属性的权重计算这一对路口组匹配的置信值；若没有相同的属性，则匹配的置信值为0；最终得到传统地图数据map1中所有路口组对应的匹配路口组集合。
进一步，所述道路网匹配模块包括：
匹配道路网生成模块，用于选取传统地图数据map1中的任一路口组JGi为对象，其在高精度地图中匹配的路口组为JG’j；若路口组JGi的相邻路口组JGm在高精度地图数据map2中的相匹配的路口组JG’n为路口组JG’j的相邻路口组且置信值大于0，则认为JGi→JGm构成的道路网与JG’j→JG’n构成的道路网相匹配；
置信总值计算模块，用于针对以路口组JGi为中心路口组的其中一个道路网Ni，对其相匹配的多个以路口组JG’j为中心路口组的道路网N’j中的各路口组的置信值求和，得到Ni和N’j匹配的置信值。根据路口及其匹配路口不交叉的原则，得到map1中所有道路网，记为N0…Nn(n为整数)以及map2中对应的道路网组合，记为N’0…N’n，此时N0…Nn两两之间以及N’0…N’m两两之间，均没有相匹配的连通道路了。根据匹配关系，在map1和map2中，可以得到多对N0…Nx(x为整数，可以与n不同)的组合。在不同的组合中道路网或路口组可以重复，但在同一组合中，不同的道路网或路口组所包含的路口以及路口对应的匹配路口均不能重复。根据道路网组合中各道路网的相对位置关系，，计算map1中的道路网组合N0…Nn，与map2中的道路网组合N’0…N’m匹配的置信值，得到置信总值；
匹配结果输出模块，取置信总值最大的道路网为匹配最优解。
本发明与现有技术相比：
1、匹配率高：由于采用了整体路网的特征匹配，类似于测绘中的数据纠偏，所以有充分的理论基础来说明算法的匹配率问题。
2、可广泛应用：由于算法中主要使用了相对位置关系，那么只要知晓了地图中的路口组的相对位置关系即可进行数据匹配。进一步可延伸应用于地图数据更新时，定位两幅地图之间的差异。
3、可生长进一步提高匹配率：算法中的关注点属性以及属性匹配所对应的置信值，可以由深度学习算法进行代替，不断优化关注点属性以及属性匹配所对应的置信值，则可以将匹配率提高到接近100％。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于全局路网特征的不同尺度数据的匹配算法，其特征在于，包括以下步骤：
步骤1，加载不同地图数据，分别构建各地图中的路口组，并提取路口组属性信息；
步骤2，根据属性信息的重要度，为路口组的各属性分配权重，综合评价不同地图中的两个路口组相匹配的置信值；
步骤3，根据所述置信值构建匹配的道路网，并计算匹配的道路网的置信值，再通过匹配的道路网构建匹配道路网组合；根据匹配道路网组合中，各道路网的相对位置关系，计算道路网组合匹配的置信值为置信总值，选取置信总值最大的道路网组合为匹配最优解，即匹配结果。
2.根据权利要求1所述一种基于全局路网特征的不同尺度数据的匹配算法，其特征在于，所述步骤1包括：
步骤101，加载传统地图数据map1，提取map1中的路口点，并通过道路连通性获取每个路口的相邻路口点；
步骤102，加载高精度地图数据map2，提取map2中的路口点，并通过道路连通性获取每个路口的相邻路口点；
步骤103，通过道路的连通关系分别构建map1和map2的路口组；
步骤104，提取路口组属性信息，所述路口组属性信息包括：路口组之间的连通及位置关系、路口组内路口属性、路口数、组内路口间的连通及位置关系、组内道路的属性信息以及路口组与路口组之间连通道路的属性信息。
3.根据权利要求2所述一种基于全局路网特征的不同尺度数据的匹配算法，其特征在于，所述组内道路的属性信息包括：道路名称、行政区划、道路宽度、道路形状、道路的种别、道路类型。
4.根据权利要求2所述一种基于全局路网特征的不同尺度数据的匹配算法，其特征在于，所述步骤2包括：
步骤201，依据经验或深度学习方法，为路口组的各属性分配权重；
步骤202，取传统地图数据map1中的任一路口组JGi为对象，在高精度地图数据map2中查找相匹配的路口组JG’j，其中i，j为整数；
步骤203，若在不同的地图数据中，存在一对路口组，具有相同的属性，依据各属性的权重计算这一对路口组匹配的置信值；若没有相同的属性，则匹配的置信值为0；
步骤204，最终得到传统地图数据map1中所有路口组对应的匹配路口组集合。
5.根据权利要求4所述一种基于全局路网特征的不同尺度数据的匹配算法，其特征在于，所述步骤3包括：
步骤301，选取传统地图数据map1中的任一路口组JGi为对象，其在高精度地图中匹配的路口组为JG’j；
步骤302，若路口组JGi的相邻路口组JGm在高精度地图数据map2中的相匹配的路口组JG’n为路口组JG’j的相邻路口组且置信值大于0，则认为JGi→JGm构成的道路网与JG’j→JG’n构成的道路网相匹配；
步骤303，选取路口组JGm为对象，并重复步骤302，最终得到相匹配的分别以路口组JGi和JG’j为中心路口组，JGi和JG’j匹配的所有连通关系构成的道路网Ni和N’j；
步骤304，针对以路口组JGi为中心路口组的其中一个道路网Ni，对其相匹配的多个以路口组JG’j为中心路口组的道路网N’j中的各路口组的置信值求和，得到Ni和N’j相匹配的置信值；
步骤305，根据路口及其匹配路口不交叉的原则，得到map1中所有道路网，记为N0…Nn以及map2中对应的道路网组合，记为N’0…N’n，其中n为整数；此时N0…Nn两两之间以及N’0…N’m两两之间，均没有相匹配的连通道路了；
步骤306，根据匹配关系，在map1和map2中，可以得到多对N0…Nx的组合，其中x为整数，可以与n不同亦可相同；在不同的组合中道路网或路口组可以重复，但在同一组合中，不同的道路网或路口组所包含的路口以及路口对应的匹配路口均不能重复；
步骤307，根据道路网组合中各道路网的相对位置关系，计算map1中的道路网组合N0…Nn与map2中的道路网组合N’0…N’n匹配的置信值，得到置信总值；
步骤308，置信总值最大的道路网组合为匹配最优解。
6.一种基于全局路网特征的不同尺度数据的匹配装置，其特征在于，包括：
地图加载模块，用于加载不同地图数据，分别构建各地图中的路口组，并提取路口组属性信息；
置信值评价模块，用于根据属性信息的重要度，为路口组的各属性分配权重，综合评价不同地图中的两个路口组相匹配的置信值；
道路网匹配模块，用于根据所述置信值构建匹配的道路网，并计算匹配的道路网的置信值，再通过匹配的道路网构建匹配道路网组合；根据匹配道路网组合中，各道路网的相对位置关系，计算道路网组合匹配的置信值为置信总值，选取置信总值最大的道路网组合为匹配最优解，即匹配结果。
7.根据权利要求1所述一种基于全局路网特征的不同尺度数据的匹配装置，其特征在于，所述地图加载模块包括：
第一地图加载模块，用于加载传统地图数据map1，提取map1中的路口点，并通过道路连通性获取每个路口的相邻路口点；
第二地图加载模块，用于加载高精度地图数据map2，提取map2中的路口点，并通过道路连通性获取每个路口的相邻路口点；
路口组构建模块，用于通过道路的连通关系分别构建map1和map2的路口组；
属性提取模块，用于提取路口组属性信息，所述路口组属性信息包括：路口组之间的连通及位置关系、路口组内路口属性、路口数、组内路口间的连通及位置关系、组内道路的属性信息以及路口组与路口组之间连通道路的属性信息。
8.根据权利要求7所述一种基于全局路网特征的不同尺度数据的匹配装置，其特征在于，所述组内道路的属性信息包括：道路名称、行政区划、道路宽度、道路形状、道路的种别、道路类型。
9.根据权利要求7所述一种基于全局路网特征的不同尺度数据的匹配装置，其特征在于，所述置信值评价模块包括：
权重分配模块，用于依据经验或深度学习方法，为路口组的各属性分配权重；
路口组集合生成模块，用于选取传统地图数据map1中的任一路口组JGi为对象，在高精度地图数据map2中查找相匹配的路口组JG’j，其中i，j为整数；若在不同的地图数据中，存在一对路口组，具有相同的属性，依据各属性的权重计算这一对路口组匹配的置信值；若没有相同的属性，则匹配的置信值为0；最终得到传统地图数据map1中所有路口组对应的匹配路口组集合。
10.根据权利要求9所述一种基于全局路网特征的不同尺度数据的匹配装置，其特征在于，所述道路网匹配模块包括：
匹配道路网生成模块，用于选取传统地图数据map1中的任一路口组JGi为对象，其在高精度地图中匹配的路口组为JG’j；若路口组JGi的相邻路口组JGm在高精度地图数据map2中的相匹配的路口组JG’n为路口组JG’j的相邻路口组且置信值大于0，则认为JGi→JGm构成的道路网与JG’j→JG’n构成的道路网相匹配；
置信总值计算模块，用于针对以路口组JGi为中心路口组的其中一个道路网Ni，对其相匹配的多个以路口组JG’j为中心路口组的道路网N’j中的各路口组的置信值求和，得到Ni和N’j匹配的置信值。根据路口及其匹配关系不交叉的原则，得到map1中所有道路网，记为N0…Nn，其中n为整数，此时N0…Nn两两之间没有相匹配的连通道路了。根据匹配关系，在map1中，可以得到多个N0…Nx的组合，其中x为整数，可以与n不同亦可相同；在不同的组合中道路网或路口组可以重复，但在同一组合中，不同的道路网或路口组所包含的路口以及路口对应的匹配路口均不能重复。同时，可得到map2中对应的道路网组合，记为N’0…N’m，其中m为整数，且与map1中的道路网个数相同；N’0…N’m两两之间也没有相匹配的连通道路了。根据相对位置关系，计算map1中的道路网组合N0…Nn，与map2中的道路网组合N’0…N’m匹配的置信值，得到置信总值；
匹配结果输出模块，取置信总值最大的道路网组合为匹配最优解。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810335065.XA CN108709561B (zh) | 2018-04-15 | 2018-04-15 | 一种基于全局路网特征的不同尺度数据的匹配算法 |
| PCT/CN2019/082132 WO2019201135A1 (zh) | 2018-04-15 | 2019-04-10 | 基于全局路网特征的数据匹配方法、装置及存储介质 |
| US16/702,719 US11486714B2 (en) | 2018-04-15 | 2019-12-04 | Matching algorithm for data with different scales based on global road network features |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810335065.XA CN108709561B (zh) | 2018-04-15 | 2018-04-15 | 一种基于全局路网特征的不同尺度数据的匹配算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108709561A true CN108709561A (zh) | 2018-10-26 |
| CN108709561B CN108709561B (zh) | 2020-10-30 |
Family
ID=63866566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810335065.XA Active CN108709561B (zh) | 2018-04-15 | 2018-04-15 | 一种基于全局路网特征的不同尺度数据的匹配算法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11486714B2 (zh) |
| CN (1) | CN108709561B (zh) |
| WO (1) | WO2019201135A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019201135A1 (zh) * | 2018-04-15 | 2019-10-24 | 武汉中海庭数据技术有限公司 | 基于全局路网特征的数据匹配方法、装置及存储介质 |
| CN111380537A (zh) * | 2018-12-27 | 2020-07-07 | 奥迪股份公司 | 用于在导航地图中定位目标位置的方法及装置 |
| CN114323037A (zh) * | 2021-12-29 | 2022-04-12 | 高德软件有限公司 | 路段位置匹配、导航方法、装置以及存储介质 |
| CN115096322A (zh) * | 2022-06-24 | 2022-09-23 | 阿波罗智联(北京)科技有限公司 | 信息处理方法和导航方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257762B (zh) * | 2020-10-12 | 2022-08-19 | 武汉中海庭数据技术有限公司 | 一种异源高精度地图间的路网匹配方法及系统 |
| CN112598305B (zh) * | 2020-12-28 | 2022-02-15 | 中国人民解放军军事科学院国防科技创新研究院 | 基于局域结构流量的城市路网重要节点识别方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1787521A (zh) * | 2005-12-15 | 2006-06-14 | 武汉大学 | 基于Web地图服务的Web覆盖服务坐标配准方法 |
| JP2007286629A (ja) * | 2007-05-11 | 2007-11-01 | Zenrin Co Ltd | 電子地図データベースの生成方法 |
| CN101738193A (zh) * | 2009-12-29 | 2010-06-16 | 北京世纪高通科技有限公司 | 基于导航电子地图的tmc匹配表的生成方法和装置 |
| CN101788299A (zh) * | 2009-12-29 | 2010-07-28 | 北京世纪高通科技有限公司 | 基于导航电子地图的rtic匹配表的更新方法和装置 |
| CN102110364A (zh) * | 2009-12-28 | 2011-06-29 | 日电（中国）有限公司 | 基于路口和路段的交通信息处理方法和装置 |
| CN102183259A (zh) * | 2011-03-17 | 2011-09-14 | 光庭导航数据（武汉）有限公司 | 基于电子地图道路特征识别的导航方法 |
| CN103852083A (zh) * | 2012-12-07 | 2014-06-11 | 厦门雅迅网络股份有限公司 | 一种在导航电子地图数据中增加关联多路口属性的方法 |
| CN104850824A (zh) * | 2015-04-16 | 2015-08-19 | 西安交通大学 | 一种基于道路元综合的路网匹配方法 |
| CN107292919A (zh) * | 2017-06-01 | 2017-10-24 | 中国地质大学（武汉） | 一种面向空间剖分的多尺度居民地匹配方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007047780A2 (en) * | 2005-10-14 | 2007-04-26 | Dash Navigation Inc. | System and method for identifying road features |
| WO2014143058A1 (en) * | 2013-03-15 | 2014-09-18 | Hewlett-Packard Development Company, L.P. | Map matching |
| US10151592B2 (en) * | 2016-04-28 | 2018-12-11 | Here Global B.V. | Map matching quality evaluation |
| CN108709561B (zh) * | 2018-04-15 | 2020-10-30 | 武汉中海庭数据技术有限公司 | 一种基于全局路网特征的不同尺度数据的匹配算法 |
-
2018
- 2018-04-15 CN CN201810335065.XA patent/CN108709561B/zh active Active
-
2019
- 2019-04-10 WO PCT/CN2019/082132 patent/WO2019201135A1/zh active Application Filing
- 2019-12-04 US US16/702,719 patent/US11486714B2/en active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1787521A (zh) * | 2005-12-15 | 2006-06-14 | 武汉大学 | 基于Web地图服务的Web覆盖服务坐标配准方法 |
| JP2007286629A (ja) * | 2007-05-11 | 2007-11-01 | Zenrin Co Ltd | 電子地図データベースの生成方法 |
| CN102110364A (zh) * | 2009-12-28 | 2011-06-29 | 日电（中国）有限公司 | 基于路口和路段的交通信息处理方法和装置 |
| CN101738193A (zh) * | 2009-12-29 | 2010-06-16 | 北京世纪高通科技有限公司 | 基于导航电子地图的tmc匹配表的生成方法和装置 |
| CN101788299A (zh) * | 2009-12-29 | 2010-07-28 | 北京世纪高通科技有限公司 | 基于导航电子地图的rtic匹配表的更新方法和装置 |
| CN102183259A (zh) * | 2011-03-17 | 2011-09-14 | 光庭导航数据（武汉）有限公司 | 基于电子地图道路特征识别的导航方法 |
| CN103852083A (zh) * | 2012-12-07 | 2014-06-11 | 厦门雅迅网络股份有限公司 | 一种在导航电子地图数据中增加关联多路口属性的方法 |
| CN104850824A (zh) * | 2015-04-16 | 2015-08-19 | 西安交通大学 | 一种基于道路元综合的路网匹配方法 |
| CN107292919A (zh) * | 2017-06-01 | 2017-10-24 | 中国地质大学（武汉） | 一种面向空间剖分的多尺度居民地匹配方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019201135A1 (zh) * | 2018-04-15 | 2019-10-24 | 武汉中海庭数据技术有限公司 | 基于全局路网特征的数据匹配方法、装置及存储介质 |
| US11486714B2 (en) | 2018-04-15 | 2022-11-01 | Wuhhan Kotel Big Date Corporation | Matching algorithm for data with different scales based on global road network features |
| CN111380537A (zh) * | 2018-12-27 | 2020-07-07 | 奥迪股份公司 | 用于在导航地图中定位目标位置的方法及装置 |
| CN114323037A (zh) * | 2021-12-29 | 2022-04-12 | 高德软件有限公司 | 路段位置匹配、导航方法、装置以及存储介质 |
| CN114323037B (zh) * | 2021-12-29 | 2024-04-12 | 高德软件有限公司 | 路段位置匹配、导航方法、装置以及存储介质 |
| CN115096322A (zh) * | 2022-06-24 | 2022-09-23 | 阿波罗智联(北京)科技有限公司 | 信息处理方法和导航方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019201135A1 (zh) | 2019-10-24 |
| US11486714B2 (en) | 2022-11-01 |
| CN108709561B (zh) | 2020-10-30 |
| US20200116500A1 (en) | 2020-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108709561A (zh) | 一种基于全局路网特征的不同尺度数据的匹配算法 | |
| CN107609300B (zh) | 一种既有铁路平面线位整体重构设计方法 | |
| CN107193888B (zh) | 一种面向车道级导航定位的城市道路路网模型 | |
| CN106203491A (zh) | 一种公路矢量数据的融合更新方法 | |
| CN109344263B (zh) | 一种地址匹配方法 | |
| CN108038576A (zh) | 基于改进Dijkstra算法的物流配送路径选择方法及系统 | |
| CN109992786A (zh) | 一种语义敏感的rdf知识图谱近似查询方法 | |
| CN109214314B (zh) | 一种车道线自动融合匹配算法 | |
| CN105976048A (zh) | 一种基于改进人工蜂群算法的输电网扩展规划方法 | |
| CN106934596A (zh) | 基于相似度对比的建设工程项目数据管理方法及系统 | |
| CN110413664A (zh) | 一种基于超图平台的输电线路重要交叉跨越智能统计方法 | |
| CN107741982A (zh) | 一种坐标与行政区域匹配系统及方法 | |
| CN111539575B (zh) | 一种基于遗传算法的飞机装配测量场布局方法 | |
| CN108897827A (zh) | 一种公路空间数据自动更新方法及系统 | |
| CN109166173B (zh) | 基于bim的多精度三维测绘数据融合方法 | |
| CN112865109B (zh) | 一种数据驱动型电力系统潮流计算方法 | |
| CN105828434B (zh) | 一种子网划分式DV-hop无线传感器网络定位方法 | |
| CN108829695A (zh) | 路网上的弹性聚合最近邻查询G-max方法 | |
| CN110728006B (zh) | 一种基于网格的供电单元自动划分方法 | |
| CN111241221B (zh) | 一种受损地形坐标数据的自动化匹配及高精度修复方法 | |
| CN106844443A (zh) | 一种矢量地图的快速纠偏方法及系统 | |
| CN107018074B (zh) | 一种基于扁平化的网络连通路径快速搜索方法 | |
| Banasik et al. | Algorithm of automatic digital cartographic generalisation with the use of contractive self-mapping | |
| Wu et al. | Application of improved K-means clustering algorithm in transit data collection | |
| CN110096969B (zh) | 一种基于高分二号和Lidar数据的平原灌区泵闸点位置及其类型识别方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Matching Algorithm for Different Scale Data Based on Global Road Network Features Granted publication date: 20201030 Pledgee: Productivity Promotion Center of Wuhan East Lake New Technology Development Zone Pledgor: WUHHAN KOTEL BIG DATE Corp. Registration number: Y2024980005100 |