CN110866554A - 一种基于卫星定位数据的不良驾驶行为多发区域检测方法 - Google Patents
一种基于卫星定位数据的不良驾驶行为多发区域检测方法 Download PDFInfo
- Publication number
- CN110866554A CN110866554A CN201911092603.8A CN201911092603A CN110866554A CN 110866554 A CN110866554 A CN 110866554A CN 201911092603 A CN201911092603 A CN 201911092603A CN 110866554 A CN110866554 A CN 110866554A
- Authority
- CN
- China
- Prior art keywords
- sample point
- calculating
- dir1
- dir2
- sample
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
Abstract
本发明公开了一种基于卫星定位数据的不良驾驶行为多发区域检测方法,该方法包括如下步骤:(1)将卫星定位数据投影到平面坐标系;(2)计算每个样本的局部延伸方向;(3)计算每个样本点的矩形邻域及密度;(4)以核心点为起点扩展簇;(5)根据所得到的簇计算边界,得到不良驾驶行为多发区域。本发明可以在不手动设置参数的情况下有效地适应不同规模的数据集,并且考虑了不良驾驶行为分布多为带状的特性,检测结果优于传统的密度聚类方法。
Description
技术领域
本发明涉及一种密度聚类方法,尤其涉及一种基于车辆卫星定位数据在空间上的密度聚类方法。
背景技术
车辆行驶过程中的安全问题一直都是社会关注的焦点,而不良驾驶行为通常是导致交通事故的主要原因。现阶段,基于车辆行驶过程中产生的各种数据,已经有大量方法能够检测车辆不良驾驶行为的发生。针对检测出的不良驾驶行为发生的位置信息,研究其在空间上的分布规律(主要是研究哪些路段上不良驾驶行为发生的频次高),对交通安全管理有重要意义。
不良驾驶行为可以用卫星定位数据表示。每一对经纬度坐标表示在当前位置发生过一次不良驾驶行为。因此,可以对表示不良驾驶行为的卫星定位数据做聚类分析来发现不良驾驶行为多发区域。不良驾驶行为空间分布一般有如下特征:1、密度分布不均;2、区域多为带状;3、噪声比重大;4、簇的类别数未知。基于这些特征,基于密度的聚类算法DBSCAN基本可以满足需求。
但DBSCAN算法存在如下缺陷。首先,DBSCAN需要手动设定两个参数,即邻域半径和密度阈值,这两个参数需要根据数据集的规模变化而调整;其次,DBSCAN聚类的效果跟数据点之间的距离度量方式相关,现有的距离度量方式均不适应车辆产生的卫星定位数据为带状的特征;最后,DBSCAN无法确定多发区域的边界。
发明内容
本发明所要解决的技术问题是提供一种根据车辆卫星定位数据检测不良驾驶行为多发区域的方法。该方法使用了一种新的距离度量方式,并根据当前数据集的统计特性自适应设置密度参数,可以在完全无参的情况下准确地对不同规模的车辆卫星定位数据完成聚类,并生成带状的簇边界。
为实现上述目的,本发明提供如下技术方案:
(1)将卫星定位数据投影到平面坐标系中,得到样本矩阵D。其中,算法所使用的卫星定位数据仅包含经纬度字段。一个经度坐标点表示在该位置发生过一次不良驾驶行为。将卫星定位数据投影到平面坐标系的方法为,以数据集中经纬度的最小值为平面坐标系原点,计算每个样本点与原点的球面距离d和方位角(样本点与原点连线和纵轴的夹角)θ,根据d和θ计算出样本点在平面坐标系中的坐标。
(2)分别以每一个样本点为中心,计算每一个点所在局部的延伸方向向量dir1,及垂直于该方向的向量dir2。局部延伸方向向量的计算方法为:
(2-1)计算样本点p=[xp,yp]的ε邻域Nε;
(2-2)对Nε的每列分别进行零均值化,并计算出Nε的协方差矩阵C;
(2-3)计算出协方差矩阵的两个特征值λ1,λ2和对应的特征向量。其中,特征值大的特征向量所对应的就是样本点p所在局部的延伸方向dir1p,另一个特征向量对应的是与延伸方向垂直的方向dir2p。
(3)基于每一个样本点的延伸方向向量dir1和dir2,计算每一个样本点的自适应矩形邻域,并根据邻域计算出样本点的密度。其中,样本点p的自适应矩形邻域Nrec的计算方法为:首先计算p在dir1p和dir2p上的投影长度d1p和d2p,然后计算样本矩阵D中其余样本点在dir1p和dir2p上的投影长度d1i和d2i,分别计算d1i、d2i与d1p、d2p的差,若差值分别小于阈值a、b,则样本点pi属于p的自适应矩形邻域Nrec。
(4)根据得到的样本点密度计算出密度阈值,将高于密度阈值的样本标记为核心点。其中,密度阈值为所有密度大于0的样本点的密度均值。
(5)分别以核心点为中心扩展簇。其中,扩展簇的算法是如图所示的一个迭代过程,直到样本数据集D中所有核心点均被访问时,迭代过程结束。
(6)计算得到的簇的边界,即,不良驾驶行为多发区域的边界。其中,簇的边界用矩形框拟合。矩形框的计算方法为,首先分别计算每个簇的延伸方向dir1和与之垂直的方向dir2,然后计算每个区域内的点在这两个方向上的投影长度,并找出在dir1上投影长度的最大值和最小值d1、d2以及在dir2上投影长度的最大值和最小值d3、d4,则可以得到矩形框的四个顶点坐标为(d1,d4)、(d1,d3)、(d2,d3)、(d2,d4),最后将四个顶点投影回正交坐标系,再根据权利要求3所述的方法的逆运算求出矩形边界的四个顶点的经纬度坐标。
与现有技术相比,本发明的优点在于:
1、本发明针对由车辆产生的卫星定位数据为带状的特性,优化了数据点之间的距离度量方法;
2、本发明使用的计算局部区域数据点延伸的方法,能够根据卫星定位数据有效地计算数据点所在公路的延伸方向;
3、本发明使用的方法,能够根据数据量的增加,动态地计算密度阈值,不需要手动设置参数;
4、本发明使用的区域边界计算方法,能够根据区域内数据点的延伸方向,生成一个覆盖该区域的矩形框,更符合“不良驾驶行为多发路段”的形状。
附图说明
图1是本方法的整体流程图。
图2是样本点的eps邻域的示意图。
图3是样本点p的矩形邻域和横轴距离dh、纵轴距离dv的示意图。
图4是扩展簇算法的流程图。
图5是本方法输出的不良驾驶行为多发区的边界。
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具体方案进行清楚完整地描述,显然,所述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范畴。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细地说明。
如图1所示,是一种基于卫星定位数据的不良驾驶行为多发区域检测算法包括以下步骤:
步骤1:将卫星定位数据投影到平面坐标系中,得到样本矩阵D。所使用的卫星定位数据如表1所示,该数据集由不良驾驶行为识别算法生成,数据集的每一行表示一条不良驾驶行为记录,车牌表示产生该条不良驾驶行为记录的车辆的车牌,经度和纬度表示该条不良驾驶行为记录发生的位置。
本发明所提出的算法目的在于分析不良驾驶行为的空间分布规律,只使用数据集中的经纬度字段。因此,要使用该算法,只需要数据集中包含不良驾驶行为发生的位置信息即可。
表1:不良驾驶行为的卫星定位数据。
将经纬度坐标投影到平面坐标系的方法为:
首先确定平面坐标系的原点,原点的经度为数据集中经度最小值,原点的纬度为数据集中纬度的最小值。
然后计算数据集中每个数据点和原点之间的球面距离d和方位角θ,计算公式如下:
d=R sin-1((sin(yi)sin(y0)+cos(yi)cos(y0)cos(xi-x0)))
其中R=6372。795477598km为地球的近似半径,xi为样本点经度,yi为样本点纬度,x0为样本点经度,y0为样本点纬度,计算过程中所有经纬度坐标均用弧度表示。
最后,样本点在平面坐标系下的坐标为x′i=d*sinθ、y′i=d*cosθ。计算所有样本点,得到的样本矩阵D如表2所示,样本点的第一列表示样本点与原点在经度方向上的距离,第二列表示样本点与原点在纬度方向上的距离,单位是米。
表2:样本矩阵D。
步骤2:根据样本点p的eps邻域内确定样本点所在的局部区域的延伸方向。样本点p的eps邻域的定义为:由以p为中心,eps为半径的圆形区域内的所有样本点构成的集合。由于一般公路的最大宽度为40米,所以只要eps大于20米,即可根据该邻域确定局部区域的延伸方向,在本实施例中,eps取值为30米。eps邻域和延伸方向如图2所示。
用矩阵Nε表示样本点的eps邻域,根据Nε计算延伸方向的步骤为:
首先按列将Nε进行零均值化,并计算Nε的协方差矩阵,
然后计算出协方差矩阵的特征值和特征向量,其中,特征值大的特征向量所对应的就是样本点p所在局部的延伸方向dir1p,另一个特征向量对应的是与延伸方向垂直的方向dir2p。
步骤3:计算所有样本点的矩形邻域,将矩形邻域内的点的数量作为对应样本点的密度。以样本点p为例,矩形邻域的计算方法为:
计算其余样本点与p的横轴距离dh和纵轴距离dv,若dh和dv均小于设定阈值,则对应样本点属于p的矩形邻域。
为了适应不良驾驶行为数据多为带状分布的特性,本发明提出了横轴距离dh和纵轴距离dv。横轴距离dh的定义为,两个样本点投影到dir1上投影长度的差值。其中,纵轴距离dv的定义为,两个样本点投影到dir2上投影长度的差值,如图3所示。
步骤4:计算密度阈值,并标记密度大于阈值的点为核心点。其中,密度阈值为所有密度大于0的样本点的密度均值。
步骤5:以核心点为中心扩展簇,扩展簇的算法流程图如图4所示,包括以下步骤:
(1)初始化簇标记k=0;初始化核心对象集合coreList,核心对象集合中存放着所有密度大于密度阈值的样本;初始化一个空的种子队列seedList;
(2)k=k+1,当核心对象集合为空时,扩展簇的算法结束,否则执行步骤3);
(3)取出一个核心对象c,将其标记为已访问,并标记为属于簇k。初始化一个种子队列seedList,将c的自适应矩形邻域Nrec中的元素放入种子队列;
(4)当种子队列为空时,返回步骤2),否则从种子队列中取出一个对象p,将其标记为已访问,并标记为属于簇k。若p为核心对象,则将其自适应矩形邻域Nrec中的元素放入种子队列,重新执行步骤4)。
步骤6:计算簇的边界,本发明用矩形框来拟合簇的边界,簇的边界即可认为是不良驾驶行为多发区域的边界。簇边界的计算方法为:
首先用步骤2的方法计算每个簇的延伸方向dir1和与之垂直的方向dir2;
然后计算每个区域内的点在这两个方向上的投影长度,并找出在dir1上投影长度的最大值和最小值d1、d2以及在dir2上投影长度的最大值和最小值d3、d4,则可以得到矩形框的四个顶点坐标为(d1,d4)、(d1,d3)、(d2,d3)、(d2,d4);
最后将四个顶点投影回正交坐标系,再根据逆运算求出矩形边界的四个顶点的经纬度坐标。
本发明最终输出不良驾驶行为多发区域的边界,以及每个多发区域内不良驾驶行为的发生次数,输出结果如表3所示,输出结果在高德地图可视化平台上效果如图5所示。
表3不良驾驶行为多发区域边界输出结果。
表1:
表2:
表3:
Claims (8)
1.一种基于卫星定位数据的不良驾驶行为多发区检测方法,其特征在于,包括如下步骤:
(1)将卫星定位数据投影到平面坐标系中,得到样本矩阵D;
(2)分别以每一个样本点为中心,计算每一个点所在局部的延伸方向向量dir1,及垂直于该方向的向量dir2;
(3)基于每一个样本点的延伸方向向量dir1和dir2,计算每一个样本点的矩形邻域,并根据邻域计算出样本点的密度;
(4)根据得到的样本点密度计算出密度阈值,将高于密度阈值的样本标记为核心点;
(5)分别以核心点为起点扩展簇;
(6)根据得到的簇计算不良驾驶行为多发区域。
2.根据权利要求1所述的基于卫星定位数据的不良驾驶行为多发区域检测方法,其特征在于,算法所使用的卫星定位数据仅包含经纬度字段,一个经度坐标点表示,在该位置发生过一次不良驾驶行为。
3.根据权利要求1所述的基于卫星定位数据的不良驾驶行为多发区域检测方法,其特征在于,步骤(1)中所述的将GPS数据投影到平面坐标系的方法为:
(1-1)确定平面坐标系的原点,原点的横坐标x0为所有GPS数据的经度最小值,原点的纵坐标y0为所有GPS数据的纬度最小值;
(1-2)计算每个样本点[xi,yi]与原点[x0,y0]之间的球面距离d和方位角θ。
d=R sin-1((sin(yi)sin(y0)+cos(yi)cos(y0)cos(xi-x0)))
其中R=6372.795477598km为地球的近似半径,xi为样本点经度,yi为样本点纬度,计算过程中所有经纬度坐标均用弧度表示;
(1-3)样本点[xi,yi]投影到平面坐标系的新坐标为:
x′i=d*sinθ
y′i=d*cosθ
4.根据权利要求1所述的基于卫星定位数据的不良驾驶行为多发区域检测方法,其特征在于,步骤(2)中所述的局部延伸方向向量的计算方法为:
(2-1)计算样本点p=[xp,yp]的ε邻域Nε
Nε={pi∈D|distance(p,pi)≤ε},i=1,2,…,N
其中distance(p,pi)为样本点p和样本点pi之间的欧式距离,ε=30,ε邻域Nε表示样本矩阵D中与样本点p的欧式距离不大于ε的子样本集,用一个n×2的矩阵表示;
(2-2)按列将Nε进行零均值化,并计算Nε的协方差矩阵
其中Nε T表示Nε的转置;
(2-3)计算出协方差矩阵的特征值λ1、λ2和特征向量[a1,b1]T、[a2,b2]T,其中,特征值大的特征向量所对应的就是样本点p所在局部的延伸方向dir1p,另一个特征向量对应的是与延伸方向垂直的方向dir2p。
5.根据权利要求1所述的基于卫星定位数据的不良驾驶行为多发区域检测方法,其特征在于,步骤(3)中所述的样本点p的自适应矩形邻域Nrec的计算方法为:
(3-1)将样本矩阵D分别投影到样本点p所在局部的延伸方向dir1p和其垂直方向dir2p上,
D1=D×dir1p
D2=D×dir2p
其中D是N×2的矩阵,dir1p和dir2p是2×1的列向量,D1和D2是N×1的列向量,D1和D2分别表示D中每一个样本点pi在dir1p和dir2p上的投影长度;
(3-2)计算样本点p在dir1p和dir2p上的投影长度d1p和d2p,
d1p=p×dir1p
d2p=p×dir2p
(3-3)若样本点pi在dir1p和dir2p上的投影长度与样本点p在dir1p和dir2p上的投影长度的差分别小于阈值a、b,则pi是p的自适应矩形邻域Nrec中的一个元素,即,
Nrec={pi∈D||d1pi-d1p|<a and|d2pi-d2p|<b},i=1,2,…,N
其中,阈值a=100,阈值b=20;
7.根据权利要求1所述的基于卫星定位数据的不良驾驶行为多发区域检测方法,其特征在于,步骤(5)所述的以核心为中心扩展簇的算法包括如下步骤:
(5-1)初始化簇标记k=0;初始化核心对象集合coreList,核心对象集合中存放着所有密度大于密度阈值的样本;初始化一个空的种子队列seedList;
(5-2)k=k+1,当核心对象集合为空时,扩展簇的算法结束,否则执行步骤3);
(5-3)取出一个核心对象c,将其标记为已访问,并标记为属于簇k,初始化一个种子队列seedList,将c的自适应矩形邻域Nrec中的元素放入种子队列;
(5-4)当种子队列为空时,返回步骤2),否则从种子队列中取出一个对象p,将其标记为已访问,并标记为属于簇k。若p为核心对象,则将其自适应矩形邻域Nrec中的元素放入种子队列,重新执行步骤4)。
8.根据权利要求1所述的基于卫星定位数据的不良驾驶行为多发区域检测方法,其特征在于,步骤(6)所述的不良驾驶行为多发区域用矩形表示,矩形的计算方法为,首先分别计算每个簇的延伸方向dir1和与之垂直的方向dir2,然后计算簇内的所有点在这两个方向上的投影长度,找出在dir1上投影长度的最大值和最小值d1、d2以及在dir2上投影长度的最大值和最小值d3、d4,则矩形区域的四个顶点坐标为(d1,d4)、(d1,d3)、(d2,d3)、(d2,d4),最后将四个顶点投影回正交坐标系,再根据将GPS数据投影到平面坐标系的方法的逆运算求出矩形边界的四个顶点的经纬度坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911092603.8A CN110866554B (zh) | 2019-11-11 | 2019-11-11 | 一种基于卫星定位数据的不良驾驶行为多发区域检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911092603.8A CN110866554B (zh) | 2019-11-11 | 2019-11-11 | 一种基于卫星定位数据的不良驾驶行为多发区域检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110866554A true CN110866554A (zh) | 2020-03-06 |
CN110866554B CN110866554B (zh) | 2022-05-24 |
Family
ID=69653571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911092603.8A Active CN110866554B (zh) | 2019-11-11 | 2019-11-11 | 一种基于卫星定位数据的不良驾驶行为多发区域检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866554B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111917648A (zh) * | 2020-06-30 | 2020-11-10 | 华南理工大学 | 一种数据中心里分布式机器学习数据重排的传输优化方法 |
CN113810926A (zh) * | 2020-06-12 | 2021-12-17 | 北京市天元网络技术股份有限公司 | 定位外部干扰源的方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766808A (zh) * | 2017-09-30 | 2018-03-06 | 北京泓达九通科技发展有限公司 | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 |
CN108764359A (zh) * | 2018-06-01 | 2018-11-06 | 吉林大学 | 无参数的k均值聚类方法 |
CN108959466A (zh) * | 2018-06-20 | 2018-12-07 | 淮阴工学院 | 基于bcs-dbscan的出租车载客热点可视化方法及系统 |
CN109948720A (zh) * | 2019-03-27 | 2019-06-28 | 重庆大学 | 一种基于密度的层次聚类方法 |
-
2019
- 2019-11-11 CN CN201911092603.8A patent/CN110866554B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766808A (zh) * | 2017-09-30 | 2018-03-06 | 北京泓达九通科技发展有限公司 | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 |
CN108764359A (zh) * | 2018-06-01 | 2018-11-06 | 吉林大学 | 无参数的k均值聚类方法 |
CN108959466A (zh) * | 2018-06-20 | 2018-12-07 | 淮阴工学院 | 基于bcs-dbscan的出租车载客热点可视化方法及系统 |
CN109948720A (zh) * | 2019-03-27 | 2019-06-28 | 重庆大学 | 一种基于密度的层次聚类方法 |
Non-Patent Citations (3)
Title |
---|
SÁNDOR SZÉNÁSI 等: "Comparison of Road Accident Black Spot Searching Methods", 《IEEE 18TH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND INFORMATICS》 * |
于彦伟等: "面向位置大数据的快速密度聚类算法", 《软件学报》 * |
聂跃光等: "基于密度的空间聚类算法研究", 《计算机技术与发展》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113810926A (zh) * | 2020-06-12 | 2021-12-17 | 北京市天元网络技术股份有限公司 | 定位外部干扰源的方法及装置 |
CN111917648A (zh) * | 2020-06-30 | 2020-11-10 | 华南理工大学 | 一种数据中心里分布式机器学习数据重排的传输优化方法 |
CN111917648B (zh) * | 2020-06-30 | 2021-10-26 | 华南理工大学 | 一种数据中心里分布式机器学习数据重排的传输优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110866554B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200152060A1 (en) | Underground garage parking space extraction method and system for high-definition map making | |
CN110379007B (zh) | 基于车载移动激光扫描点云的三维公路曲线重建方法 | |
CN106920235B (zh) | 基于矢量底图匹配的星载光学遥感影像自动校正方法 | |
CN107144812B (zh) | 一种单站移动自动定位方法 | |
CN110866554B (zh) | 一种基于卫星定位数据的不良驾驶行为多发区域检测方法 | |
CN107341781B (zh) | 基于改进相位一致性特征矢量底图匹配的sar影像校正方法 | |
JP4851874B2 (ja) | 自己位置推定プログラム、自己位置推定方法および自己位置推定装置 | |
CN110031001B (zh) | 一种重力辅助惯性导航的适配区选取方法 | |
CN111707275B (zh) | 一种定位方法、装置、电子设备及计算机可读存储介质 | |
KR20060100157A (ko) | 공간정보/위치정보의 정밀 위치정보 변환을 위한 변동량모델링 방법 | |
CN111457930A (zh) | 一种利用车载Lidar与无人机联合的高精度测图定位方法 | |
CN116361714B (zh) | 一种顾及非各向同性的水平方向对流层延迟分类方法 | |
Nikolova et al. | Segmentation of a road from a vehicle-mounted radar and accuracy of the estimation | |
Zhang et al. | A road extraction method based on high resolution remote sensing image | |
CN114419465B (zh) | 遥感图像变化检测方法、装置、设备及存储介质 | |
CN116628531A (zh) | 众包地图道路对象要素聚类方法、系统及存储介质 | |
CN115544191A (zh) | 基于三维点云众包式语义地图的更新方法和装置 | |
CN111982152B (zh) | 点云地图量化方法、装置、计算机设备和存储介质 | |
CN111522896A (zh) | 确定平面多边形凹凸点的方法及系统 | |
CN112183378A (zh) | 一种基于颜色和深度图像的道路坡度估计方法及装置 | |
Liu et al. | Extracting campus’ road network from walking gps trajectories | |
CN111858543B (zh) | 商业地图的质量评估方法、装置及计算设备 | |
CN112733817B (zh) | 一种高精度地图中点云图层精度的测量方法及电子设备 | |
EP3944137A1 (en) | Positioning method and positioning apparatus | |
Baeg et al. | Oriented Bounding Box Detection Robust to Vehicle Shape on Road Under Real-Time Constraints |
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 |