CN111291144B - 一种道路交叉口位置和覆盖范围检测框架方法 - Google Patents

一种道路交叉口位置和覆盖范围检测框架方法 Download PDF

Info

Publication number
CN111291144B
CN111291144B CN202010059799.7A CN202010059799A CN111291144B CN 111291144 B CN111291144 B CN 111291144B CN 202010059799 A CN202010059799 A CN 202010059799A CN 111291144 B CN111291144 B CN 111291144B
Authority
CN
China
Prior art keywords
intersection
coverage
turning
track
grid
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.)
Active
Application number
CN202010059799.7A
Other languages
English (en)
Other versions
CN111291144A (zh
Inventor
毛嘉莉
濮敏
赵俐晟
刘国平
金澈清
周傲英
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.)
East China Normal University
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
East China Normal University
Beijing Didi Infinity Technology and Development Co Ltd
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 East China Normal University, Beijing Didi Infinity Technology and Development Co Ltd filed Critical East China Normal University
Priority to CN202010059799.7A priority Critical patent/CN111291144B/zh
Publication of CN111291144A publication Critical patent/CN111291144A/zh
Application granted granted Critical
Publication of CN111291144B publication Critical patent/CN111291144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/081—Plural intersections under common control

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提出了一种基于浮动车轨迹的道路交叉口位置和范围检测框架，首先利用四叉树模型将检测区域划分成不同大小的单元，通过轨迹点速度和方向特征，使用DBSCAN聚类筛选出包含道路交叉口的单元，然后分别采用DBSCAN算法+凸包技术和Mean Shift算法+环型轨迹点密度变化检测确定道路交叉口的位置及覆盖范围。本发明能够使用浮动车轨迹数据有效精准地定位路口及其覆盖范围，捕捉路口形态，为导航服务和路径规划提供有效地决策支撑。

Description

一种道路交叉口位置和覆盖范围检测框架方法
技术领域
本发明属于轨迹挖掘技术领域，具体涉及一种基于浮动车轨迹的道路交叉口位置和覆盖范围检测框架方法。
背景技术
道路交叉口是数字路网的重要组成部分，是各条互联道路的连接点，在移动导航场景中，我们需要根据道路交叉口的位置和范围提前进行转向播报，道路交叉口的位置和范围定位的准确性会影响导航的准确性。此外，道路交叉口的缺失会影响到路径规划的合理性。
目前基于车辆轨迹生成道路交叉口的算法可分为两种基本类型，一种算法是基于线的交叉口提取方法法，由轨迹点连接生成道路，并通过简单地连接这些道路产生交叉口，该方法无法得知交叉口的范围，不适用导航场景。另一种是基于点的路口提取方法，使用统一大小的网格划分区域，直接将发生方向变化的轨迹点聚类获得路口中心位置，然而交叉口的大小不一，且发生转向的点不一定是位于道路交叉口，对于道路交叉口的检测有效率仍然较低。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于浮动车轨迹的道路交叉口位置和覆盖范围检测框架方法，能够使用浮动车轨迹数据有效精准地定位路口及其覆盖范围，捕捉路口形态，为导航服务和路径规划提供有效的决策支撑。
为实现上述技术目的，本发明采取的技术方案为：
一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架，包含以下步骤：
S1:使用基于四叉树的单元划分方法将检测区域分割成各种大小的网格。
S2:网格内浮动车轨迹点的方向进行投影，通过DBSCAN进行聚类成不同的方向簇，根据轨迹方向簇的数量以及速度特性，得到存在道路交叉口的网格。
S3:基于S2中得到的存在交叉路口的网格筛选出发生转向变化的转向点。
S4:使用Mean Shift算法+环形转向点密度变化检测算法确定路口位置及其覆盖范围
S5:使用DBSCAN聚类算法+凸包技术graham扫描法确定路口位置及其覆盖范围
S6:对两种方法分别得到的路口及覆盖范围，进行相互校验，由此准确的路口及覆盖范围集合
为优化上述技术方案，采取的具体措施还包括：s
上述的步骤S1具体包括：
考虑到道路交叉口的大小不同，首先使用基于四叉树的单元划分方法将观察区域分割成各种大小的网格。设置四叉树的最小边长为25米，从200米开始逐层搜索包含道路交叉口网格(即从四叉树第四层开始)。
上述步骤S2具体包括：
由于每个点的方向是由其与正北方向之间的夹角来表示，简单地根据点之间的方向差值来提取不同方向是不合理的，例如，0°和356°是同一方向。为此，算法将一维的方向属性投影为二维平面数据。然后根据点的方向投影坐标之间的距离，将每个网格内的所有转向点通过DBSCAN进行聚类成不同的方向簇。考虑到车辆在交叉口转弯时可能会减速，我们进一步利用相邻网格的平均速度来筛选交叉口网格。因此，当网格内的轨迹点的平均速度小于相邻网格内的平均速度时，网格内形成的方向簇的数量等于2且方向簇的方向差小于130度，或方向簇数量大于2的情况则判定为存在道路交叉口的网格。
上述步骤S3具体包括：
若当前轨迹点的朝向与其前一个轨迹点的朝向的差值大于35度，判断该轨迹点为转向点，由此获取步骤2中得到的存在道路交叉口的网格中的所有转向点。
上述步骤S4具体包括：
步骤4.1)利用Mean Shift算法将存在道路交叉口的网格内的轨迹点进行聚类，得到道路交叉口中心。
步骤4.2)基于得到的道路交叉口中心，随着路口范围半径的增长，增长的环内转向点数量会逐渐减少，当转向点的数量小于给定的阈值时，即得到道路交叉口范围。将半径增量(记为rdelta)设为10米。设置最小半径(记为rmin＝50)以避免极端的情况,最大半径(记为rmax＝200)确保覆盖半径与相邻的道路交叉口不重叠。
上述步骤S5具体包括：
步骤5.1)采用DBSCAN将各网格内的转向点进行轨迹点位置聚类，得到转向点簇
步骤5.2)基于得到的转向点簇，使用凸包技术的graham扫描法获取交叉路口位置及路口覆盖范围，形成路口凸多边形。
上述步骤S6具体包括：
基于步骤S4，S5分别得到的路口及其覆盖范围集合，对该两个集合进行相互校验，保留两个路口集合的交集。
本发明提出了一种基于浮动车轨迹的道路交叉口位置和范围检测框架，首先利用四叉树模型将检测区域划分成不同大小的单元，通过轨迹点速度和方向特征，使用DBSCAN聚类筛选出包含道路交叉口的单元，然后分别采用DBSCAN算法+凸包技术和Mean Shift算法+环型轨迹点密度变化检测确定道路交叉口的位置及覆盖范围。本发明能够使用浮动车轨迹数据有效精准地定位路口及其覆盖范围，捕捉路口形态，为导航服务和路径规划提供有效地决策支撑。
本发明具有以下有益效果：
1、本发明能够利用四叉树模型，轨迹点方向投影技术，快速筛选存在道路交叉口的区域2、本发明通过结合Mean Shift+环形轨迹点密度变化检测方法和DBSCAN+凸包技术方法，有效检测出路口位置及覆盖范围。
附图说明
图1是基于浮动车轨迹的道路交叉口位置和覆盖范围检测框架图；
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明。
本发明公开了一种基于浮动车轨迹的道路交叉口位置和覆盖范围检测框架方法，首先利用四叉树模型将检测区域划分成不同大小的单元，通过轨迹点速度和方向特征，使用DBSCAN聚类筛选出包含道路交叉口的单元，然后分别采用DBSCAN算法+凸包技术和MeanShift算法+环型轨迹点密度变化检测确定道路交叉口的位置及覆盖范围。
如图1所示，本发明一种基于浮动车轨迹的道路交叉口位置和覆盖范围检测框架方法，包括以下步骤：
S1:使用基于四叉树的单元划分方法将检测区域分割成各种大小的网格。
实施例中，步骤S1具体包括：
考虑到道路交叉口的大小不同，首先使用基于四叉树的单元划分方法将观察区域分割成各种大小的网格。设置四叉树的最小边长为25米，从200米开始逐层搜索包含道路交叉口网格(即从四叉树第四层开始)。
S2:网格内浮动车轨迹点的方向进行投影，通过DBSCAN进行聚类成不同的方向簇，根据轨迹方向簇的数量以及速度特性，得到存在道路交叉口的网格。
实施例中，步骤S2具体包括：
由于每个点的方向是由其与正北方向之间的夹角来表示，简单地根据点之间的方向差值来提取不同方向是不合理的，例如，0°和356°是同一方向。为此，算法将一维的方向属性投影为二维平面数据。然后根据点的方向投影坐标之间的距离，将每个网格内的所有转向点通过DBSCAN进行聚类成不同的方向簇。考虑到车辆在交叉口转弯时可能会减速，我们进一步利用相邻网格的平均速度来筛选交叉口网格。因此，当网格内的轨迹点的平均速度小于相邻网格内的平均速度时，网格内形成的方向簇的数量等于2且方向簇的方向差小于130度，或方向簇数量大于2的情况则判定为存在道路交叉口的网格。
S3:基于S2中得到的存在交叉路口的网格筛选出发生转向变化的转向点。
实施例中，步骤S3具体包括：
若当前轨迹点的朝向与其前一个轨迹点的朝向的差值大于35度，判断该轨迹点为转向点，由此获取步骤2中得到的存在道路交叉口的网格中的所有转向点。
S4:使用Mean Shift算法+环形转向点密度变化检测算法确定路口位置及其覆盖范围
实施例中，步骤S4具体包括：
步骤4.1)利用Mean Shift算法将存在道路交叉口的网格内的轨迹点进行聚类，得到道路交叉口中心。
步骤4.2)基于得到的道路交叉口中心，随着路口范围半径的增长，增长的环内转向点数量会逐渐减少，当转向点的数量小于给定的阈值时，即得到道路交叉口范围。将半径增量(记为rdelta)设为10米。设置最小半径(记为rmin＝50)以避免极端的情况,最大半径(记为rmax＝200)确保覆盖半径与相邻的道路交叉口不重叠。
S5:使用DBSCAN聚类算法+凸包技术graham扫描法确定路口位置及其覆盖范围
实施例中，步骤S5具体包括：
步骤5.1)采用DBSCAN将各网格内的转向点进行轨迹点位置聚类，得到转向点簇
步骤5.2)基于得到的转向点簇，使用凸包技术的graham扫描法获取交叉路口位置及路口覆盖范围，形成路口凸多边形。
S6:对两种方法分别得到的路口及覆盖范围，进行相互校验，由此准确的路口及覆盖范围集合
实施例中，步骤S6具体包括：
基于步骤S4，S5分别得到的路口及其覆盖范围集合，对该两个集合进行相互校验，保留两个路口集合的交集。
综上所述，本发明综合采用四叉树模型、DBSCAN聚类技术、轨迹点方向投影技术、Mean Shift技术、凸包技术等技术，形成了一种基于浮动车轨迹的道路交叉口位置和覆盖范围检测框架，通过浮动车轨迹挖掘，能够准确识别道路交叉口及覆盖范围，从而为导航播报和路径规划提供有效的帮助。
以上仅是本发明的优选实施方式，本发明的保护范围并不局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进，应视为本发明的保护范围。

Claims (7)

1.一种基于浮动车轨迹的道路交叉口位置和覆盖范围检测框架方法，其特征在于，包括以下步骤：
步骤S1:使用基于四叉树的单元划分方法将检测区域分割成各种大小的网格；
步骤S2:网格内浮动车轨迹点的方向进行投影，通过DBSCAN进行聚类成不同的方向簇，根据轨迹方向簇的数量以及速度特性，得到存在道路交叉口的网格；
步骤S3:基于S2中得到的存在交叉路口的网格筛选出发生转向变化的转向点；
步骤S4:使用Mean Shift算法+环形转向点密度变化检测算法确定路口位置及其覆盖范围；
步骤S5:使用DBSCAN聚类算法+凸包技术graham扫描法确定路口位置及其覆盖范围；
步骤S6:对两种方法分别得到的路口及覆盖范围，进行相互校验，由此得到准确的路口及覆盖范围集合。
2.根据权利要求1所述的基于浮动车轨迹的道路交叉口位置和覆盖范围检测框架方法，其特征在于，所述步骤S1具体包括：
使用基于四叉树的单元划分方法将观察区域分割成各种大小的网格；设置四叉树的最小边长为25米，从200米开始逐层搜索包含道路交叉口网格。
3.根据权利要求1所述的基于浮动车轨迹的道路交叉口位置和覆盖范围检测框架方法，其特征在于，所述步骤S2包括：
将一维的方向属性投影为二维平面数据，然后根据点的方向投影坐标之间的距离，将每个网格内的所有转向点通过DBSCAN进行聚类成不同的方向簇；
考虑到车辆在交叉口转弯时可能会减速，进一步利用相邻网格的平均速度来筛选交叉口网格；因此，当网格内的轨迹点的平均速度小于相邻网格内的平均速度时，网格内形成的方向簇的数量等于2且方向簇的方向差小于130度，或方向簇数量大于2的情况则判定为存在道路交叉口的网格。
4.根据权利要求1所述的基于浮动车轨迹的道路交叉口位置和覆盖范围检测框架方法，其特征在于，所述步骤S3具体包括：
若当前轨迹点的朝向与其前一个轨迹点的朝向的差值大于35度，判断该轨迹点为转向点，由此获取步骤2中得到的存在道路交叉口的网格中的所有转向点。
5.根据权利要求1所述的基于浮动车轨迹的道路交叉口位置和覆盖范围检测框架方法，其特征在于，所述步骤S4具体包括：
步骤4.1)利用Mean Shift算法将存在道路交叉口的网格内的轨迹点进行聚类，得到道路交叉口中心；
步骤4.2)基于得到的道路交叉口中心，随着路口范围半径的增长，增长的环内转向点数量会逐渐减少，当转向点的数量小于给定的阈值时，即得到道路交叉口范围；将半径增量设为10米，记为rdelta；设置最小半径以避免极端的情况，记为rmin＝50,最大半径确保覆盖半径与相邻的道路交叉口不重叠，记为rmax＝200。
6.根据权利要求1所述的基于浮动车轨迹的道路交叉口位置和覆盖范围检测框架方法，其特征在于，所述步骤S5具体包括：
步骤5.1)采用DBSCAN将各网格内的转向点进行轨迹点位置聚类，得到转向点簇；
步骤5.2)基于得到的转向点簇，使用凸包技术的graham扫描法获取交叉路口位置及路口覆盖范围，形成路口凸多边形。
7.根据权利要求1所述的基于浮动车轨迹的道路交叉口位置和覆盖范围检测框架方法，其特征在于，所述步骤S6具体包括：
基于步骤S4，S5分别得到的路口及其覆盖范围集合，对该两个集合进行相互校验，保留两个路口集合的交集。
CN202010059799.7A 2020-01-19 2020-01-19 一种道路交叉口位置和覆盖范围检测框架方法 Active CN111291144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010059799.7A CN111291144B (zh) 2020-01-19 2020-01-19 一种道路交叉口位置和覆盖范围检测框架方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010059799.7A CN111291144B (zh) 2020-01-19 2020-01-19 一种道路交叉口位置和覆盖范围检测框架方法

Publications (2)

Publication Number Publication Date
CN111291144A CN111291144A (zh) 2020-06-16
CN111291144B true CN111291144B (zh) 2021-03-26

Family

ID=71021252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010059799.7A Active CN111291144B (zh) 2020-01-19 2020-01-19 一种道路交叉口位置和覆盖范围检测框架方法

Country Status (1)

Country Link
CN (1) CN111291144B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113611107A (zh) * 2021-07-15 2021-11-05 北京汇通天下物联科技有限公司 一种非联网路口交通提醒方法
CN114139099A (zh) * 2021-11-23 2022-03-04 长沙理工大学 基于轨迹密度匀化和层次分割的道路交叉口信息提取方法
CN116052453A (zh) * 2022-12-30 2023-05-02 广州小鹏自动驾驶科技有限公司 道路路口确定方法、装置、电子设备以及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436481A (zh) * 2011-10-21 2012-05-02 武汉大学 一种道路网结构模式的自动识别方法
CN107591004A (zh) * 2017-11-01 2018-01-16 中原智慧城市设计研究院有限公司 一种基于车路协同的智能交通诱导方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8970701B2 (en) * 2011-10-21 2015-03-03 Mesa Engineering, Inc. System and method for predicting vehicle location
CN103177585B (zh) * 2013-02-27 2015-07-08 上海美慧软件有限公司 基于浮动车数据计算路段各转向平均行程车速方法
US10643101B2 (en) * 2015-07-09 2020-05-05 Texas Instruments Incorporated Window grouping and tracking for fast object detection
CN110414306B (zh) * 2019-04-26 2022-07-19 吉林大学 一种基于meanshift算法和SVM的婴儿异常行为检测方法
CN110443816A (zh) * 2019-08-08 2019-11-12 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) 基于道路交叉口检测的遥感影像上城市道路提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436481A (zh) * 2011-10-21 2012-05-02 武汉大学 一种道路网结构模式的自动识别方法
CN107591004A (zh) * 2017-11-01 2018-01-16 中原智慧城市设计研究院有限公司 一种基于车路协同的智能交通诱导方法

Also Published As

Publication number Publication date
CN111291144A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN111291144B (zh) 一种道路交叉口位置和覆盖范围检测框架方法
CN110084272B (zh) 一种聚类地图创建方法及基于聚类地图和位置描述子匹配的重定位方法
CN109961440B (zh) 一种基于深度图的三维激光雷达点云目标分割方法
CN108519094B (zh) 局部路径规划方法及云处理端
CN108830897B (zh) 一种道路中心线提取方法
CN102930509B (zh) 一种机载激光点云数据的智能化滤波方法
CN112184736B (zh) 一种基于欧式聚类的多平面提取方法
CN112328718B (zh) 一种基于车辆动态轨迹跟踪的道路拓扑构建系统和方法
CN111551958A (zh) 一种面向矿区无人驾驶的高精地图制作方法
CN108845569A (zh) 生成三维高清道路图水平弯道行车线的半自动点云方法
CN108648271B (zh) 一种基于gis数据生成复杂地形网格模型的插值方法
CN108961758B (zh) 一种基于梯度提升决策树的路口展宽车道探测方法
CN106996783A (zh) 一种行驶轨迹与路网底图的智能匹配方法及装置
CN103500278B (zh) 基于最短路径算法的路径相似台风分析方法
CN112906812A (zh) 基于带离群点去除的车辆轨迹聚类方法
CN114459378A (zh) 一种隧道工程三维激光扫描分段测量方法及测量系统
CN115308770A (zh) 一种基于拟合图形的动态障碍物检测方法
CN116071729A (zh) 可行驶区域和路沿的检测方法、装置及相关设备
CN114638934A (zh) 一种3D激光slam建图中动态障碍物的后处理方法
Pu et al. Road intersection detection based on direction ratio statistics analysis
Liu et al. Background filtering and object detection with roadside LiDAR data
CN110046209B (zh) 一种基于高斯模型的轨迹停止点提取方法
CN114357843B (zh) 一种针对风电装备运输进行数值碰撞实验模拟的方法
JP2013008310A (ja) 三次元地図作成装置およびその窓領域検出装置
CN114910881A (zh) 一种负障碍物检测方法及其装置、车辆

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