CN111341103A

CN111341103A - 车道信息提取方法、装置、设备及存储介质

Info

Publication number: CN111341103A
Application number: CN202010140103.3A
Authority: CN
Inventors: 束建钢
Original assignee: Peng Cheng Laboratory
Current assignee: Peng Cheng Laboratory
Priority date: 2020-03-03
Filing date: 2020-03-03
Publication date: 2020-06-26
Anticipated expiration: 2040-03-03
Also published as: CN111341103B

Abstract

本发明提供一种车道信息提取方法、装置及存储介质，通过在提取车道信息之前对车道轨迹数据进行分割以及聚类为平滑的轨迹簇，降低车道信息的提取难度。并在通过初始混合高斯模型以及期望最大化算法对道路轨迹段簇的车道数量以及车道中心线位置进行预估前，首先通过最小二乘法估计算法提取道路轨迹段簇进行拟合，以提取所述道路轨迹段簇的预估道路特征参数，并通过预估道路特征参数对期望最大化算法以及初始混合高斯模型进行约束，从而减小预估模型参数的计算量，提高车道信息的提取效率以及提取准确度，解决了现有车道信息提取效率低下的技术问题。

Description

车道信息提取方法、装置、设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种车道信息提取方法、装置、设备及计算机可读存储介质。

背景技术

目前在自动驾驶技术中，车道级的高精地图可以作为辅助技术，提高车辆的前瞻能力和自动行驶路线的准确性，从而提高应对道路条件剧烈变化的能力，提高驾驶稳定性。然而，传统的车道级地图的制作依赖于利用昂贵的高精地图采集车遍历目标区域，耗时费力，最重要的是，这种方法无法在道路状态发生变化时及时更新。因此可以利用概率统计等数据挖掘的方法，从众包用户上传的GPS轨迹数据(大众车辆收集的GPS轨迹信息)中提取出车道级的道路信息。因为车辆轨迹分布广泛，可以大大降低车道级地图的绘制和更新成本，而且地图数据可以实时动态更新。但是，目前利用众包用户上传的GPS轨迹数据通过数据挖掘等技术提取车道信息的算法,大多是迭代推理。而一个地区，需要提取的就有成千上万条道路信息，因此现有通过迭代推理的车道信息提取方法存在花费时间长，提取效率低下的问题。因此，如何解决现有车道信息提取效率低下，成为了目前亟待解决的技术问题。

发明内容

本发明的主要目的在于提供一种车道信息提取方法、装置、设备及计算机可读存储介质，旨在解决现有车道信息提取效率低下的技术问题。

为实现上述目的，本发明提供一种车道信息提取方法，所述车道信息提取方法包括以下步骤：

获取初始车道轨迹数据，将所述初始车道轨迹数据中的各车道轨迹分割成车道轨迹段，并根据各车道轨迹段之间的离散弗雷歇距离，将所述车道轨迹段进行聚类，生成道路轨迹段簇；

通过最小二乘估计算法对所述道路轨迹段簇进行拟合，并在拟合后的道路轨迹段簇中提取出预估道路特征参数；

基于期望最大化算法、预设相关约束条件以及所述预估道路特征参数，计算混合高斯模型的目标模型参数，并根据所述目标模型参数，确定所述道路轨迹段簇中的车道数量以及各车道对应的目标车道信息。

可选地，所述获取初始车道轨迹数据，将所述初始车道轨迹数据中的各车道轨迹分割成车道轨迹段，并根据各车道轨迹段之间的离散弗雷歇距离，将所述车道轨迹段进行聚类，生成道路轨迹段簇的步骤具体包括：

获取初始车道轨迹数据，并将所述初始车道轨迹数据中的轨迹点按照轨迹点所属车道轨迹进行分类，生成各车道轨迹对应的轨迹点；

根据同一车道轨迹中各个相邻车道轨迹点，生成各个轨迹向量，计算各个相邻轨迹向量之间的轨迹夹角，并将各个轨迹夹角与预设夹角阈值进行比对；

将超过所述夹角阈值的轨迹夹角对应的轨迹点标记为分割点，基于各个分割点将各车道轨迹分割成各车道轨迹段；

根据各车道轨迹段之间的离散弗雷歇距离，将所述车道轨迹段进行聚类，生成道路轨迹段簇。

可选地，所述根据各车道轨迹段之间的离散弗雷歇距离，将所述车道轨迹段进行聚类，生成道路轨迹段簇的步骤具体包括：

获取所述各车道轨迹段中的两个车道轨迹段，将所述两个车道轨迹段处理为相同起点和相同终点的两个车道轨迹段；

计算处理后的两个车道轨迹段之间的离散弗雷歇距离，将离散弗雷歇距离小于预设距离阈值的两个车道轨迹段聚类至同一道路轨迹段簇，以生成各道路轨迹段簇。

可选地，，所述预估道路特征参数包括预估道路中心线位置参数以及预估道路边界位置参数，所述通过最小二乘估计算法对所述道路轨迹段簇进行拟合，并在拟合后的道路轨迹段簇中提取出道路特征参数的步骤具体包括：

通过最小二乘估计算法对所述道路轨迹段簇进行拟合，提取所述拟合后的轨迹段簇的预估道路中心线位置参数，并在预设置信系数的预测区间中确定预估道路边界位置参数。

5、如权利要求4所述的车道信息提取方法，其特征在于，所述基于期望最大化算法、预设相关约束条件以及所述预估道路特征参数，计算混合高斯模型的目标模型参数，并根据所述目标模型参数，确定所述道路轨迹段簇中的车道数量以及各车道对应的目标车道信息的步骤具体包括：

将所述预估道路中心线位置参数和预估道路边界位置参数，作为所述期望最大化算法的约束参数，并根据所述约束后的期望最大化算法确定所述混合高斯模型中的初始模型参数；

基于所述相关约束条件以及所述初始模型参数，计算所述混合高斯模型的目标模型参数；

根据所述目标模型参数，确定所述道路轨迹段簇中的车道数量、各车道对应的目标车道中心线位置参数和目标车道边界位置参数。

可选地，，所述初始模型参数包括初始车道中心线位置参数，所述相关约束条件包括第一约束条件，所述基于所述相关约束条件以及所述初始模型参数，计算所述混合高斯模型的目标模型参数的步骤具体包括：

根据所述混合高斯模型的初始车道中心线位置参数以及所述第一约束条件，计算出所述目标车道中心线位置参数，其中，所述第一约束条件为同一个道路轨迹段簇内的车道宽度相等，Δμ_k为目标车道宽度，Δμ_k的计算公式为：

为上边界位置参数，

为下边界位置参数，N为采样区域内轨迹点的个数，Bin(x)为根据各预测区间下边界位置参数的平均值作为采样区域起始边界的位置参数，

为道路总宽度，k为同一个道路轨迹段簇内的车道数量，

其中，所述初始车道中心线位置参数的计算公式为：

其中，B的计算公式为：

B为采样区域的道路起始边界位置参数。

可选地，所述相关约束条件还包括第二约束条件，所述根据所述混合高斯模型的初始车道中心线位置参数以及所述第一约束条件，计算出所述目标车道中心线位置参数的步骤之后还包括：

基于所述第二约束条件，定义约束高斯混合模型计算公式：

其中，所述第二约束条件为同一道路轨迹段簇对应的每个车道的轨迹分布宽度相等，即高斯混合模型的每个高斯分量的方差σ_j相等，即σ₁＝σ₂＝σ_j…＝σ_k,∈[1,k]，ω_j为每个高斯分量的权重，

可选地，所述基于期望最大化算法、预设相关约束条件以及所述预估道路特征参数，计算混合高斯模型的目标模型参数，并根据所述目标模型参数，确定所述道路轨迹段簇中的车道数量以及各车道对应的目标车道信息的步骤之后，还包括：

将各道路轨迹段簇按照预设道路形状进行排序，依次获取连续三个道路轨迹段簇，并通过所述连续三个道路轨迹段簇中的第一道路轨迹段簇以及第三道路轨迹段簇的车道数量对第二道路轨迹段簇的车道数量进行校验；

在所述第一道路轨迹段簇以及第三道路轨迹段簇的车道数量相同，且所述第三道路轨迹段簇的车道数量与所述第一道路轨迹段簇的车道数量不同时，将所述第三道路轨迹段簇的车道数量更新为所述第一道路轨迹段簇的车道数量。

此外，为实现上述目的，本发明还提供一种车道信息提取装置，所述车道信息提取装置包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的车道信息提取程序，其中所述车道信息提取程序被所述处理器执行时，实现如上述的车道信息提取方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有车道信息提取程序，其中所述车道信息提取程序被处理器执行时，实现如上述的车道信息提取方法的步骤。

本发明提供一种车道信息提取方法，通过获取初始车道轨迹数据，将所述初始车道轨迹数据中的各车道轨迹分割成车道轨迹段，并根据各车道轨迹段之间的离散弗雷歇距离，将所述车道轨迹段进行聚类，生成道路轨迹段簇；通过最小二乘估计算法对所述道路轨迹段簇进行拟合，并在拟合后的道路轨迹段簇中提取出预估道路特征参数；基于期望最大化算法、预设相关约束条件以及所述预估道路特征参数，计算混合高斯模型的目标模型参数，并根据所述目标模型参数，确定所述道路轨迹段簇中的车道数量以及各车道对应的目标车道信息。通过上述方式，本发明在提取车道信息之前对车道轨迹数据进行分割以及聚类为平滑的轨迹簇，降低车道信息的提取难度。并在通过初始混合高斯模型以及期望最大化算法对道路轨迹段簇的车道数量以及车道中心线位置进行预估前，首先通过最小二乘法估计算法提取道路轨迹段簇进行拟合，以提取所述道路轨迹段簇的预估道路特征参数，并通过预估道路特征参数对期望最大化算法以及初始混合高斯模型进行约束，从而减小预估模型参数的计算量，提高车道信息的提取效率以及提取准确度，解决了现有车道信息提取效率低下的技术问题。

附图说明

图1为本发明实施例方案中涉及的车道信息提取设备的硬件结构示意图；

图2为本发明车道信息提取方法第一实施例的流程示意图；

图3为基于大众车辆的众包系统示意图；

图4为轨迹分割示意图；

图5为离散弗雷歇距离示意图；

图6为本发明中改进的离散弗雷歇距离示意图；

图7为最小二乘法拟合示意图；

图8为一个双车道道路的示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例涉及的车道信息提取方法主要应用于车道信息提取设备，该车道信息提取设备可以是PC、便携计算机、移动终端等具有显示和处理功能的设备。

参照图1，图1为本发明实施例方案中涉及的车道信息提取设备的硬件结构示意图。本发明实施例中，车道信息提取设备可以包括处理器1001(例如CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)；存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的硬件结构并不构成对车道信息提取设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

继续参照图1，图1中作为一种计算机可读存储介质的存储器1005可以包括操作系统、网络通信模块以及车道信息提取程序。

在图1中，网络通信模块主要用于连接服务器，与服务器进行数据通信；而处理器1001可以调用存储器1005中存储的车道信息提取程序，并执行本发明实施例提供的车道信息提取方法。

本发明实施例提供了一种车道信息提取方法。

参照图2，图2为本发明车道信息提取方法第一实施例的流程示意图。

本实施例中，所述车道信息提取方法包括以下步骤：

步骤S10,获取初始车道轨迹数据，将所述初始车道轨迹数据中的各车道轨迹分割成车道轨迹段，并根据各车道轨迹段之间的离散弗雷歇距离，将所述车道轨迹段进行聚类，生成道路轨迹段簇；

车道级的高精地图是明确地标识出每条道路的各个车道位置的新一代地图。在自动驾驶技术中，车道级的高精地图可以作为辅助技术，提高车辆的前瞻能力和自动行驶路线的准确性，从而提高应对道路条件剧烈变化的能力，提高驾驶稳定性。然而，传统的车道级地图的制作依赖于利用昂贵的高精地图采集车遍历目标区域，耗时费力，最重要的是，这种方法无法在道路状态发生变化时及时更新。因此有人提出可以利用概率统计等数据挖掘的方法，从众包用户上传的GPS轨迹数据(大众车辆收集的GPS轨迹信息)中提取出车道级的道路信息。因为车辆轨迹分布广泛，可以大大降低车道级地图的绘制和更新成本，而且地图数据可以实时动态更新。

虽然现在已经有大量的方案涉及到利用众包用户上传的GPS轨迹数据通过数据挖掘等技术提取车道级的地图,但是现有提取算法大多通过迭代推理的思想，而在一个地区，车道级信息的提取通常需要处理成千上万条道路,因此，通过现有迭代推理的方法进行车道信息提取时，需要超高的时间开销，提取效率低下。另外，现有的车道级信息提取的解决方案只处理单一一条道路。而众包技术中用户的驾驶路线具有随机性，从而导致上传的GPS轨迹数据交织在一起，因此，在这些交织的轨迹上直接提取车道级道路信息的难度很高。

为了解决上述问题，本发明通过在提取车道信息之前对车道轨迹数据进行分割以及聚类为平滑的轨迹簇，降低车道信息的提取难度。并在通过初始混合高斯模型以及期望最大化算法对道路轨迹段簇的车道数量以及车道中心线位置进行预估前，首先通过最小二乘法估计算法提取道路轨迹段簇进行拟合，以提取所述道路轨迹段簇的预估道路特征参数，并通过预估道路特征参数对期望最大化算法以及初始混合高斯模型进行约束，从而减小预估模型参数的计算量，提高车道信息的提取效率以及提取准确度。具体地，在提取车道级道路信息之前，可以根据轨迹所属的道路以及道路形状等已知信息，对原始的GPS轨迹数据进行分割和聚类等预处理操作，使杂乱的GPS轨迹数据转换为平滑的轨迹段簇。

其中，所述步骤S10具体包括：

所述获取初始车道轨迹数据，将所述初始车道轨迹数据中的各车道轨迹分割成车道轨迹段，并根据各车道轨迹段之间的离散弗雷歇距离，将所述车道轨迹段进行聚类，生成道路轨迹段簇的步骤具体包括：

本实施例中，在提取车道级道路信息之前，首先将交错杂乱的轨迹数据预处理成适合提取车道级道路信息的轨迹段簇，即将杂乱的轨迹数据根据其所属的道路段聚类为不同轨迹簇。具体地：

如图3所示，基于大众车辆的众包系统由众多任务车辆和一个众包平台组成。工作定义如下：

众包平台：众包平台发布一个收集车道级别道路信息的目标区域，招募一些移动车辆，他们在该目标区域内收集并上传它们的GPS轨迹。在车辆收集到GPS轨迹数据后，众包平台对在这些GPS轨迹数据进行车道信息提取，并最终构建出车道级的高精度地图。

任务车辆：招募的任务车辆是收集并上传自己的GPS行驶轨迹到众包平台的任务执行者。

车辆的实际行驶轨迹是连续的。然而由于现有的定位和存储技术难以有效地获取和存储连续的轨迹，因此采用一种常用的采样方法，即将连续的路径表示为一系列的采样位置。身份v的车辆上传的每条轨迹可以表示为

其中n_v是轨迹中位置点的数量。轨迹点是GPS采样的时空点，按车辆行驶的顺序排列，loc_i＝{x_i,y_i,t_i}。x_i和y_i分别代表该位置的经度和纬度，t_i代表该位置用户的时间戳。

本申请方案由两个阶段组成，第一阶段方案用于轨迹数据预处理，包括轨迹分割和聚类，第二阶段方案用于车道级道路信息的提取。

第一阶段方案：首先根据已知的实际道路形状将原始的GPS轨迹分割成轨迹段，确保每个轨迹段仅位于一条简单平滑的道路上。然后根据轨迹段的形状和位置对轨迹段进行相似度评价，根据相似度将轨迹段聚类成不同的轨迹簇。

第二阶段方案：首先通过最小二乘估计算法(Least Square Estimate，LSE)对轨迹簇进行拟合，通过拟合曲线提取道路中心线，其次利用95％置信度下的预测区间提取道路的边界。然后将提取的道路特征作为混合高斯模型GMM的约束参数和期望最大化算法EM的初始参数。最后使用约束后EM对GMM的具体参数进行估计，估计的参数结果与先前提取的道路特征相结合，以获取每个车道中心线的准确位置，得到目标车道信息。

具体地，第一阶段方案中，首先进行轨迹分割。

获取初始车道轨迹数据，并将所述初始车道轨迹数据中的轨迹点按照轨迹点所属车道轨迹进行分类，生成各车道轨迹对应的轨迹点。同一轨迹上相邻点的位置关系反映了车辆的行驶方向。因此，通过前后轨迹点之间的位置关系来确定车辆在行驶方向上的变化。如图4所示，根据同一车道轨迹中各个相邻车道轨迹点，生成各个轨迹向量。计算各个相邻轨迹向量之间的轨迹夹角θ_i。

θ_i<loc_i-1,loc_i,loc_i+1>的计算公式如下：

其中，loc_i-1和loc_i+1是loc_i前后两点。一个轨迹的两个相邻轨迹向量的夹角不会有太大的变化，除非它们位于一个交叉口或变换车道。θ_i是由<loc_i-1,loc_i,loc_i+1>形成的，将各个轨迹夹角与预设夹角阈值进行比对，θ_i小于所述夹角阈值，loc_i-1、loc_i、loc_i+1三个轨迹点位于同一条道路上。而θ_i+2是由<loc_i+1,loc_i+2,loc_i+3>形成的，θ_i+2大于所述夹角阈值，loc_i+1、loc_i+2、loc_i+3三个轨迹点位于不同的道路上。因此，可以将位置点loc_i+2标记为分割点，在位置点loc_i+2处将轨迹划分为Tr¹＝{loc_i-1,loc_i,loc_i+1}和

两车道轨迹段。

按照上述方法，将每条轨迹经过轨迹分割后，都转化为一系列独立的轨迹段。但不同道路上的轨迹线段仍交织在一起，阻碍了车道级道路信息的准确提取。本实施例中，进一步通过基于离散弗雷歇距离的轨迹聚类方法。根据各车道轨迹段之间的离散弗雷歇距离，将所述车道轨迹段进行聚类，生成道路轨迹段簇。离散的弗雷歇距离Ψ_df(Tr₁，Tr₂)以两个轨迹段中所有点的空间关系为计算目标。因此，弗雷歇距离可完全反映两个轨迹段之间的相似性。

进一步地，所述根据各车道轨迹段之间的离散弗雷歇距离，将所述车道轨迹段进行聚类，生成道路轨迹段簇的步骤具体包括：

常规的离散弗雷歇距离不能直接用于众包轨迹的聚类。因为轨迹中可能存在噪声点，所以即使轨迹在同一条道路上，一条轨迹也可能被分成不同的短轨迹段。或者因为其他原因，轨迹段的长度是不同的。这些原因会导致同一条道路上轨迹段的起点和终点的距离较远。如图5所示，根据离散弗雷歇算法的定义，轨迹段Tr₁和轨迹段Tr₂之间的离散弗雷歇距离是d₁,其明显小于道路的宽度。而轨迹段Tr₃和轨迹段Tr₁以及Tr₂之间的离散弗雷歇距离是d₂,其明显大于道路的宽度。因此，根据离散的弗雷歇距离，Tr₁和Tr₂将被聚类成同一轨迹段簇，而Tr₃将被聚集到另一个轨迹段簇中。根据常规的离散弗雷歇距离算法,轨迹段和之间的弗雷歇距离是，其显然超过了道路的宽度。因此，根据这个计算结果，它们将被聚类为不同的轨迹段簇。由于众包轨迹数据的杂乱性，这一缺陷将会频繁发生，极大地影响了常规的离散弗雷歇距离的聚类性能。因此，常规的离散弗雷歇距离不能直接用于众包中轨迹段的聚类。

针对上述问题，本实施例中，提出了离散弗雷歇距离的改进算法。由于此缺陷仅发生在两个轨迹的起点或两个轨迹段终点距离较远的情况下，因此在计算离散弗雷歇距离之前，首先比较轨迹段起始点和终点的位置关系。

如图6所示，在计算轨迹段Tr₄和Tr₅之间的弗雷歇距离之前，首先将所述两个车道轨迹段处理为相同起点和相同终点的两个车道轨迹段。具体地，首先比较轨迹段Tr₄和Tr₅的起点<Loc₁,Loc₄>之间的水平距离，以及轨迹段Tr₄和Tr₅的终点<Loc₃,Loc₇>之间的水平距离。由于Loc₁的水平位置在Loc₄之前，所以将Loc₁作为Tr₅的新起点添加进Tr₅。相反，由于Loc₇的水平位置在Loc₃之后，所以将Loc₇作为Tr₄的新起点添加进Tr₄。那么新的Tr₄和Tr₅如下:

通过上述改进的离散弗雷歇算法计算的新的Tr₄和Tr₅两轨迹之间的弗雷歇距离

是d₄，显然其小于道路的宽度，因此将被聚类到同一道路轨迹段簇中。其中，两个轨迹段:P＝{u₁,…,u_p}和Q＝{v₁,…,v_q},改进的离散弗雷歇距离公式如下:

o_min和o_max的定义：对于两个点a和b，如果a.x<b.x,o_min(a,b)＝a,否则o_min(a,b)＝b。如果a.x>b.x,o_max(a,b)＝a,否则o_max(a,b)＝b。

由此，首先根据轨迹向量的角度变化将原始轨迹分成多个轨迹段。然后，根据改进的离散的弗雷歇距离将车道轨迹段聚类放入不同的道路轨迹段簇中，其中，每个道路轨迹段簇对应一段道路。

步骤S20,通过最小二乘估计算法对所述道路轨迹段簇进行拟合，并在拟合后的道路轨迹段簇中提取出预估道路特征参数；

本实施例中，首先通过最小二乘估计算法LSE从道路轨迹段簇中提取道路的中线、边界等道路特征参数。然后利用道路特征参数作为混合高斯模型GMM的约束条件和期望最大化算法EM的初始化参数，估计GMM的具体参数。最后结合LSE提取的道路特征参数和EM估计的GMM的具体参数，确定各道路轨迹段簇(即道路)中各车道的准确位置信息。

步骤S30,基于期望最大化算法、预设相关约束条件以及所述预估道路特征参数，计算混合高斯模型的目标模型参数，并根据所述目标模型参数，确定所述道路轨迹段簇中的车道数量以及各车道对应的目标车道信息。

本实施例中，根据已知信息，可得出假设GPS轨迹会在每个车道中心附近聚集，即每个车道的轨迹点沿车道中心线服从高斯分布模型。如图7所示，为了简化处理，选取矩形窗口作为采样区域，将二维数据转换为一维数据，矩形窗口的长度和宽度分别设置为rh和rw。也就是说，沿着道路的横截面将道路分成若干个bin，每个bin可以用bin_x表示，bin_x的概率密度可以通过下式计算：

其中，n(bin_x)为位于bin_x区域中的轨迹点的数量，N为该采样区域内总轨迹点的数量。GMM的定义如下：

下表定义了GMM中使用的符号所对应的所有道路属性:

之后利用期望最大化算法EM推断混合高斯模型中的未知参数

其中m为迭代次数。然而,上述方法是在车道数k已知的情况下，进行推断的。而车道数k现实是未知的。因此，需要对参数

进行估计，K为实际车道的最大数量，即对于[1-K]中的所有的k都进行EM估计。K的的最终估计结果是使以下函数最小化:

其中Bn是采样区域中bin的数量。-logp(bin_i|ζ_k)为负的平均对数似然值，用于评估模型与观测数据的拟合程度,值越小拟合效果就越好。由此，基于期望最大化算法、预设相关约束条件以及所述预估道路特征参数，确定混合高斯模型的目标模型参数，并根据所述目标模型参数，确定所述道路轨迹段簇中的车道数量以及各车道对应的目标车道信息。

进一步地，所述步骤S20具体包括：

本实施例中，通过现有混合高斯模型直接进行参数估计算法的计算复杂度较高，因此本实施例在上述方法的基础上，首先通过LSE提取道路的道路特征参数来简化模型复杂度。该步骤首先利用LSE对轨迹簇进行拟合，提取道路中心线，然后根据95％的置信系数下的预测区间得到道路边界。如图8所示，对于每个GPS数据点loc_i＝{x_i,y_i},i∈[1,n],LSE提供一个估计值

其最小化下式：

其中n为一个轨迹段簇内的轨迹点的个数。因为LSE最小化了误差的平方，所以通过该方法拟合出拟合曲线

最接近道路中心线的实际位置。由此，得到了预估道路中心线位置参数以及预估道路边界位置参数。

本实施例提供一种车道信息提取方法，通过获取初始车道轨迹数据，将所述初始车道轨迹数据中的各车道轨迹分割成车道轨迹段，并根据各车道轨迹段之间的离散弗雷歇距离，将所述车道轨迹段进行聚类，生成道路轨迹段簇；通过最小二乘估计算法对所述道路轨迹段簇进行拟合，并在拟合后的道路轨迹段簇中提取出预估道路特征参数；基于期望最大化算法、预设相关约束条件以及所述预估道路特征参数，计算混合高斯模型的目标模型参数，并根据所述目标模型参数，确定所述道路轨迹段簇中的车道数量以及各车道对应的目标车道信息。通过上述方式，本发明在提取车道信息之前对车道轨迹数据进行分割以及聚类为平滑的轨迹簇，降低车道信息的提取难度。并在通过初始混合高斯模型以及期望最大化算法对道路轨迹段簇的车道数量以及车道中心线位置进行预估前，首先通过最小二乘法估计算法提取道路轨迹段簇进行拟合，以提取所述道路轨迹段簇的预估道路特征参数，并通过预估道路特征参数对期望最大化算法以及初始混合高斯模型进行约束，从而减小预估模型参数的计算量，提高车道信息的提取效率以及提取准确度，解决了现有车道信息提取效率低下的技术问题。

进一步地，基于上述第一实施例，提出本发明车道信息提取方法的第二实施例。

本实施例中，所述步骤S30具体包括：

其中，所述初始模型参数包括初始车道中心线位置参数，所述相关约束条件包括第一约束条件，所述基于所述相关约束条件以及所述初始模型参数，计算所述混合高斯模型的目标模型参数的步骤具体包括：

为上边界位置参数，

为道路总宽度，k为同一个道路轨迹段簇内的车道数量，

其中，所述初始车道中心线位置参数的计算公式为：

其中，B的计算公式为：

B为采样区域的道路起始边界位置参数。

进一步地，所述相关约束条件还包括第二约束条件，所述根据所述混合高斯模型的初始车道中心线位置参数以及所述第一约束条件，计算出所述目标车道中心线位置参数的步骤之后还包括：

基于所述第二约束条件，定义约束高斯混合模型计算公式：

其中，所述第二约束条件为同一道路轨迹段簇对应的每个车道的轨迹分布宽度相等，即高斯混合模型的每个高斯分量的方差σ_j相等，即σ₁＝σ₂＝σ_j…＝σ_k,j∈[1,k]，ω_j为每个高斯分量的权重，

本实施例中，道路边界的准确确定可以作为对EM的约束参数，但由于道路条件的复杂性，边界通常也是复杂的。因此，通过LSE的预测区间来提取道路的边界。

预测区间考虑目标本身的准确性，即对于给定的自变量x的值x₀，求出因变量y的单独值y₀的估计区间。当置信系数为95％时，预测区间定义为:

其中

是给定x₀值后的y₀估计值，

是平均值，t_n-2是与采样区域大小和置信水平相关的乘数,s是估计值的标准误差。当置信系数为95％时，轨迹段聚类的预测区间能够准确识别道路的边界。

因此，将

替换为

一个轨迹段簇的每个轨迹点的上下预测值，即对应道路的上下两边界

和B_t可定义为:

将实际中有关于道路形状的先验数据约束GMM，即第一约束条件和第二约束条件。

(1)首先，在相同的采样区域内，每个车道的宽度近似相等，即第一约束条件为同一个道路轨迹段簇内的车道宽度相等，即μ_j是等距的：

其中B为采样区域的道路起始边界，这里可由LSE提取的下边界

计算:

其中N为采样区域内点的个数。Bin(x)用来决定边界位于哪个Bin中。以各点预测区间下界的平均值作为采样区域起始边界的位置。

Δμ_k是相邻车道的中心线之间的距离以及每个车道的宽度。当k是已知的,Δμ_k可以通过特征

和

计算:

即道路总宽度

除以道路的车道数量k。

(2)其次，在相同的采样区域内，由于道路的车道宽度相同，所以轨迹在车道之间的蔓延近似相同。因此，所述第二约束条件为同一道路轨迹段簇对应的每个车道的轨迹分布宽度相等，将所有的高斯分量共享相同的方差：

σ₁＝σ₂＝σ₃＝σ_j…＝σ_k,j∈[1,k]

因此，对GMM进行约束，定义约束高斯混合模型(CGMM)为

需要EM估计的参数从

{k,ω₁,…,ω_k,μ₁,…,μ_k,σ₁,…,σ_k}

简化为{k,ω₁,…,ω_k,σ_k}

通过EM算法获得正确的车道数量,而每个车道的中心线的准确的位置都将通过LSE提取的特征结合车道数量来计算。因此,大大减小了对EM的迭代的时间的消耗和估计的不准确性。

本实施例中，不是简单地处理单条道路，而是通过一种新的轨迹分割和聚类方法，在提取车道级道路信息之前对轨迹进行分割和聚类等预处理操作，提高车道信息提取方法的适用性。另外，不是简单地使用原始的GMM-EM模型去估计车道数量和中线的位置，而是首先通过LSE算法提取轨迹簇的特征，然后通过特征去约束GMM-EM算法，从而降低预测所需要的时间并且提升准确度。

进一步地，所述步骤S30之后，还包括：

本实施例中，虽然上述方法在大多数情况下都能得到正确的结果，但由于各车道交通流的不确定性和GPS数据的不准确性，仍存在一些车道数分类不正确的问题。因此，本实施例中通过将中间道路轨迹段簇与前后道路轨迹段簇比较。将各道路轨迹段簇按照预设道路形状进行排序，依次获取连续三个道路轨迹段簇，即比较<Nline_i-1,Nline_i,Nline_i+1>来优化车道的数量，其中Nline_i为采样区域i内车道数量的估计结果。如果Nline_i满足以下公式

则让Nline_i＝Nline_i-1，即将每个采样区域于前后两个采样区域进行比较。由此，大大地提高车道数提取的准确性。

此外，本发明实施例还提供一种车道信息提取装置。

所述车道信息提取装置包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的车道信息提取程序，其中所述车道信息提取程序被所述处理器执行时，实现如上述的车道信息提取方法的步骤。

其中，车道信息提取程序被执行时所实现的方法可参照本发明车道信息提取方法的各个实施例，此处不再赘述。

此外，本发明实施例还提供一种计算机可读存储介质。

本发明计算机可读存储介质上存储有车道信息提取程序，其中所述车道信息提取程序被处理器执行时，实现如上述的车道信息提取方法的步骤。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims

1.一种车道信息提取方法，其特征在于，所述车道信息提取方法包括以下步骤：

2.如权利要求1所述的车道信息提取方法，其特征在于，所述获取初始车道轨迹数据，将所述初始车道轨迹数据中的各车道轨迹分割成车道轨迹段，并根据各车道轨迹段之间的离散弗雷歇距离，将所述车道轨迹段进行聚类，生成道路轨迹段簇的步骤具体包括：

3.如权利要求2所述的车道信息提取方法，其特征在于，所述根据各车道轨迹段之间的离散弗雷歇距离，将所述车道轨迹段进行聚类，生成道路轨迹段簇的步骤具体包括：

4.如权利要求1所述的车道信息提取方法，其特征在于，所述预估道路特征参数包括预估道路中心线位置参数以及预估道路边界位置参数，所述通过最小二乘估计算法对所述道路轨迹段簇进行拟合，并在拟合后的道路轨迹段簇中提取出道路特征参数的步骤具体包括：

5.如权利要求4所述的车道信息提取方法，其特征在于，所述基于期望最大化算法、预设相关约束条件以及所述预估道路特征参数，计算混合高斯模型的目标模型参数，并根据所述目标模型参数，确定所述道路轨迹段簇中的车道数量以及各车道对应的目标车道信息的步骤具体包括：

6.如权利要求5所述的车道信息提取方法，其特征在于，所述初始模型参数包括初始车道中心线位置参数，所述相关约束条件包括第一约束条件，所述基于所述相关约束条件以及所述初始模型参数，计算所述混合高斯模型的目标模型参数的步骤具体包括：

为上边界位置参数，B_i 为下边界位置参数，N为采样区域内轨迹点的个数，Bin(x)为根据各预测区间下边界位置参数的平均值作为采样区域起始边界的位置参数，

为道路总宽度，k为同一个道路轨迹段簇内的车道数量，

其中，所述初始车道中心线位置参数的计算公式为：

其中，B的计算公式为：

B为采样区域的道路起始边界位置参数。

7.如权利要求6所述的车道信息提取方法，其特征在于，所述相关约束条件还包括第二约束条件，所述根据所述混合高斯模型的初始车道中心线位置参数以及所述第一约束条件，计算出所述目标车道中心线位置参数的步骤之后还包括：

基于所述第二约束条件，定义约束高斯混合模型计算公式：

8.如权利要求1-7中任一项所述的车道信息提取方法，其特征在于，所述基于期望最大化算法、预设相关约束条件以及所述预估道路特征参数，计算混合高斯模型的目标模型参数，并根据所述目标模型参数，确定所述道路轨迹段簇中的车道数量以及各车道对应的目标车道信息的步骤之后，还包括：

9.一种车道信息提取装置，其特征在于，所述车道信息提取装置包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的车道信息提取程序，其中所述车道信息提取程序被所述处理器执行时，实现如权利要求1至8中任一项所述的车道信息提取方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有车道信息提取程序，其中所述车道信息提取程序被处理器执行时，实现如权利要求1至8中任一项所述的车道信息提取方法的步骤。