CN111968391A - 一种基于贝叶斯分类的交通灯和道路关联方法 - Google Patents

一种基于贝叶斯分类的交通灯和道路关联方法 Download PDF

Info

Publication number
CN111968391A
CN111968391A CN202010789951.7A CN202010789951A CN111968391A CN 111968391 A CN111968391 A CN 111968391A CN 202010789951 A CN202010789951 A CN 202010789951A CN 111968391 A CN111968391 A CN 111968391A
Authority
CN
China
Prior art keywords
traffic light
road
association
detected
probability
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
Application number
CN202010789951.7A
Other languages
English (en)
Other versions
CN111968391B (zh
Inventor
石涤文
尹玉成
覃飞杨
胡丹丹
刘奋
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.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence 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 Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN202010789951.7A priority Critical patent/CN111968391B/zh
Publication of CN111968391A publication Critical patent/CN111968391A/zh
Application granted granted Critical
Publication of CN111968391B publication Critical patent/CN111968391B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/095—Traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于贝叶斯分类的交通灯和道路关联方法，包括：训练得到交通灯和道路关联的训练集，训练集的输入为交通灯与道路的关联属性，输出为交通灯和道路是否有关联；将待测交通灯和各个道路的关联属性输入训练集，根据高斯朴素贝叶斯分类方法得到待测交通灯与各个道路的初步关联结果；待测交通灯与至少两个道路的初步关联结果是有关联时，根据初步关联结果选择待测交通灯的最终关联结果对应的道路，用已有的典型路口的可靠真值数据作为训练集，用贝叶斯分类的方法，得到进入路口的所有道路和路口内所有交通灯的关联性的概率，以交通灯和关联性概率最大的道路建立关联关系，这样既规避了人为寻找规律困难的难点，也能取得较好的效果。

Description

一种基于贝叶斯分类的交通灯和道路关联方法
技术领域
本发明涉及高精度地图生产领域，尤其涉及一种基于贝叶斯分类的交通灯和道路关联方法。
背景技术
现实中，交通灯控制道路上的车辆的行驶状态，即交通灯和该交通灯影响的道路存在关联关系。为了生成高精度地图中交通灯和道路的关联关系，一般有两种方式：一种方法是根据进入路口的道路的前进方向，找到前方范围内可能相关的交通灯；另一种方法是用交通灯和路口内道路就近关联，然后把路口内道路关联到和该路口内道路接续的路口外道路，这样建立起路口外道路和路口内交通灯的关联关系。
但是由于路口环境常常十分复杂，人为找到的规律不能够涵盖所有情况，一个场景的经验阈值，难以在其它场景复用，致使关联结果和实际情况差别较大。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于贝叶斯分类的交通灯和道路关联方法，解决现有技术中问题。
本发明解决上述技术问题的技术方案如下：一种基于贝叶斯分类的交通灯和道路关联方法，包括：
步骤1，训练得到交通灯和道路关联的训练集，所述训练集的输入为交通灯与道路的关联属性，输出为交通灯和道路是否有关联；
步骤2，将待测交通灯和各个道路的关联属性输入所述训练集，根据高斯朴素贝叶斯分类方法得到待测交通灯与各个道路的初步关联结果；
步骤3，待测交通灯与至少两个道路的初步关联结果是有关联时，根据所述初步关联结果选择所述待测交通灯的最终关联结果对应的道路，否则以所述初步关联结果作为待测交通灯的最终关联结果。
本发明的有益效果是：本发明提供的一种基于贝叶斯分类的交通灯和道路关联方法，针对道路和交通灯关联难以找到普遍规律的问题，用已有的典型路口的可靠真值数据作为训练集，用贝叶斯分类的方法，得到进入路口的所有道路和路口内所有交通灯的关联性的概率，以交通灯和关联性概率最大的道路建立关联关系，这样既规避了人为寻找规律困难的难点，也能取得较好的效果；直接从数据中获取规律，无需盲人摸象似的人工观察各个场景的数据，避开复杂的阈值设置，有效地简化了方法，提升了方案可靠性，方案实用性较好。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述步骤1中输入的所述关联属性包括：进入道路的路口点处道路进入路口方向和交通灯方向的夹角angle和进入道路的路口点到交通灯的距离distance；输出has_relation用不同数值分别表示交通灯和道路有关联和没有关联；所述训练集TrainingData为表示所述夹角angle、距离distance和输出has_relation的对应值的表。
进一步，所述步骤1包括：
步骤101，获取各个典型路口的进入路口的道路形状和交通灯位置；
步骤102，获取每个路口中交通灯和道路的关联关系，标注每个交通灯关联的道路；
步骤103，根据交通灯和道路的关联关系计算所述夹角angle和距离distance，再根据每个交通灯关联的道路生成所述对应值的表。
进一步，所述步骤2中包括：
步骤201，根据贝叶斯公式和独立性原理，分别计算在所述待测交通灯的给定的关联属性下待测交通灯与道路有关联和无关联的条件概率；
步骤202，判断待测交通灯与任一道路的有关联的条件概率大于无关联的条件概率时，判定待测交通灯与该道路的初步关联结果为有关联，否则判定为无关联。
进一步，步骤201中计算有关联和无关联的条件概率的过程包括：
分别计算待测交通灯与道路有关联和无关联的先验概率，分别计算给定待测交通灯与道路有关联和无关联时所述关联属性中两个单独属性夹角angle和距离distance的概率；
有关联和无关联的条件概率与待测交通灯与道路有关联和无关联的先验概率、夹角angle的概率和距离distance的概率的乘积成正比例关系。
进一步，所述先验概率P(yi)的计算公式为：
Figure BDA0002623395860000031
其中，i＝{0，1}，y0表示y＝0的情况，y1表示y＝1的情况,y的值表示待测交通灯与道路是否有关联，y＝0表示没有关联，y＝1表示有关联；P(yi)表示y＝0或1的先验概率，counter(yi)表示y＝0或1在训练集中的个数，counter(y)表示整个训练集的样本个数。
进一步，给定待测交通灯与道路有关联和无关联时所述关联属性中的单独属性夹角angle的概率的似然值为：
Figure BDA0002623395860000032
给定待测交通灯与道路有关联和无关联时所述关联属性中的单独属性距离distance的概率的似然值为：
Figure BDA0002623395860000033
其中，P(xangle|yi)和P(xdistance|yi)分别表示给定y＝0或1时xangle和xdistance的概率，σi表示给定y＝0或1时xangle或xdistance的方差，μi表示给定y＝0或1时xangle或xdistance的均值，π、e为常数。
进一步，所述步骤201中条件概率的计算过程为：P(yi|x)∝log(P(yi)P(xangle|yi)P(xdistance|yi))；
其中，P(yi|x)表示给定的所述关联属性x下y＝0或1的条件概率；
所述步骤202中的初步关联结果的计算过程为：
Figure BDA0002623395860000041
Yresult表示初步分类结果，argmax函数表示获取条件概率值最大时的结果。
进一步，所述步骤3中，选择所述待测交通灯的最终关联结果对应的道路时，选择在所述待测交通灯的给定的关联属性下待测交通灯与道路有关联和无关联的条件概率的差值最大时对应的道路。
进一步，所述步骤3中所述最终关联结果的计算公式为：
Figure BDA0002623395860000042
Yfinal_result表示最终关联结果，m表示初步关联结果中和待测交通灯关联的道路个数，k表示其中任意一个关联关系，x(k)表示关联关系为k时的关联属性，P(y1|x(k))-P(y0|x(k))表示给定关联属性x(k)下待测交通灯与道路有关联和无关联的条件概率的差值，argmax函数表示获取差值最大时的关系。
采用上述进一步方案的有益效果是：训练集不需要大量的样本，只需要收集多种典型路口的情况，就能达到较好的分类效果，实测100条训练集，准确率在90％以上，准确率等于正确的交通灯关系数量/全部的交通灯关系数量；根据贝叶斯公式和独立性原理，根据先验概率和两个单独属性的概率分别计算在待测交通灯的给定的关联属性下待测交通灯与道路有关联和无关联的条件概率，根据该有关联的条件概率和无关联的条件概率的大小判断是否有关联。
附图说明
图1为本发明实施例提供的一种基于贝叶斯分类的交通灯和道路关联方法的流程图；
图2为本发明实施例提供的一种交通灯与道路的关联属性的示意图；
图3所示为本发明实施例提供的一种训练得到交通灯和道路关联的训练集的方法的流程图；
图4所示为本发明实施例提供的一种交通灯和道路的关联关系的标注示意图；
图5所示为本发明实施例提供的基于训练集对单个交通灯和道路的关联流程示意图。
具体实施方式
以下结合附图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。
如图1所示为本发明实施例提供的一种基于贝叶斯分类的交通灯和道路关联方法的流程图，由图1可知，该方法包括：
步骤1，训练得到交通灯和道路关联的训练集，训练集的输入为交通灯与道路的关联属性，输出为交通灯和道路是否有关联。
步骤2，将待测交通灯和各个道路的关联属性输入训练集，根据高斯朴素贝叶斯分类方法得到待测交通灯与各个道路的初步关联结果。
步骤3，待测交通灯与至少两个道路的初步关联结果是有关联时，根据初步关联结果选择待测交通灯的最终关联结果对应的道路，否则以初步关联结果作为待测交通灯的最终关联结果。
本发明提供的一种基于贝叶斯分类的交通灯和道路关联方法，针对道路和交通灯关联难以找到普遍规律的问题，用已有的典型路口的可靠真值数据作为训练集，用贝叶斯分类的方法，得到进入路口的所有道路和路口内所有交通灯的关联性的概率，以交通灯和关联性概率最大的道路建立关联关系，这样既规避了人为寻找规律困难的难点，也能取得较好的效果；直接从数据中获取规律，无需盲人摸象似的人工观察各个场景的数据，避开复杂的阈值设置，有效地简化了方法，提升了方案可靠性，方案实用性较好。
实施例1
本发明提供的实施例1为本发明提供的一种基于贝叶斯分类的交通灯和道路关联方法的实施例中，该实施例包括：
步骤1，训练得到交通灯和道路关联的训练集，训练集的输入为交通灯与道路的关联属性，输出为交通灯和道路是否有关联。
如图2所示为本发明实施例提供的一种交通灯与道路的关联属性的示意图，由图2可知，步骤1中输入的关联属性包括：进入道路road的路口点处道路进入路口方向和交通灯方向的夹角angle和进入道路的路口点到交通灯trafficlight的距离distance；输出has_relation用不同数值分别表示交通灯和道路有关联和没有关联；具体的，可以用1表示关联，用0表示没有关联。训练集TrainingData为表示夹角angle、距离distance和输出has_relation的对应值的表。
具体的，如图3所示为本发明实施例提供的一种训练得到交通灯和道路关联的训练集的方法的流程图，由图3可知，步骤1包括：
步骤101，获取各个典型路口的进入路口的道路形状和交通灯位置。
步骤102，获取每个路口中交通灯和道路的关联关系，标注每个交通灯关联的道路。
交通灯和道路的关联关系和每个交通灯关联的道路可以通过人工标注的方式，也可以通过其它数据源获取。如图4所示为本发明实施例提供的一种交通灯和道路的关联关系的标注示意图。图4给出的实施例中，外框虚线为路口范围，R1、R2和R3表示进入路口的道路，T1.1、T1.2、T1.3和T1.4是与R1关联的交通灯，T2.1、T2.2、T2.3和T2.4是与R2关联的交通灯，T3.1、T3.2是与R3关联的交通灯。
步骤103，根据交通灯和道路的关联关系计算夹角angle和距离distance，再根据每个交通灯关联的道路生成对应值的表。
根据关联关系，计算关联属性：输入X为2个属性，X＝(angle,distance)输出Y为1个属性，Y＝(has_relation)标志有关联还是无关联，把结果收集成一张表，生成训练集TrainingData，如下表1为本发明提供的训练集的表结构示例。
表1训练集的表结构示例
angle distance has_relation
10.15 23.85 1
65.33 15.79 0
79.55 11.17 0
步骤2，将待测交通灯和各个道路的关联属性输入训练集，根据高斯朴素贝叶斯分类方法得到待测交通灯与各个道路的初步关联结果。
如图5所示为本发明实施例提供的基于训练集对单个交通灯和道路的关联流程示意图，由图5可知，对于各个待测交通灯，按路口分组交通灯数据和进入路口的道路数据，计算交通灯和进入路口的关联属性X＝(angle,distance)，输入训练集后得到初步关联结果的步骤中，步骤2包括：
步骤201，根据贝叶斯公式和独立性原理，分别计算在待测交通灯的给定的关联属性下待测交通灯与道路有关联和无关联的条件概率。
步骤202，判断待测交通灯与任一道路的有关联的条件概率大于无关联的条件概率时，判定待测交通灯与该道路的初步关联结果为有关联，否则判定为无关联。
步骤201中计算有关联和无关联的条件概率的过程包括：
分别计算待测交通灯与道路有关联和无关联的先验概率，分别计算给定待测交通灯与道路有关联和无关联时关联属性中两个单独属性夹角angle和距离distance的概率。
有关联和无关联的条件概率与待测交通灯与道路有关联和无关联的先验概率、夹角angle的概率和距离distance的概率的乘积成正比例关系。
具体的，先验概率P(yi)的计算公式为：
Figure BDA0002623395860000081
其中，i＝{0，1}，y0表示y＝0的情况，y1表示y＝1的情况,y的值表示待测交通灯与道路是否有关联，y＝0表示没有关联，y＝1表示有关联。P(yi)表示y＝0或1的先验概率，counter(yi)表示y＝0或1在训练集中的个数，counter(y)表示整个训练集的样本个数。
由于夹角angle和距离distance都是连续变量，假设其符合高斯分布，用高斯分布的密度函数代替似然值。具体的，给定待测交通灯与道路有关联和无关联时关联属性中的单独属性夹角angle的概率的似然值为：
Figure BDA0002623395860000082
给定待测交通灯与道路有关联和无关联时关联属性中的单独属性距离distance的概率的似然值为：
Figure BDA0002623395860000083
其中，P(xangle|yi)和P(xdistance|yi)分别表示给定y＝0或1时xangle和xdistance的概率，σi表示给定y＝0或1时xangle或xdistance的方差，μi表示给定y＝0或1时xangle或xdistance的均值，π、e为常数。
具体的，步骤201中条件概率的计算过程为：P(yi|x)∝log(P(yi)P(xangle|yi)P(xdistance|yi))；log表示取自然对数，是为了避免概率过小造成计算困难。
其中，P(yi|x)表示给定的关联属性x下y＝0或1的条件概率。
步骤202中的初步关联结果的计算过程为：
Figure BDA0002623395860000091
Yresult表示初步分类结果，argmax函数表示获取条件概率值最大时的结果。
即如果P(y1|x)＞P(y0|x)则Yresult＝1，初步分类结果为待测交通灯与道路有关联，反之则没有关系。
即通过高斯朴素贝叶斯分类方法得到关联的初步关联结果Y＝Gaussian_Naive_Bayes(X，TraningData)，该结果初步表示交通灯和道路是否有关联的一个初步结果。
步骤3，待测交通灯与至少两个道路的初步关联结果是有关联时，根据初步关联结果选择待测交通灯的最终关联结果对应的道路，否则以初步关联结果作为待测交通灯的最终关联结果。
优选的，步骤3中，选择待测交通灯的最终关联结果对应的道路时，选择在待测交通灯的给定的关联属性下待测交通灯与道路有关联和无关联的条件概率的差值最大时对应的道路。条件概率结果在步骤2中保存，并做归一化处理。
具体的，最终关联结果的计算公式为：
Figure BDA0002623395860000092
Yfinal_result表示最终结果，m表示初步关联结果中和待测交通灯关联的道路个数，k表示其中任意一个关联关系，x(k)表示关联关系为k时的关联属性，P(y1|x(k))-P(y0|x(k))表示给定关联属性x(k)下待测交通灯与道路有关联和无关联的条件概率的差值，可以粗略描述分类的可靠性，argmax函数表示获取差值最大时的关系。
本发明提供的一种基于贝叶斯分类的交通灯和道路关联方法实施例中，训练集不需要大量的样本，只需要收集多种典型路口的情况，就能达到较好的分类效果，实测100条训练集，准确率在90％以上。准确率＝正确的交通灯关系数量/全部的交通灯关系数量。
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)

1.一种基于贝叶斯分类的交通灯和道路关联方法，其特征在于，所述方法包括：
步骤1，训练得到交通灯和道路关联的训练集，所述训练集的输入为交通灯与道路的关联属性，输出为交通灯和道路是否有关联；
步骤2，将待测交通灯和各个道路的关联属性输入所述训练集，根据高斯朴素贝叶斯分类方法得到待测交通灯与各个道路的初步关联结果；
步骤3，待测交通灯与至少两个道路的初步关联结果是有关联时，根据所述初步关联结果选择所述待测交通灯的最终关联结果对应的道路，否则以所述初步关联结果作为待测交通灯的最终关联结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤1中输入的所述关联属性包括：进入道路的路口点处道路进入路口方向和交通灯方向的夹角angle和进入道路的路口点到交通灯的距离distance；输出has_relation用不同数值分别表示交通灯和道路有关联和没有关联；所述训练集TrainingData为表示所述夹角angle、距离distance和输出has_relation的对应值的表。
3.根据权利要求2所述的方法，其特征在于，所述步骤1包括：
步骤101，获取各个典型路口的进入路口的道路形状和交通灯位置；
步骤102，获取每个路口中交通灯和道路的关联关系，标注每个交通灯关联的道路；
步骤103，根据交通灯和道路的关联关系计算所述夹角angle和距离distance，再根据每个交通灯关联的道路生成所述对应值的表。
4.根据权利要求2所述的方法，其特征在于，所述步骤2中包括：
步骤201，根据贝叶斯公式和独立性原理，分别计算在所述待测交通灯的给定的关联属性下待测交通灯与道路有关联和无关联的条件概率；
步骤202，判断待测交通灯与任一道路的有关联的条件概率大于无关联的条件概率时，判定待测交通灯与该道路的初步关联结果为有关联，否则判定为无关联。
5.根据权利要求4所述的方法，其特征在于，步骤201中计算有关联和无关联的条件概率的过程包括：
分别计算待测交通灯与道路有关联和无关联的先验概率，分别计算给定待测交通灯与道路有关联和无关联时所述关联属性中两个单独属性夹角angle和距离distance的概率；
有关联和无关联的条件概率与待测交通灯与道路有关联和无关联的先验概率、夹角angle的概率和距离distance的概率的乘积成正比例关系。
6.根据权利要求5所述的方法，其特征在于，所述先验概率P(yi)的计算公式为：
Figure FDA0002623395850000021
其中，i＝{0，1}，y0表示y＝0的情况，y1表示y＝1的情况，y的值表示待测交通灯与道路是否有关联，y＝0表示没有关联，y＝1表示有关联；P(yi)表示y＝0或1的先验概率，counter(yi)表示y＝0或1在训练集中的个数，counter(y)表示整个训练集的样本个数。
7.根据权利要求5所述的方法，其特征在于，给定待测交通灯与道路有关联和无关联时所述关联属性中的单独属性夹角angle的概率的似然值为：
Figure FDA0002623395850000022
给定待测交通灯与道路有关联和无关联时所述关联属性中的单独属性距离distance的概率的似然值为：
Figure FDA0002623395850000023
其中，P(xangle|yi)和P(xdistance|yi)分别表示给定y＝0或1时xangle和xdistance的概率，σi表示给定y＝0或1时xangle或xdistance的方差，μi表示给定y＝0或1时xangle或xdistance的均值，π、e为常数。
8.根据权利要求5所述的方法，其特征在于，所述步骤201中条件概率的计算过程为：P(yi|x)∝log(P(yi)P(xangle|yi)P(xdistance|yi))；
其中，P(yi|x)表示给定的所述关联属性x下y＝0或1的条件概率；
所述步骤202中的初步关联结果的计算过程为：
Figure FDA0002623395850000031
Yresult表示初步分类结果，argmax函数表示获取条件概率值最大时的结果。
9.根据权利要求1所述的方法，其特征在于，
所述步骤3中，选择所述待测交通灯的最终关联结果对应的道路时，选择在所述待测交通灯的给定的关联属性下待测交通灯与道路有关联和无关联的条件概率的差值最大时对应的道路。
10.根据权利要求9所述的方法，其特征在于，所述步骤3中所述最终关联结果的计算公式为：
Figure FDA0002623395850000032
Yfinal_result表示最终关联结果，m表示初步关联结果中和待测交通灯关联的道路个数，k表示其中任意一个关联关系，x(k)表示关联关系为k时的关联属性，P(y1|x(k))-P(y0|x(k))表示给定关联属性x(k)下待测交通灯与道路有关联和无关联的条件概率的差值，argmax函数表示获取差值最大时的关系。
CN202010789951.7A 2020-08-07 2020-08-07 一种基于贝叶斯分类的交通灯和道路关联方法 Active CN111968391B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010789951.7A CN111968391B (zh) 2020-08-07 2020-08-07 一种基于贝叶斯分类的交通灯和道路关联方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010789951.7A CN111968391B (zh) 2020-08-07 2020-08-07 一种基于贝叶斯分类的交通灯和道路关联方法

Publications (2)

Publication Number Publication Date
CN111968391A true CN111968391A (zh) 2020-11-20
CN111968391B CN111968391B (zh) 2021-08-17

Family

ID=73364728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010789951.7A Active CN111968391B (zh) 2020-08-07 2020-08-07 一种基于贝叶斯分类的交通灯和道路关联方法

Country Status (1)

Country Link
CN (1) CN111968391B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115810184A (zh) * 2023-02-14 2023-03-17 高德软件有限公司 交通信号灯关联道路的确定方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090295598A1 (en) * 2008-05-30 2009-12-03 Navteq North America, Llc Data mining for traffic signals or signs along road curves and enabling precautionary actions in a vehicle
CN101640001A (zh) * 2009-07-08 2010-02-03 北京交通大学 一种面向仿真系统的道路网络绘制装置与方法
CN108470454A (zh) * 2018-03-30 2018-08-31 江苏智通交通科技有限公司 信号控制路口的车道-灯组-相位关联映射方法
CN108847121A (zh) * 2018-07-04 2018-11-20 深圳地平线机器人科技有限公司 构建高精度地图的方法和装置
CN110222744A (zh) * 2019-05-23 2019-09-10 成都信息工程大学 一种基于属性加权的朴素贝叶斯分类模型改进方法
CN110691957A (zh) * 2017-06-13 2020-01-14 北京嘀嘀无限科技发展有限公司 基于深度卷积神经网络的路径规划系统和方法
CN111094095A (zh) * 2017-04-18 2020-05-01 优特诺股份有限公司 自动地接收行驶信号
CN111145291A (zh) * 2018-11-05 2020-05-12 罗伯特·博世有限公司 用于自动语义地图生成的系统和方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090295598A1 (en) * 2008-05-30 2009-12-03 Navteq North America, Llc Data mining for traffic signals or signs along road curves and enabling precautionary actions in a vehicle
CN101640001A (zh) * 2009-07-08 2010-02-03 北京交通大学 一种面向仿真系统的道路网络绘制装置与方法
CN111094095A (zh) * 2017-04-18 2020-05-01 优特诺股份有限公司 自动地接收行驶信号
CN110691957A (zh) * 2017-06-13 2020-01-14 北京嘀嘀无限科技发展有限公司 基于深度卷积神经网络的路径规划系统和方法
CN108470454A (zh) * 2018-03-30 2018-08-31 江苏智通交通科技有限公司 信号控制路口的车道-灯组-相位关联映射方法
CN108847121A (zh) * 2018-07-04 2018-11-20 深圳地平线机器人科技有限公司 构建高精度地图的方法和装置
CN111145291A (zh) * 2018-11-05 2020-05-12 罗伯特·博世有限公司 用于自动语义地图生成的系统和方法
CN110222744A (zh) * 2019-05-23 2019-09-10 成都信息工程大学 一种基于属性加权的朴素贝叶斯分类模型改进方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115810184A (zh) * 2023-02-14 2023-03-17 高德软件有限公司 交通信号灯关联道路的确定方法和装置

Also Published As

Publication number Publication date
CN111968391B (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN111291678B (zh) 一种基于多特征融合的人脸图像聚类方法及装置
CN110225055B (zh) 一种基于knn半监督学习模型的网络流量异常检测方法与系统
CN105205501B (zh) 一种多分类器联合的弱标注图像对象检测方法
JP2009545045A (ja) パターン分類方法
CN113255573B (zh) 基于混合簇中心标签学习的行人重识别方法和存储介质
CN114582470A (zh) 一种模型的训练方法、训练装置及医学影像报告标注方法
CN111914902B (zh) 一种基于深度神经网络的中药识别与表面缺陷检测方法
US11887303B2 (en) Image processing model generation method, image processing method and device, and electronic device
CN112800232B (zh) 一种基于大数据的案件自动分类方法
CN112100374A (zh) 文本聚类方法、装置、电子设备及存储介质
CN104091078B (zh) 基于d‑s证据理论的产品多信息融合标识失效补救方法
CN111968391B (zh) 一种基于贝叶斯分类的交通灯和道路关联方法
CN113378883A (zh) 一种基于通道分组注意力模型的细粒度车辆分类方法
CN117495891B (zh) 点云边缘检测方法、装置和电子设备
CN114328785A (zh) 提取道路信息的方法和装置
CN112861692B (zh) 一种房间分类模型构建方法及装置、房间分类方法及装置
CN113343123A (zh) 一种生成对抗多关系图网络的训练方法和检测方法
CN114996389B (zh) 一种标注类别一致性检验方法、存储介质及电子设备
CN108665479B (zh) 基于压缩域多尺度特征tld的红外目标跟踪方法
CN114863574A (zh) 手写签名识别方法、装置、设备、介质及程序产品
CN114996466A (zh) 一种医学标准映射模型的建立方法、系统及使用方法
CN111382301A (zh) 一种基于生成对抗网络的三维模型生成方法及系统
CN111401385A (zh) 一种图像局部拓扑结构特征描述符的相似度计算方法
Wang et al. Adversary distillation for one-shot attacks on 3D target tracking
CN116665113B (zh) 基于不确定性量化的遥感场景识别方法、系统及介质

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