CN112131233B - 识别更新道路的方法、装置、设备和计算机存储介质 - Google Patents

识别更新道路的方法、装置、设备和计算机存储介质 Download PDF

Info

Publication number
CN112131233B
CN112131233B CN202010889015.3A CN202010889015A CN112131233B CN 112131233 B CN112131233 B CN 112131233B CN 202010889015 A CN202010889015 A CN 202010889015A CN 112131233 B CN112131233 B CN 112131233B
Authority
CN
China
Prior art keywords
road
network data
candidate
updated
user track
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
CN202010889015.3A
Other languages
English (en)
Other versions
CN112131233A (zh
Inventor
黄际洲
夏德国
王海峰
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010889015.3A priority Critical patent/CN112131233B/zh
Publication of CN112131233A publication Critical patent/CN112131233A/zh
Priority to EP21164452.1A priority patent/EP3961489B1/en
Priority to KR1020210109659A priority patent/KR102652742B1/ko
Priority to US17/410,878 priority patent/US20220067370A1/en
Priority to JP2021137229A priority patent/JP7196382B2/ja
Application granted granted Critical
Publication of CN112131233B publication Critical patent/CN112131233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3859—Differential updating map data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G01C11/06—Interpretation of pictures by comparison of two or more pictures of the same area
    • 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
    • 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
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3852—Data derived from aerial or satellite images
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3885—Transmission of map data to client devices; Reception of map data by client devices
    • 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
    • G06F16/23—Updating
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2453—Query optimisation
    • G06F16/24534—Query rewriting; Transformation
    • G06F16/24549—Run-time optimisation
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • 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
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes

Abstract

本申请公开了一种识别更新道路的方法、装置、设备和计算机存储介质，涉及大数据技术领域。具体实现方案为：将基于最新卫星影像提取的道路区域与基于历史卫星影像提取的道路区域进行对比，得到候选更新道路；依据所述候选更新道路的坐标位置，将所述候选更新道路映射至路网数据中；获取最近预设时段内所述候选更新道路对应的用户轨迹集合；基于所述用户轨迹集合与路网数据的匹配结果，识别所述候选更新道路是否为实际更新道路。通过本申请提供的方式能够更加准确地识别更新道路。

Description

识别更新道路的方法、装置、设备和计算机存储介质
技术领域
本申请涉及计算机技术领域，特别涉及大数据技术领域中识别更新道路的方法、装置、设备和计算机存储介质。
背景技术
在导航电子地图中，道路构成的路网数据是导航路线规划的基础数据，路网数据的准确程度，极大的影响导航路线规划的准确性及合理性，进而影响用户的实际导航体验。例如，如果新增的道路没有很快被发现并更新到路网数据中，就会使得本来可以通过该道路的更短的路线不会被推荐给用户，导致用户绕路。因此需要更全面、准确发现道路数据的变化，以将变化更新到路网数据。
发明内容
有鉴于此，本申请提供了一种识别更新道路的方法、装置、设备和计算机存储介质。
第一方面，本申请提供了一种识别道路更新的方法，包括：
将基于最新卫星影像提取的道路区域与基于历史卫星影像提取的道路区域进行对比，得到候选更新道路；
依据所述候选更新道路的坐标位置，将所述候选更新道路映射至路网数据中；
获取最近预设时段内所述候选更新道路对应的用户轨迹集合；
基于所述用户轨迹集合与路网数据的匹配结果，识别所述候选更新道路是否为实际更新道路。
第二方面，本申请提供了一种识别道路更新的装置，包括：
道路提取模块，用于将基于最新卫星影像提取的道路区域与基于历史卫星影像提取的道路区域进行对比，得到候选更新道路；
路网融合模块，用于依据所述候选更新道路的坐标位置，将所述候选更新道路映射至路网数据中；
轨迹获取模块，用于获取最近预设时段内所述候选更新道路对应的用户轨迹集合；
道路识别模块，用于基于所述用户轨迹集合与路网数据的匹配结果，识别所述候选更新道路是否为实际更新道路。
第三方面，本申请提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法。
第四方面，本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的方法。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一项所述的方法。
上述可选方式所具有的效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1示出了可以应用本发明实施例的示例性系统架构；
图2为本申请实施例二提供的主要方法流程图；
图3为本申请实施例二提供的提取道路区域的示意图；
图4为本申请实施例二提供的将候选新增道路映射至路网数据中的示意图；
图5为本申请实施例二中提供的候选新增道路与已有道路连通关系的实例图；
图6为本申请实施例三提供的识别道路更新的装置结构图；
图7是用来实现本申请实施例的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
图1示出了可以应用本发明实施例的示例性系统架构。如图1所示，该系统架构可以包括终端设备101和102，网络103和服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101和102通过网络103与服务器104交互。终端设备101和102上可以安装有各种应用，例如地图类应用、语音交互类应用、网页浏览器应用、通信类应用等。
终端设备101和102可以是能够支持并展现地图类应用的各种电子设备，包括但不限于智能手机、平板电脑、智能穿戴式设备等等。本发明所提供的装置可以设置并运行于上述服务器104中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。
例如，识别道路更新的装置设置并运行于上述服务器104中，服务器104可以预先收集并维护各终端设备(包括101和102)在使用地图类应用过程中上传的用户轨迹数据；并能够与路网数据库105进行交互，获取并更新路网数据；还能够与卫星影像库106进行交互，获取卫星影像。在本申请实施例中，服务器104能够利用上述卫星影像、用户轨迹数据、路网数据进行道路更新的识别，并及时更新路网数据。路网数据的更新能够使得地图类应用的服务器端能够更好地为各终端设备提供地图类服务，例如路线查询服务、导航服务等。
除了上述方式之外，识别道路更新的装置也可以设置并运行于具有较强运算能力的计算机系统上。
服务器104可以是单一服务器，也可以是多个服务器构成的服务器群组。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
实施例二
图2为本申请实施例二提供的主要方法流程图，如图2中所示，该方法可以包括以下步骤：
在201中，将基于最新卫星影像提取的道路区域与基于历史卫星影像提取的道路区域进行对比，得到候选更新道路。
本步骤实现了基于卫星影像的道路提取。鉴于本申请的道路更新可以是周期性地，或者基于特殊事件触发。因此，可以将历史时间划分为时段。最近预设时段的卫星影像可以看做是最新卫星影像，最近预设时段的上一时段的卫星影像可以看做是历史卫星影像。通过对时段长度的控制可以调整道路发现机制的及时性。因此，本步骤具体可以采用以下步骤实现：
S11、获取最近预设时段的卫星影像并从获取的卫星影像中提取道路区域。
S12、获取最近预设时段的上一时段的卫星影像并从获取的卫星影像中提取道路区域。
在上述步骤S11和S12中都涉及到从卫星影像中提取道路区域，卫星影像是卫星拍摄的地球上带有坐标信息的图像文件。在本申请实施例中从卫星影像中提取道路区域的方式可以将获取的卫星影像输入预先训练得到的道路识别模型；获取道路识别模型基于像素分类得到的道路区域。
也就是说，将道路区域的提取建模为像素粒度的二元语义分割问题，即由道路识别模型对卫星影像中的像素做分类，判断各像素是否属于道路区域。
在预先训练道路识别模型时，可以将历史卫星影像与路网中的道路信息关联后，得到训练数据，即训练数据中包括历史卫星影像以及历史卫星影像中的道路区域信息；也可以将历史卫星影像人工进行道路区域标注后，得到训练数据。然后利用训练数据训练深度神经网络，得到道路识别模型。其中，采用的深度神经网络可以是诸如U-Net或者DeepResidual(深度残差)U-Net等。U-Net是使用全卷积网络进行语义分割的算法之一，因其使用压缩路径和扩展路径的对称U型结构而得名。在训练道路识别模型过程中采用的训练目标为：深度神经网络对像素分类的结果与训练数据中对应像素是否属于道路区域的信息一致，也就是说，深度神经网络对历史卫星影像中各像素的分类结果与训练数据中的预期一致。
当然除了上述基于像素分类提取道路区域的方式之外，也可以采用其他方式从卫星影像中提取道路区域。
对于针对各阶段的卫星影像提取的道路区域信息进行保存，在作为历史卫星影像时，直接获取并使用其对应的道路区域信息即可。
S13、将提取的道路区域进行对比，得到候选更新道路。
将从最新卫星影像中提取的道路区域与从历史卫星影像中提取的道路区域进行比较，需要注意的是，在比较时，需要将对应相同地理区域的部分进行比较。对于最新卫星影像中存在但历史卫星影像中不存在的道路区域，认为其可能是新增道路。对于最新卫星影像中不存在但历史卫星影像中存在的道路区域，认为其可能是消失道路。
如图3中所示，最新卫星影像经过道路识别模型后提取出道路区域，将提取的道路区域与基于历史卫星影像提取的道路区域进行比对后，发现最新卫星影像中有一条道路时历史卫星影像没有的，那么就确定该道路为候选新增道路。
基于卫星影像能够较为及时和全面地发现更新道路。但由于卫星影像可能因为被云雾、树荫等遮挡导致得到的更新道路并不一定准确，因此，在本步骤中利用卫星影像得到的更新道路需要采用后续基于用户轨迹识别进行进一步确定，故而将本步骤中得到的更新道路称为候选更新道路。
在202中，依据候选更新道路的坐标位置，将候选更新道路映射至路网数据中。
由于后续基于用户轨迹识别候选更新道路是否为实际刚更新道路是通过比较更新前路网数据以及更新后路网数据的匹配概率进行的，因此本步骤实际上是假设先利用更新道路更新路网数据，但该更新后的路网数据并不一定是准确的，并不一定是最终实际更新的路网数据，因此将本步骤中更新后的路网数据称为待验证路网数据。
具体地，对于新增道路而言，可以依据候选新增道路的坐标位置，在路网数据中添加候选新增道路(图中称为路网融合)，并增加候选新增道路与路网数据(现有的路网数据，即之前已经确定出的实际路网数据)中已有道路的连通关系(图中称为连通关联)，形成更新后的待验证路网数据，如图4中所示。
其中，在增加候选新增道路与路网数据中已有道路的连通关系时，在此提供一种可实现的方式：首先沿道路方向延长候选新增道路以与路网数据中已有道路相交。例如图5中所示，候选新增道路假设为rn，沿着rn的方向延长后，与道路r6相交。
如果交点与候选新增道路rn的端点之间的距离(即延长部分的长度)小于或等于预设的第一距离阈值，则在路网数据中增加交点与端点之间的延长道路(点状部分)并增加候选新增道路rn与已有道路r6的连通关系。
对于消失道路而言，可以依据候选消失道路的坐标位置，在路网数据中删除消失道路，形成更新后的待验证路网数据。其中，可以在路网数据中判断是否存在与候选消失道路的方向相同，且与候选消失道路的坐标位置距离小于预设的第二距离阈值，则认为是路网数据中对应候选消失道路的已有道路，将其从路网数据中删除，形成更新后的待验证路网数据。
在203中，获取最近预设时段内候选更新道路对应的用户轨迹集合。
首先获取最近预设时段内的用户轨迹。其中用户轨迹可以包括诸如驾车轨迹、骑行轨迹、行走轨迹等。这些用户轨迹可以是用户上传后存储于地图类应用的数据库中的，本步骤中直接从地图类应用的数据库中获取。
每一条用户轨迹都是存在时间偏序关系的n个相邻轨迹点构成的序列。例如用户轨迹T由轨迹点序列<p1,p2,…,pn>构成。其中，轨迹点pi为二元组<li,ti>，其中li为空间信息，一般为地理坐标信息、ti为时间信息。
由于用户轨迹可能由各种定位方式得到，存在定位精度不准确的问题，因此，在此针对候选更新道路定义一个辐射区域。将落入候选更新道路的辐射区域的轨迹点数量大于或等于预设数量阈值，或者落入候选更新道路的辐射区域的轨迹点比例大于或等于预设比例阈值的用户轨迹确定为候选更新道路对应的用户轨迹，以构成用户轨迹集合。
其中，上述辐射区域可以定义为：以候选更新道路rn的中线为基准，左右预设距离Δd之内所构成的区域，如图5中所示，记为Rn。如果一条用户轨迹Tk满足如下条件之一，则将其加入到rn的用户轨迹集合Crn中。
条件一：
Figure GDA0002918460470000061
条件二：
Figure GDA0002918460470000071
其中，
Figure GDA0002918460470000072
为用户轨迹Tk中的轨迹点落入辐射区域Rn的数目，
Figure GDA0002918460470000073
为用户轨迹Tk的轨迹点数目。
Figure GDA0002918460470000074
和
Figure GDA0002918460470000075
是预设的阈值，可以采用经验值或实验值，也可以采用下面的方式确定：
Figure GDA0002918460470000076
其中，
Figure GDA0002918460470000077
为候选更新道路rn的长度。D为平均轨迹点间隔距离，可以基于所有用户轨迹的轨迹点间隔距离统计得到。
Figure GDA0002918460470000078
其中，
Figure GDA0002918460470000079
为用户轨迹Tk的长度。
在204中，基于用户轨迹集合与路网数据的匹配结果，识别候选更新道路是否为实际更新道路。
本步骤是分别确定用户轨迹集合与更新前的路网数据以及更新后的待验证路网数据的匹配结果，若用户轨迹集合与更新后的待验证路网数据的匹配结果优于用户轨迹集合与更新前的路网数据的匹配结果，则识别出候选更新道路为实际更新道路。
针对用户轨迹集合Crn中的各用户轨迹Tk，通过HMM(Hidden Markov Model，隐马尔可夫模型)，分别确定用户轨迹Tk与更新前的路网数据
Figure GDA00029184604700000710
的匹配概率以及与更新后的待验证路网数据
Figure GDA00029184604700000711
的匹配概率，分别表示为
Figure GDA00029184604700000712
和
Figure GDA00029184604700000713
Figure GDA00029184604700000714
Figure GDA00029184604700000715
若用户轨迹集合中各用户轨迹与更新后的待验证路网数据的平均匹配概率大于与更新前的路网数据的平均匹配概率，则识别出候选更新道路为实际更新道路。即若候选轨迹集合Crn满足如下条件，则识别出候选更新道路rn为实际更新道路：
Figure GDA00029184604700000716
其中，
Figure GDA0002918460470000081
Figure GDA0002918460470000082
为候选轨迹集合Crn中的用户轨迹数量。
其中，确定用户轨迹与路网数据的匹配概率时，可以依据用户轨迹中的各轨迹点距离路网数据中各道路的距离，确定用户轨迹的观测概率矩阵；然后依据用户轨迹映射到路网数据中道路上相邻两个点的距离与用户轨迹中该相邻两个点的距离的差值，确定用户轨迹的转移概率矩阵；再利用用户轨迹的观察概率矩阵和转移概率矩阵进行维特比计算，得到用户轨迹与路网数据的匹配概率。
以用户轨迹Tk与更新后的待验证路网数据
Figure GDA0002918460470000083
的匹配概率
Figure GDA0002918460470000084
为例，依据用户轨迹Tk中每个轨迹点距离路网数据
Figure GDA0002918460470000085
中各道路的距离，可以得到该轨道点与各道路的观测概率，距离越小对应的观测概率越大。如果用户轨迹Tk中存在n个轨迹点，路网数据
Figure GDA0002918460470000086
中存在m条道路，那么得到的用户轨迹Tk的观测概率矩阵A是一个n×m的稀疏矩阵。
对于用户轨迹Tk，可以分别计算相邻轨迹点pi-1和pi，轨迹点pi-1映射到各道路上与pi映射到各道路上的转移概率。轨迹点pi-1和pi映射到道路上的距离与轨迹点pi-1和pi的距离差值越小，对应的转移概率越大。得到转移概率矩阵B，转移概率矩阵B是一个m×m的稀疏矩阵。
然后利用观测概率矩阵A和转移概率矩阵B进行维特比计算，维特比计算的过程实际上就是在路网数据中基于各道路进行匹配，求取最优匹配道路序列的过程。维特比算法为已有算法，在此不进行详述。也就是说，经过维特比计算，除了得到用户轨迹Tk与路网数据
Figure GDA0002918460470000087
的维特比概率即匹配概率之外，还能够得到用户轨迹Tk在路网数据
Figure GDA0002918460470000088
中的最优匹配道路序列。
用户轨迹Tk与更新前的路网数据
Figure GDA0002918460470000089
的匹配概率的计算过程类似，在此不做赘述。
用户轨迹集合中各用户轨迹与更新后的待验证路网数据的平均匹配概率小于或等于与更新前的路网数据的平均匹配概率，则识别出候选更新道路并非实际更新道路，结束针对该候选更新道路的处理，路网数据仍采用更新前的路网数据，即并未添加该候选更新道路的路网数据。
可以看出，在基于卫星影像发现候选更新道路后，通过路网数据更新道路前后，候选更新道路对应的用户轨迹匹配路网数据的概率变化，确认候选更新道路是否为实际的更新道路，从而提升了更新道路识别的准确率。
在205中，利用实际更新道路，更新上述更新前的路网数据得到实际路网数据。
作为其中一种实现方式，对于新增道路，如果在上述过程中确定出新增道路与更新后的路网数据更加匹配，则说明在之前步骤202中将候选更新道路映射至路网数据中所增加的连通关系是正确的，即是实际连通关系，将其增加至更新前的路网数据中得到实际路网数据。
作为一种优选的实现方式，对于新增道路，可以确定在最优匹配道路序列中出现次数大于或等于预设次数阈值的实际新增道路的后序道路，确定实际新增道路与该后序道路的实际连通关系。在更新前的路网数据中添加实际新增道路以及上述的实际连通关系得到实际路网数据。
例如，确定图5中rn为实际新增道路，若rn对应a条用户轨迹，则在基于维特比计算的路网匹配过程中，会得到a个最优匹配道路序列。如果在这a个最优匹配道路序列中，rn的后序道路包括r6前向、r6后向。其中，前向和后向分别是道路r6的两个方向，其中r6前向的出现次数大于或等于预设次数阈值，而r6后向的出现次数小于预设次数阈值，则说明rn是与道路r6在前向方向上存在连通关系的，而在后向方向上没有连通关系。可以看出，基于用户轨迹的实际连通关系的识别方式更加准确。
对于消失道路，可以在更新前的路网数据中删除实际消失道路以及实际消失道路的连通关系。
基于与路网数据匹配的道路序列判断更新道路是否与路网中已有道路存在连通关系，能够使得道路连通关系的识别更加准确。
实施例三
图6为本申请实施例三提供的识别更新道路的装置结构图，该装置可以位于服务器端的应用，或者还可以为位于服务器端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit，SDK)等功能单元，或者，还可以位于计算机设备，本发明实施例对此不进行特别限定。如图6中所示，该装置可以包括：道路提取模块00、路网融合模块10、轨迹获取模块20和道路识别模块30，还可以包括模型训练模块40和路网更新模块50。其中各模块的主要功能如下：
道路提取模块00，用于将基于最新卫星影像提取的道路区域与基于历史卫星影像提取的道路区域进行对比，得到候选更新道路。
路网融合模块10，用于依据候选更新道路的坐标位置，将候选更新道路映射至路网数据中。
轨迹获取模块20，用于获取最近预设时段内候选更新道路对应的用户轨迹集合。
道路识别模块30，用于基于用户轨迹集合与路网数据的匹配结果，识别候选更新道路是否为实际更新道路。
其中，道路提取模块00可以具体包括：影像获取子模块01、道路提取子模块02和对比子模块03。
影像获取子模块01，用于获取最近预设时段的卫星影像。其中，卫星影像可以从卫星影像库中获取。
道路提取子模块02，用于从影像获取子模块01获取的卫星影像中提取道路区域。
具体地，道路提取子模块02可以将影像获取子模块01获取的卫星影像输入预先训练得到的道路识别模型；获取道路识别模型基于像素分类得到的道路区域。
上述道路识别模型由模型训练模块40预先训练得到。具体地，模型训练模块40用于将历史卫星影像与路网中的道路信息关联后，得到训练数据，或者，将历史卫星影像人工进行道路区域标注后，得到训练数据；利用训练数据训练深度神经网络，得到道路识别模型，训练目标为深度神经网络对像素分类的结果与训练数据中对应像素是否属于道路区域的信息一致。
其中，采用的深度神经网络可以是诸如U-Net或者Deep Residual U-Net等。
对比子模块03，用于将道路提取子模块02提取的道路区域与从最近预设时段的上一时段的卫星影像中提取的道路区域进行对比，得到候选更新道路。
其中，更新道路可以包括新增道路或消失道路。
若更新道路为新增道路，则路网融合模块10依据候选新增道路的坐标位置，在路网数据中添加候选新增道路，并增加候选新增道路与路网数据中已有道路的连通关系，形成更新后的待验证路网数据。
作为一种优选的实施方式，路网融合模块10在增加候选新增道路与路网数据中已有道路的连通关系时，可以沿道路方向延长候选新增道路以与路网数据中已有道路相交；如果交点与候选新增道路的端点之间的距离小于或等于预设的距离阈值，则在路网数据中增加交点与端点之间的延长道路并增加候选新增道路与已有道路的连通关系。
若更新道路为消失道路，则路网融合模块10依据候选消失道路的坐标位置，在路网数据中删除候选消失道路，形成更新后的待验证路网数据。
作为一种优选的实施方式，上述轨迹获取模块20可以获取最近预设时段内的用户轨迹；将落入候选更新道路的辐射区域的轨迹点数量大于或等于预设数量阈值，或者落入候选更新道路的辐射区域的轨迹点比例大于或等于预设比例阈值的用户轨迹确定为候选更新道路对应的用户轨迹，以构成用户轨迹集合。
道路识别模块30分别确定用户轨迹集合与更新前的路网数据以及更新后的待验证路网数据的匹配结果，若用户轨迹集合与更新后的待验证路网数据的匹配结果优于用户轨迹集合与更新前的路网数据的匹配结果，则识别出候选更新道路为实际更新道路。
更进一步地，道路识别模块30可以具体包括:路网匹配子模块31和道路识别子模块32。
其中，路网匹配子模块31，用于针对用户轨迹集合中的各用户轨迹，通过隐马尔可夫模型，分别确定用户轨迹与更新前的路网数据的匹配概率以及与更新后的待验证路网数据的匹配概率。
具体地，路网匹配子模块31可以依据用户轨迹中的各轨迹点距离路网数据中各道路的距离，确定用户轨迹的观测概率矩阵；依据用户轨迹映射到路网数据中道路上相邻两个点的距离与用户轨迹中该相邻两个点的距离的差值，确定用户轨迹的转移概率矩阵；利用用户轨迹的观察概率矩阵和转移概率矩阵进行维特比计算，得到用户轨迹与路网数据的匹配概率。
道路识别子模块32，用于若用户轨迹集合中各用户轨迹与更新后的待验证路网数据的平均匹配概率大于与更新前的路网数据的平均匹配概率，则识别出候选更新道路为实际更新道路。
特别地，若实际更新道路包括实际新增道路，则路网匹配子模块31在进行维特比计算的过程中，还用于得到用户轨迹在待验证路网数据中的最优匹配道路序列。
作为一种优选的实现方式，路网更新模块50确定在所述最优匹配道路序列中出现次数大于或等于预设次数阈值的所述实际新增道路的后序道路，确定所述实际新增道路与该后序道路的实际连通关系；在更新前的路网数据中添加实际新增道路以及实际连通关系得到更新后的路网数据。
若实际更新道路包括实际消失道路，则路网更新模块50在更新前的路网数据中删除实际消失道路以及实际消失道路的连通关系。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图7所示，是根据本申请实施例的识别更新道路的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的识别更新道路的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的识别更新道路的方法。
存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的识别更新道路的方法对应的程序指令/模块。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的识别更新道路的方法。
存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据该电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至该电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
该电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与该电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (26)

1.一种识别道路更新的方法，包括：
将基于最新卫星影像提取的道路区域与基于历史卫星影像提取的道路区域进行对比，得到候选更新道路；
依据所述候选更新道路的坐标位置，将所述候选更新道路映射至路网数据中；
获取最近预设时段内所述候选更新道路对应的用户轨迹集合；
基于所述用户轨迹集合与路网数据的匹配结果，识别所述候选更新道路是否为实际更新道路；其中，
基于所述用户轨迹集合与路网数据的匹配结果，识别所述候选更新道路是否为实际更新道路包括：
若所述用户轨迹集合与更新后的待验证路网数据的匹配结果优于所述用户轨迹集合与更新前的路网数据的匹配结果，则识别出所述候选更新道路为实际更新道路；
所述用户轨迹集合与更新后的待验证路网数据的匹配结果的确定方式包括：针对所述用户轨迹集合中的各用户轨迹，依据用户轨迹中的各轨迹点距离路网数据中各道路的距离和用户轨迹映射到路网数据中道路上相邻两个点的距离与用户轨迹中该相邻两个点的距离的差值，通过隐马尔可夫模型和维特比算法，分别确定用户轨迹与所述待验证路网数据的匹配概率；确定所述用户轨迹集合中各用户轨迹与更新后的待验证路网数据的平均匹配概率；
所述用户轨迹集合与更新前的路网数据的匹配结果的确定方式包括：针对所述用户轨迹集合中的各用户轨迹，依据用户轨迹中的各轨迹点距离路网数据中各道路的距离和用户轨迹映射到路网数据中道路上相邻两个点的距离与用户轨迹中该相邻两个点的距离的差值，通过隐马尔可夫模型和维特比算法，分别确定用户轨迹与更新前的路网数据的匹配概率；确定所述用户轨迹集合中各用户轨迹与更新前的路网数据的平均匹配概率。
2.根据权利要求1所述的方法，其中，所述将基于最新卫星影像提取的道路区域与基于历史卫星影像提取的道路区域进行对比，得到候选更新道路包括：
获取最近预设时段的卫星影像并从获取的卫星影像中提取道路区域；
将提取的道路区域与从所述最近预设时段的上一时段的卫星影像中提取的道路区域进行对比，得到候选更新道路。
3.根据权利要求2所述的方法，其中，所述从获取的卫星影像中提取道路区域包括：
将所述获取的卫星影像输入预先训练得到的道路识别模型；
获取所述道路识别模型基于像素分类得到的道路区域。
4.根据权利要求3所述的方法，其中，所述道路识别模型采用如下方式预先训练得到：
将历史卫星影像与路网中的道路信息关联后，得到训练数据；或者，将历史卫星影像人工进行道路区域标注后，得到训练数据；
利用所述训练数据训练深度神经网络，得到所述道路识别模型，训练目标为所述深度神经网络对像素分类的结果与训练数据中对应像素是否属于道路区域的信息一致。
5.根据权利要求1所述的方法，其中，所述更新道路包括新增道路；
所述依据候选更新道路的坐标位置，将所述候选更新道路映射至路网数据中包括：
依据候选新增道路的坐标位置，在路网数据中添加所述候选新增道路，并增加所述候选新增道路与所述路网数据中已有道路的连通关系，形成更新后的待验证路网数据。
6.根据权利要求5所述的方法，其中，增加所述候选新增道路与所述路网数据中已有道路的连通关系包括：
沿道路方向延长所述候选新增道路以与所述路网数据中已有道路相交；
如果交点与所述候选新增道路的端点之间的距离小于或等于预设的距离阈值，则在所述路网数据中增加所述交点与端点之间的延长道路并增加所述候选新增道路与所述已有道路的连通关系。
7.根据权利要求1所述的方法，其中，所述更新道路包括消失道路；
所述依据候选更新道路的坐标位置，将所述候选更新道路映射至路网数据中包括：
依据候选消失道路的坐标位置，在路网数据中删除所述候选消失道路，形成更新后的待验证路网数据。
8.根据权利要求1至7中任一项所述的方法，其中，获取最近预设时段内所述候选更新道路对应的用户轨迹集合包括：
获取最近预设时段内的用户轨迹；
将落入所述候选更新道路的辐射区域的轨迹点数量大于或等于预设数量阈值，或者落入所述候选更新道路的辐射区域的轨迹点比例大于或等于预设比例阈值的用户轨迹确定为所述候选更新道路对应的用户轨迹，以构成所述用户轨迹集合。
9.根据权利要求1所述的方法，其中，确定用户轨迹与路网数据的匹配概率包括：
依据用户轨迹中的各轨迹点距离路网数据中各道路的距离，确定所述用户轨迹的观测概率矩阵；
依据用户轨迹映射到路网数据中道路上相邻两个点的距离与用户轨迹中该相邻两个点的距离的差值，确定所述用户轨迹的转移概率矩阵；
利用所述用户轨迹的观察概率矩阵和转移概率矩阵进行维特比计算，得到所述用户轨迹与路网数据的匹配概率。
10.根据权利要求9所述的方法，若所述实际更新道路包括实际新增道路，则该方法还包括：
在进行所述维特比计算的过程中，进一步得到所述用户轨迹在所述待验证路网数据中的最优匹配道路序列；
确定在所述最优匹配道路序列中出现次数大于或等于预设次数阈值的所述实际新增道路的后序道路，确定所述实际新增道路与该后序道路的实际连通关系；
在所述更新前的路网数据中添加所述实际新增道路以及所述实际连通关系得到更新后的路网数据。
11.根据权利要求1所述的方法，若所述实际更新道路包括实际消失道路，则该方法还包括：
在所述更新前的路网数据中删除所述实际消失道路以及所述实际消失道路的连通关系。
12.一种识别道路更新的装置，包括：
道路提取模块，用于将基于最新卫星影像提取的道路区域与基于历史卫星影像提取的道路区域进行对比，得到候选更新道路；
路网融合模块，用于依据所述候选更新道路的坐标位置，将所述候选更新道路映射至路网数据中；
轨迹获取模块，用于获取最近预设时段内所述候选更新道路对应的用户轨迹集合；
道路识别模块，用于基于所述用户轨迹集合与路网数据的匹配结果，识别所述候选更新道路是否为实际更新道路；
所述道路识别模块，还用于若用户轨迹集合与更新后的待验证路网数据的匹配结果优于用户轨迹集合与更新前的路网数据的匹配结果，则识别出候选更新道路为实际更新道路；
所述道路识别模块包括：路网匹配子模块；
所述路网匹配子模块，用于针对所述用户轨迹集合中的各用户轨迹，依据用户轨迹中的各轨迹点距离路网数据中各道路的距离和用户轨迹映射到路网数据中道路上相邻两个点的距离与用户轨迹中该相邻两个点的距离的差值，通过隐马尔可夫模型和维特比算法，分别确定用户轨迹与所述待验证路网数据的匹配概率；确定所述用户轨迹集合中各用户轨迹与更新后的待验证路网数据的平均匹配概率；
针对所述用户轨迹集合中的各用户轨迹，依据用户轨迹中的各轨迹点距离路网数据中各道路的距离和用户轨迹映射到路网数据中道路上相邻两个点的距离与用户轨迹中该相邻两个点的距离的差值，通过隐马尔可夫模型和维特比算法，分别确定用户轨迹与更新前的路网数据的匹配概率；确定所述用户轨迹集合中各用户轨迹与更新前的路网数据的平均匹配概率。
13.根据权利要求12所述的装置，其中，所述道路提取模块包括：
影像获取子模块，用于获取最近预设时段的卫星影像；
道路提取子模块，用于从所述影像获取子模块获取的卫星影像中提取道路区域；
对比子模块，用于将所述道路提取子模块提取的道路区域与从所述最近预设时段的上一时段的卫星影像中提取的道路区域进行对比，得到候选更新道路。
14.根据权利要求13所述的装置，其中，所述道路提取子模块，具体用于：
将所述影像获取子模块获取的卫星影像输入预先训练得到的道路识别模型；
获取所述道路识别模型基于像素分类得到的道路区域。
15.根据权利要求14所述的装置，还包括：
模型训练模块，用于将历史卫星影像与路网中的道路信息关联后，得到训练数据，或者，将历史卫星影像人工进行道路区域标注后，得到训练数据；利用所述训练数据训练深度神经网络，得到所述道路识别模型，训练目标为所述深度神经网络对像素分类的结果与训练数据中对应像素是否属于道路区域的信息一致。
16.根据权利要求12所述的装置，其中，所述更新道路包括新增道路；
所述路网融合模块，具体用于依据候选新增道路的坐标位置，在路网数据中添加所述候选新增道路，并增加所述候选新增道路与所述路网数据中已有道路的连通关系，形成更新后的待验证路网数据。
17.根据权利要求16所述的装置，其中，所述路网融合模块在增加所述候选新增道路与所述路网数据中已有道路的连通关系时，具体执行：
沿道路方向延长所述候选新增道路以与所述路网数据中已有道路相交；
如果交点与所述候选新增道路的端点之间的距离小于或等于预设的距离阈值，则在所述路网数据中增加所述交点与端点之间的延长道路并增加所述候选新增道路与所述已有道路的连通关系。
18.根据权利要求12所述的装置，其中，所述更新道路包括消失道路；
所述路网融合模块，具体用于依据候选消失道路的坐标位置，在路网数据中删除所述候选消失道路，形成更新后的待验证路网数据。
19.根据权利要求12至18中任一项所述的装置，其中，所述轨迹获取模块，具体用于：
获取最近预设时段内的用户轨迹；
将落入所述候选更新道路的辐射区域的轨迹点数量大于或等于预设数量阈值，或者落入所述候选更新道路的辐射区域的轨迹点比例大于或等于预设比例阈值的用户轨迹确定为所述候选更新道路对应的用户轨迹，以构成所述用户轨迹集合。
20.根据权利要求16或18所述的装置，其中，所述道路识别模块包括:
道路识别子模块，用于若所述用户轨迹集合中各用户轨迹与更新后的待验证路网数据的平均匹配概率大于与更新前的路网数据的平均匹配概率，则识别出所述候选更新道路为实际更新道路。
21.根据权利要求20所述的装置，其中，所述路网匹配子模块具体用于：
依据用户轨迹中的各轨迹点距离路网数据中各道路的距离，确定所述用户轨迹的观测概率矩阵；
依据用户轨迹映射到路网数据中道路上相邻两个点的距离与用户轨迹中该相邻两个点的距离的差值，确定所述用户轨迹的转移概率矩阵；
利用所述用户轨迹的观察概率矩阵和转移概率矩阵进行维特比计算，得到所述用户轨迹与路网数据的匹配概率。
22.根据权利要求21所述的装置，其中，若所述实际更新道路包括实际新增道路，则所述路网匹配子模块在进行所述维特比计算的过程中，还用于得到所述用户轨迹在所述待验证路网数据中的最优匹配道路序列；
所述装置还包括：
路网更新模块，用于确定在所述最优匹配道路序列中出现次数大于或等于预设次数阈值的所述实际新增道路的后序道路，确定所述实际新增道路与该后序道路的实际连通关系；在所述更新前的路网数据中添加所述实际新增道路以及所述实际连通关系得到更新后的路网数据。
23.根据权利要求20所述的装置，若所述实际更新道路包括实际消失道路，则所述装置还包括：
路网更新模块，用于在所述更新前的路网数据中删除所述实际消失道路以及所述实际消失道路的连通关系。
24. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
25.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-11中任一项所述的方法。
26.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-11中任一项所述的方法。
CN202010889015.3A 2020-08-28 2020-08-28 识别更新道路的方法、装置、设备和计算机存储介质 Active CN112131233B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010889015.3A CN112131233B (zh) 2020-08-28 2020-08-28 识别更新道路的方法、装置、设备和计算机存储介质
EP21164452.1A EP3961489B1 (en) 2020-08-28 2021-03-24 Method and apparatus for identifying updated road, device and computer storage medium
KR1020210109659A KR102652742B1 (ko) 2020-08-28 2021-08-19 업데이트 도로 인식 방법, 장치, 기기 및 컴퓨터 기록 매체
US17/410,878 US20220067370A1 (en) 2020-08-28 2021-08-24 Method and apparatus for identifying updated road, device and computer storage medium
JP2021137229A JP7196382B2 (ja) 2020-08-28 2021-08-25 更新道路を識別する方法、装置、デバイス及びコンピュータ記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010889015.3A CN112131233B (zh) 2020-08-28 2020-08-28 识别更新道路的方法、装置、设备和计算机存储介质

Publications (2)

Publication Number Publication Date
CN112131233A CN112131233A (zh) 2020-12-25
CN112131233B true CN112131233B (zh) 2022-11-15

Family

ID=73848894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010889015.3A Active CN112131233B (zh) 2020-08-28 2020-08-28 识别更新道路的方法、装置、设备和计算机存储介质

Country Status (5)

Country Link
US (1) US20220067370A1 (zh)
EP (1) EP3961489B1 (zh)
JP (1) JP7196382B2 (zh)
KR (1) KR102652742B1 (zh)
CN (1) CN112131233B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023511799A (ja) * 2020-12-24 2023-03-23 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド 経路推奨方法、装置、電子デバイス、記憶媒体、及びプログラム
CN112686197B (zh) * 2021-01-07 2022-08-19 腾讯科技（深圳）有限公司 一种数据处理方法和相关装置
CN112699203B (zh) * 2021-01-14 2022-02-08 腾讯科技（深圳）有限公司 路网数据的处理方法和装置
CN112883236B (zh) * 2021-02-26 2024-01-16 北京百度网讯科技有限公司 一种地图更新方法、装置、电子设备及存储介质
CN113204608A (zh) * 2021-05-27 2021-08-03 广州大学 一种基于遥感影像的地图自动更新方法、存储介质及系统
CN113435403B (zh) * 2021-07-14 2024-03-08 北京百度网讯科技有限公司 路网缺失道路检测方法、装置、电子设备和存储介质
CN113688275B (zh) * 2021-10-26 2022-02-18 武汉元光科技有限公司 一种公告数据的处理方法、装置以及处理设备
CN114429509B (zh) * 2021-12-27 2024-03-26 北京百度网讯科技有限公司 新增道路的发现方法、装置以及电子设备
CN114677570B (zh) * 2022-03-14 2023-02-07 北京百度网讯科技有限公司 道路信息更新方法、装置、电子设备以及存储介质
CN114383600B (zh) * 2022-03-23 2022-07-19 北京百度网讯科技有限公司 用于地图的处理方法、装置、电子设备和存储介质
CN114972988B (zh) * 2022-05-16 2024-03-26 北京百度网讯科技有限公司 一种路网提取方法、装置、设备及存储介质
CN115100631A (zh) * 2022-07-18 2022-09-23 浙江省交通运输科学研究院 一种多源信息复合特征提取的道路地图采集系统与方法
CN115206122B (zh) * 2022-07-26 2024-01-12 广州文远知行科技有限公司 轨迹显示方法、装置、存储介质及计算机设备
CN116543356B (zh) * 2023-07-05 2023-10-27 青岛国际机场集团有限公司 一种轨迹确定方法、设备及介质
CN117351117B (zh) * 2023-11-29 2024-03-08 之江实验室 一种道路结构的更新方法、装置、存储介质、设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8731305B1 (en) * 2011-03-09 2014-05-20 Google Inc. Updating map data using satellite imagery
CN108955693A (zh) * 2018-08-02 2018-12-07 吉林大学 一种路网匹配的方法及系统
CN109241069A (zh) * 2018-08-23 2019-01-18 中南大学 一种基于轨迹自适应聚类的路网快速更新的方法及系统
CN110006439A (zh) * 2019-04-12 2019-07-12 北京百度网讯科技有限公司 地图轨迹数据的匹配方法、装置、服务器及存储介质
CN110852342A (zh) * 2019-09-26 2020-02-28 京东城市(北京)数字科技有限公司 一种路网数据的获取方法、装置、设备及计算机存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3897306B2 (ja) * 2004-03-10 2007-03-22 日立ソフトウエアエンジニアリング株式会社 地理画像間変化領域の抽出の支援方法及び地理画像間変化領域の抽出を支援可能なプログラム
JP4654823B2 (ja) * 2005-08-03 2011-03-23 株式会社デンソー 道路地図データ更新システム及び道路検出システム
JP6658088B2 (ja) * 2015-03-23 2020-03-04 株式会社豊田中央研究所 情報処理装置、プログラム、及び地図データ更新システム
CN108230421A (zh) * 2017-09-19 2018-06-29 北京市商汤科技开发有限公司 一种道路图生成方法、装置、电子设备和计算机存储介质
JP6586146B2 (ja) * 2017-11-22 2019-10-02 株式会社 ミックウェア 地図情報処理装置、地図情報処理方法および地図情報処理プログラム
JP7079620B2 (ja) * 2018-02-23 2022-06-02 フォルシアクラリオン・エレクトロニクス株式会社 履歴情報記憶装置、経路の算出方法、影響範囲配信システム
CN111121797B (zh) * 2018-11-01 2021-11-12 百度在线网络技术（北京）有限公司 道路筛选方法、装置、服务器及存储介质
JP2020067656A (ja) 2019-07-11 2020-04-30 株式会社 ミックウェア 地図情報処理装置、地図情報処理方法および地図情報処理プログラム
US11443442B2 (en) * 2020-01-28 2022-09-13 Here Global B.V. Method and apparatus for localizing a data set based upon synthetic image registration
US20220044072A1 (en) * 2020-05-01 2022-02-10 Caci, Inc. - Federal Systems and methods for aligning vectors to an image

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8731305B1 (en) * 2011-03-09 2014-05-20 Google Inc. Updating map data using satellite imagery
CN108955693A (zh) * 2018-08-02 2018-12-07 吉林大学 一种路网匹配的方法及系统
CN109241069A (zh) * 2018-08-23 2019-01-18 中南大学 一种基于轨迹自适应聚类的路网快速更新的方法及系统
CN110006439A (zh) * 2019-04-12 2019-07-12 北京百度网讯科技有限公司 地图轨迹数据的匹配方法、装置、服务器及存储介质
CN110852342A (zh) * 2019-09-26 2020-02-28 京东城市(北京)数字科技有限公司 一种路网数据的获取方法、装置、设备及计算机存储介质

Also Published As

Publication number Publication date
KR102652742B1 (ko) 2024-03-28
EP3961489B1 (en) 2023-05-31
JP2022040067A (ja) 2022-03-10
EP3961489A1 (en) 2022-03-02
CN112131233A (zh) 2020-12-25
KR20220029403A (ko) 2022-03-08
JP7196382B2 (ja) 2022-12-27
US20220067370A1 (en) 2022-03-03

Similar Documents

Publication Publication Date Title
CN112131233B (zh) 识别更新道路的方法、装置、设备和计算机存储介质
CN111723768B (zh) 车辆重识别的方法、装置、设备和存储介质
CN112528786B (zh) 车辆跟踪方法、装置及电子设备
CN111695488B (zh) 兴趣面识别方法、装置、设备以及存储介质
CN110617831B (zh) 生成导航路线的方法、装置及设备
CN111950537B (zh) 斑马线信息获取方法、地图更新方法、装置及系统
CN112507949A (zh) 目标跟踪方法、装置、路侧设备以及云控平台
CN110852321B (zh) 候选框过滤方法、装置以及电子设备
CN111353009B (zh) 建立路线耗时预估模型、预估路线耗时的方法及对应装置
CN110765227A (zh) 道路交通网络模型构建方法及装置
CN112101527B (zh) 识别车道变化的方法和装置、电子设备和存储介质
CN113160693B (zh) 一种道路路口的处理方法、装置、设备和存储介质
CN111292549B (zh) 建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置
CN110796191B (zh) 轨迹分类方法及装置
CN113673281A (zh) 限速信息确定方法、装置、设备以及存储介质
CN113532456A (zh) 用于生成导航路线的方法及装置
CN110751853B (zh) 停车位数据的有效性识别方法和装置
CN112070288B (zh) 出发时间预估方法、装置、设备以及存储介质
CN111442775B (zh) 道路的识别方法、装置、电子设备及可读存储介质
CN112577524A (zh) 信息校正方法和装置
CN113011298A (zh) 截断物体样本生成、目标检测方法、路侧设备和云控平台
CN111597986A (zh) 用于生成信息的方法、装置、设备和存储介质
CN113221602B (zh) 道路路面状况确定方法、装置、设备和介质
CN112182409A (zh) 数据处理方法、装置、设备及计算机存储介质
CN112382090A (zh) 用于输出信息的方法、装置、设备以及存储介质

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