CN112364890B - 利用出租车轨迹制作城市可导航路网的交叉口引导方法 - Google Patents
利用出租车轨迹制作城市可导航路网的交叉口引导方法 Download PDFInfo
- Publication number
- CN112364890B CN112364890B CN202011126027.7A CN202011126027A CN112364890B CN 112364890 B CN112364890 B CN 112364890B CN 202011126027 A CN202011126027 A CN 202011126027A CN 112364890 B CN112364890 B CN 112364890B
- Authority
- CN
- China
- Prior art keywords
- intersection
- road
- road section
- point
- 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
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
- G08G1/0125—Traffic data processing
Abstract
本发明公开了一种利用出租车轨迹制作城市可导航路网的交叉口引导方法。该方法包括:引入密度特征、交叉口连接特征及方向特征,进行多元方法集成的交叉口识别及半监督去伪,进行交叉口位置探测;根据交叉口识别结果,考虑Delaunay三角网邻接特征,轨迹分布特征及道路几何特征,识别交叉口之间的拓扑关系,并融合形态学结果生成路段几何;基于识别的交叉口及路段信息,分析出租车轨迹在交叉口处的路段连接信息,进而计算交叉口转向规则及路段单双向属性。采用本发明的可导航路网构建方法,可较为系统的实现城市可导航路网的分而治之构建,并且所提出的构建方法在交叉口、路段及转向等路网信息提取方面具有较高的完整性与准确性。
Description
技术领域
本发明属于可导航路网构建技术领域,特别是涉及一种利用出租车轨迹制作城市可导航路网的交叉口引导方法。
背景技术
道路网络作为智慧城市发展的重要基础条件,不仅需要交叉口与路段来表达几何与拓扑信息,而且需要导航信息来承载道路连接语义,从而支撑大规模车辆在道路网络中的有序流动。传统路网信息获取主要依靠野外测量及遥感影像处理,不仅时间长、成本高、现势性差,还难以获得道路的转向、单双向等导航信息。随着便携式定位设备的普及,利用成本低、覆盖广,且蕴含丰富道路语义信息、不受线路和时间约束的出租车轨迹数据开展可导航路网构建成为可能。然而,一方面城市路网的结构复杂多样,另一方面出租车轨迹数据采样频率低、时空分布不均,且伴有噪声甚至错误,从质量不高的出租车轨迹中构建出面向城市的可导航路网结构是一件有挑战性的任务。
业界基于GPS轨迹数据开展了大量路网构建方面的研究工作,但主要集中于路网骨架结构的提取,且大多要求高频率、高精度的轨迹数据输入。虽然一些学者引入置信点概念,或考虑交叉口影响范围内子轨迹,通过聚类等方法分析交叉口转向规则,但可导航路网构建技术的研究方面较为零碎。
发明内容
有鉴于此,考虑到交叉口的连接本质,其位置、拓扑及转向规则是构建可导航路网的基础与关键,本发明基于出租车轨迹数据,采用“交叉口位置->路段几何->导航属性”的技术策略,提供了一种交叉口引导的可导航路网构建方法,较为系统的实现了城市可导航路网的分而治之构建。
为了实现上述目的,本发明提供一种利用出租车轨迹制作城市可导航路网的交叉口引导方法,包括:
步骤1,交叉口位置探测,分析与挖掘出租车轨迹在矢栅空间关于交叉口的多模特征,设计道路交叉口的多元集成识别技术,然后基于随机森林方法的零标注监督式分类,实现待定交叉口的去伪留真;具体包括以下子步骤;
步骤1.1,基于密度提取结果:对出租车轨迹数据进行核密度分析,设定一定阈值K,提取轨迹点分布的高密度区域,然后进行密度峰值聚类提取交叉口;
步骤1.2,基于连接度提取结果:对上述提取的高密度区域进行形态学细化,基于交叉口连接特征,将8邻域内像素点个数大于2的像素点作为交叉口输出;
步骤1.3,基于转向提取结果:考虑轨迹点含有方向信息,可看作向量,如果轨迹点Pi相对于前一轨迹点Pi-1转角大于45度,则(Pi,Pi-1)为转向点向量对,对出租车轨迹进行处理,提取所有转向点向量对交点,然后进行核密度分析及密度峰值聚类进行交叉口探测;
步骤1.4,基于步骤1.1-1.3的识别结果,设计相应融合规则识别高置信交叉口,同时基于融合规则识别的真伪交叉口训练随机森林分类器,利用训练好的随机森林分类器对融合后不可避免的待定交叉口进行去伪留真;
步骤2,路段几何提取,综合轨迹点分布特征及道路几何特征,融合形态学细化结果,基于Delaunay三角网进行多阶段路段生成;
步骤3,导航属性分析,顾及出租车轨迹采样频率及城市路段的短连接特性,以“路段-交叉点-路段”形式,进行交叉口与路段的关联分析,计算路段到路段的转向模式,并进一步分析路段的单双向信息。
进一步的,步骤1.4中的融合规则中,除基于转向特征提取结果外,如果某位置R1范围内仅有一种方法探测到,则该位置为伪交叉口;由于栅格空间交叉口提取结果依赖于交叉口拓扑连接性,因此如果其他提取结果与其之间距离小于R1,则判定该交叉口为真,为顾及交叉口融合结果位置精度,输出结果依次以基于转向特征提取结果A,基于连接度提取结果B为基准;如果基于转向提取结果R1范围内仅有基于密度提取结果,则该提取结果为待定交叉口。
进一步的,步骤2的具体实现方式包括如下子步骤,
步骤2.1,基于步骤1提取的交叉口构建Delaunay三角网,迭代剔除两公共边角度大于135°的狭长三角形并将剩余三角形边作为候选路段集S;
步骤2.2,针对候选路段集S,如果三角网边与高密度区域重叠比例大于K2,则为真路段,记为T1,然后将形态学细化结果矢量化并化简,与路段集T1进行匹配,保留距离大于d的未匹配路段,并基于方向与距离将其延伸到相应交叉点,从而补充Delaunay三角网可能错过的真路段T2,其他与识别真路段集[T1,T2]夹角大于60度的三角网边记为T3;
步骤2.3,上述识别的路段集T1与T2可直接表达为该路段的几何中心线,而T3集合需进一步判断连接路段两交叉口间是否存在子轨迹,对于不存在子轨迹的连接路段进行删除,否则保留为真路段,并对识别真路段进行分段拟合:首先将路段的直连线段划分为M等份,然后对每一个分段,提取出局部密度极大点,最后将起点、极大点及终点依次连接,利用道格拉斯算法对形成的折线段进行简化,完成分段拟合。
进一步的,步骤3的具体实现方式包括如下子步骤,
步骤3.1,将转向与直行关系区分对待,基于起始点方向差异和终止点方向差异确定的相似性评价指标分别对交叉口转向点对及直行片段进行层次聚类,转向点对及直行片段相似性评价指标为:其中dis(θs1,θs2),dis(θe1,θe2)为转向点对或者直行片段起始点及终止点heading方向进行极坐标转换后的欧式距离,w1,w2为起始点方向差异和终止点方向差异影响权重,w1+w2=1;
步骤3.2,基于路段几何提取信息,进一步根据转弯或直行聚类簇起止方向确定交叉口的关联路段,分析路段之间转向关系进行路网转弯信息识别;
步骤3.3,根据交叉口识别的关联路段间转弯信息进一步推导路段单双向信息。
进一步的,步骤3.2的具体实现方式如下,
交叉口I识别某聚类簇关联路段为I1-I,I-I2,从I1-I路段,转到I-I2路段的转角α,进而确定路段转弯规则,当45°≤α≤135°,表示左转;-135°≤α≤-45°,表示右转,-45°<α<45°,表示直行,135°<α≤180°或-180°≤α<-135°,表示掉头。
进一步的,步骤3.3中,存在I2-I路段右转向I-I3路段,即存在轨迹由路段I2-I途径交叉口I至I-I3,进一步的如果存在路段途经交叉口I至I-I2,则路段I2-I为双向通行路段,否则为单向通行路段。
进一步的,步骤2.3中对T3集合进一步判断连接路段两交叉口间是否存在子轨迹的过程为,某条轨迹中一点Pi落在交叉口Ii影响范围Ri内,存在另一点Pj落在交叉口Ij影响范围Rj内,则表明轨迹段[Pi,Pj]为交叉口Ii和Ij之间的子轨迹。
与现有技术相比,本发明不仅有效解决了路网复杂及轨迹数据质量不高引起的路网生成质量问题,还较为系统的采用“交叉口位置->路段几何->导航属性”的技术策略,在交叉口信息的引导下,逐步生成路网的“骨架”与“血肉”,实现城市可导航路网的分而治之构建,大大降低了可导航路网构建的复杂度。
附图说明
图1为本发明实施例的流程图;
图2为本发明中转向点向量对交点计算示例;
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
步骤1,交叉口位置探测:分析与挖掘出租车轨迹在矢栅空间关于交叉口的多模特征,设计道路交叉口的多元集成识别技术,提出基于随机森林方法的零标注监督式分类,实现待定交叉口的去伪留真;
步骤2,路段几何提取:综合轨迹点分布特征及道路几何特征,融合形态学细化结果,基于Delaunay三角网进行多阶段路段生成;
步骤3,导航属性分析:顾及出租车轨迹采样频率及城市路段的短连接特性,以“路段-交叉点-路段”形式,进行交叉口与路段的关联分析,计算路段到路段的转向模式,并进一步分析路段的单双向信息。
在本申请中,所述交叉口位置探测步骤,包括:
步骤1.1,对出租车轨迹数据进行核密度分析,设定一定阈值K1,提取轨迹点分布的高密度区域(即核密度值大于K1的区域),然后进行密度峰值聚类提取交叉口;
步骤1.2,对上述提取的高密度区域进行形态学细化,基于交叉口连接特征,将8邻域内像素点个数大于2的像素点作为交叉口输出;
步骤1.3,考虑轨迹点含有方向信息,可看作向量,如图2所示,如果轨迹点Pi相对于前一轨迹点Pi-1转角大于45度,则(Pi,Pi-1)为转向点向量对,对出租车轨迹进行处理,提取所有转向点向量对交点,然后进行核密度分析及密度峰值聚类进行交叉口探测;
步骤1.4,基于上述密度特征,交叉口连接特征,转向特征识别结果,设计相应融合机制识别高置信交叉口;同时基于融合规则识别的真伪交叉口训练随机森林分类器,利用训练好的随机森林分类器对融合后不可避免的待定交叉口进行去伪留真。具体融合机制如表1,除基于转向特征提取结果外,如果某位置R1(默认75米)范围内仅有一种方法探测到,则该位置为伪交叉口;由于栅格空间交叉口提取结果依赖于交叉口拓扑连接性,因此如果其他提取结果与其之间距离小于R1,则判定该交叉口为真,为顾及交叉口融合结果位置精度,输出结果依次以基于转向特征提取结果A,基于连接度提取结果B为基准;如果基于转向特征提取结果R1范围内仅有基于密度特征提取结果,则该提取结果为待定交叉口。
表1交叉口融合规则
在本申请中,所述路段几何提取步骤,包括:
步骤2.1,基于上述提取交叉口构建Delaunay三角网,迭代剔除两公共边角度大于135°的狭长三角形并将剩余三角形边作为候选路段集S。
步骤2.2,如果三角网边与高密度区域重叠比例大于K2,则为真路段,记为T1,然后将形态学细化结果矢量化并化简,与路段集T1进行匹配,保留距离大于d的未匹配路段,并基于方向与距离将其延伸到相应交叉点,从而补充Delaunay三角网可能错过的真路段T2,其他与识别真路段集[T1,T2]夹角大于60度的三角网边记为T3。
步骤2.3,上述识别的路段集T1与T2可直接表达为该路段的几何中心线,而T3集合需进一步判断连接路段两交叉口间是否存在子轨迹,某条轨迹中一点Pi落在交叉口Ii影响范围Ri内,存在另一点Pj落在交叉口Ij影响范围Rj内,则表明轨迹段[Pi,Pj]为交叉口Ii和Ij之间的子轨迹段,对于不存在子轨迹的连接路段进行删除,否则保留为真路段,并对识别的真路段进行分段拟合:首先将路段的直连线段划分为M等份,然后对每一个分段,提取出局部密度极大点,最后将起点、极大点及终点依次连接,利用道格拉斯算法对形成的折线段进行简化,完成分段拟合。
在本申请中,所述导航属性分析步骤,包括:
步骤3.1,将转向与直行关系区分对待,基于起始点方向差异和终止点方向差异确定的相似性评价指标分别对交叉口转向点对及直行片段进行层次聚类。转向点对/直行片段相似性评价指标为:其中dis(θs1,θs2),dis(θe1,θe2)为转向点对/直行片段起始点及终止点heading方向进行极坐标转换后的欧式距离,w1,w2为起始点方向差异和终止点方向差异影响权重,w1+w2=1;
步骤3.2,基于路段几何提取信息,进一步根据转向/直行聚类簇起止方向确定交叉口的关联路段,如交叉口I识别某聚类簇关联路段为I1-I,I-I2,则可得到从I1-I路段,转到I-I2路段的转角α,进而可以确定路段转弯规则,如表2,当45°≤α≤135°,表示左转;-135°≤α≤-45°,表示右转,-45°<α<45°,表示直行,135°<α≤180°或-180°≤α<-135°,表示掉头。
表2转弯规则
步骤3.3,根据交叉口识别的关联路段间转弯信息进一步推导路段单双向信息。如I2-I路段右转向I-I3路段,即存在轨迹由路段I2-I途径交叉口I至I-I3,进一步的如果存在路段途经交叉口I至I-I2,则路段I2-I为双向通行路段,否则为单向通行路段。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种利用出租车轨迹制作城市可导航路网的交叉口引导方法,其特征在于,包括如下步骤:
步骤1,交叉口位置探测,分析与挖掘出租车轨迹在矢栅空间关于交叉口的多模特征,设计道路交叉口的多元集成识别技术,然后基于随机森林方法的零标注监督式分类,实现待定交叉口的去伪留真;具体包括以下子步骤;
步骤1.1,基于密度提取结果:对出租车轨迹数据进行核密度分析,设定一定阈值K,提取轨迹点分布的高密度区域,然后进行密度峰值聚类提取交叉口;
步骤1.2,基于连接度提取结果:对上述提取的高密度区域进行形态学细化,基于交叉口连接特征,将8邻域内像素点个数大于2的像素点作为交叉口输出;
步骤1.3,基于转向提取结果:考虑轨迹点含有方向信息,可看作向量,如果轨迹点Pi相对于前一轨迹点Pi-1转角大于45度,则(Pi,Pi-1)为转向点向量对,对出租车轨迹进行处理,提取所有转向点向量对交点,然后进行核密度分析及密度峰值聚类进行交叉口探测;
步骤1.4,基于步骤1.1-1.3的识别结果,设计相应融合规则识别高置信交叉口,同时基于融合规则识别的真伪交叉口训练随机森林分类器,利用训练好的随机森林分类器对融合后不可避免的待定交叉口进行去伪留真;
步骤2,路段几何提取,综合轨迹点分布特征及道路几何特征,融合形态学细化结果,基于Delaunay三角网进行多阶段路段生成;
步骤3,导航属性分析,顾及出租车轨迹采样频率及城市路段的短连接特性,以“路段-交叉点-路段”形式,进行交叉口与路段的关联分析,计算路段到路段的转向模式,并进一步分析路段的单双向信息;
步骤3的具体实现方式包括如下子步骤,
步骤3.1,将转向与直行关系区分对待,基于起始点方向差异和终止点方向差异确定的相似性评价指标分别对交叉口转向点对及直行片段进行层次聚类,转向点对及直行片段相似性评价指标为:其中dis(θs1,θs2),dis(θe1,θe2)为转向点对或者直行片段起始点及终止点heading方向进行极坐标转换后的欧式距离,w1,w2为起始点方向差异和终止点方向差异影响权重,w1+w2=1;
步骤3.2,基于路段几何提取信息,进一步根据转弯或直行聚类簇起止方向确定交叉口的关联路段,分析路段之间转向关系进行路网转弯信息识别;
步骤3.3,根据交叉口识别的关联路段间转弯信息进一步推导路段单双向信息。
2.根据权利要求1所述的一种利用出租车轨迹制作城市可导航路网的交叉口引导方法,其特征在于:步骤1.4中的融合规则中,除基于转向特征提取结果外,如果某位置R1范围内仅有一种方法探测到,则该位置为伪交叉口;由于栅格空间交叉口提取结果依赖于交叉口拓扑连接性,因此如果其他提取结果与其之间距离小于R1,则判定该交叉口为真,为顾及交叉口融合结果位置精度,输出结果依次以基于转向特征提取结果A,基于连接度提取结果B为基准;如果基于转向提取结果R1范围内仅有基于密度提取结果,则该提取结果为待定交叉口。
3.根据权利要求1所述的一种利用出租车轨迹制作城市可导航路网的交叉口引导方法,其特征在于:步骤2的具体实现方式包括如下子步骤,
步骤2.1,基于步骤1提取的交叉口构建Delaunay三角网,迭代剔除两公共边角度大于135°的狭长三角形并将剩余三角形边作为候选路段集S;
步骤2.2,针对候选路段集S,如果三角网边与高密度区域重叠比例大于K2,则为真路段,记为T1,然后将形态学细化结果矢量化并化简,与路段集T1进行匹配,保留距离大于d的未匹配路段,并基于方向与距离将其延伸到相应交叉点,从而补充Delaunay三角网可能错过的真路段T2,其他与识别真路段集[T1,T2]夹角大于60度的三角网边记为T3;
步骤2.3,上述识别的路段集T1与T2可直接表达为该路段的几何中心线,而T3集合需进一步判断连接路段两交叉口间是否存在子轨迹,对于不存在子轨迹的连接路段进行删除,否则保留为真路段,并对识别的真路段进行分段拟合:首先将路段的直连线段划分为M等份,然后对每一个分段,提取出局部密度极大点,最后将起点、极大点及终点依次连接,利用道格拉斯算法对形成的折线段进行简化,完成分段拟合。
4.根据权利要求1所述的一种利用出租车轨迹制作城市可导航路网的交叉口引导方法,其特征在于:步骤3.2的具体实现方式如下,
交叉口I识别某聚类簇关联路段为I1-I,I-I2,从I1-I路段,转到I-I2路段的转角α,进而确定路段转弯规则,当45°≤α≤135°,表示左转;-135°≤α≤-45°,表示右转,-45°<α<45°,表示直行,135°<α≤180°或-180°≤α<-135°,表示掉头。
5.根据权利要求4所述的一种利用出租车轨迹制作城市可导航路网的交叉口引导方法,其特征在于:步骤3.3中,存在I2-I路段右转向I-I3路段,即存在轨迹由路段I2-I途径交叉口I至I-I3,进一步的如果存在路段途经交叉口I至I-I2,则路段I2-I为双向通行路段,否则为单向通行路段。
6.根据权利要求3所述的一种利用出租车轨迹制作城市可导航路网的交叉口引导方法,其特征在于:步骤2.3中对T3集合进一步判断连接路段两交叉口间是否存在子轨迹的过程为,某条轨迹中一点Pi落在交叉口Ii影响范围Ri内,存在另一点Pj落在交叉口Ij影响范围Rj内,则表明轨迹段[Pi,Pj]为交叉口Ii和Ij之间的子轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011126027.7A CN112364890B (zh) | 2020-10-20 | 2020-10-20 | 利用出租车轨迹制作城市可导航路网的交叉口引导方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011126027.7A CN112364890B (zh) | 2020-10-20 | 2020-10-20 | 利用出租车轨迹制作城市可导航路网的交叉口引导方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112364890A CN112364890A (zh) | 2021-02-12 |
CN112364890B true CN112364890B (zh) | 2022-05-03 |
Family
ID=74508038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011126027.7A Active CN112364890B (zh) | 2020-10-20 | 2020-10-20 | 利用出租车轨迹制作城市可导航路网的交叉口引导方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364890B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113375685B (zh) * | 2021-03-31 | 2022-09-30 | 福建工程学院 | 基于子轨迹相交的城市路口中心识别及路口转弯规则提取方法 |
CN116543310B (zh) * | 2023-06-30 | 2023-10-31 | 眉山环天智慧科技有限公司 | 一种基于Voronoi图和核密度的道路线提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105788274A (zh) * | 2016-05-18 | 2016-07-20 | 武汉大学 | 基于时空轨迹大数据的城市交叉口车道级结构提取方法 |
CN106778605A (zh) * | 2016-12-14 | 2017-05-31 | 武汉大学 | 导航数据辅助下的遥感影像道路网自动提取方法 |
CN107170236A (zh) * | 2017-06-14 | 2017-09-15 | 中山大学 | 一种基于浮动车数据的路网重要交叉口提取方法 |
CN108763558A (zh) * | 2018-05-25 | 2018-11-06 | 武汉大学 | 一种基于地图匹配的众包地图道路质量改进方法 |
CN109544912A (zh) * | 2018-11-07 | 2019-03-29 | 北京城市系统工程研究中心 | 一种基于多源数据融合的城市路网积水状态预测方法 |
CN110909788A (zh) * | 2019-11-19 | 2020-03-24 | 湖南博通信息股份有限公司 | 一种基于统计聚类的轨迹数据中道路交叉口位置识别方法 |
DE102019115059A1 (de) * | 2018-11-09 | 2020-05-14 | GM Global Technology Operations LLC | System zum ableiten eines autonomen fahrzeugs, das eine fahrbare karte ermöglicht |
-
2020
- 2020-10-20 CN CN202011126027.7A patent/CN112364890B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105788274A (zh) * | 2016-05-18 | 2016-07-20 | 武汉大学 | 基于时空轨迹大数据的城市交叉口车道级结构提取方法 |
CN106778605A (zh) * | 2016-12-14 | 2017-05-31 | 武汉大学 | 导航数据辅助下的遥感影像道路网自动提取方法 |
CN107170236A (zh) * | 2017-06-14 | 2017-09-15 | 中山大学 | 一种基于浮动车数据的路网重要交叉口提取方法 |
CN108763558A (zh) * | 2018-05-25 | 2018-11-06 | 武汉大学 | 一种基于地图匹配的众包地图道路质量改进方法 |
CN109544912A (zh) * | 2018-11-07 | 2019-03-29 | 北京城市系统工程研究中心 | 一种基于多源数据融合的城市路网积水状态预测方法 |
DE102019115059A1 (de) * | 2018-11-09 | 2020-05-14 | GM Global Technology Operations LLC | System zum ableiten eines autonomen fahrzeugs, das eine fahrbare karte ermöglicht |
CN110909788A (zh) * | 2019-11-19 | 2020-03-24 | 湖南博通信息股份有限公司 | 一种基于统计聚类的轨迹数据中道路交叉口位置识别方法 |
Non-Patent Citations (5)
Title |
---|
Detecting vehicle traffic patterns in urban environments using taxi trajectory intersection points;Andreas Keler 等;《Geo-spatial Information Science》;20171122;第20卷;全文 * |
Traffic congestion analysis at the turn level using Taxis" GPS trajectory data;ZihanKan 等;《Computers, Environment and Urban Systems》;20181201;第74卷;全文 * |
基于低频出租车轨迹的城市路网交叉口提取研究;李思宇 等;《地球信息科学》;20191231;第21卷(第12期);全文 * |
基于车载GPS轨迹的立体交叉口空间结构信息获取方法;唐炉亮 等;《交通运输工程学报》;20191031;第19卷(第5期);全文 * |
粗精匹配结合的矢量道路辅助惯性导航算法;李翔 等;《测绘学报》;20170831;第46卷(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112364890A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105788273B (zh) | 基于低精度时空轨迹数据的城市交叉口自动识别的方法 | |
EP3633615A1 (en) | Deep learning network and average drift-based automatic vessel tracking method and system | |
Chen et al. | City-scale map creation and updating using GPS collections | |
CN105788274B (zh) | 基于时空轨迹大数据的城市交叉口车道级结构提取方法 | |
Wu et al. | Automatic road extraction from high-resolution remote sensing images using a method based on densely connected spatial feature-enhanced pyramid | |
CN112364890B (zh) | 利用出租车轨迹制作城市可导航路网的交叉口引导方法 | |
CN110389995B (zh) | 车道信息检测方法、装置、设备和介质 | |
CN108898605A (zh) | 一种基于图的栅格地图分割方法 | |
CN102183259B (zh) | 基于电子地图道路特征识别的导航方法 | |
CN111291790B (zh) | 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方法 | |
Yang et al. | An ensemble Wasserstein generative adversarial network method for road extraction from high resolution remote sensing images in rural areas | |
Chen et al. | PSF-LO: Parameterized semantic features based LiDAR odometry | |
CN115131669A (zh) | 多源数据协同的人车路网一体化构建方法 | |
CN113932821A (zh) | 基于连续窗口平均方向特征的轨迹地图匹配方法 | |
Zhang et al. | Automated detecting and placing road objects from street-level images | |
Fu et al. | Density adaptive approach for generating road network from GPS trajectories | |
Fu et al. | Road centreline extraction of high-resolution remote sensing image with improved beamlet transform and K-means clustering | |
Lu et al. | A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment | |
Tian et al. | RSG-GCN: Predicting Semantic Relationships in Urban Traffic Scene With Map Geometric Prior | |
Gao et al. | An automatic verification method for vehicle line-pressing violation based on CNN and geometric projection | |
Qing et al. | Using feature interaction among GPS Data for road intersection detection | |
CN115546167A (zh) | 一种基于拓扑连接性的深度学习道路提取结果优化方法 | |
Cui et al. | Homography‐based traffic sign localisation and pose estimation from image sequence | |
Li et al. | VIS-MM: a novel map-matching algorithm with semantic fusion from vehicle-borne images | |
Zou et al. | Inertia mutation energy model to extract roads by crowdsourcing trajectories |
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 |