CN112667758A - 一种兴趣点聚合方法、地图聚合显示方法及处理终端 - Google Patents

Abstract

本发明涉及一种兴趣点聚合方法、地图聚合显示方法及处理终端，所述聚合方法包括：步骤1：获得原始的兴趣点数据，将兴趣点存储到各个节点中；步骤2：以原始的根节点作为当前节点，找到最近节点，判断最近节点到视点位置E的距离与预设距离大小，进行聚合处理或执行步骤3；步骤3：判断当前节点是否有兄弟节点，若有，执行步骤4，否则执行步骤5；步骤4：从兄弟节点作为根节点的子树中找出最近节点，并判断与预设距离大小，进行聚合处理或执行步骤5；步骤5：找到当前节点的父节点，若父节点非根节点，则执行上述相同处理，否则结束处理。本发明能够根据兴趣点的自然分布和视点的观察角度和距离进行动态调整聚合结果，处理速度快。

Description

一种兴趣点聚合方法、地图聚合显示方法及处理终端

技术领域

本发明涉及兴趣点聚合技术领域，具体涉及一种兴趣点聚合方法、地图聚合显示方法及处理终端。

背景技术

兴趣点(也称之为POI或标注点)聚合应用广泛，典型的如将兴趣点在地图中聚合显示，当兴趣点非常多时，很难全部完整显示兴趣点，若强行将所有兴趣点显示，则画面会非常杂乱。而兴趣点聚合显示可以根据各兴趣点的位置分布将相近的兴趣点合并在一起显示并展示统计信息。当然，兴趣点也可以应用在其他领域，例如应用在新闻信息处理中，将某些相近新闻聚合显示在一起，不相近的新闻分别完整显示。

但目前的聚合方法大多数是针对二维地图设计的，很难直接应用到带有建筑模型的三维地图和带高度信息的三维兴趣点。特别是当三维地图中的虚拟相机以任意视角观察海量POI(Point of Interest)时，现有的聚合算法均无法合理计算聚合层级，从而导致聚合失败。

发明内容

针对现有技术的不足，本发明的目的之一提供一种兴趣点聚合方法，其能够解决兴趣点聚合的问题；

本发明的目的之二提供基于兴趣点的地图聚合显示方法，其能够解决兴趣点聚合的问题；

本发明的目的之三提供一种处理终端，其能够解兴趣点聚合的问题。

实现本发明的目的之一的技术方案为：一种兴趣点聚合方法，包括如下步骤：

步骤1：获得原始的兴趣点数据，将兴趣点按兴趣点的某一属性维度存储在KDTree的各个叶节点中，得到改进后的KDTree；

步骤2：将改进后的KDTree中原始的根节点作为当前节点，找到当前节点所在的子树中距离视点位置E最近的叶节点，最近的叶节点记为节点N，若最近的节点N到视点位置E的距离D_NE≥D_min，则进行聚合处理，聚合处理得到的结果为第二集合，否则，首先将节点N放入第一集合中，然后继续执行步骤3，D_min为预设的最小的不聚合距离；

步骤3：判断节点N是否有兄弟节点，若有，则执行步骤4，若否，则执行步骤5，其中，节点N的兄弟节点记为Nbrother；

步骤4：从兄弟节点Nbrother作为根节点所在的子树中找出距离视点位置E最近的叶节点NN，若叶节点NN到视点位置E的距离D_NN,E≥D_min，则进行所述聚合处理，反之，将叶节点NN放入所述第一集合中，然后，将叶节点NN作为当前节点并跳转至步骤5进行处理；

步骤5：找到当前节点的父节点N_父，判断当前的父节点N_父是否为原始的根节点Nroot，若是，则结束处理，

若不是，则判断节点N_父到视点位置E的距离

与D_min大小关系，若

则进行所述聚合处理；若

则将节点N_父放入第一集合中，并将父节点N_父作为当前节点，跳转步骤3继续处理，直至处理的当前节点为原始的根节点，从而得到最终的第一集合和第二集合，第二集合包括至少一个子集合，完成兴趣点聚合。

进一步地，所述兴趣点包括表征兴趣点位置的坐标，坐标为三维坐标，所述属性维度为三维坐标的(x,y,z)任一维度坐标，将各个兴趣点按任一维度坐标的平均数存储在KDTree的各个节点，得到所述改进后的KDTree。

进一步地，所述聚合处理包括，

对符合预设条件的当前节点，则对当前节点为根节点的所在子树聚合成一个聚合集合a；反之，则对当前节点为根节点的所在子树拆成多个聚合集合，多个聚合集合记为聚合集合b，聚合集合a和聚合集合b构成所述第二集合的子集合。

进一步地，所述预设条件为：以正在处理的当前节点为根节点的所在子树的所有节点构成的包围盒，若包围盒的斜对角线距离Di＜预设阈值，则当前节点符合预设条件，反之，则当前节点不符合预设条件。

进一步地，将当前节点为根节点的所在子树拆成多个聚合集合具体包括，

若当前节点的左子树为和右子树均为空，则直接结束处理，得到的聚合集合为空集合，

若当前节点的只有左子树不为空，则以当前节点的左子树作为一个聚合集合，该聚合集合作为所述聚合集合b，

若当前节点的只有右子树不为空，则以当前节点的右子树作为一个聚合集合，该聚合集合作为所述聚合集合b，

若当前节点N的左子树和右子树均不为空，则将左子树和右子树分别对应一个聚合集合，得到两个聚合集合作为所述聚合集合b。

进一步地，所述预设阈值为D(N,E)*tan(β)，D(N,E)表示当前节点N到视点位置E的距离，β为常数。

进一步地，所述β＝15°。

实现本发明的目的之二的技术方案为：一种基于兴趣点的地图聚合显示方法，包括根据所述兴趣点聚合方法得到的聚合结果，其中，视点位置E表示地图中相机位置，

聚合结果包括第一聚合集合和第二聚合集合，第一聚合集合表征所有兴趣点在不聚合距离之内，第二聚合集合表征所有兴趣点均在不聚合距离之外，将第一聚合集合的各个兴趣点分别显示，第二聚合集合的各个兴趣点按对应的子聚合集合在相应位置进行聚合显示。

进一步地，β为视场角的若干倍。

实现本发明的目的之三的技术方案为：一种处理终端，其特征在于，其包括：

存储器，用于存储程序指令；

处理器，用于运行所述程序指令，以执行所述的兴趣点聚合方法的步骤。

本发明的有益效果为：本发明能够实现三维坐标下的兴趣点的动态聚合，无需预先处理任何点位信息，可以根据兴趣点的自然分布和视点的观察角度和距离进行动态调整聚合结果；计算速度快，可在1秒以内完成对上万个兴趣点的聚合计算。同时，可以设置指定近距离不聚合的定制化，可根据场景规模调整该参数，使用更加灵活，还能够支持向更高维度扩展。

附图说明

图1为KDTree结构示意图；

图2为例举的另一个KDTree的结构示意图；

图3为较佳实施例的流程示意图；

图4为处理终端的示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

在介绍本申请的具体实现方案之前，先简单介绍KDTree，以便于理解本申请。如图1所示，KDTree是一个二叉树结构，即每一个节点最多只有两个子树，它是一个递归定义的树结构，每一个节点和该节点下的子节点构成一个子树。例如，图中三个方框分别对应三棵KDTree子树，一个节点也可以成为一个子树。最完整的KDTree是指包括所有节点构成的二叉树，每一个子树有唯一的一个根节点，其中，最完整的KDTree的根节点可以记为Nroot，该根节点也称之为原始的根节点。同样的，对当前选定的任何一个子树都有唯一的一个根节点。根节点也即是没有父节点的节点，即是最顶部节点，中间的节点称之为枝节点，末端的节点称之为叶节点，同一个父节点的两个叶节点互为兄弟节点，例如，图1中右侧最下方的两个叶节点互为兄弟节点，根节点和枝节点也称之为组节点，因此，组节点包括根节点和枝节点。

如图2和图3所示，一种兴趣点聚合方法，包括如下步骤：

步骤1：获得原始的兴趣点数据，兴趣点数据包括表征兴趣点位置的坐标，坐标为三维坐标，即包括(x,y,z)坐标。将各个兴趣点按坐标中的任一维度(例如按x坐标维度)计算平均数，平均数保存在KDTree的各个组节点，而兴趣点保存在各个叶节点中，从而建立基于坐标平均数的KDTree树数据结构，也即得到改进后的KDTree。

例如，获得原始的兴趣点数据包括10个兴趣点(a,b,c,d,e,f,g,h,i,j)，对应的坐标依次分别为(1,y1,z1)、(2,y2,z2)、(3,y3,z3)、(4,y4,z4)、(5,y5,z5)、(6,y6,z6)、(7,y7,z7)、(8,y8,z8)、(9,y9,z9)、(10,y10,z10)。将10个兴趣点按x坐标维度计算维度，得到10个兴趣点在x坐标维度的平均数是5.5，因此，将平均数5.5作为原始根节点，而将x坐标小于等于5.5的5个兴趣点统一归到根节点为5.5的左子树，大于5.5的5个兴趣点统一归到根节点为5.5的右子树。然后，继续分别计算左子树的5个兴趣点在x坐标维度下的平均数、右子树的5个兴趣点在x坐标维度下的平均数，得到的两个平均数分别为当前左子树的根节点和右子树根节点，依次类推，直至将所有兴趣点均计算完成，从而完成所有兴趣点存放在叶节点中，得到改进后的KDTree。

在本步骤中，现有的传统的KDTree的各节点保存当前所有兴趣点的中位数，因此本申请，相当于使用平均数代替中位数，以使得兴趣点数据分布效果更好，以实现基于平均数的树数据结构的建立。基于平均数得到的位置更加准确，更靠近中心位置，将聚合结果放在平均数的位置上可以使人更准确的估计出兴趣点的分布，而中位数就容易出现偏差，也即可以使得最终聚合结果更符合人观测到的聚合显示结果。

步骤2：从改进后的KDTree中以原始的根节点Nroot所在的子树中，找出距离视点位置E最近的叶节点N，视点位置E表示地图中相机位置。若找出的叶节点N到视点位置E的距离D_NE≥D_min，则进行聚合处理，否则，首先将叶节点N放入第一集合中，然后继续执行步骤3。其中，D_min为预设的最小的不聚合距离，也即表示某个兴趣点到视点位置E的距离若小于D_min，则该兴趣点不需要进行聚合处理后再聚合显示，而是直接单独显示该兴趣点。反之，若大于等于D_min，则该兴趣点需要进行聚合处理，根据聚合结果在相应位置进行显示对应的兴趣点。D_min的大小可与根据实际情况进行设置，例如，将D_min设置为100米，在距离视点位置E距离100米之内的所有兴趣点均完整的显示出来，不进行聚合，从而不以聚合效果显示。而超过100米之外的所有兴趣点均进行聚合后在相应位置合并显示，也即进行聚合显示。

其中，所述聚合处理具体包括，

以当前正在处理的当前节点(例如叶节点N)为根节点的所在子树的所有节点构成的包围盒，若包围盒的斜对角线距离Di＜预设阈值，则需要对当前节点(例如叶节点N)为根节点的所在子树进行聚合成一个聚合集合，也即表示当前节点N作为根节点所在的子树的所有节点均在当前视野中，则将这些所有节点均放在同一个聚合集合中进行显示。反之，也即Di≥预设阈值，则对当前节点(例如叶节点N)为根节点的所在子树拆成多个聚合集合，每一个聚合集合在对应位置显示。预设阈值为D(N,E)*tan(β)，其中，D(N,E)表示当前节点N到视点位置E的距离，β为常数，β优选为15°，这是因为常用视场角为30度，选用视场角的一半，效果更好，当然可以根据实际显示效果需要对β数值进行调整。

其中，将当前节点N为根节点的所在子树拆成多个聚合集合具体包括，

若当前节点N的左子树为和右子树均为空，也即当前节点N没有子节点，则直接结束处理，也即聚合集合为空集合。若当前节点N的只有左子树不为空(即左子树不为空、右子树为空)，则以当前节点N的左子树作为一个聚合集合。若当前节点N的只有右子树不为空(即左子树为空、右子树不为空)，则以当前节点N的右子树作为一个聚合集合。若当前节点N的左子树和右子树均不为空，则将左子树和右子树分别对应一个聚合集合，即左子树的所有节点构成一个聚合集合，右子树的所有节点构成一个聚合集合。

步骤3：最近的叶节点N到视点位置E的距离D_NE＜D_min，不代表其余节点到视点位置E的距离也小于D_min，因此，还需要继续找出剩余的叶节点是否处于D_min之内。

将找出的叶节点N作为当前节点，并判断当前节点是否有兄弟节点，若有，则执行步骤4，若否，则执行步骤5。也即叶节点N存在兄弟节点，则执行步骤4，叶节点N不存在兄弟节点，则执行步骤5。叶节点N的兄弟节点可以记为叶节点Nbrother。

步骤4：从兄弟节点Nbrother作为根节点所在的子树中找出距离视点位置E最近的叶节点NN。若叶节点NN到视点位置E的距离≥D_min，则进行所述聚合处理。反之，若叶节点NN到视点位置E的距离＜D_min，将叶节点NN放入第一集合中，由于KDTree为二叉树结构，并且叶节点NN的兄弟节点已经处理过，所以将叶节点NN作为当前节点并跳转至步骤5进行处理。

步骤5：找到当前节点(叶节点N)的父节点N_父，判断当前的父节点N_父是否为原始的根节点Nroot，若是，则结束处理。若不是，则判断节点N_父到视点位置E的距离

与D_min大小关系，若

则进行所述聚合处理；若

则将节点N_父放入第一集合中，并将当前的父节点N_父作为当前节点，则重新回到步骤3继续处理，直至处理的当前节点为根节点。

以下例举一个示例，以便于更好例举上述步骤。如图2所示，其是一个将兴趣点已存放在各个节点上的改进后的KDTree，其根节点为Nroot。并假设D_min为100个单位长度，例如为100米，也即到视点位置E距离大于等于100，则需要进行聚合，在100范围内的兴趣点则不需要进行聚合，直接进行显示。

步骤1：从根节点Nroot所在的子树(也即是最大的一颗树)找出到视点位置E距离最近的叶节点,并假设到视点位置E距离最近的叶节点为节点c。判断节点C到视点位置E的距离D_cE与D_min大小关系，若D_cE≥D_min，则进行聚合处理，反之，则执行步骤2。

其中，聚合处理包括，

以根节点Nroot作为当前节点，判断Nroot为根节点所在的子树是否需要合并成一个聚合集合还是需要拆分成多个聚合集合。若Nroot为根节点所在的子树的所有节点(即根节点Nroot和节点a-节点j，共11个节点)构成的包围盒的斜对角线距离Di＜预设阈值，则将Nroot为根节点所在的子树的所有节点合并成一个聚合集合在相应位置进行聚合显示。反之，若Di≥预设阈值，则判断根节点Nroot的左子树和右子树情况，由于左子树和右子树均非空，因此，继续分别对左子树和右子树进行同样的聚合处理。将左子树和右子树各自的根节点作为当前节点，继续判断以当前节点所在的自身是否需要合并成一个聚合集合还是需要拆分成多个聚合集合，不断进行递归处理，直至处理至叶节点，由于叶节点构成的Di必然小于预设阈值，因此，处理到叶节点不需要再进行处理。左子树所在的的所有叶节点构成第二集合的一个子集合，右子树的所有叶节点构成第二集合的另一个子集合。也即，节点(i,j)构成一个聚合集合进行聚合显示，节点(c,d,f,g)构成另一个聚合集合进行聚合显示。其中，预设阈值可以根据实际情况进行调整选择，例如，预设阈值为D(c,E)*tan(15°)。

其中，所述包围盒是指轴对齐包围盒(英文亦称为AABB)，其具体构建方法及计算包围盒的斜对角线距离为现有技术，在此仅做简略解释，以便于理解，不进行详细具体的赘述。以图2中的节点b为根节点所在的子树构成的包围盒为例，需要取出根节点b所在子树的所有叶节点(节点d和节点c)的兴趣点坐标，并比较出X、Y、Z每个坐标维度上的最大值和最小值，构成两个坐标点：最小点(Xmin，Ymin，Zmin)和最大点(Xmax，Ymax，Zmax)。这两个点就可以在三维空间中确定一个矩形盒子区域，这个盒子就是所述包围盒，顾名思义，它把参与计算的坐标点都包围住了，这两个最大最小点之间的距离就是包围盒的斜对角线距离。特别地，对于单独一个的叶节点来求包围盒的话，最大点和最小点都是其本身，所以其包围盒的斜对角线距离大小为0。

步骤2：由于根节点Nroot所在的子树中最近的叶节点c到视点位置E最近的距离小于100(D_min)，但不代表其余节点到视点位置E的距离也小于100，因此，首先将叶节点c放入第一集合中，然后，还需要找出剩下的叶节点是否处于D_min范围之内，也即执行步骤3。

步骤3：判断当前节点c是否有兄弟节点，节点c存在兄弟节点d，因此，将兄弟节点d作为新的当前节点。接着，同样地，判断节点d到视点位置E的距离D_dE与D_min大小，若D_dE≥D_min，则以节点d作为根节点所在的子树进行所述聚合处理，得到第二集合，第二集合包括子集合。由于节点d没有子节点，也即没有左子树和右子树，因此得到的聚合集合是节点d。若D_dE＜D_min，则将节点d放入第一集合中，然后，以节点d作为当前节点，寻找当前节点d的父节点，找到当前节点d的父节点b。将父节点b作为新的当前节点,继续相同处理，也即判断当前节点b到视点位置E的距离与D_min大小，得到对应结果。依次类推，不断进行同样的处理，直至新的当前节点为根节点Nroot，则结束处理，从而将所有节点归集到第一集合或第二集合中，第二集合包括两个子集合，分别对应根据左子树和右子树对应得到的节点构成的集合。

本发明能够实现三维坐标下的兴趣点的动态聚合，无需预先处理任何点位信息，可以根据兴趣点的自然分布和视点的观察角度和距离进行动态调整聚合结果；计算速度快，可在1秒以内完成对上万个兴趣点的聚合计算。同时，可以设置指定近距离不聚合的定制化，可根据场景规模调整该参数，使用更加灵活，还能够支持向更高维度扩展。

如图4所示，本发明还提供一种处理终端100，其包括：

存储器101，用于存储程序指令；

处理器102，用于运行所述程序指令，以执行所述兴趣点聚合方法的步骤。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种兴趣点聚合方法，其特征在于，包括如下步骤：

步骤1：获得原始的兴趣点数据，将兴趣点按兴趣点的某一属性维度存储在KDTree的各个叶节点中，得到改进后的KDTree；

步骤2：将改进后的KDTree中原始的根节点作为当前节点，找到当前节点所在的子树中距离视点位置E最近的叶节点，最近的叶节点记为节点N，若最近的节点N到视点位置E的距离D_NE≥D_min，则进行聚合处理，聚合处理得到的结果为第二集合，否则，首先将节点N放入第一集合中，然后继续执行步骤3，D_min为预设的最小的不聚合距离；

步骤3：判断节点N是否有兄弟节点，若有，则执行步骤4，若否，则执行步骤5，其中，节点N的兄弟节点记为Nbrother；

步骤4：从兄弟节点Nbrother作为根节点所在的子树中找出距离视点位置E最近的叶节点NN，若叶节点NN到视点位置E的距离D_NN,E≥D_min，则进行所述聚合处理，反之，将叶节点NN放入所述第一集合中，然后，将叶节点NN作为当前节点并跳转至步骤5进行处理；

步骤5：找到当前节点的父节点N_父，判断当前的父节点N_父是否为原始的根节点Nroot，若是，则结束处理，

若不是，则判断节点N_父到视点位置E的距离

与D_min大小关系，若

则进行所述聚合处理；若

则将节点N_父放入第一集合中，并将父节点N_父作为当前节点，跳转步骤3继续处理，直至处理的当前节点为原始的根节点，从而得到最终的第一集合和第二集合，第二集合包括至少一个子集合，完成兴趣点聚合。

2.根据权利要求1所述的兴趣点聚合方法，其特征在于，所述兴趣点包括表征兴趣点位置的坐标，坐标为三维坐标，所述属性维度为三维坐标的(x,y,z)任一维度坐标，将各个兴趣点按任一维度坐标的平均数存储在KDTree的各个节点，得到所述改进后的KDTree。

3.根据权利要求1所述的兴趣点聚合方法，其特征在于，所述聚合处理包括，

对符合预设条件的当前节点，则对当前节点为根节点的所在子树聚合成一个聚合集合a；反之，则对当前节点为根节点的所在子树拆成多个聚合集合，多个聚合集合记为聚合集合b，聚合集合a和聚合集合b构成所述第二集合的子集合。

4.根据权利要求3所述的兴趣点聚合方法，其特征在于，所述预设条件为：以正在处理的当前节点为根节点的所在子树的所有节点构成的包围盒，若包围盒的斜对角线距离Di＜预设阈值，则当前节点符合预设条件，反之，则当前节点不符合预设条件。

5.根据权利要求3所述的兴趣点聚合方法，其特征在于，将当前节点为根节点的所在子树拆成多个聚合集合具体包括，

若当前节点的左子树为和右子树均为空，则直接结束处理，得到的聚合集合为空集合，

若当前节点的只有左子树不为空，则以当前节点的左子树作为一个聚合集合，该聚合集合作为所述聚合集合b，

若当前节点的只有右子树不为空，则以当前节点的右子树作为一个聚合集合，该聚合集合作为所述聚合集合b，

若当前节点N的左子树和右子树均不为空，则将左子树和右子树分别对应一个聚合集合，得到两个聚合集合作为所述聚合集合b。

6.根据权利要求1所述的兴趣点聚合方法，其特征在于，所述预设阈值为D(N,E)*tan(β)，D(N,E)表示当前节点N到视点位置E的距离，β为常数。

7.根据权利要求6所述的兴趣点聚合方法，其特征在于，所述β＝15°。

8.一种基于兴趣点的地图聚合显示方法，其特征在于，包括根据如权利要求1-7任一项所述兴趣点聚合方法得到的聚合结果，其中，视点位置E表示地图中相机位置，

聚合结果包括第一聚合集合和第二聚合集合，第一聚合集合表征所有兴趣点在不聚合距离之内，第二聚合集合表征所有兴趣点均在不聚合距离之外，将第一聚合集合的各个兴趣点分别显示，第二聚合集合的各个兴趣点按对应的子聚合集合在相应位置进行聚合显示。

9.根据权利要求8所述的基于兴趣点的地图聚合显示方法，β为视场角的若干倍。

10.一种处理终端，其特征在于，其包括：

存储器，用于存储程序指令；

处理器，用于运行所述程序指令，以执行如权利要求1-7任一项所述的兴趣点聚合方法的步骤。

Images