CN112732860B - 道路提取方法、装置、可读存储介质及设备 - Google Patents
道路提取方法、装置、可读存储介质及设备 Download PDFInfo
- Publication number
- CN112732860B CN112732860B CN202110104935.4A CN202110104935A CN112732860B CN 112732860 B CN112732860 B CN 112732860B CN 202110104935 A CN202110104935 A CN 202110104935A CN 112732860 B CN112732860 B CN 112732860B
- Authority
- CN
- China
- Prior art keywords
- track
- road extraction
- image block
- pixel
- points
- 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
- 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
- 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
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供一种道路提取方法、装置、可读存储介质及设备,获取记载有若干条轨迹数据的轨迹点图幅;将轨迹点图幅划分为多个图像块,每个图像块划分为多个像元;根据若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量;对于每一个图像块,利用预先训练好的道路提取模型对该图像块进行处理,得到该图像块对应的道路提取结果;将各个图像块对应的道路提取结果进行拼接,得到轨迹点图幅对应的道路提取结果。提高了道路提取精度。为时空大数据在互联网地图、交通规则、公共安全等行业的落地应用提供新的技术方案。
Description
技术领域
本申请涉及信息处理技术领域,具体涉及一种道路提取方法、装置、可读存储介质及设备。
背景技术
智能交通系统、城市规划系统、灾害应急响应等重要地理信息应用都依赖于准确及时的道路网络信息。因此,数字道路的快速、准确获得与及时更新变得尤为重要。
目前,道路提取算法主要依赖于遥感影像数据,而且,基于遥感影像的道路提取算法已经能取得良好的道路提取效果。但是,受限于遥感影像的获取周期,无法实现周级、天级乃至小时级的更新。此外,树木、建筑物、云层的遮挡也会较大程度影响道路网络提取的完整性。
随着大数据时代的到来,移动互联网的发展与移动终端的普及产生了大量具有时空标记、能够描述个体行为的时空大数据,如手机数据、出租车数据、社交媒体数据等,这使得实时感知道路网络上车流和人流变化成为可能,从而为基于位置感知大数据的道路网络提取提供了可能。
现有的基于位置感知大数据提取道路的研究较少,主要是将轨迹矢量数据栅格化后,采用遥感图像滤波方法进行路网主干道路提取,或者使用形态学算子(如膨胀和腐蚀算子)提取道路中心线,但这些方法都无法实现高精度的道路提取。
因此,如何提高道路提取的精度成为亟待解决的技术问题。
发明内容
有鉴于此,本申请实施例提供一种道路提取方法、装置、可读存储介质及设备,以提高道路提取的精度。
为实现上述目的,本申请实施例提供如下技术方案:
一方面,提供一种道路提取方法,包括:
获取轨迹点图幅,所述轨迹点图幅中记载有若干条轨迹数据;
将所述轨迹点图幅划分为多个图像块,每个图像块划分为多个像元;
根据所述若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量;
对于每一个图像块,利用预先训练好的道路提取模型对该图像块进行处理,得到该图像块对应的道路提取结果;
将各个图像块对应的道路提取结果进行拼接,得到所述轨迹点图幅对应的道路提取结果。
第二方面,提供一种道路提取装置,包括:
图幅获取模块,用于获取轨迹点图幅,所述轨迹点图幅中记载有若干条轨迹数据;
划分模块,用于将所述轨迹点图幅划分为多个图像块,每个图像块划分为多个像元;
特征获取模块,用于根据所述若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量;
提取模块,用于对于每一个图像块,利用预先训练好的道路提取模型对该图像块进行处理,得到该图像块对应的道路提取结果;
拼接模块,用于将各个图像块对应的道路提取结果进行拼接,得到所述轨迹点图幅对应的道路提取结果。
第三方面,提供一种道路提取设备,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,实现如上所述的道路提取方法的各个步骤。
第四方面,提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上所述的道路提取方法的各个步骤。
本申请实施例提供的道路提取方法、装置、可读存储介质及设备,获取记载有若干条轨迹数据的轨迹点图幅;将轨迹点图幅划分为多个图像块,每个图像块划分为多个像元;根据若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量;对于每一个图像块,利用预先训练好的道路提取模型对该图像块进行处理,得到该图像块对应的道路提取结果;将各个图像块对应的道路提取结果进行拼接,得到轨迹点图幅对应的道路提取结果。本申请中,将轨迹点图幅转化为多个图像块,每个图像块中的像元的值为像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量,通过预先训练好的道路提取模型对各个图像块进行道路提取,将各个图像块对应的道路提取结果进行拼接,得到轨迹点图幅对应的道路提取结果,由于在道路提取过程中使用了轨迹点的多个维度的信息(轨迹点数量,速度矢量),且结合了道路提取模型,从而提高了道路提取精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1a为本申请实施例提供的道路提取设备的硬件结构框图;
图1b为本申请实施例提供的道路提取方法的一种实现流程图;
图2为本申请实施例提供的对轨迹数据进行插值的一种实现流程图;
图3为本申请实施例提供的对轨迹数据进行插值的一种原理图;
图4为本申请实施例提供的根据若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的平均速度矢量的另一种实现流程图;
图5为本申请实施例提供的对于每一个图像块,利用预先训练好的道路提取模型对该图像块进行处理,得到该图像块对应的道路提取结果的一种实现流程图;
图6a为本申请实施例提供的输入道路提取模型的图像块;
图6b为本申请实施例提供的基于传统的图像处理方法得到的道路提取结果;
图6c为本申请实施例提供的基于本申请的图像处理方法得到的道路提取结果;
图7为本申请实施例提供的对轨迹点图幅对应的道路提取结果进行修正的一种实现流程图;
图8为本申请实施例提供的道路提取方法的一种系统流程图的示意图;
图9为本申请实施例提供的轨迹数据与图幅、图像块和像元之间的空间关系示例图;
图10为本申请实施例提供的基于本申请的方案对北京市单个图幅的步骑行道路的轨迹数据进行处理前后的全局对比图和局部对比图;
图11为本申请实施例提供的道路提取装置的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉(Computer Vision,CV)是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、智能交通系统、城市规划系统、灾害应急响应等等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的计算机视觉等技术,具体通过如下实施例进行说明:
本申请实施例提供的道路提取方法可以用于道路提取设备,如终端、服务器等。其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑等移动端,也可以是台式计算机等,但并不局限于此。在一些实施例中,上述终端或服务器可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
本申请实施例提供的道路提取设备的硬件结构框图的示例图如图1a所示,可以包括:
处理器1,通信接口2,存储器3和通信总线4;
其中处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
可选的,通信接口2可以为通信模块的接口,如GSM模块的接口;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本申请实施例的一个或多个集成电路。
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
其中,处理器1具体用于执行存储器3中存储的计算机程序,以实现本申请提出的道路提取方法,具体实现过程可以参照下文相应实施例相应部分的描述。
应该理解的是,图1a所示的道路提取设备的结构并不构成对本申请实施例中道路提取设备的限定,在实际应用中,道路提取设备可以包括比图1a所示的更多或更少的部件,或者组合某些部件,本申请在此不做一一列举。
如图1b所示,为本申请实施例提供的道路提取方法的一种实现流程图,可以包括:
步骤S101:获取轨迹点图幅,该轨迹点图幅中记载有若干条轨迹数据。
轨迹点图幅中记录的轨迹数据可以基于位置服务采集的用户步行和骑行的轨迹数据(简称步/骑行轨迹数据),或者,
轨迹点图幅中记录的是基于位置服务采集的用户驾驶机动车行驶的轨迹数据(简称机动车轨迹数据)。
其中的位置服务可以包括但不限于以下的至少一种:手机地图,非地图应用(比如,美团单车、微信等)内提供的位置服务。
位置服务采集的轨迹数据存储在不同的图幅中,不同的图幅对应不同的地理区域,即不同的图幅记录不同地理区域的轨迹数据。
步骤S102:将轨迹点图幅划分为多个图像块,每个图像块划分为多个像元。
为了方便生成道路提取模型易处理的图像,本申请实施例中,将图幅划分为多个图像块,每个图像块作为道路提取模型处理的图像,每个图像块再细分为多个像元。通常一个图幅对应的地理区域的大小大概为8.3km*12.5km,作为示例,可以将每个图幅按照纵向6至8个块(block),横向6至10个块进行划分,每个块再划分为1024*1024个像元(pixel),这样每个像元对应大概1.2m*1.2m的地理区域。每个block即为一个图像块。需要说明的是,这里的图像块和像元的划分方式只是作为示例说明,并不构成对本申请的限制,申请还可以对图幅进行其它方式的划分,比如,每个像元对应大概1.5m*1.5m的地理区域,或者,每个像元对应大概0.8m*0.8m的地理区域,或者,每个像元对应大概2m*2m的地理区域等等。
步骤S103:根据若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量。
本申请实施例中,每个像元的值为轨迹点的多个维度的值,其中,第j个像元的值包括但不限于:第j个像元中的轨迹点的数量,第j个像元中的轨迹点的平均速度矢量。其中,第j个像元中的轨迹点的平均速度矢量可以仅包括一个方向的速度矢量,也可以包括两个或更多个方向的速度矢量。
轨迹点数量可以认为是像元的流量。
对于没有轨迹点的像元,该像元的取值可以为预设值。
步骤S104:对于每一个图像块,利用预先训练好的道路提取模型对该图像块进行处理,得到该图像块对应的道路提取结果。
对于第i个图像块,可以将该第i个图像块输入道路提取模型,得到该道路提取模型输出的该第i个图像块对应的道路提取结果。
道路提取模型可以为深度卷积神经网络模型,例如,可以为D-LinkNet模型。
步骤S105:将各个图像块对应的道路提取结果进行拼接,得到轨迹点图幅对应的道路提取结果。
在得到轨迹点图幅中的所有图像块对应的道路提取结果后,将得到的道路提取结果进行拼接,得到轨迹点图幅对应的道路提取结果。
本申请实施例提供的道路提取方法,将轨迹点图幅转化为多个图像块,每个图像块中的像元的值为像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量,通过预先训练好的道路提取模型对各个图像块进行道路提取,将各个图像块对应的道路提取结果进行拼接,得到轨迹点图幅对应的道路提取结果,由于在道路提取过程中使用了轨迹点的多个维度的信息(轨迹点数量,速度矢量),且结合了道路提取模型,从而提高了道路提取精度。为时空大数据(即轨迹数据)在互联网地图、交通规则、公共安全等行业的落地应用提供新的技术方案。
在一可选的实施例中,为了进一步提高道路提取精度,在根据若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量之前,还可以包括:
对若干条轨迹数据中的各条轨迹数据分别进行异常过滤,得到过滤后的轨迹数据;
相应的,上述根据若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量具体可以为:
根据过滤后的轨迹数据,确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量。
在一可选的实施例中,上述对若干条轨迹数据中的各条轨迹数据分别进行异常过滤的一种实现方式可以为:
对于上述若干条轨迹数据中的每一条轨迹数据,删除该条轨迹数据中的异常轨迹点,以将该条轨迹数据分段;其中,异常轨迹点满足如下至少一个条件:精度标签指示的精度不在第一预设范围内,速度标签指示的速度不在第二预设范围内,高程标签指示的高程小于阈值,位置标签指示的位置不在第三预设范围内;
或者,
若相邻两个轨迹点未满足预设条件,将轨迹数据从该相邻两个轨迹点中间断开;预设条件包括:时间间隔在预设时长内且基于该相邻两个轨迹点的经纬度信息计算得到的速度未超过第一速度阈值。
位置服务在采集轨迹数据时,会给每个轨迹点赋予多个标签,该多个标签包括但不限于:用于指示轨迹点精度的精度标签,用于指示轨迹点速度的速度标签,用于指示轨迹点高程的高程标签,用于指示轨迹点位置的位置标签。本申请实施例中,对于任意一个轨迹点,基于轨迹点的标签判断该轨迹点是否为异常点。
对于不同类型的轨迹数据(比如,机动车轨迹数据和步/骑行轨迹数据),判断轨迹点是否为异常点时,精度、高程和位置对应的条件是相同的,速度对应的条件通常是不同的,比如,
对于步/骑行轨迹数据,如果第k个轨迹点(其为任意一个轨迹点)的精度标签指示的精度不在1-5之间,或者,第k个轨迹点的速度标签指示的速度不在18km/h-120km/h之间,或者,第k个轨迹点的高程标签指示的高程小于0,或者,第k个轨迹点的位置标签指示的位置不在中国境内,则认为第k个轨迹点为异常轨迹点,否则,若第k个轨迹点的精度标签指示的精度在1-5之间,且第k个轨迹点的速度标签指示的速度在18km/h-120km/h之间,且第k个轨迹点的高程标签指示的高程大于或等于0,且第k个轨迹点的位置标签指示的位置在中国境内,则认为第k个轨迹点不是异常轨迹点。
对于机动车轨迹数据,如果第k个轨迹点的精度标签指示的精度不在1-5之间,或者,第k个轨迹点的速度标签指示的速度不在18km/h-252km/h之间,或者,第k个轨迹点的高程标签指示的高程小于0,或者,第k个轨迹点的位置标签指示的位置不在中国境内,则认为第k个轨迹点为异常轨迹点,否则,若第k个轨迹点的精度标签指示的精度在1-5之间,且第k个轨迹点的速度标签指示的速度在18km/h-252km/h之间,且第k个轨迹点的高程标签指示的高程大于或等于0,且第k个轨迹点的位置标签指示的位置在中国境内,则认为第k个轨迹点不是异常轨迹点。
在删除异常轨迹点后,轨迹数据就被分为了新的轨迹数据。
除了单个轨迹点的过滤,还可以根据相邻轨迹点对轨迹数据进行过滤,本申请实施例认为,如果相邻两个轨迹点的时间间隔在预设时长内,且基于该相邻两个轨迹点的经纬度信息计算得到的速度未超过第一速度阈值,则认为这两个相邻轨迹点是正常的,相反,如果相邻两个轨迹点间的时间间隔未在预设时长内,和/或,基于该相邻两个轨迹点的经纬度信息计算得到的速度(根据该相邻两个轨迹点的经纬度信息计算得到该相邻两个轨迹点间的距离,用该距离除以该相邻两个轨迹点间的时间间隔)超过第一速度阈值,则认为这两个相邻轨迹点是异常的,从这两个相邻轨迹点中间将轨迹数据断开。作为示例,预设时长可以为3分钟,第一速度阈值可以为252km/h。比如,某条轨迹包含a,b,c,d四个轨迹点,b和c这两个相邻轨迹点不满足“时间间隔在3分钟以内且速度不会超过252km/h”这一条件,那么就将原轨迹分为a,b和c,d两个新的轨迹数据。
也就是说,对于第k个轨迹点,如果第k个轨迹点不是异常轨迹点,但第k个轨迹点与第k-1个轨迹点的时间间隔未在预设时长内,和/或,基于第k个轨迹点与第k-1个轨迹点的经纬度信息计算得到的速度超过第一速度阈值,则认为第k个轨迹点与第k-1个轨迹点是异常的,从这两个相邻轨迹点中间将轨迹数据断开。即第k个轨迹点和第k-1个轨迹点属于不同的新的轨迹数据。
或者,如果第k个轨迹点与第k-1个轨迹点的时间间隔在预设时长内,且基于该相邻两个轨迹点的经纬度信息计算得到的速度未超过第一速度阈值,但第k个轨迹点是异常轨迹点,会将第k个轨迹点删除,从而将轨迹数据分段。
在一可选的实施例中,对于分段后的任意一轨迹数据,可以通过该轨迹数据中速度超过第二速度阈值的轨迹点的占比是否小于占比阈值来判断该轨迹数据是否为步/骑行数据,可以选的,如果该轨迹数据中速度超过第二速度阈值的轨迹点的占比小于占比阈值,说明该轨迹数据为步/骑行数据,否则说明该轨迹数据为机动车轨迹数据。作为示例,占比阈值可以为10%。
在一可选的实施例中,每个像元中包括如下两类轨迹点中的至少一类轨迹点,其中,第一类轨迹点为轨迹点图幅中记录的若干条轨迹数据中的轨迹点,第二类轨迹点为基于轨迹点图幅中的若干条轨迹数据中的轨迹点进行插值得到的插值轨迹点。
本申请的发明人在实现本申请的过程中发现,原始采集的轨迹数据中,轨迹点存在分布不均匀的问题,即有的路段轨迹点密集,有的路段轨迹点稀疏,这样提取到的道路易出现细小的锯齿现象,即提取到的道路不平滑,为了使得提取到的道路更平滑,本申请实施例中,对轨迹数据进行插值,以使得轨迹数据中的轨迹点分布相对均匀,从而消除提取到的道路中的锯齿现象,使得提取到的道路更加平滑、清晰。
在一可选的实施例中,对于上述若干条轨迹数据中的每一条轨迹数据(为便于叙述,记为第g条轨迹数据),本申请实施例提供的对轨迹数据进行插值的一种实现流程图如图2所述,可以包括:
步骤S201:确定从该第g条轨迹数据中的第一轨迹点到第二轨迹点经过的所有像元;第一轨迹点和第二轨迹点为该第g条轨迹数据中的相邻轨迹点。
步骤S202:若从第一轨迹点到第二轨迹点经过目标像元,根据第一轨迹点和第二轨迹点进行插值运算,以确定目标像元中与该第g条轨迹数据对应的插值轨迹点的速度和方向;目标像元中不存在第一轨迹点和第二轨迹点。
可选的,可以基于第一轨迹点和第二轨迹点的经纬度信息进行插值运算。
如图3所示,为本申请实施例提供的对轨迹数据进行插值的一种原理图,图3中,每个小方格代表一个像元,圆形点(P1-P7)为原始轨迹数据中的轨迹点,从图3可以看出,从轨迹点P1到轨迹点P2,从轨迹点P2到轨迹点P3,以及从轨迹点P3到轨迹点P4,仅经过了4个像元,也就是轨迹点P1-P4所在的像元,因此,无需进行插值,而从轨迹点P4到轨迹点P5经过了3个像元,从轨迹点P5到轨迹点P6经过了3个像元,从轨迹点P6到轨迹点P7经过了3个像元,因此,需要进行插值。具体为,对从轨迹点P4到轨迹点P5经过的3个像元中未存在轨迹点的像元进行插值运算,对从轨迹点P5到轨迹点P6经过的3个像元中未存在轨迹点的像元进行插值运算,对从轨迹点P6到轨迹点P7经过的3个像元中未存在轨迹点的像元进行插值运算,如图3所示,三角形点(C1-C3)为插值轨迹点,其中,插值轨迹点C1的速度和方向是通过轨迹点P4、P5进行插值计算得到的,插值轨迹点C2的速度和方向是通过轨迹点P5、P6进行插值计算得到的,插值轨迹点C3的速度和方向是通过轨迹点P6、P7进行插值计算得到的。
图3所示示例中,相邻两个轨迹点中,从一个轨迹点到另一个轨迹点只经过了1个目标像元,在实际应用中,从一个轨迹点到另一个轨迹点可能会经过2个或更多个目标像元。
需要说明的是,本申请实施例中,在利用训练好的道路提取模型对该图像块进行道路提取时,并不关注轨迹点的位置,因此,本申请实施例中,无需关注插值轨迹点的具体位置,只要在目标像元中即可。
对于插值轨迹点的速度和方向,可选的,可以利用计算得到该插值轨迹点的轨迹数据中的相邻两个轨迹点经纬度信息以及时间间隔,计算得到从该相邻两个轨迹点中的较早获取的轨迹点到较晚获取的轨迹点的速度和方向,将获取的速度和方向赋值给基于该相邻两个轨迹点进行插值得到的每一个插值轨迹点。以插值轨迹点C1为例,可以根据轨迹点P4和P5的经纬度信息,以及P4和P5之间的时间间隔,计算从P4到P5的速度和方向,将该速度和方向作为插值轨迹点C1的速度和方向。如果在P4和P5之间插入了多个插值轨迹点,则将计算得到的从P4到P5的速度和方向作为在P4和P5之间插入的多个插值轨迹点中的每一个插值轨迹点的速度和方向。
可选的,为了便于计算插值轨迹点及其速度和方向,在保存每个图像块内的轨迹数据时,可以同时保存相邻图像块的轨迹数据中的边界轨迹点。比如,同一条轨迹中有两个相邻轨迹点pt1和pt2,pt1位于块A,点pt2位于块B,在存储时,块A中需要存储pt1和pt2的信息,块B中也需要存储pt1和pt2的信息。
在一可选的实施例中,上述根据若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的平均速度矢量的一种实现方式可以为:
对于每一个像元,统计该像元中所有轨迹点的速度标量的平均值和方向的平均值,得到该像元的平均速度矢量。也就是说,该像元的平均速度矢量的速度值为该像元中所有轨迹点的速度标量的平均值,该像元的平均速度矢量的方向为该像元中所有轨迹点的方向的平均值。
轨迹点的方向通常是轨迹点的移动方向相对于基准方向的偏移角度,对于第j个像元,将该第j个像元中所有轨迹点的移动方向相对于基准方向的偏移角度求平均,得到平均偏移角度,该平均偏移角度所表征的方向就是像元的平均速度矢量的方向。
在一可选的实施例中,可以直接将统计得到的第i个像元的平均速度矢量作为像元的一个维度的值。这样,每个像元包含两个维度的值:轨迹点的数量,以及轨迹点的平均速度矢量。
为了进一步提高道路提取精度,在一可选的实施例中,可以将轨迹点的平均速度矢量进行正交分解,得到第一速度矢量分量和第二速度矢量分量,也就是说,第一速度矢量和第二速度矢量的方向是相互垂直的。基于此,平均速度矢量包括第一速度矢量分量和第二速度矢量分量,这样,每个像元包含3个维度的值:轨迹点的数量,以及第一速度矢量分量和第二速度矢量分量。
本申请的发明人在实现本申请的过程中发现,在路口、立交桥等路况复杂的地方,同一个像元内不同轨迹的方向可能并不一致,如同时存在直行和左转等情况,因此,如果直接使用求平均的方式得到平均速度矢量会丢失这些信息,导致在路口复杂区域可能出现路网提取结果与实际存在差异的情况,为了克服这一问题,本申请实施例提供的根据若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的平均速度矢量的另一种实现流程图如图4所示,可以包括:
步骤S401:对于每一个像元,计算该像元内的轨迹点的方向的概率密度函数。
可以选的,可以统计该像元内的所有轨迹点的方向中,同一个方向出现的频率(即概率密度),根据各个方向及各个方向出现的频率可以得到方向与频率的函数关系,该方向与频率的函数关系即为该像元内的轨迹点的方向的概率密度函数。
步骤S402:根据概率密度函数确定预设数量(为便于叙述,记为N)的概率密度峰值,将预设数量的概率密度峰值对应的方向确定为主方向。
通过概率密度函数可以发现有多个概率密度峰值,本申请实施例中,从多个概率密度峰值中选取N个概率密度峰值,将该N个概率密度峰值对应的方向确定为主方向。其中,如果概率密度函数中的概率密度峰值的个数n大于或等于数量阈值,则N的取值可以为数量阈值,如果概率密度函数中的概率密度峰值的个数n小于数量阈值,则N的取值为n即可,即确定n个主方向。
作为示例,数量阈值可以为3。
步骤S403:对于每一个主方向,计算该主方向上的平均速度矢量。
在一可选的实施例中,可以直接将每一个主方向上的平均速度矢量作为像元的一个维度的值,这样每个像元包含N+1个维度的值:轨迹点的数量,以及各个主方向上的平均速度矢量。
在一可选的实施例中,为了进一步提高道路提取精度,在一可选的实施例中,可以将每一个主方向上的轨迹点的平均速度矢量进行正交分解,得到每个主方向上的平均速度矢量的第一速度矢量分量和第二速度矢量分量,也就是说,同一个主方向上的平均速度矢量的第一速度矢量和第二速度矢量的方向是相互垂直的。基于此,每个主方向上的平均速度矢量均包括第一速度矢量分量和第二速度矢量分量,这样,每个像元包含2N+1个维度的值:轨迹点的数量,以及各个主方向上的平均速度矢量的第一速度矢量分量和第二速度矢量分量。
在一可选的实施例中,上述对于每一个图像块,利用预先训练好的道路提取模型对该图像块进行处理,得到该图像块对应的道路提取结果的一种实现方式可以为:
对于每一个图像块,对该图像块中每个像元中轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量进行归一化处理,得到归一化图像块。
可选的,在平均速度矢量包括第一速度矢量分量和第二速度矢量分量的情况下,对该图像块中每个像元中轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量进行归一化处理的一种实现方式可以为:
根据该图像块中的所有像元中的最大轨迹点数量对该图像块中各个像元中轨迹点的数量进行归一化,得到各个像元中的归一化的轨迹点数量。
根据该图像块中的所有像元中的第一速度矢量分量的最大值对该图像块中各个像元中第一速度矢量分量进行归一化,得到各个像元中的归一化的第一速度矢量分量。
根据该图像块中的所有像元中的第二速度矢量分量的最大值对该图像块中各个像元中第二速度矢量分量进行归一化,得到各个像元中的归一化的第二速度矢量分量。
具体的,假设第i个图像块中的第j个像元中的轨迹点数量为PointNum_ij,第一速度矢量分量为SinSpeed_ij1,第二速度矢量分量为CosSpeed_ij2,MaxSinSpeed_i代表第i个图像块内所有像元中第一速度矢量分量的最大值,MaxCosSpeed_i代表第i个图像块内所有像元中第二速度矢量分量的最大值,MaxPointNum_i代表第i个图像块内各个像元中轨迹点数量的最大值。可以根据如下公式对PointNum_ij,SinSpeed_ij1和CosSpeed_ij2进行归一化:
PointNum_ij_norm=(log(PointNum+1)/log(MaxPointNum+2);
SinSpeed_ij1_norm=(SinSpeed+MaxSinSpeed)/(2*MaxSinSpeed);
CosSpeed_ij2_norm=(CosSpeed+MaxCosSpeed)/(2*MaxCosSpeed);
其中,PointNum_ij_norm为第j个像元中的归一化的轨迹点数量,SinSpeed_ij1_norm为第j个像元中的归一化的第一速度矢量分量,CosSpeed_ij2_norm为第j个像元中的归一化的第二速度矢量分量。
前述在确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量时,对于没有轨迹点的像元,该像元的取值可以为预设值。在一可选的实施例中,该预设值进行归一化后,归一化的值为零或接近于零。作为示例,对于没有轨迹点的像元,该像元中的轨迹点的数量PointNum、第一速度矢量分量SinSpeed和第二速度矢量分量CosSpeed均为0。
将归一化图像块输入到道路提取模型,得到该图像块对应的道路提取结果。
本申请实施例中,为了便于道路提取模型进行处理,将像元各个维度的值进行归一化处理。
在一可选的实施例中,上述对于每一个图像块,利用预先训练好的道路提取模型对该图像块进行处理,得到该图像块对应的道路提取结果的一种实现流程图如图5所示,可以包括:
步骤S501:对于每一个图像块,利用道路提取模型对该图像块进行处理,得到该图像块对应的初始道路提取结果;
道路提取模型对图像块进行处理的过程,实际上是对图像块中的各个像元进行分类的过程,即判断各个像元是否属于道路,道路提取模型输出的该图像块对应的初始道路提取结果为该图像块中的各个像元属于道路的概率。
步骤S502:利用道路提取模型对上述初始道路提取结果进行处理,得到该图像块对应的道路提取结果。
本申请实施例中,利用道路提取模型对该图像块进行处理,得到该图像块对应的初始道路提取结果后,再次将该初始道路提取结果输入到道路提取模型中,得到最终的道路提取结果,这种处理方式使得道路提取结果快速收敛,显著增强提取的准确性。
另一方面本申请的发明人在研究过程种发现,传统的利用模型进行图像处理方式是,将图像输入模型得到分类结果(即属于各类别的概率)后,直接将概率与阈值进行比较,以确定最终的类别。这种处理方式应用在道路提取时,鲁棒性较差,具体表现为,对一个地理区域的图幅进行道路提取时效果较好,但在对另一个地理区域的图幅进行道路提取时的效果却较差。而基于本申请的两次处理的方案,则克服了该问题,提高了道路提取的鲁棒性。请参看图6a-6c,其中,图6a为输入道路提取模型的图像块,图6b为基于传统的图像处理方法得到的道路提取结果,图6c为基于本申请的图像处理方法(即图5所示方法)得到的道路提取结果。
在一可选的实施例中,该道路提取模型可以通过如下方式训练得到:
利用道路提取模型对样本图像进行处理,得到该样本图像对应的初始道路提取结果;样本图像可以是对已有的记载有若干条轨迹数据的轨迹点图幅进行划分得到的图像块,图像块中的每个像元记录有该像元中的轨迹点的数量,以及该像元中的轨迹点的平均速度矢量。具体划分得到图像块的实现方式可以参看前述实施例,这里不再赘述。
以该初始道路提取结果趋近于该样本图像的第一道路标签为目标对道路提取模型的参数进行更新;
对所述初始道路提取结果进行道路标记,得到该初始道路提取结果对应的第二道路标签。可以人工进行道路标记,得到第二道路标签。
利用道路提取模型对该样本图像对应的初始道路提取结果进行处理,得到该样本图像对应的道路提取结果,以该样本图像对应的道路提取结果趋近于第二道路标签为目标,对道路提取模型的参数进行更新;
循环执行上述过程,直至达到训练结束条件(比如,所有样本图像均处理完成,或者,迭代次数达到预设次数,或者,其它条件等)。
本申请的发明人在实现本申请的过程中发现,在将相邻的图像块进行拼接时,有时会在拼接处出现断裂的问题,即属于同一条道路的到路线在拼接处出现错位的情况,为了克服该问题,以进一步提高道路提取精度,在一可选的实施例中,本申请实施例中,在得到轨迹点图幅对应的道路提取结果之后,还可以对道路提取结果进行修正,本申请实施例提供的对轨迹点图幅对应的道路提取结果进行修正的一种实现流程图如图7所示,可以包括:
步骤S701:对于任意相邻两个图像块,获取以该相邻两个图像块的共同边为中心的该相邻两个图像块的第一拼接区域。
显然,第一拼接区域是通过在相邻两个图像块中各取部分区域构成的,且该第一拼接区域的中心为相邻两个图像块的共同边
为便于叙述,假设相邻两个图像块分别为块A和块B,两者的共同边为L,则本申请实施例中,在边L两侧,在块A和块B中分别取相同大小的一块区域作为第一拼接区域。作为示例,假设每个块的大小为1024*1024,则可以在边L两侧,在块A中取1024*128像元的子区域a,在块B中取1024*128像元的子区域b,由子区域a和子区域b构成1024*256大小的第一拼接区域,该第一拼接区域的中心为边L,边L的长度为1024个像元。
步骤S702:利用前述道路提取模型对第一拼接区域进行处理,得到第一拼接区域对应的道路提取结果。
在一可选的实施例中,可以利用前述道路提取模型对第一拼接区域进行处理,得到第一拼接区域对应的初始道路提取结果。然后利用前述道路提取模型对第一拼接区域对应的初始道路提取结果进行处理,得到第一拼接区域对应的道路提取结果。
步骤S703:在第一拼接区域对应的道路提取结果中,获取以该相邻两个图像块的共同边为中心的该相邻两个图像块的第二拼接区域。第二拼接区域小于第一拼接区域。
还以前述示例为例,可以在边L两侧,在子区域a中取1024*96像元的子区域aa,在子区域b中取1024*96像元的子区域bb,由子区域aa和子区域bb构成1024*192大小的第二拼接区域。
步骤S704:用第二拼接区域替换轨迹点图幅对应的道路提取结果中该相邻两个图像块的第二拼接区域。
本申请的发明人在实现本申请的过程中发现,如果直接将第一拼接区域对应的道路提取结果替换轨迹点图幅对应的道路提取结果中该相邻两个图像块的第一拼接区域,则会在第一拼接区域的边缘处产生新的断裂现象,为了避免这种现象的发生,本申请实施例中,在第一拼接区域中取以该相邻两个图像块的公共边为中心的较小的第二拼接区域,利用该第二拼接区域来替换轨迹点图幅对应的道路提取结果中该相邻两个图像块的第二拼接区域,这样就可以避免新的断裂现象的产生。
作为示例,本申请实施例提供的道路提取方法的一种系统流程图的示意图如图8所示,包括:轨迹数据预处理和深度学习识别路网两部分;其中
轨迹数据预处理部分包括:单条轨迹异常过滤,多层级轨迹数据转化和生成轨迹特征图像的过程。其中,单条轨迹异常过滤即是前述对各条轨迹数据分别进行异常过滤的过程,多层级轨迹数据转化即是前述将轨迹点图幅划分为多个图像块,每个图像块划分为多个像元的过程,生成轨迹特征图像的过程即是前述根据若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量的过程。
如图9所示,为本申请实施例提供的轨迹数据与图幅(mesh)、图像块(block)和像元(pixel)之间的空间关系示例图。该示例中,一个图幅划为为了8*8个图像块,每个图像块又划分为了1024*1024个像元,每个像元对应约1.2m*1.2m大小的物理区域,每个像元的值为3个维度的值(流量的平均值,x轴的速度矢量分量的平均值,y轴的速度矢量分量的平均值;x轴和y轴为相互垂直的两个轴),一个图像块相当于一幅RGB图像。
深度学习识别路网包括:深度学习网络D-LinkNet的两次处理过程和拼接区域处理过程(图中未示出)。
下面以从2020年10月份腾讯位置大数据提供的全国步行和骑行轨迹数据中提取的北京市单个图幅的步骑行道路的轨迹数据为例,对本申请的方案识别结果进行验证。如图10所示,为基于本申请的方案对北京市单个图幅的步/骑行道路的轨迹数据进行处理前后的全局对比图和局部对比图,其中的三通道彩色图像中各个像元的值可以是由归一化的像元的值乘以255得到,并且不同的通道用不同色彩表示,且同一通道的不同值对应的同一色彩的不同值。
从图10可以看出,利用流量和矢量速度分量合成的图像能够清晰反映道路的分布状况,说明轨迹数据的这三个特征能够有效表达步骑行道路。经过第一次D-LinkNet模型识别后,图像展示为0-255之间的灰度图像(可以对第一次D-LinkNet模型识别后的结果进行归一化后乘以255得到,具体归一化过程可以参看前述的轨迹点数量的归一化过程,这里不再详述),相比于背景场,步骑行道路在很多地方并不清晰。而在经过第二次D-LinkNet之后,得到近似0和255的二值化图像(可以对第二次D-LinkNet模型识别后的结果进行归一化后乘以255得到),步骑行道路得到增强和凸显。在图像拼接之后,各block相邻边缘部分的识别结果被替换,道路形态得到明显的修正。以上结果表明,本申请构建的道路提取模型适用于大范围精细尺度步骑行道路提取,且改进效果非常明显。
与方法实施例相对应,本申请实施例还提供一种道路提取装置,本申请实施例提供的道路提取装置的一种结构示意图如图11所示,可以包括:
图幅获取模块1101,划分模块1102,特征获取模块1103,提取模块1104,拼接模块1105;其中,
图幅获取模块1101用于获取轨迹点图幅,所述轨迹点图幅中记载有若干条轨迹数据;
划分模块1102用于将所述轨迹点图幅划分为多个图像块,每个图像块划分为多个像元;
特征获取模块1103用于根据所述若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量;
提取模块1104用于对于每一个图像块,利用预先训练好的道路提取模型对该图像块进行处理,得到该图像块对应的道路提取结果;
拼接模块1105用于将各个图像块对应的道路提取结果进行拼接,得到所述轨迹点图幅对应的道路提取结果。
本申请实施例提供的道路提取装置,将轨迹点图幅转化为多个图像块,每个图像块中的像元的值为像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量,通过预先训练好的道路提取模型对各个图像块进行道路提取,将各个图像块对应的道路提取结果进行拼接,得到轨迹点图幅对应的道路提取结果,由于在道路提取过程中使用了轨迹点的多个维度的信息(轨迹点数量,速度矢量),且结合了道路提取模型,从而提高了道路提取精度。
在一可选的实施例中,每一个像元中包括第一类轨迹点和第二类轨迹点中的至少一类轨迹点;其中,
第一类轨迹点为所述若干条轨迹数据中的轨迹点,第二类轨迹点为基于所述若干条轨迹数据中的轨迹点进行插值得到的插值轨迹点。
在一可选的实施例中,特征获取模块1103包括:插值轨迹点确定模块,用于:
对于所述若干条轨迹数据中的每一条轨迹数据,确定从该条轨迹数据中的第一轨迹点到第二轨迹点经过的所有像元;所述第一轨迹点和所述第二轨迹点为该条轨迹数据中的相邻轨迹点;
若从所述第一轨迹点到所述第二轨迹点经过目标像元,根据所述第一轨迹点和所述第二轨迹点进行插值运算,以确定所述目标像元中与该条轨迹数据对应的插值轨迹点的速度和方向;所述目标像元中不存在所述第一轨迹点和所述第二轨迹点。
在一可选的实施例中,特征获取模块1103根据所述若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的平均速度矢量时,用于:
对于每一个像元,统计该像元中所有轨迹点的速度标量的平均值和方向的平均值,得到该像元的平均速度矢量。
在一可选的实施例中,所述平均速度矢量包括:第一速度矢量分量和第二速度矢量分量;所述第一速度矢量分量和所述第二速度矢量分量通过对所述平均速度矢量进行正交分解得到。
在一可选的实施例中,特征获取模块1103根据所述若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的平均速度矢量时,用于:
对于每一个像元,计算该像元内的轨迹点的方向的概率密度函数;
根据所述概率密度函数确定预设数量的概率密度峰值,将所述预设数量的概率密度峰值对应的方向确定为主方向;
对于每一个主方向,计算该主方向上的平均速度矢量。
在一可选的实施例中,提取模块包括:
归一化模块,用于对于每一个图像块,对该图像块中每个像元中轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量进行归一化处理,得到归一化图像块;
处理模块,用于将所述归一化图像块输入到所述道路提取模型,得到该图像块对应的道路提取结果。
在一可选的实施例中,在所述平均速度矢量包括第一速度矢量分量和第二速度矢量分量的情况下,归一化模块具体用于:
根据该图像块中的所有像元中的最大轨迹点数量对该图像块中各个像元中轨迹点的数量进行归一化,得到各个像元中的归一化的轨迹点数量;
根据该图像块中的所有像元中的第一速度矢量分量的最大值对该图像块中各个像元中第一速度矢量分量进行归一化,得到各个像元中的归一化的第一速度矢量分量;
根据该图像块中的所有像元中的第二速度矢量分量的最大值对该图像块中各个像元中第二速度矢量分量进行归一化,得到各个像元中的归一化的第二速度矢量分量。
在一可选的实施例中,提取模块1104具体用于:
对于每一个图像块,利用所述道路提取模型对该图像块进行处理,得到该图像块对应的初始道路提取结果;
利用所述道路提取模型对所述初始道路提取结果进行处理,得到该图像块对应的道路提取结果。
在一可选的实施例中,道路提取装置还可以包括:修正模块,用于:
对于任意相邻两个图像块,获取以该相邻两个图像块的共同边为中心的该相邻两个图像块的第一拼接区域;
利用所述道路提取模型对所述第一拼接区域进行处理,得到所述第一拼接区域对应的道路提取结果;
在所述第一拼接区域对应的道路提取结果中,获取以该相邻两个图像块的共同边为中心的该相邻两个图像块的第二拼接区域;
用所述第二拼接区域替换所述轨迹点图幅对应的道路提取结果中该相邻两个图像块的第二拼接区域。
在一可选的实施例中,道路提取装置还可以包括:异常处理模块,用于:
对所述若干条轨迹数据中的各条轨迹数据分别进行异常过滤,得到过滤后的轨迹数据;
所述根据所述若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量,包括:
根据所述过滤后的轨迹数据,确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量。
在一可选的实施例中,异常处理模块具体用于:
对于所述若干条轨迹数据中的每一条轨迹数据,删除该条轨迹数据中的异常轨迹点,以将该条轨迹数据分段;其中,所述异常轨迹点满足如下至少一个条件:精度标签指示的精度不在第一预设范围内,速度标签指示的速度不在第二预设范围内,高程标签指示的高程小于阈值,位置标签指示的位置不在第三预设范围内;
或者,
若相邻两个轨迹点未满足预设条件,将所述轨迹数据从该相邻两个轨迹点中间断开;所述预设条件包括:时间间隔在预设时长内且基于该相邻两个轨迹点的经纬度信息计算得到的速度未超过第一速度阈值。
本申请实施例还提供一种可读存储介质,该存储介质可存储有适于处理器执行的计算机程序,所述计算机程序用于:
获取轨迹点图幅,所述轨迹点图幅中记载有若干条轨迹数据;
将所述轨迹点图幅划分为多个图像块,每个图像块划分为多个像元;
根据所述若干条轨迹数据,确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点的平均速度矢量;
对于每一个图像块,利用预先训练好的道路提取模型对该图像块进行处理,得到该图像块对应的道路提取结果;
将各个图像块对应的道路提取结果进行拼接,得到所述轨迹点图幅对应的道路提取结果。
可选的,所述计算机程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述道路提取方法的各种可选实现方式中提供的道路提取方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的核心思想或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种道路提取方法,其特征在于,包括:
获取轨迹点图幅,所述轨迹点图幅中记载有若干条轨迹数据,所述若干条轨迹数据包括基于位置服务采集的步行和骑行的轨迹数据;
将所述轨迹点图幅划分为多个图像块,每个图像块划分为多个像元;
根据所述步行和骑行的轨迹数据中轨迹点的标签确定异常轨迹点;所述轨迹点的标签是所述位置服务在采集轨迹数据时给各个轨迹点赋予的,所述轨迹点的标签包括:用于指示轨迹点精度的精度标签,用于指示轨迹点速度的速度标签,用于指示轨迹点高程的高程标签,以及用于指示轨迹点位置的位置标签;
将所述步行和骑行的轨迹数据中的各条轨迹数据中的异常轨迹点删除,得到过滤后的步行和骑行的轨迹数据;
根据所述过滤后的步行和骑行的轨迹数据,确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点在多个方向上的平均速度矢量,其中,对于每一个像元,统计该像元中所有轨迹点的速度标量的平均值和方向的平均值,得到该像元的平均速度矢量;所述平均速度矢量包括:第一速度矢量分量和第二速度矢量分量;所述第一速度矢量分量和所述第二速度矢量分量通过对所述平均速度矢量进行正交分解得到;所述轨迹点的数量、所述第一速度矢量分量和第二速度矢量分量用于有效表达步骑行道路;
对于每一个图像块,利用预先训练好的道路提取模型对该图像块进行处理,得到该图像块对应的道路提取结果;
将各个图像块对应的道路提取结果进行拼接,得到所述轨迹点图幅对应的道路提取结果。
2.根据权利要求1所述的方法,其特征在于,每一个像元中包括第一类轨迹点和第二类轨迹点中的至少一类轨迹点;其中,
第一类轨迹点为所述若干条轨迹数据中的轨迹点,第二类轨迹点为基于所述若干条轨迹数据中的轨迹点进行插值得到的插值轨迹点。
3.根据权利要求2所述的方法,其特征在于,确定插值轨迹点的过程包括:
对于所述若干条轨迹数据中的每一条轨迹数据,确定从该条轨迹数据中的第一轨迹点到第二轨迹点经过的所有像元;所述第一轨迹点和所述第二轨迹点为该条轨迹数据中的相邻轨迹点;
若从所述第一轨迹点到所述第二轨迹点经过目标像元,根据所述第一轨迹点和所述第二轨迹点进行插值运算,以确定所述目标像元中与该条轨迹数据对应的插值轨迹点的速度和方向;所述目标像元中不存在所述第一轨迹点和所述第二轨迹点。
4.根据权利要求1所述的方法,其特征在于,根据所述过滤后的步行和骑行的轨迹数据,确定各个图像块中的每个像元中的轨迹点在多个方向上的平均速度矢量的过程,包括:
对于每一个像元,计算该像元内的轨迹点的方向的概率密度函数;
根据所述概率密度函数确定预设数量的概率密度峰值,将所述预设数量的概率密度峰值对应的方向确定为主方向;
对于每一个主方向,计算该主方向上的平均速度矢量。
5.根据权利要求1所述的方法,其特征在于,所述对于每一个图像块,利用预先训练好的道路提取模型对该图像块进行处理,得到该图像块对应的道路提取结果,包括:
对于每一个图像块,利用所述道路提取模型对该图像块进行处理,得到该图像块对应的初始道路提取结果;
利用所述道路提取模型对所述初始道路提取结果进行处理,得到该图像块对应的道路提取结果。
6.根据权利要求1所述的方法,其特征在于,在得到所述轨迹点图幅对应的道路提取结果之后,还包括:
对于任意相邻两个图像块,获取以该相邻两个图像块的共同边为中心的该相邻两个图像块的第一拼接区域;
利用所述道路提取模型对所述第一拼接区域进行处理,得到所述第一拼接区域对应的道路提取结果;
在所述第一拼接区域对应的道路提取结果中,获取以该相邻两个图像块的共同边为中心的该相邻两个图像块的第二拼接区域;
用所述第二拼接区域替换所述轨迹点图幅对应的道路提取结果中该相邻两个图像块的第二拼接区域。
7.一种道路提取装置,其特征在于,包括:
图幅获取模块,用于获取轨迹点图幅,所述轨迹点图幅中记载有若干条轨迹数据,所述若干条轨迹数据包括基于位置服务采集的步行和骑行的轨迹数据;
划分模块,用于将所述轨迹点图幅划分为多个图像块,每个图像块划分为多个像元;
异常处理模块,用于根据所述步行和骑行的轨迹数据中轨迹点的标签确定异常轨迹点;所述轨迹点的标签是所述位置服务在采集轨迹数据时给各个轨迹点赋予的,所述轨迹点的标签包括:用于指示轨迹点精度的精度标签,用于指示轨迹点速度的速度标签,用于指示轨迹点高程的高程标签,以及用于指示轨迹点位置的位置标签;将所述步行和骑行的轨迹数据中的各条轨迹数据中的异常轨迹点删除,得到过滤后的步行和骑行的轨迹数据;
特征获取模块,用于根据所述过滤后的步行和骑行的轨迹数据,确定各个图像块中的每个像元中的轨迹点的数量,以及每个像元中的轨迹点在多个方向上的平均速度矢量,其中,对于每一个像元,统计该像元中所有轨迹点的速度标量的平均值和方向的平均值,得到该像元的平均速度矢量;所述平均速度矢量包括:第一速度矢量分量和第二速度矢量分量;所述第一速度矢量分量和所述第二速度矢量分量通过对所述平均速度矢量进行正交分解得到;所述轨迹点的数量、所述第一速度矢量分量和第二速度矢量分量用于有效表达步骑行道路;
提取模块,用于对于每一个图像块,利用预先训练好的道路提取模型对该图像块进行处理,得到该图像块对应的道路提取结果;
拼接模块,用于将各个图像块对应的道路提取结果进行拼接,得到所述轨迹点图幅对应的道路提取结果。
8.一种道路提取设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,实现如权利要求1-6任一项所述的道路提取方法的各个步骤。
9.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1-6任一项所述的道路提取方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110104935.4A CN112732860B (zh) | 2021-01-26 | 2021-01-26 | 道路提取方法、装置、可读存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110104935.4A CN112732860B (zh) | 2021-01-26 | 2021-01-26 | 道路提取方法、装置、可读存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112732860A CN112732860A (zh) | 2021-04-30 |
CN112732860B true CN112732860B (zh) | 2022-04-08 |
Family
ID=75593612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110104935.4A Active CN112732860B (zh) | 2021-01-26 | 2021-01-26 | 道路提取方法、装置、可读存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112732860B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902830B (zh) * | 2021-12-08 | 2022-03-04 | 腾讯科技(深圳)有限公司 | 轨迹路网生成方法 |
CN117115382B (zh) * | 2023-10-25 | 2024-02-09 | 腾讯科技(深圳)有限公司 | 地图道路绘制方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107631733A (zh) * | 2016-07-19 | 2018-01-26 | 北京四维图新科技股份有限公司 | 基于浮动车轨迹发现新增道路的方法、装置以及服务器 |
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 |
CN112115817A (zh) * | 2020-09-01 | 2020-12-22 | 国交空间信息技术(北京)有限公司 | 基于深度学习的遥感影像道路轨迹正确性核查方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9816823B2 (en) * | 2013-03-15 | 2017-11-14 | Hewlett Packard Enterprise Development Lp | Updating road maps |
-
2021
- 2021-01-26 CN CN202110104935.4A patent/CN112732860B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107631733A (zh) * | 2016-07-19 | 2018-01-26 | 北京四维图新科技股份有限公司 | 基于浮动车轨迹发现新增道路的方法、装置以及服务器 |
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 |
CN112115817A (zh) * | 2020-09-01 | 2020-12-22 | 国交空间信息技术(北京)有限公司 | 基于深度学习的遥感影像道路轨迹正确性核查方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112732860A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462275B (zh) | 一种基于激光点云的地图生产方法和装置 | |
CN112417953B (zh) | 道路状况检测和地图数据更新方法、装置、系统及设备 | |
CN109241846B (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
CN111261016B (zh) | 道路地图的构建方法、装置和电子设备 | |
CN106323301A (zh) | 一种道路情报的获取方法及装置 | |
CN112883820B (zh) | 基于激光雷达点云的道路目标3d检测方法及系统 | |
CN112732860B (zh) | 道路提取方法、装置、可读存储介质及设备 | |
CN114299464A (zh) | 车道定位方法、装置及设备 | |
CN113887376A (zh) | 目标检测方法、装置、介质及设备 | |
CN113762044A (zh) | 道路识别方法、装置、计算机设备和存储介质 | |
CN112257668A (zh) | 主辅路判断方法、装置、电子设备及存储介质 | |
CN113449692A (zh) | 一种基于无人机的地图车道信息更新方法及其系统 | |
Yin et al. | A multi-task learning framework for road attribute updating via joint analysis of map data and GPS traces | |
CN111695627A (zh) | 路况检测方法、装置、电子设备及可读存储介质 | |
Yin et al. | Multimodal fusion of satellite images and crowdsourced GPS traces for robust road attribute detection | |
Guo et al. | A novel method for road network mining from floating car data | |
CN116721229B (zh) | 地图中道路隔离带的生成方法、装置、设备及存储介质 | |
CN114299230A (zh) | 一种数据生成方法、装置、电子设备及存储介质 | |
CN112396831B (zh) | 一种交通标识的三维信息生成方法和装置 | |
CN112507992A (zh) | 道路图像之间的拍摄距离确定方法、装置、设备及介质 | |
CN111767839A (zh) | 一种车辆行驶轨迹确定方法、装置、设备及介质 | |
CN117011481A (zh) | 构建三维地图的方法、装置、电子设备及存储介质 | |
CN117011692A (zh) | 一种道路识别的方法以及相关装置 | |
CN115773744A (zh) | 模型训练和路网处理方法、装置、设备、介质和产品 | |
Eftelioglu et al. | Ring-net: road inference from gps trajectories using a deep segmentation network |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40043406 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |