CN113076387B - 一种基于多基元图谱匹配的道路路网匹配方法及装置 - Google Patents
一种基于多基元图谱匹配的道路路网匹配方法及装置 Download PDFInfo
- Publication number
- CN113076387B CN113076387B CN202110379570.6A CN202110379570A CN113076387B CN 113076387 B CN113076387 B CN 113076387B CN 202110379570 A CN202110379570 A CN 202110379570A CN 113076387 B CN113076387 B CN 113076387B
- Authority
- CN
- China
- Prior art keywords
- matching
- road
- road network
- buffer area
- polygon
- 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
- G06F16/23—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
- G06F16/2455—Query execution
- G06F16/24552—Database cache management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本申请提出一种基于多基元图谱匹配的道路路网匹配方法、装置、电子设备及存储介质,该方法包括:对基准路网数据进行分段并计算缓冲区,得到缓冲区多边形;将所述缓冲区多边形与待匹配路网矢量求交,获取候选匹配对象;对于所述缓冲区内部的相交矢量计算相似性度量;根据所述缓冲区多边形的邻域关系建立邻接矩阵;提取所述邻接矩阵的图谱特征;由所述图谱特征得到每一路段的候选匹配值;利用投票法分析每一路段的候选匹配值,确定最终匹配值。本申请可以快速、稳定、可靠的实现路网配准,进而进行路网更新。
Description
技术领域
本申请属于智能交通技术领域,具体涉及一种基于多基元图谱匹配的道路路网匹配方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的迅猛发展,自动驾驶和人工智能已经成为当前的技术热点,以AI智能为代表的高精度路网地图已经突破传统地图的局限,在移动导航、智慧城市、物联网等领域有广泛应用。路网地图的更新、融合是地图生产商(高德、百度等)面临的难题之一。路网匹配是解决此难题的关键技术,它能够将不同类型、不同时相、不同坐标系的多源路网数据配准,实现多源路网数据的集成更新,从而提高数据质量,解决不一致问题。
当前实现路网匹配的方法分为几类:基于几何信息的匹配算法,考虑形状、角度等常规要素,属于早期的一些算法,实现最简单,准确度最低;基于拓扑信息的算法在几何信息基础上加入拓扑关系的考虑,准确度在一定程度上有所提高,但容易受到噪声和数据稀疏性的影响;基于概率松弛的算法,实现比较困难,且需要迭代,实际上应用不多;比较高级的算法理论,包括隐式马尔可夫模型、卡尔曼滤波、模糊逻辑模型、机器学习等等,在实际应用中准确度是相对最高的,实现相对复杂。
针对具有同一比例尺但坐标系不同(图1所示)的两种路网数据,目前尚没有很好的道路路网匹配方法。
发明内容
本申请提出一种基于多基元图谱匹配的道路路网匹配方法、装置、电子设备及存储介质,可以快速、稳定、可靠的实现路网配准,进而进行路网更新。
本申请第一方面实施例提出了一种基于多基元图谱匹配的道路路网匹配方法,所述方法包括:
对基准路网数据进行分段并计算缓冲区,得到缓冲区多边形;
将所述缓冲区多边形与待匹配路网矢量求交,获取候选匹配对象;
对于所述缓冲区内部的相交矢量计算相似性度量;
根据所述缓冲区多边形的邻域关系建立邻接矩阵;
提取所述邻接矩阵的图谱特征;
由所述图谱特征得到每一路段的候选匹配值;
利用投票法分析每一路段的候选匹配值,确定最终匹配值。
进一步地,所述对基准路网数据进行分段并计算缓冲区,得到缓冲区多边形,包括:
将连续基准路网数据根据车道变化、曲率分成多个路段;对局部路段根据给定的缓冲区距离参数进行缓冲区分析,得到缓冲区多边形。
进一步地所述相似性度量的指标包括:Hausdorff距离、方向一致性、属性一致性;对矢量数据按给定间隔重采样得到加密后的路段矢量,之后进行Hausdorff距离计算并做归一化处理,得到Hausdorff距离指标;所述方向一致性指标是路段首尾两点矢量的夹角;所述属性一致性指标根据道路类型、宽度、车道数信息来评判相似性。
进一步地,所述根据所述缓冲区多边形的邻域关系建立邻接矩阵,包括:
将每一路段或缓冲区多边形看作一个节点,根据几何关系确定相邻节点并构建邻接矩阵。
进一步地,所述提取所述邻接矩阵的图谱特征,包括:
采用ARPACK数学库,对所述邻接矩阵提取矩阵特征值和矩阵特征向量。
进一步地,所述由所述图谱特征得到每一路段的候选匹配值,包括:
将所有的所述矩阵特征向量排序并统计均值,提取矩阵特征值大于设定阈值所对应的矩阵索引作为候选匹配值。
进一步地,利用投票法分析每一路段的候选匹配值,确定最终匹配值,包括:
将各个分路段合并,统计匹配直方图,选取直方图数量最多者为最终的路网匹配结果。
本申请第二方面的实施例提供了一种基于多基元图谱匹配的道路路网匹配装置,所述装置包括:
分段缓冲模块,用于对基准路网数据进行分段并计算缓冲区,得到缓冲区多边形;
矢量求交模块,用于将所述缓冲区多边形与待匹配路网矢量求交,获取候选匹配对象;
相似度计算模块,用于对于所述缓冲区内部的相交矢量计算相似性度量;
邻接矩阵建立模块,用于根据所述缓冲区多边形的邻域关系建立邻接矩阵;
特征提取模块,用于提取所述邻接矩阵的图谱特征;
候选匹配模块,用于由所述图谱特征得到每一路段的候选匹配值;
最优确定模块,用于利用投票法分析每一路段的候选匹配值,确定最终匹配值。
本申请第三方面的实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序以实现上述第一方面所述的方法。
本申请第四方面的实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行实现上述第一方面所述的方法。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
(1)对基准路网进行缓冲区分析并分段,通过缓冲区与待匹配路网求交,获取候选匹配;通过对路段矢量内插加密的方式计算多源相似性度量值;利用几何邻域关系建立邻接矩阵并提取图谱特征,通过图谱特征获取初步匹配值;投票法将各个分路段匹配结果综合分析,确定最优匹配。
(2)可以快速、稳定、可靠的实现路网配准,进而进行路网更新。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变的明显,或通过本申请的实践了解到。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。
在附图中:
图1示出了现有技术中具有同一比例尺但坐标系不同的两种路网数据图;
图2示出了本申请一实施例所提供的一种基于多基元图谱匹配的道路路网匹配方法的详细流程图;
图3示出了本申请一实施例所提供的局部路网与缓冲区示意图;
图4示出了本申请一实施例所提供的缓冲区与待匹配路网求交示意图;
图5示出了本申请一实施例所提供的自动匹配结果示意图;
图6示出了本申请一实施例所提供的一种基于多基元图谱匹配的道路路网匹配装置的结构示意图;
图7示出了本申请一实施例所提供的一种电子设备的结构示意图;
图8示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
下面结合附图来描述根据本申请实施例提出的一种基于多基元图谱匹配的道路路网匹配方法、装置、电子设备及存储介质。
本申请实施例提供了一种基于多基元图谱匹配的道路路网匹配方法,该方法对基准路网进行缓冲区分析并分段,通过缓冲区与待匹配路网求交,获取候选匹配;通过对路段矢量内插加密的方式计算多源相似性度量值;利用几何邻域关系建立邻接矩阵并提取图谱特征,通过图谱特征获取初步匹配值;投票法将各个分路段匹配结果综合分析,确定最优匹配。可以快速、稳定、可靠的实现路网配准,进而进行路网更新。
参见图2,该方法具体包括以下步骤;
步骤101:对基准路网数据进行分段并计算缓冲区,得到缓冲区多边形。
将连续路网数据根据车道变化、曲率等分成多个路段,这样可以充分考虑局部信息对匹配的影响。对局部路段根据给定的缓冲区距离参数进行缓冲区分析,得到缓冲区多边形(如图3所示),用于提取候选待匹配路网矢量。
步骤102:将缓冲区多边形与待匹配路网矢量求交,获取候选匹配对象。
如图4所示,通过缓冲区与待匹配路网矢量求交计算,以排除非相关路网矢量的干扰,仅保留缓冲区范围内的道路矢量,有利于提取有效候选匹配对象,提高效率和准确率。
步骤103:对于缓冲区内部相交矢量计算相似性度量。
本申请采用的多基元相似性度量指标:Hausdorff距离、方向一致性、属性一致性。Hausdorff距离是一种定义于两个点集上的最大-最小(max-min)距离,它主要用于测量两个点集的匹配程度。为了提高Hausdorff距离计算的准确性,需要对两个路段矢量进行预处理,即对矢量数据按给定间隔重采样得到加密后的路段矢量,之后进行Hausdorff距离计算并做归一化处理,其值记为Sim1。方向一致性指标是指路段首尾两点矢量的夹角,如夹角大于90度直接排除,否则除以90然后归一化到[0,1]区间,记为Sim2。属性一致性指标根据道路类型、宽度、车道数信息来评判相似性,记为Sim3。在计算完三个相似性指标后,根据给定的权重得到最后的加权均值,公式为:
Sim=0.6*Sim1+0.2*Sim2+0.2*Sim3
步骤104:由缓冲区多边形的邻域关系建立邻接矩阵。
邻接矩阵(Adjacency Matrix)是表示节点之间相邻关系的矩阵,能够表示两个节点的权值大小与方向。将每一路段(或缓冲区多边形)看作一个节点,根据几何关系确定相邻节点并构建邻接矩阵,这样路段与路段之间的相互关系便可以用邻接矩阵表现出来。接下来对邻接矩阵的谱特征进行提取与分析即可实现路段匹配。
步骤105:提取邻接矩阵的图谱特征。
矩阵的谱是矩阵的特征值与特征向量及其衍生特征的总称,图谱特征是矩阵的另一种表达方式,具有表达简单、可降维、运算方便等优点。一个矩阵可以由它的所有特征向量完全表示,不同特征向量代表了不同的方向,对应的特征值代表在此方向上的影像因子,特征值越大表示该方向是主要特征。本申请采用ARPACK数学库,能够实现对超大规模矩阵快速提取矩阵特征值和特征向量。
步骤106:由图谱特征得到每一路段的候选匹配值。
将所有的矩阵特征向量排序并统计其均值Mean,提取特征值大于0.1*Mean所对应的矩阵索引作为候选匹配值。
步骤107:利用投票法分析每一路段的候选匹配值,确定最终匹配值。
将各个分路段合并,统计匹配直方图,选取直方图数量最多者为最终的路网匹配结果,这样不仅剔除了噪声带来的匹配误差,同时顾及了整体路网信息,具有很强的鲁棒性。
通过上述技术方案可知,本申请实施例中,首先,对基准路网进行缓冲区分析并分段,通过缓冲区与待匹配路网求交,获取候选匹配;其次,通过对路段矢量内插加密的方式计算多源相似性度量值;然后,通过几何邻域关系建立邻接矩阵并提取图谱特征,通过图谱特征获取初步匹配值;最后,利用投票法将各个份路段匹配结果综合分析,确定最优匹配,提高了匹配的稳定性和准确率。经过实验证明,识别准确率能够达到90%以上(如图5所示)。
申请实施例提供了一种基于多基元图谱匹配的道路路网匹配装置,该装置用于执行上述实施例所述的基于多基元图谱匹配的道路路网匹配方法,如图6所示,该装置包括:
分段缓冲模块501:对基准路网数据进行分段并计算缓冲区,得到缓冲区多边形。
将连续路网数据根据车道变化、曲率等分成多个路段,这样可以充分考虑局部信息对匹配的影响。对局部路段根据给定的缓冲区距离参数进行缓冲区分析,得到缓冲区多边形(如图3所示),用于提取候选待匹配路网矢量。
矢量求交模块502:将缓冲区多边形与待匹配路网矢量求交,获取候选匹配对象。
如图4所示,通过缓冲区与待匹配路网矢量求交计算,以排除非相关路网矢量的干扰,仅保留缓冲区范围内的道路矢量,有利于提取有效候选匹配对象,提高效率和准确率。
相似度计算模块503:对于缓冲区内部相交矢量计算相似性度量。
本申请采用的多基元相似性度量指标:Hausdorff距离、方向一致性、属性一致性。Hausdorff距离是一种定义于两个点集上的最大-最小(max-min)距离,它主要用于测量两个点集的匹配程度。为了提高Hausdorff距离计算的准确性,需要对两个路段矢量进行预处理,即对矢量数据按给定间隔重采样得到加密后的路段矢量,之后进行Hausdorff距离计算并做归一化处理,其值记为Sim1。方向一致性指标是指路段首尾两点矢量的夹角,如夹角大于90度直接排除,否则除以90然后归一化到[0,1]区间,记为Sim2。属性一致性指标根据道路类型、宽度、车道数信息来评判相似性,记为Sim3。在计算完三个相似性指标后,根据给定的权重得到最后的加权均值,公式为:
Sim=0.6*Sim1+0.2*Sim2+0.2*Sim3
邻接矩阵建立模块504:由缓冲区多边形的邻域关系建立邻接矩阵。
邻接矩阵(Adjacency Matrix)是表示节点之间相邻关系的矩阵,能够表示两个节点的权值大小与方向。将每一路段(或缓冲区多边形)看作一个节点,根据几何关系确定相邻节点并构建邻接矩阵,这样路段与路段之间的相互关系便可以用邻接矩阵表现出来。接下来对邻接矩阵的谱特征进行提取与分析即可实现路段匹配。
特征提取模块505:提取邻接矩阵的图谱特征。
矩阵的谱是矩阵的特征值与特征向量及其衍生特征的总称,图谱特征是矩阵的另一种表达方式,具有表达简单、可降维、运算方便等优点。一个矩阵可以由它的所有特征向量完全表示,不同特征向量代表了不同的方向,对应的特征值代表在此方向上的影像因子,特征值越大表示该方向是主要特征。本申请采用ARPACK数学库,能够实现对超大规模矩阵快速提取矩阵特征值和特征向量。
候选匹配模块506:由图谱特征得到每一路段的候选匹配值。
将所有的矩阵特征向量排序并统计其均值Mean,提取特征值大于0.1*Mean所对应的矩阵索引作为候选匹配值。
最优确定模块507:利用投票法分析每一路段的候选匹配值,确定最终匹配值。
将各个分路段合并,统计匹配直方图,选取直方图数量最多者为最终的路网匹配结果,这样不仅剔除了噪声带来的匹配误差,同时顾及了整体路网信息,具有很强的鲁棒性。
本申请的上述实施例提供的基于多基元图谱匹配的道路路网匹配装置与本申请实施例提供的基于多基元图谱匹配的道路路网匹配方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的基于多基元图谱匹配的道路路网匹配方法对应的电子设备,以执行上基于多基元图谱匹配的道路路网匹配方法。本申请实施例不做限定。
请参考图7,其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图7所示,所述电子设备2包括:处理器200,存储器201,总线202和通信接口203,所述处理器200、通信接口203和存储器201通过总线202连接;所述存储器201中存储有可在所述处理器200上运行的计算机程序,所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的基于多基元图谱匹配的道路路网匹配方法。
其中,存储器201可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器201用于存储程序,所述处理器200在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的所述基于多基元图谱匹配的道路路网匹配方法可以应用于处理器200中,或者由处理器200实现。
处理器200可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201,处理器200读取存储器201中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的基于多基元图谱匹配的道路路网匹配方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的基于多基元图谱匹配的道路路网匹配方法对应的计算机可读存储介质,请参考图8,其示出的计算机可读存储介质为光盘30,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的基于多基元图谱匹配的道路路网匹配方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的基于多基元图谱匹配的道路路网匹配方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于多基元图谱匹配的道路路网匹配方法,其特征在于,所述方法包括;
对基准路网数据进行分段并计算缓冲区,得到缓冲区多边形,其中所述基准路网数据为用于对照的路网数据,并且其中所述基准路网数据包括多个路段;
将所述缓冲区多边形与待匹配路网矢量求交,获取候选匹配对象,其中所述候选匹配对象表示候选道路矢量;
对于所述缓冲区内部的相交矢量计算相似性度量,并得到加权均值,其中所述相似性度量用于测量两个节点的匹配程度,并且所述相似性度量包括Hausdorff距离指标、方向一致性、属性一致性,所述Hausdorff距离指标为对矢量数据按给定间隔重采样得到加密后的路段矢量,之后进行Hausdorff距离计算并做归一化处理得到,所述向一致性指标表示路段首尾两点矢量的夹角,所述属性一致性指标根据道路类型、宽度、车道数信息来评判相似性,并且其中所述节点为所述缓冲区多边形;
根据所述缓冲区多边形的邻域关系建立邻接矩阵,其中所述邻接矩阵能够表示两个节点的加权权值大小和方向;
提取所述邻接矩阵的图谱特征,其中所述图谱特征包括特征值和特征向量;
由所述图谱特征得到每一路段的候选匹配值;
利用投票法分析每一路段的候选匹配值,确定最终匹配值;
所述对基准路网数据进行分段并计算缓冲区,得到缓冲区多边形,包括:
将连续基准路网数据根据车道变化、曲率分成多个路段;对局部路段根据给定的缓冲区距离参数进行缓冲区分析,得到缓冲区多边形,其中所述缓冲区多边形用于提取候选待匹配路网矢量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述缓冲区多边形的邻域关系建立邻接矩阵,包括:
将每一路段或缓冲区多边形看作一个节点,根据几何关系确定相邻节点并构建邻接矩阵。
3.根据权利要求1所述的方法,其特征在于,所述提取所述邻接矩阵的图谱特征,包括:
采用ARPACK数学库,对所述邻接矩阵提取矩阵特征值和矩阵特征向量。
4.根据权利要求3所述的方法,其特征在于,所述由所述图谱特征得到每一路段的候选匹配值,包括:
将所有的所述矩阵特征向量排序并统计均值,提取矩阵特征值大于设定阈值所对应的矩阵索引作为候选匹配值,其中所述阈值为0.1*Mean,并且其中所述候选匹配值与所述候选匹配对象对应。
5.根据权利要求4所述的方法,其特征在于,利用投票法分析每一路段的候选匹配值,确定最终匹配值,包括:
将各个分路段合并,统计匹配直方图,选取直方图数量最多者为最终的路网匹配结果,其中所述分路段为将道路分割所得到的路段。
6.一种基于多基元图谱匹配的道路路网匹配装置,其特征在于,所述装置包括;
分段缓冲模块,用于对基准路网数据进行分段并计算缓冲区,得到缓冲区多边形;
矢量求交模块,用于将所述缓冲区多边形与待匹配路网矢量求交,获取候选匹配对象,其中所述候选匹配对象表示候选道路矢量;
相似度计算模块,用于对于所述缓冲区内部的相交矢量计算相似性度量,其中所述相似性度量用于测量两个节点的匹配程度,并且所述相似性度量包括Hausdorff距离、方向一致性、属性一致性,所述Hausdorff距离指标为对矢量数据按给定间隔重采样得到加密后的路段矢量,之后进行Hausdorff距离计算并做归一化处理得到,所述向一致性指标表示路段首尾两点矢量的夹角,所述属性一致性指标根据道路类型、宽度、车道数信息来评判相似性,并且其中所述节点为所述缓冲区多边形;
邻接矩阵建立模块,用于根据所述缓冲区多边形的邻域关系建立邻接矩阵,其中所述邻接矩阵能够表示两个节点的加权权值大小和方向;
特征提取模块,用于提取所述邻接矩阵的图谱特征,其中所述图谱特征包括特征值和特征向量;
候选匹配模块,用于由所述图谱特征得到每一路段的候选匹配值;
最优确定模块,用于利用投票法分析每一路段的候选匹配值,确定最终匹配值;
所述分段缓冲模块包括:路段划分模块,用于将连续基准路网数据根据车道变化、曲率分成多个路段;
缓冲区多边形生成模块,用于对局部路段根据给定的缓冲区距离参数进行缓冲区分析,得到缓冲区多边形,其中所述缓冲区多边形用于提取候选待匹配路网矢量。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序以实现如权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110379570.6A CN113076387B (zh) | 2021-04-08 | 2021-04-08 | 一种基于多基元图谱匹配的道路路网匹配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110379570.6A CN113076387B (zh) | 2021-04-08 | 2021-04-08 | 一种基于多基元图谱匹配的道路路网匹配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113076387A CN113076387A (zh) | 2021-07-06 |
CN113076387B true CN113076387B (zh) | 2022-09-20 |
Family
ID=76615745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110379570.6A Active CN113076387B (zh) | 2021-04-08 | 2021-04-08 | 一种基于多基元图谱匹配的道路路网匹配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076387B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113704377B (zh) * | 2021-08-30 | 2024-03-01 | 中国地质大学(武汉) | 一种结合人工交互与主动学习的路网匹配方法 |
CN114064835B (zh) * | 2021-11-18 | 2023-05-26 | 中国公路工程咨询集团有限公司 | 一种基于变化点检测的多源矢量路网更新方法和电子设备 |
CN116051614B (zh) * | 2023-03-29 | 2023-11-28 | 航天宏图信息技术股份有限公司 | 一种线状要素的多维度综合形状匹配度计算方法和装置 |
CN116662578B (zh) * | 2023-08-02 | 2023-10-31 | 中国标准化研究院 | 一种基于端到端的大型知识图谱构建和存储方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847322A (zh) * | 2010-05-21 | 2010-09-29 | 中国科学院地理科学与资源研究所 | 公交换乘线路确定方法 |
CN109271928A (zh) * | 2018-09-14 | 2019-01-25 | 武汉大学 | 一种基于矢量路网融合与高分遥感影像验证的道路网自动更新方法 |
CN111521191A (zh) * | 2020-04-20 | 2020-08-11 | 中国农业科学院农业信息研究所 | 一种基于信令数据的移动电话用户移动路径地图匹配方法 |
CN112445976A (zh) * | 2020-12-01 | 2021-03-05 | 苏州金螳螂怡和科技有限公司 | 一种基于拥堵指数图谱的城市地址定位方法 |
-
2021
- 2021-04-08 CN CN202110379570.6A patent/CN113076387B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847322A (zh) * | 2010-05-21 | 2010-09-29 | 中国科学院地理科学与资源研究所 | 公交换乘线路确定方法 |
CN109271928A (zh) * | 2018-09-14 | 2019-01-25 | 武汉大学 | 一种基于矢量路网融合与高分遥感影像验证的道路网自动更新方法 |
CN111521191A (zh) * | 2020-04-20 | 2020-08-11 | 中国农业科学院农业信息研究所 | 一种基于信令数据的移动电话用户移动路径地图匹配方法 |
CN112445976A (zh) * | 2020-12-01 | 2021-03-05 | 苏州金螳螂怡和科技有限公司 | 一种基于拥堵指数图谱的城市地址定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113076387A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113076387B (zh) | 一种基于多基元图谱匹配的道路路网匹配方法及装置 | |
US10627241B2 (en) | Map-centric map matching method and apparatus | |
US20200152060A1 (en) | Underground garage parking space extraction method and system for high-definition map making | |
JP2019153281A (ja) | 道路中の車線境界線を確定するための方法、装置および機器 | |
CN105975913B (zh) | 一种基于自适应聚类学习的道路网提取的方法 | |
CN108898101B (zh) | 基于素描图和先验约束的高分辨sar图像路网检测方法 | |
EP4047554A1 (en) | Training method for multi-object tracking model and multi-object tracking method | |
Soni et al. | Semiautomatic road extraction framework based on shape features and LS-SVM from high-resolution images | |
CN111353580B (zh) | 目标检测网络的训练方法、电子设备及存储介质 | |
Li et al. | Road extraction algorithm based on intrinsic image and vanishing point for unstructured road image | |
Mirnalinee et al. | An integrated multistage framework for automatic road extraction from high resolution satellite imagery | |
Liu et al. | Image-translation-based road marking extraction from mobile laser point clouds | |
CN111105435B (zh) | 标志物匹配方法、装置及终端设备 | |
Chen et al. | Image segmentation based on mathematical morphological operator | |
CN116628531A (zh) | 众包地图道路对象要素聚类方法、系统及存储介质 | |
Zhao et al. | Building outline delineation: From very high resolution remote sensing imagery to polygons with an improved end-to-end learning framework | |
CN111428567A (zh) | 一种基于仿射多任务回归的行人跟踪系统及方法 | |
CN113792726B (zh) | 一种基于视觉图像快速生成poi的方法及系统 | |
Yang et al. | Road extraction based on level set approach from very high-resolution images with volunteered geographic information | |
CN114066948A (zh) | 一种点云配准方法、系统、电子设备及存储介质 | |
Li et al. | Two-stage hough transform algorithm for lane detection system based on tms320dm6437 | |
Lim et al. | An optimization approach to shape matching and recognition | |
Zhang | Traffic Sign Detection Based on YOLO v3 | |
Mattson et al. | Reducing ego vehicle energy-use by LiDAR-based lane-level positioning | |
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 |