CN113379754A - 基于车载gps数据与神经网络的道路中心线提取方法 - Google Patents
基于车载gps数据与神经网络的道路中心线提取方法 Download PDFInfo
- Publication number
- CN113379754A CN113379754A CN202011390025.9A CN202011390025A CN113379754A CN 113379754 A CN113379754 A CN 113379754A CN 202011390025 A CN202011390025 A CN 202011390025A CN 113379754 A CN113379754 A CN 113379754A
- Authority
- CN
- China
- Prior art keywords
- neural network
- center line
- road
- gps data
- vehicle
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
Abstract
本发明涉及一种利用车载GPS数据与神经网络获得道路中心线的方法,所述预测方法包括,首先对人工标记的道路中心线与对应区域的车辆GPS数据进行预处理得到矩阵形式的数据作为训练样本;使用上一步中得到的训练样本,将道路中心线作为目标值,车载GPS数据作为输入,使用梯度下降方法对神经网络进行训练;最后对新区域的车载GPS数据进行预处理,并将样本送入训练好的神经网络中。对神经网络的输出进行处理得到该区域的道路中心线。
Description
技术领域
本发明涉及一种利用海量车载GPS提取道路中心线方法,属于测绘与地理信息学领域。
本发明所提出道路中心线生成方法,是交通矢量地图制作的重要技术支撑。
本文提出了一种利用GPS数据提取道路特征的方法。
背景技术
GIS(Geographic Information System)系统在人们的日产出行之中扮演者重要的角色,较为突出的应用有车辆导航系统,拥堵实时播报系统,出行时间预测系统等。通过先进的机器学习方法与网络通信技术,为人们安排更加方便的出行路线。
电子矢量地图是GIS系统中的重要组成部分。过去,地图的制作需要搭载高精度GPS设备的车辆进行实地探测。这种方法虽然可以得到高精度的地图,但是更新一次地图需要耗费大量的人力物力,通常受限于人力、资金等因素,用这种方法测绘地图往往有很长的更新周期。与之相对的是随着中国城市化进程的加快,道路网络变化的速度也在加快。当电子地图无法做到实时更新时,会给予智能交通系统错误的信息,这会导致交通运输压力的增大与资源能源的浪费。如何高效化、及时化、自动化获取以及更新电子地图具有重要的商业及研究价值。
随着车载GPS终端的普及,以及滴滴、优步等网约车服务的兴起,数据分析师可以轻易的获取海量的车载GPS数据,这些数据能够覆盖当地的通行道路,随即有许多基于GPS数据的道路矢量图提取方法被提出。这其中大致可以分为两类:1.将浮动车辆的GPS轨迹数据转化为独立GPS点数据,利用核密度估计方法找到GPS点最密集的区域计算出道路中心线。2.将车载GPS轨迹看做曲线,利用部分曲线聚类方法得到道路中心线。这些方法利用了非监督学习的方法,流程中包含有许多基于经验的设计,无法很好地描述道路特征,适应性较差。
附图说明
图1为本发明基于车载GPS数据与神经网络的道路中心线提取方法。
图2为本发明使用GPS数据特征提取方法。
图3为本发明使用的用于学习道路中心线与特征之间映射关系的神经网络。
发明内容
为了解决现有技术中的上述问题,本发明的提供一种基于车载GPS数据与神经网络的道路中心线提取方法。
参见图1,一种基于车载GPS数据与神经网络的道路中心线提取方法,所述方法包括以下5个步骤:
步骤100:划分M个等大的区域,利用出租车的出行记录获得对应区域的GPS数据,利用人工标记或现有道路矢量图获得对应区域的道路中心线;
步骤200:对于步骤100中的每一个区域中的GPS数据进行处理得到关于道路的特征矩阵,作为输入。
步骤300:对于步骤100中的每一个区域中的人工标记中心线进行处理得到关于道路中心线的矩阵,作为输出
步骤400:使用步骤200与步骤300中得到的训练样本,将道路中心线作为目标值,车载GPS数据作为输入,使用动量梯度下降方法对网络参数进行训。
步骤500:将训练好模型的应用于新的区域,以获得该区域的道路中心线。
所述基于车载GPS数据与神经网络的道路中心线提取方法,具体来说包括三个部分:
1)训练样本的获取与预处理:划分M个等大的区域,获得对应区域的累积车载GPS数据与道路中心线,对这些数据进行处理得到矩阵形式的训练样本。
2)模型构建与训练:构建全卷积神经网络(Fully Convolution Networks,FCN),并使用步骤1)中得到的训练样本,将道路中心线作为目标值,车载GPS数据作为输入,使用动量梯度下降方法对网络参数进行训练。
3)预测道路中心线:对新区域的车载GPS数据进行预处理,并将样本送入训练好的神经网络中。对神经网络的输出进行处理得到该区域的道路中心线。
1)中的车载GPS数据预处理方法示意图如图2所示,具体流程包括:
1.1.1)将选定区域按照空间等分为N×N的栅格网络。
1.1.2)根据GPS数据点的位置,将GPS点分配至对应的栅格当中。
1.1.3)将角度区间0-360°平均划分为8个子区间,对于位于第i行第j列的栅格中的GPS点,根据其航向角划分至对应的子区间当中可以得到向量(n1,n2,...,n8),其中nk表示航向角大于 (k-1)*45°,小于k*45°的GPS点的数量。则该栅格的特征向量
1.1.4)按照1.1.3)中的方法对每一个栅格进行处理,合并各个特征,最终可以得到尺寸为N×N×8的矩阵X作为该区域的特征矩阵。Xi,j,k表示位于第i行,第j列的栅格中大于(k-1)*45°,小于k*45°的GPS点所占该栅格中总GPS点数量的比例。
此外,1)中人工标记的道路中心线预处理方法如下:
1.2.1)将选定区域按照空间等分为N×N的栅格网络。
1.2.2)遍历每一个栅格,计算其中心位置到道路中心线的最短距离h。
具体的,2)中的全卷积神经网络如图3所示,包含有输入层、卷积层、池化层、跨层特征融合、输出层模块。输出层尺寸与单个样本损失函数为:
利用随机梯度下降法对网络参数进行更新,具体方法如下:
2.1)随机挑选K个样本。
2.2)执行前向传播,计算损失函数。
式中θ表示卷积神经网络中的各个参数,f(θ,Xi)表示第i 个样本经过神经网络后的输出,Yi表示第i个样本的真实值。
2.3)执行反向转播算法,并依次更新各个参数:
θi(t+1)=θi(t)-α(βδi(t)+(1-β)*δi(t-1))
t=t+1
2.4)重复2.1)-2.3)直到迭代次数t大于设定值。
具体的3)中新区域的车载GPS数据进行预处理方法与1.1) 相同,此外通过神经网络输出得到道路中心线包含有以下几个步骤:
3.1)确定阈值将网络输出转化为二值图像。
3.2)分别对二值图像进行形态学开运算与闭运算。
3.3)对3.2)中得到的图像进行细化处理,得到单像素宽度的道路中心线。
根据本发明的实施例,本发明公开了以下成果:
提出了一种利用车载GPS轨迹数据描述道路特征的方法,并且通过卷积神经网络学习道路中心线与道路特征之间的映射关系。经过训练的神经网络可以被应用于推测新的区域的道路中心线。
Claims (5)
1.一种基于车载GPS数据与神经网路的道路中心线提取方法,其特征在于包含有以下几个步骤:
步骤100:划分M个等大的区域,利用出租车的出行记录获得对应区域的GPS数据,利用人工标记或现有道路矢量图获得对应区域的道路中心线;
步骤200:对于步骤100中的每一个区域中的GPS处理得到关于道路的特征矩阵,作为输入;
步骤300:对于步骤100中的每一个区域中的道路中心线数据进行处理得到关于道路中心线特征矩阵,作为样本真实值;
步骤400:构建全卷积神经网络,并使用步骤200与步骤300得到的训练样本,利用梯度下降法对网络进行训练;
步骤500:将训练好模型的应用于新的区域,以获得该区域的道路中心线。
2.如权利要求1基于车辆GPS数据与神经网路的道路中心线提取方法,其特征在于,步骤200中,车载GPS数据的预处理方法包含以下几个步骤:
步骤201:将选定区域按照空间等分为N×N的栅格网络;
步骤202:根据GPS数据点的位置,将GPS点分配至对应的栅格当中;
步骤203:将角度区间0-360°平均划分为8个子区间,对于位于第i行第j列的栅格中的GPS点,根据其航向角划分至对应的子区间当中可以得到向量(n1,n2,...,n8),其中nk表示航向角大于(k-1)*45°,小于k*45°的GPS点的数量。则该栅格的特征向量υi,j=(α1,α2,...,α8):
步骤204:按照步骤103中的方法对每一个栅格进行处理,合并各个特征,最终可以得到尺寸为N×N×8的矩阵X作为该区域的特征矩阵。Xi,j,k表示位于第i行,第j列的栅格中大于(k-1)*45°,小于k*45°的GPS点所占该栅格中总GPS点数量的比例。
4.如权利要求1基于车辆GPS数据与神经网路的道路中心线提取方法,其特征在于用于训练与预测的神经网络为包含有编码器与解码器结构的全卷积神经网络。
5.如权利要求1基于车辆GPS数据与神经网路的道路中心线提取方法,步骤500中通过神经网络输出得到道路中心线包含有几个步骤:
步骤501:获得的新区域的车载GPS数据,对其进行预处理具体同步骤200;
步骤502:将样本送入训练好的神经网络中得到输出;
步骤503:确定阈值将网络输出转化为二值图像;
步骤504:分别对二值图像进行形态学开运算与闭运算;
步骤505:对步骤504中得到的图像进行细化处理,得到单像素宽度的道路中心线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011390025.9A CN113379754A (zh) | 2020-12-02 | 2020-12-02 | 基于车载gps数据与神经网络的道路中心线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011390025.9A CN113379754A (zh) | 2020-12-02 | 2020-12-02 | 基于车载gps数据与神经网络的道路中心线提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379754A true CN113379754A (zh) | 2021-09-10 |
Family
ID=77569127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011390025.9A Pending CN113379754A (zh) | 2020-12-02 | 2020-12-02 | 基于车载gps数据与神经网络的道路中心线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379754A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761881A (zh) * | 2014-02-20 | 2014-04-30 | 中国航天系统工程有限公司 | 一种基于智能手机的交通流信息采集方法 |
CN105444770A (zh) * | 2015-12-18 | 2016-03-30 | 上海交通大学 | 基于智能手机的车道级别地图生成和定位系统及方法 |
CN107103754A (zh) * | 2017-05-10 | 2017-08-29 | 华南师范大学 | 一种道路交通状况预测方法及系统 |
US20180157963A1 (en) * | 2016-12-02 | 2018-06-07 | Fleetmatics Ireland Limited | Vehicle classification using a recurrent neural network (rnn) |
CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
US20190213451A1 (en) * | 2018-01-08 | 2019-07-11 | Visteon Global Technologies, Inc. | Map and environment based activation of neural networks for highly automated driving |
CN110008872A (zh) * | 2019-03-25 | 2019-07-12 | 浙江大学 | 一种结合车辆轨迹和遥感图像的路网提取方法 |
CN110136222A (zh) * | 2019-04-17 | 2019-08-16 | 百度在线网络技术(北京)有限公司 | 虚拟车道线生成方法、装置及系统 |
CN110348383A (zh) * | 2019-07-11 | 2019-10-18 | 重庆市地理信息中心 | 一种基于卷积神经网络回归的道路中心线和双线提取方法 |
US20190339709A1 (en) * | 2018-05-04 | 2019-11-07 | Direct Current Capital LLC | Method for updating a localization map for a fleet of autonomous vehicles |
CN110516653A (zh) * | 2019-09-03 | 2019-11-29 | 武汉天擎空间信息技术有限公司 | 一种基于多光谱机载激光雷达点云数据的道路提取方法 |
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 |
CN111062958A (zh) * | 2019-11-21 | 2020-04-24 | 滁州学院 | 一种城市道路要素提取方法 |
CN111811525A (zh) * | 2020-06-09 | 2020-10-23 | 广东国地规划科技股份有限公司 | 一种基于遥感图像和浮动车轨迹的路网生成方法及系统 |
-
2020
- 2020-12-02 CN CN202011390025.9A patent/CN113379754A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761881A (zh) * | 2014-02-20 | 2014-04-30 | 中国航天系统工程有限公司 | 一种基于智能手机的交通流信息采集方法 |
CN105444770A (zh) * | 2015-12-18 | 2016-03-30 | 上海交通大学 | 基于智能手机的车道级别地图生成和定位系统及方法 |
US20180157963A1 (en) * | 2016-12-02 | 2018-06-07 | Fleetmatics Ireland Limited | Vehicle classification using a recurrent neural network (rnn) |
CN107103754A (zh) * | 2017-05-10 | 2017-08-29 | 华南师范大学 | 一种道路交通状况预测方法及系统 |
US20190213451A1 (en) * | 2018-01-08 | 2019-07-11 | Visteon Global Technologies, Inc. | Map and environment based activation of neural networks for highly automated driving |
US20190339709A1 (en) * | 2018-05-04 | 2019-11-07 | Direct Current Capital LLC | Method for updating a localization map for a fleet of autonomous vehicles |
CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
CN110008872A (zh) * | 2019-03-25 | 2019-07-12 | 浙江大学 | 一种结合车辆轨迹和遥感图像的路网提取方法 |
CN110136222A (zh) * | 2019-04-17 | 2019-08-16 | 百度在线网络技术(北京)有限公司 | 虚拟车道线生成方法、装置及系统 |
CN110348383A (zh) * | 2019-07-11 | 2019-10-18 | 重庆市地理信息中心 | 一种基于卷积神经网络回归的道路中心线和双线提取方法 |
CN110516653A (zh) * | 2019-09-03 | 2019-11-29 | 武汉天擎空间信息技术有限公司 | 一种基于多光谱机载激光雷达点云数据的道路提取方法 |
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 |
CN111062958A (zh) * | 2019-11-21 | 2020-04-24 | 滁州学院 | 一种城市道路要素提取方法 |
CN111811525A (zh) * | 2020-06-09 | 2020-10-23 | 广东国地规划科技股份有限公司 | 一种基于遥感图像和浮动车轨迹的路网生成方法及系统 |
Non-Patent Citations (2)
Title |
---|
XIAOFEI YANG: "Road Detection and Centerline Extraction Via Deep Recurrent Convolutional Neural Network U-Net", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
吴代晖: "基于双目视觉的车道级高精地图制作", 《北京测绘》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11333796B2 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
CN107703564B (zh) | 一种降雨预测方法、系统及电子设备 | |
CN111178213B (zh) | 一种基于深度学习的航拍车辆检测方法 | |
CN108920481B (zh) | 一种基于手机定位数据的道路网重建方法及系统 | |
CN109272157A (zh) | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 | |
CN104408203A (zh) | 一种预测移动对象轨迹终点的方法 | |
CN108961758B (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
CN110427993B (zh) | 基于气象参数的高速列车导航盲区定位方法 | |
CN109739926A (zh) | 一种基于卷积神经网络的移动对象目的地预测方法 | |
CN112017436B (zh) | 城市市内交通旅行时间的预测方法及系统 | |
WO2022142418A1 (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN112862090A (zh) | 一种基于深度时空神经网络的气温预报方法 | |
CN112785077A (zh) | 基于时空数据的出行需求预测方法及系统 | |
CN113343858B (zh) | 路网地理位置识别方法、装置、电子设备及存储介质 | |
CN112365708A (zh) | 基于多图卷积网络的景区交通量预测模型建立和预测方法 | |
CN112201037B (zh) | 一种基于抽样轨迹数据的交叉口到达率估计方法 | |
CN113505521A (zh) | 一种耦合神经网络-数值模拟的城市内涝快速预报方法 | |
CN110889444A (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
CN109712402B (zh) | 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 | |
CN116913088A (zh) | 一种用于高速公路的智能流量预测方法 | |
CN109979194B (zh) | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
CN109064750A (zh) | 城市路网交通估计方法及系统 | |
CN117217089A (zh) | 一种基于双向长短期记忆网络的航迹预测方法 | |
CN108447262A (zh) | 一种由行车轨迹构造“数字化道路”的技术与方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210910 |