CN113538482A - 一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法 - Google Patents
一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法 Download PDFInfo
- Publication number
- CN113538482A CN113538482A CN202110703993.9A CN202110703993A CN113538482A CN 113538482 A CN113538482 A CN 113538482A CN 202110703993 A CN202110703993 A CN 202110703993A CN 113538482 A CN113538482 A CN 113538482A
- Authority
- CN
- China
- Prior art keywords
- road
- triangle
- point
- track
- lane
- 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.)
- Granted
Links
- 238000007667 floating Methods 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 238000003780 insertion Methods 0.000 claims description 6
- 230000037431 insertion Effects 0.000 claims description 6
- 238000012966 insertion method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T7/13—Edge detection
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法,包括如下步骤:(1)基于轨迹点的位置和方向角提出聚类方法,获取相似轨迹点簇;(2)通过构建Delaunay三角网的方法对聚类点簇构网提取车道级骨架线;(3)对道路多边形构建最小外接矩形获取道路宽度信息。本发明的方法能够跟轨迹数据空间非均匀特性相适应,较好地将浮动车轨迹数据按照不同的车道方向即按照车行道区分开来,并且获取车道数量以及道路宽度信息。
Description
技术领域
本发明涉及智能交通应用领域,尤其涉及一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法。
背景技术
城市道路作为城市的重要支撑,是整个城市得以正常运行的基础,作为经济活动和城市交通体系的重要载体,城市道路也是空间数据库中数据体量最大、更换速度最快、最具实践价值的内容之一。作为基础地理信息重要的数据支撑,城市道路数据是交通出行、城市资源管控与调度以及城市地图数据更新等领域重要的数据来源,在城市规划、交通导航以及大众出行等方面具有重要的意义和价值,其现势性对于基于地理位置的服务、智能交通等领域起着决定性作用。随着交通运输行业的迅猛发展和我国城镇化进度的加快,道城市路以及配套的基础设施正不断的处于修建、更新、完善等状态之中,城市道路发生着天翻地覆的变化,交通场景也愈来愈复杂,获取的道路交通信息也发生着日新月异的变化。
浮动车通常是指安装有GPS接收机装置的车辆,利用GPS定位技术来采集轨迹数据。利用浮动车轨迹数据来提取车道数量和车道线位置信息,其成本低、更新迅速、获取便利,GPS设备获取的大量位置点信息构成的轨迹数据集合遍布城市各级道路,能够实时获取大范围、全天候的道路交通信息。随着移动端定位技术的日趋成熟,配置有通信网络以及硬件设备的浮动车能够在短时间内获取蕴含丰富城市道路信息(经度,纬度,实时速度,方向角,采集时间,车辆ID等)的大量轨迹数据。浮动车的轨迹数据现已成为道路信息的主要数据来源,是目前道路信息探测的研究热点,利用易获取的海量浮动车轨迹数据提取道路几何及拓扑信息,自动构建、更新道路已成为城市道路数据实时更新最便捷的方式。对于现有的大部分道路提取方法,提取结果为单线道路,更加细节的车道级别道路信息还需要进一步的操作,车道级别的准确道路信息(车道数量、车道中心线位置、车道转向关系等)是智能驾驶的关键,基于浮动车轨迹数据实现车道级别的精细道路提取能够减少车道的数量信息采集的成本,缩短道路信息更新和维护的周期,具有重要的理论、实践意义和实际应用价值。
发明内容
本发明要解决的技术问题,在于提供一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法,针对目前绝大多数城市道路提取的结果以获取的道路中心线表示道路宽度信息,无法准确地反映道路内部的车道信息,满足智能交通和地图导航对城市交通日益精确的车道级路网需求。
本发明是这样实现的:一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法,其特征在于,包括如下步骤:
(1)基于轨迹点的位置和方向角提出聚类方法,获取相似轨迹点簇;
(2)通过构建Delaunay三角网的方法对聚类点簇构网提取车道级骨架线;
(3)对道路多边形构建最小外接矩形获取道路宽度信息。
进一步地,所述的一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法,包括如下步骤:
步骤10,基于浮动车轨迹点的方向角,首先定义浮动车方向角变化的阈值,根据阈值识别出同向行驶的浮动车轨迹点,然后顾及轨迹点位置信息设定邻域半径,以方向角变化阈值和邻域半径共同作为聚类的约束条件,对浮动车轨迹进行聚类获取相似轨迹簇,实现对车行道的划分;
步骤20,分别对已经聚类的每一个相似轨迹簇构建Delaunay三角网,基于Delaunay三角网识别道路轮廓,提取车道级道路骨架线;
步骤30,基于道路面域多边形构建最小外接矩形,将最小外接矩形的宽度作为车行道的覆盖宽度,结合我国道路建设的标准规范估算车道数量,计算道路理论宽度值。
进一步地,所述步骤10进一步包括:
步骤11,选取某一时间段内的浮动车轨迹数据;
步骤12,对于轨迹集中的任意点pi,r表示点pi生成邻域的半径,pj表示邻域内任意非pi的点,αij=|αi-αj|,αi、αj分别表示pi、pj的方向角,αij表示两轨迹点方向角的差值,ε代表方向角阈值;
步骤13,对于轨迹点pi邻域内的其他任意点pj,计算其方向角与pi方向角的差值αij,若αij≤ε,则称轨迹点pj是轨迹点pi的同向点;反之,pj不是轨迹点pi的同向点,从邻域中删除该轨迹点;
步骤14,将pi邻域内的非同向点不予标记,pi邻域内所有的同向点与轨迹点pi共同标记为同向点集中Pi的元素,并将集合Pi作为一个聚类簇;
步骤15,根据步骤12、13、14得到多个聚类簇。
进一步地,步骤11中所述轨迹数据是指通过在时空环境下按照规定的采集频率记录移动物体得到的数据点集合。
进一步地,所述轨迹数据的属性包括纬度、经度、速度、采集时间、方向角。
进一步地,所述方向角的大小变化范围为0°~360°。
进一步地,所述方向角是从正北点为起算点,按顺时针方向角度逐渐增大,顺时针转一圈后的角度为360°。
进一步地,所述步骤20进一步包括:
步骤21,基于逐点插入的方法来分别对每一个聚类簇构建Delaunay三角网,聚类点簇中的任意一点P插入到初始三角网中,在已有的三角网中找到点P所在的三角形ABC,假如点P在三角形ABC的外接圆中,则删除该三角形的公共边AB,把点P分别与受其影响的三角形的顶点A、B、C、D均连接起来,生成新三角形,即完成了一个点在Delaunay三角网中的插入,直至所有散点插入完毕,则停止;
步骤22,基于密度变化指标DCI和边长指标IDT识别道路边界,计算密度变化指标DCI公式为:其中,Din、Dout分别表示三角形一边内侧和外侧的点密度,0<DCI≤1,设定阀值T-DCI,若DCI<T-DCI则判定该边为道路边界;三角网平均边长MDT公式为:其中,n表示Delaunay三角网中包含的所有三角形边长的数量,li表示第i条边的长度;三角网边长变异VDT表示三角网所有边长的标准差,所述公式为:三角网边长指标IDT公式为:IDT=MDT+λ·VDT,其中,λ为调节系数,默认为1,λ值越大,表示整体约束越小,否则越严格,如果三角形边长l≥IDT,则可以作为道路边界,反之,则为道路区域内部的三角形边,予以删除;
步骤23,根据识别的道路边界,再次构建Delaunay三角网;
步骤24,根据三角网中每个三角形的邻近关系划分三角形类型,从Delaunay三角网内部三角形的相邻关系为出发点,可将三角形分为三种:若三角形只有一条边有邻接三角形为第I类;若三角形有两条边有邻接三角形为第II类;若三角形的三条边皆有邻接三角形就是第III类;依据每个三角形邻接的数量可将三角形分成三种类型;
步骤25,从任意一个三角形出发,若该三角形为第Ⅰ类三角形,就将邻接边的中点与三角形中另外两条边中较长一边的中点连接起来;第Ⅱ类三角形所提取的是两条有邻接三角形边的中点;在第Ⅲ类三角形中,首先应该提取三角形的重心,然后提取三条公共边的中点;对于第Ⅰ类和第Ⅱ类的三角形,将提取的点相连便是骨架线;对第Ⅲ类三角形而言,重心分别连上其他三个点,形成骨架线;把Delaunay三角形一个接一个的单独处理,将提取的点连起来,则道路骨架线提取完毕。
进一步地,所述步骤30进一步包括:
步骤31,根据步骤22基于密度变化和边长指标的道路边界识别,获取道路多边形边界,并对其构建最小外接矩形,将最小外接矩形的宽度作为单侧车行道的覆盖宽度W,计算道路覆盖宽度W的公式为:W=W左侧+W右侧,其中,W左侧、W右侧分别为城市道路左、右侧车道覆盖宽度;
步骤32,通过我国《城市道路建设规范》中关于车道的宽度标准,计算单侧道路的理论车道数量公式为:其中,< >表示对计算值四舍五入,n左侧表示道路左侧车道数量,运用相同的方法计算相应右侧车道的数量n右侧;
步骤34,估算道路的理论宽度值公式为:w=w左侧+w右侧。
本发明具有如下优点:
面向大众对低成本、高时效的城市道路数据更新需求,本发明借助浮动车轨迹数据,研究了基于位置和方向角的轨迹点聚类方法,该方法能够与轨迹数据空间非均匀特性相适应,体现了道路约束下的浮动车轨迹点分布情况,并且能够较好地将浮动车轨迹数据按照不同的车道方向即按照车行道区分开来,得到多个聚类簇,实现了车行道级别道路的提取。相较于中心线级别道路通过单线来表示道路结构,显然,车行道级别道路的详细程度比中心线级别道路更高,车行道级别道路能够反映同一路段上车辆不同的行驶方向。
附图说明
图1为本发明一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法的技术框架图;
图2为本发明基于方向角阈值的同向轨迹点判断准则图;
图3为本发明基于位置和方向角的轨迹点聚类步骤图;
图4为本发明的骨架线提取流程图。
具体实施方式
如图1至图4所示,本发明的一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法,下面结合一具体实施例对本发明做进一步说明,包括如下步骤:
步骤10,基于浮动车轨迹点的方向角,首先定义浮动车方向角变化的阈值,根据阈值识别出同向行驶的浮动车轨迹点,然后顾及轨迹点位置信息设定邻域半径,以方向角变化阈值和邻域半径共同作为聚类的约束条件,对浮动车轨迹进行聚类获取相似轨迹簇,实现对车行道的划分;所述步骤10进一步包括步骤11至步骤15:
步骤11,选取某一时间段内的浮动车轨迹数据,轨迹数据是指通过在时空环境下按照规定的采集频率记录移动物体得到的数据点集合,其属性一般包括纬度、经度、速度、采集时间、方向角等。其方向角的大小变化范围为0°~360°,从正北点为起算点,按顺时针方向角度逐渐增大,顺时针转一圈后的角度为360°。
步骤12,对于轨迹集中的任意点pi,r表示点pi生成邻域的半径,pj表示邻域内任意非pi的点,αij=|αi-αj|,αi、αj分别表示pi、pj的方向角,αij表示两轨迹点方向角的差值,ε代表方向角阈值。
步骤13,对于轨迹点pi邻域内的其他任意点pj,计算其方向角与pi方向角的差值αij,若αij≤ε,则称轨迹点pj是轨迹点pi的同向点;反之,pj不是轨迹点pi的同向点,从邻域中删除该轨迹点;
步骤14,将pi邻域内的非同向点不予标记,pi邻域内所有的同向点与轨迹点pi共同标记为同向点集中Pi的元素,并将集合Pi作为一个聚类簇;
步骤15,根据步骤12、13、14得到多个聚类簇;
步骤20,分别对已经聚类的每一个相似轨迹簇构建Delaunay三角网,基于Delaunay三角网识别道路轮廓,提取车道级道路骨架线;所述步骤20进一步包括步骤21至步骤25:
步骤21,基于逐点插入的方法来分别对每一个聚类簇构建Delaunay三角网,聚类点簇中的任意一点P插入到初始三角网中,在已有的三角网中找到点P所在的三角形ABC,假如点P在三角形ABC的外接圆中,则删除该三角形的公共边AB,把点P分别与受其影响的三角形的顶点A、B、C、D均连接起来,生成新三角形,即完成了一个点在Delaunay三角网中的插入,直至所有散点插入完毕,则停止;
步骤22,基于密度变化指标DCI和边长指标IDT识别道路边界,计算密度变化指标DCI公式为:其中,Din、Dout分别表示三角形一边内侧和外侧的点密度,0<DCI≤1,设定阀值T-DCI,若DCI<T-DCI则判定该边为道路边界;三角网平均边长MDT公式为:其中,n表示Delaunay三角网中包含的所有三角形边长的数量,li表示第i条边的长度;三角网边长变异VDT表示三角网所有边长的标准差,所述公式为:三角网边长指标IDT公式为:IDT=MDT+λ·VDT,其中,λ为调节系数,默认为1,λ值越大,表示整体约束越小,否则越严格,如果三角形边长l≥IDT,则可以作为道路边界,反之,则为道路区域内部的三角形边,予以删除;
步骤23,根据识别的道路边界,再次构建Delaunay三角网;
步骤24,根据三角网中每个三角形的邻近关系划分三角形类型,从Delaunay三角网内部三角形的相邻关系为出发点,可将三角形分为三种:若三角形只有一条边有邻接三角形为第I类。若三角形有两条边有邻接三角形为第II类;若三角形的三条边皆有邻接三角形就是第III类。依据每个三角形邻接的数量可将三角形分成三种类型;
步骤25,从任意一个三角形出发,若该三角形为第Ⅰ类三角形,就将邻接边的中点与三角形中另外两条边中较长一边的中点连接起来;第Ⅱ类三角形所提取的是两条有邻接三角形边的中点;在第Ⅲ类三角形中,首先应该提取三角形的重心,然后提取三条公共边的中点。对于第Ⅰ类和第Ⅱ类的三角形,将提取的点相连便是骨架线;对第Ⅲ类三角形而言,重心分别连上其他三个点,形成骨架线。把Delaunay三角形一个接一个的单独处理,将提取的点连起来,则道路骨架线提取完毕;
步骤30,基于道路面域多边形构建最小外接矩形,将最小外接矩形的宽度作为车行道的覆盖宽度,结合我国道路建设的标准规范估算车道数量,计算道路理论宽度值;所述步骤30进一步包括步骤31至步骤34:
步骤31,根据步骤22基于密度变化和边长指标的道路边界识别,获取道路多边形边界,并对其构建最小外接矩形(Minimum Bounding Rectangle,MBR),将最小外接矩形的宽度作为单侧车行道的覆盖宽度W,计算道路覆盖宽度W的公式为:W=W左侧+W右侧,其中,W左侧、W右侧分别为城市道路左、右侧车道覆盖宽度;
步骤32,通过我国《城市道路建设规范》中关于车道的宽度标准,计算单侧道路的理论车道数量公式为:其中,< >表示对计算值四舍五入,n左侧表示道路左侧车道数量,运用相同的方法计算相应右侧车道的数量n右侧;
步骤34,估算道路的理论宽度值公式为:w=w左侧+w右侧。
本发明方法结合城市道路提取理论,综合考虑轨迹点位置和方向角等影响因子,建立基于位置和方向角的轨迹点聚类方法,通过构建Delaunay三角网、最小外接矩形等技术实现车道级城市道路提取,为基于浮动车轨迹数据实现城市道路的快速采集与更新提供更便捷的技术方法支撑。
尽管已经描述和叙述了被看作本发明的示范实施例,本领域技术人员将会明白,可以对其作出各种改变和替换,而不会脱离本发明的精神。另外,可以做出许多修改以将特定情况适配到本发明的教义,而不会脱离在此描述的本发明中心概念。所以,本发明不受限于在此披露的特定实施例,但本发明可能还包括属于本发明范围的所有实施例及其等同物。
Claims (9)
1.一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法,其特征在于,包括如下步骤:
(1)基于轨迹点的位置和方向角提出聚类方法,获取相似轨迹点簇;
(2)通过构建Delaunay三角网的方法对聚类点簇构网提取车道级骨架线;
(3)对道路多边形构建最小外接矩形获取道路宽度信息。
2.根据权利要求1所述的一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法,其特征在于,包括如下步骤:
步骤10,基于浮动车轨迹点的方向角,首先定义浮动车方向角变化的阈值,根据阈值识别出同向行驶的浮动车轨迹点,然后顾及轨迹点位置信息设定邻域半径,以方向角变化阈值和邻域半径共同作为聚类的约束条件,对浮动车轨迹进行聚类获取相似轨迹簇,实现对车行道的划分;
步骤20,分别对已经聚类的每一个相似轨迹簇构建Delaunay三角网,基于Delaunay三角网识别道路轮廓,提取车道级道路骨架线;
步骤30,基于道路面域多边形构建最小外接矩形,将最小外接矩形的宽度作为车行道的覆盖宽度,结合我国道路建设的标准规范估算车道数量,计算道路理论宽度值。
3.根据权利要求2所述的一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法,其特征在于,所述步骤10进一步包括:
步骤11,选取某一时间段内的浮动车轨迹数据;
步骤12,对于轨迹集中的任意点pi,r表示点pi生成邻域的半径,pj表示邻域内任意非pi的点,αij=|αi-αj|,αi、αj分别表示pi、pj的方向角,αij表示两轨迹点方向角的差值,ε代表方向角阈值;
步骤13,对于轨迹点pi邻域内的其他任意点pj,计算其方向角与pi方向角的差值αij,若αij≤ε,则称轨迹点pj是轨迹点pi的同向点;反之,pj不是轨迹点pi的同向点,从邻域中删除该轨迹点;
步骤14,将pi邻域内的非同向点不予标记,pi邻域内所有的同向点与轨迹点pi共同标记为同向点集中Pi的元素,并将集合Pi作为一个聚类簇;
步骤15,根据步骤12、13、14得到多个聚类簇。
4.根据权利要求3所述的一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法,其特征在于,步骤11中所述轨迹数据是指通过在时空环境下按照规定的采集频率记录移动物体得到的数据点集合。
5.根据权利要求4所述的一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法,其特征在于,所述轨迹数据的属性包括纬度、经度、速度、采集时间、方向角。
6.根据权利要求5所述的一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法,其特征在于,所述方向角的大小变化范围为0°~360°。
7.根据权利要求6所述的一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法,其特征在于,所述方向角是从正北点为起算点,按顺时针方向角度逐渐增大,顺时针转一圈后的角度为360°。
8.根据权利要求2所述的一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法,其特征在于,所述步骤20进一步包括:
步骤21,基于逐点插入的方法来分别对每一个聚类簇构建Delaunay三角网,聚类点簇中的任意一点P插入到初始三角网中,在已有的三角网中找到点P所在的三角形ABC,假如点P在三角形ABC的外接圆中,则删除该三角形的公共边AB,把点P分别与受其影响的三角形的顶点A、B、C、D均连接起来,生成新三角形,即完成了一个点在Delaunay三角网中的插入,直至所有散点插入完毕,则停止;
步骤22,基于密度变化指标DCI和边长指标IDT识别道路边界,计算密度变化指标DCI公式为:其中,Din、Dout分别表示三角形一边内侧和外侧的点密度,0<DCI≤1,设定阀值T-DCI,若DCI<T-DCI则判定该边为道路边界;三角网平均边长MDT公式为:其中,n表示Delaunay三角网中包含的所有三角形边长的数量,li表示第i条边的长度;三角网边长变异VDT表示三角网所有边长的标准差,所述公式为:三角网边长指标IDT公式为:IDT=MDT+λ·VDT,其中,λ为调节系数,默认为1,λ值越大,表示整体约束越小,否则越严格,如果三角形边长l≥IDT,则可以作为道路边界,反之,则为道路区域内部的三角形边,予以删除;
步骤23,根据识别的道路边界,再次构建Delaunay三角网;
步骤24,根据三角网中每个三角形的邻近关系划分三角形类型,从Delaunay三角网内部三角形的相邻关系为出发点,可将三角形分为三种:若三角形只有一条边有邻接三角形为第I类;若三角形有两条边有邻接三角形为第II类;若三角形的三条边皆有邻接三角形就是第III类;依据每个三角形邻接的数量可将三角形分成三种类型;
步骤25,从任意一个三角形出发,若该三角形为第Ⅰ类三角形,就将邻接边的中点与三角形中另外两条边中较长一边的中点连接起来;第Ⅱ类三角形所提取的是两条有邻接三角形边的中点;在第Ⅲ类三角形中,首先应该提取三角形的重心,然后提取三条公共边的中点;对于第Ⅰ类和第Ⅱ类的三角形,将提取的点相连便是骨架线;对第Ⅲ类三角形而言,重心分别连上其他三个点,形成骨架线;把Delaunay三角形一个接一个的单独处理,将提取的点连起来,则道路骨架线提取完毕。
9.根据权利要求2所述的一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法,其特征在于,所述步骤30进一步包括:
步骤31,根据步骤22基于密度变化和边长指标的道路边界识别,获取道路多边形边界,并对其构建最小外接矩形,将最小外接矩形的宽度作为单侧车行道的覆盖宽度W,计算道路覆盖宽度W的公式为:W=W左侧+W右侧,其中,W左侧、W右侧分别为城市道路左、右侧车道覆盖宽度;
步骤34,估算道路的理论宽度值公式为:w=w左侧+w右侧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110703993.9A CN113538482B (zh) | 2021-06-24 | 2021-06-24 | 一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110703993.9A CN113538482B (zh) | 2021-06-24 | 2021-06-24 | 一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113538482A true CN113538482A (zh) | 2021-10-22 |
CN113538482B CN113538482B (zh) | 2024-02-02 |
Family
ID=78125808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110703993.9A Active CN113538482B (zh) | 2021-06-24 | 2021-06-24 | 一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538482B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114691809A (zh) * | 2022-03-30 | 2022-07-01 | 阿波罗智联(北京)科技有限公司 | 道路轨迹确定方法及装置、电子设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573390A (zh) * | 2015-01-27 | 2015-04-29 | 武汉大学 | 基于认知规律的时空轨迹融合方法及路网拓扑生成方法 |
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 |
CN110580388A (zh) * | 2019-08-28 | 2019-12-17 | 北方工业大学 | 一种基于众源轨迹数据的航道网络提取方法 |
-
2021
- 2021-06-24 CN CN202110703993.9A patent/CN113538482B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573390A (zh) * | 2015-01-27 | 2015-04-29 | 武汉大学 | 基于认知规律的时空轨迹融合方法及路网拓扑生成方法 |
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 |
CN110580388A (zh) * | 2019-08-28 | 2019-12-17 | 北方工业大学 | 一种基于众源轨迹数据的航道网络提取方法 |
Non-Patent Citations (3)
Title |
---|
杨伟,艾廷华: "运用约束Delaunay三角网从众源轨迹线提取道路边界", 《测绘学报》 * |
艾廷华,郭仁忠: "支持地图综合的面状目标约束Delaunay三角网剖分", 《武汉测绘科技大学学报》 * |
郑文斌: "基于浮动车轨迹数据的车道数量信息获取关键技术研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114691809A (zh) * | 2022-03-30 | 2022-07-01 | 阿波罗智联(北京)科技有限公司 | 道路轨迹确定方法及装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113538482B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109186625B (zh) | 智能车辆利用混合采样滤波进行精确定位的方法及系统 | |
US11450202B2 (en) | Method and system for determining a geographical area occupied by an intersection | |
CN104700617B (zh) | 基于低精度gps轨迹数据的高精度车道信息提取方法 | |
US9355063B2 (en) | Parking lot detection using probe data | |
CN105608505B (zh) | 一种基于手机信令数据的居民轨道交通出行方式识别方法 | |
CN108961758B (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
CN110400461B (zh) | 一种路网变更检测方法 | |
CN110118564A (zh) | 一种高精度地图的数据管理系统、管理方法、终端和存储介质 | |
CN114065364B (zh) | 基于无人机遥感测绘的城市工程规划方法及系统 | |
US11335189B2 (en) | Method for defining road networks | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
US20220161817A1 (en) | Method, apparatus, and system for creating doubly-digitised maps | |
CN104317583A (zh) | 基于网格原理的道路拥堵优化算法 | |
CN103093618A (zh) | 一种交通数据处理方法及装置 | |
CN107945542B (zh) | 基于浮动车技术的城市道路绿波带决策支持方法及终端 | |
CN105427592B (zh) | 基于浮动车的导航电子地图转向代价计算方法 | |
CN113538482A (zh) | 一种基于浮动车轨迹位置和方向信息的车道级城市道路提取方法 | |
US20210225183A1 (en) | Movement space information processing system, movement space information processing method, and communication device | |
CN110708664B (zh) | 一种交通流感知方法、装置及计算机存储介质、电子设备 | |
Pu et al. | Road intersection detection based on direction ratio statistics analysis | |
CN111708859A (zh) | 一种基于空间数据的商圈边界识别方法 | |
EP4012336A2 (en) | Method, apparatus, and system for identifying special areas and cleaning-up map data | |
CN115687551A (zh) | 一种轨道交通站点步行服务范围确定方法 | |
EP3922947A2 (en) | Traffic analytics system for defining road networks | |
CN114999151B (zh) | Gps轨迹中基于密度的城市交通流分层次分析方法及装置 |
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 |