CN113704853A - 一种基于道路元拓扑特征分类的多源道路网数据自动融合方法 - Google Patents
一种基于道路元拓扑特征分类的多源道路网数据自动融合方法 Download PDFInfo
- Publication number
- CN113704853A CN113704853A CN202111000081.1A CN202111000081A CN113704853A CN 113704853 A CN113704853 A CN 113704853A CN 202111000081 A CN202111000081 A CN 202111000081A CN 113704853 A CN113704853 A CN 113704853A
- Authority
- CN
- China
- Prior art keywords
- road
- road network
- network data
- fusion
- source
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012805 post-processing Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000006698 induction Effects 0.000 claims abstract description 5
- 238000006073 displacement reaction Methods 0.000 claims description 37
- 238000012937 correction Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 description 9
- 238000007499 fusion processing Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Structural Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于道路元拓扑特征分类的多源道路网数据自动融合方法,属于空间数据处理技术领域。包括以下步骤:根据道路网数据的结构、内容、质量、可用性情况进行预处理;对所得预处理后的多源道路网数据进行自动匹配;对所得自动匹配后的多源道路网数据进行归纳分类,得到分类后的多源道路网数据;对分类后的多源道路网数据进行自动融合;对融合后道路网数据进行后处理;实现基于道路元拓扑特征分类的多源道路网数据自动融合方法。本发明建立的数据融合模型全面覆盖各类道路网数据,其功能通用且完整。经过本发明处理后的多源道路网数据具有根据更普遍的应用场景。
Description
技术领域
本发明属于空间数据处理技术领域,涉及一种基于道路元拓扑特征分类的多源道路网数据自动融合方法。
背景技术
随着信息技术的不断发展,空间数据的类型变得复杂多样,继而形成了空间数据的多源性。为了综合利用不同数据集中的信息、减少因数据重复采集所带来的资源浪费,就需要将不同来源的数据结合在一起使用,进行多源空间数据的匹配与融合。尽管以往的很多研究已经开始涉及数据融合方面的应用,但这些研究工作往往只针对某个具体的任务,只能被用来实现某个特定的目标,缺乏全面有效的理论框架和体系,对多源道路网数据自动融合的通用性模型缺乏系统的探讨与研究。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种基于道路元拓扑特征分类的多源道路网数据自动融合方法,从而提高数据融合的扩展性和可靠性。
为了达到上述目的,本发明采用以下技术方案予以实现:
本发明公开了一种基于道路元拓扑特征分类的多源道路网数据自动融合方法,包括以下步骤:步骤一、根据道路网数据的结构、内容、质量、可用性情况进行预处理;步骤二、对所得预处理后的多源道路网数据进行自动匹配;步骤三、对步骤二所得自动匹配后的多源道路网数据进行归纳分类,得到分类后的多源道路网数据;步骤四、对分类后的多源道路网数据进行自动融合;步骤五、对融合后道路网数据进行后处理;实现基于道路元拓扑特征分类的多源道路网数据自动融合方法。
优选地,步骤一中,预处理方法有:数据存储格式转换、坐标变换、结点类型、道路实体索引的建立、拓扑关系的建立和数据质量的评估及更正优化。
优选地,步骤二中,对多源道路网数据进行自动匹配。
优选地,步骤三中,根据道路要素的几何与拓扑特征,步骤二所得自动匹配后的多源道路网数据可被划分的分类类型包括:道路自身的属性信息、道路交叉口处的信息、道路实体和道路配套设施信息。
进一步优选地,步骤四中,对分类后的多源道路网数据进行自动融合,其中,针对道路自身的属性信息的融合,其操作为:
当道路要素匹配对应关系为1:1,道路自身的属性信息在原数据集与目标数据集之间直接进行融合;当道路要素匹配对应关系不是1:1,道路自身的属性信息在矢量道路网匹配过程需要进行智能化分割操作,将匹配对应关系拆解转换成1:1的匹配对应关系后再进行融合。
优选地,步骤四中,对分类后的多源道路网数据进行自动融合,其中,针对道路交叉口处的信息的融合,其操作为:
当道路要素匹配对应关系为1:1,道路交叉口处信息直接进行交换与融合;
当道路要素匹配对应关系不是1:1,将关注道路要素在节点处的连接关系,通过构建具有伪1:1对应关系的匹配对,再进行融合。
优选地,步骤四中,对分类后的多源道路网数据进行自动融合,其中,针对道路实体的融合,其操作为:
子步骤一:合并操作的道路实体的识别;子步骤二:参与融合操作的道路实体的几何移位及变形;子步骤三:道路实体的融合。经过子步骤二的几何移位及变形,将目标数据集中被识别出的需要进行融合操作的道路实体与原数据集道路网,进行融合操作;
子步骤二中,实现几何移位及变形的模型包括:
类型(1):在原数据集中直接找到对应位置的目标数据集中的形点;直接将移动到相应的对应位置;类型(2):道路交叉口或终结点;通过类型(1)中点的位移计算得出移动位移,或者通过对道路网进行网眼的划分推算得出位移;类型(3):不属于类型(1)和类型(2)的其他的形点;基于类型(1)和类型(2)中点的位移,通过内插的方法计算得出。
其中,优选地,子步骤三中,针对拓扑结构,在原数据集中融合了新的道路实体后,需在相应的位置上添加节点;在进行道路实体的融合后,还需对道路网的几何形态以及拓扑关系上进行检验与优化。
进一步优选地,步骤四中,对分类后的多源道路网数据进行自动融合,其中,针对道路配套设施信息的融合,其操作为:
通过内插处理,建立一系列的对应控制点;基于所得对应控制点,通过采用RubberSheeting的变形方法,对相关POI的位置进行优化调整,从而完成道路两旁配套设施信息的数据融合。
优选地,步骤五中的后处理方法包括:融合后道路网内部数据间的匹配/融合、连通性检查和纠正。
与现有技术相比,本发明具有以下有益效果:
本发明公开了一种基于道路元拓扑特征分类的多源道路网数据自动融合方法,针对道路的属性信息、道路交叉口处的信息、道路实体以及道路两旁的配套设施这四类数据分别建立相应的数据融合方法。这四个方法模块保持相对独立,根据不同数据融合任务的需求,这些方法模块既可单独运行又可组合使用。本发明建立的数据融合模型将全面覆盖所有类型的道路网数据,其功能通用且完整,可达到“只要道路要素被成功匹配在一起,就能进行多源数据间的无缝链接与全面融合”的目标,并力争实现在数据的融合过程中,不丢失任何重要、有用的信息。因此,本发明所述基于道路元拓扑特征分类的多源道路网数据自动融合方法,能够有效提高数据融合的扩展性和可靠性,经过该方法处理后的多源道路网数据具有根据更普遍的应用场景。
附图说明
图1为本发明的流程示意图;
图2为节点周围的道路要素的匹配示意图;
图3为POI的融合实例的示意图;其中,(a)为融合前;(b)为进行融合;(c)为融合后。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明公开了一种基于道路元拓扑特征分类的多源道路网数据自动融合方法,包括以下步骤:
步骤一、根据道路网数据的结构、内容、质量、可用性情况进行预处理,便于后续数据处理;
步骤二、对步骤一所得预处理后的多源道路网数据进行自动匹配,得到自动匹配后的道路;
步骤三、对步骤二所得自动匹配后的多源道路网数据进行归纳分类,得到分类后的多源道路网数据;
步骤四、对分类后的多源道路网数据进行自动融合;
步骤五、对融合后道路网数据进行后处理;
步骤一中的基于不同道路元类型的路网数据融合方法的预处理方法有:数据存储格式转换、坐标变换、结点类型、道路实体索引的建立、拓扑关系的建立和数据质量的评估及更正优化。
步骤三的对多源道路网数据可以分类为:根据道路要素的几何与拓扑特征,步骤二所得自动匹配后的多源道路网数据可被划分为道路的属性信息、道路交叉口处的信息、道路实体和道路两旁的配套设施四类。
步骤四所述的对分类后的多源道路网数据进行自动融合的融合方法有:
融合方法1:道路自身的属性信息的融合;
融合方法2:道路交叉口处的信息的融合;
融合方法3:道路实体的融合;
融合方法4:道路配套设施信息的融合;
优选的,上述融合方法1中的相应技术方法有:道路自身的属性信息,如道路的名称、道路长度和通行方向;如果道路要素匹配对应关系为1:1,道路自身的属性信息可以在原数据集与目标数据集之间直接进行融合。在实际的融合过程中,更多的道路要素之间的匹配对应关系不是1:1,而是M:1、1:N以及M:N(M>1,N>1)。矢量道路网匹配过程中的智能化分割操作将M:N(M>1,N>1)的匹配对应关系拆解转换成1:1的匹配对应关系。
具体地,不同类型的道路自身的属性信息需要采用不同的融合方法进行计算,通常来说将属性分为三类:1.道路名称、类型和编号属性的融合:对于该类属性的融合目标数据和原数据相同可以直接进行融合;2.道路长度属性的融合:对于该类属性,由于匹配过程中对道路进行了智能化分割操作,因此在进行属性转移之前需要对原数据集和目标数据集分别进行分割点的内插操作,内插后长度等属性再进行融合;3.道路方向属性特征的融合:由于道路网方向属性分为双向和单向,方向属性包含FT(道路方向和数字化方向一致取值1),B:(道路为双向道路取值0),TF(道路方向和数字化方向相反取值-1),可通过计算将目标数据道路方向属性融合到原数据中。
优选的,上述融合方法2中的相应技术方法有:道路交叉口处的信息,如交通指示牌、左右转限制与道路自身的属性信息类似,在道路网数据集中,道路交叉口处的信息通常都是和节点(junction)密切相关。在进行道路交叉口处的信息的传递和融合时,节点的对应关系变的尤为重要。如果道路要素匹配对应关系为1:1,道路交叉口处信息的交换与融合可以直接进行。当匹配对应关系变为M:1、1:N或M:N(M>1,N>1)时,无法在原数据集与目标数据集之间直接进行信息传递与融合。为此,本发明定义一种新的对应关系,命名为“伪1:1”的对应关系。这种对应关系的关注点不再是道路要素本身,而是道路要素在节点处的连接关系。通过构建这些具有伪1:1对应关系的“匹配对”,道路交叉口处信息的传递变得简单而直接。
优选的,上述融合方法3按照相应的步骤、特征和规则按以下的子步骤进行:
子步骤一:合并操作的道路实体的识别。匹配运算结束后,目标数据集中的道路大致可被分为两大类:1.匹配成功的道路;2.未被匹配的道路。对于匹配成功的道路来说,它们的道路实体无需再被转移并合并到原数据集中,因为相应的道路已经存在了。而未被匹配的道路则在很大程度上是因为这些道路在原数据集中并不存在目标数据中的道路线段原数据中并不存在与之对应的道路线段,因此,它们将会被初步认定为“需要被融合的实体道路”并参与后续的融合操作。在此之前需要自适应变换来协调形状和位置。这意味着,目标数据的一些转折点应该适当地对齐,以满足制图约束,如保持方向,相对空间位置,相邻特征之间的连续性。
子步骤二:参与融合操作的道路实体的几何移位及变形。显然,即使目标数据集中的某条道路被识别为“需要进行融合操作”,它也不能直接被转移到原数据集中。其中一个最大的原因是这些道路的几何位置与原数据集中道路网在空间上是相互分离或相互冲突的。因此,专利公开了相应的数学模型,并对这些被识别为“需要进行融合操作”的道路实体进行几何变形。为了既能保持整体上的协调统一,又能保持“被融合道路实体”在局部上的几何特征,本专利所创建的模型通过以下三种类型的点的位移来实现“被融合道路实体”的几何变形。
类型(1):可以在原数据集中直接找到对应位置的目标数据集中的形点。此类点的位移法则非常清晰而简单,只需要将形点移动到相应的对应位置即可。
类型(2):道路交叉口或终结点。此类的点的移动位移可通过类型(1)中点的位移计算得出。通过对道路网进行网眼的划分,目标数据集的道路网可以划分为一系列的“网眼”。其中,“网眼”区域内任意一点的位移都可以根据其边界上各点的位移推算得出。
类型(3):其他的形点。此类型中的形点,既不能在原数据集中直接找到其对应位置(类型(1)),也不是道路的交叉口或死胡同的端点(类型(2))。因此,它们的位移需要通过类型(1)和类型(2)中点的位移通过内插的方法计算得出。
子步骤三:道路实体的融合。经过子步骤二的几何移位及变形,目标数据集中被识别出的需要进行融合操作的道路实体与原数据集道路网可以实现在几何位置上的协调一致,因此可以直接进行几何上融合操作。在拓扑结构上,一旦在原数据集中融合了新的道路实体,则需在相应的位置上添加节点在进行道路实体的融合后,还需对道路网的几何形态以及拓扑关系上进行检验与优化,从而提高数据融合的精度,保证融合后道路网的数据质量。
优选的,上述融合方法4中按照相应的步骤、特征和规则按以下的子步骤进行:
道路配套设施,常常以“兴趣点”或者“面”(Point of Interest或Polygon ofInterest,统一简称为POI)的形式存在。虽然这些POI独立于道路网而存在,并不存在任何连接关系,但是,在未经任何位移的情况下,目标数据集中的POI也无法和原数据集中的道路网进行直接的数据融合。因此,在进行数据融合前,必须对这些POI进行位移处理。道路配套设施信息的融合的具体过程如下:首先通过对“匹配对儿”的内插处理,建立一系列的对应控制点。基于这些对应控制点,通过采用“Rubber Sheeting”的变形方法,对相关POI的位置进行优化调整,从而完成道路两旁配套设施信息的数据融合。
优选的,上述步骤五中的后处理方法有:融合后道路网内部数据间的匹配/融合和连通性检查和纠正。
下面结合附图和具体实施方式对本发明做进一步详细描述:
如图1所示,为本发明所述基于道路元拓扑特征分类的多源道路网数据自动融合方法的流程示意图,由图中可知,所述方法通过道路网数据的预处理、道路匹配、道路数据分类、分类后数据融合和后处理等处理方法,从而提高数据融合的扩展性和可靠性。
如下详细说明四个步骤的具体实现。
步骤一、根据道路网数据的结构、内容、质量、可用性情况进行预处理,便于后续数据匹配;步骤一中的预处理方法有:数据存储格式转换、坐标变换、结点类型、道路实体索引的建立、拓扑关系的建立和数据质量的评估及更正优化。
预处理方法为数据存储格式转换:在转换过程中,应避免信息的损失。
预处理方法为坐标变换:统一基础数据和目标数据的投影方式和坐标系,可通过已有的数学模型来实现。
预处理方法为道路实体索引的建立:减少后续匹配及融合运算的搜索范围,提高运算效率。
预处理方法为拓扑关系的建立:拓扑关系是数据融合中匹配的主要依据之一,有必要对道路交叉口进行分类总结并建立统一的标准来描述其拓扑特征。
预处理方法为数据质量的评估及更正优化:多源道路网数据的质量难以统一,需要对道路网数据质量进行评估,检测出其中的缺陷或错误,并进行自动的修正与优化,如:道路连接处小缝隙的自动修复、冗余与无关噪音数据的删除、不重要细节数据的屏蔽删除等。
步骤二、对步骤一所得预处理后的多源道路网数据进行自动匹配,得到自动匹配后的道路。
步骤三、对步骤二所得自动匹配后的多源道路网数据进行归纳分类,得到分类后的多源道路网数据。
分类1、道路自身的属性信息通常以字段的形式存储在数据库中,且通过道路要素的ID与道路实体形成绑定链接,如道路的等级、宽度、通行时间、道路名称、通行方向等。
分类2、道路实体指的是道路本身的几何实体,以多义线的形式存在,如:北京市长安街道路西段、西安市南大街道路中段等。
分类3、道路交叉口处的信息则包括交通指示牌、转向限制等。在道路网数据集中,道路交叉口处的信息和节点(junction)密切相关。
分类4、道路配套设施,常常以“兴趣点”或“兴趣面”(Point/Polygon ofInterest,简称为POI)的形式存在,如宾馆、加油站、餐厅、急救中心、邮局等。这些POI通常分布在道路的两旁,虽然在几何表达上独立于道路而存在,但在拓扑或语义上仍然与道路存在着一定的对应连接关系。
步骤四、对步骤三所得分类后的多源道路网数据进行自动融合,得到融合后的道路。
融合方法1:道路自身的属性信息的融合。
道路自身的属性信息,如道路的名称、道路长度和通行方向;如果道路要素匹配对应关系为1:1,道路自身的属性信息可以在原数据集与目标数据集之间直接进行融合。在实际的融合过程中,更多的道路要素之间的匹配对应关系不是1:1,而是M:1、1:N以及M:N(M>1,N>1)。矢量道路网匹配过程中的智能化分割操作将M:N(M>1,N>1)的匹配对应关系拆解转换成1:1的匹配对应关系,需要说明的是,不同类型的属性信息需要采用不同的融合方法进行计算,通常来说将属性分为三类:1.道路名称、类型和编号属性的融合:对于该类属性的融合目标数据和原数据相同可以直接进行融合;2.道路长度属性的融合:对于该类属性,由于匹配过程中对道路进行了智能化分割操作,因此在进行属性转移之前需要对原数据集和目标数据集分别进行分割点的内插操作,内插后长度等属性再进行融合;3.道路方向属性特征的融合:由于道路网方向属性分为双向和单向,方向属性包含FT(道路方向和数字化方向一致取值1),B:(道路为双向道路取值0),TF(道路方向和数字化方向相反取值-1),可通过计算将目标数据道路方向属性融合到原数据中。
融合方法2:道路交叉口处的信息的融合。
道路交叉口处的信息,如交通指示牌、左右转限制与道路自身的属性信息类似,如果道路要素匹配对应关系为1:1,道路交叉口处信息的交换与融合较为简单。当匹配对应关系变为M:1、1:N或M:N(M>1,N>1)时,无法在原数据集与目标数据集之间直接进行信息传递与融合。在道路网数据集中,道路交叉口处的信息通常都是和节点(junction)密切相关。因此,在进行道路交叉口处的信息的传递和融合时,节点的对应关系变的尤为重要。
如图2所示,灰色实线和黑色实线分别代表原数据和目标数据,箭头为对应位置关系。目标道路要素TA_231明显短于原数据道路要素RE_115,因此并不构成传统意义上的“匹配对儿”。然而,当关注点被聚焦在“节点处的连接关系”时,道路要素“RE_115vs.TA_231”和节点“RE_J32vs.TA_J80”共同构成一组具有伪1:1对应关系的“匹配对”。通过构建这些具有伪1:1对应关系的“匹配对”,道路交叉口处信息的传递变得简单而直接。比如说,图中的“左转限制”在目标数据集中以“TA_201→TA_J80→TA_231”的方式进行表达,通过伪1:1对应关系“匹配对儿”的转换,这个左转限制可以很直接的被“RE_99→RE_J32→RE_115”所替代,并将其存储到原数据集中,从而实现道路交叉口处信息的传递与融合。
融合方法3:道路实体的融合。
子步骤一:合并操作的道路实体的识别。步骤二的匹配运算结束后,目标数据集中的道路大致可被分为两大类:1.匹配成功的道路;2.未被匹配的道路。对于匹配成功的道路来说,它们的道路实体无需再被转移并合并到原数据集中,因为相应的道路已经存在了。而未被匹配的道路则在很大程度上是因为这些道路在原数据集中并不存在目标数据中的道路线段原数据中并不存在与之对应的道路线段,因此,它们将会被初步认定为“需要被融合的实体道路”并参与后续的融合操作。在此之前需要自适应变换来协调形状和位置。这意味着,目标数据的一些转折点应该适当地对齐,以满足制图约束,如保持方向,相对空间位置,相邻特征之间的连续性。
子步骤二:参与融合操作的道路实体的几何移位及变形。显然,即使目标数据集中的某条道路被识别为“需要进行融合操作”,它也不能直接被转移到原数据集中。其中一个最大的原因是这些道路的几何位置与原数据集中道路网在空间上是相互分离或相互冲突的。因此,本专利公开了相应的数学模型,并对这些被识别为“需要进行融合操作”的道路实体进行几何变形。为了既能保持整体上的协调统一,又能保持“被融合道路实体”在局部上的几何特征,本专利所创建的模型通过以下三种类型的点的位移来实现“被融合道路实体”的几何变形。
类型(1):可以在原数据集中直接找到对应位置的目标数据集中的形点。此类点的位移法则非常清晰而简单,只需要将移动到相应的对应位置即可。
类型(2):道路交叉口或终结点。此类的点的移动位移可通过类型(1)中点的位移计算得出。通过对道路网进行网眼的划分,目标数据集的道路网可以划分为一系列的“网眼”。其中,“网眼”区域内任意一点的位移都可以根据其边界上各点的位移推算得出。
类型(3):其他的形点。此类型中的形点,既不能在原数据集中直接找到其对应位置(类型1),也不是道路的交叉口或死胡同的端点(类型2)。因此,它们的位移需要通过类型1与类型2中点的位移通过内插的方法计算得出。
子步骤三:道路实体的融合。经过子步骤二的几何移位及变形,目标数据集中被识别出的需要进行融合操作的道路实体与原数据集道路网可以实现在几何位置上的协调一致,因此可以直接进行几何上融合操作。在拓扑结构上,一旦在原数据集中融合了新的道路实体,则需在相应的位置上添加节点在进行道路实体的融合后,还需对道路网的几何形态以及拓扑关系上进行检验与优化,从而提高数据融合的精度,保证融合后道路网的数据质量。
融合方法4:道路配套设施信息的融合。
道路配套设施,常常以“兴趣点”或者“面”(Point of Interest或PolygonofInterest,统一简称为POI)的形式存在,如宾馆、加油站、餐厅、急救中心、邮局等。虽然这些POI独立于道路网而存在,并不存在任何连接关系,但是,在未经任何位移的情况下,目标数据集中的POI也无法和原数据集中的道路网进行直接的数据融合,其原因可用图3所示的例子来说明。
如图3所示,POI数据原本是沿着目标数据集的道路网(粗黑色实线)分布的,如果不经过位移变形而直接将这些POI转移并且集成到原数据集的道路网中,则POI与道路之间的拓扑关系将被破坏。比如说,本应位于某POI左边的道路会变为在其右方。因此,在进行数据融合前,必须对这些POI进行位移处理。本文道路配套设施信息的融合的具体过程如下:首先通过对“匹配对儿”的内插处理,建立一系列的对应控制点。基于这些对应控制点,通过采用“Rubber Sheeting”的变形方法,对相关POI的位置进行优化调整,从而完成道路两旁配套设施信息的数据融合。
步骤五、对融合后道路网数据进行后处理;后处理方法有:融合后道路网内部数据间的匹配/融合和连通性检查和纠正。
后处理方法为融合后道路网内部数据间的匹配/融合:将融合的数据分为两个子集,一个为SRD(即Subset of Reference Dataset),包含了基础数据中的道路要素;另一个为SAD(Subset of Additional Dataset),记录了从目标数据中融合来的所有道路要素。在SRD和SAD间进行匹配运算;若匹配成功,则删除该SAD道路要素,并进行相应的属性信息的转移以及道路交叉口信息和POI数据的修正。对以上的过程进行数次迭代后,融合后道路网数据的质量将会得到显著的提升。
后处理方法为连通性检查和纠正:检测融合后道路网中未被赋予转移属性的道路要素(串);若该要素(串)两端的连接道路均被赋予了转移属性,且其长度小于一定的容差值,则需进行属性补充转移,否则属性保持不变。通过对融合后道路连通性的检查和纠正,融合后道路网的属性信息完整性将会得到进一步的改善。
综上所述,本发明根据道路数据的几何及拓扑特征,将路网数据分为道路的属性信息、道路交叉口处的信息、道路实体以及道路两旁的配套设施这四类,并分别为不同类型的道路网数据有针对性的建立相应的数据融合模型,这四个方法模块保持相对独立,根据不同数据融合任务的需求,这些方法模块既可单独运行又可组合使用,从而实现道路网数据在不同数据集之间的有效传递与全面融合。经过本发明处理后的多源道路网数据具有根据更普遍的应用场景。
以上所述,仅是用以说明本发明的具体实施案例而已,并非用以限定本发明的可实施范围,举凡本领域熟练技术人员在未脱离本发明所指示的精神与原理下所完成的一切等效改变或修饰,仍应由本发明权利要求的范围所覆盖。
Claims (10)
1.一种基于道路元拓扑特征分类的多源道路网数据自动融合方法,其特征在于,包括以下步骤:
步骤一、根据道路网数据的结构、内容、质量、可用性情况进行预处理;
步骤二、对所得预处理后的多源道路网数据进行自动匹配;
步骤三、对步骤二所得自动匹配后的多源道路网数据进行归纳分类,得到分类后的多源道路网数据;
步骤四、对分类后的多源道路网数据进行自动融合;
步骤五、对融合后道路网数据进行后处理;实现基于道路元拓扑特征分类的多源道路网数据自动融合方法。
2.根据权利要求1所述的一种基于道路元拓扑特征分类的多源道路网数据自动融合方法,其特征在于,步骤一中,预处理方法有:数据存储格式转换、坐标变换、结点类型、道路实体索引的建立、拓扑关系的建立和数据质量的评估及更正优化。
3.根据权利要求1所述的一种基于道路元拓扑特征分类的多源道路网数据自动融合方法,其特征在于,步骤二中,对多源道路网数据进行自动匹配。
4.根据权利要求1所述的一种基于道路元拓扑特征分类的多源道路网数据自动融合方法,其特征在于,步骤三中,根据道路要素的几何与拓扑特征,步骤二所得自动匹配后的多源道路网数据可被划分的分类类型包括:道路自身的属性信息、道路交叉口处的信息、道路实体和道路配套设施信息。
5.根据权利要求4所述的一种基于道路元拓扑特征分类的多源道路网数据自动融合方法,其特征在于,步骤四中,对分类后的多源道路网数据进行自动融合,其中,针对道路自身的属性信息的融合,其操作为:
当道路要素匹配对应关系为1:1,道路自身的属性信息在原数据集与目标数据集之间直接进行融合;
当道路要素匹配对应关系不是1:1,道路自身的属性信息在矢量道路网匹配过程需要进行智能化分割操作,将匹配对应关系拆解转换成1:1的匹配对应关系后再进行融合。
6.根据权利要求4所述的一种基于道路元拓扑特征分类的多源道路网数据自动融合方法,其特征在于,步骤四中,对分类后的多源道路网数据进行自动融合,其中,针对道路交叉口处的信息的融合,其操作为:
当道路要素匹配对应关系为1:1,道路交叉口处信息直接进行交换与融合;
当道路要素匹配对应关系不是1:1,将关注道路要素在节点处的连接关系,通过构建具有伪1:1对应关系的匹配对,再进行融合。
7.根据权利要求4所述的一种基于道路元拓扑特征分类的多源道路网数据自动融合方法,其特征在于,步骤四中,对分类后的多源道路网数据进行自动融合,其中,针对道路实体的融合,其操作为:
子步骤一:合并操作的道路实体的识别;
子步骤二:参与融合操作的道路实体的几何移位及变形;
子步骤三:道路实体的融合。经过子步骤二的几何移位及变形,将目标数据集中被识别出的需要进行融合操作的道路实体与原数据集道路网,进行融合操作;
子步骤二中,实现几何移位及变形的模型包括:
类型(1):在原数据集中直接找到对应位置的目标数据集中的形点;直接将移动到相应的对应位置;
类型(2):道路交叉口或终结点;通过类型(1)中点的位移计算得出移动位移,或者通过对道路网进行网眼的划分推算得出位移;
类型(3):不属于类型(1)和类型(2)的其他的形点;基于类型(1)和类型(2)中点的位移,通过内插的方法计算得出。
8.根据权利要求7所述的一种基于道路元拓扑特征分类的多源道路网数据自动融合方法,其特征在于,子步骤三中,针对拓扑结构,在原数据集中融合了新的道路实体后,需在相应的位置上添加节点;在进行道路实体的融合后,还需对道路网的几何形态以及拓扑关系上进行检验与优化。
9.根据权利要求4所述的一种基于道路元拓扑特征分类的多源道路网数据自动融合方法,其特征在于,步骤四中,对分类后的多源道路网数据进行自动融合,其中,针对道路配套设施信息的融合,其操作为:
通过内插处理,建立一系列的对应控制点;基于所得对应控制点,通过采用RubberSheeting的变形方法,对相关POI的位置进行优化调整,从而完成道路两旁配套设施信息的数据融合。
10.根据权利要求1所述的一种基于道路元拓扑特征分类的多源道路网数据自动融合方法,其特征在于,步骤五中的后处理方法包括:融合后道路网内部数据间的匹配/融合、连通性检查和纠正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111000081.1A CN113704853B (zh) | 2021-08-27 | 2021-08-27 | 一种基于道路元拓扑特征分类的多源道路网数据自动融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111000081.1A CN113704853B (zh) | 2021-08-27 | 2021-08-27 | 一种基于道路元拓扑特征分类的多源道路网数据自动融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113704853A true CN113704853A (zh) | 2021-11-26 |
CN113704853B CN113704853B (zh) | 2024-04-05 |
Family
ID=78656420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111000081.1A Active CN113704853B (zh) | 2021-08-27 | 2021-08-27 | 一种基于道路元拓扑特征分类的多源道路网数据自动融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113704853B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387410A (zh) * | 2021-12-10 | 2022-04-22 | 阿波罗智能技术(北京)有限公司 | 道路数据融合的地图生成方法、装置以及电子设备 |
CN117150635A (zh) * | 2023-10-31 | 2023-12-01 | 腾讯科技(深圳)有限公司 | 多层级路网的构建方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110160986A1 (en) * | 2009-12-28 | 2011-06-30 | Nec (China) Co., Ltd. | Method and apparatus for traffic information conversion using traffic information element knowledge base |
CN104850824A (zh) * | 2015-04-16 | 2015-08-19 | 西安交通大学 | 一种基于道路元综合的路网匹配方法 |
CN106203491A (zh) * | 2016-07-01 | 2016-12-07 | 交通运输部路网监测与应急处置中心 | 一种公路矢量数据的融合更新方法 |
CN107782323A (zh) * | 2017-10-12 | 2018-03-09 | 湖北工业大学 | 一种基于城市间最优路径的高等级导航路网的生成方法 |
-
2021
- 2021-08-27 CN CN202111000081.1A patent/CN113704853B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110160986A1 (en) * | 2009-12-28 | 2011-06-30 | Nec (China) Co., Ltd. | Method and apparatus for traffic information conversion using traffic information element knowledge base |
CN104850824A (zh) * | 2015-04-16 | 2015-08-19 | 西安交通大学 | 一种基于道路元综合的路网匹配方法 |
CN106203491A (zh) * | 2016-07-01 | 2016-12-07 | 交通运输部路网监测与应急处置中心 | 一种公路矢量数据的融合更新方法 |
CN107782323A (zh) * | 2017-10-12 | 2018-03-09 | 湖北工业大学 | 一种基于城市间最优路径的高等级导航路网的生成方法 |
Non-Patent Citations (2)
Title |
---|
周岳勇;程江华;刘通;王洋;陈明辉;: "高分辨率SAR图像道路提取综述", 计算机科学, no. 01 * |
张猛;吴巧丽;钱海忠;: "一种适用于多源道路网自动匹配的通用算法", 测绘科学技术学报, no. 01 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387410A (zh) * | 2021-12-10 | 2022-04-22 | 阿波罗智能技术(北京)有限公司 | 道路数据融合的地图生成方法、装置以及电子设备 |
CN117150635A (zh) * | 2023-10-31 | 2023-12-01 | 腾讯科技(深圳)有限公司 | 多层级路网的构建方法、装置、电子设备及存储介质 |
CN117150635B (zh) * | 2023-10-31 | 2024-03-22 | 腾讯科技(深圳)有限公司 | 多层级路网的构建方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113704853B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462282B (zh) | 一种场景图生成方法 | |
CN101719315B (zh) | 一种基于中间件的动态交通信息采集方法 | |
CN113704853A (zh) | 一种基于道路元拓扑特征分类的多源道路网数据自动融合方法 | |
CN109446628B (zh) | 基于复杂网络的多层城市交通网构建及关键节点识别方法 | |
CN111429563A (zh) | 基于深度学习的管道三维重建方法、系统、介质及设备 | |
CN106203491A (zh) | 一种公路矢量数据的融合更新方法 | |
CN113052254B (zh) | 多重注意力幽灵残差融合分类模型及其分类方法 | |
CN112084289A (zh) | 一种轨迹融合方法及装置 | |
CN114238542A (zh) | 多源交通gis路网多层级实时融合更新方法 | |
CN115481531B (zh) | 基于sumo的路网交通流实时孪生方法及系统 | |
CN116244333A (zh) | 一种基于代价因子校准的数据库查询性能预测方法及系统 | |
CN111982135A (zh) | 一种基于不同协议的地图格式之间的转换方法 | |
Ai et al. | A map generalization model based on algebra mapping transformation | |
CN113157935B (zh) | 基于关系上下文进行实体对齐的图神经网络系统及方法 | |
CN113932821A (zh) | 基于连续窗口平均方向特征的轨迹地图匹配方法 | |
CN110530378B (zh) | 一种基于v2x的map消息集的车辆定位方法 | |
CN115309846B (zh) | 一种基于平行系数的道路网结构识别方法 | |
CN104778308B (zh) | 飞机结构型材的识别方法和装置 | |
CN115861563A (zh) | 一种图拓扑刚性点云配准的三维重建方法 | |
CN115063548A (zh) | 一种增量式维诺路网构建方法 | |
CN115578860A (zh) | 城市密集路网环境下车辆出行路径识别方法 | |
CN114692495A (zh) | 一种高效的基于可靠性框图的复杂系统可靠性评估方法 | |
CN116311007A (zh) | 一种基于节点空间分析的漏绑扎钢筋节点的识别方法、绑扎质量评价方法 | |
CN113988184A (zh) | 一种矢量道路数据匹配与更新方法、装置和计算机设备 | |
CN117473124B (zh) | 一种具备抵制过度平滑能力的自监督异质图表示学习方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |