CN113841152B - 用于确定道路交叉路口的方法、数据处理装置和计算机程序产品 - Google Patents
用于确定道路交叉路口的方法、数据处理装置和计算机程序产品 Download PDFInfo
- Publication number
- CN113841152B CN113841152B CN201980096507.2A CN201980096507A CN113841152B CN 113841152 B CN113841152 B CN 113841152B CN 201980096507 A CN201980096507 A CN 201980096507A CN 113841152 B CN113841152 B CN 113841152B
- Authority
- CN
- China
- Prior art keywords
- geographic
- scale
- node
- location
- descriptors
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06N3/048—Activation functions
-
- 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
Abstract
一种用于识别道路交叉路口的方法、数据处理装置和计算机代码包括提供从至少一个车辆轨迹获得的位置数据,其中,该位置数据可以包括地理周界内的地理数据。该方法包括通过对该地理周界中包括的目标位置应用地理描述符模型来确定节点向量。该地理描述符模型包括多个多尺度节点描述符,该多个多尺度节点描述符包括目标多尺度描述符和相邻多尺度描述符。该多个多尺度节点描述符中的每一个包括不同地理分辨率的至少两个形状描述符。这些相邻位置中的每一个与该目标位置相距相应的地理距离。可以为该多个多尺度节点描述符中的每一个分别确定这些节点向量。该方法包括将这些节点向量输入到包括图形卷积网络的经训练的多尺度分类器中,以提供该目标位置是道路交叉路口的概率。
Description
技术领域
各个实施例涉及一种用于确定地理坐标是否具有道路交叉路口从而识别道路交叉路口的方法。各个实施例涉及一种数据处理装置,该数据处理装置被配置为执行所述用于识别道路交叉路口的方法。各个实施例涉及一种存储计算机可执行代码的非暂态计算机可读介质,该计算机可执行代码包括用于识别道路交叉路口的指令。各个实施例涉及一种计算机可执行代码,该计算机可执行代码包括用于识别道路交叉路口的指令。各个实施例涉及一种用于训练分类器以确定目标位置是否可能是道路交叉路口的方法。
背景技术
自动交叉路口检测一直是各种人工智能和基于位置的服务应用程序的关键研究问题。由于配备传感器的智能手机无处不在,驾驶员经由智能手机应用程序报告他们的位置(例如,GPS数据)以进行乘客匹配和事故检测等已经变得很普遍。这促使利用大规模GPS轨迹来进行交叉路口检测,近年来这引起了越来越多的研究兴趣。基于方法论,早期的工作大致可以划分为两个类别:启发式方法和基于机器学习的方法。启发式方法将交叉路口定义为驾驶员改变其移动方向的位置或连接两个以上路段的位置。基于机器学习的方法首先提取特征作为位置描述符,然后基于提取的特征训练分类器以确定输入位置是否是道路交叉路口。
发明内容
本披露内容的一个方面涉及一种用于识别道路交叉路口的方法的各个实施例。该方法可以包括:a)提供从至少一个车辆轨迹获得的位置数据。该位置数据可以包括地理周界内的地理数据,例如GPS数据。该方法可以进一步包括:b)通过对该地理周界中包括的目标位置应用地理描述符模型来确定节点向量。该地理描述符模型可以包括多个多尺度节点描述符,该多个多尺度节点描述符包括用于该目标位置的目标多尺度描述符和用于相邻位置的相邻多尺度描述符。该多个多尺度节点描述符中的每一个可以包括不同地理分辨率的至少两个形状描述符。这些相邻位置中的每一个可以与目标位置相距相应的地理距离。可以为该多个多尺度节点描述符中的每一个分别确定这些节点向量。该方法可以进一步包括:c)将该节点向量输入到包括图形卷积网络的经训练的多尺度分类器中,以提供该目标位置是道路交叉路口的概率。
本披露内容的另一个方面涉及一种数据处理装置的各个实施例,该数据处理装置被配置为执行识别道路交叉路口的方法。
本披露内容的另一个方面涉及一种存储计算机可执行代码的非暂态计算机可读介质的各个实施例,该计算机可执行代码包括用于识别道路交叉路口的方法的指令。
本披露内容的另一个方面涉及一种包括执行识别道路交叉路口的方法的指令的计算机可执行代码的各个实施例。
本披露内容的另一个方面涉及一种用于训练分类器以确定目标位置是否可能是道路交叉路口的方法的各个实施例。一旦经过训练,分类器就可以在先前提到的方面和各个实施例中用作经训练的多尺度分类器。对于地理周界的多个目标位置,该方法可以包括通过将训练数据输入到分类逻辑中以获得输出结果来执行正向传播。该训练数据可以包括从至少一个车辆轨迹获得的位置数据。该位置数据可以包括该地理周界内的地理数据。该训练数据可以进一步包括多个目标位置中的每个目标位置的交叉路口存在数据,例如,指示目标位置是对应于道路交叉路口还是对应于非交叉路口。该方法可以进一步包括根据该输出结果与已知交叉路口存在数据之间的差异来执行反向传播,以调整该分类逻辑的权重。该方法可以进一步包括重复上述步骤,直到可以达到预定的收敛阈值。分类逻辑可以如本文结合各个实施例所解释的。例如,分类逻辑可以包括分类器,该分类器包括图形卷积网络。该分类器可以进一步包括预处理逻辑,该预处理逻辑用于通过对该地理周界中包括的目标位置应用地理描述符模型来确定节点向量。该地理描述符模型可以包括多个多尺度节点描述符,该多个多尺度节点描述符包括用于该目标位置的目标多尺度描述符和用于相邻位置的相邻多尺度描述符。该多个多尺度描述符中的每一个可以包括不同地理分辨率的至少两个形状描述符。这些相邻位置中的每一个可以与目标位置相距相应的地理距离。可以为该多个多尺度节点描述符中的每一个分别确定这些节点向量。
附图说明
当结合非限制性示例和附图考虑时,参考具体实施方式将更好地理解本发明,在附图中:
-图1至图3示出了根据各个实施例的用于确定地理坐标是否具有道路交叉路口从而识别道路交叉路口的方法的示意性表示;
-图5以多尺度节点描述符V1,V2,…,Vn的形式并作为图形示出了地理描述符模型600的示意性表示;
-图7示出了地理上以地理周界为中心的形状描述符和重叠位置数据的示例。图7在右侧进一步示出了从位置数据中选择的一条轨迹61,该轨迹与形状描述符60的内圆63相交;以及
-图8示出了图形表示(左侧)的邻接矩阵的示例;以及
-图9示出了包括图形卷积网络700的多尺度分类器的示意性表示;以及
具体实施方式
以下详细描述参考了附图,附图通过展示的方式示出了可以实践本披露内容的具体细节和实施例。足够详细地描述了这些实施例,以使本领域技术人员能够实践本披露内容。可以利用其他实施例并且可以在不脱离本披露内容的范围的情况下进行结构改变和逻辑改变。各个实施例不一定是相互排斥的,因为一些实施例可以与一个或多个其他实施例组合以形成新的实施例。
在用于识别道路交叉路口的方法、数据处理装置、存储计算机可执行代码的非暂态计算机可读介质、计算机可执行代码和用于训练分类器的方法之一的上下文中描述的实施例对于存储计算机可执行代码的其他非暂态计算机可读介质、计算机可执行代码、或用于训练分类器的方法是类似有效的。
在实施例的上下文中描述的特征可以相应地适用于其他实施例中的相同或类似的特征。在实施例的上下文中描述的特征即使未在其他实施例中明确地描述也可以相应地适用于这些其他实施例。此外,如针对实施例的上下文中的特征所描述的添加和/或组合和/或替代可以相应地适用于其他实施例中的相同或类似的特征。
在各个实施例的上下文中,针对特征或元素所使用的冠词“一(a)”、“一个(an)”和“该(the)”包括对一个或多个特征或元素的提及。
如本文所使用的,术语“和/或”包括一个或多个相关联所列项中的任何和所有组合。
如本文所使用的并且根据各个实施例,表达“道路交叉路口(roadintersection)”或简称为“交叉路口(intersection)”可以意指道路交叉点,例如,两条道路的正交交叉点、两条道路的非正交交叉点、分叉。
如本文所使用的并且根据各个实施例,确定位置是否是道路交叉路口的表达可以被称为识别道路交叉路口。
如本文所使用的并且根据各个实施例,表达“用于…的方法(method for)”还可以包括“…的方法(method of)”的含义。
如本文所使用的并且根据各个实施例,表达“节点特征”和“节点向量”(及其复数形式)可以互换地使用。
如本文所使用的并且根据各个实施例,术语位置数据可以包括如地理空间坐标等地理数据,并且可以进一步包括例如由全球定位系统GPS提供的时间。GPS坐标可以根据世界大地测量系统WGS 84,例如,版本G1674。
对于道路交叉路口的识别,位置数据是现实世界的数据,例如,现实世界的GPS数据。相应地,地理周界表示地球表面的周界。
如本文所使用的并且根据各个实施例,术语‘地理(geographical)’和‘地理空间(geospatial)’可以互换地使用。
打车服务(ride-hailing)提供商的服务在很大程度上依赖于数字地图的质量。地图中缺少道路交叉路口或路段可能导致次优的路线决策或对驾驶员的到达时间的不准确估计。虽然OpenStreetMap(OSM)提供了社区用户生成的世界地图,但其数据的完整性和准确性在不同城市存在显著的差异。考虑到手动校正地图数据的高成本,使用数据自动化可以为提供准确的地图提供优势。例如,数据驱动的方法可以从地图数据质量相对较高的城市(例如,新加坡(Singapore))中学习,以自动地发现地图数据相对较差的城市(例如,雅加达(Jakarta))中缺失的道路和交叉路口。为此,本披露内容的各个实施例使用多尺度图形卷积网络,该多尺度图形卷积网络可以有效地从大规模GPS轨迹中检测交叉路口。
图1示出了根据各个实施例的用于确定地理坐标(例如,目标位置)是否具有道路交叉路口从而识别道路交叉路口的方法100的示意图。用于识别道路交叉路口的方法100可以包括步骤102、104和106。步骤102(也被称为步骤a))可以包括提供从至少一个车辆轨迹21、22获得的位置数据20。该位置数据可以包括地理周界12内的地理数据10。步骤104(也被称为步骤b))可以包括通过对该地理周界12中包括的目标位置14应用地理描述符模型600来确定节点向量。地理描述符模型600可以包括多个多尺度节点描述符V1,V2,…,Vn,每个多尺度节点描述符包括用于目标位置14的目标多尺度描述符V1和用于相邻位置的相邻多尺度描述符V2,V3,…,Vn。该多个多尺度节点描述符V1,V2,…,Vn可以包括不同地理分辨率的至少两个形状描述符。这些相邻位置中的每一个可以与目标位置14相距相应的地理距离。可以为该多个多尺度节点描述符V1,V2,…,Vn中的每一个分别确定节点向量。地理描述符模型600将在下面进一步详细解释。
方法100可以进一步包括将节点向量输入到包括图形卷积网络700的经训练的多尺度分类器中的步骤106(也被称为步骤c)),以提供目标位置14是道路交叉路口的概率。根据各个实施例,图形卷积网络700中的输入是矩阵X和相邻矩阵A。相邻矩阵A捕获图形结构。根据各个实施例,在矩阵X中,每一行可以表示节点向量(本文也被称为节点特征)。矩阵X也被称为输入图形。矩阵X和相邻矩阵A也可以被称为图形级表示。
根据各个实施例,步骤c)可以包括应用逻辑回归,例如,将概率与预定阈值进行比较。如果满足阈值,则目标位置被确定为道路交叉路口的候选位置。例如,逻辑回归可以返回二进制值,例如,当存在道路交叉路口时为‘1’,并且当不存在道路交叉路口时为‘0’。
根据各个实施例,确定节点向量以及将该节点向量输入到经训练的多尺度分类器中可以针对位置数据的多个目标位置进行重复,以获得针对相应的多个目标位置中的至少一些确定的多个候选位置。
图2示出了用于识别道路交叉路口的方法100的示意性表示,该方法与图1所示的方法100相同,除了该方法进一步包括步骤108,即在执行步骤106之后,选择下一个目标位置,并且过程返回到步骤104,将该下一个目标位置作为目标位置。方法100可以继续进行,直到所有期望的目标位置都被处理,如图3所示,其中,当所有位置都被处理时,方法100经由决策节点110退出循环(步骤104→106→108→104)。出于图示的目的,在图2和图3中示出了流程图配置,并且其其他变化是可能的,例如,可以以另一种方式提供重复。
根据各个实施例,可以通过将该地理描述符模型转移到下一个目标位置来执行重复。例如,当前目标位置可以是轨迹的一个位置,并且下一个目标位置可以是轨迹的另一个位置,例如,相邻位置。在一些实施例中,下一个目标位置可以是距离当前目标位置某一地理距离范围内的轨迹的位置。因此,例如,在交通堵塞时被记录为彼此太靠近的位置可能被忽略或预先过滤。例如,地理距离范围可以具有下端和上端。在实施例中,下端可以从10米到30米中选择,并且上端可以从20米到60米中选择。上端比下端大。在一个示例中,地理距离范围可以从25米到50米。
根据各个实施例,可以对该多个候选位置进行聚类,以去除重复项成为一个或多个检测到的交叉路口。例如,可以进一步处理候选位置的聚类以确定目标点作为道路交叉路口。进一步的处理可以是例如确定聚类的中心。
各个实施例还涉及用于确定两个交叉路口之间的道路存在的过程。该过程可以包括提供位置数据(例如,如本文根据各个实施例所描述的)和交叉路口,例如,如用根据各个实施例的用于识别交叉路口的方法识别的经识别交叉路口。该过程可以进一步包括计算两个检测到的交叉路口之间的一个或多个轨迹的平均值,以确定这两个检测到的交叉路口之间的道路的存在。用于确定道路的存在的过程可以在用于识别交叉路口的方法之后或作为该方法的一部分来执行。
根据各个实施例,目标位置和相邻位置可以形成以该目标位置为中心的网格图案。因此,目标多尺度描述符(V1)和相邻多尺度描述符(V2,V3,…,Vn)可以以网格图案布置,例如,使目标多尺度描述符(V1)以目标位置为中心。在一些实施例中,相邻位置为8个,例如,布置为目标位置在中心的3×3矩阵。竖直相邻多尺度描述符与水平相邻多尺度描述符的中心之间的距离可以是在纬度和经度方面的预定角度。在各个实施例中,距离可以被选择为例如从50米到100米。例如,在纬度和经度方面,该距离可以被设置为0.0005度,大约为55米。
根据各个实施例,确定节点向量可以包括为该至少一个车辆轨迹中的每个轨迹确定位置向量。可以例如使用L1范数对位置向量进行归一化。替代性地或另外地,确定节点向量可以包括为该至少一个车辆轨迹中的每个轨迹确定移动方向向量。可以例如使用L1范数对移动方向向量进行归一化。
根据各个实施例,当使用位置和方向向量时,识别道路交叉路口的方法可以进一步包括将位置向量中的每一个与相应的移动方向向量中的每一个连结成连结向量,以作为节点向量输入到经训练的多尺度分类器中。
根据各个实施例,形状描述符中的每一个将目标位置的附近区域划分为表示地理细分的多个直方图仓,例如,形状描述符中的每一个可以包括被划分为环形的圆形形状,其中,环形中的每一个可以被径向线分成环形部分,每个环形部分对应于直方图仓。
根据各个实施例,确定位置向量可以包括例如通过向轨迹经过的直方图仓中的每一个添加一个点(该点主要被称为轨迹仓计数)来执行轨迹的分仓。
根据各个实施例,确定移动方向向量可以包括:对于形状描述符在预定地理角度方向上的多个地理角度旋转,例如通过向其轨迹的位置数据可以是移动方向的直方图仓中的每一个添加一个点(该点主要被称为移动方向计数)来执行轨迹的位置数据的移动方向的分仓。
根据各个实施例,该方法可以包括丢弃不与形状描述符的预定内圆、例如由内环形成的圆相交的轨迹,以减少噪声。丢弃可以在用于确定位置或移动方向向量的任何分仓之前或作为其一部分执行。因此,可以对与预定内圆相交的轨迹执行分仓,并且可以不对不与预定内圆相交的轨迹执行分仓。
分类器的训练
各个实施例还涉及多尺度分类器的训练,用于确定目标位置是否可能是道路交叉路口。例如,经训练的分类器可以在用于识别道路交叉路口的方法中用作经训练的多尺度分类器。
训练数据可以包括从至少一个车辆轨迹21、22获得的位置数据,其中,该位置数据包括该地理周界12内的地理数据10。该训练数据可以进一步包括多个目标位置中的每个目标位置的交叉路口存在数据。例如,当存在道路交叉路口时为‘1’,并且当不存在道路交叉路口时为‘0’。
训练可以通过监督学习进行。在一些实施例中,对于地理周界12的多个目标位置,可以通过正向传播来执行训练,方式为通过将包括交叉路口存在数据的训练数据输入到分类逻辑中以获得输出结果。输出结果可以是概率(例如,在0与1之间)。该训练可以进一步包括根据输出结果与道路交叉路口存在数据之间的差异来执行反向传播(backpropagation),以调整分类逻辑的权重。可以重复正向传播(forward propagation)步骤和反向传播步骤,直到达到预定的收敛阈值。
分类器也可以用验证数据来验证,并且可以进一步用测试数据来测试。训练数据、验证数据和测试数据(如果使用的话)可以彼此不同,以提供经训练的分类器的无偏评估。
分类逻辑可以包括根据各个实施例的多尺度分类器。例如,分类逻辑可以包括分类器,该分类器包括图形卷积网络和预处理逻辑,该预处理逻辑用于通过对地理周界12中包括的目标位置14应用104地理描述符模型600来确定104节点向量。地理描述符模型600可以包括多个多尺度节点描述符(V1,V2,…,Vn),该多个多尺度节点描述符包括用于目标位置14的目标多尺度描述符V1和用于相邻位置的相邻多尺度描述符V2,V3,…,Vn。该多个多尺度描述符V2,V3,…,Vn中的每一个可以包括不同地理分辨率的至少两个形状描述符。
形状描述符
图4示出了包括车辆轨迹(例如,轨迹21和22)的地理数据10和位置数据20的地理周界12的示意性表示。地理数据可以是如纬度、经度和海拔等坐标,例如,根据WGS 84(例如,版本G1674)。
在图4中,为了便于理解,示出了表示城市街区的四个街区,这些城市街区被道路分开,这些道路被展示为彼此相交的竖直道路和水平道路,并且由此在图的中心形成道路交叉路口。地理周界12上还示出了几个车辆轨迹20,例如,轨迹21和22。例如,当车辆在道路交叉路口转弯时,轨迹可以是弯曲的。轨迹也可以是直的。未示出轨迹的方向,然而,这些方向可以通过比较轨迹的任何两个目标位置(例如,两个目标位置)的时间戳来容易地确定。在示例中,可以为每个目标位置提供时间戳。在其他示例中,可以以固定的时间间隔记录位置,因此可以为每个目标位置提供时间戳或者可以计算时间戳。
进一步地在图4中示出的形状描述符位于道路交叉路口的中心。因此,在所展示的情况下,目标位置14可被识别为道路交叉路口。如所示出的,并且根据各个实施例,形状描述符可以包括可以例如以恒定角度(例如,360度的因数)被分段的同心环,每个节段表示一个仓。形状描述符的应用将在下面进一步解释。
多尺度图形级特征(或简称为图形级特征)的提取为识别道路交叉路口提供了稳健模型,这些多尺度图形级特征包括节点向量、使用不同大小的形状描述符、以及使用地理描述符模型600作为图形表示,该地理描述符模型将位置与附近区域的局部环境一起建模。
图形卷积可以通过将地理描述符模型600(例如,包括节点向量)输入到包括图形卷积网络700的经训练的多尺度分类器中来执行。图形卷积不仅有效地编码节点特征,而且有效地编码图形子结构(例如,经由相邻矩阵A)以生成稳健的多尺度图形表示向量。
根据各个实施例,在用图形卷积网络700编码节点向量之后,所得输出特征可以被连结成多尺度图形表示向量,可以从该多尺度图形表示向量确定概率,并且可以应用逻辑回归来提供道路交叉路口的候选位置。
根据各个实施例,可以通过将地理描述符模型600的中心从一个目标位置转移到另一个目标位置(例如,从当前目标位置到下一个目标位置)并考虑该中心以确定其是否是道路交叉路口的候选位置来提供从记录的车辆轨迹(例如,GPS轨迹)进行的交叉路口识别。转移的一个示例在图4中展示,形状描述符(地理描述符模型600的中心形状描述符)被示出为以目标位置14(当前目标位置)为中心,并且随后可以以地理距离16转移到目标位置15(下一个目标位置)。如果由多尺度分类器预测的概率大于预定义阈值,则以目标位置为中心的地理描述符模型600被认为是道路交叉路口的候选位置。候选位置可以被聚类,并且可以从每个聚类中选择一个代表性候选位置来去除重复项,从而识别交叉路口。
本披露内容具有几个优点。所披露的地理描述符模型是描述性的和稳健的,因为该方法不仅对目标位置建模,而且对对应的局部环境建模。例如,从GPS轨迹识别道路交叉路口的多尺度图形卷积网络可以有效地从所披露的地理描述符模型中学习,而无需在特征提取之前预先估计位置处的尺度和朝向。
将地理位置建模为图形
道路交叉点不是单独出现的,并且其如大小和朝向等特点可能与位置环境密切相关。基于此观察,提出了图形表示形式的地理描述符模型600来表示位置并将道路交叉路口检测建模为多图形分类问题。
图5以多尺度节点描述符G=V1,V2,…,Vn(左侧,其中,为了便于说明,仅示出了多尺度节点描述符的一个尺度)的形式并作为图形(右侧)示出了地理描述符模型600的示意性表示。如图5所示,除了目标位置14(即,将被检测其是否是道路交叉路口的位置)之外,在附近区域中对其他辅助位置进行采样。根据各个实施例,该目标位置和该相邻位置可以被布置为以该目标位置14为中心的网格图案。辅助位置在图5中展示为八个,位于目标点14周围的形状描述符的中心,然而,本披露内容不必限于八个,也不限于所展示的布置。出于展示的目的,轨迹的地理数据被示出为一系列点。
根据各个实施例,添加边,例如,作为相邻矩阵A的元素,边的权重可以设置为1。边可以对应于竖直与水平邻居之间的边(例如,51和52),以表示地理空间域中的位置的关系。在位置的每一个(例如,九个位置中的每一个)处使用形状描述符提取特征,并且这些特征与地理描述符模型中的对应的节点相关联。提出的地理描述符模型是描述性的和稳健的,因为该地理描述符模型将目标位置与其局部环境一起建模,从而提高了对交叉路口的识别。
多尺度形状描述符中的每一个在图5中示出为单个尺度,然而,每个可以包括不同地理尺度的形状描述符。包括不同地理尺度和/或分辨率的形状描述符的多尺度描述符的一个示例在图6中示出,其示出了不同尺度的m=3个形状描述符。由于不同的仓大小,形状描述符可以提供不同的地理分辨率。多尺度描述符表示可以应用于地理描述符模型,例如,如图5所示。可以在每个位置使用不同大小的多个形状描述符以在不同尺度下提取特征。在训练期间,分类器可以从每个位置最具代表性的特征中学习。如图6所示,代替使用一个总体形状描述符,可以使用三个不同大小的形状描述符,例如,内圈的半径分别设置为10米、20米和30米。因此,可以提取三个向量来捕获在三个不同尺度下的在每个位置处位置数据(例如,GPS点)的局部分布,然后可以将其传递到经训练的多尺度分类器中,在该多尺度分类器中可以通过应用特征融合技术来获得改进的分类结果。
正式地,令L表示具有n个样本的一组位置,并且 表示在L中的位置的对应的地理描述符模型。对于每一个 是具有相同结构但不同尺度和/或地理分辨率的一组图形,并且m是每个多尺度形状描述符的不同形状描述符的数量,用于特征提取。数字m可以是等于或大于2的整数,例如,等于或大于3。
根据各个实施例,地理描述符模型可以包括两个或更多个子图每个子图可以包括相同尺度和相同地理分辨率的形状描述符。不同子图的形状描述符的尺度和/或地理分辨率可能彼此不同。每个子图可以用对应的矩阵X表示。例如,每个矩阵X可以与对应的相邻矩阵A一起输入到经训练的多尺度分类器中。在一些实施例中,子图的节点之间的距离,即,形状描述符的中心之间的距离,在不同的子图中可能不同。在一些实施例中,子图的不同节点之间的距离在相同的子图中可能不相同。下面将结合图9描述进一步的示例。
图形卷积网络可以有效地编码地理描述符模型的图形子结构和节点向量两者,这对于多图形分类非常有帮助。通过连结由两层图形卷积网络输出的输出特征来为每个输入子图生成紧凑表示,并且进一步融合到多尺度图形表示向量中,并且可以进行分类,例如,二进制分类,以预测给定位置是否是道路交叉路口候选。
图7示出了地理上以地理周界中的目标位置为中心的形状描述符和重叠位置数据的示例。形状描述符被展示为包括如限定环形的内圆63和外圆62等同心圆,这些同心圆被进一步分段成仓,例如,仓64、65、66和67。轨迹的地理数据以点的形式示出在左侧(目标位置),并且单个轨迹61示出在右侧。图7在右侧进一步示出了从位置数据中选择的一条轨迹61,该轨迹与形状描述符60的内圆63相交。以给定位置为中心,形状描述符60将附近区域划分成多个直方图仓64、65、66、67、…。代替使用落在附近区域中的所有位置数据(参见图的左侧),只有通过形状描述符的内圆的轨迹可以被保留和处理以减少噪声。在图7的右侧,出于图示的目的,仅示出了保持的轨迹中的一个,即,轨迹61。对于每个保持的轨迹,可以对轨迹经过的仓中的每一个添加一个点。可以将这些仓映射到可以例如使用L1范数进一步被归一化的向量。
类似地,移动方向也可以通过向相应的仓添加点来量化,并且将仓映射到移动方向向量,可以例如使用L1范数对该移动方向向量进行归一化。移动方向可以表示为设备的移动方向相对于地球的正北方向的角度,例如,顺时针角度。
基于车辆的位置和移动方向提取的向量可以在每个位置被连结成单个节点向量作为位置描述符。令L表示具有n个样本的一组位置,并且X={X1,X2,…,Xn}表示在L中的位置提取的对应的归一化描述符。将L作为训练集合,可以基于归一化描述符X来训练多尺度分类器,以检测任意位置是否是道路交叉路口的候选位置。使用6个圆、16个角切片和36个移动方向仓进行实验。在实验中,最小圆的半径被设置为20米,并且连续圆的半径之间的比率为1.3。使用这种配置获得了令人惊讶的良好结果。在各个实施例中,可以选择连续圆的半径之间的圆比率,例如,从1.1到1.6。在各个实施例中,可以选择最小圆的半径,例如,从10米到50米。在各个实施例中,可以选择角切片,例如,从4个到360个切片。
发现神经网络可以从大规模现实世界的GPS轨迹中学习,而无需手动提取旋转和尺度不变的特征,这些特征可以以向量的形式表示。类似于图像处理,来自训练数据的训练样本可以通过应用如旋转等数据增强技术来进一步放大,以使分类器能够识别具有各个朝向的交叉路口。因此,本披露内容的方法解决了由不同交叉路口大小引起的潜在问题。
图8示出了示例性地理描述符模型600。正式地,输入图(参见图8)表示为G=(V,E,A)(为了表示简单,省略了的上标和下标),其中,V是节点集合,E是边集合,并且A是邻接矩阵。令vi∈V表示节点,并且eij=(vi,vj)∈E表示边。邻接矩阵A是9×9矩阵,其中如果eij∈E则Aij=1,如图8所示。图9展示了包括图形卷积网络700的多尺度分类器的示例性架构。
图9示出了包括图形卷积网络700的多尺度分类器的示意性表示。在图9的左侧,示出了包括子图(到)的地理描述符模型600,每个子图可以由包括节点向量的矩阵X表示,并且输入到图形卷积网络700中。图形卷积网络700具有不同分辨率(到)的子图的输入,该子图被包括在地理描述符模型600中。所展示的图形卷积网络700包括由712和722表示的图形卷积网络(GCN)层、整流线性单元(ReLu)714和724、以及退出716和726。不同尺度的子图可以由相同的图形卷积网络处理,例如,将m个子图中的每一个相继输入到图形卷积网络中(由图9中的竖直省略号表示)。因此,每个子图共享权重。图形卷积网络700产生的多尺度图形表示向量可以被连结,并且在阶段740被进一步融合成多尺度图形表示向量。
利用包括图形结构的地理描述符模型600并接受节点级特征作为到图形卷积网络700的输入,实施了具有ReLU激活(714,724)和退出(716,726)的两层GCN(例如,具有图形卷积层712和714),以通过连结节点表示来获得图形级表示。可以使用其他架构变化。令表示节点信息矩阵,该节点信息矩阵的第i行是节点向量vi。图形卷积层采用以下形式:
图形卷积网络可以有效地编码包括节点特征的所有(例如,两个或更多个)图形子结构,这对于多图形分类非常有帮助。通过将由两层图形卷积网络输出的输出特征连结成多尺度图形表示向量,为每个输入图形生成紧凑表示,该多尺度图形表示向量表示为与输入图形相对应的
图10是图9的层的更详细的示意性表示。如图10所展示的,可以融合在每个位置lk∈L编码的多尺度图形表示向量可以被传递到一个共享权重完全连接层742,随后是ReLU激活744,并且可以例如在步骤746中基于连结来聚集输出特征。经训练的多尺度分类器的输出层750仅包含一个指示输入位置是否为道路交叉路口的概率的单元。可以应用Sigmoid激活,并且可以采用二进制交叉熵作为损失函数。
本披露内容还涉及一种计算机程序产品,该计算机程序产品被配置为执行根据各个实施例的用于识别道路交叉路口的方法和/或执行训练分类器的方法。
本披露内容还涉及一种数据处理装置,该数据处理装置被配置为执行根据各个实施例的用于识别道路交叉路口的方法和/或执行训练分类器的方法。该数据处理装置可以包括处理器,例如,微处理器、存储器、通信设备,例如以实现接入网络。
本披露内容还涉及一种根据各个实施例的存储计算机可执行代码的非暂态计算机可读介质,该计算机可执行代码包括用于识别道路交叉路口的指令。非暂态计算机可读介质的示例是闪存、硬盘驱动器、CD-ROM、DVD。
本披露内容还涉及一种存储包括用于训练分类器的指令的计算机可执行代码的非暂态计算机可读介质。非暂态计算机可读介质的示例是闪存、硬盘驱动器、CD-ROM、DVD。
所披露的地理描述符模型是多尺度图形模型,该多尺度图形模型能够提取通用的基于图形的位置描述符,该位置描述符可以用于各种基于位置的应用,包括但不限于道路交叉路口检测。
在本发明的一个高级实施例中,车辆速度的时间模式被建模并输入到经训练的多尺度分类器中,例如,作为节点向量的一部分。通过对车辆速度的时间模式进行建模,可以检测有或没有交通信号灯的交叉路口。这种信息可以用于以更高的准确性估计车辆的到达时间。
在本发明的另一个高级实施例中,卫星图像被用作交叉路口检测的附加输入。使用卷积神经网络从卫星图像中提取深度视觉表示。提取的深度视觉表示可以与多尺度图形表示向量融合,以更好地训练多尺度分类器。
虽然几个方面和实施例涉及道路交叉路口,但是本方面和实施例也可以应用于其他类型的道路交叉路口,例如,自行车道交叉路口、人行道交叉路口、共享使用交叉路口。共享使用可以例如选自以下各项中的至少两项:自行车道交叉路口、人行道交叉路口、机动车辆道路交叉路口。因此,如本文所使用的并且根据各个实施例,术语‘道路(road)’也可以意指道或路径。
Claims (23)
1.一种用于识别道路交叉路口的方法(100),包括:
a)提供(102)从至少一个车辆轨迹(21,22)获得的位置数据(20),其中,该位置数据包括地理周界(12)内的地理数据(10);
b)通过对该地理周界(12)中包括的目标位置(14)应用(104)地理描述符模型(600)来确定(104)节点向量,
其中,该地理描述符模型包括多个多尺度节点描述符(V1,V2,...,Vn),该多个多尺度节点描述符包括用于该目标位置(14)的目标多尺度描述符(V1)和用于相邻位置的相邻多尺度描述符(V2,V3,...,Vn),
其中,该多个多尺度节点描述符(V1,V2,...,Vn)中的每一个包括不同地理分辨率的至少两个形状描述符,
其中,这些相邻位置中的每一个与该目标位置(14)相距相应的地理距离,并且
其中,为该多个多尺度节点描述符(V1,V2,...,Vn)中的每一个分别确定该节点向量;
c)将这些节点向量输入(106)到包括图形卷积网络(700)的经训练的多尺度分类器中,以提供该目标位置(14)是道路交叉路口的概率。
2.如权利要求1所述的方法,其中,步骤c)包括应用逻辑回归,将该概率与预定阈值进行比较,并且如果满足该阈值,则确定该目标位置(14)是道路交叉路口的候选位置。
3.如权利要求2所述的方法,其中,针对该位置数据的多个目标位置(14,15),对确定(104)节点向量并且将这些节点向量输入(106)到经训练的多尺度分类器中进行重复,以获得为相应的多个目标位置(14,15)中的至少一些确定的多个候选位置。
4.如权利要求3所述的方法,其中,通过将该地理描述符模型(600)转移到下一个目标位置(15)来执行该重复,该地理描述符模型转移一个转移地理距离(16)。
5.如权利要求2所述的方法,其中,对该多个候选位置进行聚类,以去除重复项成为一个或多个检测到的交叉点。
6.如权利要求5所述的方法,进一步包括计算两个检测到的交叉路口之间的一个或多个轨迹的平均值,以确定这两个检测到的交叉路口之间的道路的存在。
7.如权利要求1所述的方法,其中,该目标位置和这些相邻位置被布置为以该目标位置(14)为中心的网格图案。
8.如权利要求1所述的方法,其中,这些相邻位置为8个。
9.如权利要求1所述的方法,其中,确定(104)节点向量包括为该至少一个车辆轨迹中的每个轨迹确定位置向量和移动方向向量。
10.如权利要求9所述的方法,其中,对这些位置向量进行归一化,并且其中,对这些移动方向向量进行归一化。
11.如权利要求10所述的方法,其中,归一化使用L1范数。
12.如权利要求1所述的方法,其中,确定(104)节点向量包括为该至少一个车辆轨迹中的每个轨迹确定移动方向向量。
13.如权利要求9所述的方法,其中,确定(104)节点向量进一步包括为该至少一个车辆轨迹中的每个轨迹确定移动方向向量,并且该方法进一步包括将这些位置向量中的每一个与相应的移动方向向量中的每一个连结成连结向量,以作为这些节点向量输入到经训练的多尺度分类器中。
15.如权利要求14所述的方法,进一步包括丢弃不与该形状描述符的预定内圆相交的轨迹,以减少噪声。
16.如权利要求15所述的方法,其中,圆由内环形成。
17.如权利要求14所述的方法,其中,确定位置向量包括通过向该轨迹经过的这些直方图仓中的每一个添加一个点来执行该轨迹的分仓。
18.如权利要求14所述的方法,其中,确定移动方向向量包括:对于该形状描述符在预定地理角度方向上的多个地理角度旋转,通过向其轨迹的位置数据是移动方向的这些直方图仓中的每一个添加一个点来执行该轨迹的位置数据的移动方向的分仓。
19.一种数据处理装置,该数据处理装置被配置为执行如权利要求1至18中任一项所述的方法。
20.一种存储计算机可执行代码的非暂态计算机可读介质,该计算机可执行代码包括用于根据如权利要求1至18中任一项所述的方法来识别道路交叉路口的指令。
21.一种计算机可执行代码,包括用于根据如权利要求1至18中任一项所述的方法来识别道路交叉路口的指令。
22.一种用于训练分类器以确定目标位置是否是道路交叉路口的方法,该方法包括:
-对于地理周界(12)的多个目标位置,通过将训练数据输入到分类逻辑中以获得输出结果来执行正向传播,
其中,该训练数据包括:
从至少一个车辆轨迹(21,22)获得的位置数据,其中,该位置数据包括该地理周界(12)内的地理数据(10);以及
多个目标位置中的每个目标位置的交叉路口存在数据;
-根据该输出结果与已知交叉路口存在数据之间的差异来执行反向传播,以调整该分类逻辑的权重;以及
-重复执行正向传播和执行反向传播,直到达到预定的收敛阈值,
其中,该分类逻辑包括分类器,该分类器包括图形卷积网络和预处理逻辑,该预处理逻辑用于通过对该地理周界(12)中包括的目标位置(14)应用(104)地理描述符模型(600)来确定(104)节点向量,
其中,该地理描述符模型包括多个多尺度节点描述符(V1,V2,...,Vm),该多个多尺度节点描述符包括用于该目标位置(14)的目标多尺度描述符(V1)和用于相邻位置的相邻多尺度描述符(V2,V3,...,Vn),
其中,该多个多尺度描述符(V1,V2,...,Vn)中的每一个包括不同地理分辨率的至少两个形状描述符,
其中,这些相邻位置中的每一个与该目标位置(14)相距相应的地理距离,并且
其中,为该多个多尺度节点描述符(V1,V2,...,Vn)中的每一个分别确定该节点向量。
23.一种通过如权利要求22所述的方法训练的分类器。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/SG2019/050507 WO2021071422A1 (en) | 2019-10-10 | 2019-10-10 | Method, data processing apparatus and computer program product for determining road intersections |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113841152A CN113841152A (zh) | 2021-12-24 |
CN113841152B true CN113841152B (zh) | 2022-11-15 |
Family
ID=75436771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980096507.2A Active CN113841152B (zh) | 2019-10-10 | 2019-10-10 | 用于确定道路交叉路口的方法、数据处理装置和计算机程序产品 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11663499B2 (zh) |
CN (1) | CN113841152B (zh) |
SG (1) | SG11202112081PA (zh) |
TW (1) | TW202131221A (zh) |
WO (1) | WO2021071422A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220180183A1 (en) * | 2020-12-09 | 2022-06-09 | Here Global B.V. | Method, apparatus, and system for providing place category prediction |
TWI807561B (zh) * | 2021-12-28 | 2023-07-01 | 國立陽明交通大學 | 嵌入式深度學習多尺度物件偵測暨即時遠方區域定位裝置及其方法 |
CN116189115A (zh) * | 2023-04-24 | 2023-05-30 | 青岛创新奇智科技集团股份有限公司 | 车型识别方法、电子设备和可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103609178A (zh) * | 2011-06-17 | 2014-02-26 | 微软公司 | 地点辅助的识别 |
CN106547880A (zh) * | 2016-10-26 | 2017-03-29 | 重庆邮电大学 | 一种融合地理区域知识的多维度地理场景识别方法 |
CN108877267A (zh) * | 2018-08-06 | 2018-11-23 | 武汉理工大学 | 一种基于车载单目相机的交叉路口检测方法 |
CN109815993A (zh) * | 2019-01-03 | 2019-05-28 | 西北大学 | 基于gps轨迹的区域特征提取、数据库建立及路口识别方法 |
CN109993134A (zh) * | 2019-04-04 | 2019-07-09 | 中山大学 | 一种基于hog和svm分类器的道路交叉口车辆检测方法 |
CN110175574A (zh) * | 2019-05-28 | 2019-08-27 | 中国人民解放军战略支援部队信息工程大学 | 一种道路网提取方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105355042B (zh) | 2015-10-23 | 2017-09-19 | 东南大学 | 一种基于出租车gps的道路网络提取方法 |
CN105788273B (zh) | 2016-05-18 | 2018-03-27 | 武汉大学 | 基于低精度时空轨迹数据的城市交叉口自动识别的方法 |
US11004202B2 (en) * | 2017-10-09 | 2021-05-11 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for semantic segmentation of 3D point clouds |
-
2019
- 2019-10-10 SG SG11202112081PA patent/SG11202112081PA/en unknown
- 2019-10-10 US US17/611,097 patent/US11663499B2/en active Active
- 2019-10-10 WO PCT/SG2019/050507 patent/WO2021071422A1/en active Application Filing
- 2019-10-10 CN CN201980096507.2A patent/CN113841152B/zh active Active
-
2020
- 2020-08-26 TW TW109129210A patent/TW202131221A/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103609178A (zh) * | 2011-06-17 | 2014-02-26 | 微软公司 | 地点辅助的识别 |
CN106547880A (zh) * | 2016-10-26 | 2017-03-29 | 重庆邮电大学 | 一种融合地理区域知识的多维度地理场景识别方法 |
CN108877267A (zh) * | 2018-08-06 | 2018-11-23 | 武汉理工大学 | 一种基于车载单目相机的交叉路口检测方法 |
CN109815993A (zh) * | 2019-01-03 | 2019-05-28 | 西北大学 | 基于gps轨迹的区域特征提取、数据库建立及路口识别方法 |
CN109993134A (zh) * | 2019-04-04 | 2019-07-09 | 中山大学 | 一种基于hog和svm分类器的道路交叉口车辆检测方法 |
CN110175574A (zh) * | 2019-05-28 | 2019-08-27 | 中国人民解放军战略支援部队信息工程大学 | 一种道路网提取方法及装置 |
Non-Patent Citations (1)
Title |
---|
Detecting Road intersections from GPS Traces;FATHI A. ET AL.;<Sixth International Conference on Geographic information Science>;20100917;56-69 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021071422A1 (en) | 2021-04-15 |
US11663499B2 (en) | 2023-05-30 |
CN113841152A (zh) | 2021-12-24 |
TW202131221A (zh) | 2021-08-16 |
US20220230450A1 (en) | 2022-07-21 |
SG11202112081PA (en) | 2021-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bastani et al. | Roadtracer: Automatic extraction of road networks from aerial images | |
CN107766808B (zh) | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 | |
CN113841152B (zh) | 用于确定道路交叉路口的方法、数据处理装置和计算机程序产品 | |
Yang et al. | Generating lane-based intersection maps from crowdsourcing big trace data | |
CN106778605B (zh) | 导航数据辅助下的遥感影像道路网自动提取方法 | |
Wang et al. | Automatic intersection and traffic rule detection by mining motor-vehicle GPS trajectories | |
KR102279376B1 (ko) | CNN(Convolutional Neural Network)을 사용하여 차선을 검출하기 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치 | |
JP6980289B2 (ja) | 車線モデルを利用して車線を検出し得る学習方法及び学習装置そしてこれを利用したテスト方法及びテスト装置{learning method, learning device for detecting lane using lane model and test method, test device using the same} | |
CN113950611B (zh) | 用于预测道路属性的方法和数据处理系统 | |
CN111291811B (zh) | 区域划分和分类方法、装置和计算机可读存储介质 | |
CN108428254A (zh) | 三维地图的构建方法及装置 | |
Gao et al. | Road extraction using a dual attention dilated-linknet based on satellite images and floating vehicle trajectory data | |
CN104680167A (zh) | 基于深度学习的极光卵位置确定方法 | |
Fu et al. | Density adaptive approach for generating road network from GPS trajectories | |
CN111414878A (zh) | 一种关于地块的社会属性分析、图像处理方法及装置 | |
CN113903173A (zh) | 一种基于有向图结构和lstm的车辆轨迹特征提取方法 | |
Bastani et al. | Inferring and improving street maps with data-driven automation | |
GB2556328A (en) | Street asset mapping | |
CN117036733A (zh) | 一种城市道路场景特征线提取的方法 | |
Yujun et al. | End-to-end road centerline extraction via learning a confidence map | |
CN116469066A (zh) | 地图生成方法以及地图生成系统 | |
TW202228091A (zh) | 用於產生地圖資料之方法、資料處理設備及電腦程式產品 | |
Zhao et al. | Automatic Identification of Anomalous Driving Events from Trajectory Data | |
Zou et al. | Inertia mutation energy model to extract roads by crowdsourcing trajectories | |
KR101475359B1 (ko) | 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법 |
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 |