CN114037854A - 一种众包高精度地图中地面要素聚类融合方法及装置 - Google Patents

一种众包高精度地图中地面要素聚类融合方法及装置 Download PDF

Info

Publication number
CN114037854A
CN114037854A CN202111413891.XA CN202111413891A CN114037854A CN 114037854 A CN114037854 A CN 114037854A CN 202111413891 A CN202111413891 A CN 202111413891A CN 114037854 A CN114037854 A CN 114037854A
Authority
CN
China
Prior art keywords
clustering
data
clustering result
cluster
radius
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
Application number
CN202111413891.XA
Other languages
English (en)
Inventor
肖德雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN202111413891.XA priority Critical patent/CN114037854A/zh
Publication of CN114037854A publication Critical patent/CN114037854A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种众包高精度地图中地面要素聚类融合方法及装置。本发明首先设定聚类半径初始值esp0，通过初始聚类获取原始地面要素数据的聚类结果；然后，对聚类结果进行类中密度分析，若不符合分类条件则将该聚类结果标记为未分类数据，若符合分类条件，则将该聚类结果放入分类数据集中；判断是否存在未分类数据，若存在则更新聚类半径，对未分类数据进行精聚类并对聚类结果进行类中密度分析，否则输出分类数据集。本发明对类别相同因采集误差较大而混合在一起的地面要素分离，聚类成不同的类别，得到更好的地面要素聚类结果，更好的为车辆行驶决策提供帮助。

Description

一种众包高精度地图中地面要素聚类融合方法及装置
技术领域
本发明涉及高精度地图制作技术领域，具体涉及一种众包高精度地图中地面要素聚类融合方法及装置。
背景技术
在自动驾驶领域，为准确控制车辆行驶，常涉及到高精度地图的绘制，高精度地图绘制过程中，需要对采集的地面要素数据进行聚类融合，给自动驾驶车的驾驶决策和定位提供参考。当自动驾驶车辆的传感器受到大雾、冰雹、大雨等恶劣天气影响下出现失灵的情况时，车辆可以通过车内储存的高精度地图数据，进行后续的行驶。同时，高精度地图也能让自动驾驶车辆对超出正常视野范围的路况信息进行处理。由于地面要素采集过程中因设备等因素的原因导致采集的数据出现较大的误差，这可能导致自动驾驶车辆定位不准确，进入错误车道，使得行驶安全性和舒适性大大降低。因此需要将地面要素进行融合，提高安全性。
发明内容
本发明针对现有技术中存在的技术问题，提供一种众包高精度地图中地面要素聚类融合方法及装置，对类别相同因采集误差较大而混合在一起的地面要素分离，聚类成不同的类别，得到更好的地面要素聚类结果，更好的为车辆行驶决策提供帮助。
本发明解决上述技术问题的技术方案如下：
第一方面，本发明提供一种众包高精度地图中地面要素聚类融合方法，包括以下步骤：
S1，设定聚类半径初始值esp0，通过初始聚类获取原始地面要素数据的聚类结果；所述原始地面要素利用其最小外接矩形的中心点坐标p＝(x,y,z)表示；
S2，对聚类结果进行类中密度分析，若不符合分类条件则将该聚类结果标记为未分类数据，若符合分类条件，则将该聚类结果放入分类数据集中；
S3，判断是否存在未分类数据，若存在则更新聚类半径，并执行步骤S4，否则执行步骤S5；
S4，对未分类数据进行精聚类并对聚类结果进行类中密度分析，然后执行步骤S3；
S5，输出分类数据集。
进一步的，所述的类中密度分析，包括：
针对聚类结果中的第i个点pi，i＝1,2,...,n，计算其与其他点pk的距离dik，k＝1,2,...,n，k≠i，选择最小距离
Figure BDA0003375206160000021
放入集合ds中，取集合ds中的最大值dmax和中位数dmed；
若dmax<0.5，则将该聚类结果存入分类数据集中，否则判断：
若dmax>2dmed或dmax>2，则将该聚类结果标记为未分类数据，否则将该聚类结果存入分类数据集中。
进一步的，计算聚类结果中的第i个点pi与其他点pk的距离dik后，该点pi不在参与其他点的距离计算。
进一步的，所述的更新聚类半径，包括：
针对未分类数据中的第i个点pi，i＝1,2,...,n，计算其与其他点pk的距离dik，k＝1,2,...,n，k≠i，选择最小距离
Figure BDA0003375206160000022
放入集合ds中，并将集合ds中的数据按照从小到大排序；
取集合ds中最大的两个值
Figure BDA0003375206160000023
和
Figure BDA0003375206160000024
计算平均值
Figure BDA0003375206160000025
若
Figure BDA0003375206160000026
则将聚类半径更新为
Figure BDA0003375206160000027
否则
从集合ds中选择所有小于esp0的值，排序得到ds'，若ds'中数据个数大于2，则从ds'中取最大的两个值
Figure BDA0003375206160000031
和
Figure BDA0003375206160000032
将聚类半径更新为
Figure BDA0003375206160000033
否则esp1＝max(ds)/2。
第二方面，本发明提供一种众包高精度地图中地面要素聚类融合装置，包括：
粗聚类模块，设定聚类半径初始值esp0，通过初始聚类获取原始地面要素数据的聚类结果；所述原始地面要素利用其最小外接矩形的中心点坐标p＝(x,y,z)表示；
类中密度分析模块，对聚类结果进行类中密度分析，若不符合分类条件则将该聚类结果标记为未分类数据，若符合分类条件，则将该聚类结果放入分类数据集中；
聚类半径更新模块，判断是否存在未分类数据，若存在则更新聚类半径；
精聚类模块，利用更新后的聚类半径对未分类数据进行精聚类；
数据输出模块，输出分类数据集。
进一步的，所述类中密度分析模块，具体用于：
针对聚类结果中的第i个点pi，i＝1,2,...,n，计算其与其他点pk的距离dik，k＝1,2,...,n，k≠i，选择最小距离
Figure BDA0003375206160000034
放入集合ds中，取集合ds中的最大值dmax和中位数dmed；
若dmax<0.5，则将该聚类结果存入分类数据集中，否则判断：
若dmax>2dmed或dmax>2，则将该聚类结果标记为未分类数据，否则将该聚类结果存入分类数据集中。
进一步的，计算聚类结果中的第i个点pi与其他点pk的距离dik后，该点pi不在参与其他点的距离计算。
进一步的，所述聚类半径更新模块，具体用于：
针对未分类数据中的第i个点pi，i＝1,2,...,n，计算其与其他点pk的距离dik，k＝1,2,...,n，k≠i，选择最小距离
Figure BDA0003375206160000035
放入集合ds中，并将集合ds中的数据按照从小到大排序；
取集合ds中最大的两个值
Figure BDA0003375206160000041
和
Figure BDA0003375206160000042
计算平均值
Figure BDA0003375206160000043
若
Figure BDA0003375206160000044
则将聚类半径更新为
Figure BDA0003375206160000045
否则
从集合ds中选择所有小于esp0的值，排序得到ds'，若ds'中数据个数大于2，则从ds'中取最大的两个值
Figure BDA0003375206160000046
和
Figure BDA0003375206160000047
将聚类半径更新为
Figure BDA0003375206160000048
否则esp1＝max(ds)/2。
第三方面，本发明提供一种电子设备，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述存储器中存储的计算机软件程序，进而实现本发明第一方面所述的一种众包高精度地图中地面要素聚类融合方法。
第四方面，本发明提供一种非暂态计算机可读存储介质，其特征在于，该存储介质中存储有用于实现本发明第一方面所述的一种众包高精度地图中地面要素聚类融合方法的计算机软件程序。
本发明的有益效果是：采集的地面要素，可能存在较大误差，使得同一类的不同地面要素混合在一起，如果不将同一类的不同地面要素分开，可能影响地面要素的正确性和完整性，从而导致自动驾驶车辆定位错误，进而影响行驶决策使车辆行驶中的安全性及舒适性降低。本发明实现了根据同类多个地面要素边界混合在一起的情况，对地面要素进行聚类分离，使得地面要素聚类准确，且不丢失地面要素信息，为自动驾驶的行为决策提供更好的支持。方法执行简便快捷，鲁棒性高。
附图说明
图1为本发明实施例提供的一种众包高精度地图中地面要素聚类融合方法流程示意图；
图2为本发明实施例提供的一种众包高精度地图中地面要素聚类融合装置结构图；
图3为本发明提供的一种电子设备结构示意图；
图4为本发明提供的一种计算机可读存储介质结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，本发明实施例提供一种众包高精度地图中地面要素聚类融合方法，包括以下步骤：
S1，设定聚类半径初始值esp0，通过初始聚类获取原始地面要素数据的聚类结果；所述原始地面要素利用其最小外接矩形的中心点坐标p＝(x,y,z)表示。本实施例中初始聚类半径esp0＝20。
这里定义两个数据集：未分类数据集Ω1和分类数据集Ω2。
S2，对聚类结果进行类中密度分析，若不符合分类条件则将该聚类结果放入未分类数据集Ω1，若符合分类条件，则将该聚类结果放入分类数据集Ω2中。
具体的，所述的类中密度分析，包括：
针对聚类结果中的第i个点pi，i＝1,2,...,n，计算其与其他点pk的距离dik，k＝1,2,...,n，k≠i，选择最小距离
Figure BDA0003375206160000051
放入集合ds中，并将集合ds中的数据按照从小到大排序，然后取集合ds中的最大值dmax和中位数dmed。计算聚类结果中的第i个点pi与其他点pk的距离dik后，该点pi不在参与其他点的距离计算。
根据dmax的值修改分类标记do_flag的值，然后在根据分类标记do_flag的值将聚类结果放入未分类数据集Ω1或分类数据集Ω2中。
若dmax<0.5，则分类标记do_flag＝False；
若dmax>2dmed或dmax>2，则分类标记do_flag＝Ture，否则分类标记do_flag＝False。
do_flag＝Ture，则将聚类结果放入未分类数据集Ω1，do_flag＝False则将聚类结果放入分类数据集Ω2中。
S3，判断未分类数据集Ω1是否为空，若不为空则更新聚类半径，并执行步骤S4，否则执行步骤S5。
所述的更新聚类半径，包括：
针对未分类数据集Ω1中的第i个点pi，i＝1,2,...,n，计算其与其他点pk的距离dik，k＝1,2,...,n，k≠i，选择最小距离
Figure BDA0003375206160000061
放入集合ds中，并将集合ds中的数据按照从小到大排序；
取集合ds中最大的两个值
Figure BDA0003375206160000062
和
Figure BDA0003375206160000063
计算平均值
Figure BDA0003375206160000064
若
Figure BDA0003375206160000065
则将聚类半径更新为
Figure BDA0003375206160000066
否则
从集合ds中选择所有小于esp0的值，排序得到ds'，若ds'中数据个数大于2，则从ds'中取最大的两个值
Figure BDA0003375206160000067
和
Figure BDA0003375206160000068
将聚类半径更新为
Figure BDA0003375206160000069
否则esp1＝max(ds)/2。
S4，对未分类数据集Ω1进行精聚类并对聚类结果进行类中密度分析，然后执行步骤S3。
利用更新后的聚类半径esp1，采用DBSCAN对未分类数据集Ω1进行聚类得到聚类结果Cj,j＝1,2,...,m。针对每个聚类结果进行类中密度分析。
S5，输出分类数据集Ω2。
如图2所示，本发明实施例还提供一种众包高精度地图中地面要素聚类融合装置，包括：
粗聚类模块，设定聚类半径初始值esp0，通过初始聚类获取原始地面要素数据的聚类结果；所述原始地面要素利用其最小外接矩形的中心点坐标p＝(x,y,z)表示；
类中密度分析模块，对聚类结果进行类中密度分析，若不符合分类条件则将该聚类结果标记为未分类数据，若符合分类条件，则将该聚类结果放入分类数据集中；
聚类半径更新模块，判断是否存在未分类数据，若存在则更新聚类半径；
精聚类模块，利用更新后的聚类半径对未分类数据进行精聚类；
数据输出模块，输出分类数据集。
请参阅图3，图3为本发明实施例提供的电子设备的实施例示意图。如图3所示，本发明实施例提了一种电子设备500，包括存储器510、处理器520及存储在存储器520上并可在处理器520上运行的计算机程序511，处理器520执行计算机程序511时实现以下步骤：
S1，设定聚类半径初始值esp0，通过初始聚类获取原始地面要素数据的聚类结果；所述原始地面要素利用其最小外接矩形的中心点坐标p＝(x,y,z)表示；
S2，对聚类结果进行类中密度分析，若不符合分类条件则将该聚类结果标记为未分类数据，若符合分类条件，则将该聚类结果放入分类数据集中；
S3，判断是否存在未分类数据，若存在则更新聚类半径，并执行步骤S4，否则执行步骤S5；
S4，对未分类数据进行精聚类并对聚类结果进行类中密度分析，然后执行步骤S3；
S5，输出分类数据集。
请参阅图4，图4为本发明实施例提供的一种计算机可读存储介质的实施例示意图。如图4所示，本实施例提供了一种计算机可读存储介质600，其上存储有计算机程序611，该计算机程序611被处理器执行时实现如下步骤：
S1，设定聚类半径初始值esp0，通过初始聚类获取原始地面要素数据的聚类结果；所述原始地面要素利用其最小外接矩形的中心点坐标p＝(x,y,z)表示；
S2，对聚类结果进行类中密度分析，若不符合分类条件则将该聚类结果标记为未分类数据，若符合分类条件，则将该聚类结果放入分类数据集中；
S3，判断是否存在未分类数据，若存在则更新聚类半径，并执行步骤S4，否则执行步骤S5；
S4，对未分类数据进行精聚类并对聚类结果进行类中密度分析，然后执行步骤S3；
S5，输出分类数据集。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种众包高精度地图中地面要素聚类融合方法，其特征在于，包括以下步骤：
S1，设定聚类半径初始值esp0，通过初始聚类获取原始地面要素数据的聚类结果；所述原始地面要素利用其最小外接矩形的中心点坐标p＝(x,y,z)表示；
S2，对聚类结果进行类中密度分析，若不符合分类条件则将该聚类结果标记为未分类数据，若符合分类条件，则将该聚类结果放入分类数据集中；
S3，判断是否存在未分类数据，若存在则更新聚类半径，并执行步骤S4，否则执行步骤S5；
S4，对未分类数据进行精聚类并对聚类结果进行类中密度分析，然后执行步骤S3；
S5，输出分类数据集。
2.根据权利要求1所述的聚类融合方法，其特征在于，所述的类中密度分析，包括：
针对聚类结果中的第i个点pi，i＝1,2,...,n，计算其与其他点pk的距离dik，k＝1,2,...,n，k≠i，选择最小距离
Figure FDA0003375206150000011
放入集合ds中，取集合ds中的最大值dmax和中位数dmed；
若dmax<0.5，则将该聚类结果存入分类数据集中，否则判断：
若dmax>2dmed或dmax>2，则将该聚类结果标记为未分类数据，否则将该聚类结果存入分类数据集中。
3.根据权利要求2所述的聚类融合方法，其特征在于，计算聚类结果中的第i个点pi与其他点pk的距离dik后，该点pi不在参与其他点的距离计算。
4.根据权利要求1所述的聚类融合方法，其特征在于，所述的更新聚类半径，包括：
针对未分类数据中的第i个点pi，i＝1,2,...,n，计算其与其他点pk的距离dik，k＝1,2,...,n，k≠i，选择最小距离
Figure FDA0003375206150000021
放入集合ds中，并将集合ds中的数据按照从小到大排序；
取集合ds中最大的两个值
Figure FDA0003375206150000022
和
Figure FDA0003375206150000023
计算平均值
Figure FDA0003375206150000024
若
Figure FDA0003375206150000025
则将聚类半径更新为
Figure FDA0003375206150000026
否则
从集合ds中选择所有小于esp0的值，排序得到ds'，若ds'中数据个数大于2，则从ds'中取最大的两个值
Figure FDA0003375206150000027
和
Figure FDA0003375206150000028
将聚类半径更新为
Figure FDA0003375206150000029
否则esp1＝max(ds)/2。
5.一种众包高精度地图中地面要素聚类融合装置，其特征在于，包括：
粗聚类模块，设定聚类半径初始值esp0，通过初始聚类获取原始地面要素数据的聚类结果；所述原始地面要素利用其最小外接矩形的中心点坐标p＝(x,y,z)表示；
类中密度分析模块，对聚类结果进行类中密度分析，若不符合分类条件则将该聚类结果标记为未分类数据，若符合分类条件，则将该聚类结果放入分类数据集中；
聚类半径更新模块，判断是否存在未分类数据，若存在则更新聚类半径；
精聚类模块，利用更新后的聚类半径对未分类数据进行精聚类；
数据输出模块，输出分类数据集。
6.根据权利要求5所述的聚类融合装置，其特征在于，所述类中密度分析模块，具体用于：
针对聚类结果中的第i个点pi，i＝1,2,...,n，计算其与其他点pk的距离dik，k＝1,2,...,n，k≠i，选择最小距离
Figure FDA00033752061500000210
放入集合ds中，取集合ds中的最大值dmax和中位数dmed；
若dmax<0.5，则将该聚类结果存入分类数据集中，否则判断：
若dmax>2dmed或dmax>2，则将该聚类结果标记为未分类数据，否则将该聚类结果存入分类数据集中。
7.根据权利要求6所述的聚类融合装置，其特征在于，计算聚类结果中的第i个点pi与其他点pk的距离dik后，该点pi不在参与其他点的距离计算。
8.根据权利要求5所述的聚类融合装置，其特征在于，所述聚类半径更新模块，具体用于：
针对未分类数据中的第i个点pi，i＝1,2,...,n，计算其与其他点pk的距离dik，k＝1,2,...,n，k≠i，选择最小距离
Figure FDA0003375206150000031
放入集合ds中，并将集合ds中的数据按照从小到大排序；
取集合ds中最大的两个值
Figure FDA0003375206150000032
和
Figure FDA0003375206150000033
计算平均值
Figure FDA0003375206150000034
若
Figure FDA0003375206150000035
则将聚类半径更新为
Figure FDA0003375206150000036
否则
从集合ds中选择所有小于esp0的值，排序得到ds'，若ds'中数据个数大于2，则从ds'中取最大的两个值
Figure FDA0003375206150000037
和
Figure FDA0003375206150000038
将聚类半径更新为
Figure FDA0003375206150000039
否则esp1＝max(ds)/2。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述存储器中存储的计算机软件程序，进而实现权利要求1-4任一项所述的一种众包高精度地图中地面要素聚类融合方法。
10.一种非暂态计算机可读存储介质，其特征在于，该存储介质中存储有用于实现权利要求1-4任一项所述的一种众包高精度地图中地面要素聚类融合方法的计算机软件程序。
CN202111413891.XA 2021-11-25 2021-11-25 一种众包高精度地图中地面要素聚类融合方法及装置 Pending CN114037854A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111413891.XA CN114037854A (zh) 2021-11-25 2021-11-25 一种众包高精度地图中地面要素聚类融合方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111413891.XA CN114037854A (zh) 2021-11-25 2021-11-25 一种众包高精度地图中地面要素聚类融合方法及装置

Publications (1)

Publication Number Publication Date
CN114037854A true CN114037854A (zh) 2022-02-11

Family

ID=80145456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111413891.XA Pending CN114037854A (zh) 2021-11-25 2021-11-25 一种众包高精度地图中地面要素聚类融合方法及装置

Country Status (1)

Country Link
CN (1) CN114037854A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6882998B1 (en) * 2001-06-29 2005-04-19 Business Objects Americas Apparatus and method for selecting cluster points for a clustering analysis
CN108537276A (zh) * 2018-04-09 2018-09-14 广东工业大学 一种聚类中心的选取方法、装置及介质
CN108549913A (zh) * 2018-04-19 2018-09-18 成都康乔电子有限责任公司 基于密度半径的改进K-means聚类算法
CN111160385A (zh) * 2019-11-27 2020-05-15 北京中交兴路信息科技有限公司 海量位置点聚合的方法、装置、设备及存储介质
CN111652305A (zh) * 2020-05-28 2020-09-11 上海勃池信息技术有限公司 一种面向大数据空间的数据局部密度聚类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6882998B1 (en) * 2001-06-29 2005-04-19 Business Objects Americas Apparatus and method for selecting cluster points for a clustering analysis
CN108537276A (zh) * 2018-04-09 2018-09-14 广东工业大学 一种聚类中心的选取方法、装置及介质
CN108549913A (zh) * 2018-04-19 2018-09-18 成都康乔电子有限责任公司 基于密度半径的改进K-means聚类算法
CN111160385A (zh) * 2019-11-27 2020-05-15 北京中交兴路信息科技有限公司 海量位置点聚合的方法、装置、设备及存储介质
CN111652305A (zh) * 2020-05-28 2020-09-11 上海勃池信息技术有限公司 一种面向大数据空间的数据局部密度聚类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢娟英;屈亚楠: "密度峰值优化初始中心的K-medoids聚类算法", 计算机科学与探索, vol. 10, no. 2, 14 July 2015 (2015-07-14) *

Similar Documents

Publication Publication Date Title
CN109063768B (zh) 车辆重识别方法、装置及系统
CN102208013B (zh) 风景匹配参考数据生成系统和位置测量系统
CN111554105B (zh) 一种复杂交通路口的智能流量识别与统计方法
CN106919957B (zh) 处理数据的方法及装置
EP3290864A1 (en) Driver assistance system for determining a position of a vehicle
WO2021051344A1 (zh) 高精度地图中车道线的确定方法和装置
KR20200105004A (ko) 자동 영상 합성 장치 및 방법
CN110798805B (zh) 基于gps轨迹的数据处理方法、装置及存储介质
CN108256454B (zh) 一种基于cnn模型的训练方法、人脸姿态估测方法及装置
CN112912894B (zh) 道路边界识别方法和装置
CN110751012A (zh) 目标检测评估方法、装置、电子设备及存储介质
US20200184235A1 (en) Apparatus for managing driving pattern based on object recognition, vehicle driving controlling apparatus using the same and method thereof
CN113255578B (zh) 交通标识的识别方法及装置、电子设备和存储介质
WO2021154155A1 (en) Methods and data processing systems for predicting road attributes
CN113033463A (zh) 减速带检测方法、装置、电子设备及存储介质
CN112418193B (zh) 一种车道线识别方法及系统
WO2021071422A1 (en) Method, data processing apparatus and computer program product for determining road intersections
CN114037854A (zh) 一种众包高精度地图中地面要素聚类融合方法及装置
CN116721396A (zh) 车道线检测方法、设备及存储介质
CN112446375A (zh) 车牌识别方法、装置、设备及存储介质
CN112284402B (zh) 一种车辆定位的方法和装置
CN111127582A (zh) 一种轨迹重合段识别方法、装置、系统及存储介质
CN113048988B (zh) 一种导航地图对应场景的变化元素检测方法及装置
CN113505188A (zh) 一种基于大数据的城市地图测绘更新系统及方法
CN113435427A (zh) 车道线的聚合方法和装置

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