CN116012724A - 基于车辆轨迹数据和计算机视觉的地图poi发现方法及系统 - Google Patents
基于车辆轨迹数据和计算机视觉的地图poi发现方法及系统 Download PDFInfo
- Publication number
- CN116012724A CN116012724A CN202211641889.2A CN202211641889A CN116012724A CN 116012724 A CN116012724 A CN 116012724A CN 202211641889 A CN202211641889 A CN 202211641889A CN 116012724 A CN116012724 A CN 116012724A
- Authority
- CN
- China
- Prior art keywords
- point
- track
- poi
- preset
- track points
- 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
Landscapes
- Navigation (AREA)
Abstract
本发明公开了一种基于车辆轨迹数据和计算机视觉的地图POI发现方法及系统,涉及大数据和深度学习技术领域。该方法包括:读取预设时间段内所有样本车辆的行驶轨迹信息;保留行驶轨迹信息中行驶速度为零的轨迹点,并进行数据清洗;计算轨迹点的点密集区域;根据点密集区域内的车牌号的数量确定该点密集区域是否为POI目标区域;对筛选出的POI目标区域截取多个卫星地图照片;通过深度学习分别对多个卫星地图照片进行目标识别,得到POI的位置和类型。本发明能够实现自动挖掘POI、自动对POI类型进行标注,相比于现有的POI发现方法,不需要专门的人员和设备进行走访、拍摄,有效节约了成本,提高了POI的发现效率,尤其适用于矿场、山区等偏僻地区的POI标注。
Description
技术领域
本发明涉及大数据和深度学习技术领域,尤其涉及一种基于车辆轨迹数据和计算机视觉的地图POI发现方法及系统。
背景技术
POI(Point of Interest,兴趣点)指电子地图中的位置点数据,常见的类型有:旅游景点、餐馆、购物中心、医院、写字楼等等。
目前,地图供应商获取POI数据的主要方法有:在航拍照片或者卫星照片上进行标注、使用带有GPS的摄像设备沿街拍摄、人工手持设备进行拍摄等等。在经济发达的城市,POI数据非常齐全,大到公园、小到早餐铺往往都能在地图上找到。对于山区、矿区、工业厂区等等空旷、人烟稀少的地区,POI数据标注则较少,但这些数据在大宗商品运输、长途货运等领域非常有价值,现有的人工走访拍摄方法难以适用,成本较高且标注效率低。
发明内容
本发明所要解决的是对于人烟稀少空旷的区域,现有的人工走访发现POI的方法效率低且成本高的问题,为了解决上述技术问题,本发明提供了一种基于车辆轨迹数据和计算机视觉的地图POI发现方法及系统。
第一个方面,提供了一种基于车辆轨迹数据和计算机视觉的地图POI发现方法,包括:
读取预设时间段内所有样本车辆的行驶轨迹信息,所述行驶轨迹信息包含记录时间、经纬度坐标、行驶速度和车牌号;
保留所述行驶轨迹信息中行驶速度为零的轨迹点,根据所述记录时间对保留的轨迹点进行数据清洗;
计算轨迹点的密度满足预设密度条件的点密集区域;
分别统计每个所述点密集区域中的所有轨迹点所属的样本车辆的车牌号的数量,保留车牌号的数量大于预设第一数量阈值的点密集区域作为目标区域;
确定所述目标区域的中心点的经纬度,根据所述中心点的经纬度截取多个卫星地图照片;
通过深度学习分别对多个所述卫星地图照片进行目标识别,取置信度最高的识别结果作为POI的位置和类型。
在第一个方面的一种可能实现中,根据所述记录时间对保留的轨迹点进行数据清洗,具体包括:
对保留的速度为0的轨迹点按照车牌号进行分组,每一个车牌号对应一组数据;
分别对每一组数据按照如下步骤进行数据清洗:
根据所述记录时间对轨迹点按照时间顺序进行排序;
遍历排序后的轨迹点,当第i个轨迹点与第i+1个轨迹点之间的时间间隔大于预设时间间隔阈值时,在轨迹点i处对排序后的轨迹点进行分段,第i个轨迹点与第i+1个轨迹点分别属于前后两个分段当中;
对得到的所有数据分段进行统计,计算每个所述数据分段中的轨迹点的数量,删除轨迹点数量小于预设第二数量阈值的数据分段中的轨迹点;
其中,i=1,2,…,Nk,Nk为车牌号k对应的轨迹点的数量。
在第一个方面的一种可能实现中,计算轨迹点的密度满足预设密度条件的点密集区域,具体包括:
计算第j个轨迹点的邻域点集合,所述邻域点集合包括以第j个轨迹点为中心的预设范围内的所有轨迹点与所述第j个轨迹点的距离小于预设距离阈值的轨迹点;
删除计算得到的所有点集合中轨迹点的数量小于或等于预设第三数量阈值的点集合,并使用并查集将剩余的点集合进行合并,将合并后的点集合作为点密集区域;
其中,j=1,2,…,M,M为清洗后的轨迹点的数量。
在第一个方面的一种可能实现中,确定所述目标区域的中心点的经纬度,根据所述中心点的经纬度截取多个卫星地图照片,具体包括:
确定所述目标区域的中心点的经纬度,根据所述中心点的经纬度在卫星地图中确定对应的目标点;
以所述目标点为顶点,分别在所述卫星地图中截取4个预设尺寸的方形卫星地图照片,并以所述目标点为中点,截取1个预设尺寸的方形卫星地图照片。
在第一个方面的一种可能实现中,还包括:
当所有识别结果的置信度都小于预设置信度阈值时,获取人工识别后输入的每个所述卫星地图照片的POI位置和类型,并进行标记。
第二个方面,提供了一种基于车辆轨迹数据和计算机视觉的地图POI发现系统,包括:
读取单元,用于读取预设时间段内所有样本车辆的行驶轨迹信息,所述行驶轨迹信息包含记录时间、经纬度坐标、行驶速度和车牌号;
筛选单元,用于保留所述行驶轨迹信息中行驶速度为零的轨迹点,根据所述记录时间对保留的轨迹点进行数据清洗;
检测单元,用于计算轨迹点的密度满足预设密度条件的点密集区域;
统计单元,用于分别统计每个所述点密集区域中的所有轨迹点所属的样本车辆的车牌号的数量,保留车牌号的数量大于预设第一数量阈值的点密集区域作为目标区域;
截取单元,用于确定所述目标区域的中心点的经纬度,根据所述中心点的经纬度截取多个卫星地图照片;
识别单元,用于通过深度学习分别对多个所述卫星地图照片进行目标识别,取置信度最高的识别结果作为POI的位置和类型。
在第二方面的一种可能实现中,所述筛选单元具体用于对保留的速度为0的轨迹点按照车牌号进行分组,每一个车牌号对应一组数据;对每一组数据,根据所述记录时间对轨迹点按照时间顺序进行排序;遍历排序后的轨迹点,当第i个轨迹点与第i+1个轨迹点之间的时间间隔大于预设时间间隔阈值时,在轨迹点i处对排序后的轨迹点进行分段,第i个轨迹点与第i+1个轨迹点分别属于前后两个分段当中;对得到的所有数据分段进行统计,计算每个所述数据分段中的轨迹点的数量,删除轨迹点数量小于预设第二数量阈值的数据分段中的轨迹点;
其中,i=1,2,…,Nk,Nk为车牌号k对应的轨迹点的数量。
在第二方面的一种可能实现中,所述检测单元具体用于计算第j个轨迹点的邻域点集合,所述邻域点集合包括以第j个轨迹点为中心的预设范围内的所有轨迹点与所述第j个轨迹点的距离小于预设距离阈值的轨迹点;删除计算得到的所有点集合中轨迹点的数量小于或等于预设第三数量阈值的点集合,并使用并查集将剩余的点集合进行合并,将合并后的点集合作为点密集区域;
其中,j=1,2,…,M,M为清洗后的轨迹点的数量。
在第二方面的一种可能实现中,所述截取单元具体用于确定所述目标区域的中心点的经纬度,根据所述中心点的经纬度在卫星地图中确定对应的目标点;以所述目标点为顶点,分别在所述卫星地图中截取4个预设尺寸的方形卫星地图照片,并以所述目标点为中点,截取1个预设尺寸的方形卫星地图照片。
在第二方面的一种可能实现中,还包括:
输入单元,用于当所有识别结果的置信度都小于预设置信度阈值时,获取人工识别后输入的每个所述卫星地图照片的POI位置和类型,并进行标记。
本方案通过车辆的行驶轨迹发现潜在POI区域,对潜在POI区域进行图像识别并标注POI类型,能够实现自动挖掘POI、自动对POI类型进行标注,相比于现有的POI发现方法,不需要专门的人员和设备进行走访、拍摄,有效节约了成本,提高了POI的发现效率,适用于人烟稀少等空旷区域的POI标注。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明地图POI发现方法的实施例提供的流程示意图;
图2为本发明地图POI发现方法的实施例提供的轨迹点示意图;
图3为本发明地图POI发现方法的实施例提供的目标区域示意图;
图4为本发明地图POI发现方法的实施例提供的卫星地图截取示意图;
图5为本发明地图POI发现方法的实施例提供的卫星地图照片示意图;
图6为本发明地图POI发现方法的实施例提供的识别结果示意图。
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,所举实施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,为本发明地图POI发现方法的实施例提供的流程示意图,该基于车辆轨迹数据和计算机视觉的地图POI发现方法包括:
S1,读取预设时间段内所有样本车辆的行驶轨迹信息,行驶轨迹信息包含记录时间、经纬度坐标、行驶速度和车牌号;
应理解,常用的卫星导航设备,比如GPS设备、北斗卫星导航设备都可以输出行驶轨迹信息。
其中,记录时间指的是每一条卫星导航数据生成的时间。卫星导航数据每隔固定的时间都会生成并上传,跟车辆是否运动没有关系。如果车辆处于静止状态,那么卫星导航系统输出的轨迹信息中速度就为零。例如,车辆遇到红灯停留30秒,假设这30秒内卫星导航系统生成了10条轨迹信息,那么这10条轨迹信息中除了时间戳是不一样的,经纬度完全一样,速度完全一样都是0。实际数据由于设备或者信号受到干扰,可能会跟理论值有所出入。
S2,保留行驶轨迹信息中行驶速度为零的轨迹点,根据记录时间对保留的轨迹点进行数据清洗;
对于行驶速度为零的轨迹点的筛选,可以使用excel等工具对车辆行驶轨迹数据进行过滤得到,可选地,当数据量非常大时,可以使用MySQL等数据库或者spark进行过滤。
需要说明的是,数据清洗的目的是去除短暂停留的轨迹点,如红绿灯等,从而排除对POI的干扰,具体的数据清洗方法可以根据实际需求选择设置。
可选地,一种数据清洗方式中,可以设置一个时间阈值,根据记录时间判断车速为0的持续时间,将持续时间小于阈值的轨迹点去除。例如,可以设置时间阈值为20秒,某车辆在某轨迹点速度为0被记录,根据记录时间判断该车辆在该轨迹点停留10秒,小于时间阈值20秒,那么极有可能是在等红绿灯或临时停车,则删除该轨迹点,从而实现数据清洗。
可选地,可以根据清洗后的每个轨迹点的经纬度坐标确定所有轨迹点在地图中的位置,例如,如图2所示,提供了一种示例性的地图中的轨迹点的示例。
S3,计算轨迹点的密度满足预设密度条件的点密集区域;
需要说明的是,除本发明提供的方法外,点密集区域的确定方法可以根据实际需求设置,例如,可以通过人工识别的方式进行手动划分。
又例如,还可以通过现有的图像识别方法,使用神经网络模型等,识别所有的点密集区域。
S4,分别统计每个点密集区域中的所有轨迹点所属的样本车辆的车牌号的数量,保留车牌号的数量大于预设第一数量阈值的点密集区域作为目标区域;
需要说明的是,本步骤中统计的车辆号的数量是不同车牌号的数量,如果不同车辆都经常在同一个位置点停留,那么这个位置点就可能是一个POI。
相反地,如果某点密集区域虽然轨迹点的密度满足预设密度条件,但是车牌号相同,也就是说一个车辆反复停留在该轨迹点,那么该轨迹点不能表示出对其他车辆是否有兴趣吸引力,无法判断为POI。
例如,假设步骤S4得到的点密集区域的集合为Ai{i=1,2,...,n},那么可以分别统计每个Ai中所有点对应的去重后的车牌号数量,表明在Ai这片区域内有多少辆车曾经停留过。如果这个停车数量大于设定的阈值,就保留Ai,Ai所对应的区域就是潜在的POI所在的区域。例如,如图3所示,给出了示例性的对图2进行处理后的目标区域示意图,A1至A9分别是不同的目标区域。
S5,确定目标区域的中心点的经纬度,根据中心点的经纬度截取多个卫星地图照片;
可选地,对目标区域中所有轨迹点的经度和纬度分别求均值,从而将经度均值和纬度均值作为中心点的经纬度坐标,从而确定目标区域的中心点的经纬度。
需要说明的是,多个卫星地图照片的截取方法可以根据实际需求设置,例如,以目标区域的中心点为中心,选取不同范围大小的多个方形卫星地图照片,又或者,还可以不同半径大小的多个圆形卫星地图照片,又或者,可以以目标区域的中心点为顶点,选择4个相邻的举行卫星地图。
S6,通过深度学习分别对多个卫星地图照片进行目标识别,取置信度最高的识别结果作为POI的位置和类型。
需要说明的是,神经网络可以根据实际需求选择,例如,可以采用本领域内成熟的目标识别模型,常用的模型有YoLo、SSD等。
在进行目标识别之前,需要构建自定义的训练集并对神经网络模型进行重新训练。对每一张图片进行识别都会检测到多个目标的位置、类别和对应的置信度,选择置信度最大的结果作为该处POI的位置和类别。
可选地,如果所有检测出的目标的置信度都小于接受的阈值,表明图像识别没有足够把握发现了新的POI,此时需要人工进行标注。
例如,如图6所示,给出了一种示例性的识别结果,图中的POI为某厂区的停车场。
本实施例通过车辆的行驶轨迹发现潜在POI区域,对潜在POI区域进行图像识别并标注POI类型,能够实现自动挖掘POI、自动对POI类型进行标注,相比于现有的POI发现方法,不需要专门的人员和设备进行走访、拍摄,有效节约了成本,提高了POI的发现效率,适用于人烟稀少等空旷区域的POI标注,尤其是矿区和厂区的停车场、大门、装货区、磅房等POI的发现和标注。
可选地,在一些可能的实施方式中,根据记录时间对保留的轨迹点进行数据清洗,具体包括:
对保留的速度为0的轨迹点按照车牌号进行分组,每一个车牌号对应一组数据;
分别对每一组数据按照如下步骤进行数据清洗:
根据记录时间对轨迹点按照时间顺序进行排序;
遍历排序后的轨迹点,当第i个轨迹点与第i+1个轨迹点之间的时间间隔大于预设时间间隔阈值时,在轨迹点i处对排序后的轨迹点进行分段,第i个轨迹点与第i+1个轨迹点分别属于前后两个分段当中;
对得到的所有数据分段进行统计,计算每个数据分段中的相同轨迹点的数量,删除轨迹点数量小于大于预设第二数量阈值的数据分段中的轨迹点;
其中,i=1,2,…,Nk,Nk为车牌号k对应的轨迹点的数量。
可选地,在一些可能的实施方式中,计算轨迹点的密度满足预设密度条件的点密集区域,具体包括:
计算第j个轨迹点的邻域点集合,第j个轨迹点的邻域点集合包括以第j个轨迹点为中心的预设范围内的所有轨迹点与第j个轨迹点的距离小于预设距离阈值的轨迹点;
删除计算得到的所有点集合中轨迹点的数量小于或等于预设第三数量阈值的点集合,并使用并查集将剩余的邻域点集合进行合并,将合并后的点集合作为点密集区域;
其中,j=1,2,…,M,M为清洗后的轨迹点的数量。
需要说明的是,距离可以为欧式距离、海明距离等距离,优选地,可以采用海明距离。
需要说明的是,并查集将剩余的点集合进行合并具体为,假设有两个邻域点集合,分别是第A个轨迹点的邻域点集合和第B个轨迹点的邻域点集合,如果第B个轨迹点属于第A个轨迹点的点集合,那么就将第B个轨迹点的邻域点集合和第A个轨迹点的邻域点集合合并。
可选地,在一些可能的实施方式中,确定目标区域的中心点的经纬度,根据中心点的经纬度截取多个卫星地图照片,具体包括:
确定目标区域的中心点的经纬度,根据中心点的经纬度在卫星地图中确定对应的目标点;
以目标点为顶点,分别在卫星地图中截取4个预设尺寸的方形卫星地图照片,并以目标点为中点,截取1个预设尺寸的方形卫星地图照片。
例如,如图4所示,提供了一种示例性的卫星地图截取示例,以目标点为顶点,截取4个相邻的方形卫星地图照片,并以目标点为中点,截取1个方形卫星地图照片,截取得到的5张方形卫星地图照片如图5所示。
需要说明的是,以上各实施例中的阈值,都可以根据实际需求设置,不再一一赘述。
可选地,在一些可能的实施方式中,还包括:
当所有识别结果的置信度都小于预设置信度阈值时,获取人工识别后输入的每个卫星地图照片的POI位置和类型,并进行标记。
本发明还提供一种基于车辆轨迹数据和计算机视觉的地图POI发现系统,包括:
读取单元,用于读取预设时间段内所有样本车辆的行驶轨迹信息,行驶轨迹信息包含记录时间、经纬度坐标、行驶速度和车牌号;
筛选单元,用于保留行驶轨迹信息中行驶速度为零的轨迹点,根据记录时间对保留的轨迹点进行数据清洗;
检测单元,用于计算轨迹点的密度满足预设密度条件的点密集区域;
统计单元,用于分别统计每个点密集区域中的所有轨迹点所属的样本车辆的车牌号的数量,保留车牌号的数量大于预设第一数量阈值的点密集区域作为目标区域;
截取单元,用于确定目标区域的中心点的经纬度,根据中心点的经纬度截取多个卫星地图照片;
识别单元,用于通过深度学习分别对多个卫星地图照片进行目标识别,取置信度最高的识别结果作为POI的位置和类型。
可选地,在一些可能的实施方式中,筛选单元具体用于对保留的速度为0的轨迹点按照车牌号进行分组,每一个车牌号对应一组数据;对每一组数据,根据记录时间对轨迹点按照时间顺序进行排序;遍历排序后的轨迹点,当第i个轨迹点与第i+1个轨迹点之间的时间间隔大于预设时间间隔阈值时,在轨迹点i处对排序后的轨迹点进行分段,第i个轨迹点与第i+1个轨迹点分别属于前后两个分段当中;对得到的所有数据分段进行统计,计算每个数据分段中的轨迹点的数量,删除轨迹点数量小于预设第二数量阈值的数据分段中的轨迹点;
其中,i=1,2,…,Nk,Nk为车牌号k对应的轨迹点的数量。
可选地,在一些可能的实施方式中,检测单元具体用于计算第j个轨迹点的邻域点集合,邻域点集合包括以第j个轨迹点为中心的预设范围内的所有轨迹点与第j个轨迹点的距离小于预设距离阈值的轨迹点;删除计算得到的所有点集合中轨迹点的数量小于或等于预设第三数量阈值的点集合,并使用并查集将剩余的点集合进行合并,将合并后的点集合作为点密集区域;
其中,j=1,2,…,M,M为清洗后的轨迹点的数量。
可选地,在一些可能的实施方式中,截取单元具体用于确定目标区域的中心点的经纬度,根据中心点的经纬度在卫星地图中确定对应的目标点;以目标点为顶点,分别在卫星地图中截取4个预设尺寸的方形卫星地图照片,并以目标点为中点,截取1个预设尺寸的方形卫星地图照片。
可选地,在一些可能的实施方式中,还包括:
输入单元,用于当所有识别结果的置信度都小于预设置信度阈值时,获取人工识别后输入的每个卫星地图照片的POI位置和类型,并进行标记。
应理解,上述实施方式为与在先方法实施方式对应的产品实施方式,关于产品实施方式的说明可以参考在先方法实施方式的说明,在此不再赘述。
应理解,在不违背本发明构思的前提下,本领域技术人员可以将上述实施方式进行任意组合,均在本发明的保护范围内。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的方法实施例仅仅是示意性的,例如,步骤的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个步骤可以结合或者可以集成到另一个步骤,或一些特征可以忽略,或不执行。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于车辆轨迹数据和计算机视觉的地图POI发现方法,其特征在于,包括:
读取预设时间段内所有样本车辆的行驶轨迹信息,所述行驶轨迹信息包含记录时间、经纬度坐标、行驶速度和车牌号;
保留所述行驶轨迹信息中行驶速度为零的轨迹点,根据所述记录时间对保留的轨迹点进行数据清洗;
计算轨迹点的密度满足预设密度条件的点密集区域;
分别统计每个所述点密集区域中的所有轨迹点所属的样本车辆的车牌号的数量,保留车牌号的数量大于预设第一数量阈值的点密集区域作为目标区域;
确定所述目标区域的中心点的经纬度,根据所述中心点的经纬度截取多个卫星地图照片;
通过深度学习分别对多个所述卫星地图照片进行目标识别,取置信度最高的识别结果作为POI的位置和类型。
2.根据权利要求1所述的基于车辆轨迹数据和计算机视觉的地图POI发现方法,其特征在于,根据所述记录时间对保留的轨迹点进行数据清洗,具体包括:
对保留的速度为0的轨迹点按照车牌号进行分组,每一个车牌号对应一组数据;
分别对每一组数据按照如下步骤进行数据清洗:
根据所述记录时间对轨迹点按照时间顺序进行排序;
遍历排序后的轨迹点,当第i个轨迹点与第i+1个轨迹点之间的时间间隔大于预设时间间隔阈值时,在轨迹点i处对排序后的轨迹点进行分段,第i个轨迹点与第i+1个轨迹点分别属于前后两个分段当中;
对得到的所有数据分段进行统计,计算每个所述数据分段中的轨迹点的数量,删除轨迹点数量小于预设第二数量阈值的数据分段中的轨迹点;
其中,i=1,2,…,Nk,Nk为车牌号k对应的轨迹点的数量。
3.根据权利要求1所述的基于车辆轨迹数据和计算机视觉的地图POI发现方法,其特征在于,计算轨迹点的密度满足预设密度条件的点密集区域,具体包括:
计算第j个轨迹点的邻域点集合,所述邻域点集合包括以第j个轨迹点为中心的预设范围内的所有轨迹点与所述第j个轨迹点的距离小于预设距离阈值的轨迹点;
删除计算得到的所有点集合中轨迹点的数量小于或等于预设第三数量阈值的点集合,并使用并查集将剩余的点集合进行合并,将合并后的点集合作为点密集区域;
其中,j=1,2,…,M,M为清洗后的轨迹点的数量。
4.根据权利要求1所述的基于车辆轨迹数据和计算机视觉的地图POI发现方法,其特征在于,确定所述目标区域的中心点的经纬度,根据所述中心点的经纬度截取多个卫星地图照片,具体包括:
确定所述目标区域的中心点的经纬度,根据所述中心点的经纬度在卫星地图中确定对应的目标点;
以所述目标点为顶点,分别在所述卫星地图中截取4个预设尺寸的方形卫星地图照片,并以所述目标点为中点,截取1个预设尺寸的方形卫星地图照片。
5.根据权利要求1所述的基于车辆轨迹数据和计算机视觉的地图POI发现方法,其特征在于,还包括:
当所有识别结果的置信度都小于预设置信度阈值时,获取人工识别后输入的每个所述卫星地图照片的POI位置和类型,并进行标记。
6.一种基于车辆轨迹数据和计算机视觉的地图POI发现系统,其特征在于,包括:
读取单元,用于读取预设时间段内所有样本车辆的行驶轨迹信息,所述行驶轨迹信息包含记录时间、经纬度坐标、行驶速度和车牌号;
筛选单元,用于保留所述行驶轨迹信息中行驶速度为零的轨迹点,根据所述记录时间对保留的轨迹点进行数据清洗;
检测单元,用于计算轨迹点的密度满足预设密度条件的点密集区域;
统计单元,用于分别统计每个所述点密集区域中的所有轨迹点所属的样本车辆的车牌号的数量,保留车牌号的数量大于预设第一数量阈值的点密集区域作为目标区域;
截取单元,用于确定所述目标区域的中心点的经纬度,根据所述中心点的经纬度截取多个卫星地图照片;
识别单元,用于通过深度学习分别对多个所述卫星地图照片进行目标识别,取置信度最高的识别结果作为POI的位置和类型。
7.根据权利要求6所述的基于车辆轨迹数据和计算机视觉的地图POI发现系统,其特征在于,所述筛选单元具体用于对保留的速度为0的轨迹点按照车牌号进行分组,每一个车牌号对应一组数据;对每一组数据,根据所述记录时间对轨迹点按照时间顺序进行排序;遍历排序后的轨迹点,当第i个轨迹点与第i+1个轨迹点之间的时间间隔大于预设时间间隔阈值时,在轨迹点i处对排序后的轨迹点进行分段,第i个轨迹点与第i+1个轨迹点分别属于前后两个分段当中;对得到的所有数据分段进行统计,计算每个所述数据分段中的轨迹点的数量,删除轨迹点数量小于预设第二数量阈值的数据分段中的轨迹点;
其中,i=1,2,…,Nk,Nk为车牌号k对应的轨迹点的数量。
8.根据权利要求6所述的基于车辆轨迹数据和计算机视觉的地图POI发现系统,其特征在于,所述检测单元具体用于计算第j个轨迹点的邻域点集合,所述邻域点集合包括以第j个轨迹点为中心的预设范围内的所有轨迹点与所述第j个轨迹点的距离小于预设距离阈值的轨迹点;删除计算得到的所有点集合中轨迹点的数量小于或等于预设第三数量阈值的点集合,并使用并查集将剩余的点集合进行合并,将合并后的点集合作为点密集区域;
其中,j=1,2,…,M,M为清洗后的轨迹点的数量。
9.根据权利要求6所述的基于车辆轨迹数据和计算机视觉的地图POI发现系统,其特征在于,所述截取单元具体用于确定所述目标区域的中心点的经纬度,根据所述中心点的经纬度在卫星地图中确定对应的目标点;以所述目标点为顶点,分别在所述卫星地图中截取4个预设尺寸的方形卫星地图照片,并以所述目标点为中点,截取1个预设尺寸的方形卫星地图照片。
10.根据权利要求6所述的基于车辆轨迹数据和计算机视觉的地图POI发现系统,其特征在于,还包括:
输入单元,用于当所有识别结果的置信度都小于预设置信度阈值时,获取人工识别后输入的每个所述卫星地图照片的POI位置和类型,并进行标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211641889.2A CN116012724A (zh) | 2022-12-20 | 2022-12-20 | 基于车辆轨迹数据和计算机视觉的地图poi发现方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211641889.2A CN116012724A (zh) | 2022-12-20 | 2022-12-20 | 基于车辆轨迹数据和计算机视觉的地图poi发现方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116012724A true CN116012724A (zh) | 2023-04-25 |
Family
ID=86026026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211641889.2A Pending CN116012724A (zh) | 2022-12-20 | 2022-12-20 | 基于车辆轨迹数据和计算机视觉的地图poi发现方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012724A (zh) |
-
2022
- 2022-12-20 CN CN202211641889.2A patent/CN116012724A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977782B (zh) | 基于目标位置信息推理的跨店经营行为检测方法 | |
CN111461209B (zh) | 一种模型训练装置和方法 | |
Gargoum et al. | Automated highway sign extraction using lidar data | |
CN103366602A (zh) | 从数字摄像头图像确定停车场占用情况的方法 | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
Zyner et al. | Acfr five roundabouts dataset: Naturalistic driving at unsignalized intersections | |
CN112686923A (zh) | 一种基于双阶段卷积神经网络的目标跟踪方法及系统 | |
CN105374208A (zh) | 路况提醒和摄像头检测方法及其装置 | |
CN111400533B (zh) | 图像筛选方法、装置、电子设备和存储介质 | |
CN110473211B (zh) | 一种弹簧片的数量的检测方法及设备 | |
CN106934374A (zh) | 一种雾霾场景中交通标识牌的识别方法及系统 | |
CN114708521A (zh) | 基于街景图像目标关系感知网络的城市功能区识别方法及系统 | |
Bock et al. | On-street parking statistics using lidar mobile mapping | |
SE538405C2 (en) | Method and system for categorization of a scene | |
CN115240094A (zh) | 一种垃圾检测方法和装置 | |
CN111383286B (zh) | 定位方法、装置、电子设备及可读存储介质 | |
CN111402574B (zh) | 车辆检测方法、装置、设备和存储介质 | |
JP2020160840A (ja) | 路面標示不具合検出装置、路面標示不具合検出方法及び路面標示不具合検出プログラム | |
CN116413740B (zh) | 一种激光雷达点云地面检测方法及装置 | |
Kamenetsky et al. | Aerial car detection and urban understanding | |
CN116012724A (zh) | 基于车辆轨迹数据和计算机视觉的地图poi发现方法及系统 | |
Ohashi et al. | Automatic trip-separation method using sensor data continuously collected by smartphone | |
CN113220805A (zh) | 地图生成装置、记录介质以及地图生成方法 | |
TWI672642B (zh) | 人次統計系統及其方法 |
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 |