CN116385878B - 道路中心线提取方法、分布式系统、服务器和存储介质 - Google Patents
道路中心线提取方法、分布式系统、服务器和存储介质 Download PDFInfo
- Publication number
- CN116385878B CN116385878B CN202310355244.0A CN202310355244A CN116385878B CN 116385878 B CN116385878 B CN 116385878B CN 202310355244 A CN202310355244 A CN 202310355244A CN 116385878 B CN116385878 B CN 116385878B
- Authority
- CN
- China
- Prior art keywords
- road
- center line
- data
- candidate
- segment
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 106
- 238000003860 storage Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000005070 sampling Methods 0.000 claims abstract description 40
- 238000007726 management method Methods 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 36
- 238000013500 data storage Methods 0.000 claims description 24
- 238000000547 structure data Methods 0.000 claims description 24
- 238000013136 deep learning model Methods 0.000 claims description 21
- RKTYLMNFRDHKIL-UHFFFAOYSA-N copper;5,10,15,20-tetraphenylporphyrin-22,24-diide Chemical compound [Cu+2].C1=CC(C(=C2C=CC([N-]2)=C(C=2C=CC=CC=2)C=2C=CC(N=2)=C(C=2C=CC=CC=2)C2=CC=C3[N-]2)C=2C=CC=CC=2)=NC1=C3C1=CC=CC=C1 RKTYLMNFRDHKIL-UHFFFAOYSA-N 0.000 claims description 19
- 239000000284 extract Substances 0.000 claims description 14
- 239000012634 fragment Substances 0.000 claims description 13
- -1 structure data Chemical compound 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 abstract description 32
- 238000010586 diagram Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000001788 irregular Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001537 electron coincidence spectroscopy Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/96—Management of image or video recognition tasks
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种道路中心线提取方法、分布式系统、服务器和存储介质。本申请的方法,根据矢量面状道路边界上的多个采样点构建泰森多边形;将泰森多边形中落入矢量面状道路内的边合并得到道路中心线的候选片段。对道路中心线的候选片段,根据最短路长条件进行第一次筛选,将候选片段中满足最短路长条件的第一候选片段确定为中心线片段;对候选片段中不满足最短路长条件的第二候选片段,若仅存在一条与第二候选片段的起点或终点相连的中心线片段则将第二候选片段确定为中心线片段,实现第二次筛选;将中心线片段合并得到矢量面状道路的道路中心线;通过两重筛选可以避免突刺线条的误提取,所提取道路中心线更平滑和完整、精准度更高。
Description
技术领域
本申请涉及计算机技术,尤其涉及一种道路中心线提取方法、分布式系统、服务器和存储介质。
背景技术
目前城市化建设正日益加快,对利用现代化手段快速获取和更新道路路网构,建各要素流通基础网络的需求变得及其紧迫。同时,由于城市道路网络比较复杂,且分布较为广阔,利用人工方式新增和更新道路路网时效性差,且成本较高。因此如何快速获取道路路网成为当前地理信息技术中的热点。
随着遥感技术的飞速发展,通过卫星获取高分辨率光学影像更加方便。卫星遥感数据已广泛应用于土地资源调查、生态环境监测、森林资源普查和城市管理监测等领域。基于可见光波段,利用深度学习模型识别建筑物、道路和水体等典型地物特征,已成为地表要素提取的关键技术。然而,大多数基于深度学习模型推理出的道路多为面状多边形(也即矢量面状道路)的形式,需要提取道路的中心线才能更好地进行道路路网的管理和应用。但是,现有的道路中心线提取方法所提取的矢量面状道路的中心线在交叉处存在较多不规则形状的突刺,如图1所示交叉处出现的三角形状的突刺、混乱交叉线等,导致所提取的道路中心线不够平滑、精准度低。
发明内容
本申请提供一种道路中心线提取方法、分布式系统、服务器和存储介质,用以解决所提取的道路中心线不够平滑、精准度低的问题。
第一方面,本申请提供一种道路中心线提取方法,包括:获取待提取中心线的矢量面状道路的路网数据,根据所述矢量面状道路边界上的多个采样点构建泰森多边形;将所述泰森多边形中落入所述矢量面状道路内的边合并,得到道路中心线的候选片段;将所述候选片段中满足最短路长条件的第一候选片段确定为中心线片段;对于所述候选片段中不满足最短路长条件的第二候选片段,若仅存在一条与所述第二候选片段的起点或终点相连的中心线片段,则将所述第二候选片段确定为中心线片段;将所述中心线片段合并,得到所述矢量面状道路的道路中心线。
第二方面,本申请提供一种道路中心线提取方法,应用于端侧设备,包括:获取给定区域的遥感影像数据;基于深度学习模型对所述遥感影像数据进行识别处理,得到所述给定区域的矢量面状道路的路网数据;向服务器发送所述给定区域的矢量面状道路的路网数据;接收服务器发送的所述给定区域的矢量面状道路的道路中心线,所述道路中心线是基于第一方面所述的方法提取得到的;根据所述给定区域的矢量面状道路的道路中心线,执行预设处理逻辑。
第三方面,本申请提供一种道路中心线提取的分布式系统,包括:数据存储节点,用于存储包含待提取中心线的矢量面状道路的路网数据;管理节点,用于将所述矢量面状道路的路网数据切分成多个格网数据,生成所述格网数据对应的提取任务,并将所述格网数据对应的提取任务添加到任务队列中;多个计算节点,用于从所述任务队列中获取所述提取任务,并通过第一方面所述的方法,提取所述提取任务对应格网数据对应的道路中心线;所述管理节点还用于将所述多个格网数据对应的道路中心线合并,得到所述矢量面状道路的道路中心线。
第四方面,本申请提供一种服务器,包括:处理器,以及与所述处理器通信连接的存储器;所述存储器存储计算机执行指令;所述处理器执行所述存储器存储的计算机执行指令,以实现第一方面所述的方法。
第五方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现第一方面所述的方法。
本申请提供的道路中心线提取方法、分布式系统、服务器和存储介质,对于待提取中心线的矢量面状道路的路网数据,通过根据矢量面状道路边界上的多个采样点构建泰森多边形;将泰森多边形中落入矢量面状道路内的边合并,得到道路中心线的候选片段。对于道路中心线的候选片段,首先根据最短路长条件进行第一次筛选,将候选片段中满足最短路长条件的第一候选片段确定为中心线片段。然后,对于候选片段中不满足最短路长条件的第二候选片段,若仅存在一条与第二候选片段的起点或终点相连的中心线片段,则将第二候选片段确定为中心线片段,实现第二次筛选,将中心线片段合并,得到矢量面状道路的道路中心线。通过两重筛选可以有效避免突刺线条的误提取,从而大大减少道路中心线中的不规则形状突刺,使得所提取道路中心线更加平滑、平整规则,同时保证了道路中心线的完整性,道路中心线提取的精准度更高。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为一种现有道路中线提取方案所提取的一公园区域的道路中心线的示例图;
图2为本申请所适用的一种示例性的道路中心线提取架构图;
图3为本申请一示例性实施例提供的道路中心线提取方法流程图;
图4为基于本申请的方法提取得到的一公园区域的道路中心线的示例图;
图5为一种现有道路中线提取方案所提取的一城市区域的道路中心线的示例图;
图6为基于本申请的方法提取得到的一城市区域的道路中心线的示例图;
图7为本申请一示例性实施例提供的道路中心线提取的详细流程图;
图8为本申请一示例性实施例提供的矢量面状道路边界上采样点的示意图;
图9为本申请一示例性实施例提供的三角网的示意图;
图10为本申请一示例性实施例提供的四方边缘结构的示意图;
图11为本申请一示例性实施例提供的泰森多边形的示意图;
图12为本申请一示例性实施例提供的四方边缘结构存储泰森多边形边的示意图;
图13为本申请一示例性实施例提供的第一次筛选后得到的中心线片段的示意图;
图14为本申请一示例性实施例提供的第二次筛选后得到的中心线片段的示意图;
图15为本申请一示例性实施例提供的一种道路中心线提取方法的流程图;
图16为本申请一示例性实施例提供的道路中心线提取方法的交互流程图;
图17为本申请另一示例性实施例提供的道路中心线提取方法的交互流程图;
图18为本申请一示例性实施例提供的道路中心线提取的分布式系统的架构图;
图19为本申请一示例性实施例提供的基于分布式系统的道路中心线提取流程图;
图20为本申请一示例性实施例提供的并行处理多个格网的框架图;
图21为本申请一示例性实施例提供的一种服务器的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
首先对本申请所涉及的名词进行解释:
矢量面状道路:是指基于深度学习模型计算出的道路数据,通常是面状多边形,也称为面状道路。
四方边缘结构(Quad-Edge Data Structure,简称QEDS):也称为四方边缘数据结构、或四边形数据结构,基于链表结构表示点、线和面的空间连接关系。
泰森多边形(Theissen):定义多边形内任意一点到控制点距离关系的特殊多边形,泰森多边形内任意一点到构成该多边形的控制点的距离小于到其他多边形控制点的距离。
R树(RTree):是一种空间检索数据结构,使用最小限定框作为键来构建空间索引,同时建立各个最小限定框与原始待检索数据的对应关系,通过检索最小限定框来查询原始数据。
虚拟私有云(Virtual Private Cloud,简称VPC):是一个公共云计算资源的动态配置池,使用加密协议、隧道协议和其他安全程序,在企业和云服务提供商之间传输数据。
云计算服务器(Elastic Compute Service,简称ECS):是一种弹性可伸缩的云计算服务器。
三角网:是由一系列连续三角形构成的网状的平面控制图形,本实施例中是指德劳内(Delaunay)三角网。
针对现有的道路中心线提取方法所提取的道路中心线存在较多不规则形状的突刺,不够平滑、精准度低的问题,本申请提供一种道路中心线提取方法,通过获取待提取中心线的矢量面状道路的路网数据,根据矢量面状道路边界上的多个采样点构建泰森多边形;将泰森多边形中落入矢量面状道路内的边合并,得到道路中心线的候选片段。对于道路中心线的候选片段,首先根据最短路长条件进行第一次筛选,将候选片段中满足最短路长条件的第一候选片段确定为中心线片段。然后,对于候选片段中不满足最短路长条件的第二候选片段,若仅存在一条与第二候选片段的起点或终点相连的中心线片段,则将第二候选片段确定为中心线片段,实现第二次筛选,将中心线片段合并,得到矢量面状道路的道路中心线。通过两重筛选可以有效避免突刺线条的误提取,从而大大减少道路中心线中的不规则形状突刺,使得所提取道路中心线更加平滑、平整规则,精准度更高。
图2为本申请所适用的一种示例性的道路中心线提取架构图,如图2所示,该系统架构具体可包括服务器和端侧设备。
其中,服务器具体可为设置在本地的服务器、也可以是设置在云端的服务器集群。服务器与各个端侧设备间具有可通信的通信链路,能够实现服务器与各个端侧设备间的通信连接。
端侧设备是指向服务器提供待提取道路中心线的矢量面状道路路网数据的电子设备,具体可以是具有网络通信功能、运算功能以及信息显示功能的硬件设备,其包括但不限于用户使用的终端设备、物联网设备、平台或机构的服务器等。
根据应用需求,端侧设备获取到矢量面状道路路网数据,需要提取道路中心线时,端侧设备向服务器发送矢量面状道路的路网数据。服务器基于端侧设备提供的矢量面状道路的路网数据,根据矢量面状道路边界上的多个采样点构建泰森多边形;将泰森多边形中落入矢量面状道路内的边合并,得到道路中心线的候选片段;进行第一次筛选,将候选片段中满足最短路长条件的第一候选片段确定为中心线片段;对于候选片段中不满足最短路长条件的第二候选片段,进行第二次筛选,若仅存在一条与第二候选片段的起点或终点相连的中心线片段,则将第二候选片段确定为中心线片段;将中心线片段合并,得到矢量面状道路的道路中心线。服务器将矢量面状道路的道路中心线发送至端侧设备。
在一种示例场景中,端侧设备可以获取给定区域的遥感影像数据,基于深度学习模型对遥感影像数据进行识别处理,得到给定区域的矢量面状道路的路网数据。端侧设备向服务器发送矢量面状道路的路网数据。服务器对接收到的矢量面状道路的路网数据进行道路中心线提取,并将提取到的矢量面状道路的道路中心线发送至端侧设备。这样,端侧设备可以获取到给定区域的道路中心线。进一步地,端侧设备可以根据给定区域的道路中心线执行后续的处理逻辑。例如,根据给定区域的道路中心线进行城市道路规划、基于道路中心线构建给定区域的电子地图数据等等。
另一种示例场景中,道路中心线提取可以为服务器的一个功能模块,服务器还可以实现基于遥感影像数据识别矢量面状道路的功能模块。服务器接收端侧设备发送的给定区域的遥感影像数据。服务器基于深度学习模型,对接收到的给定区域的遥感影像数据进行识别处理,得到给定区域的矢量面状道路路网数据。进一步地,服务器对接收到的矢量面状道路的路网数据进行道路中心线提取,并将提取到的矢量面状道路的道路中心线发送至端侧设备。进一步地,端侧设备可以根据给定区域的道路中心线执行后续的处理逻辑。例如,根据给定区域的道路中心线进行城市道路规划、基于道路中心线构建给定区域的电子地图数据等等。
在其他可能的场景中,服务器在提取到道路中心线之后,可以继续执行预设设定的后处理逻辑,例如,服务器根据给定区域的道路中心线进行城市道路规划、基于道路中心线构建给定区域的电子地图数据等等。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图3为本申请一示例性实施例提供的道路中心线提取方法流程图。本实施例的执行主体为上述道路中心线提取系统架构中的服务器。如图3所示,道路中心线提取方法具体步骤如下:
步骤S301、获取待提取中心线的矢量面状道路的路网数据。
本实施例中,矢量面状道路的路网数据可以是根据给定区域内的图像数据(如遥感影像、航拍图像等),基于深度学习模型提取图像数据中的道路部分,并进行矢量化后得到的矢量面状道路的数据。给定区域内的多条矢量面状道路形成路网。通常,矢量面状道路的路网数据可以Shape File的格式存储。Shape File是一种矢量图形格式,它能够保存几何图形的位置及相关属性。
具体地,矢量面状道路的路网数据可以是服务器根据给定区域内的图像数据,基于深度学习模型提取图像数据中的道路部分得到的;也可以是端侧设备根据给定区域内的图像数据,基于深度学习模型提取图像数据中的道路部分得到,并发送给服务器的。
步骤S302、根据矢量面状道路边界上的多个采样点构建泰森多边形。
对于待提取中心线的矢量面状道路的路网数据,通过在矢量面状道路边界上采样得到多个采样点,并基于多个采样点构建泰森多边形,泰森多边形的边可作为可能的道路中心线的片段,通过对泰森多边形的边进行筛选和处理,来生成道路中心线。
步骤S303、将泰森多边形中落入矢量面状道路内的边合并,得到道路中心线的候选片段。
考虑到在实际应用中道路中心线完全落在面状道路内。该步骤中,从泰森多边形的边中选择完全落入矢量面状道路内的边,作为构成道路中心线的候选边,通过将具有共同端点的候选边合并成更长的片段,可以减少端点的数量,得到多个较长道路中心线的候选片段。
示例性地,假设存在两天候选边a和b,其中a的终点和b的起点完全重合,即合并候选边a和b,只保留候选边a的起点、终点(作为合并后的中间经过的点)及候选边b的终点,得到一条长度大于候选边a和b长度的候选边。继续对候选边(包括合并后生成的)进行合并,直至不存在需要合并的候选边时,得到的候选边作为道路中心线的候选片段。
步骤S304、将候选片段中满足最短路长条件的第一候选片段确定为中心线片段。
考虑到实际应该用中的道路都是有一定长度的,设置道路中心线须满足的最短路长条件。最短路长条件为长度大于或等于预设最短路长,其中预设最短路长可以根据具体应用场景中道路的长度及经验值进行设置和调整,在应用于不同场景的道路中心线提取时,设置的预设最短路长可以不同,此次不做具体限定。例如,对于城间高速公路区域,可以设置较长的预设最短路长;对于城市内的区域,可以设置较短的预设最短路长。
该步骤中,通过根据最短路长条件,对获得的道路中心线的候选片段进行第一次筛选,将满足最短路长条件的第一候选片段确定为构成道路中线的中心线片段。而对于不满足最短路长条件的第二候选片段,则需要进行第二次筛选。
步骤S305、对于候选片段中不满足最短路长条件的第二候选片段,若仅存在一条与第二候选片段的起点或终点相连的中心线片段,则将第二候选片段确定为中心线片段。
对于候选片段中不满足最短路长条件的第二候选片段,若不存在与第二候选片段的起点或终点相连的中心线片段,则说明该第二候选片段不属于道路中心线。若存在与第二候选片段的起点或终点相连的多条中心线片段,那么将该第二候选片段与相邻的多条中心线片段连接成的道路中心线部分,可能存在不规则形状的突刺、混乱交叉线等,导致道路中心线的平滑性和精准性低。
该步骤中,对于候选片段中不满足最短路长条件的第二候选片段,若仅存在一条与第二候选片段的起点或终点相连的中心线片段,则将第二候选片段确定为中心线片段,可以有效避免突刺线条的误提取,从而大大减少道路中心线中的不规则形状突刺,使得所提取道路中心线更加平滑、平整规则,精准度更高。
步骤S306、将中心线片段合并,得到矢量面状道路的道路中心线。
在经过两重筛选得到道路中心线的中心线片段之后,将中心线片段合并,即可得到矢量面状道路的完整的道路中心线。
在进行中心线片段合并时,按照各个中心线片段的空间连续性进行合并,将具有共同点的中心线片段合并,得到完整的道路中心线。
本实施例中,对于待提取中心线的矢量面状道路的路网数据,通过根据矢量面状道路边界上的多个采样点构建泰森多边形;将泰森多边形中落入矢量面状道路内的边合并,得到道路中心线的候选片段。对于道路中心线的候选片段,首先根据最短路长条件进行第一次筛选,将候选片段中满足最短路长条件的第一候选片段确定为中心线片段。然后,对于候选片段中不满足最短路长条件的第二候选片段,若仅存在一条与第二候选片段的起点或终点相连的中心线片段,则将第二候选片段确定为中心线片段,实现第二次筛选,将中心线片段合并,得到矢量面状道路的道路中心线。通过两重筛选可以有效避免突刺线条的误提取,从而大大减少道路中心线中的不规则形状突刺,使得所提取道路中心线更加平滑、平整规则,同时保证了道路中心线的完整性,道路中心线提取的精准度更高。
示例性地,采用现有方法对某一公园区域的矢量面状道路的路网数据进行道路中心线提取,得到的道路中心线如图1所示。对于同一公园区域同样的矢量面状道路的路网数据,使用本申请提供的基于两重筛选的道路中心线提取方法提取得到的道路中心线如图4所示,对应于图1中出现三角形突刺、轮乱交叉线的不平滑不规则的部分(如图1中圈出的三处),图4中也圈出了同样部分,通过对比图1和图4可知,图4中的道路中心线在这三处没有突刺,更加平滑和规整,更接近道路实际情况,更加精准。
示例性地采用现有方法对另一城市区域的矢量面状道路的路网数据进行道路中心线提取,得到的道路中心线如图5所示。对于同一城市区域同样的矢量面状道路的路网数据,使用本申请提供的基于两重筛选的道路中心线提取方法提取得到的道路中心线如图6所示。图5和图6中用矩形框圈出了图5和图6中对应区域,通过比较两个区域内的道路中心线,可以明显看出图6中的道路中心线更加平滑和规整,更接近道路实际情况,更加精准。
图7为本申请一示例性实施例提供的道路中心线提取的详细流程图。在上述方法实施例的基础上,本实施例中,使用四方边缘结构(QEDS)存储基于采样点构建的三角网和泰森多边形的数据,得到四方边缘结构(QEDS)数据。通过四方边缘结构(QEDS)数据以链表方式存储三角网中点、线和面间的空间连接关系,并将泰森多边形的边与三角网中三角形边关联。在道路中心线提取过程中,基于四方边缘结构(QEDS)可以快速遍历泰森多边形的边,从而可以提升道路中心线提取的效率。如图7所示,该方法的详细流程如下:
步骤S701、获取待提取中心线的矢量面状道路的路网数据。
本实施例中,矢量面状道路的路网数据可以是根据给定区域内的图像数据(如遥感影像、航拍图像等),基于深度学习模型提取图像数据中的道路部分,并进行矢量化后得到的矢量面状道路的数据。给定区域内的多条矢量面状道路形成路网。
具体地,矢量面状道路的路网数据可以是服务器根据给定区域内的图像数据,基于深度学习模型提取图像数据中的道路部分得到的;也可以是端侧设备根据给定区域内的图像数据,基于深度学习模型提取图像数据中的道路部分得到,并发送给服务器的。
在获取到待提取中心线的矢量面状道路的路网数据之后,通过步骤S702-S704,根据矢量面状道路边界上的多个采样点构建泰森多边形。
步骤S702、在矢量面状道路的边界上采样多个采样点。
本实施例中,根据预设的采样间距,在矢量面状道路的边界上每间隔采样距离采样一个采样点,得到多个采样点。其中,预设的采样间距可以设置为最窄道路宽度,或者将最窄道路宽度乘以一定系数得到,具体可以根据具体应用场景的需要进行设置,例如预设的采样间距可以设置为0.5米,此处不做具体限定。其中最窄道路宽度可以根据具体应用场景中的经验值确定,或者根据矢量面状道路的宽度计算得到,此次不做具体限定。
示例性地,图8给出了一局部区域内矢量面状道路的边界上的采样点的示意图。
步骤S703、构建以多个采样点为三角形顶点的三角网,并使用四方边缘结构存储三角网,得到四方边缘结构数据,四方边缘结构数据包含三角网数据中三角形顶点、三角形边、三角形面之间的连接关系。
该步骤中,根据矢量面状道路的边界的采样点,构建德劳内(Delaunay)三角网。示例性地,基于图8所示局部区域内矢量面状道路的边界上的采样点,构建得到如图9所示的三角网。
在构建三角网时,可以采用三角网生长法,先找出采样点集中最近两个采样点连接成一条边,然后按德劳内(Delaunay)三角网的判别法则找出第三点,在已经生成的三角网中插入新的点,并采用局部优化算法(LOP)处理全部区域,使得已生成的三角网满足德劳内(Delaunay)三角网的性质,直至将采样点全部插入三角网后,得到包含矢量面状道路的边界的采样点的三角网。
可选地,还可以使用分割合并法,采用分而治之策略,先将采样点分割成易于三角化的点子集,后对各个点子集分别三角化,并采用局部优化算法(LOP)优化成三角网;之后对各个点子集的三角网进行合并,形成最终的三角网。另外,该步骤还可以采用逐点插入算法、递归生长算法等现有技术中任意一种生成三角网的算法实现,此次不做具体限定。
本实施例中,使用四方边缘结构存储三角网,得到四方边缘结构数据,四方边缘结构数据包含三角网数据中三角形顶点、三角形边、三角形面之间的连接关系。基于四方边缘结构存储三角网,可以快速地遍历三角网的三角形边。
四方边缘结构数据中存储了三角网数据中的三角形顶点、三角形边和三角形面。对于三角形边,具体存储了三角形边的标识信息,以及三角形边的起点、终点、围绕相同左面沿指定方向的下一条边、围绕相同右面沿指定方向的下一条边、围绕同一个起点沿指定方向的下一条边、围绕同一个终点沿指定方向的下一条边。其中指定方向可以为逆时针方向和/或顺时针方向。
示例性地,四方边缘结构(QEDS)可以表示成图10所示,图10中黑色实心点表示采样点,其中e表示两个采样点的有向边(三角网中的三角形边),e→org表示有向边e的起点,e→dest表示有向边e的终点,e→left表示有向边e的左面(三角网中的三角形面),e→right表示有向边e的右面(三角网中的三角形面)。在四方边缘结构(QEDS)的边中next表示围绕相邻面或顶点在逆时针方向上的下一个边,如图10中,e→Lnext表示围绕相同左面,沿逆时针方向,有向边e的下一条边;e→Rnext表示围绕相同右面,沿逆时针方向,有向边e的下一条边;e→Onext表示围绕同一个起点,沿逆时针方向,有向边e的下一条边;e→Dnext表示围绕同一个终点,沿逆时针方向,有向边e的下一条边。在四方边缘结构(QEDS)中prev表示在顺时针方向上表示相邻有向边之间的连接关系,如图10中,e→Lprev表示围绕相同左面,沿顺时针方向,有向边e的下一条边;e→Rprev表示围绕相同右面,沿顺时针方向,有向边e的下一条边;e→Oprev表示围绕同一个起点,沿顺时针方向,有向边e的下一条边;e→Dprev表示围绕同一个终点,沿顺时针方向,有向边e的下一条边。
步骤S704、根据三角网数据构建泰森多边形,并将泰森多边形存储到四方边缘结构数据中,四方边缘结构数据中任一个三角形边和与该三角形边垂直相交的泰森多边形边关联。
该步骤中,根据三角网数据,分别获取各个三角形边的垂直平分线,垂直平分线之间的交点即为泰森多边形的顶点,基于泰森多边形的顶点和三角网的轮廓边截断并连接垂直平分线,即构成泰森多边形。泰森多边形的边是三角形边的左侧三角形面(或右侧三角形面)的外接圆圆心与右侧三角形面(或左侧三角形面)的外接圆圆心连成的线段。
示例性地,基于图9所示的三角网构建的泰森多边形如图11所示。示例性地,如图12所示,O1和O2分别为三角形边e左侧三角形面和右侧三角形面的外接圆圆心,图12中O2指向O1的有向边e→Rot为一条泰森多边形边。
在得到存储三角网的四方边缘结构数据之后,在四方边缘结构数据中存储泰森多边形的顶点和边,并将泰森多边形的边与已有的三角形边建立关联,以便于基于四方边缘结构数据快速遍历泰森多边形的边。例如,基于图10所示的四方边缘结构,在存储的三角形边中增加e→Rot和/或e→InvRot,其中e→Rot表示与该三角形边e关联的一条泰森多边形边,也即由该三角形边e的右侧三角形面的外接圆圆心指向左侧三角形面的外接圆圆心的有向边;e→InvRot表示与该三角形边e关联的另一条泰森多边形边,也即由该三角形边e的左侧三角形面的外接圆圆心指向右侧三角形面的外接圆圆心的有向边。
通过将将泰森多边形存储到四方边缘结构数据中,并在四方边缘结构数据中将任一个三角形边和与该三角形边垂直相交的泰森多边形边关联,可以基于四方边缘结构数据,可以根据三角形边很容易地找到关联的泰森多边形的边,在遍历三角网中三角形边时,可以实现遍历泰森多边形的边。
在构建泰森多边形之后,通过步骤S705-S706,基于四方边缘结构(QEDS)数据,遍历泰森多边形的边,将泰森多边形中落入矢量面状道路内的边合并,得到道路中心线的候选片段。
步骤S705、根据四方边缘结构数据,遍历泰森多边形的边,将落入矢量面状道路内的泰森多边形边作为候选边。
具体地,根据四方边缘结构数据,遍历三角网数据中的三角形顶点,对于当前的三角形顶点,遍历以当前的三角形顶点为起点的三角形边,获取当前遍历的三角形边关联的泰森多边形边,判断当前的泰森多边形边是否落入矢量面状道路内,若当前的泰森多边形边落入矢量面状道路内,则将当前的泰森多边形边作为候选边。基于四方边缘结构数据可以实现泰森多边形边的快速遍历,可以大大提升从泰森多边形边中筛选出候选边的效率,从而大大提升道路中心线提取的效率。
该步骤中,利用四方边缘结构数据快速遍历泰森多边形的各个边,判断当前的边是否完全落入矢量面状道路内,也即是否被面状道路完全包含。如果当前边完全落入矢量面状道路内,也即被面状道路完全包含,那么将该边加入道路中心线的候选边集。具体地,可以随机选取起始遍历的边,如果当前边完全落入矢量面状道路内,则将该边加入道路中心线的候选边集,并利用四方边缘结构数据,遍历下一条边,以此类推完成泰森多边形边的遍历后,得到道路中心线的候选边集。
步骤S706、将候选边合并,得到道路中心线的候选片段。
在得到道路中心线的候选边集之后,将具有共同端点的候选边合并成更长的片段,可以减少端点的数量,得到多个较长道路中心线的候选片段。
示例性地,假设存在两天候选边a和b,其中a的终点和b的起点完全重合,即合并候选边a和b,只保留候选边a的起点、终点(作为合并后的中间经过的点)及候选边b的终点,得到一条长度大于候选边a和b长度的候选边。继续对候选边(包括合并后生成的)进行合并,直至不存在需要合并的候选边时,得到的候选边作为道路中心线的候选片段。
在得到道路中心线的候选片段之后,通过步骤S707-S708对候选片段进行两重筛选,以精准地筛选出道路中心线的中心线片段。
步骤S707、将候选片段中满足最短路长条件的第一候选片段确定为中心线片段。
该步骤中根据最短路长条件,对候选片段进行第一次筛选,得到中心线片段。
示例性地,对某一示例区域,经过第一次筛选后得到的中心线片段(已连接成中心线)如图13所示,由于仅筛选出了满足最短路长条件的候选片段,图13中缺失了部分较短的候选片段,如图13中圆形圈出的部分。
该步骤与上述步骤S304具体实现方式一致,具体参见前述实施例中的相关内容,此次不在赘述。
步骤S708、对于候选片段中不满足最短路长条件的第二候选片段,若仅存在一条与第二候选片段的起点或终点相连的中心线片段,则将第二候选片段确定为中心线片段。
对于候选片段中不满足最短路长条件的第二候选片段,若不存在与第二候选片段的起点或终点相连的中心线片段,则说明该第二候选片段不属于道路中心线。若存在与第二候选片段的起点或终点相连的多条中心线片段,那么将该第二候选片段与相邻的多条中心线片段连接成的道路中心线部分,可能存在不规则形状的突刺、混乱交叉线等,导致道路中心线的平滑性和精准性低。
该步骤中,对于候选片段中不满足最短路长条件的第二候选片段,进行第二次筛选。对任一第二候选片段,若仅存在一条与第二候选片段的起点或终点相连的中心线片段,则将第二候选片段确定为中心线片段,可以有效避免突刺线条的误提取,从而大大减少道路中心线中的不规则形状突刺,使得所提取道路中心线更加平滑、平整规则,精准度更高。
示例性地,在图13所示的中心线片段基础上,经过第二次筛选后,将部分第二候选片段添加到中心线片段中,如图14所示,在图13基础上增加了较短的中心线片段,得到的中心线片段更加完整,更加精准。
在一可选实施例中,该步骤具体可以采用如下方式实现:构建中心线片段的空间索引;对于候选片段中不满足最短路长条件的第二候选片段,基于空间索引搜索第二候选片段的预设数量的邻接中心线片段;若第二候选片段的预设数量的邻接中心线片段中,存在一条与第二候选片段的起点或终点相连的邻接中心线片段,则将第二候选片段确定为中心线片段。其中,预设数量可以根据实际应用场景和经验值进行设置和调整,例如预设数量可以设为5,此处不做具体限定。
示例性地,在构建中心线片段的空间索引时,可以生成中心线片段的包围框,并构建中心线片段的包围框的R树索引。R树中使用中心线片段的包围框作为键(key)构建空间索引。另外,还可以通过B树等其他方式来构建中心线片段的空间索引,此次不做具体限定。
示例性地,对第一次筛选得到的中心线片段的集合P,构建R树索引。不满足最短路长条件的第二候选片段构成待二次筛选片段集T,对于待二次筛选片段集T中的任一条第二候选片段,在中心线片段的集合P中利用构建好的R树索引,快速搜索最邻近的5条中心线片段L,当L中有且仅有一条中心线片段与该第二候选片段的起点或终点相连时,表明该第二候选片段满足二次筛选条件,将该第二候选片段加入中心线片段的集合P中。以此类推,在完成待二次筛选片段集T的第二次筛选之后,得到最终的中心线片段的集合P。
具体地,在确定第二候选片段邻近(邻接)的中心线片段时,可以计算第二候选片段与中心线片段的最短距离,根据最短距离选择与第二候选片段最邻近的预设数量的中心线片段,作为第二候选片段的邻接中心线片段。
步骤S709、将中心线片段合并,得到矢量面状道路的道路中心线。
在经过两重筛选得到道路中心线的中心线片段之后,将中心线片段合并,即可得到矢量面状道路的完整的道路中心线。在进行中心线片段合并时,按照各个中心线片段的空间连续性进行合并,将具有共同点的中心线片段合并,得到完整的道路中心线。
本实施例中,通过根据矢量面状道路边界上的多个采样点构建泰森多边形;将泰森多边形中落入矢量面状道路内的边合并,得到道路中心线的候选片段。对于道路中心线的候选片段,首先根据最短路长条件进行第一次筛选,将候选片段中满足最短路长条件的第一候选片段确定为中心线片段。然后,对于候选片段中不满足最短路长条件的第二候选片段,若仅存在一条与第二候选片段的起点或终点相连的中心线片段,则将第二候选片段确定为中心线片段,实现第二次筛选,将中心线片段合并,得到矢量面状道路的道路中心线。通过两重筛选可以有效避免突刺线条的误提取,从而大大减少道路中心线中的不规则形状突刺,使得所提取道路中心线更加平滑、平整规则,同时保证了道路中心线的完整性,道路中心线提取的精准度更高。并且,通过使用四方边缘结构存储三角网和泰森多边形的数据,并三角形边和与该三角形边垂直相交的泰森多边形边关联,基于四方边缘结构数据可以快速遍历泰森多边形的边,实现中心线的候选片段的快速筛选,可以大大提升道路中心线提取的效率。
在实际应用中,基于高空间分辨率遥感影像,利用基于深度学习模型的自动化方法识别得到的矢量面状道路,由于识别方法的固有特性和城市路网的复杂性,得到的矢量面状道路通常包含大量的嵌套面状道路(即嵌套多边形MultiPolygon),当然也包含独立面状道路(即多边形Polygon)。其中,嵌套面状道路是一种嵌套多边形,包含多个独立面状道路(即多边形Polygon)。示例性地,在地理信息领域,嵌套多边形的数据表达形式可以为:“MultiPolygon(Polygon(120 10,121 10,121 20,120 20,120 10),Polygon(100 30,11030,110 40,100 40,100 30))”,其中,“Polygon(120 10,121 10,121 20,120 20,12010)”和“Polygon(100 30,110 30,110 40,100 40,100 30)”是两个独立的多边形Polygon(独立面状道路)。独立的多边形Polygon(独立面状道路)中包含多个数据对,每个数据对为多边形顶点的坐标(可以是经纬度信息)。从该嵌套多边形中可以提取出2个独立的多边形。
在一可选实施例中,在进行道路中心线提取时,提取矢量面状道路的路网数据所包含多个独立面状道路,通过运行多个线程,并行地对多个独立面状道路进行中心线提取处理,得到各独立面状道路的道路中心线;将多个独立面状道路的道路中心线合并,得到矢量面状道路的道路中心线。通过多线程并行地提取多个独立面状道路的道路中心线,可以提升道路中心线提取的效率。
图15为本实施例提供的一种道路中心线提取方法的流程图,如图15所示,该方法具体步骤如下:
步骤S151、获取待提取中心线的矢量面状道路的路网数据。
该步骤与步骤S301的具体实现方式相同,具体参见前述实施例的相关内容,此处不再赘述。
步骤S152、提取路网数据包含多个独立面状道路。
本实施例中,对于待提取中心线的矢量面状道路的路网数据,首先提取矢量面状道路的路网数据中的嵌套面状道路和独立面状道路。对于嵌套面状道路,在提取嵌套面状道路包含的独立面状道路,得到路网数据包含所有的独立面状道路。
步骤S153、并行地对多个独立面状道路进行中心线提取处理,得到各独立面状道路的道路中心线。
本实施例中,对于各个独立面状道路分别进行道路中心线提取,得到各个独立面状道路的道路中心线。由于各个独立面状道路相互独立,可以通过运行多个线程,并行地进行各个独立面状道路进行中心线提取处理,可以大大提升道路中心线提取的效率。
具体地,对于任一独立面状道路,对该独立面状道路进行中心线提取处理,得到该独立面状道路的道路中心线,具体通过如下步骤S1531-S1535实现:
步骤S1531、根据独立面状道路边界上的多个采样点构建泰森多边形。
步骤S1532、根据泰森多边形确定独立面状道路的中心线候选片段。
步骤S1533、将中心线候选片段中满足最短路长条件的第一中心线候选片段,确定为独立面状道路的中心线片段。
步骤S1534、对于中心线候选片段中不满足最短路长条件的第二中心线候选片段,若仅存在一条独立面状道路的中心线片段与第二中心线候选片段的起点或终点相连,则将第二中心线候选片段确定为独立面状道路的中心线片段。
步骤S1535、将独立面状道路的中心线片段合并,得到独立面状道路的道路中心线。
上述步骤S1532-S1535的具体实现方式与前述步骤S302-S306的具体实现方式类似,当步骤S302-S306中的矢量面状道路仅包含一个独立面状道路时,步骤S302-S306与步骤S1532-S1535相同。将前述步骤S302-S306的相关内容中的矢量面状道路替换为独立面状道路,即可得到步骤S1532-S1535的具体实现方式,具体实现过程和效果参见前述实施例的相关内容,此处不再赘述。
步骤S154、将多个独立面状道路的道路中心线合并,得到矢量面状道路的道路中心线。
在分别提取到各个独立面状道路的道路中心线之后,按照空间连续性将各个独立面状道路的道路中心线合并,得到矢量面状道路的完整的道路中心线。
本实施例中,在道路中心线提取时,提取矢量面状道路的路网数据所包含多个独立面状道路,通过并行地对多个独立面状道路进行中心线提取处理,得到各独立面状道路的道路中心线;将多个独立面状道路的道路中心线合并,得到矢量面状道路的道路中心线,可以大大提升道路中心线提取的效率。
图16为本申请一示例性实施例提供的道路中心线提取方法的交互流程图。如图16所示,本实施例中,道路中心线提取方法的具体步骤如下:
步骤S161、端侧设备向服务器发送给定区域的遥感影像数据。
本实施例中,端侧设备可以接收遥感影像采集设备采集并发送的给定区域的遥感影像数据,或者,端侧设备可以从其他数据服务平台获取给定区域的遥感影像数据。给定区域可以是任意区域,可以根据实际应用场景的需要确定。
步骤S162、服务器接收端侧设备发送的给定区域的遥感影像数据,基于深度学习模型对遥感影像数据进行识别处理,得到给定区域的矢量面状道路的路网数据。
本实施例中,道路中心线提取可以为服务器的一个功能模块,服务器还可以实现基于遥感影像数据识别矢量面状道路的功能模块。服务器基于深度学习模型,对接收到的给定区域的遥感影像数据进行识别处理,得到给定区域的矢量面状道路路网数据。
其中,基于深度学习模型对遥感影像数据进行识别处理,得到矢量面状道路的路网数据,可以采用现有技术中任意一种基于深度学习的自动提取面状道路的方法实现,此次不再赘述。
步骤S163、服务器对给定区域的矢量面状道路的路网数据进行道路中心线提取,得到给定区域的矢量面状道路的道路中心线。
该步骤中,服务器执行上述步骤S302-S306的处理流程,具体实现方式和效果参见前述实施例的相关说明,此处不再赘述。
步骤S164、服务器向端侧设备发送给定区域的矢量面状道路的道路中心线。
在提取到给定区域的矢量面状道路的道路中心线之后,服务器向端侧设备发送给定区域的矢量面状道路的道路中心线。
可选地,端侧设备可以根据给定区域的道路中心线执行后续的处理逻辑。例如,根据给定区域的道路中心线进行城市道路规划、基于道路中心线构建给定区域的电子地图数据等等。
可选地,在提取到给定区域的矢量面状道路的道路中心线之后,服务器还可以根据给定区域的道路中心线执行后续的处理逻辑,将处理结果发送至端侧设备。例如,服务器根据给定区域的道路中心线进行城市道路规划,将城市道路规划结果发送至端侧设备。例如,服务器基于道路中心线构建给定区域的电子地图数据,将电子地图数据发送至端侧设备。
步骤S165、端侧设备接收服务器发送的给定区域的矢量面状道路的道路中心线。
本实施例提供了一种示例场景下道路中心线提取方法中端侧设备与服务器交互流程,以便于理解本申请提供的道路中心线提取方法的可能使用场景。
图17为本申请另一示例性实施例提供的道路中心线提取方法的交互流程图。如图17所示,本实施例中,道路中心线提取方法的具体步骤如下:
步骤S171、端侧设备获取给定区域的遥感影像数据。
本实施例中,端侧设备可以接收遥感影像采集设备采集并发送的给定区域的遥感影像数据,或者,端侧设备可以从其他数据服务平台获取给定区域的遥感影像数据。给定区域可以是任意区域,可以根据实际应用场景的需要确定。
步骤S172、端侧设备基于深度学习模型对遥感影像数据进行识别处理,得到给定区域的矢量面状道路的路网数据。
本实施例中,由端侧设备执行基于给定区域的遥感影像数据,获取给定区域的矢量面状道路的路网数据的处理。其中,基于深度学习模型对遥感影像数据进行识别处理,得到矢量面状道路的路网数据,可以采用现有技术中任意一种基于深度学习的自动提取面状道路的方法实现,此次不再赘述。
步骤S173、端侧设备向服务器发送给定区域的矢量面状道路的路网数据。
步骤S174、服务器接收给定区域的矢量面状道路的路网数据。
步骤S175、服务器对给定区域的矢量面状道路的路网数据进行道路中心线提取,得到给定区域的矢量面状道路的道路中心线。
该步骤中,服务器执行上述步骤S302-S306的处理流程,具体实现方式和效果参见前述实施例的相关说明,此处不再赘述。
步骤S176、服务器向端侧设备发送给定区域的矢量面状道路的道路中心线。
步骤S177、端侧设备接收服务器发送的给定区域的矢量面状道路的道路中心线。
步骤S178、端侧设备根据给定区域的矢量面状道路的道路中心线,执行预设处理逻辑。
例如,根据给定区域的道路中心线进行城市道路规划、基于道路中心线构建给定区域的电子地图数据等等。
本实施例提供了另一种示例场景下道路中心线提取方法中端侧设备与服务器交互流程,以便于理解本申请提供的道路中心线提取方法的可能使用场景。
在实际应用中,当路网覆盖比较密集且范围广时,道路中心线提取对硬件资源消耗较大,且耗时较长。为了提升对于大规模或超大规模路网的矢量面状道路的道路中心线提取,本申请提供一种基于分布式计算框架的道路中心线提取方法,将待提取中心线的矢量面状道路的路网数据切分成多个格网数据,基于分布式系统对多个格网数据进行并行地处理,能极大提高数据处理效率,避免单机提取对硬件资源消耗过高导致任务失败的问题。提取出的路网中心线能有效支撑数字城市路网管理、辅助交通出行。
图18为本实施例提供的道路中心线提取的分布式系统的架构图,如图18所示,道路中心线提取的分布式系统包括:数据存储节点、管理节点和多个计算节点。
具体地,数据存储节点用于存储包含待提取中心线的矢量面状道路的路网数据。其中,数据存储节点可以是本地的网络附属存储(Network Attached Storage,简称NAS)、网上云盘、或分布式文件管理系统。
管理节点用于将矢量面状道路的路网数据切分成多个格网数据,生成格网数据对应的提取任务,并将格网数据对应的提取任务添加到任务队列中。其中,格网数据对应的提取任务可以包含格网数据的标识性信息,计算节点基于该标识性信息可以从数据存储节点获取到该格网数据。
多个计算节点用于从任务队列中获取提取任务,并提取该提取任务对应格网数据对应的道路中心线。
管理节点还用于将多个格网数据对应的道路中心线合并,得到矢量面状道路的道路中心线。
本实施例中,管理节点包含任务管理模块和中心线合成模块。每个格网数据的道路中心线提取是一个单独的计算任务,管理节点的任务管理模块对各个格网数据的提取任务进行管理。在格网数据的提取任务完成后,中心线合成模块获取各个格网数据的道路中心线进行合并,得到完整的道路中心线,并保证相邻格网的同一道路连续不断裂,大大提升大规模路网的道路招工信息提取的效率和正确性。
其中,计算节点可以使用云计算服务器(ECS)实现。管理节点可以是独立于各个计算节点的中心节点,也可以由分布式系统中的任一计算节点充当。其中,多个计算节点可以通过容器集群管理系统(如Kubernetes,简称K8s)进行集群管理,以提升分布式系统的总体计算速度和性能,从而提升道路中心线提取的效率。分布式系统中不同节点之间可以通过消息传递接口(Message Passing Interface,简称MPI)实现高性能数据传输,以提升分布式系统的总体计算速度和性能,从而提升道路中心线提取的效率。另外,管理节点上还可以部署有存储系统,以存储路网数据、格网数据、道路中心线数据等。如管理节点上还可以部署远程字典服务(Remote Dictionary Server,简称Redis),Redis是一个键(key)-值(value)存储系统。管理节点和计算节点可以通过虚拟私有云(VPC)与数据存储节点进行数据传输,实现格网数据打标和分发。
在实现将矢量面状道路的路网数据切分成多个格网数据时,管理节点根据预设格网大小,将待提取中心线的矢量面状道路的路网数据切分成多个格网数据,其中多个格网数据中相邻格网数据间有部分重叠。
进一步地,管理节点还用于将切分成的多个格网数据存储至数据存储节点。在实现提取该提取任务对应格网数据对应的道路中心线时,计算节点根据提取任务,从数据存储节点获取提取任务对应的格网数据,提取该提取任务对应的格网数据对应的道路中心线,并将所提取的道路中心线存储至数据存储节点。管理节点从数据存储节点获取多个格网数据对应的道路中心线,将多个格网数据对应的道路中心线合并,得到矢量面状道路的道路中心线。
在另一可选实施方式中,管理节点还可以直接向计算节点传输格网数据。在完成格网数据的提取任务后,计算节点将格网数据的道路中心线返回至管理节点。管理节点将各个计算节点返回的各个格网数据的道路中心线进行合并,得到完整的道路中心线。
示例性地,各个计算节点在完成格网数据的提取任务后,将格网数据的道路中心线加入到输出队列中。管理节点从输出队列中获取已完成提取的格网数据的道路中心线,对各个格网数据的道路中心线进行合并,得到完整的道路中心线,将完整的道路中心线存储到数据存储节点中。
图19为本申请一示例性实施例提供的基于分布式系统的道路中心线提取流程图,如图19所示,该基于分布式系统的道路中心线提取流程如下:
步骤S1901、数据存储节点存储包含待提取中心线的矢量面状道路的路网数据。
步骤S1902、管理节点从数据存储节点获取矢量面状道路的路网数据。
步骤S1903、管理节点根据预设格网大小,将待提取中心线的矢量面状道路的路网数据切分成多个格网数据。
在实现将矢量面状道路的路网数据切分成多个格网数据时,管理节点根据预设格网大小,将待提取中心线的矢量面状道路的路网数据切分成多个格网数据,其中多个格网数据中相邻格网数据间有部分重叠。
在实际应用中,基于遥感影像等提取出的矢量面状道路的路网数据中,道路之间没有进行严格切分,单一独立面状道路通常呈网状包含多条真实道路,基于道路走向对路网数据进行切分比较困难。本实施例中,利用矩形的格网对待提取中心线的矢量面状道路的路网数据进行切分,得到多个格网数据。各个格网数据之间独立执行道路中心线提取,最后基于线拟合的方法实现相邻格网之间道路中心线的连接,保证最终得到的完整的道路中心线连续不断裂。
其中,格网的大小可以作为外部配置参数,由相关技术人员根据实际应用场景的需要进行设置和调整,例如格网大小可以为1km*1km,此处不做具体限定。
可选地,管理节点还可以对切分成的格网数据进行打标,将切分成的格网数据按照一定顺序连续编号,基于编号可以确定格网数据的位置关系,以方便后续进行相邻格网数据对应的道路中心线合并。
另外,由于独立面状道路可能被切分到相邻的不同格网中,对不同格网的数据分别执行道路中心线提取后,在格网切分处可能不再连续,导致整体的道路中心线出现断裂情况。本实施例中,为保证后续道路中心线合成后道路中心线连续相接,在格网切分过程中,格网与格网之间需要少量重合覆盖。相邻格网的边缘爹宽度可以根据实际应用场景中道路的实际宽度进行设置,此处不做具体限定。例如,单个格网大小可设置为1km*1km,同时基于实际应用中道路的实际宽度,相邻格网的边缘重叠宽度可设置为30m。
步骤S1904、管理节点将切分成的多个格网数据存储至数据存储节点。
步骤S1905、管理节点生成格网数据对应的提取任务,并将格网数据对应的提取任务添加到任务队列中。
其中,格网数据对应的提取任务可以包含格网数据的标识性信息,计算节点基于该标识性信息可以从数据存储节点获取到该格网数据。
步骤S1906、计算节点从任务队列中获取提取任务。
本实施例中,管理节点的任务管理模块基于消息队列的方式,发布各个格网数据的提取任务。任务管理模块将待处理的格网数据的提取任务放入任务队列中。各个计算节点在空闲时从任务队列中获取提取任务并进行对应格网数据的道路中心线提取,得到格网数据的道路中心线。在完成一个提取任务之后,计算节点可以继续从消息队列中获取下一个提取任务并执行,直至完成所有格网数据的道路中心线提取。
可选地,一个计算节点也可以同时执行多个提取任务,计算节点可以根据自身的实际负载,不断地从任务队列中获取提取任务。
步骤S1907、计算节点根据提取任务,从数据存储节点获取提取任务对应的格网数据,提取该提取任务对应格网数据对应的道路中心线。
该步骤中,计算节点提取该提取任务对应格网数据对应的道路中心线,具体实现方式与上述步骤S302-S306的实现方式类似,将提取任务对应格网数据作为待提取道路中心线的矢量面状道路的路网数据,采用与上述步骤S302-S306实现提取任务对应格网数据的道路中心线的提取,得到提取任务对应格网数据对应的道路中心线,具体实现过程及效果参见前述方法实施例的相关内容,此处不再赘述。
另外,在计算节点提取该提取任务对应格网数据对应的道路中心线时,可以通过运行多个线程,对格网数据包含的多个独立面状道路进行并行地处理,得到各个独立面状道路的道路中心线,将各个独立面状道路的道路中心线合并,得到格网数据的道路中心线,可以进一步提升道路中心线提取的效率。
示例性地,如图20所示,将待提取中心线的矢量面状道路的路网数据,切分成具有一定重叠区域的多个格网A、B、C……,对于任一格网(如格网C)可以通过运行多个线程,基于共享内存的方式,多个处理器(CPU)都可以获得格网数据中的独立面状道路,实现多个独立面状道路的并行处理,并最终合并得到格网数据对应的道路中心线。
步骤S1908、计算节点将所提取的道路中心线存储至数据存储节点。
步骤S1909、管理节点从数据存储节点获取多个格网数据对应的道路中心线。
步骤S1910、将多个格网数据对应的道路中心线合并,得到矢量面状道路的道路中心线。
在一可选实施例中,为保证同条道路中心线在相邻格网切分处平滑连续,可以对接头处进行后处理。示例性地,对于任一格网A,对该格网A中的各条道路中心线,选取起点或终点P1,在相邻格网B中查询P1的最邻近点Q1,当格网A中的起点或终点P1与格网B中最邻近点Q1的距离小于设定阈值,且该邻近点Q1在格网B中也属于某一中心线的起点或终点,即满足需要相连的条件。为保证连接处平滑,在点P1和点Q1处分别获取多个邻近点,利用获取得到的邻近点进行线段拟合,并将拟合结果插入到道路中心线中,并去除已有的多个邻近点之间的所有片段。遍历各个格网后,完成各个格网数据的道路中心线的合并。
其中,设定阈值可以根据实际应用场景的需要进行设置,例如预设阈值可以设置为1米,此处不做具体限定。点P1在格网B中的最邻近点是指格网B中与P1距离最近的采样点。在点P1和点Q1处分别获取的邻近点的数量可以根据实际应用场景的需要进行设置和调整,例如分别获取5个临近点,此处不做具体限定。
在一可选实施例中,计算节点向管理节点反馈提取任务的执行状态。提取任务的执行状态包括但不限于:成功、失败、进行中。管理节点还对格网数据的提取任务的执行状态进行监测。在实现将多个格网数据对应的道路中心线合并,得到矢量面状道路的道路中心线时,管理节点根据多个格网数据的提取任务的执行状态,将提取任务已完成的多个格网数据对应的道路中心线合并,直至得到矢量面状道路的道路中心线。
可选地,管理节点还可以对各个计算节点的执行进度进行监测。执行进度可以包括各个计算节点完成的提取任务的数量。可选地,管理节点还可以对各个计算节点的网络状态、计算资源等进行监测。
步骤S1911、管理阶段将矢量面状道路的道路中心线存储到数据存储节点。
本实施例提供了基于分布式系统的道路中心线提取的完整流程,通过将待提取中心线的矢量面状道路的路网数据切分成多个格网数据,基于分布式系统使用多个计算节点对多个格网数据进行并行地处理,得到各个格网数据的道路中心线,将多个格网数据对应的道路中心线合并,即可得到矢量面状道路的道路中心线,能极大地提高道路中心线提取的效率,可以避免单机提取对硬件资源消耗过高导致道路中心线提取失败的问题。
本实施例的方法,采用分布式计算的方式,并结合四方边缘结构,实现了大规模大范围的矢量面状道路的中心线提取,相比于传统的专业地理信息处理软件,本实施例的方法,不受路网数据大小的限制,同时能够大幅提升道路中心线提取的执行效率,更能适用于大规模或超大规模的路网数据的集中快速的道路中心线提取。
图21为本申请实施例提供的一种服务器的结构示意图。如图21所示,该服务器包括:存储器2101和处理器2102。存储器2101,用于存储计算机执行指令,并可被配置为存储其它各种数据以支持在服务器上的操作。处理器2102,与存储器2101通信连接,用于执行存储器2101存储的计算机执行指令,以实现上述任一方法实施例提供的技术方案,其具体功能和所能实现的技术效果类似,此处不再赘述。图21中以服务器为部署在云端的云服务器为例进行示例,服务器还可以为部署在本地的设备,此次不做具体限定。
可选的,如图21所示,该服务器还包括:防火墙2103、负载均衡器2104、通信组件2105、电源组件2106等其它组件。图21中仅示意性给出部分组件,并不意味着服务器只包括图21所示组件。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现上述任一方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。
本申请实施例还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,云服务器的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得云服务器执行上述任一方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。本申请实施例提供一种芯片,包括:处理模块与通信接口,该处理模块能执行前述方法实施例中云服务器的技术方案。可选的,该芯片还包括存储模块(如,存储器),存储模块用于存储指令,处理模块用于执行存储模块存储的指令,并且对存储模块中存储的指令的执行使得处理模块执行前述任一方法实施例提供的技术方案。
上述存储器可以是对象存储(Object Storage Service,OSS)。上述存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
上述通信组件被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络,如移动热点(WiFi),第二代移动通信系统(2G)、第三代移动通信系统(3G)、第四代移动通信系统(4G)/长期演进(LTE)、第五代移动通信系统(5G)等移动通信网络,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
上述电源组件,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
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、只读光盘存储器(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/或方框图来描述的。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、嵌入式处理机或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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户属性信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。“多个”的含义是两个以上,除非另有明确具体的限定。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (14)
1.一种道路中心线提取方法,其特征在于,包括:
获取待提取中心线的矢量面状道路的路网数据,根据所述矢量面状道路边界上的多个采样点构建泰森多边形;
将所述泰森多边形中落入所述矢量面状道路内的边合并,得到道路中心线的候选片段;
将所述候选片段中满足最短路长条件的第一候选片段确定为中心线片段,所述最短路长条件为长度大于或等于预设最短路长;
对于所述候选片段中不满足最短路长条件的第二候选片段,若仅存在一条与所述第二候选片段的起点或终点相连的中心线片段,则将所述第二候选片段确定为中心线片段;
将所述中心线片段合并,得到所述矢量面状道路的道路中心线。
2.根据权利要求1所述的方法,其特征在于,所述根据所述矢量面状道路边界上的多个采样点构建泰森多边形,包括:
在所述矢量面状道路的边界上采样多个采样点;
构建以所述多个采样点为三角形顶点的三角网,并使用四方边缘结构存储所述三角网,得到所述四方边缘结构数据,所述四方边缘结构数据包含所述三角网数据中三角形顶点、三角形边、三角形面之间的连接关系;
根据所述三角网数据构建泰森多边形,并将所述泰森多边形存储到所述四方边缘结构数据中,所述四方边缘结构数据中任一个三角形边和与该三角形边垂直相交的泰森多边形边关联。
3.根据权利要求2所述的方法,其特征在于,所述将所述泰森多边形中落入所述矢量面状道路内的边合并,得到道路中心线的候选片段,包括:
根据所述四方边缘结构数据,遍历所述泰森多边形的边,将落入所述矢量面状道路内的泰森多边形边作为候选边;
将所述候选边合并,得到道路中心线的候选片段。
4.根据权利要求1所述的方法,其特征在于,所述对于所述候选片段中不满足最短路长条件的第二候选片段,若仅存在一条与所述第二候选片段的起点或终点相连的中心线片段,则将所述第二候选片段确定为中心线片段,包括:
构建所述中心线片段的空间索引;
对于所述候选片段中不满足最短路长条件的第二候选片段,基于所述空间索引搜索所述第二候选片段的预设数量的邻接中心线片段;
若所述第二候选片段的预设数量的邻接中心线片段中,仅存在一条与所述第二候选片段的起点或终点相连的邻接中心线片段,则将所述第二候选片段确定为中心线片段。
5.根据权利要求1-4中任一项所述的方法,其特征在于,还包括:
提取所述路网数据包含多个独立面状道路;
并行地对所述多个独立面状道路进行中心线提取处理,得到各所述独立面状道路的道路中心线;
将所述多个独立面状道路的道路中心线合并,得到所述矢量面状道路的道路中心线。
6.根据权利要求5所述的方法,其特征在于,对任一所述独立面状道路进行中心线提取处理,得到所述独立面状道路的道路中心线,包括:
根据所述独立面状道路边界上的多个采样点构建泰森多边形;
根据所述泰森多边形确定所述独立面状道路的中心线候选片段;
将所述中心线候选片段中满足最短路长条件的第一中心线候选片段,确定为所述独立面状道路的中心线片段;
对于所述中心线候选片段中不满足最短路长条件的第二中心线候选片段,若仅存在一条所述独立面状道路的中心线片段与所述第二中心线候选片段的起点或终点相连,则将所述第二中心线候选片段确定为所述独立面状道路的中心线片段;
将所述独立面状道路的中心线片段合并,得到所述独立面状道路的道路中心线。
7.根据权利要求1-4中任一项所述的方法,其特征在于,所述获取待提取中心线的矢量面状道路的路网数据,包括:
接收端侧设备发送的给定区域的遥感影像数据,基于深度学习模型对所述遥感影像数据进行识别处理,得到所述给定区域的矢量面状道路的路网数据;
或者,
接收端侧设备发送的矢量面状道路的路网数据;
所述将所述中心线片段合并,得到所述矢量面状道路的道路中心线之后,还包括:
向端侧设备发送所述矢量面状道路的道路中心线。
8.一种道路中心线提取方法,其特征在于,应用于端侧设备,包括:
获取给定区域的遥感影像数据;
基于深度学习模型对所述遥感影像数据进行识别处理,得到所述给定区域的矢量面状道路的路网数据;
向服务器发送所述给定区域的矢量面状道路的路网数据;
接收服务器发送的所述给定区域的矢量面状道路的道路中心线,所述道路中心线是基于如权利要求1-7中任一项所述的方法提取得到的;
根据所述给定区域的矢量面状道路的道路中心线,执行预设处理逻辑。
9.一种道路中心线提取的分布式系统,其特征在于,包括:
数据存储节点,用于存储包含待提取中心线的矢量面状道路的路网数据;
管理节点,用于将所述矢量面状道路的路网数据切分成多个格网数据,生成所述格网数据对应的提取任务,并将所述格网数据对应的提取任务添加到任务队列中;
多个计算节点,用于从所述任务队列中获取所述提取任务,并通过权利要求1-8中任一项所述的方法,提取所述提取任务对应格网数据对应的道路中心线;
所述管理节点还用于将所述多个格网数据对应的道路中心线合并,得到所述矢量面状道路的道路中心线。
10.根据权利要求9所述的系统,其特征在于,所述管理节点将所述矢量面状道路的路网数据切分成多个格网数据,包括:
所述管理节点根据预设格网大小,将待提取中心线的矢量面状道路的路网数据切分成多个格网数据,其中所述多个格网数据中相邻格网数据间有部分重叠。
11.根据权利要求9所述的系统,其特征在于,
所述管理节点还用于将切分成的所述多个格网数据存储至所述数据存储节点;
所述计算节点提取所述提取任务对应格网数据对应的道路中心线,包括:
所述计算节点根据所述提取任务,从所述数据存储节点获取所述提取任务对应的格网数据,提取所述提取任务对应的格网数据对应的道路中心线,并将所提取的道路中心线存储至所述数据存储节点;
所述管理节点将所述多个格网数据对应的道路中心线合并,得到所述矢量面状道路的道路中心线,包括:
所述管理节点从所述数据存储节点获取所述多个格网数据对应的道路中心线,将所述多个格网数据对应的道路中心线合并,得到所述矢量面状道路的道路中心线。
12.根据权利要求9-11中任一项所述的系统,其特征在于,
所述计算节点还用于:向所述管理节点反馈所述提取任务的执行状态;
所述管理节点将所述多个格网数据对应的道路中心线合并,得到所述矢量面状道路的道路中心线,包括:
所述管理节点根据所述多个格网数据的提取任务的执行状态,将提取任务已完成的多个格网数据对应的道路中心线合并,直至得到所述矢量面状道路的道路中心线。
13.一种服务器,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-8中任一项所述的方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310355244.0A CN116385878B (zh) | 2023-03-29 | 2023-03-29 | 道路中心线提取方法、分布式系统、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310355244.0A CN116385878B (zh) | 2023-03-29 | 2023-03-29 | 道路中心线提取方法、分布式系统、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385878A CN116385878A (zh) | 2023-07-04 |
CN116385878B true CN116385878B (zh) | 2023-10-20 |
Family
ID=86962968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310355244.0A Active CN116385878B (zh) | 2023-03-29 | 2023-03-29 | 道路中心线提取方法、分布式系统、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385878B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160706A (zh) * | 2015-06-03 | 2015-12-16 | 江西理工大学 | 一种单机多核环境下约束地形并行构建方法 |
CN112052547A (zh) * | 2020-09-04 | 2020-12-08 | 东南大学 | 一种基于人工智能的城市道路网络自动生成方法 |
CN112148812A (zh) * | 2019-06-26 | 2020-12-29 | 丰图科技(深圳)有限公司 | 提取道路中心线方法、装置、设备及其存储介质 |
CN112614206A (zh) * | 2020-12-14 | 2021-04-06 | 中国城市规划设计研究院 | 道路中心线提取方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113405558B (zh) * | 2020-02-29 | 2024-04-09 | 华为技术有限公司 | 自动驾驶地图的构建方法及相关装置 |
-
2023
- 2023-03-29 CN CN202310355244.0A patent/CN116385878B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160706A (zh) * | 2015-06-03 | 2015-12-16 | 江西理工大学 | 一种单机多核环境下约束地形并行构建方法 |
CN112148812A (zh) * | 2019-06-26 | 2020-12-29 | 丰图科技(深圳)有限公司 | 提取道路中心线方法、装置、设备及其存储介质 |
CN112052547A (zh) * | 2020-09-04 | 2020-12-08 | 东南大学 | 一种基于人工智能的城市道路网络自动生成方法 |
CN112614206A (zh) * | 2020-12-14 | 2021-04-06 | 中国城市规划设计研究院 | 道路中心线提取方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116385878A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10585948B2 (en) | Method and device for constructing spatial index of massive point cloud data | |
Suma et al. | Enabling next generation logistics and planning for smarter societies | |
CN110298553A (zh) | 一种基于gis的国土空间规划方法、系统和设备 | |
CN109446281B (zh) | 基于ArcGIS的在线智能制图系统构建方法、系统与制图方法 | |
CN112784002B (zh) | 一种虚拟场景生成方法、装置、设备和存储介质 | |
CN115563680A (zh) | 数字孪生对象处理方法以及系统 | |
CN110428386B (zh) | 地图网格合并方法、装置、存储介质、电子装置 | |
CN116628123B (zh) | 基于空间数据库的动态切片生成方法和系统 | |
CN111080171A (zh) | 一种基于物流调配算法的物流调配方法 | |
Ellul et al. | Investigating approaches to improving rendering performance of 3D city models on mobile devices | |
CN112528508A (zh) | 电磁可视化方法和装置 | |
CN110633843A (zh) | 园区巡检方法、装置、设备及存储介质 | |
CN113724279A (zh) | 路网自动划分交通小区的系统、方法、设备及存储介质 | |
CN111859187A (zh) | 基于分布式图数据库的poi查询方法、装置、设备及介质 | |
US20230267830A1 (en) | Traffic Data Warehouse Construction Method and Apparatus, Storage Medium, and Terminal | |
She et al. | 3D building model simplification method considering both model mesh and building structure | |
CN109345450B (zh) | 一种利用地理实体要素信息的影像镶嵌方法 | |
Chopade et al. | Real-time large-scale big data networks analytics and visualization architecture | |
CN116385878B (zh) | 道路中心线提取方法、分布式系统、服务器和存储介质 | |
CN112887910B (zh) | 异常覆盖区域的确定方法、装置和计算机可读存储介质 | |
Ali et al. | Enabling spatial digital twins: Technologies, challenges, and future research directions | |
CN115830578A (zh) | 应用于目标无人车辆的物品巡检方法、装置和电子设备 | |
CN112700464B (zh) | 地图信息的处理方法、装置、电子设备以及存储介质 | |
CN114398253A (zh) | 自动驾驶实车测试场景生成方法和系统 | |
CN115471509A (zh) | 一种图像处理方法、装置、设备及计算机可读存储介质 |
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 |