买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:武汉大学
摘要:本发明公开了一种融合车载图像语义的车辆轨迹地图匹配方法,首先提出了一种基于隐马尔可夫模型的多路径输出算法,能够根据当前轨迹数据的时空特征,提取包含车辆真实行驶轨迹在内的多条候选轨迹;其次构建卷积神经网络模型,从车载图像中提取用于识别垂直平行路和水平平行路的语义信息,并且设计车载图像语义的量化方法;最后基于熵权法,通过量化后的车载图像语义实现候选轨迹的综合评价,并且提取最大似然的候选轨迹作为车辆轨迹的地图匹配结果。本发明促进了车载图像与地图匹配算法的有效融合,能够有效提高高精度地图众包数据的利用率和价值,为高精度地图众包车辆轨迹数据的位置校正以及高精度地图的高时效性更新提供方法支撑。
主权项:1.一种融合车载图像语义的车辆轨迹地图匹配方法,其特征在于,包括如下步骤:步骤1,基于隐马尔可夫模型的多路径输出算法,求解当前轨迹可能行驶的多条候选轨迹;步骤1的具体实现方式如下:步骤1.1,车辆轨迹数据预处理,首先需要根据车辆id对车辆轨迹进行分组,随后根据采集时间对车辆轨迹数据排序,再者根据相邻原始轨迹记录之间的直线距离和时间间隔计算直线速度,以城市最大限速Nkmh作为阈值筛查异常点,并在异常点出现位置将轨迹数据打断;步骤1.2,城市道路数据预处理,首先确保路网数据中不存在一个节点仅关联两条道路的情况,如果存在则将这两条道路合并为同一条道路;其次采用R*树空间索引对道路数据中路段的空间信息进行缓存,采用红黑树属性索引对道路数据中的节点、道路及路段属性信息进行缓存,以方便方法对数据进行空间及属性检索的需要;此外,通过节点和道路数据构建于A*最短路径算法的带权有向图;步骤1.3,依次遍历每一个轨迹点,如果不存在下一个轨迹点,则进入步骤1.9;步骤1.4,获取当前轨迹点的候选路段,以当前轨迹点为中心,以一定范围为半径,通过步骤1.2中构建的空间索引,查询范围内的所有路段作为当前轨迹点的候选路段,首先判断轨迹点的行驶方向与候选路段行驶方向之间的夹角,如果角度超过M°则抛弃当前候选路段;对于满足条件的每一条候选路段,按照公式1计算当前轨迹点与候选路段之间的点线关系函数;按照公式2计算当前轨迹点在候选路段上的候选点; x=x1+r*x2-x1;y=y1+r*y2-y12其中A和B为路段的起点和止点,x1,y1和x2,y2分别为起点和止点的坐标,P为当前轨迹点,x,y为当前轨迹点的坐标;步骤1.5,对候选路段进行筛选和分组,如果由步骤1.4计算的点线关系函数值r∈[0,1],则将当前候选路段上的候选点添加到候选集,并记录当前候选点所在的道路至候选道路ID集;如果r∈[-ε,0∪1,1+ε]且轨迹点与候选点之间的距离小于一定阈值,则将当前候选路段上的候选点添加到备选集,其中ε为点线关系函数的容许的范围值;其他候选点将被抛弃;步骤1.6,挑选备选集中的关键候选点到候选集,如果备选集中的某个候选点关联的所有道路ID均没有出现在步骤1.5的候选道路ID集中,则将当前候选点添加至候选集,并将当前候选点关联的所有道路ID均添加到候选道路ID集中;如果关联的所有道路ID出现在候选道路ID集中,则对比两个候选点与轨迹点之间的距离,仅在候选集中保留距离最短的一个候选点,另一个候选点移至备选集;关联道路的计算方法如下:备选集中的所有候选点均为路段的端点,端点关联的所有路段的道路ID即为当前候选点的关联道路ID;步骤1.7,采用Viterbi算法计算当前所有候选点的观测概率与转移概率;步骤1.8,如果Viterbi算法中返回的候选结果集和备选结果集为空,则转至步骤1.9,否则记录当前轨迹点的候选结果集和备选结果集,将其作为下一个轨迹点的前序候选集和前序备选集,转至步骤1.3;步骤1.9,递归求解与候选点筛选,对于当前轨迹点保留的每一个候选点,依次递归其前序候选点,将得到的候选点链翻转,即可得到当前候选点途径的候选轨迹;对每条候选轨迹而言,以第二个候选点至倒数第二个候选点之间的途径道路ID链作为唯一标识,对所有候选点进行过滤,如果存在两个候选点拥有相同标识,则只保留概率得分最高的一条;步骤1.10,轨迹拼接,如果结果集为空,则将当前求解的所有候选轨迹添加到结果集;否则,将当前求解的候选轨迹与保存在结果集中的轨迹进行拼接:以当前求解的候选轨迹为准,在结果集中寻找最后一个候选点与当前候选轨迹的第一个候选点在同一条路上的候选轨迹,将其与当前的候选轨迹进行拼接;如果不存在上述情况,则在结果集中选择最后一个候选点与当前候选轨迹的第一个候选点之间距离最近的候选轨迹,将其与当前的候选轨迹进行拼接;保留拼接后的结果即为当前轨迹点求解的多路径输出结果;步骤1.11,如果仍存在轨迹点未遍历,则清空当前记录的候选结果集和备选结果集,转至步骤1.3;否则,多路径输出算法求解完成,转至步骤2;步骤2,车载图像语义提取与量化,具体包括采用卷积神经网络对车载图像进行场景模式分类,对车载图像中的车道数进行识别,对车载图像中出现的导流线进行识别;步骤3,基于熵权法,通过量化后的车载图像语义实现候选轨迹的综合评价,并且提取最大似然的候选轨迹作为车辆轨迹的地图匹配结果。
全文数据:
权利要求:
百度查询: 武汉大学 一种融合车载图像语义的车辆轨迹地图匹配方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。