CN110647877B - 一种基于神经网络的立体交通设施定位纠偏方法及装置 - Google Patents

一种基于神经网络的立体交通设施定位纠偏方法及装置 Download PDF

Info

Publication number
CN110647877B
CN110647877B CN201911047384.1A CN201911047384A CN110647877B CN 110647877 B CN110647877 B CN 110647877B CN 201911047384 A CN201911047384 A CN 201911047384A CN 110647877 B CN110647877 B CN 110647877B
Authority
CN
China
Prior art keywords
traffic
neural network
vehicle
data
facility
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
Application number
CN201911047384.1A
Other languages
English (en)
Other versions
CN110647877A (zh
Inventor
沈亮
朱紫威
秦峰
王腾云
刘奋
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 CN201911047384.1A priority Critical patent/CN110647877B/zh
Publication of CN110647877A publication Critical patent/CN110647877A/zh
Application granted granted Critical
Publication of CN110647877B publication Critical patent/CN110647877B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供了一种基于神经网络的立体交通设施定位纠偏方法及装置，方法包括：将待纠偏数据输入训练好的多层前馈神经网络模型中，所述多层前馈神经网络模型是通过采集区域内大量的交通信号灯以及交通标志牌坐标数据作为训练样本训练得到的；计算真实交通设施坐标与车辆观测坐标的横轴与纵轴差异，并经过归一化因子逆变换后，输出纠偏后交通设施坐标数据。本发明实施例提供的方法，选取归一化后的车速、航向角、运动垂向距离、与车道线参照物的横向距离、观测位置坐标差异作为计算输入，可充分降低测量车辆之间的差异以及单车测量中的运动误差、观测角度影响以及测试噪声，极大提高交通设施的识别正确率与定位精度。

Description

一种基于神经网络的立体交通设施定位纠偏方法及装置
技术领域
本发明涉及地图服务技术领域，尤其涉及一种基于神经网络的立体交通设施定位纠偏方法及装置。
背景技术
在各种地图服务技术中，地图上交通设施(包括交通信号灯、交通标志牌等)的准确位置对地图导航、辅助驾驶有着重要的意义。
现有的立体交通设施定位方法主要是来自车载端，通过摄像头识别出交通标识，再耦合车载雷达检测出交通标识与车辆的相对位置，最后通过车载GPS或惯性导航设备获得车辆的绝对位置综合换算得出。
但交通设施的单次识别易受当前交通状态或天气状态影响，正确率达不到100％，而且由于车辆动态位置以及单车GPS定位差异以及交通设施的高程信息引起的距离换算差异，导致立体交通设施的绝对位置准确率较差。因此，现在亟需一种新的立体交通设施定位纠偏方法来解决上述问题。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种基于神经网络的立体交通设施定位纠偏方法及装置。
第一方面，本发明实施例提供一种基于神经网络的立体交通设施定位纠偏方法，包括：
将待纠偏数据输入训练好的多层前馈神经网络模型中，所述多层前馈神经网络模型是通过采集区域内大量的交通信号灯以及交通标志牌坐标数据作为训练样本训练得到的；
计算真实交通设施坐标与车辆观测坐标的横轴与纵轴差异，并经过归一化因子逆变换后，输出纠偏后交通设施坐标数据。
进一步，在所述将待纠偏数据输入训练好的多层前馈神经网络模型中之前，所述方法还包括：
构建训练样本集和多层前馈神经网络模型；
基于所述训练样本集，对所述多层前馈神经网络模型进行训练。
进一步，所述构建训练样本集，包括：
获取车辆所采集的特定区域大量的交通信号灯以及交通标志牌坐标数据；
根据所述特定区域大量的交通信号灯以及交通标志牌坐标数据，进行特征提取并标记真值；
挑选已匹配真实交通设施坐标的观测点数据作为所述训练样本集。
进一步，所述构建训练样本集，还包括：
对数据进行预处理，所述预处理包括将交通设施的坐标转化为高斯克吕格米坐标、按交通设施类别将数据分为交通信号灯集以及交通标志牌集、耦合车辆轨迹点，计算采集车观测位置对应的每个坐标的运动向量以及耦合车道线识别数据，计算采集车观测位置和交通设施位置与车道线的横向距离。
进一步，构建多层前馈神经网络模型，包括：
从原始数据和计算指标中选取模型输入和模型输出，其中，输入层神经元个数为m个，输出神经元个数为n个，隐层神经元个数选取使模型训练误差及测试误差最小的隐层神经元个数k个，m、n、k为预设自然数。
进一步，在所述将待纠偏数据输入训练好的多层前馈神经网络模型中之前，所述方法还包括：
对所述待纠偏数据进行数据归一化。
进一步，数据的特征至少包括：
归一化后的车速、航向角、运动垂向距离、与车道线参照物的横向距离、观测位置坐标差异。
第二方面，本发明实施例还提供一种基于神经网络的立体交通设施定位纠偏装置，包括：
输入模块，用于将待纠偏数据输入训练好的多层前馈神经网络模型中，所述多层前馈神经网络模型是通过采集区域内大量的交通信号灯以及交通标志牌坐标数据作为训练样本训练得到的；
输出模块，用于计算真实交通设施坐标与车辆观测坐标的横轴与纵轴差异，并经过归一化因子逆变换后，输出纠偏后交通设施坐标数据。
第三方面，本发明实施例提供了一种电子设备，包括：
处理器、存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述基于神经网络的立体交通设施定位纠偏方法。
第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述基于神经网络的立体交通设施定位纠偏方法。
本发明实施例提供的基于一种基于神经网络的立体交通设施定位纠偏方法及装置，选取归一化后的车速、航向角、运动垂向距离、与车道线参照物的横向距离、观测位置坐标差异作为计算输入，可充分降低测量车辆之间的差异以及单车测量中的运动误差、观测角度影响以及测试噪声，极大提高交通设施的识别正确率与定位精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于神经网络的立体交通设施定位纠偏方法流程示意图；
图2是本发明实施例提供的一种基于神经网络的立体交通设施定位纠偏装置结构示意图；
图3是本发明实施例提供的一种电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，当前交通设施的位置纠偏主要依赖采集车上的相机标定以及利用有针对性的相同规则多次采集结果消除偶然误差，或通过聚类获取中心的形式降低误差。
但在众包采集模式下，车载相机标定状态较差，采集过程呈现随机性特征，结果偏差>10m，直接对多次采集的交通设施点集聚类求均值，只能缓解随机性带来的偶然误差，无法实现有效纠偏。那么当前误差实质上主要来源于如下三方面：
1.相比地面车道线等标识，车载相机在识别交通信号灯以及交通标志牌时，目标都有一定高度。在相机预估相对位置时，高程与距离的耦合影响，导致相对距离误差较大；
2.交通设施相比车道线一般与车载相机横向距离较大，存在较大观测角度，有一定畸变，部分交通设施由于位置特殊，可观测区域较小，畸变更为严重；
3.车载相机识别交通设施时，受车辆运动状态影响明显，车辆运行速度、航向角以及相机安装高度都将影响单次立体交通设施的识别和定位。
针对现有技术的上述问题，本发明实施例提供一种基于神经网络的立体交通设施定位纠偏方法，图1是本发明实施例提供的一种基于神经网络的立体交通设施定位纠偏方法流程示意图，如图1所示，该方法包括：
101、将待纠偏数据输入训练好的多层前馈神经网络模型中，所述多层前馈神经网络模型是通过采集区域内大量的交通信号灯以及交通标志牌坐标数据作为训练样本训练得到的；
102、计算真实交通设施坐标与车辆观测坐标的横轴与纵轴差异，并经过归一化因子逆变换后，输出纠偏后交通设施坐标数据。
需要说明的是，本发明实施例针对交通设施定位误差偏大的问题，本专利提供了一种基于神经网络的交通设施定位纠偏方法。在众包模式下，可获得大量较低精度交通设施坐标数据。先将所得交通设施通过车端识别类别分为交通信号灯和交通标志牌两大类；然后耦合测量车的轨迹信息以及车道线信息，计算立体交通设施相应的观测指标；再通过预先标记的部分交通设施真实位置和传感器的测试数据，针对交通信号灯和交通标志牌两大类分别训练多层前馈神经网络模型；最后通过将其他传感器的测试结果输入至训练好的多层前馈神经网络中进行转换，获取该模型输出定位结果，即可实现低精度立体交通标识的定位纠偏。
那么在步骤101中，本发明实施例会将待待纠偏数据输入到训练好的多层前馈神经网络模型中，由于该模型已经训练好，故而可以在步骤102中自动完成计算过程，主要是计算真实交通设施坐标与车辆观测坐标的横轴与纵轴差异，并经过归一化因子逆变换后，输出纠偏后交通设施坐标数据，经过结果检测，纠偏准确率非常高。
本发明实施例提供的基于一种基于神经网络的立体交通设施定位纠偏方法，选取归一化后的车速、航向角、运动垂向距离、与车道线参照物的横向距离、观测位置坐标差异作为计算输入，可充分降低测量车辆之间的差异以及单车测量中的运动误差、观测角度影响以及测试噪声，极大提高交通设施的识别正确率与定位精度。
在上述实施例的基础上，在所述将待纠偏数据输入训练好的多层前馈神经网络模型中之前，所述方法还包括：
构建训练样本集和多层前馈神经网络模型；
基于所述训练样本集，对所述多层前馈神经网络模型进行训练。
可以理解的是，本发明实施例提供的多层前馈神经网络模型是预先训练好的模型，那么在实际使用之前，需要对模型进行构建并且构建相应的训练样本集。
在上述实施例的基础上，所述构建训练样本集，包括：
获取车辆所采集的特定区域大量的交通信号灯以及交通标志牌坐标数据；
根据所述特定区域大量的交通信号灯以及交通标志牌坐标数据，进行特征提取并标记真值；
挑选已匹配真实交通设施坐标的观测点数据作为所述训练样本集。
具体的构建训练样本集过程包括：
首先获取数据，车辆所采集的特定区域大量的交通信号灯以及交通标志牌坐标数据：包括交通设施经纬度坐标(sign_x,sign_y)、交通设施种类sign_type(交通信号灯或交通标志牌)、交通设施子类sign_property(限速牌或引导牌等用以分类的子类别)、对应的采集车观测位置坐标(obs_x,obs_y)、车速vehspd、航向角head_angle、时间戳time。
第i条数据形式如下：data_i＝[sign_x_i,sign_y_i,sign_type_i,sign_property_i,obs_x_i,obs_v_i,vehspd_i,head_angle_i,time_i],数据集DS＝[data_1,data_2,…,data_n]，将DS按车辆、时间的顺序排序。
然后对特征进行提取，具体为：计算观测交通设施坐标与车辆观测坐标的差值:
δx＝sign_x-obs_x
δy＝sign_y-obs_y
车辆运动向量std_vector(x,y)与交通设施的观测角：
sign_vector＝(δx,δy)
θ＝acrcos(std_vector(x,y)*sign_vector/(|std_vector(x,y)||sign_vector|))；
接着，标记真值：首先获取某测试区域的交通设施真值坐标点集(real_x,real_y)，再从所有数据中选取包含交通设置真值区域数据作为训练数据data_train，其他数据作为测试数据data_test，针对训练数据data_train中交通设施预测位置(sign_x,sign_y)通过DBSCAN进行基于密度的形式聚类，聚类半径eps为n1米，通过该方法将距离小于n1米的交通设置都归为一类，由此可得交通设施预估类别M：{M1,M2…Mn}；
在基于密度DBSCAN聚类所得交通设施类别M{M1,M2…Mn}中，统计交通设施种类sign_type和交通设施子类sign_property种类总数k:{k1,k2…kn}；
然后，通过kMeans聚类算法，循环遍历M_i类别，划分为k_i个子类，并求得相应的聚类中心(k_mean_x,k_mean_y)；
遍历聚类核心点集，在交通设施真值坐标点集(real_x,real_y)中求取最短距离dis_j对应交通设施real_j。距离按欧式距离求得：
Dis_j＝min(pow((k_mean_x–real_x_j)^2+(k_mean_y–real_y_i)^2,0.5))
最短距离小于m米的认为匹配良好，可将该聚类中心所对应所有聚类点的路牌真值都设为(real_x_j,real_y_j)作为训练路牌坐标真值；
最后，挑选已匹配真实交通设施坐标的观测点数据包括车速vehspd、航向角head_angle，以及指标数据，包括数据交通设施与观测点运动向量垂向距离vertical_sign、采集车运动向量采集车观测位置与车道线的横向距离cross_veh、观测交通设施位置与车道线的横向距离cross_sign、车辆与交通设施的观测角θ、观测交通设施坐标与车辆观测坐标差异δx、δy。
计算真实交通设施坐标与车辆观测坐标的横轴和纵轴差异δx_real、δy_real如下给出：
δx_real＝real_x–obs_x；
δy_real＝real_y–obs_y；
完成训练集的构建。
在上述各实施例的基础上，所述构建训练样本集还包括：
对数据进行预处理，所述预处理包括将交通设施的坐标转化为高斯克吕格米坐标、按交通设施类别将数据分为交通信号灯集以及交通标志牌集、耦合车辆轨迹点，计算采集车观测位置对应的每个坐标的运动向量以及耦合车道线识别数据，计算采集车观测位置和交通设施位置与车道线的横向距离。
优选的，本发明实施例会对训练样本集的数据进行预处理，预处理包括：
将交通设施的经纬度坐标转化为高斯克吕格米坐标(sign_x,sign_y)；按交通设施类别sign_type，将数据分为交通信号灯集以及交通标志牌集；
耦合车辆轨迹点，计算采集车观测位置对应的每个坐标的运动向量：
vector(x,y)＝((obs_x_i+1–obs_x_i-1)/2,(obs_y_i+1–obs_y_i-1)/2)；
std_vector(x,y)＝vector(x,y)/|vector(x,y)|
按时间给采集车轨迹点排序，中间差分方式求得当前点的运动向量，并除上向量的模进行标准化。对于相邻轨迹跨区域的轨迹点，运动向量视同附近点；
计算出交通设施与观测点运动向量垂向距离vertical_sign。
通过处理摄像头车道线数据，获取车道线向量；耦合同一帧图片中，车辆坐标和交通设施坐标与车道线的相对位置，计算与车道线的横向距离cross_veh，cross_sign；
上述距离计算，均通过先将向量和确定点转化为直线方程，再计算直线外点与直线的距离，参见：d＝|Ax+By+C|/pow(A*A+B*B,0.5)。
在上述各实施例的基础上，构建多层前馈神经网络模型，包括：
从原始数据和计算指标中选取模型输入和模型输出，其中，输入层神经元个数为m个，输出神经元个数为n个，隐层神经元个数选取使模型训练误差及测试误差最小的隐层神经元个数k个，m、n、k为预设自然数。
具体的，取模型输入[vehspd,head_angle,vertical_sign,cross_veh,cross_sign,δx,δy]；选取模型分别输出[δx_real]、[δy_real]；[δx_real]、[δy_real]表示真实交通设施坐标与车辆观测坐标的横轴与纵轴差异；输入层神经元个数为[7]个，输出神经元个数为[1]个，隐层神经元个数在[7,21]个之间计算模型训练误差及测试误差，选取误差最小隐层神经元个数k个。
在上述各实施例的基础上，在所述将待纠偏数据输入训练好的多层前馈神经网络模型中之前，所述方法还包括：
对所述待纠偏数据进行数据归一化。
针对所有数据信号，采用如下线性转换将训练集归一化：
y＝(x-min)/(max-min)；
并记录每个信号的归一化因子para以备后续逆变换。
在上述各实施例的基础上，数据的特征至少包括：
归一化后的车速、航向角、运动垂向距离、与车道线参照物的横向距离、观测位置坐标差异。
将数据导入所得神经网络模型，计算得出真实交通设施坐标与车辆观测坐标横轴差异δx_real以及纵轴差异δy_real。
通过中归一化因子para逆变换后，叠加车辆观测坐标(obs_x,obs_y)可得纠偏后交通设施坐标数据(sign_pre_x,sign_pre_y)。
sign_pre_x＝obs_x+para_x*δx_real；
sign_pre_y＝obs_y+para_y*δy_real，输出最终结果。
图2是本发明实施例提供的一种基于神经网络的立体交通设施定位纠偏装置结构示意图，如图2所示，包括：输入模块201和输出模块202，其中：
输入模块201用于将待纠偏数据输入训练好的多层前馈神经网络模型中，所述多层前馈神经网络模型是通过采集区域内大量的交通信号灯以及交通标志牌坐标数据作为训练样本训练得到的；
输出模块202用于计算真实交通设施坐标与车辆观测坐标的横轴与纵轴差异，并经过归一化因子逆变换后，输出纠偏后交通设施坐标数据。
具体的如何通过输入模块201和输出模块202可用于执行图1所示的一种神经网络的立体交通设施定位纠偏方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本发明实施例提供的一种基于神经网络的立体交通设施定位纠偏装置，选取归一化后的车速、航向角、运动垂向距离、与车道线参照物的横向距离、观测位置坐标差异作为计算输入，可充分降低测量车辆之间的差异以及单车测量中的运动误差、观测角度影响以及测试噪声，极大提高交通设施的识别正确率与定位精度。
在上述各实施例的基础上，所述装置还用于：
构建训练样本集和多层前馈神经网络模型；
基于所述训练样本集，对所述多层前馈神经网络模型进行训练。
在上述实施例的基础上，所述构建训练样本集，包括：
获取车辆所采集的特定区域大量的交通信号灯以及交通标志牌坐标数据；
根据所述特定区域大量的交通信号灯以及交通标志牌坐标数据，进行特征提取并标记真值；
挑选已匹配真实交通设施坐标的观测点数据作为所述训练样本集。
在上述各实施例的基础上，所述构建训练样本集，还包括：
对数据进行预处理，所述预处理包括将交通设施的坐标转化为高斯克吕格米坐标、按交通设施类别将数据分为交通信号灯集以及交通标志牌集、耦合车辆轨迹点，计算采集车观测位置对应的每个坐标的运动向量以及耦合车道线识别数据，计算采集车观测位置和交通设施位置与车道线的横向距离。
在上述各实施例的基础上，构建多层前馈神经网络模型，包括：
从原始数据和计算指标中选取模型输入和模型输出，其中，输入层神经元个数为m个，输出神经元个数为n个，隐层神经元个数选取使模型训练误差及测试误差最小的隐层神经元个数k个，m、n、k为预设自然数。
在上述各实施例的基础上，在所述将待纠偏数据输入训练好的多层前馈神经网络模型中之前，所述方法还包括：
对所述待纠偏数据进行数据归一化。
在上述各实施例的基础上，数据的特征至少包括：
归一化后的车速、航向角、运动垂向距离、与车道线参照物的横向距离、观测位置坐标差异。
图3是本发明实施例提供的一种电子设备的结构框图，参照图3，所述电子设备，包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和总线304，其中，处理器301，通信接口302，存储器303通过总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行如下方法：将待纠偏数据输入训练好的多层前馈神经网络模型中，所述多层前馈神经网络模型是通过采集区域内大量的交通信号灯以及交通标志牌坐标数据作为训练样本训练得到的；计算真实交通设施坐标与车辆观测坐标的横轴与纵轴差异，并经过归一化因子逆变换后，输出纠偏后交通设施坐标数据。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的基于神经网络的立体交通设施定位纠偏方法，例如包括：将待纠偏数据输入训练好的多层前馈神经网络模型中，所述多层前馈神经网络模型是通过采集区域内大量的交通信号灯以及交通标志牌坐标数据作为训练样本训练得到的；计算真实交通设施坐标与车辆观测坐标的横轴与纵轴差异，并经过归一化因子逆变换后，输出纠偏后交通设施坐标数据。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的基于神经网络的立体交通设施定位纠偏方法，例如包括：将待纠偏数据输入训练好的多层前馈神经网络模型中，所述多层前馈神经网络模型是通过采集区域内大量的交通信号灯以及交通标志牌坐标数据作为训练样本训练得到的；计算真实交通设施坐标与车辆观测坐标的横轴与纵轴差异，并经过归一化因子逆变换后，输出纠偏后交通设施坐标数据。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行每个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于神经网络的立体交通设施定位纠偏方法，其特征在于，包括：
根据车辆采集特定区域的观测交通设施坐标、交通设施种类、交通设施子类、对应的采集车观测位置坐标、车速、航向角、时间戳，计算得到车速、航向角、交通设施与观测点运动向量垂向距离、与车道线参照物的横向距离、交通设施经纬度坐标与采集车观测位置坐标的差值作为输入，将真实交通设施坐标与车辆观测坐标做差得到的横轴差异和纵轴差异作为输出，最后训练多层前馈神经网络，得到训练好的多层前馈神经网络模型；
将待纠偏数据输入训练好的多层前馈神经网络模型中；待纠偏数据的特征至少包括：归一化后的车速、航向角、交通设施与观测点运动向量垂向距离、与车道线参照物的横向距离、交通设施经纬度坐标与采集车观测位置坐标的差值；
多层前馈神经网络模型计算真实交通设施坐标与车辆观测坐标的横轴与纵轴差异，并经过归一化因子逆变换后，输出纠偏后交通设施坐标数据。
2.根据权利要求1所述的基于神经网络的立体交通设施定位纠偏方法，其特征在于，在所述将待纠偏数据输入训练好的多层前馈神经网络模型中之前，所述方法还包括：
构建训练样本集和多层前馈神经网络模型；
基于所述训练样本集，对所述多层前馈神经网络模型进行训练。
3.根据权利要求2所述的基于神经网络的立体交通设施定位纠偏方法，其特征在于，所述构建训练样本集，包括：
获取车辆所采集的特定区域大量的交通信号灯以及交通标志牌坐标数据；
根据所述特定区域大量的交通信号灯以及交通标志牌坐标数据，进行特征提取并标记真值；
挑选已匹配真实交通设施坐标的观测点数据作为所述训练样本集。
4.根据权利要求3所述的基于神经网络的立体交通设施定位纠偏方法，其特征在于，所述构建训练样本集，还包括：
对数据进行预处理，所述预处理包括将交通设施的坐标转化为高斯克吕格米坐标、按交通设施类别将数据分为交通信号灯集以及交通标志牌集、耦合车辆轨迹点，计算采集车观测位置对应的每个坐标的运动向量以及耦合车道线识别数据，计算采集车观测位置和交通设施位置与车道线的横向距离。
5.根据权利要求3所述的基于神经网络的立体交通设施定位纠偏方法，其特征在于，构建多层前馈神经网络模型，包括：
从原始数据和计算指标中选取模型输入和模型输出，其中，输入层神经元个数为m个，输出神经元个数为n个，隐层神经元个数选取使模型训练误差及测试误差最小的隐层神经元个数k个，m、n、k为预设自然数。
6.一种基于神经网络的立体交通设施定位纠偏装置，其特征在于，包括：
训练模块，用于根据车辆采集特定区域的观测交通设施坐标、交通设施种类、交通设施子类、对应的采集车观测位置坐标、车速、航向角、时间戳，计算得到车速、航向角、交通设施与观测点运动向量垂向距离、与车道线参照物的横向距离、交通设施经纬度坐标与采集车观测位置坐标的差值作为输入，将真实交通设施坐标与车辆观测坐标做差得到的横轴差异和纵轴差异作为输出，最后训练多层前馈神经网络，得到训练好的多层前馈神经网络模型；
输入模块，用于将待纠偏数据输入训练好的多层前馈神经网络模型中；待纠偏数据的特征至少包括：归一化后的车速、航向角、交通设施与观测点运动向量垂向距离、与车道线参照物的横向距离、交通设施经纬度坐标与采集车观测位置坐标的差值；
输出模块，用于多层前馈神经网络模型计算真实交通设施坐标与车辆观测坐标的横轴与纵轴差异，并经过归一化因子逆变换后，输出纠偏后交通设施坐标数据。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的基于神经网络的立体交通设施定位纠偏方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于神经网络的立体交通设施定位纠偏方法。
CN201911047384.1A 2019-10-30 2019-10-30 一种基于神经网络的立体交通设施定位纠偏方法及装置 Active CN110647877B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911047384.1A CN110647877B (zh) 2019-10-30 2019-10-30 一种基于神经网络的立体交通设施定位纠偏方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911047384.1A CN110647877B (zh) 2019-10-30 2019-10-30 一种基于神经网络的立体交通设施定位纠偏方法及装置

Publications (2)

Publication Number Publication Date
CN110647877A CN110647877A (zh) 2020-01-03
CN110647877B true CN110647877B (zh) 2022-11-25

Family

ID=68995198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911047384.1A Active CN110647877B (zh) 2019-10-30 2019-10-30 一种基于神经网络的立体交通设施定位纠偏方法及装置

Country Status (1)

Country Link
CN (1) CN110647877B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860319B (zh) 2020-07-20 2024-03-26 阿波罗智能技术(北京)有限公司 车道线的确定方法、定位精度的评测方法、装置、设备
CN113758492A (zh) * 2020-09-16 2021-12-07 北京京东叁佰陆拾度电子商务有限公司 地图检测方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101308743B1 (ko) * 2012-05-31 2013-09-16 주식회사 동운 지형물의 기준점 설정 위치별 이미지의 공간영상도화용 오차보정시스템
CN204791557U (zh) * 2015-05-28 2015-11-18 付云飞 一种汽车导航检测重定位***
CN107357894A (zh) * 2017-07-13 2017-11-17 杭州智诚惠通科技有限公司 一种道路交通设施数据采集纠偏方法及***
CN107703528A (zh) * 2017-09-25 2018-02-16 武汉光庭科技有限公司 自动驾驶中结合低精度gps的视觉定位方法及***
KR101921429B1 (ko) * 2017-11-10 2018-11-22 한국항공우주연구원 정밀지도 제작 방법 및 정밀지도 제작 시스템
CN108872932A (zh) * 2018-05-03 2018-11-23 中国人民解放军战略支援部队信息工程大学 基于神经网络的超视距目标直接定位结果纠偏方法
CN109583409A (zh) * 2018-12-07 2019-04-05 电子科技大学 一种面向认知地图的智能车定位方法及***
CN110174686A (zh) * 2019-04-16 2019-08-27 百度在线网络技术（北京）有限公司 一种众包地图中gnss位置与图像的匹配方法、装置及***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101308743B1 (ko) * 2012-05-31 2013-09-16 주식회사 동운 지형물의 기준점 설정 위치별 이미지의 공간영상도화용 오차보정시스템
CN204791557U (zh) * 2015-05-28 2015-11-18 付云飞 一种汽车导航检测重定位***
CN107357894A (zh) * 2017-07-13 2017-11-17 杭州智诚惠通科技有限公司 一种道路交通设施数据采集纠偏方法及***
CN107703528A (zh) * 2017-09-25 2018-02-16 武汉光庭科技有限公司 自动驾驶中结合低精度gps的视觉定位方法及***
KR101921429B1 (ko) * 2017-11-10 2018-11-22 한국항공우주연구원 정밀지도 제작 방법 및 정밀지도 제작 시스템
CN108872932A (zh) * 2018-05-03 2018-11-23 中国人民解放军战略支援部队信息工程大学 基于神经网络的超视距目标直接定位结果纠偏方法
CN109583409A (zh) * 2018-12-07 2019-04-05 电子科技大学 一种面向认知地图的智能车定位方法及***
CN110174686A (zh) * 2019-04-16 2019-08-27 百度在线网络技术（北京）有限公司 一种众包地图中gnss位置与图像的匹配方法、装置及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"智能高精地图数据逻辑结构与关键技术";刘经南等;《测绘学报》;20190831;939-953页 *

Also Published As

Publication number Publication date
CN110647877A (zh) 2020-01-03

Similar Documents

Publication Publication Date Title
US10061993B2 (en) Warning method of obstacles and device of obstacles
CN108492564B (zh) 基于路网匹配测量高速公路车辆行驶速度的方法及***
CN106969764B (zh) 一种道路匹配方法、装置及车载地图采集***
Zhangyu et al. A camera and LiDAR data fusion method for railway object detection
CN109115231B (zh) 一种车辆定位方法、设备及自动驾驶车辆
CN112132896B (zh) 一种轨旁设备状态检测方法及***
CN106970387A (zh) 一种基于ais与雷达数据融合的内河航道交通流检测方法
Wang et al. A train positioning method based-on vision and millimeter-wave radar data fusion
Gikas et al. A novel geodetic engineering method for accurate and automated road/railway centerline geometry extraction based on the bearing diagram and fractal behavior
CN115717894B (zh) 一种基于gps和普通导航地图的车辆高精度定位方法
CN108562885B (zh) 一种高压输电线路机载LiDAR点云提取方法
CN110647877B (zh) 一种基于神经网络的立体交通设施定位纠偏方法及装置
CN111435088A (zh) 一种道路匹配方法、装置、电子设备及存储介质
CN113316706A (zh) 路标位置估计设备和方法以及存储被编程为执行该方法的计算机程序的计算机可读记录介质
CN110018503B (zh) 车辆的定位方法及定位***
CN114639085A (zh) 交通信号灯识别方法、装置、计算机设备和存储介质
Feng et al. Magnetic sensor-based multi-vehicle data association
CN112926630B (zh) 路线规划方法、装置、电子设备以及计算机可读介质
CN114511080A (zh) 一种模型构建方法、装置以及异常轨迹点实时检测方法
CN110927765B (zh) 激光雷达与卫星导航融合的目标在线定位方法
CN112085034A (zh) 一种基于机器视觉的轨道交通列车定位方法及***
CN111832365A (zh) 车道标记确定方法及装置
CN115456060A (zh) 一种预测轨迹的处理方法和装置
CN112861701A (zh) 违章停车识别方法、装置、电子设备以及计算机可读介质
Zhang et al. Low-cost realtime horizontal curve detection using inertial sensors of a smartphone

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