CN110906940A - 一种基于轨迹方向的车道边线聚合方法 - Google Patents
一种基于轨迹方向的车道边线聚合方法 Download PDFInfo
- Publication number
- CN110906940A CN110906940A CN201911026989.2A CN201911026989A CN110906940A CN 110906940 A CN110906940 A CN 110906940A CN 201911026989 A CN201911026989 A CN 201911026989A CN 110906940 A CN110906940 A CN 110906940A
- Authority
- CN
- China
- Prior art keywords
- track
- points
- point
- line
- clustering
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于轨迹方向的车道线聚合方法,包括:以相邻两个轨迹点之间的轨迹线段为中心,根据设定宽度生成轨迹线段的缓冲区;将各个轨迹线段的缓冲区组合生成缓冲区列表,根据轨迹点是否在缓冲区列表中判断保留或者抛弃轨迹点,根据各个保留的轨迹点生成参考轨迹;将参考轨迹中的轨迹点向两侧延伸生成扫描线段,对同一扫描线段与原始车道线的交点做聚类生成各个聚类点,对各个聚类点进行归类后拟合成线,得到车道线的聚合结果。在大量轨迹中抽取特征方向的轨迹,能够避免大量原始轨迹参与计算,提高了计算效率;引入轨迹扫描线和车道边线的交点作为新的聚类元素,使最终生成的车道形状尤其是杂线和弯道的车道形状符合实际情况。
Description
技术领域
本发明涉及高精度地图产生领域,尤其涉及一种基于轨迹方向的车道边线聚合方法。
背景技术
高精度电子地图信息至少要以车道实体为抽象对象,能够描述以车道为主体的各个数据元素之间的关系,目前为了生成高精度地图中的车道边线数据,需要对大量从车端上传的车道边线矢量数据做聚合。
现有技术中对车道边线矢量数据做聚合比较常用的方法是对线段做聚合,但是该方法对杂线和弯道的处理效果不够好,聚合后的车道线方向变化较大,和实际的车道线形状不符。
发明内容
本发明针对现有技术中存在的技术问题,提供一种基于轨迹方向的车道线聚合方法及***,解决现有技术中对杂线和弯道难以得到符合实际形状车道线的问题。
本发明解决上述技术问题的技术方案如下:一种基于轨迹方向的车道线聚合方法,包括:
步骤1,以相邻两个轨迹点之间的轨迹线段为中心,根据设定宽度生成各个所述轨迹线段的缓冲区;
步骤2,将各个所述轨迹线段的缓冲区组合生成缓冲区列表,遍历所有所述轨迹点,根据所述轨迹点是否在所述缓冲区列表中判断保留或者抛弃所述轨迹点,根据各个保留的所述轨迹点生成参考轨迹;
步骤3,将所述参考轨迹中的所述轨迹点向两侧延伸生成扫描线段,对同一所述扫描线段与原始车道线的交点做聚类生成各个聚类点,对各个所述聚类点进行归类后拟合成线,得到所述车道线的聚合结果。
本发明的有益效果是:在原有的车道边线数据输入的基础上,增加轨迹线数据的输入,以轨迹方向来辅助车道线聚合,消除了其他方向的干扰;在大量轨迹中抽取特征方向的轨迹,来代表其他轨迹的方向,最终抽取出来的轨迹用于道路方向的参考,能够避免大量原始轨迹参与计算,提高了计算效率;引入轨迹扫描线和车道边线的交点作为新的聚类元素,以扫描线横向距离作为特征,沿轨迹方向实现车道线形状的聚类生成,使最终生成的车道形状尤其是杂线和弯道的车道形状符合实际情况。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述步骤1生成所述轨迹线段的缓冲区之前还包括:对输入的所述原始车道线和轨迹进行区域划分;
对各个划分区域按照所述步骤1-步骤3中的方法分别进行车道线聚合后,合并各个所述划分区域的车道线。
进一步,进行区域划分的过程包括:
以经纬度为单位进行划分,对各个所述划分区域进行编号;
对于任意所述轨迹点,所述轨迹点与其相邻的轨迹点均在同一所述划分区域时,保留所述轨迹点所在划分区域的编号;所述轨迹点与其任一相邻的轨迹点不在同一所述划分区域内时,保留所述轨迹点所在及相邻的所述划分区域的编号;
对于任意所述原始车道线,所述原始车道线在一个所述划分区域时,保留所述原始车道线所在所述划分区域的编号;所述原始车道线跨区时,保留所述原始车道线所在各个所述划分区域的编号。
进一步,合并各个所述划分区域的车道线的过程包括:遍历各个所述划分区域边界的车道线起点和终点,在相邻所述划分区域的车道线的起点和终点中查找到距离相近和角度相似的点时,把两条车道线连接在一起。
进一步,所述步骤1中生成的所述轨迹线段的缓冲区为以所述轨迹线段为中心线,宽度为设定宽度,长度与所述轨迹线段相等的四边形。
进一步,所述步骤2中遍历所有所述轨迹点的过程包括:
按时间顺序遍历所述轨迹点,如果所述轨迹点在所述缓冲区列表中则抛弃所述轨迹点,如果所述轨迹点不在所述缓冲区列表中,则把所述轨迹点与其前一个轨迹点组成的所述轨迹线段的缓冲区加入所述缓冲区列表中。
进一步,判断任一所述轨迹点是否在所述缓冲区列表中包括:遍历所述缓冲区列表,判断所述轨迹点是否在任一所述缓冲区的范围内且所述轨迹点的方向与所述缓冲区的方向是否一致;所述轨迹点的方向为所述轨迹点的前一轨迹点到所述轨迹点的所述轨迹线段的方向;所述缓冲区的方向与轨迹的方向一致。
进一步,判断所述轨迹点是否在任一所述缓冲区的范围内包括:从所述轨迹点作垂直于轨迹方向的任一方向的射线,如果所述射线与所述缓冲区的交点数为奇数,则判定所述轨迹点在所述缓冲区内部;如果所述射线与所述缓冲区的交点数为偶数,则判定所述轨迹点在所述缓冲区外部。
进一步,所述步骤3中生成各个聚类点的过程包括:判断所述扫描线段与所述原始车道线的交点个数是否超过设定个数,是,采用MeanShift聚类方法对所述交点进行聚类,否,使用DBSCAN聚类方法对所述交点进行聚类。
进一步,所述步骤3中对各个聚类点进行归类的过程包括:
沿着所述参考轨迹的方向,将横向距离变化小于设定的距离阈值的所述聚类点归为一类,所述横向距离为所述聚类点与所述扫描线段起点的距离。
采用上述进一步方案的有益效果是:
对输入的原始车道线和轨迹进行区域划分,按照各个划分区域分别对车道线聚合后,合并各个划分区域的车道线,把计算局限在各个划分区域之内,降低计算量和内存使用,而且便于各区域并行计算,提高性能。
通过判断扫描线段与原始车道线的交点个数与设定个数的大小选择用不同的聚类方法,可以兼顾性能和精确性。
附图说明
图1为本发明提供的一种基于轨迹方向的车道线聚合方法的流程图;
图2为本发明提供的一种基于轨迹方向的车道线聚合方法的实施例的流程图;
图3为本发明实施例提供的分区后的轨迹的示意图;
图4为本发明实施例提供的缓冲区列表的示意图;
图5为本发明实施例提供的交点和聚类点的示意图;
图6为本发明实施例提供的生成拟合线的示意图;
图7为本发明实施例提供的杂线去除效果图;
图8为本发明实施例提供的杂弯道生成效果图。
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所示为本发明提供的一种基于轨迹方向的车道线聚合方法的流程图,由图1可知,该方法包括:
步骤1,以相邻两个轨迹点之间的轨迹线段为中心,根据设定宽度生成各个轨迹线段的缓冲区。
轨迹是由多个时间连续的轨迹点组成,每两个连续的轨迹点就可以连成线段,轨迹可以看成这些线段的集合。
步骤2,将各个轨迹线段的缓冲区组合生成缓冲区列表,遍历所有轨迹点,根据轨迹点是否在该缓冲区列表中判断保留或者抛弃该轨迹点,根据各个保留的轨迹点生成参考轨迹。
各个轨迹线段各自形成的缓冲区合在一起组成缓冲区列表。
步骤3,将参考轨迹中的轨迹点向两侧延伸生成扫描线段,对同一扫描线段与原始车道线的交点做聚类生成各个聚类点,对各个聚类点进行归类后拟合成线,得到车道线的聚合结果。
本发明提供的一种基于轨迹方向的车道线聚合方法,在原有的车道边线数据输入的基础上,增加轨迹线数据的输入,以轨迹方向来辅助车道线聚合,消除了其他方向的干扰;在大量轨迹中抽取特征方向的轨迹,来代表其他轨迹的方向,最终抽取出来的轨迹用于道路方向的参考,能够避免大量原始轨迹参与计算,提高了计算效率;引入轨迹扫描线和车道边线的交点作为新的聚类元素,以扫描线横向距离作为特征,沿轨迹方向实现车道线形状的聚类生成,使最终生成的车道形状尤其是杂线和弯道的车道形状符合实际情况。
实施例1
本发明提供的实施例1为本发明提供的一种基于轨迹方向的车道线聚合方法的实施例,如图2所示为本发明提供的一种基于轨迹方向的车道线聚合方法的实施例的流程图,由图2可知,本实施例中,生成轨迹线段的缓冲区之前还包括:对输入的原始车道线和轨迹进行区域划分,按照各个划分区域分别对车道线聚合后,合并各个划分区域的车道线。
具体的,该区域划分的过程包括:以经纬度为单位进行划分,对各个划分区域进行编号。
对于任意轨迹点,该轨迹点与其相邻的轨迹点均在同一划分区域时,保留该轨迹点所在划分区域的编号;该轨迹点与其任一相邻的轨迹点不在同一划分区域内时,保留该轨迹点所在及相邻的划分区域的编号。对于任意原始车道线,该原始车道线在一个划分区域时,保留该原始车道线所在划分区域的编号;该原始车道线跨区时,保留该原始车道线所在各个划分区域的编号。便于在最后做多划分区域的接续。
具体的,以经纬度为单位进行划分时,将180°对半划分13次得到单个划分区域的范围,即单个划分范围的经纬度范围是180°/213=0.02197265625°。在纬度为30度的中国中部地区,该区域实际宽度为2108米。根据该划分区域的方式,全世界可以划分成213*214个固定的区域,每个区域可以根据经度方向的序号和纬度方向的序号合成一个区域编号。
合并各个划分区域的车道线的过程包括:遍历各个划分区域边界的车道线起点和终点,在相邻划分区域的车道线的起点和终点中查找到距离相近和角度相似的点时,把两条车道线连接在一起。
如图3所示为本发明实施例提供的分区后的轨迹的示意图,进行区域划分后可以把计算局限在区域之内,降低计算量和内存使用,而且便于各区域并行计算,提高性能。
进行区域划分后,对任一划分区域进行车道线聚合的过程包括:
步骤1,以相邻两个轨迹点之间的轨迹线段为基准,根据设定宽度生成各个轨迹线段的缓冲区。
具体的,生成的轨迹线段的缓冲区为以轨迹线段为中心线,宽度为设定宽度,长度与轨迹线段相等的四边形。
轨迹线段的缓冲区的属性包括四边形的四个顶点的位置以及缓冲区的方向,缓冲区的方向与轨迹的方向一致。
步骤2,将各个轨迹线段的缓冲区组合生成缓冲区列表,遍历所有轨迹点,根据轨迹点是否在该缓冲区列表中选择保留或者抛弃该轨迹点,根据各个保留的轨迹点生成参考轨迹。
具体的,如图4所示为本发明实施例提供的缓冲区列表的示意图,步骤2中遍历所有轨迹点的过程包括:按时间顺序遍历轨迹点,如果该轨迹点在缓冲区列表中则抛弃该轨迹点,如果轨迹点不在缓冲区列表中,则把该轨迹点与其前一个轨迹点组成的轨迹线段的缓冲区加入缓冲区列表中。
判断任一轨迹点是否在缓冲区列表中包括:遍历缓冲区列表,判断轨迹点是否在任一缓冲区范围内且轨迹点的方向与该缓冲区的方向是否一致。其中,轨迹点的方向为该轨迹点的前一轨迹点到该轨迹点的轨迹线段的方向。
对于位置相近而方向不同的轨迹点也视为不在该缓冲区列表内。
具体的,可以采用水平交叉点数判别法判断轨迹点是否在多边形缓冲区的范围内:从该轨迹点作垂直于轨迹方向的任一方向的射线,如果射线与多边形缓冲区的交点数为奇数,则判定该轨迹点在多边形缓冲区内部;如果射线与多边形缓冲区的交点数为偶数,则判定该轨迹点在多边形缓冲区外部。
步骤2的执行过程中,遍历到的轨迹点如果在缓冲区列表中则会抛弃掉,最终保留下的轨迹点就是生成缓冲区列表的轨迹点,这些保留下来的轨迹点就组成了参考轨迹,能够避免大量原始轨迹参与计算,提高了计算效率。
步骤3,将参考轨迹中的轨迹点向两侧延伸生成扫描线段,对同一扫描线段与原始车道线的交点做聚类生成各个聚类点,对各个聚类点进行归类后拟合成线,得到车道线的聚合结果。
具体的,轨迹点向两侧延伸的方向可以为垂直于轨迹方向,延伸的距离可以为20m。
如图5所示为本发明实施例提供的交点和聚类点的示意图,图5中中间深色的为轨迹点,两侧的密集小点为扫描线段与原始车道线的交点,交点中间的较大点为同一扫描线段与原始车道线的交点做聚类生成的聚类点。
步骤3中生成各个聚类点的过程包括:
判断扫描线段与原始车道线的交点个数是否超过设定个数,是,采用MeanShift聚类方法对交点进行聚类,否,使用DBSCAN聚类方法对交点进行聚类。
其中,DBSCAN聚类方法的参数核心点半径(eps)和MeanShift聚类方法的参数带宽(bandwidth)都可以设置成两条车道线能区分的最短的距离。
DBSCAN聚类方法和MeanShift聚类方法都是基于密度的聚类方法,MeanShift方法对大数据量聚类时,性能和内存表现都优于DBSCAN,因此通过判断交点个数与设定个数的大小选择用不同的聚类方法,可以兼顾性能和精确性,该设定个数可以为1000个。
步骤3中对各个聚类点进行归类的方法为:沿着参考轨迹方向,将横向距离变化小于设定的距离阈值的聚类点归为一类,该横向距离为聚类点与扫描线段起点的距离。具体包括:沿轨迹方向,收集横向距离小于距离阈值的聚类点,归为同一类。
横向距离和平面距离接近的点,归为同类,当横向距离超过距离阈值时,则归为新类,归类完成后,把同一类的点拟合成线,即是区域内的车道线结果。
如图6所示为本发明实施例提供的生成拟合线的示意图,图6中,中间深色点位轨迹点,两侧的浅色点位车道线聚类点,标注的数字为该聚类点的横向距离,经过这些同类的聚类点的线为拟合线,即划分区域内的车道边线聚合结果。
完成各个划分区域进行车道线聚合的过程后,合并各个划分区域的车道线,完成全部区域的车道线的生成。
如图7和图8分别为本发明实施例提供的杂线去除效果图和弯道生成效果图,图7中浅色线为原始车道线,深色线为采用本发明实施例提供的车道线聚合方法生成的车道线,图8中浅色线为原始车道线,深色线为采用本发明实施例提供的车道线聚合方法生成的车道线,由图7和图8可知,本发明实施例提供的一种基于轨迹方向的车道线聚合方法,在实际使用过程中具有良好的效果,可以使最终生成的车道形状尤其是杂线和弯道的车道形状符合实际情况。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于轨迹方向的车道线聚合方法,其特征在于,包括:
步骤1,以相邻两个轨迹点之间的轨迹线段为中心,根据设定宽度生成各个所述轨迹线段的缓冲区;
步骤2,将各个所述轨迹线段的缓冲区组合生成缓冲区列表,遍历所有所述轨迹点,根据所述轨迹点是否在所述缓冲区列表中判断保留或者抛弃所述轨迹点,根据各个保留的所述轨迹点生成参考轨迹;
步骤3,将所述参考轨迹中的所述轨迹点向两侧延伸生成扫描线段,对同一所述扫描线段与原始车道线的交点做聚类生成各个聚类点,对各个所述聚类点进行归类后拟合成线,得到所述车道线的聚合结果。
2.根据权利要求1所述的方法,其特征在于,所述步骤1生成所述轨迹线段的缓冲区之前还包括:对输入的所述原始车道线和轨迹进行区域划分;
对各个划分区域按照所述步骤1-步骤3中的方法分别进行车道线聚合后,合并各个所述划分区域的车道线。
3.根据权利要求2所述的方法,其特征在于,进行区域划分的过程包括:
以经纬度为单位进行划分,对各个所述划分区域进行编号;
对于任意所述轨迹点,所述轨迹点与其相邻的轨迹点均在同一所述划分区域时,保留所述轨迹点所在划分区域的编号;所述轨迹点与其任一相邻的轨迹点不在同一所述划分区域内时,保留所述轨迹点所在及相邻的所述划分区域的编号;
对于任意所述原始车道线,所述原始车道线在一个所述划分区域时,保留所述原始车道线所在所述划分区域的编号;所述原始车道线跨区时,保留所述原始车道线所在各个所述划分区域的编号。
4.根据权利要求2所述的方法,其特征在于,合并各个所述划分区域的车道线的过程包括:遍历各个所述划分区域边界的车道线起点和终点,在相邻所述划分区域的车道线的起点和终点中查找到距离相近和角度相似的点时,把两条车道线连接在一起。
5.根据权利要求1所述的方法,其特征在于,所述步骤1中生成的所述轨迹线段的缓冲区为以所述轨迹线段为中心线,宽度为设定宽度,长度与所述轨迹线段相等的四边形。
6.根据权利要求1所述的方法,其特征在于,所述步骤2中遍历所有所述轨迹点的过程包括:
按时间顺序遍历所述轨迹点,如果所述轨迹点在所述缓冲区列表中则抛弃所述轨迹点,如果所述轨迹点不在所述缓冲区列表中,则把所述轨迹点与其前一个轨迹点组成的所述轨迹线段的缓冲区加入所述缓冲区列表中。
7.根据权利要求1或6所述的方法,其特征在于,判断任一所述轨迹点是否在所述缓冲区列表中包括:遍历所述缓冲区列表,判断所述轨迹点是否在任一所述缓冲区的范围内且所述轨迹点的方向与所述缓冲区的方向是否一致;所述轨迹点的方向为所述轨迹点的前一轨迹点到所述轨迹点的所述轨迹线段的方向;所述缓冲区的方向与轨迹的方向一致。
8.根据权利要求7所述的方法,其特征在于,判断所述轨迹点是否在任一所述缓冲区的范围内包括:从所述轨迹点作垂直于轨迹方向的任一方向的射线,如果所述射线与所述缓冲区的交点数为奇数,则判定所述轨迹点在所述缓冲区内部;如果所述射线与所述缓冲区的交点数为偶数,则判定所述轨迹点在所述缓冲区外部。
9.根据权利要求1所述的方法,其特征在于,所述步骤3中生成各个聚类点的过程包括:判断所述扫描线段与所述原始车道线的交点个数是否超过设定个数,是,采用MeanShift聚类方法对所述交点进行聚类,否,使用DBSCAN聚类方法对所述交点进行聚类。
10.根据权利要求1所述的方法,其特征在于,所述步骤3中对各个聚类点进行归类的过程包括:
沿着所述参考轨迹的方向,将横向距离变化小于设定的距离阈值的所述聚类点归为一类,所述横向距离为所述聚类点与所述扫描线段起点的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911026989.2A CN110906940B (zh) | 2019-10-26 | 2019-10-26 | 一种基于轨迹方向的车道边线聚合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911026989.2A CN110906940B (zh) | 2019-10-26 | 2019-10-26 | 一种基于轨迹方向的车道边线聚合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110906940A true CN110906940A (zh) | 2020-03-24 |
CN110906940B CN110906940B (zh) | 2021-05-18 |
Family
ID=69815876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911026989.2A Active CN110906940B (zh) | 2019-10-26 | 2019-10-26 | 一种基于轨迹方向的车道边线聚合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110906940B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287778A (zh) * | 2020-10-16 | 2021-01-29 | 苏州万店掌网络科技有限公司 | 基于方向聚合的人流量分析方法及介质 |
CN112433203A (zh) * | 2020-10-29 | 2021-03-02 | 同济大学 | 一种基于毫米波雷达数据的车道线形检测方法 |
CN112706785A (zh) * | 2021-01-29 | 2021-04-27 | 重庆长安汽车股份有限公司 | 一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质 |
CN113465615A (zh) * | 2021-06-23 | 2021-10-01 | 智道网联科技(北京)有限公司 | 车道线的生成方法及相关装置 |
CN114049327A (zh) * | 2021-11-16 | 2022-02-15 | 中国测绘科学研究院 | 一种改进的大范围道路中心线分块提取算法 |
WO2022188775A1 (zh) * | 2021-03-11 | 2022-09-15 | 奇瑞汽车股份有限公司 | 路网文件的生成方法、装置、设备、可读存储介质及车辆 |
CN117891892A (zh) * | 2024-03-14 | 2024-04-16 | 南京师范大学 | 一种基于历史巡护数据的护林员轨迹优化算法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488485A (zh) * | 2015-12-07 | 2016-04-13 | 北京航空航天大学 | 基于车辆轨迹的车道线自动提取方法 |
DE102015000399A1 (de) * | 2015-01-13 | 2016-07-28 | Audi Ag | Kartographieren von Fahrspuren mittels Fahrzeugflottendaten |
CN106570446A (zh) * | 2015-10-12 | 2017-04-19 | 腾讯科技(深圳)有限公司 | 车道线提取的方法和装置 |
CN108036794A (zh) * | 2017-11-24 | 2018-05-15 | 华域汽车***股份有限公司 | 一种高精度地图生成***及生成方法 |
CN110287904A (zh) * | 2019-06-27 | 2019-09-27 | 武汉中海庭数据技术有限公司 | 一种基于众包数据的车道线提取方法、装置及存储介质 |
-
2019
- 2019-10-26 CN CN201911026989.2A patent/CN110906940B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015000399A1 (de) * | 2015-01-13 | 2016-07-28 | Audi Ag | Kartographieren von Fahrspuren mittels Fahrzeugflottendaten |
CN106570446A (zh) * | 2015-10-12 | 2017-04-19 | 腾讯科技(深圳)有限公司 | 车道线提取的方法和装置 |
CN105488485A (zh) * | 2015-12-07 | 2016-04-13 | 北京航空航天大学 | 基于车辆轨迹的车道线自动提取方法 |
CN108036794A (zh) * | 2017-11-24 | 2018-05-15 | 华域汽车***股份有限公司 | 一种高精度地图生成***及生成方法 |
CN110287904A (zh) * | 2019-06-27 | 2019-09-27 | 武汉中海庭数据技术有限公司 | 一种基于众包数据的车道线提取方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
LULIANG TANG .ET AL: "Lane-Level Road Information Mining from Vehicle GPS Trajectories Based on Naïve Bayesian Classification", 《ISPRS INTERNATIONAL JOURNAL OF GEO-INFORMATION》 * |
MELO .ET AL: "Detection and Classification of Highway Lanes Using Vehicle Motion Trajectories", 《TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287778A (zh) * | 2020-10-16 | 2021-01-29 | 苏州万店掌网络科技有限公司 | 基于方向聚合的人流量分析方法及介质 |
CN112287778B (zh) * | 2020-10-16 | 2021-07-27 | 苏州万店掌网络科技有限公司 | 基于方向聚合的人流量分析方法及介质 |
CN112433203A (zh) * | 2020-10-29 | 2021-03-02 | 同济大学 | 一种基于毫米波雷达数据的车道线形检测方法 |
WO2022089194A1 (zh) * | 2020-10-29 | 2022-05-05 | 同济大学 | 一种基于毫米波雷达数据的车道线形检测方法 |
CN112433203B (zh) * | 2020-10-29 | 2023-06-20 | 同济大学 | 一种基于毫米波雷达数据的车道线形检测方法 |
CN112706785A (zh) * | 2021-01-29 | 2021-04-27 | 重庆长安汽车股份有限公司 | 一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质 |
WO2022188775A1 (zh) * | 2021-03-11 | 2022-09-15 | 奇瑞汽车股份有限公司 | 路网文件的生成方法、装置、设备、可读存储介质及车辆 |
CN113465615A (zh) * | 2021-06-23 | 2021-10-01 | 智道网联科技(北京)有限公司 | 车道线的生成方法及相关装置 |
CN113465615B (zh) * | 2021-06-23 | 2021-11-09 | 智道网联科技(北京)有限公司 | 车道线的生成方法及相关装置 |
CN114049327A (zh) * | 2021-11-16 | 2022-02-15 | 中国测绘科学研究院 | 一种改进的大范围道路中心线分块提取算法 |
CN117891892A (zh) * | 2024-03-14 | 2024-04-16 | 南京师范大学 | 一种基于历史巡护数据的护林员轨迹优化算法 |
CN117891892B (zh) * | 2024-03-14 | 2024-05-31 | 南京师范大学 | 一种基于历史巡护数据的护林员轨迹优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110906940B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110906940B (zh) | 一种基于轨迹方向的车道边线聚合方法 | |
CN108959466B (zh) | 基于bcs-dbscan的出租车载客热点可视化方法及*** | |
CN108519094B (zh) | 局部路径规划方法及云处理端 | |
CN105528588B (zh) | 一种车道线识别方法及装置 | |
CN106323301B (zh) | 一种道路情报的获取方法及装置 | |
CN108898672A (zh) | 一种制作三维高清道路图车道线的半自动点云方法 | |
CN108986493A (zh) | 交通信号灯通行时间分配方法及其装置 | |
CN104899357A (zh) | 一种基于AutoCAD平面交叉口工程图的拓扑数据提取方法 | |
Uduwaragoda et al. | Generating lane level road data from vehicle trajectories using kernel density estimation | |
CN102622370B (zh) | 一种获取路线描述的方法及装置、电子地图服务器 | |
CN111858810B (zh) | 一种面向道路dem构建的建模高程点筛选方法 | |
CN104751733B (zh) | 地图的区域绘制方法及装置、路径距离分类方法及*** | |
CN112749242B (zh) | 一种基于共享单车gps数据的路网拓扑重建方法 | |
WO2021233165A1 (zh) | 获取道路语义信息的方法、装置、设备及介质 | |
CN113553482B (zh) | 停留点识别和出行链构建***、算法、设备及存储介质 | |
CN108469263B (zh) | 一种基于曲率进行形点优化的方法及*** | |
WO2024149060A1 (zh) | 可行驶区域和路沿的检测方法、装置及相关设备 | |
CN114332291A (zh) | 一种倾斜摄影模型建筑物外轮廓规则提取方法 | |
CN111209805A (zh) | 一种车道线众包数据的多道路片段数据的快速融合优化方法 | |
CN110913345B (zh) | 一种基于手机信令数据的断面客流计算方法 | |
CN116071722A (zh) | 基于路段轨迹的车道几何信息提取方法、***、设备及介质 | |
CN116051841A (zh) | 基于车载LiDAR点云的路边地上物多阶段聚类分割算法 | |
CN116310442A (zh) | 轨迹点识别方法、装置及地图制作方法 | |
CN114139099B (zh) | 基于轨迹密度匀化和层次分割的道路交叉口信息提取方法 | |
CN115631476A (zh) | 一种车道数据处理方法、***、电子设备及存储介质 |
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 |