CN112013862B - 一种基于众包轨迹的行人路网提取及更新方法 - Google Patents

Abstract

本发明公开了一种基于众包轨迹的行人路网提取及更新方法，包括步骤：对众包行人GPS轨迹数据进行提取处理，得到新的行人路网；对所述新的行人路网和原始行人路网进行匹配处理，得到失配路径；根据所述失配路径，对所述原始行人路网进行更新，得到更新的路网。使用手机采集众包行人GPS轨迹数据，根据距离和时间间隔的约束条件对众包行人GPS轨迹数据进行预处理，采用Morse理论对预处理后轨迹进行路网提取，得到新的行人路网；对所述新的行人路网和原始行人路网通过隐马尔可夫过程进行匹配处理，得到失配路径，即新增道路；根据所述失配路径，将新增道路添加到原始路网中得到更新的行人路网。

Description

一种基于众包轨迹的行人路网提取及更新方法

技术领域

本发明涉及智能交通技术领域，尤其涉及的是一种基于众包轨迹的行人路网提取及更新方法。

背景技术

行人路网是描述行人路径之间几何关系的拓扑图。行人路网不仅是城市道路网络连接性和可达性的关键因素，还是行人导航***的关键因素。行人导航***需要行人路网来规划路线，帮助行人到达目的地，特别是在为残疾人士的道路引导方面。现有技术中的便携式导航服务不能充分满足行人导航的需求，因为目前的路网没有覆盖足够的行人路径，这直接导致了现有的行人导航服务应用提供的路线大多适用于车辆而非行人。

因此，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于众包轨迹的行人路网提取及更新方法，旨在解决现有技术中目前的路网没有覆盖足够的行人路径的问题。

本发明解决技术问题所采用的技术方案如下：

一种基于众包轨迹的行人路网提取及更新方法，其中，包括以下步骤：

对众包行人GPS轨迹数据进行提取处理，提取得到新的行人路网；

对所述新的行人路网和原始行人路网进行匹配处理，得到失配路径；

根据所述失配路径，对所述原始行人路网进行更新，得到更新的路网。

所述的基于众包轨迹的行人路网提取及更新方法，其中，所述对众包行人GPS轨迹数据进行提取处理，得到新的行人路网，包括：

对众包行人GPS轨迹数据进行核密度分析，得到栅格数据；

对所述栅格数据进行三角化剖分，并确定三角化的栅格数据中每个栅格点的相邻点集合；

根据各所述栅格点以及各栅格点各自分别对应的相邻点集合，确定特征点；其中，所述特征点包括：极大值点、极小值点以及鞍点；

根据所述三角化的栅格数据、所述极大值点、极小值点以及所述鞍点，确定新的行人路网。

所述的基于众包轨迹的行人路网提取及更新方法，其中，所述众包行人GPS轨迹数据包括：轨迹集合；所述对众包行人GPS轨迹数据进行核密度分析，得到栅格数据，包括：

将所述轨迹集合中所有顶点采用核密度估计生成密度函数；

根据所述密度函数计算栅格的密度值，得到栅格数据。

所述的基于众包轨迹的行人路网提取及更新方法，其中，所述对所述栅格数据进行三角化剖分，并确定三角化的栅格数据中每个栅格点的相邻点集合，包括：

对所述栅格数据进行三角化剖分，得到三角化的栅格数据；

针对所述三角化的栅格数据中每个栅格点，将该栅格点的相邻点按顺时针或逆时针排序形成该栅格点的相邻点集合。

所述的基于众包轨迹的行人路网提取及更新方法，其中，所述根据各所述栅格点以及各栅格点各自分别对应的相邻点集合，确定特征点，包括：

当所述栅格点的密度值与第i个所述栅格点的相邻点的密度值的差值Δ_i＞0时，且差值符号变化次数N_c＝0时，所述栅格点为极大值点；

当差值符号变化次数N_c≥4时，所述栅格点为鞍点；其中，N_c为Δ₁，Δ₂，…，Δ_i，…，Δ_m的符号变化的次数，m为所述栅格点的相邻点的数量。

所述的基于众包轨迹的行人路网提取及更新方法，其中，所述根据所述三角化的栅格数据、所述极大值点以及所述鞍点，确定新的行人路网，包括：

针对每个鞍点，确定该鞍点与所述极大值点之间的山脊线；其中，所述山脊线为所述鞍点的上升区间到达所述极大值点上升最快的路径；

将所述山脊线作为新的行人路网。

所述的基于众包轨迹的行人路网提取及更新方法，其中，所述对所述新的行人路网和原始行人路网进行匹配处理，得到失配路径，即新增道路。包括：

当所述新的行人路网的节点和所述原始行人路网的路径之间的距离大于距离阈值时，则所述新的行人路网的节点所在的路径为失配路径；和/或

当所述原始行人路网中相邻两个匹配节点的路径距离与所述新的行人路网的相邻两个节点的路径距离之比大于比值阈值时，则所述新的行人路网的相邻两个节点的路径为失配路径；其中，所述新的行人路网的相邻两个节点中的第一节点与所述原始行人路网中相邻两个匹配节点中的第一匹配节点之间的距离小于或等于距离阈值，所述新的行人路网的相邻两个节点中的第二节点与所述原始行人路网中相邻两个匹配节点中的第二匹配节点之间的距离小于或等于距离阈值。

所述的基于众包轨迹的行人路网提取及更新方法，其中，所述根据所述失配路径，对所述原始行人路网进行更新，得到更新的路网，包括：

根据所述失配路径的起始节点或终止节点，确定所述原始行人路网中所述起始节点或所述终止节点对应的匹配节点；其中，所述失配路径的起始节点与所述原始行人路网中所述起始节点对应的匹配节点之间的距离小于或等于距离阈值，所述失配路径的终止节点与所述原始行人路网中所述终止节点对应的匹配节点之间的距离小于或等于距离阈值；

将所述起始节点对应的匹配节点与所述失配路径中所述起始节点相邻的失配节点连接，或者将所述终止节点对应的匹配节点与所述失配路径中所述终止节点相邻的失配节点连接，得到新增路径；

将所述新增路径添加至所述原始行人路网，得到更新的行人路网。

所述的基于众包轨迹的行人路网提取及更新方法，其中，所述对众包行人GPS轨迹数据进行提取处理，得到新的行人路网之前，所述方法还包括：

对众包行人GPS轨迹数据进行预处理，得到预处理的轨迹数据；

将所述预处理的轨迹数据作为众包行人GPS轨迹数据。

所述的基于众包轨迹的行人路网提取及更新方法，其中，所述对众包行人GPS轨迹数据进行预处理，得到预处理的轨迹数据，包括：

将所述众包行人GPS轨迹数据中初始时间阈值内的错误轨迹点删除，和/或根据所述众包行人GPS轨迹数据中异常轨迹点处的轨迹分为两个子轨迹，得到预处理的轨迹数据；其中，两个所述异常轨迹点之间的时间间隔大于时间间隔阈值，或两个所述异常轨迹点之间的距离间隔大于距离间隔阈值。

有益效果：通过对众包行人GPS轨迹数据进行提取。并且，将新的行人路网与原始行人路网通过路网匹配算法进行路网数据的匹配，识别出新的行人路网中原始行人路网不包含的失配路径；将失配路径添加到原始路网中得到更新的行人路网。

附图说明

图1是本发明中基于众包轨迹的行人路网提取及更新方法的流程图。

图2是本发明中栅格三角化剖分及相邻点排序的示意图。

图3是本发明中山脊线提取的示意图。

图4是本发明中隐马尔可夫过程的示意图。

图5是本发明中路网更新前的示意图。

图6是本发明中路网更新后的示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请同时参阅图1-图6，本发明提供了一种基于众包轨迹的行人路网提取及更新方法的一些实施例。

随着移动定位技术和智能城市的发展，城市公交车、出租车的GPS接收设备和用户手机可以实时记录车辆或行人的位置、移动速度和方向等信息，这些记录车辆和用户出行路径的GPS轨迹数据能够实时或近实时反映道路的拓扑结构信息，众包轨迹数据成为目前道路网提取与实时更新的重要数据源。但众包轨迹数据存在尺度变化、拓扑关系不正确等问题，给行人路网的提取和更新带来了很大的挑战。GPS定位中存在一些非人为不可避免的问题，如多路径问题。当行人在树枝茂密的树下行走或靠近高层建筑时，GPS信号可能会被阻挡或跳跃，产生噪声点。此外，由于GPS接收设备或采集位置的不同，GPS数据的准确性也会有所不同，并且众包轨迹主要由未经培训的非专业用户采集和上传，数据采集的设备精度不一致，所以得到的数据质量差别很大。人口密度高的地区，数据重复上传，数据质量明显好于其他地区。使用单一的GPS轨迹确定行人网络的几何形状是不可靠的，众包轨迹可以提供一定数量的数据。

目前基于众包轨迹提取和更新道路网已经受到不少学者的关注，但对行人路网的提取和更新研究较少，并且存在以下问题：(1)对复杂海量的轨迹数据处理能力不足。大部分研究的数据主要使用一些简单的轨迹数据和小区域进行实验分析；(2)参数设置对多的问题。参数的设置过多且结果对参数设置敏感，需要专业人士进行调试。

如图1和图2所示，本发明的一种基于众包轨迹的行人路网提取及更新方法，包括以下步骤：

步骤S10、对众包行人GPS轨迹数据进行预处理，提取得到预处理的轨迹数据；将所述预处理的轨迹数据作为众包行人GPS轨迹数据。

具体地，依据自愿原则，用户将采集的众包行人GPS轨迹数据传输至云端服务器，云端服务器接收并保存，得到的众包行人GPS轨迹数据用于接下来的行人路网提取及更新。对收集的众包行人GPS轨迹数据进行预处理，删除初始冗余数据(例如，错误轨迹点)和误差数据(例如，异常轨迹点)。通过设置距离间隔阈值和时间间隔阈值，将连接异常的轨迹进行打断。

具体地，步骤S10包括：

步骤S11、将所述众包行人GPS轨迹数据中初始时间阈值内的错误轨迹点删除，和/或根据所述众包行人GPS轨迹数据中异常轨迹点处的轨迹分为两个子轨迹，得到预处理的轨迹数据；其中，两个所述异常轨迹点之间的时间间隔大于时间间隔阈值，或两个所述异常轨迹点之间的距离间隔大于距离间隔阈值。

具体地，众包轨迹通过用户携带具有GPS接收和上传功能的设备采集，主要包括：时间戳，经度，纬度。将每条GPS轨迹定义为T＝{P₁，P₂，…，P_N},P_i为轨迹点，其中P_i定义为：P_i＝(id_i，x_i，y_i，t_i)其中：id_i为轨迹编号；(x_i，y_i)为轨迹点的经纬度坐标；t_i为时间戳。

一方面，由于GPS接收器启动时，存在一个搜索卫星的过程，会产生错误轨迹点。因此，设置初始时间阈值σ_t，初始时间阈值是指轨迹点最开始一段时间的阈值。删除初始时间长为初始时间阈值σ_t的错误轨迹点，将时间少于初始时间阈值的错误轨迹点删除，保留时间大于或等于初始时间阈值的轨迹点。

另一方面，新的GPS轨迹起点数据可能保留上一次采集终点数据，需一段时间后才存储当前位置信息，这会导致两相邻轨迹点的数据跨越距离过大，形成异常轨迹点，从而产生错误路径。而且如果行人在树木密度较高、高层建筑、隧道等位置精度会受到很大的影响，容易产生异常轨迹点。因此打断存在异常时间和距离间隔的轨迹。如果两个相邻采样点(P_a，P_a+1)之间的时间间隔大于时间间隔阈值

或距离大于距离间隔阈值

即：

或

则将轨迹从异常轨迹点(P_a，P_a+1)打断为两个子轨迹。

步骤S12、将所述预处理的轨迹数据作为众包行人GPS轨迹数据。

具体地，将所述预处理的轨迹数据作为众包行人GPS轨迹数据，继续步骤S100的处理。需要说明的是，众包行人GPS轨迹数据可以不进行预处理，直接进行步骤S100的处理。

步骤S100、对众包行人GPS轨迹数据进行提取处理，得到新的行人路网。

具体地，对众包行人GPS轨迹数据进行提取处理，得到新的行人路网。提取众包行人GPS轨迹数据中的特征点，并根据特征点形成新的行人路网，特征点包括：极小值点、鞍点以及极大值点。

具体地，基于Morse(莫尔斯)理论的路网提取，将众包行人GPS轨迹数据进行核密度分析生成密度图，利用莫尔斯理论提取密度图中的“山脊线”为新的行人路网。本发明的行人路网提取基于Morse理论。首先对众包轨迹数据进行核密度分析得到密度图，将密度图类比地形(每个栅格的密度值即为地形的高程)，获取符合Morse理论的数据格式；其次采用邻点高程比较法从输入数据形成的地形表面提取特征点，特征点包括：鞍点、极大值点，当然特征点还包括：极小值点。最后计算每个鞍点上升到极大值点最快的路径，即特征线中的山脊线。最后提取出所有的山脊线为本发明的新的行人路网。

更具体地，得到(预处理后的)众包行人GPS轨迹数据后，对众包行人GPS轨迹数据进行核密度分析，得到栅格数据(也即栅格密度值)。将得到的栅格数据进行三角化剖分，得到相邻点的栅格点，并按照顺时针方向给相邻点排序，将得到栅格数据类比为地形，根据莫尔斯理论进行地形分析，首先采用邻点高程比较法提取栅格数据的特征点，即鞍点，极大值点，极小值点。具体地，计算与相邻点密度值的差值，根据计算的得到的差值符号变化次数提取出特征点。

步骤S100具体包括：

步骤S110、对众包行人GPS轨迹数据进行核密度分析，得到栅格数据。

具体地，将采集的众包行人GPS轨迹数据进行核密度分析，得到了栅格数据，则得到每个栅格对应的密度值。

具体地，所述众包行人GPS轨迹数据包括：轨迹集合。步骤S110包括：

步骤S111、将所述轨迹集合中所有顶点采用核密度估计生成密度函数。

具体地，轨迹集合E＝{e₁，e₂，…，e_i，…，e_m}，e_i代表第i条轨迹，它的节点为记录经纬度的位置点，m表示轨迹的数量。将轨迹集合E转换为密度图，密度图为矩形且大小为

(

为所有轨迹的边界框)，将L离散为边长为l的栅格单元G_l。轨迹集合E的所有节点为S＝{s₁，s₂，…，s_i，…，s_n}，s_i表示第i个节点，n表示节点的数量。用核密度分析生成一个密度函数ρ：

如下：

式中：参数b为高斯核函数的带宽，h为栅格点，h∈G_l，||·||为范数，e为自然对数的底数，∑为求和符号，π为圆周率，K_t(·)为高斯核函数。

步骤S112、根据所述密度函数计算栅格的密度值，得到栅格数据。

具体地，只需计算栅格的密度值。得到输入栅格数据格式为：

h(1,1),h(1,2)，…,h(1,col)

h(2,1),h(1,2)，…,h(1,col)

…

h(row,1),h(1,2)，…,h(row,col)

其中row，col分别为输入数据的行数和列数，h(row,col)为密度值(高程值)。如图3所示，有栅格点(1，1)(1，2)(1，3)(1，4)(1，5)；(2，1)(2，2)(2，3)(2，4)(2，5)。

步骤S120、对所述栅格数据进行三角化剖分，并确定三角化的栅格数据中每个栅格点的相邻点集合。

具体地，对栅格数据进行三角化剖分，也就是说，将每个矩形栅格划分成两个三角形，那么有两种划分方式，如图2所示，三角形的斜边可以向左倾斜，也可以向右倾斜。对每个栅格点，确定该栅格点的相邻点，与该栅格点相连接的点为该栅格点的相邻点，相邻点的数量可以是2-8个，则这些相邻点形成该栅格点的相邻点集合。

具体地，步骤S120包括：

步骤S121、对所述栅格数据进行三角化剖分，得到三角化的栅格数据。

具体地，对栅格数据进行三角化剖分，具体地，可以根据矩形栅格中各栅格点的密度值，进行三角化剖分，例如，采用Delaunay三角剖分算法。

步骤S122、针对所述三角化的栅格数据中每个栅格点，将该栅格点的相邻点按顺时针或逆时针排序形成该栅格点的相邻点集合。

具体地，每个栅格点的相邻点集合中各相邻点是按照顺序依次排列的，例如如图2所示，可以是按顺时针排列。当然还可以按照逆时针排列。举例说明，栅格点的相邻点有5个，相邻点集合可以以5个相邻点中左边的相邻点开始，按照顺时针形成相邻点集合U＝{左边的相邻点、上方的相邻点、右上方的相邻点、右边的相邻点以及下方的相邻点}。

步骤S130、根据各所述栅格点以及各栅格点各自分别对应的相邻点集合，确定特征点；其中，所述特征点包括：极大值点、极小值点以及鞍点。

具体地，采用邻点高程比较法进行特征点的提取。由输入数据处理得到栅格相邻点集合，比较栅格点h与相邻点集合U中相邻点h_i之间的高程(密度值)，确定特征点。极大值点是指密度值大于所有相邻点的密度值的栅格点，鞍点是指马鞍位置的栅格点，鞍点的相邻点中有两个相对的相邻点的密度值大于鞍点的密度值，且有两个相对的相邻点的密度值小于鞍点的密度值。

具体地，步骤S130包括：

步骤S131、当所述栅格点的密度值与第i个所述栅格点的相邻点的密度值的差值Δ_i＞0时，所述栅格点为极大值点。

具体地，Δ_i＝h-h_i＞0，则h为极大值点，当然差值符号变化次数N_c＝0。也就是说，栅格点的密度值高于该栅格点所有相邻点的密度值。

步骤S132、当差值符号变化次数N_c≥4时，所述栅格点为鞍点；其中，N_c为Δ₁，Δ₂，…，Δ_i，…，Δ_m的符号变化的次数，m为所述栅格点的相邻点的数量。

具体地，若N_c≥4，则h为鞍点。

当然，还可以考虑极小值点。当所述栅格点的密度值与第i个所述栅格点的相邻点的密度值的差值Δ_i＜0时，所述栅格点为极小值点。

具体地，Δ_i＜0，则h为极小值点，当然差值符号变化次数N_c＝0。

步骤S140、根据所述三角化的栅格数据、所述极大值点以及所述鞍点，确定新的行人路网。

具体地，在确定极大值点和鞍点后，需要根据极大值点和鞍点，在三角化的栅格数据中，确定新的行人路网。更具体地，在上一步鞍点跟极大值点提取完成，在三角化的栅格数据中寻找山脊线。根据邻点高程比较的方法，在每个鞍点上升区间寻找上升最快的路径，直到遇到极大值点，则该路径就是特征线中的山脊线，提取出所有山脊线作为最终的行人路网。

具体地，步骤S140包括：

步骤S141、针对每个鞍点，确定该鞍点与所述极大值点之间的山脊线；其中，所述山脊线为该鞍点的上升区间寻找到达所述极大值点上升最快的路径。

步骤S142、将所述山脊线作为新的行人路网。

具体地，得到特征点后，再根据特征点计算相应的特征线，即山谷线和山脊线。由于沿着道路的点的密度值高于非道路区域的点，这些点可以被密度图形成的地形山脊准确获取到，提取山脊线为最终的行人路网。因此在三角化的栅格数据中寻找山脊线。根据邻点高程比较的方法，在每个鞍点上升区间寻找上升最快的路径，直到遇到极大值点，则该路径就是特征线中的山脊线，提取所有的山脊线为最终的行人路网。

Morse理论可以通过提取流形表面的特征点、特征线来表达拓扑关系和形状信息。分别用0、1和2指标(index)表示极小值点、鞍点以及极大值点。在Morse理论，连接特征点q(index＝a)以及特征点p(index＝a+1)的积分线称为分界线。在地学分析中，提取的特征点对应鞍点、山谷点(极小值点)、山峰点(极大值点)，分界线(特征线)对应的就是山谷线和山脊线。定义所有终止于特征点的积分线的集合为上升流形。那么如果特征点为极大值点，那么极大值点的上升流形为只包含自己本身；如果特征点为极小值点，则积分线的终点都为极小值点，那么极小点的上升流形为一个集合，类似于地形的山谷；如果特征点为鞍点，则鞍点的上升流形包含两个上升流形，每个上升流形都开始于极大值点，结束于鞍点。因此，鞍点的上升流形代表着地形的山脊线。密度函数ρ是由输入轨迹计算得到的，那么道路的十字路口或连接处往往比相邻点获得更高的密度，产生密度函数的极大值。沿着道路的点的密度值高于与非道路区域的点，这些点可以被密度函数值形成的地形山脊准确获取到，因此，计算山脊线作为最终的行人路网。

举例说明，如图3所示，h(3，2)，h(4，1)，h(4，3)，h(5，2)均小于h(4，2)，(4，2)为极大值点。h(2，3)，h(3，2)，h(4，3)，h(3，4)，h(2，4)均大于h(3，3)，则(3，3)为极小值点。h(1，4)，h(3，3)均小于h(2，4)，h(2，3)，h(3，4)均大于h(2，4)，且h(1，4)，h(2，3)，h(3，3)，h(3，4)依次排列，则(2，4)为鞍点。具体地，Δ₁＝h(2，4)-h(1，4)＞0，Δ₂＝h(2，4)-h(2，3)＜0，Δ₃＝h(2，4)-h(3，3)＞0，Δ₂＝h(2，4)-h(3，4)＜0，也就是说，N_c＝4，则可认为(2，4)为鞍点。

极大值点(4，2)与鞍点(2，4)之间的山脊线为(4，2)—(4，3)—(3，4)—(2，4)。其它路线，如(4，2)—(3，2)—(3，3)—(2，4)，(4，2)—(3，2)—(2，2)—(2，3)—(2，4)均不满足要求，均不是山脊线。

步骤S200、对所述新的行人路网和原始行人路网进行匹配处理，得到失配路径，即新增道路。

具体地，最后将得到的新的行人路网与原始行人路网通过隐马尔可夫过程识别出失配路径(新增道路)，将失配路径添加到原始行人路网中进行路网更新。通过新的行人路网和原始行人路网之间进行匹配，可以确定新的行人路网中一些路径为失配路径，从而可以将这些失配路径更新到原始行人路网中，得到更新的行人路网。判断新的行人路网是不是失配路径有两种方式，一种是通过新的行人路网中节点与原始行人路网之间的距离判断；另一种是通过新的行人路网中两个节点之间的距离与原始行人路网中两个匹配节点之间的距离判断，这里匹配节点是指原始行人路网中与新的行人路网中节点的距离小于距离阈值的节点。

具体地，步骤S200包括以下至少一个步骤：

步骤S210、当所述新的行人路网的节点和所述原始行人路网的路径之间的距离大于距离阈值时，则所述新的行人路网的节点所在的路径为失配路径。

具体地，新的行人路网的路径NR_i＝{v₁，v₂，…，v_t，…，v_m}，v_t为路径的节点。原始行人路网的路径为OR_i。计算新的行人路网路径节点与原始行人路网中路径的最短距离d，对给定一个距离阈值r，若所有最短距离d＞r，则该节点为失配节点，包含了失配节点的路径为新路径。

步骤S220、当所述新的行人路网的相邻两个节点的路径距离与所述原始行人路网中相邻两个匹配节点的路径距离之比大于比值阈值时，则所述新的行人路网的相邻两个节点的路径为失配路径；其中，所述新的行人路网的相邻两个节点中的第一节点与所述原始行人路网中相邻两个匹配节点中的第一匹配节点之间的距离小于或等于距离阈值，所述新的行人路网的相邻两个节点中的第二节点与所述原始行人路网中相邻两个匹配节点中的第二匹配节点之间的距离小于或等于距离阈值。

新的行人路网的节点v_t在距离阈值r范围内能匹配到路径，且每个节点v_t对应的匹配节点为点x_t，i，则路径节点v_t为观测状态，x_t，i为对应HMM的隐藏状态，观测概率为每一个观测状态所对应基于最短距离的可能候选点x_t，i的可能概率，可表示为：

其中，v_t，x_t，i均为经纬度点，||v_t-x_t，i||_greatcircle为节点v_t和匹配节点x_t，i的大圆距离。

假设v_t和v_t+1为路径相邻的两个节点，节点v_t对应原始行人路网的候选匹配路径的匹配节点为x_t，i，节点v_t+1对应原始行人路网的候选匹配路径的匹配节点为x_t+1，j。在正确匹配的情况下，路径节点v_t和v_t+1之间的距离与正确匹配节点x_t，i和x_t+1，j之间的最短路线距离大致相等。路线最短距离记为||x_t，i-x_t+1，j||_route，相邻路径节点的距离记为||v_t-v_t+1||_greatcircle，如图4所示。则其状态转换概率可表示为：

其中

当d_r＞D时，则表明不可能通过候选点x_t+1，j，x_t，i实现v_t+1到v_t的连通，因此状态转移概率为0，即节点v_t到v_t+1为失配路径。也就是说，所述原始行人路网中相邻两个匹配节点的路径距离||x_t，i-x_t+1，j||_route与所述新的行人路网的相邻两个节点的路径距离||v_t-v_t+1||_greatcircle之比大于比值阈值D+1时，即

(表明||x_t，i-x_t+1，j||_route与||v_t-v_t+1||_greatcircle相差较大)时，则所述新的行人路网的相邻两个节点的路径为失配路径，即节点v_t到v_t+1为失配路径。

若d_r≤D，在存在可能的候选点的情况下，新的行人路网的路径能找到原始行人路网与之匹配的路径。

步骤S300、根据所述失配路径，对所述原始行人路网进行更新，得到更新的路网。

具体地，将失配路径添加到原始行人路网，对原始行人路网进行更新。

具体地，步骤S300包括：

步骤S310、根据所述失配路径的起始节点，确定所述原始行人路网中所述起始节点对应的匹配节点，或者根据所述失配路径的终止节点，确定所述原始行人路网中所述终止节点对应的匹配节点；其中，所述失配路径的起始节点与所述原始行人路网中所述起始节点对应的匹配节点之间的距离小于或等于距离阈值，所述失配路径的终止节点与所述原始行人路网中所述终止节点对应的匹配节点之间的距离小于或等于距离阈值；

步骤S320、将所述起始节点对应的匹配节点与所述失配路径中所述起始节点相邻的失配节点连接，或者将所述终止节点对应的匹配节点与所述失配路径中所述终止节点相邻的失配节点连接，得到新增路径。

步骤S330、将所述新增路径添加至所述原始行人路网，得到更新的行人路网。

如图5所示NR₃和NR₄为失配路径，失配路径的起始节点为v₁，与起始节点v₁连接的是失配节点v₂。如图6所示，在原始行人路网中，找到起始节点v₁的匹配节点x_1,1。将匹配节点x_1,1作为失配路径的起始节点，则连接匹配节点x_1,1与失配节点v₂，形成新增道路。然后将新增道路添加至原始行人路网中，得到更新的行人路网。

本发明具有如下有益效果：传统的路网制作需要大量的人力和专业设备，制作和更新历时长。本发明提出一种自动的行人路网提取及更新方法，将行人路网制作和更新简单化，同时提取出完备的行人路网数据，能为行人导航提供路网基础。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (6)

1.一种基于众包轨迹的行人路网提取及更新方法，其特征在于，包括以下步骤：

对众包行人GPS轨迹数据进行提取处理，提取得到新的行人路网；对所述新的行人路网和原始行人路网进行匹配处理，得到失配路径；根据所述失配路径，对所述原始行人路网进行更新，得到更新的路网；所述对所述新的行人路网和原始行人路网进行匹配处理，得到失配路径，包括：

当所述新的行人路网的节点和所述原始行人路网的路径之间的距离大于距离阈值时，则所述新的行人路网的节点所在的路径为失配路径；和/或

当所述原始行人路网中相邻两个匹配节点的路径距离与所述新的行人路网的相邻两个节点的路径距离之比大于比值阈值时，则所述新的行人路网的相邻两个节点的路径为失配路径；其中，所述新的行人路网的相邻两个节点中的第一节点与所述原始行人路网中相邻两个匹配节点中的第一匹配节点之间的距离小于或等于距离阈值，所述新的行人路网的相邻两个节点中的第二节点与所述原始行人路网中相邻两个匹配节点中的第二匹配节点之间的距离小于或等于距离阈值；

所述对众包行人GPS轨迹数据进行提取处理，得到新的行人路网，包括：

对众包行人GPS轨迹数据进行核密度分析，得到栅格数据；

对所述栅格数据进行三角化剖分，并确定三角化的栅格数据中每个栅格点的相邻点集合；

根据各所述栅格点以及各栅格点各自分别对应的相邻点集合，确定特征点；其中，所述特征点包括：极大值点、极小值点以及鞍点；

根据所述三角化的栅格数据、所述极大值点、极小值点以及所述鞍点，确定新的行人路网；

所述对所述栅格数据进行三角化剖分，并确定三角化的栅格数据中每个栅格点的相邻点集合，包括：

对所述栅格数据进行三角化剖分，得到三角化的栅格数据；

针对所述三角化的栅格数据中每个栅格点，将该栅格点的相邻点按顺时针或逆时针排序形成该栅格点的相邻点集合；

所述根据各所述栅格点以及各栅格点各自分别对应的相邻点集合，确定特征点，包括：

当所述栅格点的密度值与第i个所述栅格点的相邻点的密度值的差值Δ_i>0时，且差值符号变化次数N_c＝0时，所述栅格点为极大值点；

当差值符号变化次数N_c≥4时，所述栅格点为鞍点；其中，N_c为Δ₁，Δ₂，…，Δ_i，…，Δ_m的符号变化的次数，m为所述栅格点的相邻点的数量。

2.根据权利要求1所述的基于众包轨迹的行人路网提取及更新方法，其特征在于，所述众包行人GPS轨迹数据包括：轨迹集合；所述对众包行人GPS轨迹数据进行核密度分析，得到栅格数据，包括：

将所述轨迹集合中所有顶点采用核密度估计生成密度函数；

根据所述密度函数计算栅格的密度值，得到栅格数据。

3.根据权利要求1所述的基于众包轨迹的行人路网提取及更新方法，其特征在于，所述根据所述三角化的栅格数据、所述极大值点以及所述鞍点，确定新的行人路网，包括：

针对每个鞍点，确定该鞍点与所述极大值点之间的山脊线；其中，所述山脊线为所述鞍点的上升区间到达所述极大值点上升最快的路径；将所述山脊线作为新的行人路网。

4.根据权利要求1所述的基于众包轨迹的行人路网提取及更新方法，其特征在于，所述根据所述失配路径，对所述原始行人路网进行更新，得到更新的路网，包括：

根据所述失配路径的起始节点，确定所述原始行人路网中所述起始节点对应的匹配节点，或者根据所述失配路径的终止节点，确定所述原始行人路网中所述终止节点对应的匹配节点；其中，所述失配路径的起始节点与所述原始行人路网中所述起始节点对应的匹配节点之间的距离小于或等于距离阈值，所述失配路径的终止节点与所述原始行人路网中所述终止节点对应的匹配节点之间的距离小于或等于距离阈值；

将所述起始节点对应的匹配节点与所述失配路径中所述起始节点相邻的失配节点连接，或者将所述终止节点对应的匹配节点与所述失配路径中所述终止节点相邻的失配节点连接，得到新增路径；

将所述新增路径添加至所述原始行人路网，得到更新的行人路网。

5.根据权利要求1所述的基于众包轨迹的行人路网提取及更新方法，其特征在于，所述对众包行人GPS轨迹数据进行提取处理，得到新的行人路网之前，所述方法还包括：

对众包行人GPS轨迹数据进行预处理，得到预处理的轨迹数据；

将所述预处理的轨迹数据作为众包行人GPS轨迹数据。

6.根据权利要求5所述的基于众包轨迹的行人路网提取及更新方法，其特征在于，所述对众包行人GPS轨迹数据进行预处理，得到预处理的轨迹数据，包括：

将所述众包行人GPS轨迹数据中初始时间阈值内的错误轨迹点删除，和/或根据所述众包行人GPS轨迹数据中异常轨迹点处的轨迹分为两个子轨迹，得到预处理的轨迹数据；其中，两个所述异常轨迹点之间的时间间隔大于时间间隔阈值，或两个所述异常轨迹点之间的距离间隔大于距离间隔阈值。

Images