CN114512052A - 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置 - Google Patents
融合遥感影像和轨迹数据的分歧合流路口生成方法及装置 Download PDFInfo
- Publication number
- CN114512052A CN114512052A CN202111683318.0A CN202111683318A CN114512052A CN 114512052 A CN114512052 A CN 114512052A CN 202111683318 A CN202111683318 A CN 202111683318A CN 114512052 A CN114512052 A CN 114512052A
- Authority
- CN
- China
- Prior art keywords
- track
- area
- data
- remote sensing
- image data
- 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
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
- G09B29/003—Maps
- G09B29/005—Map projections or methods associated specifically therewith
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种融合遥感影像和轨迹数据的分歧合流路口生成方法及装置,方法包括:利用轨迹数据对遥感影像数据进行预处理,获得轨迹覆盖区域的道路影像数据;将道路影像数据输入导流带检测模型中,提取导流带像素点的坐标信息;根据导流带区域内的轨迹点行驶方向得到导流带的方向;以导流带区域为起始区域面扩充缓冲区,筛选缓冲区中与导流带方向同向的轨迹,以获得在导流带处发生分歧合流行为的目标轨迹;基于目标轨迹生成最小凸包,将最小凸包的边界作为分歧合流路口。本发明能够以较低成本生成高速、高架路段的分歧合流路口,所得到的路口符合实际路况,满足智能驾驶需求。
Description
技术领域
本发明涉及众包高精度地图制作领域,尤其涉及一种融合遥感影像和轨迹数据的分歧合流路口生成方法及装置。
背景技术
对于众包采集的原始轨迹数据,在没有车道线、红绿灯等其他要素的情况下,想要得到正确的拓扑,先得到路口是其至关重要的步骤。
当前大多数路口数据均由停止线数据或轨迹数据的角度复杂度生成,较难很好地适应高速、高架路段的分歧合流驾驶场景(无停止线,轨迹分层,环形道路)。
发明内容
本发明实施例提供了一种融合遥感影像和轨迹数据的分歧合流路口生成方法及装置,用以解决众包采集的原始轨迹数据中逆向行驶轨迹数据过滤的问题。
第一方面,本发明实施例提供一种融合遥感影像和轨迹数据的分歧合流路口生成方法,包括:
步骤S1,利用轨迹数据对遥感影像数据进行预处理,获得轨迹覆盖区域的道路影像数据;
步骤S2,将所述道路影像数据输入预先训练完成的导流带检测模型中,提取导流带像素点的坐标信息;
步骤S3,根据导流带像素点的坐标信息提取导流带轮廓,将所述导流带轮廓外扩形成导流带区域,根据所述导流带区域内的轨迹点行驶方向得到导流带的方向;
步骤S4,以导流带区域为起始区域面扩充缓冲区,筛选缓冲区中与导流带方向同向的轨迹,直至不再有新的轨迹数据落入缓冲区内,以获得在导流带处发生分歧合流行为的目标轨迹;基于所述目标轨迹生成最小凸包,将所述最小凸包的边界作为分歧合流路口。
优选的,步骤S1中,利用轨迹数据对遥感影像数据进行预处理,获得轨迹覆盖区域的道路影像数据,包括:
获取原始轨迹数据和遥感影像数据,对原始轨迹数据中的轨迹点进行缓冲区分析,形成轨迹点构成的轨迹面;
将所述轨迹面与遥感影像数据进行相交运算,获得轨迹面覆盖区域的遥感影像,作为道路影像数据。
优选的,在步骤S1获得轨迹覆盖区域的道路影像数据之后,所述方法还包括:
利用道路影像数据构建导流带检测模型的训练集,基于所述训练集进行模型训练,得到导流带检测模型。
优选的,利用道路影像数据构建导流带检测模型的训练集,基于所述训练集进行模型训练,得到导流带检测模型,具体包括:
对道路影像数据中的导流带进行标记,获得真值,并生成相应的标签掩码图片;
基于滑动窗口对所述道路影像数据和标签掩码进行切割,得到数据集,对所述数据集进行旋转、翻转、添加高斯噪声和模糊处理,以扩充数据集中的数据,并按预设比例划分为训练集和测试集;
以u-net网络作为训练骨架进行神经网络训练,对训练集数据进行二分类,判断每一个像素点是背景还是导流带,保存测试集损失最小的模型参数,得到导流带检测模型。
优选的,步骤S3中,根据导流带像素点的坐标信息提取导流带轮廓,具体包括:
根据导流带像素点的坐标信息,聚类形成多个不同的导流带区域;
依据每一个导流带区域进行最小凸包计算,得到导流带的轮廓。
第二方面,本发明实施例还提供一种融合遥感影像和轨迹数据的分歧合流路口生成装置,包括:
预处理模块,用于利用轨迹数据对遥感影像数据进行预处理,获得轨迹覆盖区域的道路影像数据;
导流带提取模块,将所述道路影像数据输入预先训练完成的导流带检测模型中,提取导流带像素点的坐标信息;
导流带方向获取模块,用于根据导流带像素点的坐标信息提取导流带轮廓,将所述导流带轮廓外扩形成导流带区域,根据所述导流带区域内的轨迹点行驶方向得到导流带的方向;
路口生成模块,用于以导流带区域为起始区域面扩充缓冲区,筛选缓冲区中与导流带方向同向的轨迹,直至不再有新的轨迹数据落入缓冲区内,以获得在导流带处发生分歧合流行为的目标轨迹;基于所述目标轨迹生成最小凸包,将所述最小凸包的边界作为分歧合流路口。
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第一方面实施例提供的融合遥感影像和轨迹数据的分歧合流路口生成方法。
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程序,该计算机程序被处理器执行时实现以执行第一方面实施例提供的融合遥感影像和轨迹数据的分歧合流路口生成方法。
本发明实施例提供的融合遥感影像和轨迹数据的分歧合流路口生成方法及装置,能够以较低成本生成高速、高架路段的分歧合流路口,所得到的路口符合实际路况,满足智能驾驶需求。与现有技术中大多数路口数据均由停止线数据或轨迹数据的角度复杂度生成,较难很好地适应高速、高架路段的分歧合流驾驶场景相比,本发明不依赖轨迹的角度复杂度,受轨迹分层,环形道路的影响较小。
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为本发明实施例提供的融合遥感影像和轨迹数据的分歧合流路口生成方法流程示意图;
图2为本发明实施例提供的融合遥感影像和轨迹数据的分歧合流路口生成方法完整流程图;
图3为本发明实施例提供的融合遥感影像和轨迹数据的分歧合流路口生成装置的结构框图;
图4为本发明实施例提供的电子设备的结构示意图。
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、完整地描述,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作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。
对于众包采集的原始轨迹数据,在没有车道线、红绿灯等其他要素的情况下,想要得到正确的拓扑,先得到路口是其至关重要的步骤。当前大多数路口数据均由停止线数据或轨迹数据的角度复杂度生成,较难很好地适应高速、高架路段的分歧合流驾驶场景(无停止线,轨迹分层,环形道路)。
因此,本发明实施例提供了一种融合遥感影像和轨迹数据的分歧合流路口生成方法及装置,利用已有的开源遥感影像数据,结合众包轨迹数据从遥感影像中提取高质量的导流带信息,利用导流带数据生成分歧合流路口。以下通过附图结合各实施例进行具体说明。
图1为本发明实施例提供的融合遥感影像和轨迹数据的分歧合流路口生成方法流程示意图,如图1所示,本发明实施例提供的融合遥感影像和轨迹数据的分歧合流路口生成方法包括但不限于以下步骤:
步骤S1,利用轨迹数据对遥感影像数据进行预处理,获得轨迹覆盖区域的道路影像数据;
具体地,首先,获取原始轨迹数据和遥感影像数据,对原始轨迹数据中的轨迹点进行10m的缓冲区分析,形成轨迹点构成的轨迹面。然后,将得到的轨迹面与遥感影像数据进行相交运算,获得轨迹面覆盖区域的遥感影像,作为道路影像数据。
图2为本发明实施例提供的融合遥感影像和轨迹数据的分歧合流路口生成方法完整流程图,参照图1和图2,在步骤S1获得轨迹覆盖区域的道路影像数据之后,该方法还包括:
利用道路影像数据构建导流带检测模型的训练集,基于所述训练集进行模型训练,得到导流带检测模型。
具体地,首先,使用labelme程序,对道路影像数据中的导流带进行标记,获得真值,并生成相应的标签掩码图片;
然后,基于256×256的滑动窗口对所述道路影像数据和标签掩码进行切割,得到数据集,对所述数据集进行旋转、翻转、添加高斯噪声和模糊处理,以扩充数据集中的数据,并按预设比例划分为训练集和测试集;
进一步地,以u-net网络作为训练骨架进行神经网络训练。使用adam优化器,并将学习率设置为1×10-4,使用dice_loss作为损失函数,对训练集数据进行二分类,判断每一个像素点是背景还是导流带。
其中,adam优化器是一种对随机目标函数执行一阶梯度优化的算法,该算法基于适应性低阶矩估计。adam算法很容易实现,并且有很高的计算效率和较低的内存需求。adam算法梯度的对角缩放(diagonal rescaling)具有不变性,因此很适合求解带有大规模数据或参数的问题。
dice_loss来自dice coefficient,是一种用于评估两个样本的相似性的度量函数,取值范围在0到1之间,取值越大表示越相似。dice coefficient定义如下:
其中|X∩Y|是X和Y之间的交集,|X|和|Y|分表表示X和Y的元素的个数,分子乘2为了保证分母重复计算后取值范围在[0,1]之间。
因此dice_loss可以写为:
dice loss的求交的形式可以理解为mask掩码操作,因此不管图片有多大,固定大小的正样本的区域计算的loss是一样的,因此可以较好地应对图像挖掘任务中常见的正负样本不平衡的问题。
最后,设置模型更新条件和迭代停止条件,保存测试集损失最小的模型参数,同时,当经过一定次数的迭代后模型参数均未得到更新时,停止迭代,得到导流带检测模型。
本发明实施例中,为了降低人工标记的成本,采用高斯滤波、图像旋转、模糊、添加噪声点等方式扩充训练数据,同时增强训练模型的鲁棒性。最后,将训练数据和标签塞入目前已经成熟的u-net网络模型中进行训练。训练时,为了降低数据分布极度不均衡(目标较小,背景较大)带来的影响,使用dice_loss作为模型的损失函数,以优化模型的训练效果。通过该模型,可以从任意一张遥感影像图片中识别出导流带区域。与现有技术相比,本发明训练得到的导流带检测模型对于导流带的识别具有更低的误识别率。
步骤S2,将所述道路影像数据输入预先训练完成的导流带检测模型中,提取导流带像素点的坐标信息。
步骤S3,根据导流带像素点的坐标信息提取导流带轮廓,将所述导流带轮廓外扩形成导流带区域,根据所述导流带区域内的轨迹点行驶方向得到导流带的方向。
具体地,根据导流带像素点的坐标信息,聚类形成多个不同的导流带区域。依据每一个导流带区域进行最小凸包计算,得到导流带的轮廓。以导流带区域内的轨迹点行驶方向的中位数作为导流带的方向。
步骤S4,以导流带区域为起始区域面扩充缓冲区,筛选缓冲区中与导流带方向同向的轨迹,直至不再有新的轨迹数据落入缓冲区内,以获得在导流带处发生分歧合流行为的目标轨迹;基于所述目标轨迹生成最小凸包,将所述最小凸包的边界作为分歧合流路口。
本实施例中,以导流带区域为起始区域面,每次扩充2m的缓冲区,筛选缓冲区中与导流带方向同向的轨迹,直至不再有新的轨迹数据落入缓冲区内,以获得在导流带处发生分歧合流行为的目标轨迹。然后,基于目标轨迹生成最小凸包,将最小凸包的边界作为分歧合流路口。
本发明实施例提供的融合遥感影像和轨迹数据的分歧合流路口生成方法,能够以较低成本生成高速、高架路段的分歧合流路口,所得到的路口符合实际路况,满足智能驾驶需求。与现有技术中大多数路口数据均由停止线数据或轨迹数据的角度复杂度生成,较难很好地适应高速、高架路段的分歧合流驾驶场景相比,本发明不依赖轨迹的角度复杂度,受轨迹分层,环形道路的影响较小。
在一个实施例中,本发明实施例还提供了一种融合遥感影像和轨迹数据的分歧合流路口生成装置,如图3所示,图3为本发明实施例提供的融合遥感影像和轨迹数据的分歧合流路口生成装置的结构框图。本发明实施例提供的融合遥感影像和轨迹数据的分歧合流路口生成装置用于执行前述各实施例中的融合遥感影像和轨迹数据的分歧合流路口生成方法。该装置包括:
预处理模块301,用于利用轨迹数据对遥感影像数据进行预处理,获得轨迹覆盖区域的道路影像数据;
导流带提取模块302,将所述道路影像数据输入预先训练完成的导流带检测模型中,提取导流带像素点的坐标信息;
导流带方向获取模块303,用于根据导流带像素点的坐标信息提取导流带轮廓,将所述导流带轮廓外扩形成导流带区域,根据所述导流带区域内的轨迹点行驶方向得到导流带的方向;
路口生成模块304,用于以导流带区域为起始区域面扩充缓冲区,筛选缓冲区中与导流带方向同向的轨迹,直至不再有新的轨迹数据落入缓冲区内,以获得在导流带处发生分歧合流行为的目标轨迹;基于所述目标轨迹生成最小凸包,将所述最小凸包的边界作为分歧合流路口。
可以理解的是,本发明提供的融合遥感影像和轨迹数据的分歧合流路口生成装置与前述实施例提供的融合遥感影像和轨迹数据的分歧合流路口生成方法相对应,融合遥感影像和轨迹数据的分歧合流路口生成装置的相关技术特征可参考融合遥感影像和轨迹数据的分歧合流路口生成方法的相关技术特征,本发明实施例在此不再赘述。
在一个实施例中,本发明实施例提供了一种电子设备,如图4所示,该电子设备可以包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行上述各实施例提供的融合遥感影像和轨迹数据的分歧合流路口生成方法的步骤,例如包括:步骤S1,利用轨迹数据对遥感影像数据进行预处理,获得轨迹覆盖区域的道路影像数据;步骤S2,将所述道路影像数据输入预先训练完成的导流带检测模型中,提取导流带像素点的坐标信息;步骤S3,根据导流带像素点的坐标信息提取导流带轮廓,将所述导流带轮廓外扩形成导流带区域,根据所述导流带区域内的轨迹点行驶方向得到导流带的方向;步骤S4,以导流带区域为起始区域面扩充缓冲区,筛选缓冲区中与导流带方向同向的轨迹,直至不再有新的轨迹数据落入缓冲区内,以获得在导流带处发生分歧合流行为的目标轨迹;基于所述目标轨迹生成最小凸包,将所述最小凸包的边界作为分歧合流路口。
在一个实施例中,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的融合遥感影像和轨迹数据的分歧合流路口生成方法的步骤,例如包括:步骤S1,利用轨迹数据对遥感影像数据进行预处理,获得轨迹覆盖区域的道路影像数据;步骤S2,将所述道路影像数据输入预先训练完成的导流带检测模型中,提取导流带像素点的坐标信息;步骤S3,根据导流带像素点的坐标信息提取导流带轮廓,将所述导流带轮廓外扩形成导流带区域,根据所述导流带区域内的轨迹点行驶方向得到导流带的方向;步骤S4,以导流带区域为起始区域面扩充缓冲区,筛选缓冲区中与导流带方向同向的轨迹,直至不再有新的轨迹数据落入缓冲区内,以获得在导流带处发生分歧合流行为的目标轨迹;基于所述目标轨迹生成最小凸包,将所述最小凸包的边界作为分歧合流路口。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
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、装置、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、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(装置)、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (8)
1.一种融合遥感影像和轨迹数据的分歧合流路口生成方法,其特征在于,包括:
步骤S1,利用轨迹数据对遥感影像数据进行预处理,获得轨迹覆盖区域的道路影像数据;
步骤S2,将所述道路影像数据输入预先训练完成的导流带检测模型中,提取导流带像素点的坐标信息;
步骤S3,根据导流带像素点的坐标信息提取导流带轮廓,将所述导流带轮廓外扩形成导流带区域,根据所述导流带区域内的轨迹点行驶方向得到导流带的方向;
步骤S4,以导流带区域为起始区域面扩充缓冲区,筛选缓冲区中与导流带方向同向的轨迹,直至不再有新的轨迹数据落入缓冲区内,以获得在导流带处发生分歧合流行为的目标轨迹;基于所述目标轨迹生成最小凸包,将所述最小凸包的边界作为分歧合流路口。
2.根据权利要求1所述的融合遥感影像和轨迹数据的分歧合流路口生成方法,其特征在于,步骤S1中,利用轨迹数据对遥感影像数据进行预处理,获得轨迹覆盖区域的道路影像数据,包括:
获取原始轨迹数据和遥感影像数据,对原始轨迹数据中的轨迹点进行缓冲区分析,形成轨迹点构成的轨迹面;
将所述轨迹面与遥感影像数据进行相交运算,获得轨迹面覆盖区域的遥感影像,作为道路影像数据。
3.根据权利要求1所述的融合遥感影像和轨迹数据的分歧合流路口生成方法,其特征在于,在步骤S1获得轨迹覆盖区域的道路影像数据之后,所述方法还包括:
利用道路影像数据构建导流带检测模型的训练集,基于所述训练集进行模型训练,得到导流带检测模型。
4.根据权利要求3所述的融合遥感影像和轨迹数据的分歧合流路口生成方法,其特征在于,利用道路影像数据构建导流带检测模型的训练集,基于所述训练集进行模型训练,得到导流带检测模型,具体包括:
对道路影像数据中的导流带进行标记,获得真值,并生成相应的标签掩码图片;
基于滑动窗口对所述道路影像数据和标签掩码进行切割,得到数据集,对所述数据集进行旋转、翻转、添加高斯噪声和模糊处理,以扩充数据集中的数据,并按预设比例划分为训练集和测试集;
以u-net网络作为训练骨架进行神经网络训练,对训练集数据进行二分类,判断每一个像素点是背景还是导流带,保存测试集损失最小的模型参数,得到导流带检测模型。
5.根据权利要求1所述的融合遥感影像和轨迹数据的分歧合流路口生成方法,其特征在于,步骤S3中,根据导流带像素点的坐标信息提取导流带轮廓,具体包括:
根据导流带像素点的坐标信息,聚类形成多个不同的导流带区域;
依据每一个导流带区域进行最小凸包计算,得到导流带的轮廓。
6.一种融合遥感影像和轨迹数据的分歧合流路口生成装置,其特征在于,包括:
预处理模块,用于利用轨迹数据对遥感影像数据进行预处理,获得轨迹覆盖区域的道路影像数据;
导流带提取模块,将所述道路影像数据输入预先训练完成的导流带检测模型中,提取导流带像素点的坐标信息;
导流带方向获取模块,用于根据导流带像素点的坐标信息提取导流带轮廓,将所述导流带轮廓外扩形成导流带区域,根据所述导流带区域内的轨迹点行驶方向得到导流带的方向;
路口生成模块,用于以导流带区域为起始区域面扩充缓冲区,筛选缓冲区中与导流带方向同向的轨迹,直至不再有新的轨迹数据落入缓冲区内,以获得在导流带处发生分歧合流行为的目标轨迹;基于所述目标轨迹生成最小凸包,将所述最小凸包的边界作为分歧合流路口。
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任一项所述融合遥感影像和轨迹数据的分歧合流路口生成方法的步骤。
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任一项所述融合遥感影像和轨迹数据的分歧合流路口生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111683318.0A CN114512052B (zh) | 2021-12-31 | 2021-12-31 | 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111683318.0A CN114512052B (zh) | 2021-12-31 | 2021-12-31 | 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114512052A true CN114512052A (zh) | 2022-05-17 |
CN114512052B CN114512052B (zh) | 2023-06-02 |
Family
ID=81549453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111683318.0A Active CN114512052B (zh) | 2021-12-31 | 2021-12-31 | 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114512052B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984279A (zh) * | 2023-03-20 | 2023-04-18 | 银河航天(北京)网络技术有限公司 | 一种路径确定方法、***、电子设备及存储介质 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080004761A1 (en) * | 2006-06-30 | 2008-01-03 | Denso Corporation | Control information storage apparatus and program for same |
JP2010198468A (ja) * | 2009-02-26 | 2010-09-09 | Toyota Motor Corp | 車両用合流区間情報収集装置、及び車両用運転支援装置 |
JP2012118026A (ja) * | 2010-12-03 | 2012-06-21 | Aisin Aw Co Ltd | 道路ノード位置管理システム |
US20130328883A1 (en) * | 2012-06-06 | 2013-12-12 | Apple Inc. | Generating Land Cover for Display by a Mapping Application |
US20160358021A1 (en) * | 2015-06-05 | 2016-12-08 | University Of Washington | Visual representations of distance cartograms |
DE102016213817A1 (de) * | 2016-07-27 | 2018-02-01 | Volkswagen Aktiengesellschaft | Verfahren, Vorrichtung und computerlesbares Speichermedium mit Instruktionen zur Bestimmung der lateralen Position eines Fahrzeuges relativ zu den Fahrstreifen einer Fahrbahn |
US20180066957A1 (en) * | 2016-09-08 | 2018-03-08 | Here Global B.V. | Method and apparatus for providing trajectory bundles for map data analysis |
JP2018067234A (ja) * | 2016-10-21 | 2018-04-26 | 株式会社創発システム研究所 | 自動車自動運転支援システム。 |
CN110633342A (zh) * | 2019-07-29 | 2019-12-31 | 武汉光庭信息技术股份有限公司 | 车道拓扑网络生成方法 |
US20200096360A1 (en) * | 2018-09-21 | 2020-03-26 | Visteon Global Technologies, Inc. | Method for planning trajectory of vehicle |
US20200253764A1 (en) * | 2019-02-12 | 2020-08-13 | David C. LEW | Method and system for deploying a stent along an angled branch vessel of a main vessel juncture |
WO2020191642A1 (zh) * | 2019-03-27 | 2020-10-01 | 深圳市大疆创新科技有限公司 | 轨迹预测方法及装置、存储介质、驾驶***与车辆 |
CN111811525A (zh) * | 2020-06-09 | 2020-10-23 | 广东国地规划科技股份有限公司 | 一种基于遥感图像和浮动车轨迹的路网生成方法及*** |
CN112507891A (zh) * | 2020-12-12 | 2021-03-16 | 武汉中海庭数据技术有限公司 | 自动化识别高速路口并构建路口向量的方法及装置 |
US20210088339A1 (en) * | 2019-09-19 | 2021-03-25 | Here Global B.V. | Methods and systems for identifying ramp links of a road |
CN112649009A (zh) * | 2020-11-17 | 2021-04-13 | 武汉光庭信息技术股份有限公司 | 中精度地图分岐合流路口处理方法及*** |
CN113033608A (zh) * | 2021-02-08 | 2021-06-25 | 北京工业大学 | 遥感影像道路提取方法及装置 |
CN113223324A (zh) * | 2021-03-25 | 2021-08-06 | 东南大学 | 高速匝道入口合流的控制方法 |
-
2021
- 2021-12-31 CN CN202111683318.0A patent/CN114512052B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080004761A1 (en) * | 2006-06-30 | 2008-01-03 | Denso Corporation | Control information storage apparatus and program for same |
JP2010198468A (ja) * | 2009-02-26 | 2010-09-09 | Toyota Motor Corp | 車両用合流区間情報収集装置、及び車両用運転支援装置 |
JP2012118026A (ja) * | 2010-12-03 | 2012-06-21 | Aisin Aw Co Ltd | 道路ノード位置管理システム |
US20130328883A1 (en) * | 2012-06-06 | 2013-12-12 | Apple Inc. | Generating Land Cover for Display by a Mapping Application |
US20160358021A1 (en) * | 2015-06-05 | 2016-12-08 | University Of Washington | Visual representations of distance cartograms |
DE102016213817A1 (de) * | 2016-07-27 | 2018-02-01 | Volkswagen Aktiengesellschaft | Verfahren, Vorrichtung und computerlesbares Speichermedium mit Instruktionen zur Bestimmung der lateralen Position eines Fahrzeuges relativ zu den Fahrstreifen einer Fahrbahn |
US20180066957A1 (en) * | 2016-09-08 | 2018-03-08 | Here Global B.V. | Method and apparatus for providing trajectory bundles for map data analysis |
JP2018067234A (ja) * | 2016-10-21 | 2018-04-26 | 株式会社創発システム研究所 | 自動車自動運転支援システム。 |
US20200096360A1 (en) * | 2018-09-21 | 2020-03-26 | Visteon Global Technologies, Inc. | Method for planning trajectory of vehicle |
US20200253764A1 (en) * | 2019-02-12 | 2020-08-13 | David C. LEW | Method and system for deploying a stent along an angled branch vessel of a main vessel juncture |
WO2020191642A1 (zh) * | 2019-03-27 | 2020-10-01 | 深圳市大疆创新科技有限公司 | 轨迹预测方法及装置、存储介质、驾驶***与车辆 |
CN110633342A (zh) * | 2019-07-29 | 2019-12-31 | 武汉光庭信息技术股份有限公司 | 车道拓扑网络生成方法 |
US20210088339A1 (en) * | 2019-09-19 | 2021-03-25 | Here Global B.V. | Methods and systems for identifying ramp links of a road |
CN111811525A (zh) * | 2020-06-09 | 2020-10-23 | 广东国地规划科技股份有限公司 | 一种基于遥感图像和浮动车轨迹的路网生成方法及*** |
CN112649009A (zh) * | 2020-11-17 | 2021-04-13 | 武汉光庭信息技术股份有限公司 | 中精度地图分岐合流路口处理方法及*** |
CN112507891A (zh) * | 2020-12-12 | 2021-03-16 | 武汉中海庭数据技术有限公司 | 自动化识别高速路口并构建路口向量的方法及装置 |
CN113033608A (zh) * | 2021-02-08 | 2021-06-25 | 北京工业大学 | 遥感影像道路提取方法及装置 |
CN113223324A (zh) * | 2021-03-25 | 2021-08-06 | 东南大学 | 高速匝道入口合流的控制方法 |
Non-Patent Citations (1)
Title |
---|
谢博晖;吴健平;: "GPS轨迹数据纠偏方法研究" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984279A (zh) * | 2023-03-20 | 2023-04-18 | 银河航天(北京)网络技术有限公司 | 一种路径确定方法、***、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114512052B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738207B (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN106570453B (zh) | 用于行人检测的方法、装置和*** | |
CN111640089B (zh) | 一种基于特征图中心点的缺陷检测方法及装置 | |
CN108460764A (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
CN108022251B (zh) | 一种管状结构的中心线的提取方法及*** | |
CN106709936A (zh) | 一种基于卷积神经网络的单目标跟踪方法 | |
CN110969166A (zh) | 一种巡检场景下小目标识别方法和*** | |
Kim et al. | Multi-task convolutional neural network system for license plate recognition | |
CN109815859A (zh) | 一种低等级道路自动提取及变化分析方法 | |
CN113591719B (zh) | 一种自然场景任意形状文本检测方法、装置和训练方法 | |
CN111462140B (zh) | 一种基于区块拼接的实时图像实例分割方法 | |
CN113807301B (zh) | 一种新增建设用地自动提取方法及自动提取*** | |
CN112734803A (zh) | 基于文字描述的单目标跟踪方法、装置、设备及存储介质 | |
CN109427062A (zh) | 道路特征标记方法、装置、计算机设备以及可读存储介质 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114170570A (zh) | 一种适用于拥挤场景下的行人检测方法及*** | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN113487610A (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN112560584A (zh) | 一种人脸检测方法及装置、存储介质、终端 | |
CN114512052B (zh) | 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置 | |
Sahu et al. | A comparative analysis of deep learning approach for automatic number plate recognition | |
CN113989814A (zh) | 图像生成方法、装置、计算机设备及存储介质 | |
CN112200789B (zh) | 一种图像识别的方法及装置、电子设备和存储介质 | |
CN112001336A (zh) | 行人越界报警方法、装置、设备及*** | |
CN116596895A (zh) | 一种变电设备图像缺陷识别方法及*** |
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 |