CN115457767B - 一种基于众包机动车轨迹的车道信息提取方法 - Google Patents

Abstract

本发明涉及一种基于众包机动车轨迹的车道信息提取方法，所述方法包括以下步骤：步骤S1、获取众包机动车轨迹数据集；步骤S2、采用聚类算法对轨迹数据集按轨迹方向进行划分；步骤S3、基于阈值设置，从划分轨迹方向后的数据集中提取出每个方向的道路中心线；步骤S4、对每个方向的道路中心线分段后，构建表征轨迹点落入概率的高斯混合模型，采用期望最大化EM算法求解高斯混合模型，得到车道数量和车道中心线。与现有技术相比，本发明可以更加准确地反映真实的车道信息且车道提取准确性高。

Description

一种基于众包机动车轨迹的车道信息提取方法

技术领域

本发明涉及智能交通技术领域，尤其是涉及一种基于众包机动车轨迹的车道信息提取方法。

背景技术

城市道路信息作为国家基础地理信息的重要组成部分，为交通感知、地图数据更新等提供可靠的依据。传统的道路信息获取及更新基于高分辨率图像数据、高精度点云数据和专业高精度GNSS数据等，这类数据的采集成本昂贵、数据更新周期长，难以满足当前城市发展对道路信息更新的现势性强和低成本的要求。

导航轨迹数据有数据量大、时效性强、覆盖面广、成本低等优点，可以作为道路获取与更新的重要数据源。

目前，基于轨迹数据进行道路信息提取的研究中，车道级道路信息提取相关的研究较少。而车道级道路信息提取需要以道路骨架为参考，目前大部分道路骨架提取的研究受轨迹点的密度分布影响，从而进一步影响车道级道路信息的提取。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种准确性高的基于众包机动车轨迹的车道信息提取方法。

本发明的目的可以通过以下技术方案来实现：

本发明提供了一种基于众包机动车轨迹的车道信息提取方法，所述方法包括以下步骤：

步骤S1、获取众包机动车轨迹数据集；

步骤S2、采用聚类算法对轨迹数据集按轨迹方向进行划分；

步骤S3、基于阈值设置，从划分轨迹方向后的数据集中提取出每个方向的道路中心线；

步骤S4、对每个方向的道路中心线分段后，构建表征轨迹点落入概率的高斯混合模型，采用期望最大化EM算法求解高斯混合模型，得到车道数量和车道中心线。

优选地，所述步骤S2中的聚类算法为K-Means++聚类算法。

优选地，所述步骤S2具体包括以下子步骤：

步骤S21、初始化聚类簇数量，对轨迹数据集进行聚类；

步骤S22、将聚类后得到的各类簇的聚类中心按大小顺序进行排列；若相邻簇的聚类中心间的距离小于设定阈值，则进行合并，最终得到不同方向的聚类簇，即为不同轨迹方向的轨迹数据集。

优选地，所述步骤S3具体包括以下子步骤：

步骤S31、以轨迹点为坐标原点，轨迹点的行驶方位角为y轴，建立直角坐标系Oxy；坐标变换得到该轨迹点邻域内其他点在该直角坐标系Oxy中的坐标(x′，y′)；

步骤S32、定义F_list为轨迹点P_i邻域R内的其它点在x轴坐标值集合，计算轨迹点P_i的目标值F_i，表达式为：

F_i＝x_min+x_max

式中，x_min、x_max分别为坐标值集合F_list中除异常值外的最小值和最大值；

步骤S33、将低于目标值低于设定阈值的轨迹点作为核心点；

步骤S34、在核心点中选取一个初始轨迹点，将初始轨迹点邻域R内点的中心位置作为道路中心线节点，并将邻域内的点标记为“已判断”；

步骤S35、选取初始轨迹点邻域R外的距该道路中心线节点最近的轨迹点作为下一个初始轨迹点，并转步骤S34，重复执行直至所有的轨迹点均标记为“已判断”，得到整个路段的道路中心线节点集合。

优选地，所述步骤S31中坐标变换得到该轨迹点邻域内其他点在该直角坐标系Oxy中的坐标(x′，y′)，具体表达式为：

式中，θ为轨迹点的方位角，(x₀，y₀)为轨迹点的真实坐标，(x_a，y_a)为轨迹点邻域内其他点的实际坐标。

优选地，所述步骤S32中的异常值具体为：

定义Q₁和Q₃分别表示坐标值集合F_list的下四分位数和上四分位数；定义IQR＝Q₃-Q₁为四分位距；定义坐标值集合F_list的下界为Q₁-1.5IQR，上界定义为Q₃+1.5IQR，异常值定义为在上界和下界外的值。

优选地，所述步骤S4包括以下子步骤：

步骤S41、以道路中心线的方向作为坐标纵轴的方向建立直角坐标系，将路段沿着道路中心线以设定间隔进行分段，并基于落入分段内的轨迹点构建高斯混合模型：

μ_j＝μ₀+(j-1)Δμ，j＝1，2，...，k

σ_j ²＝σ²，j＝1，2，...，k

式中，k为高斯成分的个数，表征车道数量；w_j表示每个高斯成分对应的权重，表征轨迹点在每个车道的分布可能性；σ_j ²表示每个高斯成分对应的方差，此处均设置为σ²；μ_j为每个高斯成分的均值，μ₀表征道路左侧第一个车道中心线的位置，Δμ表征车道宽度；x为轨迹点到对应道路中心线段的投影横坐标值；

步骤S42、采用期望最大化EM算法求解每个分段的最优车道数量对应的高斯混合模型参数

步骤S43、基于每个分段的最优车道数量对应的高斯混合模型参数 和道路中心线节点，反算出每个分段的车道中心线节点的真实坐标(x，y)，表达式为：

式中，θ表示道路中心线的方位角，(x₀，y₀)为轨迹点的真实坐标是坐标原点即该分段中心线节点的真实坐标，(x，y)是车道中心线节点的真实坐标；(x′，y′)是车道中心线节点在以道路中心线为纵轴的直角坐标系中的相对坐标，y′为0，x′为求解出的高斯混合模型参数μ_j；

步骤S44、连接各个分段的车道中心线节点，得到整个路段的车道中心线。

优选地，所述步骤S42中的采用期望最大化算法求解每个分段的最优车道数量对应的高斯混合模型参数具体为：

步骤S421、初始化模型参数

Δμ⁽⁰⁾＝c₁

σ⁽⁰⁾＝c₂

式中，k为高斯成分的个数，表征车道数量；min(x)表示样本数据x的最小值；c₁为依据车道宽度标准设定的常数；c₂为依据车道宽度设定的常数；

步骤S422、期望E步：根据当前模型参数，计算每个分模型k对输入的n个样本数据的响应度，即当前模型参数下第i个观测数据来自于第j个分模型的概率γ_ij ^(m)，表达式为：

式中，上标m代表第m步迭代；

步骤S423、极大M步：构建对数似然函数，通过期望最大化更新高斯模型参数：

其中：

a₃＝n

式中，x_i为第i个样本数据，n为样本数据数目；

步骤S424、重复S422～S423，直至达到设置的迭代停止条件，得到每个高斯成分对应的各个参数；

步骤S425、基于代价函数选择最优的高斯参数作为最终的车道数量。

优选地，所述步骤S424中的迭代停止条件具体为：直至对数似然函数变化值小于设定值时，停止迭代。

优选地，所述步骤S425中的代价函数具体为：

式中，D为道路宽度，Δμ为该模型下车道宽度的估计值，λ、t₁、t₂、t₃均设定的正常数。

与现有技术相比，本发明具有以下优点：

1)本发明的方法通过轨迹点提取出道路中心线，受轨迹点密度分布影响较小，可以更准确的提取道路中心线；

2)采用高斯混合模型进行车道信息提取，该方法基于提取的道路中心线，采用约束高斯混合模型进一步提取车道数量和车道中心线，提取的车道信息基于轨迹本身的分布，可以更加准确地反映真实的车道信息。

附图说明

图1为本发明的方法流程图；

图2是道路中心线提取步骤中F值计算所涉及的符号的具体解释；

图3为实施例中单个路段的道路中心线提取方法示意图。

具体实施方式

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的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

本实施例给出了一种基于众包机动车轨迹的车道信息提取方法，所述方法包括以下步骤，如图1所示：

步骤S1、获取众包机动车轨迹数据集；

步骤S2、采用K-Means++聚类算法对轨迹数据集按轨迹方向进行划分，具体为：

步骤S21、初始化聚类簇数量，对轨迹数据集进行聚类；

步骤S22、将聚类后得到的各类簇的聚类中心按大小顺序进行排列；若相邻簇的聚类中心间的距离小于设定阈值，则进行合并，最终得到不同方向的聚类簇，即为不同轨迹方向的轨迹数据集，如图3左图所示。

步骤S3、基于阈值设置，从划分轨迹方向后的数据集中提取出每个方向的道路中心线，如图3右图所示，具体为：

步骤S31、以轨迹点为坐标原点，轨迹点的行驶方位角为y轴，建立直角坐标系Oxy；坐标变换得到该轨迹点邻域内其他点在该直角坐标系Oxy中的坐标(x′，y′)，具体表达式为：

式中，θ为轨迹点的方位角，(x₀，y₀)为轨迹点的真实坐标，(x_a，y_a)为轨迹点邻域内其他点的实际坐标。

步骤S32、定义F_list为轨迹点P_i邻域R内的其它点在x轴坐标值集合，计算轨迹点P_i的目标值F_i，表达式为：

F_i＝x_min+x_max

式中，x_min、x_max分别为坐标值集合F_list中除异常值外的最小值和最大值；

其中，如图2所示，异常值设置具体为：定义Q₁和Q₃分别表示坐标值集合F_list的下四分位数和上四分位数；定义IQR＝Q₃-Q₁为四分位距；定义坐标值集合F_list的下界为Q₁-1.5IQR，上界定义为Q₃+1.5IQR，异常值定义为在上界和下界外的值。

步骤S33、将低于目标值低于设定阈值的轨迹点作为核心点；

步骤S34、在核心点中选取一个初始轨迹点，将初始轨迹点邻域R内点的中心位置作为道路中心线节点，并将邻域内的点标记为“已判断”；

步骤S35、选取初始轨迹点邻域R外的距该道路中心线节点最近的轨迹点作为下一个初始轨迹点，并转步骤S34，重复执行直至所有的轨迹点均标记为“已判断”，得到整个路段的道路中心线节点集合(如图3中的C1，C2，C3点)。

步骤S4、采用高斯混合模型，从每个方向的道路中心线中提取出车道数量和车道中心线，具体为：

步骤S41、以道路中心线的方向作为坐标纵轴的方向建立直角坐标系，将路段沿着道路中心线以设定间隔进行分段，并基于落入分段内的轨迹点构建高斯混合模型：

μ_j＝μ₀+(j-1)Δμ，j＝1，2，...，k

σ_j ²＝σ²，j＝1，2，...，k

式中，k为高斯成分的个数，表征车道数量；w_j表示每个高斯成分对应的权重，表征轨迹点在每个车道的分布可能性；σ_j ²表示每个高斯成分对应的方差，此处均设置为σ²；μ_j为每个高斯成分的均值，μ₀表征道路左侧第一个车道中心线的位置，Δμ表征车道宽度；x为轨迹点到对应道路中心线段的投影横坐标值；

步骤S42、采用期望最大化EM算法求解每个分段的最优车道数量对应的高斯混合模型参数具体为：

步骤S421、初始化模型参数

Δμ⁽⁰⁾＝c₁

σ⁽⁰⁾＝c₂

式中，k为高斯成分的个数，表征车道数量；min(x)表示样本数据x的最小值；c₁为依据车道宽度标准设定的常数，c₂为依据车道宽度设定的常数，本实施例中，根据国内车道宽度的标准，Δμ⁽⁰⁾设为3.5，σ⁽⁰⁾根据先验知识设为车道宽度的一半，设为1.75。

步骤S422、期望E步：根据当前模型参数，计算每个分模型k对输入的n个样本数据的响应度，即当前模型参数下第i个观测数据来自于第j个分模型的概率γ_ij ^(m)，表达式为：

式中，上标m代表第m步迭代；

步骤S423、极大M步：构建对数似然函数，通过期望最大化更新高斯模型参数：

其中：

a₃＝n

式中，x_i为第i个样本数据，n为样本数据数目；

步骤S424、重复S422～S423，直至达到对数似然函数变化值小于设定值时，停止迭代，得到每个高斯成分对应的各个参数；

步骤S425、基于代价函数选择最优的高斯参数作为最终的车道数量，代价函数具体为：

式中，D为道路宽度，Δμ为该模型下车道宽度的估计值，λ、t₁、t₂、t₃均设定的正常数。

步骤S43、基于每个分段的最优车道数量对应的高斯混合模型参数 和道路中心线节点，反算出每个分段的车道中心线节点的真实坐标(x，y)，表达式为：

式中，θ表示道路中心线的方位角，(x₀，y₀)为轨迹点的真实坐标是坐标原点即该分段中心线节点的真实坐标，(x，y)是车道中心线节点的真实坐标；(x′，y′)是车道中心线节点在以道路中心线为纵轴的直角坐标系中的相对坐标，y′为0，x′为求解出的高斯混合模型参数μ_j；

步骤S44、连接各个分段的车道中心线节点，得到整个路段的车道中心线；

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于众包机动车轨迹的车道信息提取方法，其特征在于，所述方法包括以下步骤：

步骤S1、获取众包机动车轨迹数据集；

步骤S2、采用聚类算法对轨迹数据集按轨迹方向进行划分；

步骤S3、基于阈值设置，从划分轨迹方向后的数据集中提取出每个方向的道路中心线；

步骤S4、对每个方向的道路中心线分段后，构建表征轨迹点落入概率的高斯混合模型，采用期望最大化EM算法求解高斯混合模型，得到车道数量和车道中心线，具体包括以下子步骤：

步骤S41、以道路中心线的方向作为坐标纵轴的方向建立直角坐标系，将路段沿着道路中心线以设定间隔进行分段，并基于落入分段内的轨迹点构建高斯混合模型：

μ_j＝μ₀+(j-1)Δμ，j＝1，2，...，k

σ_j ²＝σ²，j＝i，2，...，k

式中，k为高斯成分的个数，表征车道数量；w_j表示每个高斯成分对应的权重，表征轨迹点在每个车道的分布可能性；σ_j ²表示每个高斯成分对应的方差，此处均设置为σ²；μ_j为每个高斯成分的均值，μ₀表征道路左侧第一个车道中心线的位置，Δμ表征车道宽度；x为轨迹点到对应道路中心线段的投影横坐标值；

步骤S42、采用期望最大化EM算法求解每个分段的最优车道数量对应的高斯混合模型参数具体为：

步骤S421、初始化模型参数

Δμ⁽⁰⁾＝c₁

σ^(o)＝c₂

式中，k为高斯成分的个数，表征车道数量；min(x)表示样本数据x的最小值；c₁为依据车道宽度标准设定的常数；c₂为依据车道宽度设定的常数；

步骤S422、期望E步：根据当前模型参数，计算每个分模型k对输入的n个样本数据的响应度，即当前模型参数下第i个观测数据来自于第j个分模型的概率γ_ij ^(m)，表达式为：

i＝1,2,…,n；j＝1,2,…,k

式中，上标m代表第m步迭代；

步骤S423、极大M步：构建对数似然函数，通过期望最大化更新高斯模型参数：

其中：

a₃＝n

式中，x_i为第i个样本数据，n为样本数据数目；

步骤S424、重复S422～S423，直至达到设置的迭代停止条件，得到每个高斯成分对应的各个参数；

步骤S425、基于代价函数选择最优的高斯参数作为最终的车道数量；

步骤S43、基于每个分段的最优车道数量对应的高斯混合模型参数 和道路中心线节点，反算出每个分段的车道中心线节点的真实坐标(x,y)，表达式为：

式中，θ表示道路中心线的方位角，(x₀,y₀)为轨迹点的真实坐标是坐标原点即该分段中心线节点的真实坐标，(x,y)是车道中心线节点的真实坐标；(x′,y′)是车道中心线节点在以道路中心线为纵轴的直角坐标系中的相对坐标，y′为0，x′为求解出的高斯混合模型参数μ_j；

步骤S44、连接各个分段的车道中心线节点，得到整个路段的车道中心线。

2.根据权利要求1所述的一种基于众包机动车轨迹的车道信息提取方法，其特征在于，所述步骤S2中的聚类算法为K-Means++聚类算法。

3.根据权利要求2所述的一种基于众包机动车轨迹的车道信息提取方法，其特征在于，所述步骤S2具体包括以下子步骤：

步骤S21、初始化聚类簇数量，对轨迹数据集进行聚类；

步骤S22、将聚类后得到的各类簇的聚类中心按大小顺序进行排列；若相邻簇的聚类中心间的距离小于设定阈值，则进行合并，最终得到不同方向的聚类簇，即为不同轨迹方向的轨迹数据集。

4.根据权利要求1所述的一种基于众包机动车轨迹的车道信息提取方法，其特征在于，所述步骤S3具体包括以下子步骤：

步骤S31、以轨迹点为坐标原点，轨迹点的行驶方位角为y轴，建立直角坐标系Oxy；坐标变换得到该轨迹点邻域内其他点在该直角坐标系Oxy中的坐标(x′,y′)；

步骤S32、定义F_list为轨迹点P_i邻域R内的其它点在x轴坐标值集合，计算轨迹点P_i的目标值F_i，表达式为：

F_i＝x_min+x_max

式中，x_min、x_max分别为坐标值集合F_list中除异常值外的最小值和最大值；

步骤S33、将低于目标值低于设定阈值的轨迹点作为核心点；

步骤S34、在核心点中选取一个初始轨迹点，将初始轨迹点邻域R内点的中心位置作为道路中心线节点，并将邻域内的点标记为“已判断”；

步骤S35、选取初始轨迹点邻域R外的距该道路中心线节点最近的轨迹点作为下一个初始轨迹点，并转步骤S34，重复执行直至所有的轨迹点均标记为“已判断”，得到整个路段的道路中心线节点集合。

5.根据权利要求4所述的一种基于众包机动车轨迹的车道信息提取方法，其特征在于，所述步骤S31中坐标变换得到该轨迹点邻域内其他点在该直角坐标系Oxy中的坐标(x′,y′)，具体表达式为：

式中，θ为轨迹点的方位角，(x₀,y₀)为轨迹点的真实坐标，(x_a,y_a)为轨迹点邻域内其他点的实际坐标。

6.根据权利要求4所述的一种基于众包机动车轨迹的车道信息提取方法，其特征在于，所述步骤S32中的异常值具体为：

定义Q₁和Q₃分别表示坐标值集合F_list的下四分位数和上四分位数；定义IQR＝Q₃-Q₁为四分位距；定义坐标值集合F_list的下界为Q₁-1.5IQR，上界定义为Q₃+1.5IQR，异常值定义为在上界和下界外的值。

7.根据权利要求1所述的一种基于众包机动车轨迹的车道信息提取方法，其特征在于，所述步骤S424中的迭代停止条件具体为：直至对数似然函数变化值小于设定值时，停止迭代。

8.根据权利要求1所述的一种基于众包机动车轨迹的车道信息提取方法，其特征在于，所述步骤S425中的代价函数具体为：

式中，D为道路宽度，Δμ为该模型下车道宽度的估计值，λ、t₁、t₂、t₃均设定的正常数。