一种融合车载图像语义的车辆轨迹地图匹配方法组成比例

本发明专利技术公开了一种融合车载图像语义的车辆轨迹地图匹配方法，首先提出了一种基于隐马尔可夫模型的多路径输出算法，能够根据当前轨迹数据的时空特征，提取包含车辆真实行驶轨迹在内的多条候选轨迹；其次构建卷积神经网络模型，从车载图像中提取用于识别垂直平行路和水平平行路的语义信息，并且设计车载图像语义的量化方法；最后基于熵权法，通过量化后的车载图像语义实现候选轨迹的综合评价，并且提取最大似然的候选轨迹作为车辆轨迹的地图匹配结果。本发明专利技术促进了车载图像与地图匹配算法的有效融合，能够有效提高高精度地图众包数据的利用率和价值，为高精度地图众包车辆轨迹数据的位置校正以及高精度地图的高时效性更新提供方法支撑。方法支撑。方法支撑。

【技术实现步骤摘要】
一种融合车载图像语义的车辆轨迹地图匹配方法


[0001]本专利技术涉及一种融合车载图像语义的车辆轨迹地图匹配方法，属高精度地图众包模式数据更新


技术介绍

[0002]高精度地图是未来智能汽车的基础设施体系之一，可为自动驾驶汽车提供高精度定位信息、辅助环境感知、路径决策规划、云车路协同交互等功能。而众包模式数据更新是实现高精度地图实时更新的必要途径。由众包车辆获取的车载图像和车辆轨迹数据，可以用于道路要素以及附属设施等静态道路数据的获取及更新。目前，由于众包轨迹数据的定位精度较低、数据质量较差，使得高精度地图的众包模式更新自动化程度较低，无法满足高精度、高时效的数据更新需要。地图匹配算法是实现轨迹数据位置校正的有效方法，常用于在线车辆导航和离线数据校正，也是高精度地图众包轨迹数据位置校正的核心算法之一。地图匹配算法中仅融合了轨迹数据的时空特征，在假设车辆行驶最短或最佳路径的前提下进行问题求解，使得地图匹配算法本身就是一个理想情况下的求解方案，难以满足高精度地图数据采集、更新对轨迹位置精度的要求。考虑到车载图像可以反映车辆行驶的环境信息，能够用于推断车辆在复杂道路场景下的复杂驾驶行为与车辆的具体行驶位置，因此如何在地图匹配算法中有效地融合车载图像语义信息，突破地图匹配算法在众包轨迹数据校正上的精度瓶颈，是本专利技术解决的主要问题。

技术实现思路

[0003]本专利技术的目的在于提供一种融合车载图像语义的车辆轨迹地图匹配方法，在充分利用高精度地图众包车辆采集的轨迹数据时空特征和车载图像语义特征的基础之上，实现车辆轨迹数据的高精度位置校正。
[0004]本专利技术提出了一种融合车载图像语义的车辆轨迹地图匹配方法：首先构建了基于隐马尔可夫模型的多路径输出算法，能够提取当前轨迹数据可能行驶的多条候选轨迹，提高车辆真实行驶轨迹的召回率；其次从车载图像中提取了用于识别垂直平行路和水平平行路的语义信息，并设计了车载图像语义的量化方法；最后基于熵权法，通过融合量化后的车载图像语义信息实现了候选轨迹的综合评价，并提取最大似然的候选轨迹作为车辆轨迹的地图匹配结果。本专利技术促进了车载图像与地图匹配算法的有效融合，为突破地图匹配算法的精度瓶颈提供新的思路，能够有效提高高精度地图众包数据的利用率和价值，为高精度地图众包车辆轨迹数据的位置校正以及高精度地图的高时效性更新提供方法支撑。本专利技术的技术方案为一种融合车载图像语义的车辆轨迹地图匹配方法。主要包括以下步骤：
[0005]步骤1，基于隐马尔可夫模型的多路径输出算法，求解当前轨迹可能行驶的多条候选轨迹，具体可细分为以下步骤(如图1所示)：
[0006]步骤1.1，车辆轨迹数据预处理，首先需要根据车辆id对车辆轨迹进行分组，随后根据采集时间对车辆轨迹数据排序，再者根据相邻原始轨迹记录之间的直线距离和时间间
隔计算直线速度，以城市最大限速120km/h作为阈值筛查异常点，并在异常点出现位置将轨迹数据打断。
[0007]步骤1.2，城市道路数据预处理，首先确保路网数据中不存在一个节点仅关联两条道路的情况，如果存在则将这两条道路合并为同一条道路；其次采用R*树空间索引对道路数据中路段的空间信息进行缓存，采用红黑树属性索引对道路数据中的节点、道路及路段等属性信息进行缓存，以方便方法对数据进行空间及属性检索的需要；此外，通过节点和道路数据构建于A*最短路径算法的带权有向图。
[0008]步骤1.3，依次遍历每一个轨迹点，如果不存在下一个轨迹点，则进入步骤1.9；
[0009]步骤1.4，获取当前轨迹点的候选路段，以当前轨迹点为中心，以一定范围为半径，通过步骤1.2中构建的空间索引，查询范围内的所有路段作为当前轨迹点的候选路段，首先判断轨迹点的行驶方向与候选路段行驶方向之间的夹角，如果角度超过60
°
则抛弃当前候选路段；对于满足条件的每一条候选路段，按照公式(1)计算当前轨迹点与候选路段之间的点线关系函数；按照公式(2)计算当前轨迹点在候选路段上的候选点；
[0010][0011]x＝x1+r*(x2‑
x1)；y＝y1+r*(y2‑
y1)
ꢀꢀꢀ
(2)
[0012]其中A和B为路段的起点和止点，(x1,y1)和(x2,y2)分别为起点和止点的坐标，P为当前轨迹点，(x,y)为当前轨迹点的坐标；
[0013]步骤1.5，对候选路段进行筛选和分组，如果由步骤1.4计算的点线关系函数值r∈[0,1]，则将当前候选路段上的候选点添加到候选集，并记录当前候选点所在的道路至候选道路ID集；如果r∈[
‑
ε,0)∪(1,1+ε]且轨迹点与候选点之间的距离小于一定阈值，则将当前候选路段上的候选点添加到备选集，其中ε为点线关系函数的容许的范围值；其他候选点将被抛弃。
[0014]步骤1.6，挑选备选集中的关键候选点到候选集，如果备选集中的某个候选点关联的所有道路ID均没有出现在步骤1.5的候选道路ID集中，则将当前候选点添加至候选集，并将当前候选点关联的所有道路ID均添加到候选道路ID集中；如果关联的所有道路ID出现在候选道路ID集中，则对比两个候选点与轨迹点之间的距离，仅在候选集中保留距离最短的一个候选点，另一个候选点移至备选集；关联道路的计算方法如下：备选集中的所有候选点均为路段的端点，端点关联的所有路段的道路ID即为当前候选点的关联道路ID；
[0015]步骤1.7，计算当前所有候选点的观测概率与转移概率(Viterbi算法)，具体可细分为以下步骤(如图2所示)：
[0016]步骤1.7.1，判断是否存在前序轨迹点记录的候选集和备选集，如果不存在前序轨迹点记录的候选集和备选集，则跳转步骤1.7.2，否则跳转步骤1.7.3；
[0017]步骤1.7.2，计算当前轨迹点候选集和备选集中所有候选点的观测概率，详见公式(3)，将观测概率作为候选点的整体概率，并将带有整体概率得分的候选点添加到候选结果集和备选结果集当中，随后跳转至步骤1.7.8；观测概率计算公式如下：
[0018][0019]其中，代表第i个原始轨迹点p
i
的第j个候选点，为车辆轨迹点的空间位置
概率，如公式(4)所示；为车辆轨迹点的行驶方向概率，如公式(5)所示；为车辆轨迹点与候选路段之间的关系概率，如公式(6)所示；
[0020]车辆轨迹点与候选点之间的距离满足正态分布，车辆轨迹点的空间位置概率函数F
d
定义如下：
[0021][0022]其中，代表第i个原始轨迹点的第j个候选点，代表了第i个原始轨迹点与其第j个候选路径上的候选点之间的距离，μ
d
和σ
d
分别代表距离的均值和标准差；
[0023]车辆行驶方向与候选路段方向之间的夹角同样满足正态分布，车辆行驶方向的概率函数F
θ
定义如下：
[0024][0025]其中，代表第i个原始轨迹点p
i
的第j本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合车载图像语义的车辆轨迹地图匹配方法，其特征在于，包括如下步骤：步骤1，基于隐马尔可夫模型的多路径输出算法，求解当前轨迹可能行驶的多条候选轨迹；步骤2，车载图像语义提取与量化，具体包括采用卷积神经网络对车载图像进行场景模式分类，对车载图像中的车道数进行识别，对车载图像中出现的导流线进行识别；步骤3，基于熵权法，通过量化后的车载图像语义实现候选轨迹的综合评价，并且提取最大似然的候选轨迹作为车辆轨迹的地图匹配结果。2.如权利要求1所述的一种融合车载图像语义的车辆轨迹地图匹配方法，其特征在于：步骤1的具体实现方式如下：步骤1.1，车辆轨迹数据预处理，首先需要根据车辆id对车辆轨迹进行分组，随后根据采集时间对车辆轨迹数据排序，再者根据相邻原始轨迹记录之间的直线距离和时间间隔计算直线速度，以城市最大限速N km/h作为阈值筛查异常点，并在异常点出现位置将轨迹数据打断；步骤1.2，城市道路数据预处理，首先确保路网数据中不存在一个节点仅关联两条道路的情况，如果存在则将这两条道路合并为同一条道路；其次采用R*树空间索引对道路数据中路段的空间信息进行缓存，采用红黑树属性索引对道路数据中的节点、道路及路段等属性信息进行缓存，以方便方法对数据进行空间及属性检索的需要；此外，通过节点和道路数据构建于A*最短路径算法的带权有向图；步骤1.3，依次遍历每一个轨迹点，如果不存在下一个轨迹点，则进入步骤1.9；步骤1.4，获取当前轨迹点的候选路段，以当前轨迹点为中心，以一定范围为半径，通过步骤1.2中构建的空间索引，查询范围内的所有路段作为当前轨迹点的候选路段，首先判断轨迹点的行驶方向与候选路段行驶方向之间的夹角，如果角度超过M
°
则抛弃当前候选路段；对于满足条件的每一条候选路段，按照公式(1)计算当前轨迹点与候选路段之间的点线关系函数；按照公式(2)计算当前轨迹点在候选路段上的候选点；x＝x1+r*(x2‑
x1)；y＝y1+r*(y2‑
y1)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中A和B为路段的起点和止点，(x1,y1)和(x2,y2)分别为起点和止点的坐标，P为当前轨迹点，(x,y)为当前轨迹点的坐标；步骤1.5，对候选路段进行筛选和分组，如果由步骤1.4计算的点线关系函数值r∈[0,1]，则将当前候选路段上的候选点添加到候选集，并记录当前候选点所在的道路至候选道路ID集；如果r∈[
‑
ε,0)∪(1,1+ε]且轨迹点与候选点之间的距离小于一定阈值，则将当前候选路段上的候选点添加到备选集，其中ε为点线关系函数的容许的范围值；其他候选点将被抛弃；步骤1.6，挑选备选集中的关键候选点到候选集，如果备选集中的某个候选点关联的所有道路ID均没有出现在步骤1.5的候选道路ID集中，则将当前候选点添加至候选集，并将当前候选点关联的所有道路ID均添加到候选道路ID集中；如果关联的所有道路ID出现在候选道路ID集中，则对比两个候选点与轨迹点之间的距离，仅在候选集中保留距离最短的一个候选点，另一个候选点移至备选集；关联道路的计算方法如下：备选集中的所有候选点均为
路段的端点，端点关联的所有路段的道路ID即为当前候选点的关联道路ID；步骤1.7，采用Viterbi算法计算当前所有候选点的观测概率与转移概率；步骤1.8，如果Viterbi算法中返回的候选结果集和备选结果集为空，则转至步骤1.9，否则记录当前轨迹点的候选结果集和备选结果集，将其作为下一个轨迹点的前序候选集和前序备选集，转至步骤1.3；步骤1.9，递归求解与候选点筛选，对于当前轨迹点保留的每一个候选点，依次递归其前序候选点，将得到的候选点链翻转，即可得到当前候选点途径的候选轨迹；对每条候选轨迹而言，以第二个候选点至倒数第二个候选点之间的途径道路ID链作为唯一标识，对所有候选点进行过滤，如果存在两个候选点拥有相同标识，则只保留概率得分最高的一条；步骤1.10，轨迹拼接，如果结果集为空，则将当前求解的所有候选轨迹添加到结果集；否则，将当前求解的候选轨迹与保存在结果集中的轨迹进行拼接：以当前求解的候选轨迹为准，在结果集中寻找最后一个候选点与当前候选轨迹的第一个候选点在同一条路上的候选轨迹，将其与当前的候选轨迹进行拼接；如果不存在上述情况，则在结果集中选择最后一个候选点与当前候选轨迹的第一个候选点之间距离最近的候选轨迹，将其与当前的候选轨迹进行拼接；保留拼接后的结果即为当前轨迹点求解的多路径输出结果；步骤1.11，如果仍存在轨迹点未遍历，则清空当前记录的候选结果集和备选结果集，转至步骤1.3；否则，多路径输出算法求解完成，转至步骤2。3.如权利要求1所述的一种融合车载图像语义的车辆轨迹地图匹配方法，其特征在于：步骤1.7的具体实现方式如下；步骤1.7.1，判断是否存在前序轨迹点记录的候选集和备选集，如果不存在前序轨迹点记录的候选集和备选集，则跳转步骤1.7.2，否则跳转步骤1.7.3；步骤1.7.2，计算当前轨迹点候选集和备选集中所有候选点的观测概率，详见公式(3)，将观测概率作为候选点的整体概率，并将带有整体概率得分的候选点添加到候选结果集和备选结果集当中，随后跳转至步骤1.7.8；观测概率计算公式如下：其中，代表第i个原始轨迹点p
i
的第j个候选点，为车辆轨迹点的空间位置概率，如公式(4)所示；为车辆轨迹点的行驶方向概率，如公式(5)所示；为车辆轨迹点与候选路段之间的关系概率，如公式(6)所示；车辆轨迹点与候选点之间的距离满足正态分布，车辆轨迹点的空间位置概率函数F
d
定义如下：其中，代表第i个原始轨迹点的第j个候选点，代表了第i个原始轨迹点与其第j个候选路径上的候选点之间的距离，μ
d
和σ
d
分别代表距离的均值和标准差；车辆行驶方向与候选路段方向之间的夹角同样满足正态分布，车辆行驶方向的概率函数F
θ
定义如下：
其中，代表第i个原始轨迹点p
i
的第j个候选点，代表了第i个原始轨迹点的行驶方向与第j个候选路段的方向之间的夹角，μ
θ
和σ
θ
分别代表角度的均值和标准差；车辆轨迹点与候选路段之间的关系概率定义如下：其中，代表第i个原始轨迹点p
i
的第j个候选点，代表第i个原始轨迹点与第j个候选路段之间的点线关系函数值；步骤1.7.3，计算当前轨迹点候选集和前序轨迹点候选集之间所有候选点对的整体概率，详见公式(7)；判断候选点对之间最短路径长度与轨迹点对直线距离的比值是否超过一定阈值，是则将候选点添加到候选结果集，否则将候选点添加到临时结果集；以候选点途径的道路ID链作为唯一标识，在向结果集添加候选点时，如果出现具有相同标识的候选点，则仅在结果集中保存概...

【专利技术属性】
技术研发人员：李伯钊，蔡忠亮，蒋子捷，王孟琪，
申请(专利权)人：武汉大学，
类型：发明
国别省市：