基于低精度gps軌跡數(shù)據(jù)的高精度車道信息提取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及基于低精度GPS軌跡數(shù)據(jù)中獲取高精度車道信息，屬于地理信息系統(tǒng) 與智能交通研宄領(lǐng)域。
【背景技術(shù)】
[0002] 道路信息（道路級別信息和車道級別信息）是智能輔助駕駛系統(tǒng)應(yīng)用的基礎(chǔ)，其 獲取方法和精細程度隨數(shù)據(jù)源和需求不斷發(fā)展演變。現(xiàn)有的道路信息獲取方法按數(shù)據(jù)源不 同主要分為三類：從圖像數(shù)據(jù)中提取道路信息，從激光點云數(shù)據(jù)中獲取道路信息以及從時 空GPS(全球定位系統(tǒng)）軌跡數(shù)據(jù)中挖掘道路信息；道路信息獲取的精細程度也逐漸由傳統(tǒng) 的道路級別深入到車道級別。利用時空GPS軌跡大數(shù)據(jù)提取道路信息是目前研宄的熱點話 題。目前針對車道級別道路信息提取，高精度GPS軌跡數(shù)據(jù)一般是指GPS定位精度在5米 以內(nèi)，且采集間隔是Is的數(shù)據(jù)；低精度GPS軌跡是指GPS定位精度低于5米，且采樣間隔為 20s~60s的GPS數(shù)據(jù)。Rogersetal. (1999)是最早嘗試利用時空DGPS(差分全球定位系 統(tǒng)）軌跡數(shù)據(jù)提取道路中心線以及車道邊界線的研宄者之一。隨后在Rogers等人研宄的 基礎(chǔ)上，利用時空GPS軌跡數(shù)據(jù)獲取道路信息逐漸發(fā)展成為一種端對端的模式。這種端對 端模式的道路信息獲取可以總結(jié)為如下幾個過程：首先對DGPS軌跡數(shù)據(jù)進行優(yōu)化，然后將 DGPS軌跡數(shù)據(jù)與現(xiàn)有地圖數(shù)據(jù)匹配，樣條曲線擬合道路中心線，最后通過聚類方法提取車 道信息以及細化交叉口的幾何結(jié)構(gòu)。JohnKrumm提出一種脫離原始地圖的道路信息獲取模 式，該模式首先采用軌跡分類和融合方法從大量DGPS軌跡數(shù)據(jù)中提取道路級別信息，然后 利用高斯混合模型從歸屬于每一條路段的大量軌跡數(shù)據(jù)中提取車道信息。
[0003] 利用高質(zhì)量DGPS軌跡數(shù)據(jù)提取道路信息雖然具有精細程度高且精度可靠的特 點，但是也存在數(shù)據(jù)采集成本高、周期長且無法反映因為交通管制、城市建設(shè)和車道功能改 變等引起的道路信息變化的局限性。同高精度DGPS軌跡數(shù)據(jù)相比，來源于城市出租車系統(tǒng) 或者其他采集設(shè)備的低精度GPS軌跡數(shù)據(jù)，雖然定位精度低、采樣頻率低，但是其海量信息 包含了豐富的道路信息和交通動態(tài)信息。目前利用低精度時空GPS軌跡數(shù)據(jù)獲取高精度道 路信息是一個難點，而大量的研宄仍然停留在道路級別信息的獲取，例如：道路中心線和復(fù) 雜交叉口道路的幾何結(jié)構(gòu)。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明在以上研宄的基礎(chǔ)上，提出了一種從低精度GPS軌跡數(shù)據(jù)中獲取車道級別 信息（車道數(shù)量、車道線、車道轉(zhuǎn)向信息）的新方法。
[0005] 本發(fā)明提供一種基于低精度GPS軌跡數(shù)據(jù)的高精度車道信息提取方法，包括以下 步驟，
[0006] 步驟1，根據(jù)GPS軌跡數(shù)據(jù)的位置信息和方向信息，對輸入的軌跡數(shù)據(jù)聚類、初步 匹配得到所屬路段，對屬于同一條路段的軌跡數(shù)據(jù)進行分段處理得到分割段；
[0007] 步驟2,對步驟1獲取的分割段分別進行優(yōu)化處理，包括計算分割段內(nèi)各軌跡點的 密度值，小于閾值的保留，否則去除；
[0008] 步驟3,對各優(yōu)化處理后的分割段進行GPS軌跡分布寬度探測，將其中已知車道數(shù) 量的若干分割段作為樣本分割段，以未知車道數(shù)量的分割段為待測分割段；根據(jù)樣本分割 段的車道數(shù)量和樣本分割段中每個再分割段相應(yīng)GPS軌跡分布寬度探測結(jié)果，構(gòu)建車道數(shù) 量判斷的基本分類器，根據(jù)待測分割段相應(yīng)的GPS軌跡分布寬度探測結(jié)果和基本分類器得 到待測分割段中每個再分割段的車道數(shù)量候選值；
[0009] 步驟4,根據(jù)步驟3所得車道數(shù)量候選值，基于限制性高斯混合模型確定待測分割 段中各再分割段的車道數(shù)量以及車道中心線；
[0010] 步驟5,根據(jù)步驟4獲取的車道數(shù)量和車道中心線信息，對路段上的GPS軌跡進行 軌跡追蹤，然后確定各車道的轉(zhuǎn)向信息如下，
[0011] 如果途經(jīng)兩個路段的軌跡方向變化值A(chǔ)0分別滿足（A0〈0°&A0~-90° )，（ A0>〇。&A0~90。），（A0 ~〇。）and(A0>〇。&A0~180。），那么判定該路段上分 布的車道轉(zhuǎn)向分別為'左轉(zhuǎn)'，'右轉(zhuǎn)'，'直行'和'掉頭'。
[0012] 而且，步驟1中軌跡點的密度值求取方式為，設(shè)軌跡點P是道路橫截面上任意的一 個軌跡點，則點P的密度值為以P為中心的鄰域內(nèi)包含其他軌跡點的個數(shù)。
[0013] 而且，步驟2中對分割段進行GPS軌跡分布寬度探測的方式為，
[0014] 設(shè)目標分割段Seg總長為L，按照分割尺度h依次得到n= (L/h)個再分割段， 記為（Seg1,Seg2. ..SegJ，再分割點記為（S1,S2......Sn+1}，首先通過主成分分析得到各再 分割段的主方向，然后擬合得到各再分割段上覆蓋的GPS軌跡數(shù)據(jù)的中心線，以中心線作 為相應(yīng)再分割段上測寬坐標系的橫軸，各再分割點為每段再分割段上對應(yīng)坐標系的坐標原 點；初始化i= 1，設(shè)定矩形測寬器的增長寬度c和長度為分割尺度h，經(jīng)過如下過程得到n 個再分割段的測寬結(jié)果Iw1, %，％.......wn},
[0015] 第一步，依次取再分割點Si,將通過主成分分析后得到的主方向作為橫軸；
[0016] 第二步，從原點開始沿著縱軸以寬度c上下增長，記錄每次增長后測寬器內(nèi)覆蓋 的浮動車數(shù)據(jù)比例，將每次增長后記錄的浮動車數(shù)據(jù)比例進行累加，直到累加比例達到預(yù) 定比例閾值停止，將此時測寬器增長的最大縱坐標累加，得到再分割段Segi的測寬結(jié)果wi;
[0017] 第三步，令i=i+1，坐標系原點平移到新的再分割點Si,從第一步開始重復(fù)執(zhí)行， 直到目標分割段Seg所有再分割段測寬結(jié)束。
[0018] 而且，步驟3建立的基本分類器，包括每種車道數(shù)量和相應(yīng)GPS軌跡分布寬度的寬 度范圍，所述GPS軌跡分布寬度的寬度范圍包括GPS軌跡數(shù)據(jù)分布的最大值、平均值以及最 小值。
[0019] 而且，步驟4中，對待測分割段中某再分割段，根據(jù)步驟3獲取的若干個車道類型 候選值，依次代入到以下高斯混合模型公式進行計算，并將計算結(jié)果代入到評價函數(shù)中，選 取評價函數(shù)值最小時對應(yīng)的車道數(shù)量作為該再分割段的車道數(shù)量，所述高斯混合模型公式 如下，
【主權(quán)項】
1. 一種基于低精度GPS軌跡數(shù)據(jù)的高精度車道信息提取方法，其特征在于：包括以下 步驟， 步驟1，根據(jù)GPS軌跡數(shù)據(jù)的位置信息和方向信息，對輸入的軌跡數(shù)據(jù)聚類、初步匹配 得到所屬路段，對屬于同一條路段的軌跡數(shù)據(jù)進行