技术领域
[0001] 本
发明涉及一种
地理信息系统与智能交通研究领域，尤其涉及一种基于轨迹自适应聚类的路网快速更新的方法及系统。
背景技术
[0002] 路网是人们出行导航、物流配送和
城市规划等重大应用的
基础数据，也是测绘、国土和规划部
门高度重视的基础地理信息之一。当前，随着我国城镇建设的快速发展，城市路网经常发生变化。面对快速变化的城市道路网，如何保障路网数据的现势性和实现路网数据的快速更新是当前测绘、交通、规划等部门热切关注的一个问题。然而，现有的数字测图方法(如野外测量、遥感影像矢量化、
激光雷达数据制图等)因数据获取过程需要耗费大量人
力和物力，数据后处理过程复杂而难以实现对快速变化的城市路网的及时更新。现有的城市路网更新多采用周期性的阶段更新手段，即每间隔一定的时间周期(如5年、1年等)对整个区域进行一次的全面
数据采集与更新，这种地毯式的数据更新方式难以满足当前各类智能交通导航应用对实时道路数据的更新需求。
[0003] 随着移动
定位技术和
传感器技术的快速发展，城市内公交车、出租车和用户手机等设备可以实时记录车辆/行人的
位置、方向和运动速度等信息，这些记录车辆和用户出行路径的GPS轨迹数据中蕴含了丰富的道路信息，能够实时
感知城市道路的更新变化与交通状态的变化信息。相比于人工野外测量数据、遥感影像数据和激光雷达数据，移动轨迹数据是一种众源自发式地理信息，具有海量性、成本低、现势性强的优点，成为目前道路网提取与实时更新的重要数据源，已经被测绘、交通、规划等领域学者们广泛关注。但是，移动轨迹数据的定位
精度低、分布不均匀、噪声多等问题也给高精度道路网的提取与更新带来了一些挑战。就单独的某一条移动轨迹数据而言，因为存在GPS定位误差、
信号遮挡、噪声等影响，很难通过某一条移动轨迹数据反映出道路的真实位置与几何结构。然而，当海量的轨迹数据
叠加在一起时，可以较为准确地反映出道路的中心位置，甚至道路宽度等信息。
[0004] 目前，基于移动轨迹数据的路网更新方法主要采取两种研究策略：(1)首先依据轨迹数据进行全部路网信息的重构，进而对比通过
算法重构后的路网数据与已有的路网数据来探测新增的道路；(2)通过移动轨迹与已有路网进行地图匹配，探测未匹配的轨迹，这些未匹配的轨迹被视为新增或变化的道路；进而对这些未匹配的轨迹进行道路信息的部分重构，提取新增道路的几何结构和语义信息，如单双向道路、转向等信息。
[0005] 第一种研究策略侧重于从海量移动轨迹数据中提取整个路网的几何结构特征，主要包括
栅格化的方法、基于聚类的方法和增量式合并的方法。其中，栅格化的方法是将轨迹点转换为栅格图像，利用形态学算子提取道路中心线；基于聚类的方法则主要通过
聚类算法将轨迹点数据划分为不同的簇，将簇的中心作为关键点进行连接或进行曲线拟合生成道路中心线；增量式合并的方法则是以某一条轨迹作为初始路网，进而通过轨迹-路网匹配和图合并的方法(如引力-斥力模型、基于Delaunay三
角网的
时空轨迹数据融合模型等)逐步将其他的轨迹加入到初始路网中，生成最终的路网数据。上述这些方法虽然能够有效地提取整个路网的结构信息，但未充分利用已有的道路网数据，对大量路网信息的重构实际上是不必要的，需要消耗大量的计算资源，难以处理海量的移动轨迹数据。第二种策略侧重于探测已有道路网中的局部变化信息，所采用的主要方法是通过将轨迹与已有道路网进行匹配，通过未匹配的轨迹数据来探测道路网的变化，进而针对那些未匹配的轨迹通过聚类(如K-means算法、PAM聚类算法等)、形态学算子(如膨胀和
腐蚀算子)、曲线拟合(如多项式拟合、B样条拟合)等方法提取变化道路的结构信息。这些局部更新方法相比于路网整体重构的方法具有较高的效率，可以充分利用已有的道路网数据，
数据处理与更新的效率较高。但是，由于轨迹数据具有噪声多、分布
密度不均匀等特性，现有的路网局部更新方法需要依赖较多的参数设置(如聚类数目、形态学算法
阈值等参数)，只能处理较简单的道路变化信息提取，难以处理大范围的道路网更新问题。
[0006] 总体而言，虽然目前基于移动轨迹的道路网数据更新方法已受到学者和不同部门的广泛关注，但是现有基于移动轨迹的道路网更新方法仍然存在几个方面的关键问题需要解决：(1)、对参数设置过多依赖的问题。现有方法在聚类和栅格化过程中需要较多的参数设置，且分析结果对这些参数设置较为敏感，造成了道路提取结果的主观性较大的问题；针对实际数据，如何选择合适的参数仍需要较多的人工干预和调试；(2)、现有算法对复杂场景的分析处理能力不足。主要体现在由于轨迹数据的分布密度在空间上存在较大差异，现有基于聚类、栅格化的方法难以提取变化道路的完整信息，容易丢失一些局部新增的道路。此外，现有方法对于一些较复杂的新增道路(如T字形路口、井字形路网)生成的道路几何结构较为粗糙，难以满足高精度道路网更新的需求；(3)现有方法多关注道路中心线的提取，对于道路通行方向、单双向道路等语义信息的提取和更新还相对缺乏。
发明内容
[0007] 本发明的目的是针对
现有技术中存在的问题，提出一种基于轨迹自适应聚类的路网快速更新的方法，通过该方法可以解决大范围城市路网变化区域快速识别、复杂情景下变化道路精细几何结构的自适应提取与更新、道路行车方向、单/双向等语义信息的识别与更新。
[0008] 为了解决上述问题，本发明采用以下技术方案予以实现：
[0009] 一种基于轨迹自适应聚类的路网快速更新的方法，其特征在于，该方法包括：采集移动轨迹数据，并获取原始路网数据；通过距离约束条件与方向约束条件判断轨迹点与原始路网是否匹配，通过匹配结果获取未匹配的轨迹点，对未匹配的轨迹点进行自适应轨迹聚类，并针对每个轨迹聚类，采用最优主曲线拟合方法进行轨迹点的曲线拟合，提取出道路中心线，识别出道路行车方向、单/双向信息，进而完成变化道路与原始路网的融合。
[0010] 优选地，所述通过距离约束条件与方向约束条件判断轨迹点与原始路网是否匹配具体包括：计算轨迹点Pi与原始路网RD中所有路段的最短距离，从RD中选取距离轨迹点Pi小于阈值的路段作为候选匹配路段C_RD，若候选匹配路段为空，则标记Pi为未匹配轨迹点；否则，进行方向约束条件判断。
[0011] 优选地，所述方向约束条件为将C_RD内的路段按照距离Pi的大小进行升序排列，从第一条路段开始，依次向后计算该候选路段ek与轨迹点的方向差异，如果方向差异小于阈值，则认为Pi与ek匹配，否则，继续选取下一条候选匹配路段，计算其与轨迹点Pi的方向差异，并判断是否与Pi匹配，按照上述步骤遍历所有候选路段，若Pi仍未找到合适的匹配路段，则标记Pi为未匹配的轨迹点，最优主曲线拟合方法可以为分段线性最优曲线拟合方法。
[0012] 优选地，识别出道路行车方向、单/双向信息具体包括：根据获取的轨迹点聚类Cj，统计Cj内所有轨迹点的方向分布直方图，采用
期望最大化算法求解混合高斯分布参数，拟合轨迹点方向分布密度曲线，通过爬山算法识别分布密度曲线的局部极值点，通过局部极值点判断路段方向。
[0013] 优选地，其中通过局部极值点判断路段方向具体包括：若只检测到一个局部极值点，则将该极值点对应的方向作为新增或变化路段的行车方向，且标记该新增路段为单方向路段；若同时检测到两个局部极值点，则将两个极值点对应的方向作为该新增或变化路段的行车方向，且标记该新增路段为双方向路段。
[0014] 一种基于轨迹自适应聚类的路网快速更新的系统，其特征在于，该系统包括：数据预处理单元，用于采集移动轨迹数据；数据获取单元，用于获取原始路网数据；轨迹路网匹配单元，用于通过距离约束条件与方向约束条件判断轨迹点与原始路网是否匹配，通过匹配结果获取未匹配的轨迹点；更新单元，用于对未匹配的轨迹点进行自适应轨迹聚类，并针对每个轨迹聚类，采用最优主曲线拟合方法进行轨迹点的曲线拟合，提取出道路中心线，识别出道路行车方向、单/双向信息；路网融合单元，用于完成变化道路与原始路网的融合。
[0015] 优选地，所述通过距离约束条件与方向约束条件判断轨迹点与原始路网是否匹配具体包括：计算轨迹点Pi与原始路网RD中所有路段的最短距离，从RD中选取距离轨迹点Pi小于阈值的路段作为候选匹配路段C_RD，若候选匹配路段为空，则标记Pi为未匹配轨迹点；否则，进行方向约束条件判断。
[0016] 优选地，所述方向约束条件为将C_RD内的路段按照距离Pi的大小进行升序排列，从第一条路段开始，依次向后计算该候选路段ek与轨迹点的方向差异，如果方向差异小于阈值，则认为Pi与ek匹配，否则，继续选取下一条候选匹配路段，计算其与轨迹点Pi的方向差异，并判断是否与Pi匹配，按照上述步骤遍历所有候选路段，若Pi仍未找到合适的匹配路段，则标记Pi为未匹配的轨迹点，最优主曲线拟合方法可以为分段线性最优曲线拟合方法。
[0017] 优选地，识别出道路行车方向、单/双向信息具体包括：根据获取的轨迹点聚类Cj，统计Cj内所有轨迹点的方向分布直方图，采用期望最大化算法求解混合高斯分布参数，拟合轨迹点方向分布密度曲线，通过爬山算法识别分布密度曲线的局部极值点，通过局部极值点判断路段方向。
[0018] 优选地，其中通过局部极值点判断路段方向具体包括：若只检测到一个局部极值点，则将该极值点对应的方向作为新增或变化路段的行车方向，且标记该新增路段为单方向路段；若同时检测到两个局部极值点，则将两个极值点对应的方向作为该新增或变化路段的行车方向，且标记该新增路段为双方向路段。
[0019] 本发明参数设置较为简单，不仅能够有效识别城市范围内道路变化区域，能够处理相对复杂的新增区域，如T字形路口，井字形路网，并且能够有效提取道路的通行方向信息。
附图说明
[0020] 图1是本发明
实施例中提供的方法流程；
[0021] 图2是本发明实施例中所用数据概况；
[0022] 图3是本发明实施例中识别出的道路变化区域；
[0023] 图4是本发明实施例中轨迹点自适应聚类结果；
[0024] 图5是本发明实施例中道路中心线拟合结果；
[0025] 图6是本发明实施例中道路行车方向等语义信息识别结果；
[0026] 图7是本发明实施例中更新后的城市道路网结果。
具体实施方式
[0027] 下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0028] 本发明所提技术方法的流程如图1所示。进一步，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施方案为例，对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的
修改均落于本
申请所附权力要求所限定的范围。
[0029] 一种基于轨迹自适应聚类的大范围城市路网快速更新方法，主要包括以下几个步骤：
[0030] 1)大范围城市路网变化区域快速识别
[0031] 本发明根据距离、方向的层次约束实现轨迹和路网的快速匹配，用于发现大范围城市路网中的变化或待更新区域。所采用的轨迹-路网匹配方法属于局部地图匹配方法，首先将轨迹视为不同时间点
采样的轨迹点，计算轨迹点位置处的车辆运行方向，进而通过以下两个约束条件判断轨迹点与路网是否匹配：
[0032] ①距离约束，即轨迹点与路段间的最短距离越小，则表明该轨迹点与路网匹配的可能性越大；
[0033] ②方向约束，即轨迹点处的车辆运动方向与路段的行车方向越一致，则表明该轨迹与路段匹配的可能性越大。
[0034] 具体的算法步骤如下：
[0035] 给定轨迹点数据GD＝{P1，P2，P3,…，Pi，…，Pn}，每个轨迹点用一个三元组Pi＝{xi，yi，oi}表示，其中xi和yi表示轨迹点在平面投影
坐标系下的坐标，oi表示轨迹点处的车辆运动方向，并将原始路网数据按照直线路段进行分段，记为RD＝{e1，e2，e3，…，ej，…，em}，ej表示路网中的第j条路段。
[0036] 1.1)计算当前轨迹点Pi与路网RD中所有路段的最短距离{d1，d2，d3，…，dt，…，dm}，从RD中选取距离轨迹点Pi小于ε(ε＝50m)的路段作为候选匹配路段C_RD＝{ej|dt≤ε}；
[0037] 1.2)如果C_RD为空，则标记Pi为未匹配的点，否则，继续下一步；
[0038] 1.3)将候选路段C_RD内的路段按照距离Pi的距离大小进行升序排序，然后从第一条路段开始，依次向后计算该候选路段(记为ek)与轨迹点Pi的方向差异，计算公式如下：
[0039]
[0040] 其中， 表示候选路段ek的方向。如果Λ＜θ(θ＝cos(π/4))则认为Pi与ek匹配；否则，继续选取下一条候选匹配路段，计算其与轨迹点Pi的方向差异，并判断是否与Pi匹配。按照上述步骤遍历所有候选路段，若Pi仍未找到合适的匹配路段，则标记Pi为未匹配的轨迹点；
[0041] 1.4)重复以上过程，直到处理完所有轨迹点，匹配过程结束。
[0042] 通过以上算法识别出与已有路网未匹配的轨迹点，这些未匹配的轨迹点指示了现有道路网中发生变化的道路区域。
[0043] 2)基于自适应轨迹聚类的变化道路几何结构提取
[0044] 为了克服现有算法对参数设置的过度依赖，发明设计了基于方向约束的轨迹自适应聚类算法，用于探测变化道路的几何结构信息。该算法需要较少的参数设置，且能够提取道路的精细几何结构，具体实现步骤如下：
[0045] 2.1)依据步骤1)探测到的未匹配轨迹点的空间位置坐标构建Delaunay三角网DT(对于坐标相同的点预先进行清理)，针对每个轨迹点Pi，计算其整体长边阈值：
[0046]
[0047] 式中，Lmean(DT)表示三角网中所有边长的均值，Lstd(DT)表示所有边长的标准方差，Lmean(Pi)表示与点Pi直接相连的三角网边长的均值。进而，将与Pi相连的边长大于整体长边阈值的三角网边删除，获得
修剪后的连接图G；
[0048] 2.2)依次判断G中的每一条边e，如果e连接的两个轨迹点的方向差异大于ω(ω＝cos(π/12))，则将边e删除，否则边e保留；
[0049] 2.3)从图G中选择一个未标记的轨迹点Pi作为新簇Ck(k＝1，2，…)，标记Pi的类标签为k，将簇Ck的方向初始化为轨迹点Pi的方向，即：o(Ck)＝oi；搜索与Pi相邻的未标记轨迹点Pj，如果Pj与簇Ck的方向差异满足：
[0050] ①Pj与Ck同向，即|cos(oj-o(CK))|≤θ∧|oj-o(CK)|＜π/2，则直接将Pj与Ck合并成新簇，并计算簇内轨迹点的平均移动方向作为该簇的方向；
[0051] ②Pj与Ck反向，即|cos(oj-o(CK))|≤θ^|oj-o(CK)|≥π/2，则Pj与Ck不能合并；
[0052] ③Pj与Ck方向垂直或交叉，即|cos(oj-o(CK))|＞θ，则Pj与Ck不能合并；继续搜索与新簇相连的未标记的轨迹点，并判断合并条件，直到该簇找不到可以合并的轨迹点时停止；
[0053] 2.4)
迭代执行步骤2.3)，当所有轨迹点都被遍历时，聚类结束。最后，对簇内轨迹点数目少于r(r＝10)的簇进行清理，标识为噪声；
[0054] 2.5)针对上述步骤识别的轨迹点聚类，记为Ck＝{Pk1,Pk2,…,Pkm}(k＝1,2,…,K)，采用最优主曲线拟合方法(如分段线性最优曲线拟合方法)，得到轨迹点聚类的拟合曲线，则该拟合曲线即为所对应的变化路段的道路中心线。由于该算法采用先聚类再进行轨迹点拟合的方法获取道路中心，因此可以处理轨迹点分布不均匀、噪声等因素影响；同时，通过轨迹点聚类的主曲线拟合，能够获得轨迹点所对应真实路段的准确几何结构信息。
[0055] 3)道路行车方向、单/双向等语义信息识别
[0056] 对于步骤2)识别的轨迹点聚类(如Cj)，统计Cj内所有轨迹点的方向分布直方图。然后，采用期望最大化算法求解混合高斯分布参数，拟合轨迹点方向分布密度曲线，通过爬山算法识别分布密度曲线的局部极值点。进而，按照以下步骤进行路段语义信息的识别：
[0057] ①如果Cj内轨迹点分布直方图为单峰分布，即只检测到一个局部极值点，则将该极值点对应的方向作为该新增或变化路段的行车方向，且标记该新增路段为单方向路段；
[0058] ②如果Cj内轨迹点分布直方图为双峰分布，即同时检测到两个局部极值点，则将两个极值点对应的方向作为该新增或变化路段的行车方向，且标记该新增路段为双方向路段；
[0059] ③如果Cj内轨迹点分布直方图为多峰分布(大于两个峰值)，即同时检测到多个局部极值点，则将聚类Cj作为输入，采用步骤2)中所提出的轨迹点聚类算法将Cj继续分割为不同单一方向的子簇；采用步骤①-②判别新增路段的方向和单/双向信息。
[0060] 4)变化道路与已有路网的融合更新
[0061] 根据上述步骤提取的变化道路中心线与原有路网进行融合时可能会存在一些拓扑问题(如悬挂线等)，为此需要进一步对提取的变化道路进行拓扑处理，以使其能够与原有路网进行有效融合，主要操作包括断线连接和
节点融合。
[0062] ①断线连接。对于简单的道路结构，本发明所提方法会将其聚为一类，进而拟合可得到一条比较完整的道路中心线，而对于结构较为复杂的道路，尤其是带有复杂弧段的道路(如高架桥的弧形辅道)，可能会将其分成不同的弧段，导致得到多条不连续曲线需要将其进行连接。通过设置一定的距离容差值可以将端点间距离较小容差的路段合并，进而对整体曲线进行拟合得到最终的道路中心线；
[0063] ②节点融合。对于变化道路中心线的端点，有些变化路段并不能恰好与原有路网融合(即出现悬挂线问题)。针对该问题，将提取出的变化路段与原始路网数据叠加，对变化路段中心线进行延伸或修剪等处理，以使其可以与原始路网数据进行有效融合。
[0064] 同时还提出了一种基于轨迹自适应聚类的路网快速更新的系统，该系统包括：数据预处理单元，用于采集移动轨迹数据；数据获取单元，用于获取原始路网数据；轨迹路网匹配单元，用于通过距离约束条件与方向约束条件判断轨迹点与原始路网是否匹配，通过匹配结果获取未匹配的轨迹点；更新单元，用于对未匹配的轨迹点进行自适应轨迹聚类，并针对每个轨迹聚类，采用最优主曲线拟合方法进行轨迹点的曲线拟合，提取出道路中心线，识别出道路行车方向、单/双向信息，路网融合单元，用于完成变化道路与原始路网的融合。
[0065] 下面将结合武汉市青山区内路网数据更新为例，具体说明本发明在道路提取中的具体实施方案：
[0066] 2.1)数据预处理。实施例中获取的移动轨迹数据为2015年5月1日全天武汉市6150辆出租车的GPS轨迹数据，数据的采样间隔为45-60秒，为常见的低频采样浮动车轨迹数据。因为存在随机噪声、GPS定位误差，数据中存在大量的错误数据记录和冗余的停滞点，这些噪声点和冗余点会影响道路结构信息的提取，增加多余计算量。为此，首先通过速度约束剔除数据中速度小于5km/h或大于100km/h的轨迹点，得到预处理之后的数据，如图2所示。
[0067] 2.2)变化道路快速发现。变化道路的发现主要采取轨迹点与原始路网匹配算法实现。在匹配过程中，匹配算法的阈值包括距离阈值ε和方向差异性阈值θ，阈值的设定根据城市道路设计规范要求设定，通过实验发现当ε＝50m，θ＝45°时可以获得较理解的结果，满足实际应用需求。图3展示了轨迹点与原始路网的匹配结果，其中圆点表示未匹配的轨迹点，即道路发生变化(如新增或移位)的区域。
[0068] 2.3)轨迹点自适应聚类。针对未匹配的轨迹点进行自适应轨迹聚类，轨迹点聚类结果如图4所示。
[0069] 2.4)变化道路中心线提取。针对每个轨迹聚类，采用最优主曲线拟合方法进行轨迹点的曲线拟合，提取变化道路的中心线，结果如图5所示。
[0070] 2.5)道路行车方向、单/双向等语义信息识别。如图6所示，展示了图4中一个轨迹聚类内轨迹点方向分布的直方图、分布密度拟合曲线和局部极值点，以及识别出的道路方向、单/双向语义信息。
[0071] 2.6)变化道路与原始路网数据的融合。通过本发明所提技术方法更新后的实验区域内路网如图7所示，其中灰色道路为更新路段，黑色为原始路网数据。
[0072] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
