[发明专利]一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法

说明书

本发明在第一阶段设计了一种基于轨迹相似度的转向路径提取方法，首先根据轨迹间Fréchet(弗雷歇)距离、起点夹角、终点夹角计算轨迹之间的相似度；随后使用DBSCAN聚类算法根据相似性度量结果对轨迹进行聚类代表不同方向的转向簇；最后通过设计的中心线拟合方法(即引入force‑attraction方法的Fréchet距离计算，同时采用B‑spline方法平滑中心线)提取不同方向簇的转向路径。本发明第二阶段使用基于HMM(隐马尔科夫模型)的地图匹配方法，由提取的转向路径对路口路网拓扑结构的变化进行检测，本发明可以有效地对现有路网进行增量更新。

技术领域

本发明属于轨迹挖掘技术领域，具体涉及一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法。

背景技术

使用车辆轨迹对道路交叉口内的转向路径提取的应用场景有导航转向播报、自动驾驶及路口路网更新等。车辆到达转向点前，导航能够根据提取的转向路径让用户提前知晓下一步的动向，如右转，左转，掉头等。此外自动驾驶车辆能够依赖转向路径在道路交叉口正确地行驶。同时该方法是对道路交叉口的进一步研究，能够更加精确地完善地图。

目前主要存在两种提取方法，一种方法是基于轨迹线段，使用SVM或层次聚类的方法提取道路交叉口内的转向路径，这类方法需要预先给转向路径类别的特征和数量才能有效分类。另一种是根据各轨迹的起点和终点的位置，对轨迹进行聚类区分，该方法丢失了轨迹行驶路径的特征，在复杂路口区分的效果仍旧不理想。

由于道路基础设施的不断更新及交通状况的动态变化，原始路网会存在新路缺失，偏移等现象，容易给用户的移动导航带来严重影响，可以利用提取的转向路径对道路交叉口范围内，道路进行更新。目前主要有两种方法，第一种为人工上报，通过导航用户的主动上报或专业制图人员进行实地考察，该方法依赖人工，可能会存在误差。第二种是根据轨迹热力图像更新的方式，该方法计算成本较高，仍然不能满足数字地图快速更新的需求。

以上分析可见，在实际情况中，各道路交叉口的路口形状和转向行为不同，不能够用统一的先验知识去描述它，SVM和层次聚类方法需要预先定义分类的个数，不能够自动化实现对于路口拓扑的提取。只根据轨迹的起点和终点进行聚类区分的方法，丢失了轨迹行驶路径的特征，结果中会存在较多误差。现有的轨迹热力图像检测路网的更新的方法在轨迹密集区的难以区分同一区域内的不同道路，如平行道路中的交叉口，同时在稀疏轨迹区域，不能够识别路段。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，本发明第一阶段首先设计了一种基于轨迹相似度的转向路径提取方法，根据轨迹间Fréchet(弗雷歇)距离、起点夹角、终点夹角计算轨迹之间的相似度，然后使用DBSCAN由相似度进行聚类得到不同类别的转向簇，最后通过中心线拟合得到转向路径，在本发明第二阶段基于HMM的地图匹配方法，由提取的转向路径对路口路网进行拓扑结构变化检测。

为实现上述技术目的，本发明采取的技术方案为：

一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架，包含以下步骤：

S1:对全量的轨迹两两进行相似度度量，生成相似度矩阵；

S2:基于步骤S1得到的相似度矩阵，使用DBSCAN算法对各轨迹进行聚类生成转向簇；

S3:基于步骤S2得到的转向簇，提取各转向簇的中心线，得到转向路径；

S4:基于步骤S3提取出的道路交叉口转向路径后，提取相关的路网凸包，使用HMM模型，与原始路网进行地图匹配，检测出发生拓扑变化的路网；[0019]为优化上述技术方案，采取的具体措施还包括：

上述的步骤S1具体包括：