(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210909277.0 (22)申请日 2022.07.29 (71)申请人 中南大学 地址 410000 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 唐建波　彭举　邓敏　杨学习　 刘慧敏　罗斌　姚志鹏　张椿蕾　 (74)专利代理 机构 长沙轩荣专利代理有限公司 43235 专利代理师 董崇东 (51)Int.Cl. G06V 20/10(2022.01) G06F 16/29(2019.01) G06F 16/51(2019.01) G06V 10/62(2022.01)G06V 10/75(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 20/00(2022.01) G01C 21/32(2006.01) G01C 21/00(2006.01) (54)发明名称 多源数据协同的人 车路网一体化构建方法 (57)摘要 本发明提供了一种多源数据协同的人车路 网一体化构建方法， 包括： 获取开放街景地图数 据、 车辆轨迹数据、 遥感影像数据、 街景图像数 据； 提取现有道路拓扑数据并作为模板； 利用车 辆轨迹数据采用层次化建模策略生成道路网络 数据； 利用高分辨率遥感影像数据提取道路网络 数据， 与基于车辆轨迹数据提取的道路网络数据 形成互补； 利用街景图像数据提取道路语义信 息； 构成包含几何、 拓扑、 语义等全信息的道路网 拓扑数据； 匹配生成更新后的道路拓扑数据。 本 发明为城市级高精度导航道路网拓扑数据的获 取与更新提供了有利的技术与方法支撑， 在自动 驾驶、 智能交通系统、 电子地图导航等应用中具 有明显的应用前 景和实用价 值。 权利要求书2页 说明书6页 附图2页 CN 115131669 A 2022.09.30 CN 115131669 A 1.一种多源数据协同的人 车路网一体化构建方法， 其特 征在于， 包括如下步骤： S1， 获取开 放街景地图数据、 车辆 轨迹数据、 遥感影 像数据、 街景图像数据； S2， 提取现有道路拓扑 数据并作为模板； S3， 利用车辆 轨迹数据采用层次化建模策略生成道路网络数据； S4， 在轨迹数据分布稀疏的地域， 利用高分辨率遥感影像数据提取道路网络数据， 与基 于车辆轨迹数据提取的道路网络数据形成互补； S5， 利用街景图像数据提取道路语义信息； S6， 结合通过车辆轨迹数据提取的道路网络数据、 通过遥感影像数据提取的道路信息、 以及街景图像数据提取道路语义信息， 构成包含几何、 拓扑、 语义等全信息的道路网拓扑数 据； S7， 将道路拓扑数据与S2得到的道路拓扑数据模板进行匹配， 生成更新后的道路拓扑 数据。 2.根据权利要求1所述的多源数据协同的人车路网一体化构建方法， 其特征在于， S2中 从开放街景地图数据上获取研究区域的矢量道路网络数据， 对数据进行预处理， 包括一致 性和完整性检查、 拓扑关系检查和处理、 数据简化删除； 对数据进 行抽象表达并提取道路网 络拓扑数据信息 。 3.根据权利要求2所述的多源数据协同的人车路网一体化构建方法， 其特征在于， S3具 体包括如下子步骤： S31， 数据预处 理， 包括异常轨 迹数据剔除、 重复轨 迹数据剔除、 以及轨 迹数据简化； S32， 对交叉口的几何形态和拓扑连通性进行局部精细化拓扑重构； 构建深度 学习神经 网络模型识别交叉 口位置和范围； 对交叉 口内部拓扑连通性与转向规则提取， 构建轨迹聚 类算法提取同一车道轨迹数据， 通过主曲线拟合算法提取车道中心线拓扑数据， 并结合聚 类轨迹统计不同车道的转向限制信息； S33， 对连接道路交叉口的路段进行拓扑和几何重建， 提取连接各交叉口的轨迹数据， 根据距离邻近、 方向相似特 征进行轨 迹聚类， 生成路段中心线； S34， 根据延续性、 方向特征， 对提取的路段中心线与交叉口拓扑数据进行一致性整合， 生成整体道路 网拓扑数据； 针对生成的道路数拓扑数据， 进 行路网拓扑修剪， 去除冗余的路 网数据。 4.根据权利要求3所述的多源数据协同的人车路网一体化构建方法， 其特征在于， S32 中采用ResNeXt ‑Unet深度神经网络对道路交叉口的位置和范围进行识别， 将经过数据清洗 的轨迹数据进行轨迹数据分块， 将分块的轨迹数据进行栅格化， 将栅格化的分块轨迹数据 输入训练好的ResNe Xt‑Unet深度神经网络进行道路交叉口位置和范围识别； S33中采用高斯混合模型进行轨迹聚类， 以轨迹间的距离邻 近性、 方向相似特征为度量 指标， 生成路段的中心线。 5.根据权利要求3所述的多源数据协同的人车路网一体化构建方法， 其特征在于， S4具 体包括如下子步骤： S41， 数据预处 理， 包括遥感影 像辐射定标、 大气校正、 几何校正以及地理校准； S42， 训练集构建， 得到目标样本训练库； S43， 基于U ‑Net深度学习神经网络提取遥感图像中的道路数据。权　利　要　求　书 1/2 页 2 CN 115131669 A 26.根据权利要求5所述的多源数据协同的人车路网一体化构建方法， 其特征在于， S43 中利用训练好的U ‑net深度学习神经网络对道路信息进 行提取， 获得分割后的道路图像， 对 道路图像数据再次进行二值化， 对经过二值化的道路图像数据进行矢量化处理， 得到能够 进行融合的道路矢量数据。 7.根据权利要求1所述的多源数据协同的人车路网一体化构建方法， 其特征在于， S5具 体包括如下子步骤： S51， 进行 数据预处 理， 包括图像去噪、 几何校正、 图像增强以及图像地理配准； S52， 以PSPNet网络为基础， 构建基于深度学习网络的多视车载影像道路目标识别方 法， 以街景 数据集为基础， 人工标注增 加道路目标类别， 构建道路目标训练数据； S53， 基于PSPNet网络进行 图像语义分割与道路目标识别， 并通过多视图像匹配， 解算 道路目标的空间位置 。 8.根据权利要求7所述的多源数据协同的人车路网一体化构建方法， 其特征在于， 基于 PSPNet深度神经网络模 型识别并提取街景图像中的道路目标， 对连续两张含有同一道路目 标的图像， 通过双目定位方法解 算得到该道路目标的空间位置 。 9.根据权利要求1所述的多源数据协同的人车路网一体化构建方法， 其特征在于， S6 中 针对两种路网数据分别建立缓冲区， 然后对缓冲区重叠的部分进行缓冲区合并， 对合并后 的路网数据进 行二值化转化为图片， 进 行腐蚀膨胀操作， 之后提取路 网的骨架线 数据， 对骨 架线进行平滑处理， 并转化为矢量化数据。 10.根据权利要求1所述的多源数据协同的人车路网一体化构建方法， 其特征在于， S7 中根据位置邻近和语义相似约束， 利用模糊推理和基于隐马尔可夫模型的地图皮匹配算法 检测道路网几何形态、 连通性关系的不一致区域作为待更新区域； 构建变化区域内增量道 路与已有道路的缓冲区， 生成道路图像， 基于数学形态学算子提取道路图像中心线与各路 段， 依据轨 迹数据重构相互连通的路段间的拓扑关系， 生成更新后的道路拓扑 数据。权　利　要　求　书 2/2 页 3 CN 115131669 A 3