一种面向平面交叉口的车道级转向信息探测方法及装置

1.本发明属于精细导航信息挖掘领域，特别是涉及一种面向平面交叉口的车道级转向信息探测方法及装置。


背景技术：

2.随着互联网、物联网技术的发展和位置获取技术的普及，成本低、更新快、易采集且蕴含道路语义信息的众源轨迹数据使得更丰富、更精细的数字道路信息获取成为可能。为了有序引导车辆转向，减少交通拥堵，通常会在平面交叉口前方标出车道转向信息，即在交叉口引导区的地面上或空中指示出车道的转向信息。但现有基于轨迹数据进行道路信息挖掘研究主要集中于交叉口识别及道路网构建，虽然一些学者进行了车道信息的探测，但多涉及车道数、车道线识别。因此考虑交叉口变道引导需求，为路段交叉口处每个车道标注上转向信息，对丰富路网导航信息，进而为用户提供更精细导航服务具有重要意义。
3.交叉口转向信息对于构建可导航路网非常重要，虽然基于众源轨迹数据涌现了大量的识别方法，但大都侧重于车行道转向，具体可以分为聚类法及地图匹配方法。聚类方法是交叉口转向识别中最主流的方法，具体是在交叉口位置识别基础上探测交叉口范围，然后基于某聚类算法对交叉口范围内子轨迹进行聚类或交叉口进出点聚类，进而分析交叉口转向规则。地图匹配方法考虑道路转向不仅与交叉口有关，且与相连的两条道路弧段有关，采用“路段－路段”的形式表达交叉口转向限制，具体是将轨迹与交叉口路段进行匹配，然后分析路段到路段轨迹统计信息，基于非监督分类方法或监督分类进行交叉口转向规则识别。上述聚类及地图匹配方法为交叉口转向识别提供了研究思路，但都无法有效剔除噪声转向，且均未涉及车道级转向识别。受制于轨迹数据的精度与噪声问题，车道级转向信息的挖掘是路网构建领域的一大研究难点，研究较少。


技术实现要素：

4.有鉴于此，考虑交管部门往往会在交叉口引导区标识转向车道，本发明基于出租车轨迹数据，采用“交叉口引导区—交叉口车道—交叉口车道级转向”的研究思路，提供了一种面向平面交叉口的车道级转向信息探测方法，包括如下步骤：
5.步骤1，数据预处理：首先对路网数据进行拓扑检查，轨迹数据进行质量清洗，然后进行路网及轨迹数据的地图匹配，实现轨迹点与归属路段之间的连接；
6.步骤2，交叉口引导区识别：分析轨迹在交叉口分布特性进行交叉口核心区识别，初步判定停止线位置，然后基于直行停留信息进一步确定停止线，最后在此基础上识别引导区范围；
7.步骤3，交叉口车道识别：根据轨迹转向信息进行引导区轨迹提取，然后针对提取引导区轨迹进行道路外及道路内轨迹漂移点滤选，最后在此基础上进行引导区车道识别；
8.步骤4，交叉口车道级转向信息探测：对各车道转向轨迹进行统计分析，并进行特征设计，最后采用监督式学习方法对交叉口车道级转向进行识别。
9.进一步的，步骤1中所述数据预处理具体包括：
10.步骤1.1，对路网数据进行拓扑检查，包括道路相交检查及伪结点检查；
11.步骤1.2，对众源轨迹数据进行噪声过滤、停留点检测、轨迹分割及地图匹配四个基本预处理。
12.进一步的，步骤2中所述交叉口引导区识别具体包括：
13.步骤2.1，基于轨迹分布进行交叉口核心区确定，以交叉口为中心，k1米为增加半径，构建圆形缓冲区，将交叉口空间按0-360度分割为k2个区间进行轨迹分布分析，将圆环间差异指标最大值判定为交叉口核心区半径，进而确定交叉口核心区，圆环间差异指标indexj_out具体计算如下：
14.indexj_in＝std(num
1j
,
ꢀ…
, num
ij
,
ꢀ…
, num
12j
) /mean(num
1j
,
ꢀ…
, num
ij
,
ꢀ…
, num
12j
)
ꢀꢀ
(3)
15.indexj_out＝ index
j+1
_in
‑ꢀ
indexj_in
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
16.其中num
ij
为第j圆环内第i区间轨迹点数量；std()为标准差函数；mean()为平均值函数；
17.步骤2.2，基于直行停留轨迹进行停止线识别，从交叉口最近路段端点出发，沿路段反方向，k1米为增加半径，构建圆形缓冲区，统计每个圆环内直行停留点分布密度num/(πr
2-π(r-k1)2)，将最大停留点分布密度对应圆环与路段交点识别为停止线位置，其中num为圆环直行停留个数，r为圆形缓冲区的半径；
18.步骤2.3，交叉口引导区范围确定，具体步骤为：(1)如果直行停留点少于等于c，则该路段无法基于直行停留点进行更精确的停止线位置探测，因此将该路段与交叉口核心区边界交点位置作为该路段停止线位置；(2)而对于直行停留点大于c，存在较多停留信息的路段，则基于直行停留分布确定停止线位置，具体实现与步骤2.2相同；(3)基于停止线，沿路段识别[d,d+d]为引导区范围，其中起始距离d为停止线到交叉口最近路段端点距离，为引导区上横截线，终止距离d+d为下横截线，d为设置的常数，单位为米。
[0019]
进一步的，步骤3所述交叉口车道识别具体包括：
[0020]
步骤3.1，基于识别的交叉口引导区进行引导区轨迹提取；
[0021]
步骤3.2，引导区轨迹提取后，进一步进行道路外轨迹漂移点及道路内轨迹漂移点剔除；道路外轨迹漂移点剔除基于双向道路不同向轨迹高斯分布，将两方向轨迹分布交叉点外轨迹点视为噪声进行剔除，道路内轨迹漂移点剔除则基于轨迹中轨迹点到路段最大距离差，将轨迹中轨迹点到驶入路段距离满足公式(3)的轨迹判定为噪声轨迹进行剔除；
[0022]
|max (dis (p1, l) ,
…
, dis (pn, l))-min (dis (p1, l) ,
…
, dis (pn, l)) |》(w
1-w2)
ꢀꢀ
(3)
[0023]
其中pi为轨迹中第i点；l为驶入路段；dis(pi,l)(1≤i≤n)为轨迹中第i点到驶入路段最小距离；max和min分别是指最大和最小操作；w1为交叉口进口车道最大设计宽度；w2为车辆最大设计车宽；
[0024]
步骤3.3，引导区车道识别，首先基于路网结构设计的道路几何特征、道路分布特征、道路拓扑连接特征及基于引导区轨迹设计的道路停留信息、道路单双向、道路宽度、道路流量、道路运行速度，采用机器学习算法进行交叉口车道数识别，然后在车道数信息识别基础上，基于混合高斯模型，对引导区轨迹点到路段距离进行建模，将相邻高斯分布交点所
在位置视为相邻车道的边界，即车道线位置。
[0025]
进一步的，步骤3.1的具体实现方式为：(1)遍历路段匹配轨迹，如果轨迹为直行轨迹，将轨迹与引导区上、下横截线交点作为该轨迹表征点进行保留，同时判断是否存在落入引导区轨迹点，如果存在也保留落入轨迹点；(2)如果轨迹为左、右转向轨迹，判断是否存在落入引导区轨迹点，如果存在则保留落入轨迹点，如果不存在，将起始转向点沿路段前进方向进行延长，将延长线与上、下横截线的交点作为轨迹表征点进行保留；(3)如果该轨迹为掉头轨迹，直接将起始转向点沿路段前进方向进行延长，将延长线与上、下横截线的交点作为轨迹表征点进行保留。
[0026]
进一步的，所述道路几何特征包括路段长度及弯曲度，所述道路分布特征包括路段邻接网眼面积、路段节点分布密度，以及路段分布密度；所述道路拓扑连接特征包括节点群聚系数、度中心性、接近中心性和中介中心度。
[0027]
进一步的，步骤4所述交叉口车道级转向信息探测具体包括：
[0028]
步骤4.1，车道转向轨迹统计，具体统计特征设计包括：车道转向轨迹统计个数特征、车道转向轨迹横向统计特征、车道转向轨迹纵向统计特征，即各车道掉头个数cd、左转个数cl、直行个数cs、右转轨迹个数cr；车道中掉头轨迹个数在该车道总轨迹个数的占比hd、车道中左转轨迹个数在该车道总轨迹个数的占比hl、车道中直行轨迹个数在该车道总轨迹个数的占比hs、车道中右转轨迹个数在该车道总轨迹个数的占比hr；车道中掉头轨迹个数在引导区总掉头轨迹个数占比vd、车道中左转轨迹个数在引导区总左转轨迹个数占比vl、车道中直行轨迹个数在引导区总直行轨迹个数占比vs、车道中右转轨迹个数在引导区总右转轨迹个数占比vr；
[0029]
步骤4.2，车道转向监督式识别，随机抽取p1％样本作为训练样本，p2％作为测试样本，基于车道转向轨迹统计的特征，即车道转向轨迹统计个数特征fc(cd、cl、cs、cr)、车道转向轨迹横向统计特征fh(hd、hl、hs、hr)、车道转向轨迹纵向统计特征fv(vd、vl、vs、vr)，采用机器学习算法对引导区进行车道转向识别。
[0030]
进一步的，所述机器学习算法为随机森林模型。
[0031]
进一步的，k1的取值为5，k2的取值为12。
[0032]
本发明还提供一种面向平面交叉口的车道级转向信息探测装置，包括如下模块：
[0033]
数据预处理模块，用于首先对路网数据进行拓扑检查，轨迹数据进行质量清洗，然后进行路网及轨迹数据的地图匹配，实现轨迹点与归属路段之间的连接；
[0034]
交叉口引导区识别模块，用于分析轨迹在交叉口分布特性进行交叉口核心区识别，初步判定停止线位置，然后基于直行停留信息进一步确定停止线，最后在此基础上识别引导区范围；
[0035]
交叉口车道识别模块，用于根据轨迹转向信息进行引导区轨迹提取，然后针对提取引导区轨迹进行道路外及道路内轨迹漂移点滤选，最后在此基础上进行引导区车道识别；
[0036]
交叉口车道级转向信息探测模块，用于对各车道转向轨迹进行统计分析，并进行特征设计，最后采用监督式学习方法对交叉口车道级转向进行识别。
[0037]
与现有技术相比，本发明的优点和有益效果为：本发明一方面将问题聚焦于驶入路段引导区，避免与驶出路段进行车道匹配，另一方面顾及轨迹在车道间漂移情况，不仅可
以减少误差传播保证计算结果的精度，还可有效提升计算效率。本发明首次尝试基于众源轨迹来识别交叉口车道级转向信息，弥补了现有工作在车道级转向信息挖掘方面缺少系统性研究的不足，可有效解决现有交叉口精细导航信息挖掘周期长与成本高昂问题。该发明所提挖掘方案简单、高效、精确，为交叉口精细导航信息挖掘提供了有效的技术借鉴。
附图说明
[0038]
图1为本发明实施例一种面向平面交叉口的车道级转向信息探测方法的流程图；
[0039]
图2为本发明中交叉口车道级转向监督分类识别流程。
具体实施方式
[0040]
下面结合附图和实施例对本发明的技术方案作进一步说明。
[0041]
如图1所示，本发明提供的一种面向平面交叉口的车道级转向信息探测方法，包括如下步骤：
[0042]
步骤1，数据预处理：首先对路网数据进行拓扑检查，轨迹数据进行质量清洗，然后进行路网及轨迹数据的地图匹配，实现轨迹点与归属路段之间的连接；
[0043]
步骤2，交叉口引导区识别：分析轨迹在交叉口分布特性进行交叉口核心区识别，初步判定停止线位置，然后基于直行停留信息进一步确定停止线，最后在此基础上识别引导区范围；
[0044]
步骤3，交叉口车道识别：根据轨迹转向信息进行引导区轨迹提取，然后针对提取引导区轨迹进行道路外及道路内轨迹漂移点滤选，最后在此基础上进行引导区车道识别；
[0045]
步骤4，交叉口车道级转向信息探测：对各车道转向轨迹进行统计分析，并进行特征设计，最后采用监督式学习方法对交叉口车道级转向进行识别。
[0046]
在本技术中，所述数据预处理步骤，包括：
[0047]
步骤1.1，对路网数据进行拓扑检查，包括道路相交检查及伪结点检查；
[0048]
步骤1.2，对众源轨迹数据进行噪声过滤、停留点检测、轨迹分割及地图匹配等四个基本预处理。
[0049]
在本技术中，所述交叉口引导区识别步骤，包括：
[0050]
步骤2.1，基于轨迹分布进行交叉口核心区确定。以交叉口为中心，5米为增加半径，构建圆形缓冲区，将交叉口空间按0-360度分割为12个区间进行轨迹分布分析，将圆环间差异指标最大值判定为交叉口核心区半径，进而确定交叉口核心区。圆环间差异指标indexj_out具体计算如下：
[0051]
indexj_in＝std(num
1j
,
ꢀ…
, num
ij
,
ꢀ…
, num
12j
) /mean(num
1j
,
ꢀ…
, num
ij
,
ꢀ…
, num
12j
)
ꢀꢀ
(5)
[0052]
indexj_out＝ index
j+1
_in
‑ꢀ
indexj_in
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0053]
其中num
ij
为第j圆环内第i区间轨迹点数量(1≤j≤20；1≤i≤12)；std()为标准差函数；mean()为平均值函数。
[0054]
步骤2.2，基于直行停留轨迹进行停止线识别。从交叉口最近路段端点出发，沿路段反方向(未特殊说明，路段方向与车辆行驶方向一致)，5米为增加半径，构建圆形缓冲区，统计每个圆环内直行停留点分布密度num/(πr
2-π(r-5)2)，将最大停留点分布密度对应圆
环与路段交点识别为停止线位置，其中num为圆环直行停留个数，r为圆形缓冲区的半径，5≤r≤100。
[0055]
步骤2.3，交叉口引导区范围确定。路段交叉口导向车道线区域无法精确获取，因此根据《城市道路交通标志和标线设置规范》中4.8.3导向车道线长度一般不小于30米的规定，将停止线前30米范围识别为引导区。具体步骤为：(1)如果直行停留点少于等于c(默认设置为10)，则该路段无法基于直行停留点进行更精确的停止线位置探测，因此将该路段与交叉口核心区边界交点位置作为该路段停止线位置；(2)而对于直行停留点大于c，存在较多停留信息的路段，则基于直行停留分布确定停止线位置，具体见步骤2.2；(3)基于停止线，沿路段识别[d,d+d]为引导区范围。其中起始距离d为停止线到交叉口最近路段端点距离，为引导区上横截线，终止距离d+d为下横截线，d默认设置为30米。
[0056]
在本技术中，所述交叉口车道识别步骤，包括：
[0057]
步骤3.1，基于识别的交叉口引导区进行引导区轨迹提取。具体为：(1)遍历路段匹配轨迹，如果轨迹为直行轨迹，将轨迹与引导区上、下横截线交点作为该轨迹表征点进行保留，同时判断是否存在落入引导区轨迹点，如果存在也保留落入轨迹点；(2)如果轨迹为左、右转向轨迹，判断是否存在落入引导区轨迹点，如果存在则保留落入轨迹点，如果不存在，将起始转向点沿路段前进方向进行延长，将延长线与上、下横截线的交点作为轨迹表征点进行保留；(3)如果该轨迹为掉头轨迹，直接将起始转向点沿路段前进方向进行延长，将延长线与上、下横截线的交点作为轨迹表征点进行保留。
[0058]
步骤3.2，引导区轨迹提取后，进一步进行道路外轨迹漂移点及道路内轨迹漂移点剔除。道路外轨迹漂移点剔除基于双向道路不同向轨迹高斯分布，将两方向轨迹分布交叉点外轨迹点视为噪声进行剔除。道路内轨迹漂移点剔除则基于轨迹中轨迹点到路段最大距离差，将轨迹中轨迹点到驶入路段距离满足公式(3)的轨迹判定为噪声轨迹进行剔除。
[0059]
|max (dis (p1, l) ,
…
, dis (pn, l))-min (dis (p1, l) ,
…
, dis (pn, l)) |》(w
1-w2)
ꢀꢀ
(3)
[0060]
其中pi为轨迹中第i点；l为驶入路段；dis(pi,l)(1≤i≤n)为轨迹中第i点到驶入路段最小距离；max和min分别是指最大和最小操作；w1为交叉口进口车道最大设计宽度；w2为车辆最大设计车宽。其中根据标准《城市道路交叉口设计规程》
，
w1可设为3.25，根据标准《道路车辆外廓尺寸、轴荷及质量限值》，w2可设为2.5。
[0061]
步骤3.3，引导区车道识别。首先基于路网结构设计道路几何特征(路段长度及弯曲度)、道路分布特征(路段邻接网眼面积、路段节点分布密度，路段分布密度)、道路拓扑连接特征(节点群聚系数、度中心性、接近中心性、中介中心度)，基于引导区轨迹设计道路停留信息、道路单双向、道路宽度、道路流量、道路运行速度等。然后标注训练样本，采用机器学习算法(如随机森林模型)进行模型训练，基于训练模型对引导区进行交叉口车道数识别。最后在车道数信息识别基础上，基于混合高斯模型，对引导区轨迹点到路段距离进行建模，将相邻高斯分布交点所在位置视为相邻车道的边界，即车道线位置。
[0062]
在本技术中，所述交叉口车道级转向信息探测步骤，包括：
[0063]
步骤4.1，车道转向轨迹统计。具体统计特征设计包括：车道转向轨迹统计个数特征、车道转向轨迹横向统计特征、车道转向轨迹纵向统计特征，即各车道掉头、左转、直行、右转轨迹个数(cd、cl、cs、cr)；车道中掉头轨迹个数、左转轨迹个数、直行轨迹个数、右转轨
迹个数在该车道总轨迹个数的占比(hd、hl、hs、hr)；车道中掉头轨迹个数在引导区总掉头轨迹个数占比、左转轨迹个数在引导区总左转轨迹个数占比、直行轨迹个数在引导区总直行轨迹个数占比、右转轨迹个数在引导区总右转轨迹个数占比(vd、vl、vs、vr)。
[0064]
步骤4.2，车道转向监督式识别。随机抽取70％样本作为训练样本，30％作为测试样本，基于车道转向轨迹统计的特征，即车道转向轨迹统计个数特征(cd、cl、cs、cr)、车道转向轨迹横向统计特征(hd、hl、hs、hr)、车道转向轨迹纵向统计特征(vd、vl、vs、vr)，采用机器学习算法(如随机森林模型)对引导区进行车道转向识别。
[0065]
本发明还提供一种面向平面交叉口的车道级转向信息探测装置，包括如下模块：
[0066]
数据预处理模块，用于首先对路网数据进行拓扑检查，轨迹数据进行质量清洗，然后进行路网及轨迹数据的地图匹配，实现轨迹点与归属路段之间的连接；
[0067]
交叉口引导区识别模块，用于分析轨迹在交叉口分布特性进行交叉口核心区识别，初步判定停止线位置，然后基于直行停留信息进一步确定停止线，最后在此基础上识别引导区范围；
[0068]
交叉口车道识别模块，用于根据轨迹转向信息进行引导区轨迹提取，然后针对提取引导区轨迹进行道路外及道路内轨迹漂移点滤选，最后在此基础上进行引导区车道识别；
[0069]
交叉口车道级转向信息探测模块，用于对各车道转向轨迹进行统计分析，并进行特征设计，最后采用监督式学习方法对交叉口车道级转向进行识别。
[0070]
各模块的具体实现方式和各步骤相应，本发明不予撰述。
[0071]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

技术特征：
1.一种面向平面交叉口的车道级转向信息探测方法，其特征在于，包括如下步骤：步骤1，数据预处理：首先对路网数据进行拓扑检查，轨迹数据进行质量清洗，然后进行路网及轨迹数据的地图匹配，实现轨迹点与归属路段之间的连接；步骤2，交叉口引导区识别：分析轨迹在交叉口分布特性进行交叉口核心区识别，初步判定停止线位置，然后基于直行停留信息进一步确定停止线，最后在此基础上识别引导区范围；步骤3，交叉口车道识别：根据轨迹转向信息进行引导区轨迹提取，然后针对提取引导区轨迹进行道路外及道路内轨迹漂移点滤选，最后在此基础上进行引导区车道识别；步骤4，交叉口车道级转向信息探测：对各车道转向轨迹进行统计分析，并进行特征设计，最后采用监督式学习方法对交叉口车道级转向进行识别。2.如权利要求1所述的一种面向平面交叉口的车道级转向信息探测方法，其特征在于：步骤1中所述数据预处理具体包括：步骤1.1，对路网数据进行拓扑检查，包括道路相交检查及伪结点检查；步骤1.2，对众源轨迹数据进行噪声过滤、停留点检测、轨迹分割及地图匹配四个基本预处理。3.如权利要求1所述的一种面向平面交叉口的车道级转向信息探测方法，其特征在于：步骤2中所述交叉口引导区识别具体包括：步骤2.1，基于轨迹分布进行交叉口核心区确定，以交叉口为中心，k1米为增加半径，构建圆形缓冲区，将交叉口空间按0-360度分割为k2个区间进行轨迹分布分析，将圆环间差异指标最大值判定为交叉口核心区半径，进而确定交叉口核心区，圆环间差异指标indexj_out具体计算如下：index
j
_in＝std(num
1j
,
ꢀ…
, num
ij
,
ꢀ…
, num
12j
) /mean(num
1j
,
ꢀ…
, num
ij
,
ꢀ…
, num
12j
)
ꢀꢀ
(1)index
j
_out＝ index
j+1
_in
‑ꢀ
index
j
_in
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中num
ij
为第j圆环内第i区间轨迹点数量；std()为标准差函数；mean()为平均值函数；步骤2.2，基于直行停留轨迹进行停止线识别，从交叉口最近路段端点出发，沿路段反方向，k1米为增加半径，构建圆形缓冲区，统计每个圆环内直行停留点分布密度num/(πr
2-π(r-k1)2)，将最大停留点分布密度对应圆环与路段交点识别为停止线位置，其中num为圆环直行停留个数，r为圆形缓冲区的半径；步骤2.3，交叉口引导区范围确定，具体步骤为：(1)如果直行停留点少于等于c，则该路段无法基于直行停留点进行更精确的停止线位置探测，因此将该路段与交叉口核心区边界交点位置作为该路段停止线位置；(2)而对于直行停留点大于c，存在较多停留信息的路段，则基于直行停留分布确定停止线位置，具体实现与步骤2.2相同；(3)基于停止线，沿路段识别[d,d+d]为引导区范围，其中起始距离d为停止线到交叉口最近路段端点距离，为引导区上横截线，终止距离d+d为下横截线，d为设置的常数，单位是米。4.如权利要求1所述的一种面向平面交叉口的车道级转向信息探测方法，其特征在于：步骤3所述交叉口车道识别具体包括：步骤3.1，基于识别的交叉口引导区进行引导区轨迹提取；
步骤3.2，引导区轨迹提取后，进一步进行道路外轨迹漂移点及道路内轨迹漂移点剔除；道路外轨迹漂移点剔除基于双向道路不同向轨迹高斯分布，将两方向轨迹分布交叉点外轨迹点视为噪声进行剔除，道路内轨迹漂移点剔除则基于轨迹中轨迹点到路段最大距离差，将轨迹中轨迹点到驶入路段距离满足公式(3)的轨迹判定为噪声轨迹进行剔除；|max (dis (p1, l) ,
…
, dis (p
n
, l))-min (dis (p1, l) ,
…
, dis (p
n
, l)) |>(w
1-w2)
ꢀꢀ
(3)其中p
i
为轨迹中第i点；l为驶入路段；dis(p
i
,l)(1≤i≤n)为轨迹中第i点到驶入路段最小距离；max和min分别是指最大和最小操作；w1为交叉口进口车道最大设计宽度；w2为车辆最大设计车宽；步骤3.3，引导区车道识别，首先基于路网结构设计的道路几何特征、道路分布特征、道路拓扑连接特征及基于引导区轨迹设计的道路停留信息、道路单双向、道路宽度、道路流量、道路运行速度，采用机器学习算法进行交叉口车道数识别，然后在车道数信息识别基础上，基于混合高斯模型，对引导区轨迹点到路段距离进行建模，将相邻高斯分布交点所在位置视为相邻车道的边界，即车道线位置。5.如权利要求4所述的一种面向平面交叉口的车道级转向信息探测方法，其特征在于：步骤3.1的具体实现方式为：(1)遍历路段匹配轨迹，如果轨迹为直行轨迹，将轨迹与引导区上、下横截线交点作为该轨迹表征点进行保留，同时判断是否存在落入引导区轨迹点，如果存在也保留落入轨迹点；(2)如果轨迹为左、右转向轨迹，判断是否存在落入引导区轨迹点，如果存在则保留落入轨迹点，如果不存在，将起始转向点沿路段前进方向进行延长，将延长线与上、下横截线的交点作为轨迹表征点进行保留；(3)如果该轨迹为掉头轨迹，直接将起始转向点沿路段前进方向进行延长，将延长线与上、下横截线的交点作为轨迹表征点进行保留。6.如权利要求4所述的一种面向平面交叉口的车道级转向信息探测方法，其特征在于：所述道路几何特征包括路段长度及弯曲度，所述道路分布特征包括路段邻接网眼面积、路段节点分布密度，以及路段分布密度；所述道路拓扑连接特征包括节点群聚系数、度中心性、接近中心性和中介中心度。7.如权利要求1所述的一种面向平面交叉口的车道级转向信息探测方法，其特征在于：步骤4所述交叉口车道级转向信息探测具体包括：步骤4.1，车道转向轨迹统计，具体统计特征设计包括：车道转向轨迹统计个数特征、车道转向轨迹横向统计特征、车道转向轨迹纵向统计特征，即各车道掉头个数cd、左转个数cl、直行个数cs、右转轨迹个数cr；车道中掉头轨迹个数在该车道总轨迹个数的占比hd、车道中左转轨迹个数在该车道总轨迹个数的占比hl、车道中直行轨迹个数在该车道总轨迹个数的占比hs、车道中右转轨迹个数在该车道总轨迹个数的占比hr；车道中掉头轨迹个数在引导区总掉头轨迹个数占比vd、车道中左转轨迹个数在引导区总左转轨迹个数占比vl、车道中直行轨迹个数在引导区总直行轨迹个数占比vs、车道中右转轨迹个数在引导区总右转轨迹个数占比vr；步骤4.2，车道转向监督式识别，随机抽取p1％样本作为训练样本，p2％作为测试样本，基于车道转向轨迹统计的特征，即车道转向轨迹统计个数特征f
c
(cd、cl、cs、cr)、车道转向轨迹横向统计特征f
h
(hd、hl、hs、hr)、车道转向轨迹纵向统计特征f
v
(vd、vl、vs、vr)，采用机
器学习算法对引导区进行车道转向识别。8.如权利要求7所述的一种面向平面交叉口的车道级转向信息探测方法，其特征在于：所述机器学习算法为随机森林模型。9.如权利要求3所述的一种面向平面交叉口的车道级转向信息探测方法，其特征在于：k1的取值为5，k2的取值为12。10.一种面向平面交叉口的车道级转向信息探测装置，其特征在于，包括如下模块：数据预处理模块，用于首先对路网数据进行拓扑检查，轨迹数据进行质量清洗，然后进行路网及轨迹数据的地图匹配，实现轨迹点与归属路段之间的连接；交叉口引导区识别模块，用于分析轨迹在交叉口分布特性进行交叉口核心区识别，初步判定停止线位置，然后基于直行停留信息进一步确定停止线，最后在此基础上识别引导区范围；交叉口车道识别模块，用于根据轨迹转向信息进行引导区轨迹提取，然后针对提取引导区轨迹进行道路外及道路内轨迹漂移点滤选，最后在此基础上进行引导区车道识别；交叉口车道级转向信息探测模块，用于对各车道转向轨迹进行统计分析，并进行特征设计，最后采用监督式学习方法对交叉口车道级转向进行识别。

技术总结
本发明公开了一种面向平面交叉口的车道级转向信息探测方法及装置，包括：对路网进行预处理，轨迹数据清洗及地图匹配，实现轨迹点与归属路段之间的连接；交叉口引导区识别步骤，顾及交叉口轨迹分布特征及停止线处车辆直行停留信息，进行交叉口引导区探测；交叉口车道识别步骤，基于交叉口引导区识别结果，提取与引导区相关轨迹，并进行多角度去噪，据此开展引导区车道推导；交叉口车道级转向信息探测步骤，顾及交叉口车道识别结果，对各车道转向轨迹进行横向及纵向统计，采用监督式学习方法进行交叉口车道级转向信息探测。本发明首次尝试基于众源轨迹来识别交叉口车道级转向信息，弥补了现有工作在车道级转向信息挖掘方面缺少系统性研究的不足。少系统性研究的不足。少系统性研究的不足。


技术研发人员：张彩丽 向隆刚 姜永涛 潘传姣 高松峰
受保护的技术使用者：河南城建学院
技术研发日：2023.04.24
技术公布日：2023/8/24