基于众源数据的室内外三维行人路网构建方法

1.本发明涉及智能交通领域，具体涉及基于众源数据的室内外三维行人路网构建方法。


背景技术：

2.由于城市道路规划的快速发展，导航的应用需求也随之增加。目前主流导航应用中提供的道路数据主要是基于机动车道路网，而专门的步行路网数据仍有缺失，如高层建筑物间的步行路径、地下通道、人行天桥、室内通行路径等。在城市环境中，密集繁杂的高层建筑群往往更需要导航应用的指引，而室内通行路径与三维路径数据的缺失会导致导航系统在提供路线规划服务时，无法搜索出现实中真实的最优路径。
3.因此，现有技术还有待于改进和发展。


技术实现要素：

4.本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于众源数据的室内外三维行人路网构建方法，旨在通过提供一种基于众源数据的室内外三维行人路网构建方法，通过构建三维行人路网便于为行人在室内室外通行时提供更加准确的路线规划服务。
5.本发明解决技术问题所采用的技术方案如下：
6.第一方面，本发明提供一种基于众源数据的室内外三维行人路网构建方法，其中，所述方法包括：
7.获取众源数据，根据所述众源数据识别出室内数据和室外数据；
8.对所述室内数据进行行人航位推算得到完整室内数据，并将所述完整室内数据结合室外数据得到室内外一体化轨迹数据；
9.对所述室内外一体化轨迹数据进行分层处理，得到室内外三维分层轨迹数据；
10.根据所述室内外三维分层轨迹数据构建室内外三维行人路网。
11.在一种实现方式中，根据所述众源数据识别出室内数据和室外数据包括：
12.对所述众源数据进行室内外检测，得到第一检测结果；
13.根据所述第一检测结果将所述众源数据分为室内数据和室外数据。
14.在一种实现方式中，所述对所述室内数据进行行人航位推算得到完整室内数据，并将所述完整室内数据结合室外数据得到室内外一体化轨迹数据包括：
15.对所述室内数据进行行人航位推算，得到推算数据；
16.对所述推算数据进行误差消除处理，得到完整室内数据；
17.将所述完整室内数据与所述室外数据进行一体化处理，得到室内外一体化轨迹数据。
18.在一种实现方式中，所述对所述室内外一体化轨迹数据进行分层处理，得到室内外三维分层轨迹数据包括：
19.通过深度学习对所述室内外一体化轨迹数据进行三维路网节点检测，得到第二检测结果；
20.根据所述第二检测结果对所述室内外一体化轨迹数据进行分层，得到室内外三维分层轨迹数据。
21.在一种实现方式中，所述根据所述室内外三维分层轨迹数据构建室内外三维行人路网包括：
22.对所述室内外三维分层轨迹数据进行分层密度计算，得到分层密度图；
23.提取所述各层密度图中的山脊线为各层室内外一体化行人路网；
24.将所述各层室内外一体化行人路网与三维路网节点的位置进行接合，得到所述室内外三维行人路网。
25.第二方面，本发明实施例还提供一种基于众源数据的室内外三维行人路网装置，其特征在于，所述装置包括：
26.获取模块，用于获取众源数据，根据所述众源数据识别出室内数据和室外数据；
27.推算模块，用于对所述室内数据进行行人航位推算得到完整室内数据，并将所述完整室内数据结合室外数据得到室内外一体化轨迹数据；
28.分层模块，用于对所述室内外一体化轨迹数据进行分层处理，得到室内外三维分层轨迹数据；
29.路网构建模块，用于根据所述室内外三维分层轨迹数据构建室内外三维行人路网。
30.第三方面，本发明实施例还提供一种终端设备，其中，所述终端设备包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述任一项所述的一种基于众源数据的室内外三维行人路网构建方法。
31.第四方面，本发明实施例还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述任意一项所述的一种基于众源数据的室内外三维行人路网构建方法。
32.本发明的有益效果：与现有技术相比，本发明提供了一种基于众源数据的室内外三维行人路网构建方法，所述方法包括获取众源数据，并根据众源数据得到室内数据和室外数据，由于室内数据会存在缺数或不准确，因此对室内数据进行行人航位推算得到完整室内数据，并将完整室内数据结合室外数据得到室内外一体化轨迹数据，再对室内外一体化轨迹数据进行分层得到室内外三维分层轨迹数据，最后根据室内外三维分层轨迹数据构建室内外三维行人路网，通过本技术构建的室内外三维行人路网，能够为行人在室内室外通行时提供更加准确的路线规划服务。
附图说明
33.图1是本发明实施例提供的基于众源数据的室内外三维行人路网构建方法的具体实施方式的流程图。
34.图2是本发明实施例提供的基于众源数据的室内外三维行人路网构建方法中确定室内外一体化轨迹数据的流程图。
35.图3是本发明实施例提供的基于众源数据的室内外三维行人路网构建方法中行人航位推算的原理图。
36.图4是本发明实施例提供的基于众源数据的室内外三维行人路网构建方法中确定室内外三维分层轨迹数据的流程图。
37.图5是本发明实施例提供的基于众源数据的室内外三维行人路网构建方法中不同情境行为下的三轴加速度。
38.图6是本发明实施例提供的基于众源数据的室内外三维行人路网构建方法中构建室内外三维行人路网的流程图。
39.图7是本发明实施例提供的基于众源数据的室内外三维行人路网装置的原理框图。
40.图8是本发明实施例提供的终端设备的内部结构原理框图。
具体实施方式
41.为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
42.随着城市建设的快速发展，越来越多的道路交错排布，因此，在这些错综复杂的道路中，行人的出行问题就慢慢浮现出来，尤其是在城市环境里密集繁杂的高层建筑群中，行人往往更需要导航应用的指引，而目前主流导航应用中提供的道路数据主要是基于机动车道路网，而专门的步行路网数据仍有缺失，如高层建筑物间的步行路径、地下通道、人行天桥、室内通行路径等。行人路网是适合行人特定需求的地理数据网络，也是步行导航系统中关键的一类基础地理信息数据，而室内通行路径与三维路径数据的缺失会导致导航系统在提供路线规划服务时无法搜索出现实中真实的最优路径。
43.经研究发现，行人路网缺失的主要原因在于步行路网数据的获取难度大，用于道路网络的专业采集测量车辆受道路限制，无法进入行人专用道。
44.为了解决现有技术的问题，本实施例提供一种基于众源数据的室内外三维行人路网构建方法，通过本实施例的一种基于众源数据的室内外三维行人路网构建方法，可以建立更加准确的三维行人路网，从而便于为行人在室内室外通行时提供更加准确的路线规划服务。具体实施时，本实施例先获取众源数据，并根据众源数据得到室内数据和室外数据，由于室内数据会存在缺数或不准确，因此对室内数据进行行人航位推算得到完整室内数据，并结合室外数据得到室内外一体化轨迹数据，再对室内外一体化轨迹数据进行分层得到室内外三维分层轨迹数据，最后根据室内外三维分层轨迹数据构建室内外三维行人路网。
45.示例性方法
46.本实施例中的基于众源数据的室内外三维行人路网构建方法可应用于终端设备中，比如智能手机，所述终端设备能够获取众源数据。具体实施时，如图1中所示，本实施例中的基于众源数据的室内外三维行人路网构建方法包括如下步骤：
47.步骤s100、获取众源数据，根据所述众源数据识别出室内数据和室外数据。
48.具体实施时，本实施例是基于众源数据构建的室内外三维行人路网，因此需要先
对众源数据进行获取。随着各类传感器在智能终端设备上的普及，使每个手持智能终端设备的人都能成为地图数据的提供者，为行人路网数据的获取带来新的机遇。智能终端设备的常用传感器gps、加速度计、陀螺仪、气压计等，可以获取到相应的位置信息和姿态信息，从而得到用户出行的轨迹数据。单条用户轨迹数据往往存在着偶然性，众源地理数据是由大量非专业人员志愿获取并通过互联网向大众或相关机构提供的一种开放地理空间数据，大量的轨迹数据可以真实反映出道路的拓扑结构信息。因此，使用众源数据构建路网是常用且有效的路网构建方法。
49.由于在获取到的众源数据包括室内和室外获取到的数据信息，为了更加准确的进行行人路网的构建，需要根据众源数据得到室内数据和室外数据。具体地，对众源数据进行室内外检测，得到第一检测结果，根据第一检测结果将众源数据分为室内数据和室外数据。
50.较佳的，众源数据通过用户携带的智能终端设备采集并上传,收集到的众源数据行人轨迹为：t＝{p1，p2,p3,...p
n
}，其中p
i
代表该轨迹样本点,表示为p
i
＝(t
i
,l
i
,n
i
,h
i
,a
i
,r
i
)，t
i
为该轨迹点的时间戳，l
i
＝(x
i
,y
i
)为该点的地理位置，x
i
表示该点经度，y
i
表示该点纬度，n
i
是该轨迹点接收到的有效卫星的数量，h
i
是该轨迹点的gps水平精度，a
i
＝(a
xi
,a
yi
,a
zi
)为该轨迹点加速度计的信息，表示轨迹点分别在x轴、y轴，以及z轴方向上的加速度值,该轨迹点的陀螺仪信息r
i
＝(r
xi
,r
yi
,r
zi
)，表示陀螺仪分别绕着x轴、y轴和z轴的旋转速率。在室外开阔环境下，gps能为用户提供精准的位置信息，然而在室内有建筑物遮挡的情况下，gps不准确或者完全缺失，因此需要对众源数据进行室内外检测，将室内数据和室外数据进行区分。有效卫星数n和水平精度h可以直接反映出gps的信号强弱和数据的准确性。有效卫星数n指的是该位置点的可见卫星中，卫星信噪比低于30的卫星数量，有效卫星数小于某个阈值时可判断为室内轨迹，即n
i
<σ
n
。gps水平精度h是指gps设备有68％的概率，在以判定位置为原点，以h为半径的水平面内，h越小说明gps位置信息越准确，水平精度大于某个阈值时则表示gps准确性不足，可判定为室内轨迹，即h
i
>σ
h
。
51.步骤s200、对所述室内数据进行行人航位推算得到完整室内数据，并将所述完整室内数据结合室外数据得到室内外一体化轨迹数据。
52.本实施例在获取到室内数据后，在室内有建筑物遮挡的情况下，gps不准确或者完全缺失，从而导致获取到的室内轨迹存在缺失或不准确的情况，因此需要对室内数据进行推算得到完整室内数据。
53.在一种实现方式中，如图2所示，所述步骤s200包括如下步骤：
54.s201、对所述室内数据进行行人航位推算，得到推算数据；
55.s202、对所述推算数据进行误差消除处理，得到完整室内数据；
56.s203、将所述完整室内数据与所述室外数据进行一体化处理，得到室内外一体化轨迹数据。
57.具体实施时，在对缺失数据进行推算的过程中，由于缺失数据的gps数据处于丢失或者漂移状态，因此需要使用其他传感器数据得到轨迹数据。较佳的，行人航位推算(pdr)通过人行走时加速度的变化计算出步频和步长，结合陀螺仪估计航向，从而实现位置推算，可用于室内轨迹的获取。行人航位推算的原理如图3所示，其中e为正东方向，n为正北方向，θ为航向角，l为步长，公式如下：根据公式计算得到推算数据。
58.由于行人航位推算存在着累积误差，在对推算数据进行误差消除处理时，以gps丢
失点为原点，将墨卡托坐标系转换至wgs
‑
84坐标系，完成平面坐标到经纬度坐标的转换后，以gps找回点为标准，计算行人航位推算终点与gps找回点之间的角度以及位置的差值，通过坐标旋转与位置平差以消除行人航位推算的累计误差，得到完整室内数据。
59.本实施例在获取完整室内数据后，结合室外数据，对完整室内数据与室外数据进行一体化处理，得到室内外一体化轨迹数据。较佳的，根据时间戳将完整室内数据与室外数据进行接合，得到室内外一体化轨迹数据。
60.步骤s300、对所述室内外一体化轨迹数据进行分层处理，得到室内外三维分层轨迹数据。
61.在一种实现方式中，如图4所示，所述步骤s300包括如下步骤：
62.s301、通过深度学习对所述室内外一体化轨迹数据进行三维路网节点检测，得到第二检测结果。
63.s302、根据所述第二检测结果对所述室内外一体化轨迹数据进行分层，得到室内外三维分层轨迹数据。
64.具体实施时，需要对一体化轨迹数据进行三维路网节点检测，得到第二检测结果，根据第二检测结果对一体化轨迹数据进行分层，得到分层行人轨迹。具体地，在对一体化轨迹数据进行分层得到室内外一体化行人路网时，通过深度学习对一体化轨迹数据进行跨层级行为识别，即识别出上下楼梯、上下电梯、上下坡等行为，确定三维路网节点，对轨迹进行分层，得到室内外三维分层轨迹数据。
65.由于智能终端设备中的加速度计、陀螺仪、磁力计、气压计数据，可用于识别出行人在不同场景中的不同行为。例如，行人在上下楼梯时的颠簸行为，在坡路行走的上升和下降行为以及在乘电梯时发生的超重和失重行为等，对应的加速度数据有差异化特征，具体对比如图5所示，因此需要对一体化轨迹数据进行分层得到分层轨迹。较佳的，本实施例中通过识别携带智能终端设备的用户的行为来进行三维路网节点检测，且本实施例中采用卷积神经网络(convolutional neural networks,cnn)来实现行为识别的目的。卷积神经网络(convolutional neural networks,cnn)是一种多层监督式学习的深度神经网络，cnn网络架构的核心模块是卷积层和池化层(采样层)。输入层数据进入卷积层、激励层和池化层，提取得到的特征作为第一个全连接层的输入，最终通过分类器对输出元组进行最终分类，本发明采用softmax回归进行分类。具体地，本实施例中首先进行样本数据采集和处理，比如：利用预设在智能终端设备上的app采集不同行为的样本数据若干，每条数据都带有相应的行为标签。智能终端设备采集的传感器数据为时序数据，在进行行为分类之前，需要将所采集的数据进行处理，以固定长度的滑动窗口将时序视距进行分割，得到每个行为的样本，时间窗口设置为2秒，假设共分为了r个样本，设r∈r。然后进行输入层的数据输入，比如：输入数据为智能终端设备采集的传感器数据，本实施例采用三轴加速度以及气压的变化数据，经过处理后最终数据维度为一维向量，以n为滑动时间窗内的数据总条数，输入向量表示为将输入层数据输入到卷积层中，比如：卷积层输出为z＝[z1,z2...,z
h
]，其中h表示输出向量的大小，该层计算公式为其中m表示卷
积核(filter)的数量，ω＝[ω1,ω2,...,ω
m
‑1,ω
m
]。式中h、m、s(s为卷积时的采样间隔)、n之间的关系为较佳的，在激励层中设置有激活函数，激活函数的作用是能够给神经网络加入一些非线性因素，使得神经网络可以更好地解决较为复杂的问题，因卷积层为线性因素，本实施例中采用的激励函数为relu激励函数，公式为其中的z为卷积层的输出数据。然后通过池化层对特征进一步进行提取和整合，得到新的特征，比如：将激励层后的一系列数据划分为多个窗口的数据，即将系列数据分段，再对每一个窗口的数据单独进行求和或求平均的操作，以此来代替该窗口内的所有数据，经过此操作后数据量会减少，此时需要使用填充函数进行填充，以保证数据条数不变。通过全连接层输出最终预测数值，全连接层位于若干个卷积层和池化层之后。本实施例中使用了两个全连接层，第一个全连接层节点数为1000，在第一个连接层结束后，将结果作为输入到第二个全连接层中，第二个全连接层的节点数与要输出的类别数量一致，本实施例中为4，且在第二个连接层计算时，会随机舍弃一些其与第一层节点的连接，以防止过拟合。全连接层的计算公式为y
rk
为第r个滑动时间窗样本的第k个全连接层节点的输出结果，全连接层输出可表示为y
r
＝[y
r1
,y
r2
,y
r3
,y
r4
]。本实施例中还设置有softmax层，softmax层位于全连接层之后，用以得出每个时间窗属于每种行为的概率，输入数据为全连接层的输出数据，计算公式为式中k＝1、2、3、4，分别代表4种行为类型。对于每个时间窗口样本来说，有y'
r
＝[y'
r1
,y'
r2
,y'
r3
,y'
r4
]，将取这四个概率值中的最大值作为最终的类别预测结果。较佳的，在上述过程中，需要不断训练的为权值ω以及偏差b的值，本实施例中使用的是梯度下降法(adam法)进行loss函数的最小化求解，loss函数定义为不断地更新网络中的权值，以达到最优的预测效果。在cnn模型的使用过程中，首先使用滑动窗口对采集的众包数据进行分割，得到数据样本。利用训练好的cnn模型对获取的众包数据进行分类，得到每个数据样本的行为种类。根据不同行为轨迹首尾点的经纬度数据记录相应语义节点的位置，如上下楼梯位置点、上下坡位置点和电梯位置点，由于多条轨迹数据对于同一语义位置可能出现不同的预测点，本实施例使用k
‑
means聚类算法，得到语义节点的准确位置。输入各位置的样本点，根据样本之间的距离差，将样本集划分为k簇，表示有k个不同的语义节点c，其中c＝(c1、c2、...、c
k
)，使同簇的点紧密连接在一起，最小化平方误差其中为簇的均值向量，即质心，采用启发式迭代方法得到每一簇的最优质心，即每个语义节点的准确位置。
[0066]
步骤s400、根据所述室内外三维分层轨迹数据构建室内外三维行人路网。
[0067]
在一种实现方式中，如图6所示，所述步骤s400包括如下步骤：
[0068]
s401、对所述室内外三维分层轨迹数据进行分层密度计算，得到分层密度图。
[0069]
s402、提取所述各层密度图中的山脊线为各层室内外一体化行人路网。
[0070]
s403、将所述各层室内外一体化行人路网与三维路网节点的位置进行接合，得到
所述室内外三维行人路网。
[0071]
具体地，在基于室内外三维分层轨迹数据提取分层密度图的过程中，本实施例基于morse理论，对室内外三维分层轨迹数据进行核密度分析得到密度图，导出栅格数据，以每个栅格的密度值为高度，将密度图类比为地形图，接着采用邻点高度比较法提取关键点，即鞍点、峰点、谷点，计算每个鞍点到峰点上升速度最快的路径，也就是山脊线，最后提取各层密度图中的山脊线为各层室内外一体化行人路网。具体地，核密度分析主要是计算轨迹段在邻域内的单位密度，从而生成密度图。e＝{e1,e2,e3,...e
m
}表示以经纬度为节点的所有轨迹段的集合，l为所有轨迹的矩形边界框，顶点集合v＝{v1,v2,v3,...v
n
}。核密度分析需要确定搜索半径，即带宽r。带宽值越小，生成栅格的显示信息越详细。
[0072][0073]
其中d
s
是标准距离，即所有轨迹与其轨迹质心之间距离的标准差，d
m
为中值距离，n是轨迹段的数量总和。
[0074][0075]
对密度图进行核密度估计，密度函数如下：
[0076][0077]
将核密度估计的结果导出，得到每个栅格的密度值，输出的栅格像元密度各轨迹为在栅格像元中心叠加的所有密度值的总和。
[0078]
最后，对室内外一体化行人路网进行路网重构，得到室内外三维行人路网。具体地，对导出的栅格数据进行三角化剖分，导出的栅格数据格式为：
[0079][0080]
其中m表示栅格数据的行数，n表示栅格数据的列数。按顺时针方向对邻点进行排序，得到栅格邻点集合u，比较栅格点h与集合u中h
i
的密度值(高度)。令δ
i
＝h
‑
h
i
，n
c
为δ1,δ2,...,δ
n
符号变化的次数，n为相邻点集合u中邻点的个数。若n
c
＝0,δ
i
>0，则h为峰点；若n
c
＝0,δ
i
<0，则h为谷点；若n
c
≥4，则h为鞍点。提取出对应关键点，连接关键点的积分线为关键线，将从积分线上流入关键点的所有点称为稳定流形，峰点的稳定流形只有它本身，从积分线上流入鞍点的稳定流形就是山脊线。由于多数人行走的轨迹即为真实道路轨迹，在密度地形图中，真实道路方向的栅格密度要高于真实道路两侧的栅格密度，而道路交叉口的栅格密度都比周围轨迹点的栅格密度高，通过密度函数提取地形山脊线，计算鞍点的稳定流形作为室内外一体化行人路网，将提取的室内外一体化行人路网以三维路网节点的位置为基准进行接合，最终得到室内外三维行人路网。
[0081]
综上，本实施例首先获取众源数据，并根据众源数据得到室内数据和室外数据，由
于室内数据会存在缺数或不准确，因此对室内数据进行行人航位推算得到完整室内数据，并将完整室内数据结合室外数据得到室内外一体化轨迹数据，再对室内外一体化轨迹数据进行分层得到室内外三维分层轨迹数据，最后根据室内外三维分层轨迹数据构建室内外三维行人路网，通过本技术构建的三维行人路网，能够提供更加准确的路线规划服务。比如，通过众多用户手机上安装的app获得众源数据后，将众源数据分为室内数据和室外数据，在对室内数据进行检测的过程中发现由于建筑物的遮挡导致gps无法提供准确的位置信息，从而导致室内数据缺失，在通过行人航位推算对室内数据进行推算后得到完整室内数据，将完整室内数据与室外数据进行一体化处理得到室内外一体化轨迹数据，将室内外一体化轨迹数据通过深度学习检测出上下楼梯、电梯、坡路的行为，将一体化轨迹进行分层，得到室内外一体化行人路网，最后根据室内外一体化行人路网与上下楼梯、电梯、坡路这三个节点进行接合，构建室内外三维行人路网，从而便于为行人在室内室外通行时提供更加准确的路线规划服务。
[0082]
示例性装置
[0083]
如图7中所示，本实施例还提供一种基于众源数据的室内外三维行人路网装置，该装置包括：获取模块10、推算模块20、分层模块30、路网构建模块40。具体地，所述获取模块10，用于获取众源数据，根据所述众源数据识别出室内数据和室外数据。所述推算模块20，用于对所述室内数据进行行人航位推算得到完整室内数据，并将所述完整室内数据结合室外数据得到室内外一体化轨迹数据。所述路网构建模块30，用于对所述室内外一体化轨迹数据进行分层处理，得到室内外三维分层轨迹数据。所述路网构建模块40，用于根据所述室内外三维分层轨迹数据构建室内外三维行人路网。
[0084]
在一种实现方式中，所述获取模块10包括：
[0085]
第一检测单元，用于对所述众源数据进行室内外检测，得到第一检测结果；
[0086]
划分单元，用于根据所述第一检测结果将所述众源数据分为室内数据和室外数据。
[0087]
在一种实现方式中，所述推算模块20包括：
[0088]
推算单元，用于对所述室内数据进行行人航位推算，得到推算数据；
[0089]
误差消除单元，用于对所述推算数据进行误差消除处理，得到完整室内数据；
[0090]
一体化单元，用于将所述完整室内数据与所述室外数据进行一体化处理，得到室内外一体化轨迹数据。
[0091]
在一种实现方式中，所述分层模块30包括：
[0092]
第二检测单元，用于通过深度学习对所述室内外一体化轨迹数据进行三维路网节点检测，得到第二检测结果；
[0093]
分层单元，用于根据所述第二检测结果对所述室内外一体化轨迹数据进行分层，得到室内外三维分层轨迹数据。
[0094]
在一种实现方式中，所述路网构建模块40包括：
[0095]
分层密度图获取单元，用于对所述室内外三维分层轨迹数据进行分层密度计算，得到分层密度图；
[0096]
提取单元，用于提取所述各层密度图中的山脊线为各层室内外一体化行人路网；
[0097]
路网构建单元，用于将所述各层室内外一体化行人路网与三维路网节点的位置进
行接合，得到所述室内外三维行人路网。
[0098]
基于上述实施例，本发明还提供一种终端设备，其原理框图可以如图8所示。该终端设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该终端设备的处理器用于提供计算和控制能力。该终端设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于众源数据的室内外三维行人路网构建方法。该终端设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该终端设备的温度传感器是预先在终端设备内部设置，用于检测内部设备的运行温度。
[0099]
本领域技术人员可以理解，图8中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端设备的限定，具体的终端设备以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0100]
在一个实施例中，提供了一种终端设备，终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的基于众源数据的室内外三维行人路网构建程序，处理器执行基于众源数据的室内外三维行人路网构建程序时，实现如下操作指令：
[0101]
获取众源数据，根据所述众源数据识别出室内数据和室外数据；
[0102]
对所述室内数据进行行人航位推算得到完整室内数据，并将所述完整室内数据结合室外数据得到室内外一体化轨迹数据；
[0103]
对所述室内外一体化轨迹数据进行分层处理，得到室内外三维分层轨迹数据；
[0104]
根据所述室内外三维分层轨迹数据构建室内外三维行人路网。
[0105]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0106]
综上，本发明提供了一种基于众源数据的室内外三维行人路网构建方法，所述方法包括获取众源数据，并根据众源数据得到室内数据和室外数据，由于室内数据会存在缺数或不准确，因此对室内数据进行行人航位推算得到完整室内数据，并将完整室内数据结合室外数据得到室内外一体化轨迹数据，再对室内外一体化轨迹数据进行分层得到室内外三维分层轨迹数据，最后根据室内外三维分层轨迹数据构建室内外三维行人路网，通过本技术构建的室内外三维行人路网，能够为行人在室内室外通行时提供更加准确的路线规划服务。
[0107]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可
以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。