一种轨迹去重方法、装置及存储介质与流程

本发明涉及信息技术领域，尤其涉及一种轨迹去重方法、装置及存储介质。

背景技术：

在自动驾驶领域，为准确控制车辆的行驶，常需要绘制高精度地图，而高精度地图的绘制离不开众包数据的采集、上传。在众包数据中一般包含有采集车辆的行驶轨迹，由于采集车辆众多，对于同一道路，往往可能存在轨迹重复，若对所有轨迹都进行后期分析优化处理，显然会进行大量重复且无意义的工作。

对于重复的轨迹数据，目前，只进行简单的数据比对，当重复率达到一定比例则认定为轨迹重复。此种方法对于数据庞大的众包数据，不仅效率较低，而且可能会误删相似的轨迹，去重准确率难以保障。

故而，有必要提出一种既能提高去重效率，同时降低的误删率的去重方法。

技术实现要素：

有鉴于此，本发明实施例提供了一种轨迹去重方法、装置及存储介质，以解决直接轨迹数据比对，根据重复重复率进行轨迹去重存在去重效率不高，且可能存在误删的问题。

在本发明实施例的第一方面，提供了一种轨迹去重方法，包括：

获取到原始轨迹后，对所述原始轨迹分段，并将分段轨迹绘制成相同样式的轨迹图片；

对所述轨迹图片叠加，通过深度学习模型判断叠加后的轨迹图片为重复轨迹，则去除重复轨迹；

对所有的轨迹分段等距抽样，当部分连续重复样本点与分段样本点比例大于预设阈值，则将所述部分连续重复样本点对应的重复轨迹删除。

在本发明实施例的第二方面，提供了一种轨迹去重装置，包括：

分段模块，用于获取到原始轨迹后，对所述原始轨迹分段，并将分段轨迹绘制成相同样式的轨迹图片；

第一去重模块，用于对所述轨迹图片叠加，通过深度学习模型判断叠加后的轨迹图片为重复轨迹，则去除重复轨迹；

第二去重模块，用于对所有的轨迹分段等距抽样，当部分连续重复样本点与分段样本点比例大于预设阈值，则将所述部分连续重复样本点对应的重复轨迹删除。

在本发明实施例的第三方面，提供了一种装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。

在本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。

本发明实施例的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被一个或多个处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。

本发明实施例中，对于轨迹分段后绘制轨迹图片，然后对轨迹图片叠加，基于深度学习模型判断分段轨迹重复后去除分段重复的轨迹，对于分段轨迹中部分重复的轨迹，通过等距采样判断连续重复部分是否超过阈值，超过则去除部分连续重复轨迹，解决了直接根据轨迹重复率判断是否重复过程，存在效率不高，且可能误判误删的问题，通过深度学习模型可以有效提高重复检测效率，通过分段等距采样,可以检测出部分轨迹重复，准确判定重复的连续轨迹，避免粗略根据重复率去重，降低误删可能性，保障轨迹去重的可靠性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他附图。

图1为本发明的一个实施例提供的轨迹去重方法的流程示意图；

图2为本发明的一个实施例提供的轨迹去重方法的另一示意图；

图3为本发明的一个实施例提供的轨迹去重装置的结构示意图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在众包数据采集车辆采集的数据时，会记录采集车辆行驶轨迹，车辆行驶轨迹可以通过gps记录，然后向服务器或对应的终端传送轨迹数据。

请参阅图1，本发明实施例提供的一种轨迹去重方法的流程示意图，包括：

s101、获取到原始轨迹后，对所述原始轨迹分段，并将分段轨迹绘制成相同样式的轨迹图片；

所述原始轨迹一般由轨迹点组成，采集车辆在采集众包数据时，会记录数据采集点对应的车辆位置，多个轨迹点或基于多个轨迹点的连线拟合可以表示采集车辆轨迹。所述原始轨迹是由长段一连串轨迹点或轨迹点连线构成，对原始轨迹可以基于一定长度的道路进行分段，也可以基于回环轨迹与非回环轨迹的类型进行分段，分段长度可以相等或不等，每个分段内包括原始轨迹的一部分。

在所述轨迹图片中将所有分段的原始轨迹绘制成统一的的线条样式，线条粗细、颜色均一致，各轨迹图片尺寸及分辨率也相同，每张轨迹图片中绘制由一条或多条同一分段的轨迹线。

s102、对所述轨迹图片叠加，通过深度学习模型判断叠加后的轨迹图片为重复轨迹，则去除重复轨迹；

对于同一分段的不同轨迹，在轨迹图片中的相对位置是固定的，通过轨迹图片叠加，可以将不同轨迹在同一张图片显示，现对于直接由在同一张图片中绘制，由于标准不一，容易导致误判，而且不便于深度学习模型识别判定，基于图片叠加，可以简单快速判定轨迹是否发生重合。

优选的，选取相同分段的任意两张轨迹图片，调整所述两张轨迹图片中任意轨迹图片的轨迹线的透明度，以区分两张轨迹图片的轨迹线。基于不同透明度的叠加，进一步便于重合判定。

所述深度学习模型可以通过样本训练分布学习数据的分布特征，对待检测图片进行特定检测，常见的如卷积神经网络(cnn)。基于训练后深度学习模型可以判断待检测叠加图片是否重复。

具体的，采集标注类型为重复和非重复的轨迹图片作为样本，按预设比例选取所述样本作为训练集和测试集；通过所述训练集对卷积神经网络训练，再通过测试集测试训练后的卷积神经网络；当测试后的卷积神经网络达到预定标准后，通过测试后的卷积神经网络检测所述叠加后的轨迹图片，判断轨迹图片的轨迹类型。

示例性的，采集选定1000张重复轨迹图片和1000张不重复图片，类型标记为0和1，将2000张图片以7:3的比例，1400张作为训练集600张作为测试集。通过训练集训练cnn(卷积神经网络)图像识别模型，测试集测试准确率达到标准后，保存模型。

在该cnn图像识别模型中有5个卷积层，其中3个全连接层和2类的softmax分类层。每个神经元有1/2概率不被激活，既没有前反馈也不参与反馈，等同于dropout效果，防止过拟合，相当于多个网络联合进行取平均的效果新形成的有dropout的神经网络。

所述去除重复轨迹即去除发生重复的轨迹，保留一条作为原始轨迹。一般为去除两条轨迹中的一条。

可选的，获取叠加后的轨迹图片中的分段轨迹的轨迹点，比较分段轨迹中两条轨迹的轨迹点数量，并去除两条轨迹中对应轨迹点数量较少的分段轨迹。轨迹点较少的轨迹包含信息量少，保留轨迹点多的可以较大程度保留轨迹信息量，便于后续轨迹分析。

s103、对所有的轨迹分段等距抽样，当部分连续重复样本点与分段样本点比例大于预设阈值，则将所述部分连续重复样本点对应的重复轨迹删除。

所述等距抽样即对同一分段内的轨迹线等距划分后，将划分点作为样本点，基于两条轨迹线的样本点判断是否存在部分轨迹重复。

具体的，对所有轨迹分段等级抽样，对同一轨迹分段内的任意两条轨迹，统计两条轨迹中样本点的最小法向距离；

当所述最小法向距离小于预设值，判定两条轨迹的样本点重复；

当两条轨迹连续重复的样本点与分段样本点的比例大于预设阈值，则判定两条轨迹存在部分重复，并将部分连续重复样本点对应的两条轨迹中任一重复部分轨迹删除。

示例性的，首先将轨迹点均匀化分布，两个轨迹点间隔3米，删除间隔3米的两点间的其他密集点；将处理后的所有轨迹线段随机选点开始等距抽样，抽取轨迹点样本。样本距离＝总体单位数/样本数，样本数为30个，记为{p1,p2,p3……,p30},p1至p30按轨迹顺序排列；将所有轨迹段排序，依次统计每个轨迹段的30个样本点与后续轨迹段的最小法向距离，所有最小法向距离小于1米的样本点统计总数量记为n，重复率记r＝n/30*100％；当r>10％时，选取n个样本点中pi至pn下标连续的样本点，删除所有连续样本点间的轨迹段，即再一次去除部分重复轨迹段。其中，轨迹段为所述轨迹分段的一部分。

如图2所示，对于同一分段的两条轨迹线21和22，对轨迹线21和22随机取样，假设取样点总共30个，由轨迹21上的起始取样点a与轨迹22上对应的起始取样点b的开始，依次判断两个取样点的法向距离，当法向距离小于预设值，如1米，则认为重复点，当轨迹线21和22上连续4个样本点距离小于1米，此时4/30>10％,可以认为该4个样本点对应的轨迹重复。

需要注意的是，s103中部分重复轨迹的去重是基于s102中轨迹分段内轨迹重复进行的，基于各分段的全部重复轨迹的去重，可以提高后续部分轨迹重复的检测效率，由于深度学习模型明显检测效率更高，基于s102即可以提高去重效率，而且避免抽样时人为因素影响。同样的，s103可以单独施行，进行部分重复轨迹的检测去重。

本实施例提供的方法，相对于传统直接根据轨迹重复率判定重复，既可以减少误判误删概率，同时能提高去重效率，解决了片面整体检测轨迹重复时，存在误判的可能性。

应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图3为本发明实施例提供的一种轨迹去重装置的结构示意图，该装置包括：

分段模块310，用于获取到原始轨迹后，对所述原始轨迹分段，并将分段轨迹绘制成相同样式的轨迹图片；

可选的，所述对轨迹图片叠加包括：

选取相同分段的任意两张轨迹图片，调整所述两张轨迹图片中任意轨迹图片的轨迹线的透明度，以区分两张轨迹图片的轨迹线。

第一去重模块320，用于对所述轨迹图片叠加，通过深度学习模型判断叠加后的轨迹图片为重复轨迹，则去除重复轨迹；

可选的，所述通过深度学习模型判断叠加后的轨迹图片为重复轨迹，则去除重复轨迹包括：

采集标注类型为重复和非重复的轨迹图片作为样本，按预设比例选取所述样本作为训练集和测试集；

通过所述训练集对卷积神经网络训练，再通过测试集测试训练后的卷积神经网络；

当测试后的卷积神经网络达到预定标准后，通过测试后的卷积神经网络检测所述叠加后的轨迹图片，判断轨迹图片的轨迹类型。

可选的，所述去除重复轨迹包括：

获取叠加后的轨迹图片中的分段轨迹的轨迹点，比较分段轨迹中两条轨迹的轨迹点数量，并去除两条轨迹中对应轨迹点数量较少的分段轨迹。

第二去重模块330，用于对所有的轨迹分段等距抽样，当部分连续重复样本点与分段样本点比例大于预设阈值，则将所述部分连续重复样本点对应的重复轨迹删除。

可选的，所述第二去重模块330包括：

统计单元，用于对所有轨迹分段等级抽样，对同一轨迹分段内的任意两条轨迹，统计两条轨迹中样本点的最小法向距离；

判断单元，用于当所述最小法向距离小于预设值，判定两条轨迹的样本点重复；

去重单元，用于当两条轨迹连续重复的样本点与分段样本点的比例大于预设阈值，则判定两条轨迹存在部分重复，并将部分连续重复样本点对应的两条轨迹中任一重复部分轨迹删除。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

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步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括步骤s101至s103，所述的存储介质包括如：rom/ram、磁碟、光盘等。

以上所述，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。