路口重建方法、装置、设备及存储介质与流程

[0001]
本公开实施例涉及地图技术领域，尤其涉及一种路口重建方法、装置、设备及存储介质。


背景技术：

[0002]
随着定位技术的不断发展和出行便利性的不断提高，导航功能的应用也越来越广泛。精确的电子地图在导航应用中扮演着重要的角色，但是传统的依靠手工绘制电子地图的方式非常消耗人力物力，且效率低下。
[0003]
随着gps(global positioning system，全球定位系统)等定位传感器的广泛使用，基于大规模gps轨迹信息的路网自动化重建技术(map inference)将大大的减少电子地图的制作成本。已有的重建技术往往通过聚类的方法对轨迹信息进行处理，从而实现对路口的重建。然而，这种方法重建出的路口常常不符合现实路口结构，存在很多噪音路段或丢失了重要拓扑连通，导致路口重建的准确性较低。


技术实现要素：

[0004]
本公开实施例提供一种路口重建方法、装置、设备及存储介质，能够解决现有技术重建出的路口存在很多噪音路段或丢失了重要拓扑连通，导致路口重建的准确性较低的问题。
[0005]
第一方面，本公开实施例提供一种路口重建方法，包括：获取待处理的路口对应的轨迹信息；根据所述轨迹信息，通过深度学习模型确定所述路口的类型和/或出入点信息；根据所述路口的类型和/或出入点信息，对所述路口进行重建。
[0006]
第二方面，本公开实施例提供一种路口重建装置，包括：轨迹信息获取模块，用于获取待处理的路口对应的轨迹信息；轨迹信息处理模块，用于根据所述轨迹信息，通过深度学习模型确定所述路口的类型和/或出入点信息；路口重建模块，用于根据所述路口的类型和/或出入点信息，对所述路口进行重建。
[0007]
第三方面，本公开实施例提供一种电子设备，包括：
[0008]
存储器；
[0009]
处理器；以及
[0010]
计算机程序；
[0011]
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面所述的方法。
[0012]
第四方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现第一方面所述的方法。
[0013]
本公开实施例提供的路口重建方法、装置、设备及存储介质，通过获取待处理的路口对应的轨迹信息，根据所述轨迹信息，通过深度学习模型确定所述路口的类型和/或出入点信息，进而保证路口拓扑连通，然后根据所述路口的类型和/或出入点信息，对所述路口
进行重建，生成了更加真实、准确的路口拓扑结构，提高了路口重建的准确性。
附图说明
[0014]
图1为本公开实施例提供的路口重建方法的应用场景示意图；
[0015]
图2为本公开实施例提供的路口重建方法的流程示意图；
[0016]
图3为本公开又一实施例提供的路口重建方法的流程示意图；
[0017]
图4为本公开又一实施例提供的拓扑特征图的示意图；
[0018]
图5为本公开实施例提供的路口重建装置的结构示意图；
[0019]
图6为本公开实施例提供的电子设备的结构示意图。
[0020]
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
[0021]
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0022]
现有技术中，已有的重建技术往往通过聚类的方法对轨迹信息进行处理，从而实现对路口的重建。然而，这种方法重建出的路口常常不符合现实路口结构，存在很多噪音路段或丢失了重要拓扑连通，导致路口重建的准确性较低。
[0023]
为了解决上述技术问题，本公开的技术构思是提出了一个多任务的深度学习框架，结合cnn和gcn同时学习路口的形态和拓扑特征，预测路口所属的类别和进入/退出点，然后基于路口的类型以及路口出入点重建路口，重建出的路口不仅仅符合现实路口结构，还保证了拓扑连通，提高了路口重建的准确性。
[0024]
图1是本公开实施例提供的路口重建方法的应用场景示意图。如图1所示，首先获取目标区域的轨迹，根据轨迹确定各路口所在范围框。针对每个路口，将原始轨迹(即轨迹信息)作为输入量，通过图卷积神经网络(graph convolutional network，gcn)构建拓扑特征图。拓扑特征图经过卷积神经网络(convolutional neural networks,cnn)，得到路口的类型，同时经过目标检测算法，得到出入点，这里的目标检测算法可以为改进的一维目标检测算法。根据路口的类型和出入点，可以重建路口。该方法重建出的路口符合现实路口结构，且不存在很多噪音路段或丢失了重要拓扑连通，提高了路口重建的准确性。
[0025]
具体地，本公开提供的路口重建方法，旨在解决现有技术的如上技术问题。
[0026]
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本公开的实施例进行描述。
[0027]
图2为本公开实施例提供的路口重建方法的流程示意图。本公开实施例针对现有技术的如上技术问题，提供了路口重建方法，该方法具体步骤如下：
[0028]
s201、获取待处理的路口对应的轨迹信息。
[0029]
本公开实施例的执行主体可以为服务器，服务器可以通过采集装置，采集gps轨迹的轨迹信息，这里的轨迹信息可以包括轨迹点的速度和方向角。
[0030]
在实际应用中，对哪个区域进行路网重建，需要采集该区域对应的实际路网的gps轨迹，然后针对该区域识别出各个路口所在的范围框，并针对每个路口所在的范围框，依据轨迹信息来绘制或是重建电子地图中对应的该区域。
[0031]
具体地，如何获取待处理的路口对应的轨迹信息，可以通过以下步骤实现：
[0032]
步骤a1、获取电子地图中待重建的目标区域对应的轨迹信息。
[0033]
步骤a2、根据所述目标区域对应的轨迹信息，确定所述目标区域中各路口所在的范围框。
[0034]
步骤a3、根据所述各路口所在的范围框，确定各路口对应的轨迹信息。
[0035]
其中，所述待处理的路口为所述目标区域中的任一路口。
[0036]
本公开实施例中，待处理的路口对应的轨迹信息的获取可以是通过路口检测确定。路口检测中把整个路口划分为路段和路口两个部分。其中，路口检测可以包含空间轨迹特征图构建、以及使用图像目标检测算法，比如ssd算法检测路口的范围框等两个部分。
[0037]
具体地，首先利用gps传感器获取电子地图中待重建的目标区域对应的轨迹信息，然后基于目标区域对应的轨迹信息，构建空间轨迹特征图，基于空间轨迹特征图，检测出目标区域中各路口所在的范围框，然后根据轨迹信息来确定各待处理路口所在的范围框的轨迹信息即待处理路口对应的轨迹信息。这里的待处理的路口为目标区域中的任一路口。
[0038]
可选的，如何确定目标区域中各路口所在的范围框，可以通过以下步骤实现：
[0039]
步骤b1、对所述目标区域进行网格划分，根据每个网格内的轨迹信息确定所述目标区域的二维空间特征。
[0040]
步骤b2、根据所述目标区域的二维空间特征，通过目标检测算法确定所述目标区域各路口所在的范围框。
[0041]
本公开实施例中，对所述目标区域进行网格划分，比如以(5m*5m)进行网格划分，统计每个网格内落入的gps的轨迹点数量、平均方向角、平均速度，形成目标区域的二维空间特征，然后根据目标区域的二维空间特征，使用ssd算法即目标检测算法，对目标区域各路口进行检测，确定目标区域各路口所在的范围框。这里的平均方向角为每个网格内落入的gps的轨迹点的方向角的平均值，平均速度为每个网格内落入的gps的轨迹点的速度的平均值。
[0042]
其中，在对目标区域进行网格划分后，针对确定的各路口所在的范围框，可以通过gps的轨迹点确定轨迹的连续性信息，比如从哪个网格进入经过哪些网格，再从哪个网格出。
[0043]
s202、根据所述轨迹信息，通过深度学习模型确定所述路口的类型和/或出入点信息。
[0044]
本公开实施例中，获取各路口所在的范围框后，针对每个路口，可以通过构建的一个多任务的深度学习的网络，来同时预测路口的分类和出入点，即识别路口的类型、检查路口的出入点位置。
[0045]
具体地，通过对gcn与cnn模型训练，使得图卷积神经网络和卷积神经网络同时学习路口的类型以及拓扑特征图来构建多任务的深度学习模型。其中gcn建模轨迹连续性特
征，cnn进行路口分类预测。gcn模型的输入量是待处理路口的轨迹信息以及待处理路口的轨迹连续性信息，通过gcn的加权建模，输出拓扑特征图，然后将拓扑特征图作为cnn模型的输入量，进行路口分类，得到待处理的路口的类型，并根据拓扑特征图通过目标检测算法，比如，改进的一维目标检测方法，识别出待处理的路口的出入点，得到出入点信息，这里的出入点信息可以包括各个出入点所在待处理的路口的位置信息以及该出入点是连通点还是非连通点。
[0046]
可选的，根据所述轨迹信息，通过深度学习模型确定所述路口的类型和/或出入点信息，可以通过下述方式实现：根据所述轨迹信息，通过深度学习模型构建所述路口的拓扑特征图，并根据所述拓扑特征图确定所述路口的类型和/或出入点信息。
[0047]
其中，拓扑特征图可以根据所述轨迹信息，通过图卷积神经网络构建；路口的类型和/或出入点信息可以根据拓扑特征图确定。
[0048]
具体地，对于路口分类，可以使用完整连续的gps轨迹，来构建路口拓扑特征图，使用gcn建模轨迹连续性特征，其中，gcn用于学习路口的拓扑连通差异。结合cnn进行路口分类预测，cnn学习形态差异，从而在路口分类的任务中，具备识别路口的拓扑连通性。
[0049]
针对出入点检测，根据所述拓扑特征图，通过目标检测算法确定所述路口的出入点信息。实现方式为：根据所述拓扑特征图，通过目标检测算法对所述路口的最外层网格进行检测，确定所述路口的出入点信息。
[0050]
其中，所述出入点信息包括所述路口的出入点的位置及连通性。
[0051]
具体地，基于拓扑特征图对最外层的网格使用目标检测算法，以滑动窗口的形式进行图像分割，预测路口的出入点的位置，以及他们的连通性。
[0052]
s203、根据所述路口的类型和/或出入点信息，对所述路口进行重建。
[0053]
本公开实施例中，可以根据路口的类型以及轨迹的连续性信息，确定实际路口结构，实现路口重建；还可以根据路口的出入点的位置结合出入点的连通性以及轨迹的连续性信息，确定实际路口结构，实现路口重建；还可以结合路口的类型以及出入点的位置，确定实际路口结构，实现路口重建。
[0054]
具体地，参见图3所示，图3为本公开又一实施例提供的路口重建方法的流程示意图。本公开实施例在上述实施例的基础上，对s203进行了详细说明。根据所述路口的类型和/或出入点信息，对所述路口进行重建，可以包括：
[0055]
s301、获取所述路口的类型对应的路口模板。
[0056]
本公开实施例中，可以根据路口的类型，确定使用的路口模板，这里的路口模板可以包括多种路口的类型对应的模板，即一个路口的类型对应一个路口模板。路口的类型可以包括t形、y形、十字形、x形、错位、环形等。
[0057]
s302、根据所述路口的出入点信息，确定所述路口的出入点与所述路口模板的出入点的对应关系。
[0058]
本实施例中，路口的出入点信息包括出入点的位置以及出入点的连通性，根据出入点的连通性可以在路口模板上确定路口模板的出入点所在位置，形成路口的出入点与所述路口模板的出入点的对应关系。
[0059]
s303、根据所确定的对应关系，对所述路口进行重建。
[0060]
本公开实施例中，可以根据路口的类型，确定使用的路口模板，然后把路口模板的
出入点和检测出的出入点进行一一匹配对应，通过对应关系进行拉伸，形变得到最终的路口重建结果，实现对路口的重建，因此，使用可形变的先验的路口模板，充分利用现实中的路口建造标准的先验信息，相比于现有技术中轨迹聚类等直接重建路口的方法，生成了更加真实和准确的路口拓扑表达。解决了现有技术中使用类似于图像分割的cnn方法提取道路中心线，但提取的道路中心线用像素点表示，比如像素点可以表示为道路或非道路，但是基于像素点是无法构建路网拓扑，存在与轨迹聚类方法一样的路口拓扑问题即不符合现实路口结构，存在很多噪音路段或丢失了重要拓扑连通等问题。
[0061]
同时，区别于现有技术中将轨迹转换为热力图(因为通过热力图是难以区分路口是连通还是非连通，比如是连通-t型路口或者非连通-t型路口，所以导致现在的方法重建出的路口存在拓扑连通错误)，忽略了轨迹的连续性信息，导致对路口的拓扑连通性识别准确率不高。本公开是根据所述轨迹信息，通过深度学习模型确定所述路口的类型和/或出入点信息，进而保证路口拓扑连通，然后根据所述路口的类型和/或出入点信息，对所述路口进行重建，生成了更加真实、准确的路口拓扑结构，提高了路口重建的准确性。
[0062]
可选的，本公开实施例在上述实施例的基础上，对如何构建拓扑特征图进行了详细说明。根据所述轨迹信息，通过图卷积神经网络构建所述路口的拓扑特征图，可以通过以下步骤实现：
[0063]
步骤c1、根据所述路口的轨迹信息，确定所述路口的二维空间特征。
[0064]
本公开实施例中，首先对所述目标区域进行网格划分，比如以(5m*5m)进行网格划分，统计每个网格内落入的gps的轨迹点数量、平均方向角、平均速度；然后基于确定的每个路口所在范围框，统计每个路口所在范围框中包含的网格信息，比如该路口被划分的网格数量以及每个网格所对应的轨迹点数量、平均方向角、平均速度，基于网格信息形成路口的二维空间特征。
[0065]
步骤c2、根据所述路口的二维空间特征以及所述路口内轨迹信息的连续性，通过图卷积神经网络构建所述路口的拓扑特征图。
[0066]
其中，所述路口被划分为多个网格，所述路口的二维空间特征包括所述路口内每个网格的下述至少一项信息：网格内的轨迹信息的数量、平均方向角、平均速度。
[0067]
本公开实施例中，将路口的二维空间特征以及所述路口内轨迹信息的连续性作为训练好的图卷积神经网络的输入量，通过图卷积神经网络学习路口的拓扑连通差异，输出路口的轨迹连续性特征，进而构建出拓扑特征图。参见图4所示，路口中的部分网格，其中，以网格8为例，经过网格8的拓扑特征图。
[0068]
其中，gps轨迹中通过网格1和网格8的是一条轨迹，则拓扑特征图中1到8对应的拓扑特征为0.1；gps轨迹中通过网格2和网格8的是两条轨迹，则拓扑特征图中2到8对应的拓扑特征为0.2；gps轨迹中通过网格3和网格8的是两条轨迹，则拓扑特征图中3到8对应的拓扑特征为0.2；gps轨迹中通过网格4和网格8的是无轨迹，则拓扑特征图中4到8无拓扑特征；gps轨迹中通过网格5和网格8的是三条轨迹，则拓扑特征图中5到8对应的拓扑特征为0.3；gps轨迹中通过网格6和网格8的是一条轨迹，则拓扑特征图中6到8对应的拓扑特征为0.1；gps轨迹中通过网格7和网格8的无轨迹，则拓扑特征图中7到8无拓扑特征；gps轨迹中通过网格9和网格8的无轨迹，则拓扑特征图中9到8无拓扑特征.以此类推，针对每个网格，都形成一个拓扑特征图，进而形成整个路口的拓扑特征图。
[0069]
然后基于整个路口的拓扑特征图，对于路口的出入点检测，是对最外层的点(以图4为例，比如1、2、3、6、8)，使用目标检测的方法，通过滑动窗口进行图像分割，预测路口的出入点的位置，以及它们的连通性。
[0070]
可选的，在对所述目标区域的各路口进行重建后，还可以根据所述目标区域的轨迹信息，确定所述目标区域各路口之间的路段，以形成完整的路网。
[0071]
具体地，根据所述目标区域的轨迹信息，使用roadrunner方法，实现路口间的路段连接，最终形成完整的路网。
[0072]
因此，本公开采用了基于深度学习的路口及路网重建框架，实现路口检测、路口分类和出入点识别、路口重建、路段重建，形成真实、准确且具有拓扑连通性的路网结构。
[0073]
图5为本公开实施例提供的路口重建装置的结构示意图。该路口重建装置具体可以是上述实施例中的服务器。本公开实施例提供的路口重建装置可以执行路口重建方法实施例提供的处理流程，如图5所示，路口重建装置包括：轨迹信息获取模块501，用于获取待处理的路口对应的轨迹信息；轨迹信息处理模块502，用于根据所述轨迹信息，通过深度学习模型确定所述路口的类型和/或出入点信息；路口重建模块503，用于根据所述路口的类型和/或出入点信息，对所述路口进行重建。
[0074]
本公开实施例通过配置的轨迹信息获取模块501、轨迹信息处理模块502、以及路口重建模块503，用于通过获取待处理的路口对应的轨迹信息，根据所述轨迹信息，通过深度学习模型确定所述路口的类型和/或出入点信息，进而保证路口拓扑连通，然后根据所述路口的类型和/或出入点信息，对所述路口进行重建，生成了更加真实、准确的路口拓扑结构，提高了路口重建的准确性。
[0075]
本公开实施例中，服务器可以通过采集装置，采集gps轨迹的轨迹信息，这里的轨迹信息可以包括轨迹点的速度和方向角。
[0076]
可选的，所述轨迹信息获取模块，具体用于：获取电子地图中待重建的目标区域对应的轨迹信息；根据所述目标区域对应的轨迹信息，确定所述目标区域中各路口所在的范围框；根据所述各路口所在的范围框，确定各路口对应的轨迹信息；其中，所述待处理的路口为所述目标区域中的任一路口。
[0077]
本公开实施例中，待处理的路口对应的轨迹信息的获取可以是通过路口检测确定。路口检测中把整个路口划分为路段和路口两个部分。其中，路口检测可以包含空间轨迹特征图构建、以及使用图像目标检测算法，比如ssd算法检测路口的范围框等两个部分。
[0078]
具体地，首先轨迹信息获取模块利用gps传感器获取电子地图中待重建的目标区域对应的轨迹信息，然后基于目标区域对应的轨迹信息，构建空间轨迹特征图，基于空间轨迹特征图，检测出目标区域中各路口所在的范围框，然后根据轨迹信息来确定各待处理路口所在的范围框的轨迹信息即待处理路口对应的轨迹信息。这里的待处理的路口为目标区域中的任一路口。
[0079]
可选的，如何确定目标区域中各路口所在的范围框，可以通过所述轨迹信息获取模块实现；轨迹信息获取模块实现，还具体用于：对所述目标区域进行网格划分，根据每个网格内的轨迹信息确定所述目标区域的二维空间特征；根据所述目标区域的二维空间特征，通过目标检测算法确定所述目标区域各路口所在的范围框。
[0080]
本公开实施例中，首先对所述目标区域进行网格划分，比如以(5m*5m)进行网格划
分，统计每个网格内落入的gps的轨迹点数量、平均方向角、平均速度，形成目标区域的二维空间特征，然后根据目标区域的二维空间特征，使用ssd算法即目标检测算法，对目标区域各路口进行检测，确定目标区域各路口所在的范围框。这里的平均方向角为每个网格内落入的gps的轨迹点的方向角的平均值，平均速度为每个网格内落入的gps的轨迹点的速度的平均值。
[0081]
其中，在对目标区域进行网格划分后，针对确定的各路口所在的范围框，可以通过gps的轨迹点确定轨迹的连续性信息，比如从哪个网格进入经过哪些网格，再从哪个网格出。
[0082]
可选的，所述深度学习模型是通过图卷积神经网络和卷积神经网络同时学习路口的类型以及拓扑特征图得到的。
[0083]
可选的，所述轨迹信息处理模块，具体用于：根据所述轨迹信息，通过深度学习模型构建所述路口的拓扑特征图，并根据所述拓扑特征图确定所述路口的类型和/或出入点信息。
[0084]
本公开实施例中，获取各路口所在的范围框后，针对每个路口，轨迹信息处理模块可以通过构建的一个多任务的深度学习的网络，来同时预测路口的分类和出入点，即识别路口的类型、检查路口的出入点位置。
[0085]
具体地，通过对gcn与cnn模型训练，使得图卷积神经网络和卷积神经网络同时学习路口的类型以及拓扑特征图来构建多任务的深度学习模型。其中gcn建模轨迹连续性特征，cnn进行路口分类预测。gcn模型的输入量是待处理路口的轨迹信息以及待处理路口的轨迹连续性信息，通过gcn的加权建模，输出拓扑特征图，然后将拓扑特征图作为cnn模型的输入量，进行路口分类，得到待处理的路口的类型，并根据拓扑特征图通过目标检测算法，识别出待处理的路口的出入点，得到出入点信息，这里的出入点信息可以包括各个出入点所在待处理的路口的位置信息以及该出入点是连通点还是非连通点。
[0086]
可选的，所述轨迹信息处理模块，还具体用于：根据所述轨迹信息，通过图卷积神经网络构建所述路口的拓扑特征图；根据所述拓扑特征图确定所述路口的类型和/或出入点信息。
[0087]
可选的，所述轨迹信息处理模块，还具体用于：根据所述拓扑特征图，通过卷积神经网络确定所述路口的类型；和/或，根据所述拓扑特征图，通过目标检测算法确定所述路口的出入点信息。
[0088]
本公开实施例中，拓扑特征图可以根据所述轨迹信息，通过图卷积神经网络构建；路口的类型和/或出入点信息可以根据拓扑特征图确定。
[0089]
具体地，对于路口分类，可以使用完整连续的gps轨迹，来构建路口拓扑特征图，使用gcn建模轨迹连续性特征，其中，gcn用于学习路口的拓扑连通差异。结合cnn进行路口分类预测，cnn学习形态差异，从而在路口分类的任务中，具备识别路口的拓扑连通性。
[0090]
可选的，所述轨迹信息处理模块，还具体用于：根据所述拓扑特征图，通过目标检测算法对所述路口的最外层网格进行检测，确定所述路口的出入点信息；其中，所述出入点信息包括所述路口的出入点的位置及连通性。
[0091]
本公开实施例中，针对出入点检测，通过轨迹信息处理模块根实现根据所述拓扑特征图，通过目标检测算法对所述路口的最外层网格进行检测，确定所述路口的出入点信
息。
[0092]
其中，所述出入点信息包括所述路口的出入点的位置及连通性。
[0093]
具体地，基于拓扑特征图对最外层的网格使用目标检测算法，以滑动窗口的形式进行图像分割，预测路口的出入点的位置，以及他们的连通性。
[0094]
可选的，所述轨迹信息处理模块，还具体用于：根据所述路口的轨迹信息，确定所述路口的二维空间特征；根据所述路口的二维空间特征以及所述路口内轨迹信息的连续性，通过图卷积神经网络构建所述路口的拓扑特征图；其中，所述路口被划分为多个网格，所述路口的二维空间特征包括所述路口内每个网格的下述至少一项信息：网格内的轨迹信息的数量、平均方向角、平均速度。
[0095]
本公开实施例中，首先对所述目标区域进行网格划分，比如以(5m*5m)进行网格划分，统计每个网格内落入的gps的轨迹点数量、平均方向角、平均速度；然后基于确定的每个路口所在范围框，统计每个路口所在范围框中包含的网格信息，比如该路口被划分的网格数量以及每个网格所对应的轨迹点数量、平均方向角、平均速度，基于网格信息形成路口的二维空间特征。其中，所述路口被划分为多个网格，所述路口的二维空间特征包括所述路口内每个网格的下述至少一项信息：网格内的轨迹信息的数量、平均方向角、平均速度。
[0096]
将路口的二维空间特征以及所述路口内轨迹信息的连续性作为训练好的图卷积神经网络的输入量，通过图卷积神经网络学习路口的拓扑连通差异，输出路口的轨迹连续性特征，进而构建出拓扑特征图。参见图4所示，路口中的部分网格，其中，以网格8为例，经过网格8的拓扑特征图。
[0097]
其中，gps轨迹中通过网格1和网格8的是一条轨迹，则拓扑特征图中1到8对应的拓扑特征为0.1；gps轨迹中通过网格2和网格8的是两条轨迹，则拓扑特征图中2到8对应的拓扑特征为0.2；gps轨迹中通过网格3和网格8的是两条轨迹，则拓扑特征图中3到8对应的拓扑特征为0.2；gps轨迹中通过网格4和网格8的是无轨迹，则拓扑特征图中4到8无拓扑特征；gps轨迹中通过网格5和网格8的是三条轨迹，则拓扑特征图中5到8对应的拓扑特征为0.3；gps轨迹中通过网格6和网格8的是一条轨迹，则拓扑特征图中6到8对应的拓扑特征为0.1；gps轨迹中通过网格7和网格8的无轨迹，则拓扑特征图中7到8无拓扑特征；gps轨迹中通过网格9和网格8的无轨迹，则拓扑特征图中9到8无拓扑特征.以此类推，针对每个网格，都形成一个拓扑特征图，进而形成整个路口的拓扑特征图。
[0098]
然后基于整个路口的拓扑特征图，对于路口的出入点检测，是对最外层的点(以图4为例，比如1、2、3、6、8)，使用目标检测的方法，通过滑动窗口进行图像分割，预测路口的出入点的位置，以及它们的连通性。
[0099]
可选的，所述路口重建模块，具体用于：获取所述路口的类型对应的路口模板；根据所述路口的出入点信息，确定所述路口的出入点与所述路口模板的出入点的对应关系；根据所确定的对应关系，对所述路口进行重建。
[0100]
本公开实施例中，路口重建模块可以根据路口的类型，确定使用的路口模板，然后把路口模板的出入点和检测出的出入点进行一一匹配对应，通过对应关系进行拉伸，形变得到最终的路口重建结果，实现对路口的重建，因此，使用可形变的先验的路口模板，充分利用现实中的路口建造标准的先验信息，相比于现有技术中轨迹聚类等直接重建路口的方法，生成了更加真实和准确的路口拓扑表达。解决了现有技术中使用类似于图像分割的cnn
方法提取道路中心线，但提取的道路中心线用像素点表示，比如像素点可以表示为道路或非道路，但是基于像素点是无法构建路网拓扑，存在与轨迹聚类方法一样的路口拓扑问题即不符合现实路口结构，存在很多噪音路段或丢失了重要拓扑连通等问题。
[0101]
同时，区别于现有技术中将轨迹转换为热力图(因为通过热力图是难以区分路口是连通还是非连通，比如是连通-t型路口或者非连通-t型路口，所以导致现在的方法重建出的路口存在拓扑连通错误)，忽略了轨迹的连续性信息，导致对路口的拓扑连通性识别准确率不高。本公开是根据所述轨迹信息，通过深度学习模型确定所述路口的类型和/或出入点信息，进而保证路口拓扑连通，然后根据所述路口的类型和/或出入点信息，对所述路口进行重建，生成了更加真实、准确的路口拓扑结构，提高了路口重建的准确性。
[0102]
可选的，所述装置还包括：路段确定模块；所述路段确定模块，用于在对所述目标区域的各路口进行重建后，根据所述目标区域的轨迹信息，确定所述目标区域各路口之间的路段，以形成完整的路网。
[0103]
具体地，根据所述目标区域的轨迹信息，使用roadrunner方法，实现路口间的路段连接，最终形成完整的路网。
[0104]
图5所示实施例的路口重建装置可用于执行上述第一方面所述的方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
[0105]
图6为本公开实施例提供的电子设备的结构示意图。该电子设备具体可以是上述实施例中的服务器。本公开实施例提供的电子设备可以执行路口重建方法实施例提供的处理流程，如图6所示，本实施例提供的电子设备600包括：至少一个处理器601和存储器602。其中，处理器601、存储器602通过总线603连接。
[0106]
在具体实现过程中，至少一个处理器601执行所述存储器602存储的计算机执行指令，使得至少一个处理器601执行上述方法实施例中的方法。
[0107]
处理器601的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
[0108]
在上述的图6所示的实施例中，应理解，处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
[0109]
存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器。
[0110]
总线可以是工业标准体系结构(industry standard architecture，isa)总线、外部设备互连(peripheral component interconnect，pci)总线或扩展工业标准体系结构(extended industry standard architecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本公开附图中的总线并不限定仅有一根总线或一种类型的总线。
[0111]
另外，本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的路口重建方法。
[0112]
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
[0113]
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(application specific integrated circuits，简称：asic)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
[0114]
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前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，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0115]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。