角度和距离分段占优地图匹配算法
地图匹配算法研究及应用
地图匹配算法研究及应用地图匹配算法是指将GPS轨迹数据与地图上的道路网络相匹配的算法。
随着GPS定位技术的普及，越来越多的人开始使用GPS设备来记录自己的行动轨迹。
然而，由于GPS测量误差和信号遮挡等原因，GPS轨迹数据并不完全准确，因此需要通过地图匹配算法来改善其精度。
一、传统地图匹配算法传统地图匹配算法主要有三种：最近邻算法、HMM算法和粒子滤波算法。
1.最近邻算法最近邻算法是一种简单且有效的地图匹配算法。
该算法首先将GPS轨迹点与道路网络上的所有节点进行距离计算，然后将GPS轨迹点与最近的节点相匹配。
该算法简单易实现，但其精度较低，对于道路较为复杂的区域容易产生匹配错误。
2.HMM算法HMM算法是一种基于贝叶斯理论的地图匹配算法。
该算法将GPS轨迹点视为观测序列，将道路网络视为状态序列，并使用HMM模型来匹配GPS轨迹点。
相对于最近邻算法，HMM算法考虑了GPS轨迹点之间的关系，在处理复杂的道路网络时具有较高的精度。
但是，该算法的计算复杂度较高，需要大量的计算资源。
3.粒子滤波算法粒子滤波算法是一种基于贝叶斯滤波的地图匹配算法。
该算法使用粒子滤波器来估计GPS轨迹点所在的道路，并通过重采样方法来改善估计的精度。
相对于HMM算法，粒子滤波算法更加灵活，可以处理不同种类的观测数据，并具有较高的精度。
但是，该算法的计算复杂度较高，在实时应用中需要充分考虑计算效率。
二、基于深度学习的地图匹配算法近年来，随着深度学习技术的不断发展，基于深度学习的地图匹配算法逐渐成为研究热点。
深度学习基于神经网络模型，通过学习海量数据来提高模型的精度。
基于深度学习的地图匹配算法主要有两类：基于卷积神经网络（CNN）的算法和基于循环神经网络（RNN）的算法。
1.基于CNN的算法基于CNN的地图匹配算法主要采用图像处理技术，将GPS轨迹数据转换成图像形式，然后使用CNN网络来匹配GPS轨迹点。
该算法可以处理复杂的道路网络，具有较高的精度，并且能够自动学习特征，避免了传统算法中需要手动设计特征的问题。
地图匹配算法综述
地图匹配算法综述一、地图匹配：现有算法车辆导航系统实时接收GPS位置速度信息，以交通地图为背景显示车辆行驶轨迹。
保证所显示的轨迹反映车辆的实际行驶过程，包括行驶路段，转弯过程及当前位置，就是地图匹配问题所要解决的目标。
本节首先对地图匹配问题涉及到的基础概念、误差模型给出简要说明，同时介绍当前流行的一些地图匹配算法的思路与特点。
1.1 地图匹配问题介绍利用车载GPS接收机实时获得车辆轨迹，进而确定其在交通矢量地图道路上的位置，是当前车载导航系统的基础。
独立GPS车载导航系统中克服GPS误差以及地图误差显示车辆在道路网上的位置主要是通过地图匹配算法，也就是根据GPS信号中的数据和地图道路网信息，利用几何方法、概率统计方法、模式识别或者人工神经网路等技术将车辆位置匹配到地图道路上的相应位置[8-12]。
由于行驶中的车辆绝大部分都是在道路上的，所以通常的地图算法都有一个车辆在道路上的默认前提。
地图匹配的准确性决定了GPS车辆导航系统的准确性、实时性与可靠性。
具体来说取决于两方面：确定当前车辆正在行驶的路段的准确性与确定车辆在行驶路段上的位置的准确性。
前者是现有算法的研究重点，而后者涉及到沿道路方向的误差校正，在现有算法中还没有得以有效解决。
地图匹配的目标是将轨迹匹配到道路上，当道路是准确的时，也就成了确定GPS的准确位置，然后利用垂直映射方法完成匹配。
要实时获得车辆所在的道路及位置通过地图匹配来实现是一种比较普遍而且成本较低的方法。
车辆导航与定位系统中的地图匹配问题概括来讲就是将车载GPS接收机获得的带有误差的GPS轨迹位置匹配到带有误差的交通矢量地图道路上的相应位置。
下面我们通过具体的数学模型来给地图匹配问题以详细的数学描述。
地图匹配的基本过程如图4.1所示。
符号定义及其物理意义说明如下：图4.1 地图匹配模型1) g(k)是车辆GPS轨迹点，内容为k时刻车辆上的GPS定位数据（经纬度），对应于矢量地图上相应的经纬度位置点。
GPS导航系统中的地图匹配算法
ａ ｇ ｒｔ ｍ ａ ｌｄ ｐａ ａ ｌ ｌ ｇ ａ ｍａ ｃ ｉ ｇ ｍｅ ｏ ， ｉｈ ｃ ｌ ａ ａ ｔｖ ｅ ｔ ｐ ｌ ｇ ｈ ｎ ｅ ｆ ｎ ｐ ｒ ｅｗ ｏ ｋ． ｅ ｍｅ ｏ ｅ ｅ ｔ ｅ ｍａ ｃ ｏ ｄ ｌｏ ｉ ｈ ｃ ｌｅ ｒ ｌ ｏ ｒ ｍ ｔ ｈ ｔ ｄ ｗｈ ｃ ａ ｌ ｄ ｐ ｉ ｅ ｔ ｏ ｏ ｏ ｙ ｃ ａ ｇ ｓ ０ 仃ａ ｓ ｏ ｔｎ ｔ ｒ Ｔｈ ｔ ｄ ｓ ｌ ｃ ｓｔ ｔ ｈ ｒ ａ ｅ ｎ ｈ ｈ ｈ ｈ
等待时间等。
路段 Ｓ 的总权值 ｊ
在导航系统初始匹配确定 了待匹配路段 ， 后，利用垂直 投影将 ＧＰ Ｓ轨迹 点 ｇ 投 影到路段 Ｓ 上 ， ， 垂足 Ｐ 即为相应时
２１ 初始路段 的选定与 匹配点位置的确定 ． 初始路段的选定用于 确定算法启动 时刻车辆实际所处的
路段 ，此时没有任何 历史信息 。后续 Ｇ Ｓ轨迹 点的匹配会用 Ｐ
作者倚介 ： 王
敏（９４ ） １８－ ，男， 士研 究生，主研方向 ： 硕 智能交通 Ｅｍ ｒ ｈｎｉ － ａ ：ａａｇ ＠ｍａ． ｔｅｕ ａ ｌ ｎ ｉ ｓ． ． ｌ ｃｄ ｃ ｕ
析 ，但只利 用了定位 中的坐标信息 ，没有使用 Ｇ Ｓ采集数据 Ｐ 的车 头朝向或速度信息 。概 率论 匹配算法利用置信 区域筛选
gps地图匹配算法
II
中国科学技术大学硕士毕业论文
目录
目录
摘要 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． Ｉ Ａｂｓｔｒａｃｔ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． ＩＩ 目录．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． ＩＩＩ 第一章 绪论 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． １
第四章 地图匹配问题以及现有算法介绍．．．．．．．．．．．．．．．．．．．．．．．． ２２
４．１ 地图匹配问题介绍．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．２２ ４．２ 常见地图匹配算法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．２４
３．１ＧＰＳ 误差 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．１３
３．１．１ ＧＰＳ 误差分类．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．１３ ３．１．２ 各种类误差特点 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．１５ ３．１．３ 常见克服 ＧＰＳ 误差方法 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．１７
１．１ 背景．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．１ １．２ 研究目标．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．３ １．３ 论文安排 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．３
【doc】基于匹配度加权递推的地图匹配算法的研究
基于匹配度加权递推的地图匹配算法的研究GRAPHICls0GRAPHICsE基于匹配度加权递推的地图匹配算法的研究摘要关键字王继明在地图匹配算法的基础上,设计了匹配度加权递推的地图匹配算法.该算法通过设置匹配度阀值,可以有效消除存在于最佳匹配路段挑选中的模糊性以及地图匹配的正确性问题.车辆导航系统,地图匹配定位模块是车辆导航系统工作的基础,它的主要功能是提供连续实时的车辆位置估计,以使系统能够正确辨别车辆当前的行驶路段和正在接近的交叉路口.由于通过传感器获得的车辆位置包含有误差,这些误差即使是采用非常有效的传感器校准和数据融合技术也难以彻底消除,而车辆导航系统要求确定车辆行驶过程中在地图中的具体路段位置,地图匹配模块则将车辆定位模块输出的轨迹与数字地图中的路网信息联系起来,通过模式识别过程确定车辆最可能的行驶路段以及车辆在该路段最大可能的准确位置,从而为路线引导提供可靠依据.一个有效的地图匹配算法会增强地图匹配的正确性,目前常用的地图匹配算法【l一5]都是通过计算车辆轨迹与道路之间的相关性,从而确定车辆的行驶道路,许多模式识别的数学方法如D—S证据推理【6],模糊逻辑【7]等被应用进来.另外还可以对矢量地图栅格化,用图像处理方法f8】进行地图匹配.这些算法需要占用很多内存,运算量大,并且它们只考虑了定位轨迹和数字道路地图的空间几何信息,由于城市道路的形状大同小异,如果车辆行驶在道路密集的地区,由于来自传感器的估计位置包含误差,这些算法有时很难确定行驶道路,甚至会产生误判【9].下面介绍的地图匹配算法,通过对候选路段引入匹配度,采用加权递推的方法,可以达到实时性高,运算量小,能够识别正确路段的目的,适合硬件资源受限的嵌人式车辆导航系统的应用.I,匹配度的定义在这里我们为每一条候选路段i定义一个匹配度Q.,以衡量该候选路段是车辆真实行驶路段的可能性大小,在计算出所有落人误差区域的候选路段的匹配度之后,对它们进行比较,考虑到车辆当前行驶的道路在数字地图上并不存在或者车辆驶出道路的情况,特别地,数字道路地图的数据难以及时反应实际道路的更新,因此定义一个匹配度的阀值Q.候选路段的面丽2oosI.酾s与簟 (411)匹配度的定义,应该具有以下特点:(1)车辆行驶的真实路段的匹配度大于所有其它候选路段的匹配度;(2)车辆行驶的真实路段的匹配度大于阀值Q;设k时刻第i条候选路段的匹配度为Q.(k),这样基于匹配度的地图匹配算法的基本思想可以描述为:如果Q(k)IImaxlQ.(k)}>QT(1)i=1,,M则车辆行驶在路段m.其中M是候选路段的总数目..P—_+1r图I行驶车辆与路段的关系在确定车辆的行驶路段时,有两个非常重要的因素必须考虑,匹配度的定义应该与这两个因素紧密关联.一个是传感器定位位置与候选路段之间的距离,另一个就是传感器定位轨迹与道路形状的相似程度.设车辆定位位置PII(X…Y),它在候选路段上的投影位置PII(x…Y),车辆行驶速度和投影到路段的速度分别为V和V(图1).那么距离和方向对匹配度的贡献可以归一化为:D(P,P)=而:∞一一(V,V)(2)(3)本≯|√《|蕾_琏AHiCS式中,为定位误差的标准偏差,为V.和V之间的夹角,并且有O≤D(P…P)≤1,0≤V(V,V)≤l.由于道路的形状与定位位置的投影轨迹是相同的,所以定位轨迹与道路的相似性可以由V和V来表示.为了简化符号,在k时刻以上两个函数的取值分别用D(k)和V(k)表示.这样,候选路段的匹配度定义可以初始化为:Q(k)=dD(k)+BV(k)(4)考虑到车辆在道路上的行驶是一个连续的过程,它必须经过节点才能从一个路段行驶到另一条路段,不可能突然直接跳到其他路段上,这是车辆与道路之间的另一个重要关系.匹配度的定义必须考虑车辆的历史行驶轨迹,可以通过加权递推的形式表示该属性.因此,候选路段的匹配度最终可以定义为以下形式:Q(k)=dD(k)+BV(k)+YQ(k—1)(5)其中d,B,Y分别为分配给距离,方向,轨迹连续性对匹配度贡献的权值,它们都不小于0.二,参量的选取要完成地图匹配过程,匹配度表达式中的三个加权参量d,B,Y和阀值Q必须确定,而要有效的进行地图匹配,匹配度Q(k)需要满足下列标准:1)Q(k)是递推计算的,应该收敛在有限数值,并且尽量少地受到测量噪声的影响.2)真实道路的Q(k)很容易与其它道路区分开.要满足第一条标准,必须Y∈[0,l】,这样真实道路的匹配度会收敛于一个有限值QlQ"_v(dD+pV)(6)如果D(k)和V(k)是一个常数,Q很容易满足第一条标准,实际上,由于噪声的影响,Q..是随机变量,它的统计特性:均值和方差由下式给出.lE】=_v(erE[D]+BE【V】)(7)lvar[Q*】=:(dvat[D]+pvar[V】)(8)真实道路的va~[Q】应该尽量的小,因此d和B取值要小,而E[Q.应该与其它路段有明显的差值,因此d和13取值不能太小,同时考虑到大多数道路的形状是相似的,所以应该d>p.这样,可以取d=2,B=l,Y=0.5.为了选取合适的Q值,我们在计算机上进行了模拟试验,分别计算真实道路和其它候选路段的匹配度,试验中,假设定位误差为零均值高斯噪声,标准偏差30m.图2显示了其中的一组试验数据,图2(a)是真实道路的匹配度曲线,真实道路的匹配度经过几次递推后,很快增长到一个比较大的数值(大约5.0),然后一直在这个数值附近波动,且大于4.0.图2(b)是另一条与它平行且相距80m的道路的匹配度曲线, 虽然它的匹配度开始也在增长,但只能达到一定幅度(大约(a)真实路段的匹配度曲线数据个数***********数据个数(b)与真实路段平行的候选路段匹配度曲线数据个数(c)与真实路段垂直的候选路段的匹配度曲线图2候选路段的匹配度计算结果G…～j.p.一65432,065432,0GRAPHICS3.0),之后也在该数值附近波动,一直没有超过3.3.图2(c)是一条与它垂直的道路的匹配度曲线,这条候选路段的匹配度没有超过22,并且呈递减趋势.根据以上分析,可以选择Q:3.5,从图中可以看出如果定位数据每秒更新一次,只要2s的时间,就可以正确匹配道路.三,算法的设计基于匹配度加权递推的地图匹配算法通过计算候选路段的匹配度,从而识别车辆所在路段.考虑到车辆当前行驶的道路在数字地图上并不存在,或者车辆驶出道路的情况,算法中包括两种工作模式:"捕获"模式和"跟踪"模式.捕获模式是指正在寻找真实道路,而跟踪模式则是跟踪由捕获模式下寻找到的真实路段.跟踪模式包括两个状态:车辆在道路上和车辆在节点处.用md表示算法当前的工作模式,md=0表示捕获模式,md=1表示跟踪模式,s=0用表示当前车辆状态,s=1表示车辆在道路上,表示车辆在节点处,并设当前位置的候选路段有M个,则地图匹配算法完整的描述如下:1)初始化候选路段的匹配度:md=0,Q(1)=aD(1)+13v(1),i:1,……M;2)更新所有候选路段的匹配度:Q'(k)=c(D'(k)+13v(k)+YQ(k一1),1,……M;3)如果max{Q(k)}>Q-.令Q(k)=max{Q(k)},md=1,i=1.Mi=I..M匹配到路段j,更新车辆位置,执行4);否则,md:0,车辆位置不更新,执行2);4)计算车辆到后继节点的距离d,如果d>L,(L是什么变量)则s=0,更新路段j的Q(k),执行5);否则,s:1,更新路段j及其后继路段的Q,(k),i=j,i小??-,i…执行6);5)如果Q(k)l>Q,匹配到路段j,更新车辆位置,执行4);否则,车辆位置不更新,执行1);6)如果max{Q(k)>Qr},令Q.(k)=max{QJ(k)},md:1,匹配到路段,更新车辆位置,执行4),否则执行1).从以上算法描述中可以看出,算法充分利用了车辆轨迹连续以及道路网络的拓扑关系,一旦进入跟踪模式,总是判断车辆的位置状态,如果车辆在匹配路段上,只计算当前匹配路段的匹配度,如果车辆在路段的节点,还计算后继路段的匹配度,因此运算量很小,大大缩减了计算时间.四,仿真试验结果和分析为了验证上述地图匹配算法的有效性,首先在计算机上进行了模拟试验,假设有四条通过一个节点连接的路段,且相互与GRApH1CSj≥一._夕|蘩|垂直,分别标识为r1,r2,r3,r4车辆从rl,l:始沿直线行驶,通过节点行驶到r3,试验中,假设传感器误差为0均值的高斯白噪声,标准偏差为30m.图3显示r这四条道路的匹配度曲线.图(a)显示的是车辆通过谛点前后的两条匹配道路的匹配度,其中实线和虚线分别是rl和r3的匹配度曲线,开始算法处于捕获模式,3秒后由于Q(k)>Q,rl被匹配,算法处于跟踪模式,在节点附近,r1的匹配度减小,r3的匹配度增加,车辆通过节点后,r3被选为匹配道路.图(b)是两条没有被匹配的路段r2和r4的匹配度曲线,它们的数值一直小于匹配道路的匹配度. 020406080100120140160180200数据个数(a)真实路段的匹配度曲线10012014D160180200数据个数(b)其他路段的匹配度曲线图3车辆通过节点前后的匹配度曲线为了进一步证明基于匹配度加权递推的地图匹配算法在实际应用中的效果,用embeddedVisualC++实现了述算法,软件运行环境为,并利用自行研制的GNS一1T型车辆导航系统进行了跑车试验,采用的地图数据足北京市数字道路地图,比例尺为1:10000,车辆定位轨迹是2002年10月的试验数据,GPS接收机是来自台湾EverMore公司的GM—x205,采样数据周期为2秒,行车路线从北航体育馆东门出发,经北航东南门,学院路,知春路,中荚村大街,如图GRAPHiCS114所永:图中菱形符号为原始GPS定位数据,算法计算的匹配路段用加粗路线显示.实验结果表明,通过计算和比较候选路段的匹配度,选择匹配度最大并且超过门限的候选路段作为匹配路段,匹配路段就是车辆的真实行驶道路,因此基于匹配度的地图匹配算法能够正确识别车辆所在的道路.l～1一—4一——L-—卜———_『一一r一1L—{lTr广一f一Ⅱ一—出}\\北四环串路/i;l芒Il\生培村'蕾鼋京\1I脚母蓿瞎1{}l1——l\,;}1,c0B0p∞啦部0州}..}..叛mMpp枷∞|l1\1【知春路l1,fI;I1l{一一——一一——睁r一丁1\\L—i1I——一参考文献图41.ChrostopherE.White,DavidBernstein,AlainL.Korn—hauser.SomeMapMatchingAlgorithmsforPersonalNavigation Assistants.TransportationResearch,PartC【J】,2000,8:9l一108.2.R.R.Joshi.NovelMetricsforMap—MatchinginIn—V ehicleNavigationSystems.IEEEIntelligentV ehicleSymposium, 2003:36—43.3.V.Enescu,H.Sahli.MultipleModelEstimationSchem forMap—Matching.TheIEEE5thInternationalConferenceonIn—telligentTransportationSystems,Singapore(C】,2002:576—581.4?R.R.Joshi.ANewApproachtoMapMatchingforIn—V ehicleNavigationSystems:theRotationalV ariationMetric.IEEE IntelligentTransportationSystemsConference(ITSC2001),Oak—land,CA,USA,2001:33—38.50K.S.Kim,M.S.Kim,J.H.Dee.Developmentof MapMatchingAlgorithmUsingtheGIS'sBufferingAnalysis.The 32ndInternationalSymposiumonAutomotiveTechnologyandAu—tomation(ISATA),Vienna,Austria,JunefC1,1999:473—477.6.毕军,付梦印,张宇河.基于D—S证据推理的车辆导航系统地图匹配算法.北京理工大学【J】,2002,22 (3):393—396.7.L_J.Huang,W.W.Kao,H.Oshizaw.M.Tomizuka. AFuzzyLogicBasedMapMatchingAlgorithmforAutomotiveNay—igationSystems.IEEERoundtableDiscussiononFuzzvandNeural 实甩_蠹≯._j形囊睡像处蓬一GRAPHICSSystems,andV ehicleApplications,1991,PaperNo.16.8.G.Y.Fu,D.Miao,W.J.Zhang.X.G..Y ang.AHi—erarchicalMap—MatchingAlgorithmforQuadtreeImageonMPP. NeuralNetworkandDistributedProcessing:ProceedingsofSPIE 【C】,2001:105—109.9.S.Kim.J.H.Kim.AdaptiveFuzzy—Network—Based C—measureMap—MatchingAlgorithmforCarNavigationSystem. IEEETransactionsonIndustrialElectronics【J】,2001,48(2): 432—441.(收稿日期:2005年2月8日)VERITAS软件公司继续领跑备份,归档和文件系统软件市场作为异构软件的领先供应商,VERITAS第4季度的增长速度高于市场总体水平日前在IDC最新的{IDC全球存储软件市场季度跟踪》中,VERITAS软件公司(Nasdaq:VR1,s)被评为2004年第4季度以及全年的全球头号备份,归档软件和文件系统软件供应商.在企业选择数据备份,归档和管理软件时,VERI—TAS软件都是他们的选择.IDC的市场份额数据可以说明这一点——VERITAS在备份,归档和存储软件市场占据40%的收入份额i,连续9个季度以两位数的优势领先下第二名.这份报告还显示了VERITAS在文件系统软件市场中的明显领先地位:VERITAS占据了56%的收入份额,而IDC跟踪对象中名列第二的公司仅占2.3%的份额.VERIFAS在核心数据保护和存储管理类别中的持续强劲势头,为其软件在新兴的存储资源管理(SRM)和存储复制巾场中的采用提供了有力补充.此外,在2004年第4季度,VERITAS的存储软件(季度同比增长),备份与归档软件(年度比增长)和文什系统软件(季度和年度同比增长)增长指标均超过了市场总体水平.尽管IDC的调查报告并未跟踪另外三个对VER1TAS 效用计算战略十分关键的新兴技术领域一应用性能管理,服务器资源分配和电子邮件归档,但VERITAS仍在所有非硬件公司中占据极高的存储软件市场份额VERITAS软件公司首席技术官MarkBregman说: "VERITAS始终致力于保护和管理客户的数据,确保信息的可用性.正如IDC报告中所示,这种努力使我们赢得了客户的持久忠诚度.随着我们向市场推出新技术,在传统产品中进行以客户为中心的创新,我们有望在核心和新兴市场上再创佳绩"。
基于尺度、距离、旋转测度的角点匹配算法.
通过对初 始匹配算法与测 度函数设 计的分 析, 建立基于尺度、距离、旋转测度的角点匹配算 法流程
首先, 利用相位相关法进行两幅图片的初始 匹配 对不同图像上的角点邻域进行相位相关分
析 而后, 对候选匹配角点进行尺度、距离、旋转测 度的计算, 通过判断匹配测度函数值的合理性, 去 除虚假匹配 最后, 利用 8 个最佳匹配点计算双目 视觉的基础矩阵, 获得极线几何 对应参数[ 5] 流 程如图 3 所示
i,
( 10)
式中:
E
g
=
1 K
K
(
i= 1
i-
k , median) 2
( 11)
k 为考察的候选匹配角点与邻域内第 k 对
候选匹配角点连线的夹角; g, median为考察的候选
匹配角点在邻域内与所有其他候选匹配角点连线
夹角的平均值; E g 为考察的候选匹配角点在邻 域内与所有其他候选匹配角点连线夹角的方差
摘
要: 针对基于模板灰度相似性测度的匹配方法抗旋转性差的缺陷, 依据真实匹配角点与邻域内其他
角点 位置关系存在拓扑不变性, 提 出了一种基于尺度、距离、旋转测度的角 点匹配方法 该方法 首先利用 相位 相关 法对角点进行初始匹配, 而后对每对候选匹配角 点进行基 于尺度、距离、旋转测度的 计算, 利用计算后 的 测度 函数值来判断初始匹配是否为正确匹 配 实验验 证了提 出的角 点匹配 方法的 匹配结 果要明显 好于直 接
匹配角点与邻域内第 k 对候选匹配角点的距离;
dg, median为考察的候选匹配角点在邻域内与所有
其他候选匹配角点距离比的平均值; Edg 为候选
匹配角点在邻域内与所有其他候选匹配角点距离
比的方差
地图匹配算法综述
地图匹配算法综述一、地图匹配：现有算法车辆导航系统实时接收GPS位置速度信息，以交通地图为背景显示车辆行驶轨迹。
保证所显示的轨迹反映车辆的实际行驶过程，包括行驶路段，转弯过程及当前位置，就是地图匹配问题所要解决的目标。
本节首先对地图匹配问题涉及到的基础概念、误差模型给出简要说明，同时介绍当前流行的一些地图匹配算法的思路与特点。
1.1地图匹配问题介绍利用车载GPS接收机实时获得车辆轨迹，进而确定其在交通矢量地图道路上的位置，是当前车载导航系统的基础。
独立GPS车载导航系统中克服GPS误差以及地图误差显示车辆在道路网上的位置主要是通过地图匹配算法，也就是根据GPS信号中的数据和地图道路网信息，利用几何方法、概率统计方法、模式识别或者人工神经网路等技术将车辆位置匹配到地图道路上的相应位置[8-12]。
由于行驶中的车辆绝大部分都是在道路上的，所以通常的地图算法都有一个车辆在道路上的默认前提。
地图匹配的准确性决定了GPS车辆导航系统的准确性、实时性与可靠性。
具体来说取决于两方面：确定当前车辆正在行驶的路段的准确性与确定车辆在行驶路段上的位置的准确性。
前者是现有算法的研究重点，而后者涉及到沿道路方向的误差校正，在现有算法中还没有得以有效解决。
地图匹配的目标是将轨迹匹配到道路上，当道路是准确的时，也就成了确定GPS的准确位置，然后利用垂直映射方法完成匹配。
要实时获得车辆所在的道路及位置通过地图匹配来实现是一种比较普遍而且成本较低的方法。
车辆导航与定位系统中的地图匹配问题概括来讲就是将车载GPS接收机获得的带有误差的GPS轨迹位置匹配到带有误差的交通矢量地图道路上的相应位置。
下面我们通过具体的数学模型来给地图匹配问题以详细的数学描述。
地图匹配的基本过程如图4.1所示。
符号定义及其物理意义说明如下：图4.1地图匹配模型1)g(k)是车辆GPS轨迹点，内容为k时刻车辆上的GPS定位数据（经纬度），对应于矢量地图上相应的经纬度位置点。
一种改进的浮动车地图匹配算法
一种改进的浮动车地图匹配算法摘要：为提高浮动车地图匹配精度，提出一种改进的浮动车地图匹配算法，综合利用道路拓扑关系和车辆定位误差，缩小候选路段范围，然后采用基于距离与方向的要素加权方法确定最终的匹配点，从而减少正确匹配路段被剔除的概率。
依托南京市局部路网以及浮动车定位数据进行实例分析，结果表明，该方法具有较好的精度和实时性。
关键词：浮动车；地图匹配；道路拓扑；要素加权0 引言随着智能交通系统的应用发展，安装车载定位设备的车辆越来越多，浮动车数据采集技术开始广泛应用于城市路况信息获取、道路建设和出行规划上[1]。
地图匹配（Map Matching，MM）是浮动车技术的重要组成部分，由于路网环境、电子地图误差和定位设备误差的影响，浮动车采集的定位点会随机分布在道路两侧一定宽度范围内，只有将这些定位点修正到其行驶的道路上，才能开展相关应用。
目前，国内外学者研究的地图匹配算法主要包括几何匹配算法、概率统计匹配算法、相关性匹配算法、基于要素加权的匹配算法、模式识别匹配算法等[2]。
其中，基于要素加权的地图匹配算法具有逻辑简单、速度快、实时性好等优点，目前已经得到较为广泛的应用[3]。
陈佳瑜等提出了一种基于权重的地图匹配算法[4]，采用一种间接的方式确定车辆当前行驶的道路，利用定位点当前信息和历史信息，降低定位误差对地图匹配效果的影响。
章威等提出一种基于大规模浮动车数据的地图匹配算法[5]，引入了匹配度的概念，以GPS定位点到候选路段的距离以及方向夹角为要素，加权计算得到匹配度，进而确定最佳的匹配道路。
王美玲等提出了一种浮动车地图匹配的新算法[6]，采用距离，航向和可达性三个要素加权计算候选路段的综合权重。
邹珍提出一种改进的基于权重的地图匹配算法[7]，将权重模型与交通规则约束、最短路径算法相结合。
在对以往的研究进行分析后发现，充分利用道路拓扑和多个要素可以进一步提高浮动车地图匹配精度。
本文从这一角度出发，综合利用道路拓扑关系和车辆定位误差，缩小候选路段范围，然后采用基于距离与方向的要素加权方法确定最终的匹配点，以期能够提高浮动车地图匹配精度，并确保匹配的实时性。
一种改进的基于代价函数的地图匹配算法_李建
第２１卷第２期２００７年６月Ｖｏ１．２１Ｎｏ．２Ｊｕｎ．２００７河海大学常州分校学报ＪＯＵＲＮＡＬＯＦＨＯＨＡＩＵＮＩＶＥＲＳＩＴＹＣＨＡＮＧＺＨＯＵ文章编号：１００９－１１３０（２００７）０２－００２９－０３一种改进的基于代价函数的地图匹配算法李建（河海大学计算机及信息工程学院，江苏常州２１３０２２）摘要：为了提高基于代价函数的地图匹配算法的效率，提出了一种减少算法计算量的方法．该方法结合地图匹配算法中的数据滤波等判决法则，合理利用已有的匹配信息，能在更小的范围内选择待匹配路段，达到减少计算量的目的．该方法在导航定位系统中具有实用意义．关键词：代价函数；地图匹配；导航；智能交通中图分类号：ＴＰ３９１．４１；ＴＮ９６文献标识码：Ａ收稿日期：２００６－０７－０７作者简介：李建（１９７７－），男，山东诸城人，助教，通信与信息系统专业．在ＩＴＳ（智能交通系统）中，车载式导航系统是一个重要的子系统，该子系统将智能交通系统和车辆终端用户联系在一起．通过该子系统ＩＴＳ可向用户提供服务，而用户则可向ＩＴＳ提供一些基础交通信息．导航系统需要向用户提供以图形形式表示的道路、定位等信息，地图匹配是导航系统的一项基础技术，不进行地图匹配直接得出的定位结果用户是无法接受的．地图匹配的基本思想是在车辆的定位轨迹和数字地图的道路网信息间建立联系，并由此确定车辆相对于地图的位置［１］．匹配的前提条件是车辆必须位于道路交通网上，以及导航电子地图具有足够高的精度．文献［２－６］对地图匹配的常用方法进行了探讨，各种方法均有利弊．这些方法只是从单点定位匹配本身来考虑问题，因此匹配计算过程中的计算量很大．本文在此基础之上，提出改进的基于代价函数的匹配方法，该方法能够充分利用历史定位信息选取候选路段，可以在不丢失有效路段的条件下大大减少候选路段，有效减少了计算量，特别适用于嵌入式车载系统．１目前常用的地图匹配算法ａ．基于图像物理特征的并行地图匹配算法［３］．该算法提出了图像质量和重心的概念，并给出了相应的计算方法．在实时地图匹配应用中，首先利用图像的物理或几何特征进行地图的粗相关匹配，将一些可能的匹配点作为搜索空间，大大缩小了搜索范围；然后，在此较小的匹配区域内，按照像素进行地图的精相关匹配．ｂ．基于权重的地图匹配算法［６］．该算法首先将ＧＰＳ定位数据转换成道路网络的弧的权重，然后根据弧的权重来确定车辆当前行驶的道路．该算法有效利用了定位点的当前信息和历史信息，在很大程度上降低了定位误差对地图匹配效果的影响．ｃ．基于位置点匹配的地图匹配算法［４］．该算法根据车辆行驶的实际状况和地图匹配算法的主要特点，首先将车辆行驶时的匹配定位处理分成５种不同状态，然后针对每种状态各自的特点和定位要求，采取不同的处理方法进行匹配计算．ｄ．基于曲线拟合的地图匹配算法［５］．该算法需要确定曲线上因变量ｙ和自变量ｘ之间的关系，在多数情况下，由于误差会使测试点分散，所求曲线无法通过所有的测试点，因此需要寻找一条平滑曲线ｙ＝ｆ（ｘ）作为近似测试结果，使之能反映出测试数据的变化趋势，并尽量使曲线没有局部波动．ｅ．基于代价函数的地图匹配算法［２］．该算法为每个可能的匹配位置定义一个误差代价函数，并保证在对一系列匹配位置代价函数求和时，代价函数的累加值能够迅速增长．河海大学常州分校学报２００７年６月２改进的代价函数匹配方法文献［２］中提出了一种基于代价函数的地图匹配算法，给出了地图匹配时的４个比较重要的参数，并用其组成了对应每个匹配位置的误差代价函数．这４个参数分别是东向位置坐标ｘ、北向位置坐标ｙ、行车方向θ和交通规则约束ｄ（考虑单行道禁行方向）．地图匹配算法通常应用于定位导航系统，用户可能会利用系统的导航功能设置一条导航路径，然后按照导航仪的指引前进，因此在地图匹配时必须考虑用户有可能按照自己设定的路线行驶．规定车辆只能在道路网上行驶，设ｋ时刻系统通过定位得出的定位点为Ｐ，由于各种干扰和误差的影响，Ｐ点的位置可能不在道路网上，如图１所示．图中Ａ点为车辆的实际位置，自左向右行驶；定位滤波器输出Ｐ点的坐标为（ｘ，ｙ）；标有１、２、３、４的４条路段均有可能是该时刻车辆所在的路段．为了确定最佳匹配位置，待匹配位置的代价函数必须满足下列条件：ａ．连通性检验．一般情况下，若２条线段有公共节点，则称这２条线段是连通的，否则便是非连通的．若是行走路段的后继路段，则认为是连通的；若在道路交叉口出现的下一路段与行走路段具有公共节点，则认为是连通的．道路匹配前必须通过连通性检验．ｂ．数据滤波．为防止错误的道路匹配，必须对接收的ＧＰＳ数据进行原始滤波预处理，规定汽车在待匹配点与前一时刻已匹配点的平均速度不得超过最大行驶速度，否则将其滤除．２．１首次匹配时的代价函数选取在首次匹配时，为了取得准确的定位，必须综合考虑各种因素，花费较多的时间进行匹配计算，所以选取如下代价函数［１］：Ｃｋｊ＝ｗｘ２（εｘｊ，ｋ）２＋ｗｙ２（εｙｊ，ｋ）２＋ｗθ２（εθ，ｋ）２＋ｗｄ２（εｄ，ｋ）２式中：ｗｘ、ｗｙ、ｗθ、ｗｄ分别是ｘ、ｙ、θ、ｄ的误差估计权值；εｘｊ，ｋ、εｙｊ，ｋ和εθ，ｋ是ｋ时刻车辆在ｊ位置时与定位输出点Ｐ的位置误差估计项和方向误差估计项；εｄｊ，ｋ为交通规则约束项，当路段为单行路或者禁行路段时有效．对εｘｊ，ｋ、εｙｊ，ｋ、εθ，ｋ作如下定义：εｘｊ，ｋ＝ｘｋ－ｘｃｊ，ｋ，εｙｊ，ｋ＝ｙｋ－ｙｃｊ，ｋ，εθ，ｋ＝θｋ－θｃｊ，ｋ式中：ｘｃｊ，ｋ、ｙｃｊ，ｋ分别为ｋ时刻匹配位置ｊ的东向和北向位置坐标，ｘｋ、ｙｋ为对应时刻定位滤波器输出的坐标；θｃｊ，ｋ为ｋ时刻匹配位置ｊ所在路段在该点的方向取向，θｋ为对应时刻滤波器输出的行车方向估计．图１中的Ａ、Ｂ、Ｃ、Ｄ各点分别是所在路段上距离Ｐ点最近的点，在这４个位置的代价函数必然最小，因此可不再计算此时刻该路段上的可能的匹配位置．但是仅取候选路段单个时刻的代价函数是不能保证准确匹配的，必须计算该路段连续ｋ个时刻代价函数的累加和，即ｓｋｊ＝ｋｉ＝１!Ｃｉｊ然后比较各个路段代价函数的累加和，按下式选取最佳匹配路段：ｓｋｊ＝ｍｉｎｉ＝１，２，３，４ｓｋ"#因此最佳匹配位置就是最佳匹配路段中ｋ时刻具有最小代价函数值的位置．２．２滤波后的代价函数选取对于经过连通性检验和数据滤波后的可匹配路段，如果已经规划路径，可以直接取规划路径和待匹配路段的交集在适当位置列写代价函数进行匹配；如果没有规划路径，则必须对所有路段列写如下的代价函数：Ｃｋｊ＝ｗｘ２（εｘｊ，ｋ）２＋ｗｙ２（εｙｊ，ｋ）２＋ｗθ２（εθ，ｋ）２上式表明，滤波后的代价函数与首次匹配时的相比舍弃了交通规则约束项，因为该约束在首次匹配中已经得到满足；同时该代价函数可以通过连通性检验，能够满足数据滤波等规则，不但减少了需要列写代价函图１地图匹配示意图Ｆｉｇ．１Ｍａｐ!ｍａｔｃｈｉｎｇｄｉａｇｒａｍｊｉｊｊｊｊｊ３０李建一种改进的基于代价函数的地图匹配算法３１第２１卷第２期数的待匹配路段，而且缩短了匹配时间．匹配的具体过程如下：ａ．选择与定位滤波器输出相接近的路段组成待选集．ｂ．判断是不是首次定位，如果是首次定位，则综合考虑尽量多的因素，合理地给出匹配位置的代价函数，进一步确定最佳匹配位置．ｃ．如果不是首次定位，则判断原来匹配位置和现在待匹配路段的连通性，剔除不连通的路段．ｄ．对于通过连通性测试的路段，进行位置滤波，剔除不满足数据滤波条件的路段．ｅ．对于通过位置滤波的路段，进一步判断是不是有规划路径，如果有规划路径，则选择规划路径上的合适位置列写代价函数；如果没有规划路径，则对剩下的待匹配位置列写代价函数，从中选择最佳的匹配位置．从上述匹配过程可以看出，本文在首次匹配时采用和文献［２］完全相同的代价函数，但在首次定位成功后，重新选择代价函数，即一方面通过调整代价函数的组成来减少代价函数的计算量，另一方面通过制定合理的数据滤波规则来舍弃不合适的路段．这种改进使计算过程得到明显简化，对于嵌入式车载系统，运算量的减少有时比提高精度更重要．３结束语本文对基于代价函数的地图匹配算法进行改进，改进算法在首次匹配成功后，结合具体应用中的实际约束情况，采用数据滤波等判决规则来简化匹配过程，能方便快捷地从众多的候选路段中舍弃不合适的路段，使匹配过程迅速准确，特别适用于嵌入式车载系统．但是该方法只有在获取正确的实时基础交通信息后，才能进行定位匹配．参考文献：［１］张其善，吴今培，杨东凯．智能车辆定位导航系统及应用［Ｍ］．北京：科学出版社，２００２：１６３－１６８．［２］彭飞，柳重堪，张其善．基于代价函数的组合导航系统地图匹配算法［Ｊ］．北京航空航天大学学报，２００２，２８（３）：２６１－２６４．［３］付光远，叶雪梅，张文君．基于图像物理特征的并行地图匹配算法设计与研究［Ｊ］．计算机工程与应用，２００１，３７（１１）：９８－１００．［４］王楠，王勇峰，刘积仁．一个基于位置点匹配的地图匹配算法［Ｊ］．东北大学学报，１９９９，２０（４）：３４４－３４７．［５］周颖，程荫杭．基于曲线拟合的地图匹配算法［Ｊ］．交通运输系统工程与信息，２００４，４（２）：６８－７０．［６］陈佳瑜，肖桂荣．基于权重的地图匹配算法［Ｊ］．计算机工程与应用，２００５，４１（１１）：１６８－１７０．ＡｎＩｍｐｒｏｖｅｄＭｅｔｈｏｄｆｏｒＭａｐＭａｔｃｈｉｎｇＢａｓｅｄｏｎＣｏｓｔＦｕｎｃｔｉｏｎＬＩＪｉａｎ（ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒ＆ＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＨｏｈａｉＵｎｉｖ．，Ｃｈａｎｇｚｈｏｕ２１３０２２，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｏｉｍｐｒｏｖｅｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅｍａｐ!ｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｃｏｓｔｆｕｎｃｔｉｏｎ，ａｎｉｍｐｒｏｖｅｄｍｅｔｈｏｄｉｓｇｉｖｅｎ．Ｕｓｉｎｇｔｈｅｄａｔａｆｉｌｔｅｒｒｕｌｅｓａｎｄｔｈｅｆｏｒｍｅｒｍａｔｃｈｉｎｇｉｎｆｏｒｍａｔｉｏｎ，ｔｈｅｍａｐｐｉｎｇｃａｎｄｉｄａｔｅｃａｎｂｅｓｅｌｅｃｔｅｄｉｎａｓｍａｌｌｒａｎｇｅ．Ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｂｅｕｓｅｄｉｎｎａｖｉｇａｔｉｏｎｓｙｓｔｅｍ．Ｋｅｙｗｏｒｄｓ：ｃｏｓｔｆｕｎｃｔｉｏｎ；ｍａｐｍａｔｃｈｉｎｇ；ｎａｖｉｇａｔｉｏｎ；ＩＴＳ。
地图匹配算法综述
确定性地图匹配算法
投影算法为查找距离车辆位置最近的路段，然后将表示车辆位置 的定位数据点投影到查找到的路段所对应的点上，将投影点作为车辆匹 配后的位置。
2003 年，帝国理工的 M.A. Quddus 等人提出了要素加权法来优化传统的直接 投影算法[5]，将轨迹方向和点到路段的距离分别进行加权计算：路段方向与轨迹 方向一致性越高，权重就越大；距离越小，权重也越大；空间相关性越大，权重 越大。将方向、距离和相关性的权重相结合计算出该路段的总权重，然后根据权 重选择路段。
确定性地图匹配算法总结
投影匹配算法相对简单，易于实现，可 以在一定程度上提高车辆定位的精度，但 是效率较低，稳定性相对较差，通常只适 用于精度要求不是很高的条件下使用。
不确定性地图匹配算法
4.1 概率统计算法 概率统计地图匹配算法也是一 种基础的匹配方法。2001 年彭飞 等人提出并实现了利用概率统计算 法的地图匹配技术。概率计算法的 基本思想是依据 GPS 接收到的数 据信息设置一个置信区域，即利用 概率准则来设定搜索道路的距离阈 值，并从中选出用以匹配的道路位 置信息，按照统计理论，定位误差 椭圆可推导如下[9]：
[10] 许志海 , 张昭云 , 陈应东 . 车辆导航系统中定位数据处理和地图匹配 技术 [J]. 测绘学院报 ,2003,20(4):247-250. [11] 张振辉 , 崔铁军 , 姚慧敏 . 车辆导航系统中地图匹配新算法[J]. 海洋测 绘 ,2006(26):55-58. [12] 周培德 , 付梦印 . 地图匹配的新算法 [J]. 北京理工大学学 报 ,2004,24(3):38-47. [13]Chen Z, Sun Y. Development of An Algorithm for Car Navigationsystem Based on Dempster-Shafer EvidenceReasoning[C].Proc. of IEEEIntelligent Transportation Systems,2002:534-537. [14] 苏洁 , 周东方 , 岳春生 .GPS 车辆导航中的实时地图匹配算法[J]. 测绘 学报 ,2001,20(3):252-256. [15]M. A.Quddus.High Integrity Map Matching Algorithms forAdvanced Transport Telematics Applications[D].2006. [16] 常菲 , 等 . 综合地图匹配定位技术研究 [J]. 计算机工程与应 用 ,2004,19:200-202. [17] 谷正气 , 胡林 , 黄晶 , 等 . 基于改进 D-S 证据理论的车辆导航地图匹 配 [J]. 汽车工程，2008,30(2):141-145. [18] 宋洁 , 李国燕 , 李娜娜 . 基于模糊逻辑的 GPS/DR 地图匹配算法 [J]. 计 算机工程与科学，2008,30(10).
定位导航系统的地图匹配技术
定位导航系统的地图匹配技术近年来，定位导航系统越来越普及，无论是汽车导航、智能手机导航，还是步行导航，我们都离不开定位导航系统。
而这些系统中最重要的核心技术之一就是地图匹配技术。
它可以说是定位导航系统中最关键的一环，也是定位精度的保证。
本文将从地图匹配技术的基本原理、应用场景、常见问题及解决方式等方面，深入探讨定位导航系统的地图匹配技术。
一、地图匹配技术的基本原理所谓地图匹配技术，就是将定位设备收集到的点位信息与真实地图进行比对，并将其映射到最接近的位置上。
在这个过程中，需要进行的操作包括数据预处理、特征提取、匹配算法等。
具体来说，就是将收集到的点位信息转化为数字信号，在此基础之上，通过信噪比、精度、干扰等因素，进行有效的特征提取和路径匹配，最终得到精度较高的地图匹配结果。
二、地图匹配技术的应用场景地图匹配技术在定位导航系统中有着广泛的应用。
其中，最典型的应用场景就是城市道路网络的路径规划。
在这个场景下，地图匹配技术能够准确地匹配用户的实时位置和目标位置之间的路径，从而为用户提供合适的路线规划和导航服务。
此外，在城市交通监控、车载安全、交通预测等方面，地图匹配技术也有着重要的应用。
三、地图匹配技术常见问题及解决方式地图匹配技术的应用有着很高的实用价值，但是也存在着一些常见的问题。
比如，在密集的城市建筑群中，接收到的卫星信号可能会受到干扰，从而导致路径匹配的误差增加。
而且一些地区的道路情况比较复杂，包括道路交叉口、隧道、高架等，这些情况都加剧了路径匹配的难度。
此外，用户在行驶过程中，可能存在意外出现的行驶路线变化，也会影响到匹配结果的精度。
针对上述问题，有多种解决方式。
首先，可以采用多信号源、多频段供应的方法，以增加卫星信号传输的可靠性和精度。
同时，地图匹配技术也可以通过引入机器学习等智能化算法，提高路径匹配的效率和精度。
此外，通过结合交通、天气等多种因素，对路径和路线进行动态规划和优化，也可以进一步提高地图匹配的效率和准确性。
道路匹配算法
1 地图匹配的原理地图匹配是一种基于软件技术的定位修正方法，其基本思想是将车辆定位轨迹与数字地图中的道路网信息联系起来，并由此相对于地图确定车辆的位置。
地图匹配应用是基于以下2个假设条件：（1）车辆总是行驶在道路上；（2）采用的道路数据精度要高于车载定位导航系统的定位精度。
当上述条件满足时，就可以把定位数据和车辆运行轨迹同数字化地图所提供的道路位置信息相比较，通过适当的匹配过程确定出车辆最可能的行驶路段以及车辆在该路段中的最大可能位置。
如果上述假设不成立，则地图匹配将产生错误的位置输出，并可能导致系统性能的严重下降。
一般认为用于匹配的数字地图误差不应超过巧米（真实地面距离）。
由于陆地车辆在除进入停车场等之外的绝大多数时间内都位于公路网络中，因此使用地图匹配技术的条件是满足的。
2 地图匹配算法地图匹配的算法是曲线匹配原理和地理空间接近性分析方法的融合。
曲线匹配算法的基本思想是：如果对一条曲线做任意数量、任意比例的分割，分割点都落在另一条曲线上，则两条曲线严格匹配。
实际应用中，就是计算一条曲线上相对均匀的某一数量分割点到参考曲线的距离的平均值，将其作为到参考曲线的平均距离，并将此平均距离的倒数作为匹配优劣的度量。
空间接近性分析方法就是在已知的可能正确的地理数据集中，按照空间最接近的方法匹配当前定位数据。
地图匹配算法可分为2个相对独立的过程：一是寻找车辆当前行驶的道路；二是将当前定位点投影到车辆行驶的道路上。
其基本办法是按照曲线匹配的思想在车辆航迹的邻近区内搜索所有道路路段及其组合，把这些组合路线分别与车辆航迹求取匹配度量值，将取得最佳匹配度量值的组合路线作为车辆当前行驶路线。
地图匹配的常用算法有以下几种：直接投影算法；相关性算法；半确定性算法；概率统计算法；模糊逻辑算法；基于计算几何（非数值计算）知识（并暂时不考虑测量误差）算法。
由于计算几何知识算法不需要数据融合，极少需要考虑行车方向，非常直观，并且减少了许多数值计算，具有极高的正确匹配率，能够满足快速、准确、实时地定位车辆位置的要求。
二分图匹配之最佳匹配——KM算法
⼆分图匹配之最佳匹配——KM算法今天也⼤致学了下KM算法，⽤于求⼆分图匹配的最佳匹配。
何为最佳？我们能⽤匈⽛利算法对⼆分图进⾏最⼤匹配，但匹配的⽅式不唯⼀，如果我们假设每条边有权值，那么⼀定会存在⼀个最⼤权值的匹配情况，但对于KM算法的话这个情况有点特殊，这个匹配情况是要在完全匹配（就是各个点都能⼀⼀对应另⼀个点）情况下的前提。
⾃然，KM算法跟匈⽛利算法有相似之处。
其算法步骤如下：1.⽤邻接矩阵（或其他⽅法也⾏啦）来储存图，注意：如果只是想求最⼤权值匹配⽽不要求是完全匹配的话，请把各个不相连的边的权值设置为0。
2.运⽤贪⼼算法初始化标杆。
3.运⽤匈⽛利算法找到完备匹配。
4.如果找不到，则通过修改标杆，增加⼀些边。
5.重复3，4的步骤，直到完全匹配时可结束。
⼀⾔不合地冒出了个标杆？？标杆是什么？？？在解释这个问题之前，我们先来假设⼀个很简单的情况，⽤我们⼈类伟⼤的智能思维去思考思考。
如上的⼀个⼆分图，我们要求它的最⼤权值匹配（最佳匹配）我们可以思索思索⼆分图最佳匹配还是⼆分图匹配，所以跟和匈⽛利算法思路差不多⼆分图是特殊的⽹络流，最佳匹配相当于求最⼤（⼩）费⽤最⼤流，所以FF⽅法也能实现所以我们可以把这匈⽛利算法和FF⽅法结合起来FF⽅法⾥⾯，我们每次是找最长（短）路进⾏通流所以⼆分图匹配⾥⾯我们也找最⼤边进⾏连边!但是遇到某个点被匹配了两次怎么办？那就⽤匈⽛利算法进⾏更改匹配！这就是KM算法的思路了：尽量找最⼤的边进⾏连边，如果不能则换⼀条较⼤的。
所以，根据KM算法的思路，我们⼀开始要对边权值最⼤的进⾏连线，那问题就来了，我们如何让计算机知道该点对应的权值最⼤的边是哪⼀条？或许我们可以通过某种⽅式记录边的另⼀端点，但是呢，后⾯还要涉及改边，⼜要记录边权值总和，⽽这个记录端点⽅法似乎有点⿇烦，于是KM采⽤了⼀种⼗分巧妙的办法（也是KM算法思想的精髓）：添加标杆（顶标）是怎样⼦呢？我们对左边每个点Xi和右边每个点Yi添加标杆Cx和Cy。
基于网格分块的快速地图匹配算法
基于网格分块的快速地图匹配算法徐松杰;陈紫强【摘要】In order to meet the real-time and accuracy requirements of the map-matching,a rapid map-matching algorithm is proposed.A spatial index is established based on grid partition.The anchor point in the grid is fast determined by GPS posi-tioning data.The continuity of the train operation and direction are used to determine the matching-section.The improved direct projection algorithm is used for errorcorrection.Experimental result shows that the algorithm is a kind of high preci-sion,real-time map-matching algorithm.%为了满足地图匹配的实时性和精确性要求，提出一种基于网格分块的快速地图匹配算法。
根据网格分块思想将铁路网进行分块并建立空间索引，通过将 GPS定位点与铁路网格相匹配，快速确定其所在网格，运用铁路网络的拓扑结构、历史信息以及方向角确定匹配路段，用改进的投影匹配算法进行误差修正。
实验结果表明，该算法是一种精度高、实时性好的地图匹配算法。
【期刊名称】《桂林电子科技大学学报》【年(卷),期】2014(000)001【总页数】4页(P33-36)【关键词】地图匹配;网格分块;空间索引;匹配路段;误差修正【作者】徐松杰;陈紫强【作者单位】桂林电子科技大学信息与通信学院，广西桂林 541004;桂林电子科技大学信息与通信学院，广西桂林 541004【正文语种】中文【中图分类】TP312在基于GPS的列车定位系统中，由于成本和技术条件的限制，不可能实时采取差分GPS定位或高精度的载波相位接收机等方法来提高定位精度［1］。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｖ０ Ｉ ． ３ ５ ＮＯ． ２
Ａｐ ｒ ． ２ ０１ ４
文章 编号 ： １ ６ ７ ２— ６ ８ ７ １ （ ２ ０ １ ４ ） ０ ２— ０ 离 分段 占优 地 图 匹配 算 法
张彦 会 ， 曹 强荣 ， 何 维
（ 广西科技大学 ａ ． 广西汽车零部件与整车技术重点实验室 ； ｂ ． 汽 车 与交 通 学 院 ， 广西 柳州 ５ ４ ５ ０ ０ ６ ）
性。
图１ 所 示为例 ， 以１ ０ ０ ｍ×１ Ｏ ０ ｍ进 行 网格 划分 ， 假定 定位 点 Ｐ落在 ６号 网格 内 。然后 以 ６号 网格 的形 心 Ａ为 中心 ， 进行 １ Ｏ ０ １ １ １ ×１ ０ ０ ｍ 的网格 划分 ， 得到Ａ 。 、 Ａ 、 Ａ 、 Ａ 这 ４个 网格 。再 对 这 ４个 网格进 行
摘要 ： 为 了 更 好 的 实 现 车辆 导航 系统 的实 时性 和精 确 性 ， 研 究 了 地 图 匹 配算 法 的 各 要 素 。 采 用 两 级 交 错 式 网 格划分 ， 并 结 合 全 球定 位 系 统 实 时水 平 估 计 误 差实 现对 电子 地 图待 匹 配 区域 划 分 。利 用 车辆 行 驶 位 置 、 方 向、 道路几何拓扑关系和行驶角度变化率 ， 提 出 了 一 种 基 于 角 度 和 距 离 分 段 占优 的 地 图 匹 配 算 法 。 试 验 结 果 表 明： 本 文 建 立 的地 图 匹 配算 法 能 够 准 确 、 快速地实现车辆导航定位功能 。 关键词 ： 全球定位系统 ； 车辆导航 ； 地 图匹配； 道路网格划分 ； 网络 拓 扑
法的优 点是 实 时性好 、 逻辑 简单 ， 但该算 法 只适用 于 以直线 型道路 为 主 的情 况 ， 对 于 弯道 或 交叉 路 口较
多、 道 路密集 的道 路 ， 该 算法 的 匹配准确 率 降低 ， 易 造 成识 别 混 乱 的情 况 ¨ 。第 二种 是 基 于轨 迹 曲线 的地 图匹配 算法 ， 该算 法 的优 点是 对局 部定 位点 的波 动不敏 感 ， 在 交叉 路 口或弯 道较 多 的道 路上 匹配 效
二 级 网格划 分 ， 得到 ５ ０ ｍ× ５ ０ ｍ 的子 网格 ， 即可进一 步确定 Ｐ点在 ５ ０ ｍ×５ ０ ｍ子 网格 的具体 位置 ， 图１
实 时 响 府 性
１ 两 级 交 错 式 网格 划分 与二 次 圆域 筛 选 融 合 技 术
寻找 车 辆 当 前行 驶 的道 路从 过 程 上 可 以 分为 两 个 部 分 ， 即待 匹 配路 段 的快 速筛 选 和 最 优 路 段 的 权 值 判 断 。在 待 匹配 路 段 的快 速筛 选 过 程 中 ， 筛选 区域 的 大 小 直 接影 响 匹配 算 法 的实 时 性 。筛 选 区 域选择过大 ， 增加 算 法 的复 杂 程度 和 计 算 时 间 ； 筛 选 区域选 择 过 小 ， 可 以导 致 没 有 待 匹 配 的路 段 。采 用 两 级 交错 式 网格划 分 与 二 次 圆域 筛 选 融 合 的方 法 能 很 好 地 解 决 这 一 问 题 ， 实 现 匹配 算 法 的实 时
果好 ， 但该算 法计 算量 较大 ， 算 法 复杂 ， 实 时性 差 。 。第 三种是 基 于概率 统计 的算法 ， 该算 法 的优 点 是
以地理 信息 系统 （ Ｇ Ｉ Ｓ ） 缓 冲区分析 方 法代 替 全 球定 位 系 统 （ Ｇ Ｐ Ｓ ） 误差 椭 圆 ， 车 辆 在 路 网 中 的定 位 准 确 性 和 可靠性 高 ， 但 该算 法 只适 用 于 Ｇ Ｉ Ｓ数 字 地 图数 据 库精 度 和 Ｇ Ｐ Ｓ定 位数 据 精 度 高 的情 况 ， 在 精 度 不 高的场 合定 位时 间长 ， 且无法 防止 定位 累积误 差 。 。第 四种是 基 于模 糊 逻辑 的地 图匹配 算 法 ， 该 算 法 的优 点是在 同的路 段采用 加权 二维 欧式距 离作 为相 似性 度量 函数方 法 ， 在 复杂 路段 上都 能高 效 、 实 时 的实 现车辆 的定 位匹 配 ， 但该 算法 在不 同路 段建模 的系数 为经验值 ， 缺 乏理 论依 据 － ｓ 。 本 文提 出 了基于 角度 和距离 分段 占优 的地 图匹配 算 法 。首先 ， 在 分 段 占优 算 法 中运 用 自适 应 匹 配 因子进 行 目标路 段 的最优选 取 ， 能够增 强 匹配时 对正确 路段 的识 别能 力 以及 对 复杂路 段 的适 应 能力 ， 提 高定 位匹配 精度 ； 其次， 在节 点处 采用融 合技 术筛 选 匹配 区域 ， 大 大简 化 了程 序 的复杂 度 ， 提 高 了定位 的
中 图分 类 号 ： Ｔ Ｐ ３ ９ １ ． ４ １ 文 献 标 志码 ： Ａ
０ 引言
随着智 能运 输系 统 （ Ｉ Ｔ Ｓ ） 的迅 速发展 ， 车 载导航 定 位 系统 越来 越受 到关 注 ， 因此 ， 如何 快 速 、 准 确 地 获得 车辆 的位置 信息 变得更 为迫 切 ， 地 图 匹配算 法是 实现 快 速 、 准确 获 取位 置 信 息 的关键 ， 所 以研 究 地 图匹 配算法 是很 有必要 的。当前 的地 图定位 匹配 算法 较多 ， 第一种 是基 于位 置点 的地 图 匹配算 法 ， 该 算
第 ３ ５卷 第 ２期
２ ０１ ４年 ４月
河 南 科 技 大 学 学 报 ：自 然 科 学 版
Ｊ ｏ ｕｒ ｎ ａ ｌ ｏ ｆ Ｈｅ ｎａ ｎ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔｅ ｃ ｈｎ ｏ ｌ ｏ ｇ ｙ： Ｎａ ｔ ｕｒ ａ ｌ Ｓｃ ｉ ｅ ｎ ｃ ｅ