本发明涉及一种基于贝叶斯分类的交通灯和道路关联方法，包括：训练得到交通灯和道路关联的训练集，训练集的输入为交通灯与道路的关联属性，输出为交通灯和道路是否有关联；将待测交通灯和各个道路的关联属性输入训练集，根据高斯朴素贝叶斯分类方法得到待测交通灯与各个道路的初步关联结果；待测交通灯与至少两个道路的初步关联结果是有关联时，根据初步关联结果选择待测交通灯的最终关联结果对应的道路，用已有的典型路口的可靠真值数据作为训练集，用贝叶斯分类的方法，得到进入路口的所有道路和路口内所有交通灯的关联性的概率，以交通灯和关联性概率最大的道路建立关联关系，这样既规避了人为寻找规律困难的难点，也能取得较好的效果。
1.一种基于贝叶斯分类的交通灯和道路关联方法，其特征在于，所述方法包括：步骤1，训练得到交通灯和道路关联的训练集，所述训练集的输入为交通灯与道路的关联属性，输出为交通灯和道路是否有关联；
步骤2，将待测交通灯和各个道路的关联属性输入所述训练集，根据高斯朴素贝叶斯分类方法得到待测交通灯与各个道路的初步关联结果；
步骤3，待测交通灯与至少两个道路的初步关联结果是有关联时，根据所述初步关联结果选择所述待测交通灯的最终关联结果对应的道路，否则以所述初步关联结果作为待测交通灯的最终关联结果；
所述步骤1中输入的所述关联属性包括：进入道路的路口点处道路进入路口方向和交通灯方向的夹角angle和进入道路的路口点到交通灯的距离distance；输出has_relation用不同数值分别表示交通灯和道路有关联和没有关联；所述训练集TrainingData为表示所述夹角angle、距离distance和输出has_relation的对应值的表；
步骤201，根据贝叶斯公式和独立性原理，分别计算在所述待测交通灯的给定的关联属性下待测交通灯与道路有关联和无关联的条件概率；
步骤202，判断待测交通灯与任一道路的有关联的条件概率大于无关联的条件概率时，判定待测交通灯与该道路的初步关联结果为有关联，否则判定为无关联；
步骤201中计算有关联和无关联的条件概率的过程包括：分别计算待测交通灯与道路有关联和无关联的先验概率，分别计算给定待测交通灯与道路有关联和无关联时所述关联属性中两个单独属性夹角angle和距离distance的概率；
有关联和无关联的条件概率与待测交通灯与道路有关联和无关联的先验概率、夹角angle的概率和距离distance的概率的乘积成正比例关系。
2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：步骤101，获取各个典型路口的进入路口的道路形状和交通灯位置；
步骤102，获取每个路口中交通灯和道路的关联关系，标注每个交通灯关联的道路；
步骤103，根据交通灯和道路的关联关系计算所述夹角angle和距离distance，再根据每个交通灯关联的道路生成所述对应值的表。
3.根据权利要求1所述的方法，其特征在于，所述先验概率P(yi)的计算公式为：其中，i＝{0，1}，y0表示y＝0的情况，y1表示y＝1的情况，y的值表示待测交通灯与道路是否有关联，y＝0表示没有关联，y＝1表示有关联；P(yi)表示y＝0或1的先验概率，counter(yi)表示y＝0或1在训练集中的个数，counter(y)表示整个训练集的样本个数。
4.根据权利要求1所述的方法，其特征在于，给定待测交通灯与道路有关联和无关联时所述关联属性中的单独属性夹角angle的概率的似然值为：给定待测交通灯与道路有关联和无关联时所述关联属性中的单独属性距离distance的概率的似然值为：
其中，P(xangle|yi)和P(xdistance|yi)分别表示给定y＝0或1时xangle和xdistance的概率，σi表示给定y＝0或1时xangle或xdistance的方差，μi表示给定y＝0或1时xangle或xdistance的均值，π、e为常数。
5.根据权利要求1所述的方法，其特征在于，所述步骤201中条件概率的计算过程为：P(yi|x)∝log(P(yi)P(xangle|yi)P(xdistance|yi))；
其中，P(yi|x)表示给定的所述关联属性x下y＝0或1的条件概率；
所述步骤202中的初步关联结果的计算过程为：Yresult表示初步分类结果，argmax函数表示获取条件概率值最大时的结果。
6.根据权利要求1所述的方法，其特征在于，所述步骤3中，选择所述待测交通灯的最终关联结果对应的道路时，选择在所述待测交通灯的给定的关联属性下待测交通灯与道路有关联和无关联的条件概率的差值最大时对应的道路。
7.根据权利要求6所述的方法，其特征在于，所述步骤3中所述最终关联结果的计算公式为：
Yfinal_result表示最终关联结果，m表示初步关联结果中和待测交通灯关联的道路个数，k(k) (k) (k)
表示其中任意一个关联关系，x 表示关联关系为k时的关联属性，P(y1|x )‑P(y0|x )表(k)
示给定关联属性x 下待测交通灯与道路有关联和无关联的条件概率的差值，argmax函数表示获取差值最大时的关系。
一种基于贝叶斯分类的交通灯和道路关联方法
技术领域
[0001] 本发明涉及高精度地图生产领域，尤其涉及一种基于贝叶斯分类的交通灯和道路关联方法。
背景技术
[0002] 现实中，交通灯控制道路上的车辆的行驶状态，即交通灯和该交通灯影响的道路存在关联关系。为了生成高精度地图中交通灯和道路的关联关系，一般有两种方式：一种方
法是根据进入路口的道路的前进方向，找到前方范围内可能相关的交通灯；另一种方法是
用交通灯和路口内道路就近关联，然后把路口内道路关联到和该路口内道路接续的路口外
道路，这样建立起路口外道路和路口内交通灯的关联关系。
[0003] 但是由于路口环境常常十分复杂，人为找到的规律不能够涵盖所有情况，一个场景的经验阈值，难以在其它场景复用，致使关联结果和实际情况差别较大。
发明内容
[0004] 本发明针对现有技术中存在的技术问题，提供一种基于贝叶斯分类的交通灯和道路关联方法，解决现有技术中问题。
[0005] 本发明解决上述技术问题的技术方案如下：一种基于贝叶斯分类的交通灯和道路关联方法，包括：
[0006] 步骤1，训练得到交通灯和道路关联的训练集，所述训练集的输入为交通灯与道路的关联属性，输出为交通灯和道路是否有关联；
[0007] 步骤2，将待测交通灯和各个道路的关联属性输入所述训练集，根据高斯朴素贝叶斯分类方法得到待测交通灯与各个道路的初步关联结果；
[0008] 步骤3，待测交通灯与至少两个道路的初步关联结果是有关联时，根据所述初步关联结果选择所述待测交通灯的最终关联结果对应的道路，否则以所述初步关联结果作为待
测交通灯的最终关联结果。
[0009] 本发明的有益效果是：本发明提供的一种基于贝叶斯分类的交通灯和道路关联方法，针对道路和交通灯关联难以找到普遍规律的问题，用已有的典型路口的可靠真值数据
作为训练集，用贝叶斯分类的方法，得到进入路口的所有道路和路口内所有交通灯的关联
性的概率，以交通灯和关联性概率最大的道路建立关联关系，这样既规避了人为寻找规律
困难的难点，也能取得较好的效果；直接从数据中获取规律，无需盲人摸象似的人工观察各
个场景的数据，避开复杂的阈值设置，有效地简化了方法，提升了方案可靠性，方案实用性
较好。
[0010] 在上述技术方案的基础上，本发明还可以做如下改进。
[0011] 进一步，所述步骤1中输入的所述关联属性包括：进入道路的路口点处道路进入路口方向和交通灯方向的夹角angle和进入道路的路口点到交通灯的距离distance；输出
has_relation用不同数值分别表示交通灯和道路有关联和没有关联；所述训练集
TrainingData为表示所述夹角angle、距离distance和输出has_relation的对应值的表。
[0012] 进一步，所述步骤1包括：
[0013] 步骤101，获取各个典型路口的进入路口的道路形状和交通灯位置；
[0014] 步骤102，获取每个路口中交通灯和道路的关联关系，标注每个交通灯关联的道路；
[0015] 步骤103，根据交通灯和道路的关联关系计算所述夹角angle和距离distance，再根据每个交通灯关联的道路生成所述对应值的表。
[0016] 进一步，所述步骤2中包括：
[0017] 步骤201，根据贝叶斯公式和独立性原理，分别计算在所述待测交通灯的给定的关联属性下待测交通灯与道路有关联和无关联的条件概率；
[0018] 步骤202，判断待测交通灯与任一道路的有关联的条件概率大于无关联的条件概率时，判定待测交通灯与该道路的初步关联结果为有关联，否则判定为无关联。
[0019] 进一步，步骤201中计算有关联和无关联的条件概率的过程包括：
[0020] 分别计算待测交通灯与道路有关联和无关联的先验概率，分别计算给定待测交通灯与道路有关联和无关联时所述关联属性中两个单独属性夹角angle和距离distance的概
率；
[0021] 有关联和无关联的条件概率与待测交通灯与道路有关联和无关联的先验概率、夹角angle的概率和距离distance的概率的乘积成正比例关系。
[0022] 进一步，所述先验概率P(yi)的计算公式为：
[0023] 其中，i＝{0，1}，y0表示y＝0的情况，y1表示y＝1的情况,y的值表示待测交通灯与道路是否有关联，y＝0表示没有关联，y＝1表示有关联；P(yi)表示y＝0或1的先验概率，
counter(yi)表示y＝0或1在训练集中的个数，counter(y)表示整个训练集的样本个数。
[0024] 进一步，给定待测交通灯与道路有关联和无关联时所述关联属性中的单独属性夹角angle的概率的似然值为：
[0025]
[0026] 给定待测交通灯与道路有关联和无关联时所述关联属性中的单独属性距离distance的概率的似然值为：
[0027]
[0028] 其中，P(xangle|yi)和P(xdistance|yi)分别表示给定y＝0或1时xangle和xdistance的概率，σi表示给定y＝0或1时xangle或xdistance的方差，μi表示给定y＝0或1时xangle或xdistance的均
值，π、e为常数。
[0029] 进一步，所述步骤201中条件概率的计算过程为：P(yi|x)∝log(P(yi)P(xangle|yi)P(xdistance|yi))；
[0030] 其中，P(yi|x)表示给定的所述关联属性x下y＝0或1的条件概率；
[0031] 所述步骤202中的初步关联结果的计算过程为：
[0032]
[0033] Yresult表示初步分类结果，argmax函数表示获取条件概率值最大时的结果。
[0034] 进一步，所述步骤3中，选择所述待测交通灯的最终关联结果对应的道路时，选择在所述待测交通灯的给定的关联属性下待测交通灯与道路有关联和无关联的条件概率的
差值最大时对应的道路。
[0035] 进一步，所述步骤3中所述最终关联结果的计算公式为：
[0036]
[0037] Yfinal_result表示最终关联结果，m表示初步关联结果中和待测交通灯关联的道路个(k) (k)
数，k表示其中任意一个关联关系，x 表示关联关系为k时的关联属性，P(y1|x )‑P(y0|x
(k) (k)
)表示给定关联属性x 下待测交通灯与道路有关联和无关联的条件概率的差值，argmax
函数表示获取差值最大时的关系。
[0038] 采用上述进一步方案的有益效果是：训练集不需要大量的样本，只需要收集多种典型路口的情况，就能达到较好的分类效果，实测100条训练集，准确率在90％以上，准确率
等于正确的交通灯关系数量/全部的交通灯关系数量；根据贝叶斯公式和独立性原理，根据
先验概率和两个单独属性的概率分别计算在待测交通灯的给定的关联属性下待测交通灯
与道路有关联和无关联的条件概率，根据该有关联的条件概率和无关联的条件概率的大小
判断是否有关联。
附图说明
[0039] 图1为本发明实施例提供的一种基于贝叶斯分类的交通灯和道路关联方法的流程图；
[0040] 图2为本发明实施例提供的一种交通灯与道路的关联属性的示意图；
[0041] 图3所示为本发明实施例提供的一种训练得到交通灯和道路关联的训练集的方法的流程图；
[0042] 图4所示为本发明实施例提供的一种交通灯和道路的关联关系的标注示意图；
[0043] 图5所示为本发明实施例提供的基于训练集对单个交通灯和道路的关联流程示意图。
具体实施方式
[0044] 以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
[0045] 如图1所示为本发明实施例提供的一种基于贝叶斯分类的交通灯和道路关联方法的流程图，由图1可知，该方法包括：
[0046] 步骤1，训练得到交通灯和道路关联的训练集，训练集的输入为交通灯与道路的关联属性，输出为交通灯和道路是否有关联。
[0047] 步骤2，将待测交通灯和各个道路的关联属性输入训练集，根据高斯朴素贝叶斯分类方法得到待测交通灯与各个道路的初步关联结果。
[0048] 步骤3，待测交通灯与至少两个道路的初步关联结果是有关联时，根据初步关联结果选择待测交通灯的最终关联结果对应的道路，否则以初步关联结果作为待测交通灯的最
终关联结果。
[0049] 本发明提供的一种基于贝叶斯分类的交通灯和道路关联方法，针对道路和交通灯关联难以找到普遍规律的问题，用已有的典型路口的可靠真值数据作为训练集，用贝叶斯
分类的方法，得到进入路口的所有道路和路口内所有交通灯的关联性的概率，以交通灯和
关联性概率最大的道路建立关联关系，这样既规避了人为寻找规律困难的难点，也能取得
较好的效果；直接从数据中获取规律，无需盲人摸象似的人工观察各个场景的数据，避开复
杂的阈值设置，有效地简化了方法，提升了方案可靠性，方案实用性较好。
[0050] 实施例1
[0051] 本发明提供的实施例1为本发明提供的一种基于贝叶斯分类的交通灯和道路关联方法的实施例中，该实施例包括：
[0052] 步骤1，训练得到交通灯和道路关联的训练集，训练集的输入为交通灯与道路的关联属性，输出为交通灯和道路是否有关联。
[0053] 如图2所示为本发明实施例提供的一种交通灯与道路的关联属性的示意图，由图2可知，步骤1中输入的关联属性包括：进入道路road的路口点处道路进入路口方向和交通灯
方向的夹角angle和进入道路的路口点到交通灯trafficlight的距离distance；输出has_
relation用不同数值分别表示交通灯和道路有关联和没有关联；具体的，可以用1表示关
联，用0表示没有关联。训练集TrainingData为表示夹角angle、距离distance和输出has_
relation的对应值的表。
[0054] 具体的，如图3所示为本发明实施例提供的一种训练得到交通灯和道路关联的训练集的方法的流程图，由图3可知，步骤1包括：
[0055] 步骤101，获取各个典型路口的进入路口的道路形状和交通灯位置。
[0056] 步骤102，获取每个路口中交通灯和道路的关联关系，标注每个交通灯关联的道路。
[0057] 交通灯和道路的关联关系和每个交通灯关联的道路可以通过人工标注的方式，也可以通过其它数据源获取。如图4所示为本发明实施例提供的一种交通灯和道路的关联关
系的标注示意图。图4给出的实施例中，外框虚线为路口范围，R1、R2和R3表示进入路口的道
路，T1.1、T1.2、T1.3和T1.4是与R1关联的交通灯，T2.1、T2.2、T2.3和T2.4是与R2关联的交
通灯，T3.1、T3.2是与R3关联的交通灯。
[0058] 步骤103，根据交通灯和道路的关联关系计算夹角angle和距离distance，再根据每个交通灯关联的道路生成对应值的表。
[0059] 根据关联关系，计算关联属性：输入X为2个属性，X＝(angle,distance)输出Y为1个属性，Y＝(has_relation)标志有关联还是无关联，把结果收集成一张表，生成训练集
TrainingData，如下表1为本发明提供的训练集的表结构示例。
[0060] 表1训练集的表结构示例
[0061] angle distance has_relation10.15 23.85 1
65.33 15.79 0
79.55 11.17 0
[0062] 步骤2，将待测交通灯和各个道路的关联属性输入训练集，根据高斯朴素贝叶斯分类方法得到待测交通灯与各个道路的初步关联结果。
[0063] 如图5所示为本发明实施例提供的基于训练集对单个交通灯和道路的关联流程示意图，由图5可知，对于各个待测交通灯，按路口分组交通灯数据和进入路口的道路数据，计
算交通灯和进入路口的关联属性X＝(angle,distance)，输入训练集后得到初步关联结果
的步骤中，步骤2包括：
[0064] 步骤201，根据贝叶斯公式和独立性原理，分别计算在待测交通灯的给定的关联属性下待测交通灯与道路有关联和无关联的条件概率。
[0065] 步骤202，判断待测交通灯与任一道路的有关联的条件概率大于无关联的条件概率时，判定待测交通灯与该道路的初步关联结果为有关联，否则判定为无关联。
[0066] 步骤201中计算有关联和无关联的条件概率的过程包括：
[0067] 分别计算待测交通灯与道路有关联和无关联的先验概率，分别计算给定待测交通灯与道路有关联和无关联时关联属性中两个单独属性夹角angle和距离distance的概率。
[0068] 有关联和无关联的条件概率与待测交通灯与道路有关联和无关联的先验概率、夹角angle的概率和距离distance的概率的乘积成正比例关系。
[0069] 具体的，先验概率P(yi)的计算公式为：
[0070] 其中，i＝{0，1}，y0表示y＝0的情况，y1表示y＝1的情况,y的值表示待测交通灯与道路是否有关联，y＝0表示没有关联，y＝1表示有关联。P(yi)表示y＝0或1的先验概率，
counter(yi)表示y＝0或1在训练集中的个数，counter(y)表示整个训练集的样本个数。
[0071] 由于夹角angle和距离distance都是连续变量，假设其符合高斯分布，用高斯分布的密度函数代替似然值。具体的，给定待测交通灯与道路有关联和无关联时关联属性中的
单独属性夹角angle的概率的似然值为：
[0072]
[0073] 给定待测交通灯与道路有关联和无关联时关联属性中的单独属性距离distance的概率的似然值为：
[0074]
[0075] 其中，P(xangle|yi)和P(xdistance|yi)分别表示给定y＝0或1时xangle和xdistance的概率，σi表示给定y＝0或1时xangle或xdistance的方差，μi表示给定y＝0或1时xangle或xdistance的均
值，π、e为常数。
[0076] 具体的，步骤201中条件概率的计算过程为：P(yi|x)∝log(P(yi)P(xangle|yi)P(xdistance|yi))；log表示取自然对数，是为了避免概率过小造成计算困难。
[0077] 其中，P(yi|x)表示给定的关联属性x下y＝0或1的条件概率。
[0078] 步骤202中的初步关联结果的计算过程为：
[0079]
[0080] Yresult表示初步分类结果，argmax函数表示获取条件概率值最大时的结果。
[0081] 即如果P(y1|x)＞P(y0|x)则Yresult＝1，初步分类结果为待测交通灯与道路有关联，反之则没有关系。
[0082] 即通过高斯朴素贝叶斯分类方法得到关联的初步关联结果Y＝Gaussian_Naive_Bayes(X，TraningData)，该结果初步表示交通灯和道路是否有关联的一个初步结果。
[0083] 步骤3，待测交通灯与至少两个道路的初步关联结果是有关联时，根据初步关联结果选择待测交通灯的最终关联结果对应的道路，否则以初步关联结果作为待测交通灯的最
终关联结果。
[0084] 优选的，步骤3中，选择待测交通灯的最终关联结果对应的道路时，选择在待测交通灯的给定的关联属性下待测交通灯与道路有关联和无关联的条件概率的差值最大时对
应的道路。条件概率结果在步骤2中保存，并做归一化处理。
[0085] 具体的，最终关联结果的计算公式为：
[0086]
[0087] Yfinal_result表示最终结果，m表示初步关联结果中和待测交通灯关联的道路个数，kx(k) (k) (k)
表示其中任意一个关联关系， 表示关联关系为k时的关联属性，P(y1|x )‑P(y0|x )表
(k)
示给定关联属性x 下待测交通灯与道路有关联和无关联的条件概率的差值，可以粗略描
述分类的可靠性，argmax函数表示获取差值最大时的关系。
[0088] 本发明提供的一种基于贝叶斯分类的交通灯和道路关联方法实施例中，训练集不需要大量的样本，只需要收集多种典型路口的情况，就能达到较好的分类效果，实测100条
训练集，准确率在90％以上。准确率＝正确的交通灯关系数量/全部的交通灯关系数量。
[0089] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
