眾源GPS浮動(dòng)車數(shù)據(jù)中城市道路中心線分級提取的柵格化方法

王振華，胡翔云，單 杰，3

(1.武漢大學(xué)遙感信息工程學(xué)院，湖北武漢430079;2.北京洛斯達(dá)科技發(fā)展有限公司，北京100011;3.Civil Engineering，Purdue University，West Lafayette USA 47907)

一、引 言

數(shù)字道路信息的快速測定已經(jīng)成為我國基礎(chǔ)地理信息更新的一項(xiàng)重要任務(wù)［1］。但目前獲取數(shù)字城市道路網(wǎng)的技術(shù)，如車載移動(dòng)測量和基于航攝、遙感的外業(yè)測圖等都存在成本高、更新周期較長的缺點(diǎn)。眾源地理數(shù)據(jù)(crowdsourcing geospatial or geographic data)是指由大眾采集并向大眾提供的開放地理數(shù)據(jù)［2］，GPS浮動(dòng)車數(shù)據(jù)是其中一種。相對而言，從眾源GPS浮動(dòng)車數(shù)據(jù)中提取道路成本低、現(xiàn)勢性好。

眾源GPS浮動(dòng)車數(shù)據(jù)的道路提取可以分為基于矢量化和基于柵格化兩大類。現(xiàn)有的研究大部分是基于采樣間隔短(一般為1 s)的數(shù)據(jù)［3-9］，目前國內(nèi)主要眾源GPS浮動(dòng)車數(shù)據(jù)來源一般是商用車輛，如出租車、公交車等，為了控制成本，采樣時(shí)間間隔較長(一般為30～60 s)，GPS軌跡會(huì)與實(shí)際道路不符，且眾源GPS數(shù)據(jù)量大，基于每個(gè)矢量點(diǎn)提取計(jì)算量會(huì)很高;現(xiàn)有的基于柵格的方法只提取出了GPS數(shù)據(jù)密度高的道路［7］，而眾源GPS數(shù)據(jù)的分布往往很不均勻。因此，本文提出一種基于柵格化的“分級”提取道路中心線的方法，采用不同的策略分別提取GPS數(shù)據(jù)密度高和密度低的道路，而后將二者整合于一起并矢量化，從而得到更完整的道路網(wǎng)矢量地圖。

二、柵格化

柵格化是找到矢量的GPS點(diǎn)與所要生成的柵格點(diǎn)的對應(yīng)關(guān)系，目的是將臨近的GPS點(diǎn)作為一個(gè)處理單元進(jìn)行處理，可大大減少因眾源GPS浮動(dòng)車數(shù)據(jù)數(shù)據(jù)量大造成的過長處理時(shí)間。對應(yīng)關(guān)系見式(1)。如果有一個(gè)及以上的GPS點(diǎn)落入到某個(gè)像素中，那么該像素值為0，否則為255，即可得到一副灰度影像。

式中，(x，y)為影像像素坐標(biāo);flon、flat分別是 GPS 點(diǎn)的經(jīng)緯度;llon、rlon、blat、ulat分別為試驗(yàn)區(qū)域的最小經(jīng)度值、最大經(jīng)度值、最小緯度值、最大緯度值;w、h為試驗(yàn)區(qū)域的實(shí)際寬高;R為生成影像的分辨率。

分辨率高則會(huì)使GPS稀疏的地方柵格點(diǎn)距離太遠(yuǎn)，不利于低等級道路的提取且增加計(jì)算量，過低則GPS點(diǎn)密集的地方如轉(zhuǎn)盤交叉處在影像上會(huì)模糊到一起，無法準(zhǔn)確提取高等級道路，因此，分辨率設(shè)置應(yīng)在高等級道路柵格點(diǎn)不模糊到一起的前提下，盡可能降低分辨率，縮小低等級道路點(diǎn)的距離。本文中所設(shè)定的分辨率是經(jīng)試驗(yàn)得到，為2 m。圖1是武漢市的試驗(yàn)區(qū)域經(jīng)過柵格化后生成的影像。

圖1 武漢地區(qū)浮動(dòng)車GPS點(diǎn)灰度影像

三、“分級”提取道路中心線

從生成灰度影像可以直觀看出，GPS點(diǎn)的分布很不均勻。因此首先根據(jù)密度將柵格點(diǎn)分為“高等級”和“低等級”，然后利用不同的方法分別進(jìn)行處理得到道路中心線。

1.“高等級”道路中心線提取

形態(tài)學(xué)開運(yùn)算的作用是平滑目標(biāo)邊緣，去掉毛刺和孤立點(diǎn)。因此首先用開運(yùn)算將密度較低的道路柵格點(diǎn)去掉，剩余的就是高等級道路的柵格點(diǎn)，這樣就實(shí)現(xiàn)了“分級”;之后利用基于距離變化的骨架提取方法［10］并去毛刺得到“高等級”道路的道路中心線。

2.“低等級”道路中心線提取

獲得高等級道路中心線之后，基于其作緩沖區(qū)，將緩沖區(qū)與原灰度影像作減運(yùn)算，得到“低等級”道路柵格點(diǎn)?！暗偷燃墶钡缆窎鸥顸c(diǎn)密度較低，有些甚至與噪聲類似，因此首先要去除噪聲。本文綜合利用GPS點(diǎn)的密度和方向信息將噪聲點(diǎn)去除。如果一個(gè)柵格點(diǎn)內(nèi)及其附近的GPS點(diǎn)是在道路上，那么它們的GPS方位角應(yīng)該比較近似或是因?yàn)榉聪蜿P(guān)系相差180°。判斷一個(gè)柵格點(diǎn)是否為噪聲按照式(2)進(jìn)行。閉運(yùn)算具有填充空洞、連接臨近物體的作用，因此去掉噪聲之后利用閉運(yùn)算使低等級道路點(diǎn)連續(xù)，然后提取低等級道路的中心線并去毛刺。

式中，Pi為目標(biāo)柵格點(diǎn);Pnoise為噪聲點(diǎn);σi為落入第i個(gè)柵格點(diǎn)及其8鄰域內(nèi)的GPS點(diǎn)的方位角標(biāo)準(zhǔn)差;Tσ為標(biāo)準(zhǔn)差閾值，試驗(yàn)設(shè)為15°;AMTi為落入第i個(gè)柵格點(diǎn)及其8鄰域內(nèi)GPS點(diǎn)的個(gè)數(shù);Tn為個(gè)數(shù)的閾值，試驗(yàn)設(shè)為6。閾值設(shè)置目前采用試驗(yàn)方法獲得，原則是既能有效去除噪聲，又能盡量保留道路柵格點(diǎn)。

四、道路中心線連接

本文方法的連接思路為，根據(jù)臨近性原則從提取的低等級道路端點(diǎn)出發(fā)，在其行進(jìn)方向構(gòu)建一個(gè)連接矩形窗口，在窗口內(nèi)尋找最適合的道路點(diǎn)并連接。

首先將提取的高、低等級道路中心線疊合并疊加到原影像上，然后從每條低等級道路端點(diǎn)出發(fā)，根據(jù)其道路走向確定連接矩形窗口位置。圖2是連接矩形的部分示意圖，其中深色線條是原柵格點(diǎn)，箭頭所指為提取出的道路中心線點(diǎn)，矩形為連接窗口。矩形窗口大小經(jīng)試驗(yàn)定為50像素×50像素。然后找到在連接窗口內(nèi)最適合低等級道路端點(diǎn)連接的道路中心線點(diǎn)。要解決兩個(gè)問題:①如何從矩形窗口內(nèi)備選連接點(diǎn)中找出最佳連接點(diǎn);②確定其是否應(yīng)該連接。最佳連接點(diǎn)的確定是基于:端點(diǎn)與連接點(diǎn)連接得到的線段經(jīng)過的GPS點(diǎn)數(shù)越多，即經(jīng)過的灰度影像上的柵格點(diǎn)數(shù)越多，其越有可能是最佳連接點(diǎn)。本文以比值作為確定每條備選路徑成為最佳連接路徑的可能性的度量。其中，Ni為備選點(diǎn)與端點(diǎn)的連線寬度為5個(gè)像素的緩沖區(qū)內(nèi)的原灰度影像上的柵格點(diǎn)個(gè)數(shù);Nbi為緩沖區(qū)大小，即其像素個(gè)數(shù)。選擇比值最大的連接路徑作為最佳連接路徑，最佳連接路徑的連接點(diǎn)即為最佳連接點(diǎn)，同時(shí)其值應(yīng)大于0.5，否則視為“斷頭路”，不進(jìn)行連接。最后利用道格拉斯-普克法［11］簡化并進(jìn)行矢量化得到最終的完整矢量道路網(wǎng)。

圖2 連接矩形窗口

五、試驗(yàn)與分析

1.試驗(yàn)數(shù)據(jù)

本文采用的試驗(yàn)數(shù)據(jù)是湖北省武漢市2009年6月中旬連續(xù)6天的出租車GPS數(shù)據(jù)，試驗(yàn)區(qū)域包含27 811 907個(gè)GPS點(diǎn)，面積為675 km2。

2.試驗(yàn)結(jié)果及準(zhǔn)確度分析

圖3為試驗(yàn)區(qū)所提取的道路中心線，總長度為110 356 km，所用總時(shí)間32 min，所用計(jì)算機(jī)配置為Intel Core i5雙核處理器，3.20 GHz主頻。緩沖區(qū)分析是指自動(dòng)建立點(diǎn)、線、面等實(shí)體周圍一定寬度范圍內(nèi)的緩沖區(qū)多邊形圖層，將該圖層與目標(biāo)圖層疊加并進(jìn)行分析得到所需結(jié)果。本文采用2009年武漢市道路導(dǎo)航數(shù)據(jù)作為基準(zhǔn)數(shù)據(jù)，用緩沖區(qū)分析的方法分析結(jié)果準(zhǔn)確度。表1列出了不同緩沖區(qū)寬度得到的結(jié)果正確率。

圖3 提取的武漢市部分區(qū)域道路網(wǎng)

表1 所提取道路正確度

3.小區(qū)域試驗(yàn)

為了使目視效果更明顯，同時(shí)選取了武漢市3個(gè)5 km×5 km的小區(qū)域作試驗(yàn)，并將結(jié)果疊加到高分辨率遙感影像中，以目視判讀結(jié)果的準(zhǔn)確度及完整度。試驗(yàn)結(jié)果如圖4所示。

圖4 小區(qū)域試驗(yàn)結(jié)果

4.試驗(yàn)分析

1)完整度。本文提出的“分級”處理思想，對于一些GPS密度較低的地方也適用，在連接性方面本方法能夠?qū)⑺崛〕鰜淼乃械缆肪€段連在一起，保證了道路的連接完整性，因此本方法所提取的道路完整度較高。

2)時(shí)間效率。數(shù)據(jù)量大是眾源GPS數(shù)據(jù)的特點(diǎn)之一，本文將矢量GPS點(diǎn)進(jìn)行柵格化處理，本質(zhì)上是將距離較近的GPS點(diǎn)聚類作為一個(gè)處理單元進(jìn)行處理，而非基于每個(gè)GPS點(diǎn)，這樣就能大大減少處理時(shí)間。

3)準(zhǔn)確度。由試驗(yàn)結(jié)果的定量分析來看，本文方法所提取的道路中心線具有較高的準(zhǔn)確度。

六、結(jié)束語

傳統(tǒng)數(shù)字道路采集方法一般都具有成本高、更新周期相對較長的缺點(diǎn)，而眾源GPS浮動(dòng)車數(shù)據(jù)具有成本低、現(xiàn)勢性好的優(yōu)點(diǎn)，因此從其中提取道路網(wǎng)具有明顯優(yōu)勢，但目前國內(nèi)眾源GPS數(shù)據(jù)一般都為商用數(shù)據(jù)，具有數(shù)據(jù)量大、采樣頻率低、分布不均勻的特點(diǎn)?；诖?，本文提出了一種基于柵格化的“分級”處理眾源GPS浮動(dòng)車數(shù)據(jù)的方法以提取道路中心線，利用武漢市的出租車GPS數(shù)據(jù)進(jìn)行試驗(yàn)，由結(jié)果可以看出本文提出的方法所提取的道路網(wǎng)完整度、準(zhǔn)確率及算法效率都比較高。后繼的研究要針對存在的相鄰道路未分離、復(fù)雜交叉路口提取錯(cuò)誤及方法參數(shù)過多且只能經(jīng)試驗(yàn)得到等問題進(jìn)行改進(jìn)。

致謝:本文的GPS浮動(dòng)車數(shù)據(jù)由武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室3S集成與多媒體研究中心提供，導(dǎo)航路網(wǎng)數(shù)據(jù)由北京吉威時(shí)代軟件技術(shù)有限公司提供，高分影像數(shù)據(jù)為谷歌影像，在此一并致謝。

［1］馬力.基于整體優(yōu)先性的遙感影像道路信息提取研究［D］.武漢:武漢大學(xué)，2011.

［2］GILES J.Wikipedia Rival Calls in the Experts［J］.Nature，2006，443(5):493.

［3］LI J，QIN Q，XIE Chao，et al.Integrated Use of Spatial and Semantic Relationships for Extracting Road Networks from Floating Car Data［J］.International Journal of Applied Earth Observation and Geoinformation，2012(19):238-247.

［4］ZHANG L，THIEMANN F，SESTER M.Integration of GPS Traces with Road Map［C］∥Proceedings of the Workshop on Computational Transportation Science in Conjunction with ACM SIGSPATIAL.San Jose:［s.n.］，2010.

［5］CAO L L，KRUMM J.From GPS Traces to a Routable Road Map［C］∥Proceeding of the 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems.New York:ACM，2009:3-12.

［6］EKPENYONG F，PALMER-BROWN D，BRIMICOMBE A.Extracting Road Information from Recorded GPS Data Using Snap-drift Neural Network［J］.Neurocomputing，2009(73):24-36.

［7］DAVIES J，BERESFORD A，HOPPER A.Scalable，Distributed，Real-time Map Generation［J］.IEEE Transactions on Pervasive Computing，2006，5(4):47-54.

［8］李宇光，李清泉.基于矢量道路柵格化的海量浮動(dòng)車數(shù)據(jù)快速處理［J］.公路交通科技，2010，27(3):136-141.

［9］ZHAO Y，LIU J，CHEN RQ，et al.A New Method of Road Network Updating Based on Floating Car Data［C］∥2011 IEEE International Geoscience and Remote Sensing Symposium.［S.l.］:IEEE，2011:1878-1881.

［10］GUNILLA B.Distance Transformations in Digital Images［J］.Computer Vision，Graphics，and Image Processing，1986(34):344-371.

［11］DOUGLAS D H，PEUCKER T K.Algorithms for the Reduction of the Number of Points Required to Represent a Digitized Line or Its Caricature［J］.The Canadian Cartographer，1973，10(2):112-122.