基于GPS數(shù)據(jù)的露天礦道路網(wǎng)自動(dòng)提取

孫效玉，田鳳亮，張 航，李 震

(東北大學(xué) 資源與土木工程學(xué)院，遼寧 沈陽 110819)

基于GPS數(shù)據(jù)的露天礦道路網(wǎng)自動(dòng)提取

孫效玉，田鳳亮，張 航，李 震

(東北大學(xué) 資源與土木工程學(xué)院，遼寧 沈陽 110819)

傳統(tǒng)柵格法提取路網(wǎng)精度較低，尤其在提取露天礦道路網(wǎng)時(shí)，路段缺失與偏移現(xiàn)象更加明顯。針對(duì)這一問題，摒棄了傳統(tǒng)柵格法通過增大柵格來保證道路網(wǎng)連通性的處理方式，以GPS數(shù)據(jù)存在偏移這一事實(shí)為根據(jù)，假設(shè)GPS數(shù)據(jù)偏移服從正態(tài)分布，提出了通過求取GPS軌跡點(diǎn)在道路上的概率進(jìn)行柵格初始化的方法，建立了相應(yīng)模型;采用二維中值濾波方法對(duì)初始柵格數(shù)據(jù)進(jìn)行修正;對(duì)查表細(xì)化算法進(jìn)行改進(jìn)，采用改進(jìn)的細(xì)化算法對(duì)道路網(wǎng)柵格圖像進(jìn)行細(xì)化處理，得到道路網(wǎng)骨架信息;采用追蹤法實(shí)現(xiàn)道路矢量化。實(shí)驗(yàn)表明，該方法較傳統(tǒng)柵格方法的覆蓋率提高6.43%～11.54%，錯(cuò)誤率降低42.13%～83.02%，為道路網(wǎng)提取工作提供了一種有效辦法，揭示了柵格大小對(duì)于路網(wǎng)提取結(jié)果的重要影響。

露天礦;道路網(wǎng);GPS;圖形細(xì)化

對(duì)露天礦采運(yùn)系統(tǒng)進(jìn)行優(yōu)化調(diào)度被視為提高設(shè)備效率、降低生產(chǎn)成本的重要手段[1]。盡管眾多學(xué)者在調(diào)度原則、理論、方法等方面做了大量工作，但優(yōu)化調(diào)度效果并不理想。其癥結(jié)主要在于:所有的調(diào)度方法都基于道路網(wǎng)固定不變這一前提，而露天礦道路網(wǎng)在開采過程中變化十分頻繁。因此，礦山道路網(wǎng)的及時(shí)更新成為了優(yōu)化調(diào)度的重要前提和基礎(chǔ)。

同時(shí)，道路網(wǎng)絡(luò)智能提取、更新和發(fā)布也是智能交通與交通地理信息系統(tǒng)研究的熱點(diǎn)問題。傳統(tǒng)獲取路網(wǎng)的方法主要有以下兩類:一類是傳統(tǒng)測(cè)繪方法，該方法歷史悠久，精度高，但周期長，成本高;另一類是基于遙感圖像的自動(dòng)生成方法[2-3]，該方法成本高，精度受圖像質(zhì)量影響較大，同時(shí)獲取的圖像并不能及時(shí)反映當(dāng)前路網(wǎng)情況。

隨著GPS技術(shù)在生產(chǎn)生活中的廣泛應(yīng)用，越來越多的學(xué)者開始思考如何利用GPS數(shù)據(jù)來獲取路網(wǎng)信息[4]。主要有以下4類方法:第1類主要采用軌跡聚類的方法，如文獻(xiàn)[5]通過對(duì)GPS散點(diǎn)數(shù)據(jù)進(jìn)行聚類的方式稀疏樣本點(diǎn)，并對(duì)聚類結(jié)果進(jìn)行聚類點(diǎn)分割與中心線擬合兩步處理獲得路網(wǎng);文獻(xiàn)[7]改進(jìn)了WILLIAM等的道路交叉口判斷方法[6-7]，在文獻(xiàn)[6]的基礎(chǔ)之上獲得了路網(wǎng)的拓?fù)潢P(guān)系;文獻(xiàn)[8]針對(duì)道路網(wǎng)更新不及時(shí)的問題，提出了一種基于軌跡聚類從GPS軌跡中提取道路網(wǎng)的方法。該類方法降低了直接處理大量軌跡數(shù)據(jù)帶來的難度，生成的路網(wǎng)具有較高精度，但路口交叉點(diǎn)的提取依賴于聚類半徑的選擇。第2類方法主要采用增量化的方式獲得路網(wǎng)，如文獻(xiàn)[9]利用軌跡線與原路網(wǎng)圖形增量的方式獲得路網(wǎng);文獻(xiàn)[10]通過判斷單個(gè)軌跡點(diǎn)與原有路網(wǎng)關(guān)系來生成路網(wǎng);文獻(xiàn)[11]提出了一種利用GPS軌跡實(shí)時(shí)更新現(xiàn)有路網(wǎng)地圖的方法。這類方法需要原有路網(wǎng)數(shù)據(jù)作為參考，生成結(jié)果也受限于原有路網(wǎng)的精度。第3類方法通過Delaunay三角剖分的方式不斷融合新舊軌跡線，得到更加細(xì)致的路網(wǎng)信息，但在提取復(fù)雜多變的支路時(shí)存在困難[12]。第4類方法主要采用柵格化的方法提取道路的中心線，如文獻(xiàn)[13]利用設(shè)置緩沖區(qū)的辦法將車輛行駛軌跡柵格化，再利用圖像細(xì)化算法提取出道路中心線，生成道路網(wǎng)絡(luò)。對(duì)比前3類方法，柵格法在處理大量軌跡信息時(shí)具有更高的效率，適合露天礦道路網(wǎng)提取，但道路網(wǎng)提取結(jié)果依賴于道路柵格圖像的完整程度，為了獲得完整的路網(wǎng)信息，通常采用增大柵格的方法，這對(duì)道路網(wǎng)提取結(jié)果有一定影響。

針對(duì)以上問題，同時(shí)兼顧礦山道路網(wǎng)形態(tài)復(fù)雜、變化頻繁的特點(diǎn)，本文在傳統(tǒng)柵格方法的基礎(chǔ)上提出了一種適用于露天礦復(fù)雜條件下的路網(wǎng)提取方法。并利用撫順西露天礦卡車調(diào)度系統(tǒng)歷史數(shù)據(jù)進(jìn)行驗(yàn)證，結(jié)果表明該方法能夠有效提取路網(wǎng)信息，具有較高精度。

1 生成道路網(wǎng)柵格圖像

生成道路網(wǎng)柵格圖像的目的是利用生產(chǎn)中卡車返回的GPS軌跡點(diǎn)作為樣本點(diǎn)再現(xiàn)道路網(wǎng)的真實(shí)形態(tài)，包括道路形狀、拓?fù)潢P(guān)系等。與城市道路不同的是，露天礦道路隨生產(chǎn)進(jìn)行而不斷延伸、擴(kuò)展，使得露天礦道路網(wǎng)具有空間上形態(tài)復(fù)雜、時(shí)間上變化頻繁的特點(diǎn)。因此，及時(shí)獲取露天礦道路柵格圖像是提取露天礦道路網(wǎng)的基礎(chǔ)。

1.1 柵格初始化

在露天礦生產(chǎn)過程中，卡車不斷地行駛于各個(gè)路段，同時(shí)以一定頻率返回卡車所處的位置，當(dāng)這些位置信息足夠多時(shí)，能夠發(fā)現(xiàn)這些點(diǎn)的分布呈現(xiàn)一定的規(guī)律，如圖1所示。

圖1 卡車GPS數(shù)據(jù)分布Fig.1 Distribution of truck GPS data

圖1中橫縱坐標(biāo)表示礦區(qū)坐標(biāo)，不同顏色的點(diǎn)代表不同卡車。從圖1可以發(fā)現(xiàn)這樣的規(guī)律:①整體上看GPS點(diǎn)密集且集中地分布于道路之上;②同一路段上GPS點(diǎn)的密度基本不變。

因?yàn)镚PS數(shù)據(jù)存在偏差，給定GPS讀數(shù)屬于區(qū)域Xi，其真實(shí)位置為區(qū)域Xj的概率為P(Xj)。為簡(jiǎn)單起見，不妨假設(shè)P(X)服從正態(tài)分布，如圖2所示。

圖2 GPS數(shù)據(jù)概率分布Fig.2 Probability distribution of GPS data

因此，對(duì)于任意一個(gè)區(qū)域X，該點(diǎn)附近存在GPS點(diǎn)X1，X2，X3，…,Xn，各點(diǎn)真實(shí)位置為X區(qū)域的概率分別為p1，p2，p3，…,pn，則區(qū)域X有車經(jīng)過的概率為

P(X)=1-(1-p1)×(1-p2)×(1-p3)×

…×(1-pn)

設(shè)軌跡點(diǎn)p，在軌跡空間上定義矩形區(qū)域G使得?p∈G。將G分為m×n個(gè)子區(qū)域，記為Gi，j，其中1≤i≤m，1≤j≤n。

定義m×n階初始矩陣R，對(duì)于矩陣中任何一個(gè)元素ri，j滿足如下關(guān)系:

ri，j=P(Gi，j)

1.2 道路網(wǎng)圖像修正

顯然初始化后的道路網(wǎng)并不規(guī)整，道路內(nèi)可能存在中空點(diǎn)，道路外可能存在孤立的點(diǎn)。這些噪聲對(duì)道路網(wǎng)提取精度影響很大。

目前已出現(xiàn)很多去除噪聲的算法，如高斯濾波、維納濾波、中值濾波等，不同濾波算法濾除噪聲的原理不同，濾波效果也存在差別[14]。中值濾波作為一種非線性的信號(hào)處理方法，在一定條件下可以克服線性濾波器處理圖像細(xì)節(jié)模糊的問題，而且它對(duì)濾除圖像噪聲非常有效[15]。對(duì)于初始道路中存在的中空點(diǎn)與孤立點(diǎn)，采用中值濾波更為合理。對(duì)于矩陣中元素ri，j二維中值濾波可以表示為

圖3 道路網(wǎng)柵格Fig.3 Road network raster image

2 道路網(wǎng)骨架提取

2.1 柵格圖像細(xì)化

為了方便對(duì)道路網(wǎng)進(jìn)行矢量化處理，圖像細(xì)化應(yīng)滿足以下原則:① 骨架提取不能破壞原有道路網(wǎng)的拓?fù)浣Y(jié)構(gòu);② 骨架提取應(yīng)保證道路網(wǎng)的連通性;③ 提取出的骨架應(yīng)為單像素的細(xì)線;④ 道路網(wǎng)骨架中的交叉點(diǎn)應(yīng)具有明顯特征，以方便提取;⑤ 盡量避免“毛刺”現(xiàn)象的產(chǎn)生。

圖像細(xì)化算法種類繁多，每一種方法都有其優(yōu)點(diǎn)與不足，有著不同的適用條件。在諸多圖像細(xì)化算法中比較常用的有以下幾種:① ZHANG快速并行細(xì)化法，細(xì)化結(jié)果能夠最大限度保持圖像連通性，較好地保持圖像原有形態(tài)，且不會(huì)出現(xiàn)“毛刺”現(xiàn)象，但細(xì)化結(jié)果不能保證是一條單像素的細(xì)線[16];② HILDITCH細(xì)化法能夠保證圖像原有形態(tài)，但細(xì)化結(jié)果存在毛刺與斷點(diǎn)[17];③ OPTA細(xì)化算法能夠保證圖像連通性，但細(xì)化質(zhì)量不高，“毛刺”較多[18];④ 文獻(xiàn)[19]基于OPTA細(xì)化算法原理提出了一種八鄰域查表細(xì)化算法，運(yùn)算速度快，細(xì)化質(zhì)量較高。

本文修正了文獻(xiàn)[19]的細(xì)化算法，針對(duì)道路網(wǎng)細(xì)化問題，提出如下細(xì)化判據(jù):① 保留內(nèi)部點(diǎn);② 保留直線端點(diǎn);③ 若連通分量不增加，可以刪除邊界點(diǎn)。以此為基礎(chǔ)進(jìn)行八鄰域查表細(xì)化，得到圖4所示的細(xì)化結(jié)果。

圖4 道路網(wǎng)細(xì)化結(jié)果Fig.4 Road network skeleton

2.2 道路網(wǎng)矢量化

對(duì)道路網(wǎng)細(xì)化結(jié)果進(jìn)行矢量化，首先應(yīng)獲得道路交叉點(diǎn)、道路端點(diǎn)等特征信息，在此基礎(chǔ)之上進(jìn)行追蹤處理，最終得到道路網(wǎng)的矢量信息。

設(shè)點(diǎn)P為細(xì)化結(jié)果上任意一點(diǎn)，則與P點(diǎn)相鄰的8個(gè)像素點(diǎn)稱為八鄰域，指定黑色為1，白色為0，則依次遍歷八鄰域，得到8個(gè)鄰域之和就是點(diǎn)P的八鄰域值，如圖5所示，P點(diǎn)的八鄰域值為3。通過分析圖像中道路各像素點(diǎn)的特征可以發(fā)現(xiàn)這樣一個(gè)事實(shí):端點(diǎn)的八鄰域值為1，交叉點(diǎn)的八鄰域值大于2，道路上其他像素點(diǎn)的八鄰域值為2。

圖5 八鄰域Fig.5 Eight neighborhood

由于道路上各像素點(diǎn)具有以上特點(diǎn)，因此可根據(jù)這些特點(diǎn)將道路上各像素點(diǎn)進(jìn)行歸類。定義集合T為道路網(wǎng)上特征點(diǎn)集，包括道路交叉口、道路端點(diǎn)。對(duì)于集合T中任意一點(diǎn)T1，以T1為中心查找8鄰域中值為1的點(diǎn)，作為下一點(diǎn)，為避免重復(fù)追蹤需將當(dāng)前點(diǎn)置為0，并將下一點(diǎn)作為當(dāng)前點(diǎn)，重復(fù)以上操作直到當(dāng)前點(diǎn)屬于集合T。如圖6所示。

圖6 二值圖像矢量化Fig.6 Algorithm of vectorization in a binary image

通過追蹤可以得到以T1作為起點(diǎn)的一條路段，該路段包含了端點(diǎn)以及道路上各點(diǎn)的坐標(biāo)信息。對(duì)集合T中各點(diǎn)依次進(jìn)行追蹤處理，就可以獲得矢量化的道路網(wǎng)骨架。矢量化流程如圖7所示。

圖7 矢量化流程Fig.7 Algorithm of vectorization

3 實(shí)驗(yàn)結(jié)果及分析

試驗(yàn)數(shù)據(jù)來源于撫順西露天礦卡車調(diào)度系統(tǒng)2012-01-01～02采集的卡車GPS數(shù)據(jù)，各類卡車GPS數(shù)據(jù)總計(jì)191 654條。實(shí)驗(yàn)在普通PC機(jī)上進(jìn)行，采用Python語言實(shí)現(xiàn)了道路網(wǎng)骨架提取模型。

在進(jìn)行柵格圖像初始化的過程中，為了降低計(jì)算量，首先設(shè)存在GPS軌跡的柵格屬于道路的概率為1，并利用卷積核A進(jìn)一步求取各點(diǎn)在道路上的概率，其中，

求得各柵格屬于道路的概率后，采用中值濾波對(duì)柵格圖像進(jìn)行處理，中值濾波窗口為3×3的矩形窗口。設(shè)置閾值t=0.8，即認(rèn)為當(dāng)某點(diǎn)有車經(jīng)過的概率大于0.8時(shí)，就認(rèn)為該點(diǎn)為道路上的點(diǎn)。最終經(jīng)過二值圖像細(xì)化與矢量化處理后獲得如圖8所示的道路網(wǎng)。

圖8 道路網(wǎng)提取結(jié)果Fig.8 Results of road network extraction

為了定量評(píng)價(jià)試驗(yàn)結(jié)果，本文參考了文獻(xiàn)[20]提出的緩沖區(qū)檢測(cè)方法來評(píng)價(jià)道路提取數(shù)據(jù)的有效性[20]。如圖9所示，紅色線條為本文方法提出的道路，藍(lán)色線條為傳統(tǒng)方法提出的道路，黑色線條為參考道路，灰色區(qū)域?yàn)榫彌_區(qū)。

圖9 提取結(jié)果對(duì)比Fig.9 Comparison of extraction

由于露天礦道路寬度多在10 m以上，因此以5 m為緩沖半徑對(duì)傳統(tǒng)柵格方法與本文提出的方法進(jìn)行對(duì)比分析，其中覆蓋率為正確提取道路的總長度與參考路網(wǎng)總長度的百分比，錯(cuò)誤率為錯(cuò)誤提取道路的總長度與提取路網(wǎng)總長度的百分比。結(jié)果見表1。

表1道路網(wǎng)提取結(jié)果對(duì)比
Table1Comparisonofroadnetworkextractionresults

柵格大小/m傳統(tǒng)柵格方法覆蓋率/%錯(cuò)誤率/%本文提出的方法覆蓋率/%錯(cuò)誤率/%相對(duì)提升效果覆蓋率增加/%錯(cuò)誤率減少/%277.131.0686.030.1811.5483.02482.521.9789.061.147.9342.13687.143.8692.742.716.4342.44

由表1可以發(fā)現(xiàn)，隨柵格的增大，覆蓋率增大，這是因?yàn)殡S柵格的增大，原本因?yàn)镚PS數(shù)據(jù)稀疏而未連通的路段變?yōu)檫B通，進(jìn)而被檢測(cè)出來;另一方面，隨柵格的增大，原本不是道路的區(qū)域被檢測(cè)為道路，使得錯(cuò)誤率上升。

對(duì)比傳統(tǒng)柵格法與本文提出的方法，在柵格大小一定時(shí)，本文提出的方法具有更高的覆蓋率與較小的錯(cuò)誤率，且柵格越小，效果越明顯。這是由于在面對(duì)部分路段不連通的問題時(shí)，本文提出的方法并沒有采用直接增大柵格的方式謀求路段的連通性，而是從GPS數(shù)據(jù)可能存在偏移的事實(shí)出發(fā)，求取各個(gè)柵格可能為道路的概率，以此保證路段的連通性，因而具有較低的錯(cuò)誤率與較高的覆蓋率。

當(dāng)柵格大小增加到6 m時(shí)，仍有一部分道路未被提取出來。這些道路車輛通過量很小，因而GPS數(shù)據(jù)更為稀疏，生成柵格圖像連通性差，因此很難被提取出來。此外，對(duì)比圖1與圖8，可以發(fā)現(xiàn)在某些路段上存在細(xì)節(jié)丟失的現(xiàn)象。這些區(qū)域多為裝、卸點(diǎn)處形成的短小支路。這表明該方法在提取GPS數(shù)量較少的路段與部分支路時(shí)仍存在一定困難。

4 結(jié) 論

(1)針對(duì)露天礦道路網(wǎng)提取困難的問題，提出了一種基于GPS數(shù)據(jù)的道路網(wǎng)自動(dòng)生成方法。提取結(jié)果具有較高精度，為露天礦道路網(wǎng)提取工作提供了新的思路。

(2)與傳統(tǒng)柵格方法相比，通過求取各柵格可能為道路的概率，可以使柵格信息更加細(xì)化，在增加道路網(wǎng)連通性的同時(shí)，能夠保證提取結(jié)果具有較低的誤檢率與更高的覆蓋率。

(3)當(dāng)路段GPS點(diǎn)數(shù)量很少時(shí)，道路網(wǎng)提取存在困難;當(dāng)提取短小支路時(shí)，也會(huì)丟失部分細(xì)節(jié)。這些問題需要在道路連通性與細(xì)節(jié)的完整性之間尋找平衡，在今后的工作中，將會(huì)逐漸深入研究。

[1] 霍曉宇,楊仕教,吳長振,等.露天礦山運(yùn)輸調(diào)度系統(tǒng)粒子群優(yōu)化[J].煤炭學(xué)報(bào),2012,37(S1):234-239.

HUO Xiaoyu,YANG Shijiao,WU Changzhen,et al.Particle swarm optimization for transportation dispatching system of open-pit mines[J].Journal of China Coal Society,2012,37(S1):234-239.

[2] YAN Li,RONALD Briggs.An automated system for image-to-vector georeferencing[J].Cartography & Geographic Information Science,2012,39(4):199-217.

[3] RUIZ J J,RUBIO T J,URENA M A.Automatic extraction of road intersections from images based on texture characterisation[J].Survey Review,2011,43:212-225.

[4] BRUNTRUP R,EDELKAMP S,JABBAR S,et al.Incremental map generation with GPS traces[A].Intelligent Transportation Systems[C].Proceedings.IEEE,2005:574-579.

[5] 歐陽鴻,劉建勛,劉毅志,等.基于步行 GPS 軌跡的路網(wǎng)提取方法[J].計(jì)算機(jī)與現(xiàn)代化,2014(2):124-128.

OUYANG Hong,LIU Jianxun,LIU Yizhi,et al.An extraction method of road network based on walking GPS trajectories[J].Computer & Modernization,2014(2):124-128.

[6] WILLIAM A,GORDON A.Automating the detection and simplification of junctions in road networks[J].Geolnformatica,1999,3(2):185-200.

[7] 譚康,劉建勛,廖祝華.一種基于GPS軌跡的道路拓?fù)渖煞椒╗J].計(jì)算機(jī)科學(xué),2015,42(9):37-40.

TAN Kang,LIU Jianxun,LIAO Zhuhua.Topology generation method of road network based on GPS trajectories[J].Computer Science,2015,42(9):37-40.

[8] SCHROEDL S,WAGSTAFF K,ROGERS S,et al.Mining GPS traces for map refinement[J].Data Mining and Knowledge Discovery,2004,9(1):59-87.

[9] 楊兆升,汪健,李麗麗.導(dǎo)航電子地圖增量更新方法研究[J].交通信息與安全,2009,27(2):10-14.

YANG Zhaosheng,WANG Jian,LI Lili.Incremental updating of digital navigation map[J].Journal of Transport Information & Safety,2009,27(2):10-14.

[10] 汪永紅,張斌,郭黎,等.導(dǎo)航電子地圖增量更新方法研究[J].地理信息世界,2011(4):40-43.

WANG Yonghong,ZHANG Bin,GUO Li,et al.Research of incremental updating method for navigation electronic map[J].Geomatics World,2011(4):40-43.

[11] TANG L,HUANG F,ZHANG X,et al.Road network change detection based on floating car data[J].Journal of Networks,2012,7(7):1063-1070.

[12] 唐爐亮,劉章,楊雪,等.符合認(rèn)知規(guī)律的時(shí)空軌跡融合與路網(wǎng)生成方法[J].測(cè)繪學(xué)報(bào),2015,44(11):1271-1276.

TANG Luliang,LIU Zhang,YANG Xue,et al.A method of spatio-temporal trajectory fusion and road network generation based on cognitive law[J].Acta Geodaetica et Cartographica Sinica,2015,44(11):1271-1276.

[13] 蔣益娟,李響,李小杰,等.利用車輛軌跡數(shù)據(jù)提取道路網(wǎng)絡(luò)的幾何特征與精度分析[J].地球信息科學(xué)學(xué)報(bào),2012,14(2):165-170.

JIANG Yijuan,LI Xiang,LI Xiaojie,et al.Geometrical characteristics extraction and accuracy analysis of road network based on vehicle trajectory data[J].Journal of Geo-Information Science,2012,14(2):165-170.

[14] 柴寶仁.中值濾波在氣象傳真圖中降噪的分析[J].北京理工大學(xué)學(xué)報(bào),2011,31(4):417-419.

CHAI Baoren.Analysis of median filter for noise reduction of meteorological facsimile map[J].Transactions of Beijing Institute of Technology,2011,31(4):417-419.

[15] LU Xuanzhong,WANG F L,CHANG Y Q,et al.Region-adaptive median filter[J].Journal of System Simulation,2007,19(23):5411-5414.

[16] 吳選忠.Zhang快速并行細(xì)化算法的擴(kuò)展[J].福建工程學(xué)院學(xué)報(bào),2006,4(1):89-92.

WU Xuanzhong.Extending of Zhang’s fast parallel thinning algorithm[J].Journal of Fujian University of Technology,2006,4(1):89-92.

[17] 周戰(zhàn)榮,何俊發(fā),李正亮,等.一種干涉條紋細(xì)化算法的改進(jìn)[J].光學(xué)技術(shù),2006,32(S1):563-565.

ZHOU Zhanrong,HE Junfa,LI Zhengliang,et al.Improved algorithm of interference fringe thinning[J].Optical Technique,2006,32(S1):563-565.

[18] ZHAO L,CHEN Q,CHEN Z.A new improved OPTA thinning algorithm:A new improved OPTA thinning algorithm[J].Journal of Computer Applications,2008,28(10):2639-2642.

[19] 楊威,郭科,魏義坤.一種有效的基于八鄰域查表的指紋圖像細(xì)化算法[J].四川理工學(xué)院學(xué)報(bào)(自科版),2008,21(2):61-63.

YANG Wei,GUO Ke,WEI Yikun.An efficient index thinning algorithm of fingerprint image based on eight neighbourhood points[J].Journal of Sichuan University of Science & Engineering(Natural Science Edition),2008,21(2):61-63.

[20] MICHAEL F Goodchild,GARY J Hunter.A simple positional accuracy measure for linear features[J].International Journal of Geographical Information Science,1997,11(3):299-306.

Automaticextractionofroadnetworkinopen-pitminebasedonGPSdata

SUN Xiaoyu，TIAN Fengliang，ZHANG Hang，LI Zhen

(SchoolofResources&CivilEngineering,NortheasternUniversity,Shenyang110819,China)

The traditional grid method for extracting road network has a low accuracy,especially for the extraction of open-pit road network,the loss and offset of road is more significant.For solving this problem,the conventional solution is to enlarge the grid so that the connectivity can be ensured.However,in this paper,by assuming the GPS bias as a normal distribution,a method of rastering the GPS data by calculating the probability of track points on the road was proposed.On this basis,the median filter algorithm was deployed to preprocess the raster image.The index table thinning algorithm was improved,and this improved thinning algorithm was used to refine the grid image of the road network.Finally,the road network was translated into vectorization.Experimental results show that the coverage ratio of this method has been improved by 6.43% to 11.54% compared with the traditional grid method,and the error rate has been reduced by 42.13% to 83.02%.This paper provides an effective method for road network extraction and reveals the important influence of grid size on road network extraction results.

open-pit mine;road network;GPS;skeletonization

孫效玉，田鳳亮，張航，等.基于GPS數(shù)據(jù)的露天礦道路網(wǎng)自動(dòng)提取[J].煤炭學(xué)報(bào),2017,42(11):3059-3064.

10.13225/j.cnki.jccs.2017.0308

SUN Xiaoyu，TIAN Fengliang，ZHANG Hang，et al.Automatic extraction of road network in open-pit mine based on GPS data[J].Journal of China Coal Society,2017,42(11):3059-3064.doi:10.13225/j.cnki.jccs.2017.0308

TD57;P228.4

A

0253-9993(2017)11-3059-06

2017-03-10

2017-06-30責(zé)任編輯許書閣

國家自然科學(xué)基金資助項(xiàng)目(51674063);國家重點(diǎn)研發(fā)計(jì)劃資助項(xiàng)目(2016YFC0801608)

孫效玉(1963—)，男，內(nèi)蒙古赤峰人，教授。E-mail:sunxiaoyu@mail.neu.edu.cn。

田鳳亮(1992—)，男，內(nèi)蒙古赤峰人，博士研究生。E-mail:1719979259@qq.com