王振華，胡翔云，單 杰，3

(1.武漢大學遙感信息工程學院，湖北武漢430079;2.北京洛斯達科技發(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)成為我國基礎地理信息更新的一項重要任務［1］。但目前獲取數(shù)字城市道路網(wǎng)的技術，如車載移動測量和基于航攝、遙感的外業(yè)測圖等都存在成本高、更新周期較長的缺點。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浮動車數(shù)據(jù)是其中一種。相對而言，從眾源GPS浮動車數(shù)據(jù)中提取道路成本低、現(xiàn)勢性好。

眾源GPS浮動車數(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?，F(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，采樣時間間隔較長(一般為30～60 s)，GPS軌跡會與實際道路不符，且眾源GPS數(shù)據(jù)量大，基于每個矢量點提取計算量會很高;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點與所要生成的柵格點的對應關系，目的是將臨近的GPS點作為一個處理單元進行處理，可大大減少因眾源GPS浮動車數(shù)據(jù)數(shù)據(jù)量大造成的過長處理時間。對應關系見式(1)。如果有一個及以上的GPS點落入到某個像素中，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;flon、flat分別是 GPS 點的經(jīng)緯度;llon、rlon、blat、ulat分別為試驗區(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為試驗區(qū)域的實際寬高;R為生成影像的分辨率。

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

圖1 武漢地區(qū)浮動車GPS點灰度影像

三、“分級”提取道路中心線

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

1.“高等級”道路中心線提取

形態(tài)學開運算的作用是平滑目標邊緣，去掉毛刺和孤立點。因此首先用開運算將密度較低的道路柵格點去掉，剩余的就是高等級道路的柵格點，這樣就實現(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算，得到“低等級”道路柵格點?！暗偷燃墶钡缆窎鸥顸c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點的密度和方向信息將噪聲點去除。如果一個柵格點內(nèi)及其附近的GPS點是在道路上，那么它們的GPS方位角應該比較近似或是因為反向關系相差180°。判斷一個柵格點是否為噪聲按照式(2)進行。閉運算具有填充空洞、連接臨近物體的作用，因此去掉噪聲之后利用閉運算使低等級道路點連續(xù)，然后提取低等級道路的中心線并去毛刺。

式中，Pi為目標柵格點;Pnoise為噪聲點;σi為落入第i個柵格點及其8鄰域內(nèi)的GPS點的方位角標準差;Tσ為標準差閾值，試驗設為15°;AMTi為落入第i個柵格點及其8鄰域內(nèi)GPS點的個數(shù);Tn為個數(shù)的閾值，試驗設為6。閾值設置目前采用試驗方法獲得，原則是既能有效去除噪聲，又能盡量保留道路柵格點。

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出發(fā)，在其行進方向構建一個連接矩形窗口，在窗口內(nèi)尋找最適合的道路點并連接。

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，箭頭所指為提取出的道路中心線點，矩形為連接窗口。矩形窗口大小經(jīng)試驗定為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連接的道路中心線點。要解決兩個問題:①如何從矩形窗口內(nèi)備選連接點中找出最佳連接點;②確定其是否應該連接。最佳連接點的確定是基于:端點與連接點連接得到的線段經(jīng)過的GPS點數(shù)越多，即經(jīng)過的灰度影像上的柵格點數(shù)越多，其越有可能是最佳連接點。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為備選點與端點的連線寬度為5個像素的緩沖區(qū)內(nèi)的原灰度影像上的柵格點個數(shù);Nbi為緩沖區(qū)大小，即其像素個數(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即為最佳連接點，同時其值應大于0.5，否則視為“斷頭路”，不進行連接。最后利用道格拉斯-普克法［11］簡化并進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、試驗與分析

1.試驗數(shù)據(jù)

本文采用的試驗數(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)，試驗區(qū)域包含27 811 907個GPS點，面積為675 km2。

2.試驗結果及準確度分析

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

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

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

圖4 小區(qū)域試驗結果

4.試驗分析

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將所提取出來的所有道路線段連在一起，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)時間效率。數(shù)據(jù)量大是眾源GPS數(shù)據(jù)的特點之一，本文將矢量GPS點進行柵格化處理，本質(zhì)上是將距離較近的GPS點聚類作為一個處理單元進行處理，而非基于每個GPS點，這樣就能大大減少處理時間。

3)準確度。由試驗結果的定量分析來看，本文方法所提取的道路中心線具有較高的準確度。

六、結束語

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，而眾源GPS浮動車數(shù)據(jù)具有成本低、現(xiàn)勢性好的優(yōu)點，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?；诖?，本文提出了一種基于柵格化的“分級”處理眾源GPS浮動車數(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)進行試驗，由結果可以看出本文提出的方法所提取的道路網(wǎng)完整度、準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、復雜交叉路口提取錯誤及方法參數(shù)過多且只能經(jīng)試驗得到等問題進行改進。

致謝:本文的GPS浮動車數(shù)據(jù)由武漢大學測繪遙感信息工程國家重點實驗室3S集成與多媒體研究中心提供，導航路網(wǎng)數(shù)據(jù)由北京吉威時代軟件技術有限公司提供，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，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.