CN104240260A - 一种基于叉路识别的道路智能提取方法 - Google Patents

Abstract

本发明公开了一种基于叉路识别的道路智能提取方法，本发明针对高分辨率影像（空间分辨率在6米以上），能够在道路追踪过程中识别出叉路口，并通过获取到的叉路口信息指导辅助各个支路的后续追踪，使得相互连通的道路能够仅通过一次初始点设定便能全部追踪提取出来。本发明充分利用城市道路在高分辨率影像中的几何与纹理特征，以及道路叉路口的模式特征，通过识别叉路口来辅助指导道路的提取；本发明不仅弥补了当前已有方法的不足，显著减少了人工操作，有效地实现了连通道路网的一次性自动提取，且能有效保证叉路口道路段的拓扑一致性，提取结果具有较高的准确度。

Description

一种基于叉路识别的道路智能提取方法

技术领域

本发明属于遥感应用领域，涉及一种影像道路智能提取方法，尤指应用于高分辨率全色遥感影像进行城区道路提取方法。

背景技术

从高分辨率遥感影像上提取道路是目前计算机视觉、人工智能、摄影测量和遥感学科的研究重点之一，它对GIS数据的自动获取和更新、影像匹配、目标检测和数字测图自动化等具有重要的意义。

从目前的研究现状看，道路全自动提取还比较困难，现有的技术在完整性和正确性上尚未取得满意的结果，还需要进行大量的人工编辑后处理。因此，研究人工干预的半自动方法以便快速、准确地提取道路是目前较为实际的选择。在各种半自动道路提取方法中，模板匹配方法被认为是比较有效的。许多后续的研究都基于模板匹配思想，在模板类型和匹配策略方面做了许多改进。

然而，这些众多的模板匹配方法都存在一个共同的不足，基于模板匹配的道路追踪每次只能提取出一条道路段，常常需要设定起始点和终止点，一片连通的道路网需要分成若干段分别提取。而且单纯的模板匹配追踪算法在遇到叉路口时只能盲目的选择一条叉路继续进行追踪，而且转向后可能环绕了一个矩形街区又回到先前的路段进行重复提取。追踪在遇到叉路时呈现出很大的不可控性，通常的做法为在叉路口设定追踪停止，分别对不同的叉路方向进行初始化重新开始追踪。这样做增加了道路提取的人工代价，打断了追踪的连贯性，且容易造成拓扑的不一致。

发明内容

为解决上述问题，本发明提供了一种基于叉路口识别的道路智能提取方法。本发明所采用的技术方案是：一种基于叉路识别的道路智能提取方法，其特征在于，包括以下步骤：

步骤1：选择空间分辨率在Nm以内的高分辨率全色遥感影像，无云层覆盖，对影像进行直方图分段拉伸，增大道路区域与周围地物的反差；其中N≤6；

步骤2：根据影像的特征设置追踪模板参数，包括模板长宽、模板内部预设的方差阈值、模板前进步长、叉路模板阈值、差值阈值；

步骤3：在影像中任意一条道路段的一端，设定追踪初始线段；初始线段为有向线段，起点记录为初始点，末点用于指示和计算前进方向，初始化时指向道路延伸方向，线段位于道路中间；

步骤4：令初始点前进一个步长，然后对当前位置点进行叉路检测、处理和存储；

步骤5：经过上一步的叉路检测处理后，以当前位置点为模板起始端点，沿前进方向构造矩形模板，使用旋转角度纹理匹配法确定下一步前进方向，并保存当前位置点为确认道路点；

步骤6：判断旋转角度纹理匹配是否超过预设的方差阈值，

如果是，则终止当前道路段追踪，保存当前道路段；并顺序执行下述步骤7；

如果否，则确认当前道路点，并回转执行所述的步骤4；

步骤7：遍历步骤4中存储的叉路对象，逐个检查叉路对象是否仍有未被追踪过的支路，

如果有，则选择一条可通行支路作为新的追踪起点，并回转执行所述的步骤4；

如果否，则顺序执行下述步骤8；

步骤8：对追踪得到的道路网进行后处理，删除重复路段，增加遗漏路段。

作为优选，步骤2中所述的影像的特征，包括空间分辨率、道路宽度、道路区域的像素均一度。

作为优选，步骤4中所述的对当前位置点进行叉路检测，包括历史叉路检测和常规叉路检测；

所述的历史叉路检测，首先检测当前位置点是否进入到先前已识别叉路的区域内；对已经识别出的叉路会记录包围叉路的正方形端点，通过检测当前点是否在已识别叉路的正方形区域内，判断是否进入叉路区域；如果判断没有进入历史叉路区域，则进行“常规叉路检测”；如果判断已进入历史叉路区域，则访问该叉路对象，查看该叉路口是否还有未被追踪过的支路；如果有，则将当前追踪点置于该支路上，将前进方向更新为与支路方向一致，沿该支路继续追踪，并且将对应叉路对象的该条支路更新设为已追踪，下次再经过这个叉路口时该条叉路将不再可通行；如果没有，则代表该叉路口各支路都已追踪完毕，当前道路段追踪完毕；

所述的常规叉路检测，以当前道路追踪模板的最前端点出发，从模板方向向前、向左侧90度、向右侧90度伸出三个探测模板，每个方向又分布向两侧10度扩展一个辅助探测模板；计算每个探测模板窗口对应区域的像素的灰度均方差，如果小于一定阈值，则认为该方向存在叉路；根据存在支路的组合，将叉路分为不同类型，被检测出来的叉路将被存储为一个叉路对象，并记录该叉路的包括叉路中心点坐标、包围叉路的正方形框端点坐标、叉路类型、支路坐标对信息；叉路对象保存后，然后根据预设规则，选取叉路的一条支路继续进行追踪。

作为优选，步骤5中的具体实现包括以下子步骤：

步骤5.1：以当前的道路追踪位置点为模板中心线的起始端点，沿前进方向延伸，按预设的长宽构造矩形模板；以两侧各90°为限对矩形模板进行旋转，计算180°内的每个模板窗口对应的像素的灰度均方差；根据道路特征，相应的极小值对应的角度即为道路的前进方向；

步骤5.2：对于任意像素点，利用式(1)和式(2)计算灰度方差σ2，即：

$m(i,j,L,\mathrm{\θ})=\underset{n=1}{\overset{r}{\mathrm{\Σ}}}\underset{k=-l}{\overset{l}{\mathrm{\Σ}}}\frac{p(i^{\′},j^{\′})}{r*(2l+1)}---\left(1\right)$

${\mathrm{\σ}}^2(i,j,L,\mathrm{\θ})=\underset{n=1}{\overset{r}{\mathrm{\Σ}}}\underset{k=-l}{\overset{l}{\mathrm{\Σ}}}\frac{{(p(i^{\′},j^{\′})-m(i,j,L,\mathrm{\θ}))}^2}{r*(2l+1)}---\left(2\right)$

式中，r和(2l+1)分别为矩形模板的长和宽；i′＝i+n*sinθ+k*cosθ，j′＝j+n*cosθ-k*sinθ，i′和j′分别对应矩形模板对应的所有点的位置，θ为模板方向；p(i′,j′)为位置(i′,j′)所对应像素灰度；m(i,j,L,θ)为像素点(i,j)在方向θ上所对应灰度均值；σ(i,j,L,θ)为像素点(i,j)在方向θ上所对应的灰度均方差；

步骤5.3：计算当前模板位置的所有方向候选模板窗口的灰度方差，具有最小值的窗口被认为最有可能出在道路内部，从而其对应模板的中心点被接受为新的道路点，加入之前的道路轨迹；

步骤5.4：前进一个步长，重复上述步骤5.1-5.4，进行角度纹理检测，并不断添加更新道路轨迹点。

本发明针对高分辨率影像(空间分辨率在6米以上)，能够在道路追踪过程中识别出叉路口，并通过获取到的叉路口信息指导辅助各个支路的后续追踪，使得相互连通的道路能够仅通过一次初始点设定便能全部追踪提取出来。本发明充分利用城市道路在高分辨率影像中的几何与纹理特征，以及道路叉路口的模式特征，通过识别叉路口来辅助指导道路的提取；本发明不仅弥补了当前已有方法的不足，显著减少了人工操作，有效地实现了连通道路网的一次性自动提取，且能有效保证叉路口道路段的拓扑一致性，提取结果具有较高的准确度。

附图说明

图1：本发明的方法流程图；

图2：本发明实施例所采用的叉路探测模型示意图；

图3：本发明实施例所采用的叉路对象的类图；

图4：本发明实施例所采用的旋转角度纹理法的模板示意图；

图5：本发明实施例所用的原始影像；

图6：本发明实施例所得到的道路提取结果。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明所采用的技术方案是：一种基于叉路识别的道路智能提取方法，包括以下步骤：

步骤1：选择空间分辨率在6m以内的高分辨率全色遥感影像，无云层覆盖，对影像进行直方图分段拉伸，增大道路区域与周围地物的反差；

步骤2：根据影像的特征(包括空间分辨率、道路宽度、道路区域的像素均一度)设置追踪模板参数，包括模板长宽、模板内部预设的方差阈值、模板前进步长、叉路模板阈值、差值阈值；

步骤3：在影像中任意一条道路段的一端，设定追踪初始线段；初始线段为有向线段，起点记录为初始点，末点用于指示和计算前进方向，初始化时指向道路延伸方向，线段位于道路中间；

步骤4：令初始点前进一个步长，然后对当前位置点利用历史叉路检测和常规叉路检测进行叉路检测、处理和存储；

其中历史叉路检测，首先检测当前位置点是否进入到先前已识别叉路的区域内；对已经识别出的叉路会记录包围叉路的正方形端点，通过检测当前点是否在已识别叉路的正方形区域内，判断是否进入叉路区域；如果判断没有进入历史叉路区域，则进行“常规叉路检测”；如果判断已进入历史叉路区域，则访问该叉路对象，查看该叉路口是否还有未被追踪过的支路；如果有，则将当前追踪点置于该支路上，将前进方向更新为与支路方向一致，沿该支路继续追踪，并且将对应叉路对象的该条支路更新设为已追踪，下次再经过这个叉路口时该条叉路将不再可通行；如果没有，则代表该叉路口各支路都已追踪完毕，当前道路段追踪完毕；

其中常规叉路检测，请见图2，为实施例所采用的叉路探测模型示意图，以当前道路追踪模板的最前端点出发，从模板方向向前、向左侧90度、向右侧90度伸出三个探测模板，每个方向又分布向两侧10度扩展一个辅助探测模板；计算每个探测模板窗口对应区域的像素的灰度均方差，如果小于一定阈值，则认为该方向存在叉路；根据存在支路的组合，将叉路分为不同类型，被检测出来的叉路将被存储为一个叉路对象，并记录该叉路的包括叉路中心点坐标、包围叉路的正方形框端点坐标、叉路类型、支路坐标对信息；在本方法中，请见图3，叉路在程序中表示为一个名为Junction的类,，相关信息对应叉路类的各属性，每检测出一个叉路，则实例化一个叉路的对象。叉路对象保存后，然后根据预设规则，选取叉路的一条支路继续进行追踪。

步骤5：经过上一步的叉路检测处理后，以当前位置点为模板起始端点，沿前进方向构造矩形模板，使用旋转角度纹理匹配法确定下一步前进方向，并保存当前位置点为确认道路点；具体实现包括以下子步骤：

步骤5.1：请见图4，以当前的道路追踪位置点为模板中心线的起始端点，沿前进方向延伸，按预设的长宽构造矩形模板；以两侧各90°为限对矩形模板进行旋转，计算180°内的每个模板窗口对应的像素的灰度均方差；根据道路特征，相应的极小值对应的角度即为道路的前进方向；

步骤5.2：对于任意像素点，利用式(1)和式(2)计算灰度方差σ2，即：

$m(i,j,L,\mathrm{\θ})=\underset{n=1}{\overset{r}{\mathrm{\Σ}}}\underset{k=-l}{\overset{l}{\mathrm{\Σ}}}\frac{p(i^{\′},j^{\′})}{r*(2l+1)}---\left(1\right)$

${\mathrm{\σ}}^2(i,j,L,\mathrm{\θ})=\underset{n=1}{\overset{r}{\mathrm{\Σ}}}\underset{k=-l}{\overset{l}{\mathrm{\Σ}}}\frac{{(p(i^{\′},j^{\′})-m(i,j,L,\mathrm{\θ}))}^2}{r*(2l+1)}---\left(2\right)$

式中，r和(2l+1)分别为矩形模板的长和宽；i′＝i+n*sinθ+k*cosθ，j′＝j+n*cosθ-k*sinθ，i′和j′分别对应矩形模板对应的所有点的位置，θ为模板方向；p(i′,j′)为位置(i′,j′)所对应像素灰度；m(i,j,L,θ)为像素点(i,j)在方向θ上所对应灰度均值；σ(i,j,L,θ)为像素点(i,j)在方向θ上所对应的灰度均方差；

步骤5.3：计算当前模板位置的所有方向候选模板窗口的灰度方差，具有最小值的窗口被认为最有可能出在道路内部，从而其对应模板的中心点被接受为新的道路点，加入之前的道路轨迹；

步骤5.4：前进一个步长，重复上述步骤5.1-5.4，进行角度纹理检测，并不断添加更新道路轨迹点。

步骤6：判断旋转角度纹理匹配是否超过预设的方差阈值，

如果是，则终止当前道路段追踪，保存当前道路段；并顺序执行下述步骤7；

如果否，则确认当前道路点，并回转执行所述的步骤4；

步骤7：遍历步骤4中存储的叉路对象，逐个检查叉路对象是否仍有未被追踪过的支路，

如果有，则选择一条可通行支路作为新的追踪起点，并回转执行所述的步骤4；

如果否，则顺序执行下述步骤8；

步骤8：对追踪得到的道路网进行后处理，删除重复路段，增加遗漏路段。

本实施例选取2013年武汉市的SPOT-6多光谱影像为例，选用第1波段数据，空间分辨率为6米，截取了靠近长江边上的一块城区进行道路提取实验，如图5所示。实例具体实施过程如下：

1)对影像做直方图分段拉伸处理。

2)针对该影像的特征(空间分辨率，道路宽度，道路区域的像素均一度等)选择合适的追踪模板参数：模板长11个像素，模板宽3个像素，模板内部方差阈值20，模板前进步长3个像素，叉路模板阈值8，差值阈值24，迭代次数(单次追踪最多前进步数)500。

3)在影像中任意一条道路段的一端，设定追踪初始线段。

4)开始追踪，追踪程序按照上述方法的步骤流程所编写，在道路追踪过程中，每前进一步，进行叉路检测，旋转角度纹理模板匹配，并进行相应的处理，然后再继续前进，不断循环迭代，直至连通的道路网追踪完成；

5)对追踪完的道路进行修正，删除重复路段，增补遗漏路段。最终得到的道路结果如图6所示。结果图中，共有4片分离开的道路网，使用本发明方法，在各片路网的其中一条路段端点处设置追踪初始线段，便可追踪提取出各片路网内相连通的绝大部分路段，且各路段在交叉点具有良好的拓扑一致性。本方法显著降低了人工操作量，提高了道路提取的自动化程度和实用性。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (4)

1.一种基于叉路识别的道路智能提取方法，其特征在于，包括以下步骤：

步骤1：选择空间分辨率在Nm以内的高分辨率全色遥感影像，无云层覆盖，对影像进行直方图分段拉伸，增大道路区域与周围地物的反差；其中N≤6；

步骤2：根据影像的特征选择设置追踪模板参数，包括模板长宽、模板内部预设的方差阈值、模板前进步长、叉路模板阈值、差值阈值；

步骤3：在影像中任意一条道路段的一端，设定追踪初始线段；初始线段为有向线段，起点记录为初始点，末点用于指示和计算前进方向，初始化时指向道路延伸方向，线段位于道路中间；

步骤4：令初始点前进一个步长，然后对当前位置点进行叉路检测、处理和存储；

步骤5：经过上一步的叉路检测处理后，以当前位置点为模板起始端点，沿前进方向构造矩形模板，使用旋转角度纹理匹配法确定下一步前进方向，并保存当前位置点为确认道路点；

步骤6：判断旋转角度纹理匹配是否超过预设的方差阈值，

如果是，则终止当前道路段追踪，保存当前道路段；并顺序执行下述步骤7；

如果否，则确认当前道路点，并回转执行所述的步骤4；

步骤7：遍历步骤4中存储的叉路对象，逐个检查叉路对象是否仍有未被追踪过的支路，

如果有，则选择一条可通行支路作为新的追踪起点，并回转执行所述的步骤4；

如果否，则顺序执行下述步骤8；

步骤8：对追踪得到的道路网进行后处理，删除重复路段，增加遗漏路段。

2.根据权利要求1所述的基于叉路识别的道路智能提取方法，其特征在于：步骤2中所述的影像的特征，包括空间分辨率、道路宽度、道路区域的像素均一度。

3.根据权利要求1所述的基于叉路识别的道路智能提取方法，其特征在于：步骤4中所述的对当前位置点进行叉路检测，包括历史叉路检测和常规叉路检测；所述的历史叉路检测，首先检测当前位置点是否进入到先前已识别叉路的区域内；对已经识别出的叉路会记录包围叉路的正方形端点，通过检测当前点是否在已识别叉路的正方形区域内，判断是否进入叉路区域；如果判断没有进入历史叉路区域，则进行“常规叉路检测”；如果判断已进入历史叉路区域，则访问该叉路对象，查看该叉路口是否还有未被追踪过的支路；如果有，则将当前追踪点置于该支路上，将前进方向更新为与支路方向一致，沿该支路继续追踪，并且将对应叉路对象的该条支路更新设为已追踪，下次再经过这个叉路口时该条叉路将不再可通行；如果没有，则代表该叉路口各支路都已追踪完毕，当前道路段追踪完毕；所述的常规叉路检测，以当前道路追踪模板的最前端点出发，从模板方向向前、向左侧90度、向右侧90度伸出三个探测模板，每个方向又分布向两侧10度扩展一个辅助探测模板；计算每个探测模板窗口对应区域的像素的灰度均方差，如果小于一定阈值，则认为该方向存在叉路；根据存在支路的组合，将叉路分为不同类型，被检测出来的叉路将被存储为一个叉路对象，并记录该叉路的包括叉路中心点坐标、包围叉路的正方形框端点坐标、叉路类型、支路坐标对信息；叉路对象保存后，然后根据预设规则，选取叉路的一条支路继续进行追踪。

4.根据权利要求1所述的基于叉路识别的道路智能提取方法，其特征在于：步骤5中的具体实现包括以下子步骤：

步骤5.1：以当前的道路追踪位置点为模板中心线的起始端点，沿前进方向延伸，按预设的长宽构造矩形模板；以两侧各90°为限对矩形模板进行旋转，计算180°内的每个模板窗口对应的像素的灰度均方差；根据道路特征，相应的极小值对应的角度即为道路的前进方向；

步骤5.2：对于任意像素点，利用式(1)和式(2)计算灰度方差σ2，即：

$m(i,j,L,\mathrm{\θ})=\underset{n=1}{\overset{r}{\mathrm{\Σ}}}\underset{k=-l}{\overset{l}{\mathrm{\Σ}}}\frac{p(i^{\′},j^{\′})}{r*(2l+1)}---\left(1\right)$

${\mathrm{\σ}}^2(i,j,L,\mathrm{\θ})=\underset{n=1}{\overset{r}{\mathrm{\Σ}}}\underset{k=-l}{\overset{l}{\mathrm{\Σ}}}\frac{{(p(i^{\′},j^{\′})-m(i,j,L,\mathrm{\θ}))}^2}{r*(2l+1)}---\left(2\right)$

式中，r和(2l+1)分别为矩形模板的长和宽；i′＝i+n*sinθ+k*cosθ，j′＝j+n*cosθ-k*sinθ，i′和j′分别对应矩形模板对应的所有点的位置，θ为模板方向；p(i′，j′)为位置(i′，j′)所对应像素灰度；m(i，j，L，θ)为像素点(i，j)在方向θ上所对应灰度均值；σ(i，j，L，θ)为像素点(i，j)在方向θ上所对应的灰度均方差；

步骤5.3：计算当前模板位置的所有方向候选模板窗口的灰度方差，具有最小值的窗口被认为最有可能出在道路内部，从而其对应模板的中心点被接受为新的道路点，加入之前的道路轨迹；

步骤5.4：前进一个步长，重复上述步骤5.1-5.4，进行角度纹理检测，并不断添加更新道路轨迹点。