CN111811525B - 一种基于遥感图像和浮动车轨迹的路网生成方法及系统 - Google Patents

Abstract

本发明公开了一种基于遥感图像和浮动车轨迹的路网生成方法及系统，方法包括：获取轨迹图层和高分影像，对轨迹图层执行栅格化操作，得到第一轨迹图层；利用轨迹图层和高分影像训练第一神经网络，得到第二神经网络，通过第二神经网络得到第一道路栅格图层；利用高斯卷积核对第一轨迹图层执行核密度估计操作，得到第二轨迹图层；对第二轨迹图层执行二值化操作，得到第二道路栅格图层；将第一道路栅格图层和第二道路栅格图层叠加并通过燃烧算法进行计算，得到道路图层。本发明将遥感图像和浮动车轨迹作为路网数据来源，利用深度神经网络和核密度估计方法分别处理原始数据后再通过燃烧算法合并处理，从而获取精确度和覆盖率更高的路网数据。

Description

一种基于遥感图像和浮动车轨迹的路网生成方法及系统

技术领域

本发明涉及路网分析领域，尤其涉及一种基于遥感图像和浮动车轨迹的路网生成方法及系统。

背景技术

随着智能交通和自动驾驶技术的普及，进一步提升路网地图的精准度凸显地非常重要。虽然OpenStreetMap中记录的路网数据增长明显，总里程已达到228万公里，路网数据与实际网路里程的差距也由78.4%缩小到了52.2%；但仍存在大量未反应在地图中的路网信息，提升路网地图的现势性依旧存在巨大的工作量。

传统的路网地图构建方法主要通过实地测绘和高分影像矢量化；但这两种方法都耗时耗力，无法实现实际路网信息的同步更新；而通过自动化生产或者道路地图来快速反映实际道路的变化又具有巨大的应用价值；随着智能手机和其他具备GPS定位功能的设备进一步普及，越来越多的轨迹数据得以获取，这些轨迹记录了车辆沿着道路行驶的位置序列，成为了道路地图自动化生产的重要数据来源。

当前关于自动化道路地图构建的研究主要划分为基于的研究和基于浮动车轨迹的研究，基于遥感图像的方法主要利用机器学习的方法将像元分类为道路和非道路；近来的研究开始利用深度学习神经网络从遥感图像中分割道路，但这些方法难以直接得到道路的拓扑结构信息，且在遥感图像中道路容易被树木，建筑和阴影遮挡，且遥感图像的获取周期较长，单独依靠遥感图像无法得到完整的道路地图。基于浮动车轨迹的方法依据方法的特点可以分为：聚类方法，核密度估计方法，轨迹合并方法。这些方法各有优缺点，其中聚类算法容易导致边冗余问题，核密度估计方法容易将数据较少的真实道路当作噪声平滑掉，轨迹合并算法容易产生虚假道路，而且GPS本身存在采样点空间分布不均匀，频率不一致等问题，导致单独依靠浮动车轨迹数据也无法得到完整的道路地图。

因此，如何同时利用遥感图像和浮动车轨迹作为数据来源，结合两者的优点实现更精准的路网采集及生成是当前急需解决的技术问题。

发明内容

为至少解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于遥感图像和浮动车轨迹的路网生成方法及系统。

根据本发明实施例的第一方面，一种基于遥感图像和浮动车轨迹的路网生成方法，包括以下步骤：

获取轨迹图层和高分影像，对所述轨迹图层执行栅格化操作，得到第一轨迹图层；

利用所述第一轨迹图层和所述高分影像训练第一神经网络，得到第二神经网络，输入所述第一轨迹图层和所述高分影像至所述第二神经网络，得到第一道路栅格图层；

利用高斯卷积核对所述第一轨迹图层执行核密度估计操作，得到第二轨迹图层；

对所述第二轨迹图层执行二值化操作，得到第二道路栅格图层；

将所述第一道路栅格图层和所述第二道路栅格图层叠加并通过燃烧算法进行计算，得到道路图层。

进一步，所述第一轨迹图层的分辨率与所述高分影像的分辨率相同。

进一步，所述对所述轨迹图层执行栅格化操作这一步骤，通过以下公式实现：

其中，x,y代表所述轨迹图层的投影坐标；min(x),min(y)代表所述投影坐标的最小值；cellsize代表所述高分影像的分辨率；height代表所述第一轨迹图层的图像高度。

进一步，所述利用所述第一轨迹图层和所述高分影像训练第一神经网络，得到第二神经网络这一步骤，包括：

获取所述第一神经网络；

利用所述第一轨迹图层和所述高分影像构建样本集，对所述样本集中的样本进行随机分配，得到训练集和验证集；

通过所述训练集和所述验证集对所述第一神经网络进行训练，得到所述第二神经网络。

进一步，所述对所述样本集中的样本进行随机分配，得到训练集和验证集这一步骤，通过以下公式实现：

其中，

代表所述训练集；

代表所述验证集；

代表所述样本集；

代 表所述训练集占所述样本集的比例；

代表所述验证集占所述样本集的比例；

和

的和等于1。

进一步，所述第二神经网络的损失值通过以下公式计算得到：

其中,Loss代表损失值；DiceLoss代表dice损失函数；CrossEntorpy代表交叉熵损失函数。

进一步，所述dice损失函数通过以下公式实现：

其中，

代表集合X、Y之间共同的元素；

和

分别代表集合X和Y中元素的个数。

进一步，所述对所述第二轨迹图层执行二值化操作这一步骤，通过以下公式实现：

其中，x代表输入值；threshold代表阈值。

进一步，所述将所述第一道路栅格图层和所述第二道路栅格图层叠加并通过燃烧算法进行计算，得到道路图层这一步骤，包括：

将所述第一道路栅格图层和所述第二道路栅格图层叠加，得到第三道路栅格图层；

确定所述第三道路栅格图层中的交叉像元，通过所述燃烧算法对所述交叉像元进行计算，得到所述道路图层。

根据本发明实施例的第二方面，一种基于遥感图像和浮动车轨迹的路网生成系统，包括以下模块：

栅格化模块，用于获取轨迹图层和高分影像，对所述轨迹图层执行栅格化操作，得到第一轨迹图层；

神经网络训练模块，用于利用所述第一轨迹图层和所述高分影像训练第一神经网络，得到第二神经网络；输入所述第一轨迹图层和所述高分影像至所述第二神经网络，得到第一道路栅格图层；

核密度估计模块，用于利用高斯卷积核对所述第一轨迹图层执行核密度估计操作，得到第二轨迹图层；

二值化模块，用于对所述第二轨迹图层执行二值化操作，得到第二道路栅格图层；

道路图层生成模块，用于将所述第一道路栅格图层和所述第二道路栅格图层叠加并通过燃烧算法进行计算，得到道路图层；其中，将所述第一道路栅格图层和所述第二道路栅格图层叠加，得到第三道路栅格图层；确定所述第三道路栅格图层中的交叉像元，通过所述燃烧算法对所述交叉像元进行计算，得到所述道路图层。

本发明的有益效果是：将遥感图像和浮动车轨迹作为路网数据来源，利用深度神经网络和核密度估计方法分别处理原始数据后再通过燃烧算法合并处理，从而获取精确度和覆盖率更高的路网数据。

附图说明

为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本方明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。

图1是本发明实施例提供的方法流程图；

图2是本发明实施例提供的某市某区的高分影像图；

图3是本发明实施例提供的某市某区的出租车轨迹图；

图4是本发明实施例提供的根据某市某区高分影像图构建的道路图；

图5是本发明实施例提供的根据某市某区出租车轨迹图构建的道路图；

图6是本发明实施例提供的某市某区经融合后的道路图；

图7是本发明实施例提供的某市某区的道路对比图；

图8是本发明实施例提供的模块连接图；

图9是本发明实施例提供的设备连接图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本发明实施例提供了一种基于遥感图像和浮动车轨迹的路网生成方法，该方法可应用于终端中，也可应用于服务器中，还可以是运行于终端或服务器中的软体，例如具有图像颜色恒常性处理功能的应用程序等。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。参照图1，该方法包括以下步骤S100~S500：

S100、获取轨迹图层和高分影像，对轨迹图层执行栅格化操作，得到第一轨迹图层；执行栅格化后获取的第一轨迹图层的分辨率与高分影像的分辨率相同，而对轨迹图层执行栅格化操作通过以下公式实现：

其中，x,y代表轨迹图层的投影坐标；min(x),min(y)代表投影坐标的最小值；cellsize代表高分影像的分辨率；height代表第一轨迹图层的图像高度；

S200、利用第一轨迹图层和高分影像训练第一神经网络，得到第二神经网络，输入第一轨迹图层和高分影像至第二神经网络，得到第一道路栅格图层；

可选地，步骤S200中获取第二神经网络的过程可以通过以下步骤实现：

S201、获取第一神经网络；

S202、利用第一轨迹图层和高分影像构建样本集，对样本集中的样本进行随机分配，得到训练集和验证集；随机分配的执行过程通过以下公式实现：

其中，

代表训练集；

代表验证集；

代表样本集；

代表训练集占样 本集的比例；

代表验证集占样本集的比例；

和

的和等于1。

S203、通过训练集和验证集对第一神经网络进行训练，得到第二神经网络；第二神经网络的损失值通过以下公式计算：

其中,Loss代表损失值；DiceLoss代表dice损失函数；CrossEntorpy代表交叉熵损失函数，交叉熵损失函数作为常识不做表述；

dice损失函数通过以下公式计算：

其中，

代表集合X、Y之间共同的元素；

和

分别代表集合X和Y中元素的个 数；

可选地，采用的u-net神经网络模型包括18个卷积模块、4个池化模块和4个逆卷积模块，共计124层；

实际的路网仅覆盖图像的较少部分像元，如果仅使用常规的交叉熵损失函数，效果较差，所以在交叉熵损失函数基础上添加了一个dice损失函数，具体见前文；

对于u-net中输出的最后一层图像，应用sigmoid函数进行激活输出，具体公式如下：

最后根据一个阈值将像元分类为道路和非道路，具体公式表示如下：

S300、利用高斯卷积核对第一轨迹图层执行核密度估计操作，得到第二轨迹图层；

在这个过程中，使用一个正态分布函数对第一轨迹图层进行卷积来平滑噪声，具体公式如下：

其中，

代表总平均数；

代表总标准差；

S400、对第二轨迹图层执行二值化操作，得到第二道路栅格图层；二值化操作通过以下公式实现：

其中，x代表输入值；threshold代表阈值，阈值根据实际需求进行设置；

S500、将第一道路栅格图层和第二道路栅格图层叠加并通过燃烧算法进行计算，得到道路图层；

可选地，步骤S500可以通过以下步骤实现：

S501、将第一道路栅格图层和第二道路栅格图层叠加，得到第三道路栅格图层；

S502、确定第三道路栅格图层中的交叉像元，通过燃烧算法对交叉像元进行计算，得到道路图层

参照图2，所示是本发明实施例提供的某市某区的高分影像图；图中由亮线框选出一片区域，为本实施例主要分析的区域。

参照图3，所示是本发明实施例提供的某市某区的出租车轨迹图；对比图2中相同的框选区域，其中黑色线条形成的区域通过汇总出租车运行轨迹的数据呈现。

参照图4，所示是本发明实施例提供的根据某市某区高分影像图构建的道路图；框选区域中的亮线即识别出的道路，在其中标记了3个区域a、b、c作为对照区域，在右侧由上至下分别体现对照区域内的道路。

参照图5，所示是本发明实施例提供的根据某市某区出租车轨迹图构建的道路图；框选区域中的亮线即识别出的道路，在其中标记了3个小区域a、b、c作为对照区域，在右侧由上至下分别体现对照区域内的道路。

参照图6，所示是本发明实施例提供的某市某区经融合后的道路图；框选区域中的亮线即识别出的道路，在其中标记了3个小区域a、b、c作为对照区域，在右侧由上至下分别体现对照区域内的道路。

参照图7，所示是本发明实施例提供的某市某区的道路对比图；分别比对只采用出租车轨迹、只采用高分影像和融合前两者后生成的道路。

我们为了评价不同方法的执行效果，一般会计算每种方法的查全率（Recall）、准确率（Precision）、F1指数和IoU指数，参照表1中体现了只采用高分影像、只采用车辆轨迹和融合前两者的分析方法分别体现的数据，采用本方法在查全率（Recall）、F1指数和IoU指数均呈现了最高值，由此说明集成高分影像和浮动车轨迹的方法相比于只基于轨迹数据或只基于高分影像的方法可以有效提高道路构建的准确率和覆盖度。

表1

	Recall	Precision	F1	IoU
					高分影像	53.81	56.71	53.48	39.41
轨迹	42.43	60.4	45.68	32.5
					融合	69.72	51.89	58.57	43.15

参照图8，本发明还提供了一种基于遥感图像和浮动车轨迹的路网生成系统，包括以下模块：

栅格化模块801，用于获取轨迹图层和高分影像，对轨迹图层执行栅格化操作，得到第一轨迹图层；

神经网络训练模块802，与栅格化模块801连接实现交互，用于利用第一轨迹图层和高分影像训练第一神经网络，得到第二神经网络；输入第一轨迹图层和高分影像至第二神经网络，得到第一道路栅格图层；

核密度估计模块803，与栅格化模块801连接实现交互，用于利用高斯卷积核对第一轨迹图层执行核密度估计操作，得到第二轨迹图层；

二值化模块804，与核密度估计模块803连接实现交互，用于对第二轨迹图层执行二值化操作，得到第二道路栅格图层；

道路图层生成模块805，分别与神经网络训练模块802、二值化模块804连接实现交互，用于将第一道路栅格图层和第二道路栅格图层叠加并通过燃烧算法进行计算，得到道路图层。

参照图9，本发明还提供了一种设备，包括：

至少一个处理器901；

至少一个存储器902，用于存储至少一个程序；

当至少一个程序被至少一个处理器901执行，使得至少一个处理器901实现如图1所示的方法。

图1所示的方法实施例中的内容均适用于本设备实施例中，本设备实施例所具体实现的功能与图1所示的方法实施例相同，并且达到的有益效果与图1所示的方法实施例所达到的有益效果也相同。

本发明还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现如图1所示的方法。

图1所示的方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与图1所示的方法实施例相同，并且达到的有益效果与图1所示的方法实施例所达到的有益效果也相同。

可以理解的是，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (9)

1.一种基于遥感图像和浮动车轨迹的路网生成方法，其特征在于，包括以下步骤：

获取轨迹图层和高分影像，对所述轨迹图层执行栅格化操作，得到第一轨迹图层；

利用所述第一轨迹图层和所述高分影像训练第一神经网络，得到第二神经网络，输入所述第一轨迹图层和所述高分影像至所述第二神经网络，得到第一道路栅格图层；

利用高斯卷积核对所述第一轨迹图层执行核密度估计操作，得到第二轨迹图层；

对所述第二轨迹图层执行二值化操作，得到第二道路栅格图层；

将所述第一道路栅格图层和所述第二道路栅格图层叠加并通过燃烧算法进行计算，得到道路图层；

其中，

将所述第一道路栅格图层和所述第二道路栅格图层叠加，得到第三道路栅格图层；

确定所述第三道路栅格图层中的交叉像元，通过所述燃烧算法对所述交叉像元进行计算，得到所述道路图层。

2.根据权利要求1所述的基于遥感图像和浮动车轨迹的路网生成方法，其特征在于，所述第一轨迹图层的分辨率与所述高分影像的分辨率相同。

3.根据权利要求1所述的基于遥感图像和浮动车轨迹的路网生成方法，其特征在于，所述对所述轨迹图层执行栅格化操作这一步骤，通过以下公式实现：

其中，x,y代表所述轨迹图层的投影坐标；min(x),min(y)代表所述投影坐标的最小值；cellsize代表所述高分影像的分辨率；height代表所述第一轨迹图层的图像高度。

4.根据权利要求1所述的基于遥感图像和浮动车轨迹的路网生成方法，其特征在于，所述利用所述第一轨迹图层和所述高分影像训练第一神经网络，得到第二神经网络这一步骤，包括：

获取所述第一神经网络；

利用所述第一轨迹图层和所述高分影像构建样本集，对所述样本集中的样本进行随机分配，得到训练集和验证集；

通过所述训练集和所述验证集对所述第一神经网络进行训练，得到所述第二神经网络。

5.根据权利要求4所述的基于遥感图像和浮动车轨迹的路网生成方法，其特征在于，所述对所述样本集中的样本进行随机分配，得到训练集和验证集这一步骤，通过以下公式实现：

S_train＝n_train×S_total，S_test＝n_test×S_total

其中，S_train代表所述训练集；S_test代表所述验证集；S_total代表所述样本集；n_train代表所述训练集占所述样本集的比例；n_test代表所述验证集占所述样本集的比例；n_train和n_test的和等于1。

6.根据权利要求4所述的基于遥感图像和浮动车轨迹的路网生成方法，其特征在于，所述第二神经网络的损失值通过以下公式计算得到：

Loss＝DiceLoss+CrossEntorpy

其中,Loss代表损失值；DiceLoss代表dice损失函数；CrossEntorpy代表交叉熵损失函数。

7.根据权利要求6所述的基于遥感图像和浮动车轨迹的路网生成方法，其特征在于，所述dice损失函数通过以下公式实现：

其中，|X∩Y|代表集合X、Y之间共同的元素；|X|和|Y|分别代表集合X和Y中元素的个数。

8.根据权利要求1所述的基于遥感图像和浮动车轨迹的路网生成方法，其特征在于，所述对所述第二轨迹图层执行二值化操作这一步骤，通过以下公式实现：

其中，x代表输入值；threshold代表阈值。

9.一种基于遥感图像和浮动车轨迹的路网生成系统，其特征在于，包括以下模块：

栅格化模块，用于获取轨迹图层和高分影像，对所述轨迹图层执行栅格化操作，得到第一轨迹图层；

神经网络训练模块，用于利用所述第一轨迹图层和所述高分影像训练第一神经网络，得到第二神经网络；输入所述第一轨迹图层和所述高分影像至所述第二神经网络，得到第一道路栅格图层；

核密度估计模块，用于利用高斯卷积核对所述第一轨迹图层执行核密度估计操作，得到第二轨迹图层；

二值化模块，用于对所述第二轨迹图层执行二值化操作，得到第二道路栅格图层；

道路图层生成模块，用于将所述第一道路栅格图层和所述第二道路栅格图层叠加并通过燃烧算法进行计算，得到道路图层；其中，将所述第一道路栅格图层和所述第二道路栅格图层叠加，得到第三道路栅格图层；确定所述第三道路栅格图层中的交叉像元，通过所述燃烧算法对所述交叉像元进行计算，得到所述道路图层。

Images