CN113052084A - 一种基于手机定位数据的社区级矢量道路网提取方法 - Google Patents
一种基于手机定位数据的社区级矢量道路网提取方法 Download PDFInfo
- Publication number
- CN113052084A CN113052084A CN202110327679.5A CN202110327679A CN113052084A CN 113052084 A CN113052084 A CN 113052084A CN 202110327679 A CN202110327679 A CN 202110327679A CN 113052084 A CN113052084 A CN 113052084A
- Authority
- CN
- China
- Prior art keywords
- road network
- data
- grid
- dem
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000013598 vector Substances 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 239000008239 natural water Substances 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims 2
- 230000008602 contraction Effects 0.000 abstract description 2
- 238000009499 grossing Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011439 discrete element method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
- G06V20/39—Urban scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Navigation (AREA)
Abstract
本发明提出了一种基于手机定位数据的社区级矢量道路网提取方法，包括根据研究区域经纬度的矢量面范围提取区域内的所有轨迹数据；提取区域内的所有轨迹数据；室外场景建模，剔除掉所有在建筑物内的轨迹数据；对研究区域进行单元网格划分；统计每个网格中心的经纬度坐标并根据空间位置连接操作提取每个网格内的轨迹点数量；对处理后的网格数据利用自研代码生成DEM；利用生成的DEM通过填洼操作使得DEM表面光滑；对预处理的DEM数据通过流向计算、汇流量计算、路网分级、栅格路网矢量化提取得到路网；利用形态学中的膨胀收缩法优化提取道路的几何结构；利用简化线算法进一步优化，进而得到最终的道路网，本发明有助于封闭式社区内部矢量道路网的集成与更新。
Description
技术领域
本发明涉及矢量道路网络提取与更新技术，特别是一种基于手机定位数据的社区级矢量道路网提取方法。
背景技术
道路地图数据是国家基础地理信息、智能交通的重要组成部分，在智慧城市建设、车辆智能导航、网络地图服务、地图数据更新等方面起着关键作用。由于城乡道路建设飞速发展，道路网变得越来越精细化和复杂，道路信息快速获取与更新成为亟待解决的问题。随着移动设备的飞速发展，现在导航设备广泛存在于手机、ipad等移动设备中，人们对位置服务的实时性的要求越来越高。矢量道路网数据作为导航系统最关键的数据之一，其现时性的高低对导航系统的服务质量有着及其重要的影响。
在过去近四十年中，路网的生成一直是地理信息领域里面的研究重点，Edelkamp(2003)利用K-Means聚类算法对所有的轨迹点进行聚类分析，然后连接各中心点，并采用样条曲线的方法来拟合生成道路网，大大提高了道路网的精度，但提取得到的路网拓扑结构不够理想。Zhang Yongchuan等人通过遍历轨迹段集合，基于轨迹的空间位置关系确定是否将轨迹段添加到待生成的路网集合当中，由于道路交叉处的确定受阈值影响明显，该方法提取得到的路网平滑度不够；Guangliang Cheng提出了一种级联端到端卷积神经网络(CasNet)来从高分辨率的遥感影像中同时提取到道路面和道路中心线。但道路边缘的图像特征易受周围建筑、道路两旁树木等遮挡而影响道路提取的效果。Zhen Lv等人一种自适应多特征(包含了颜色、局部熵和HSC特征)基于稀疏性模型的道路提取，并取得了良好的效果，但该方法比较依赖于特征值提取的效果。上述的方法大多数聚焦在城市的主干道路提取上，却忽略了居民区等小范围区域内部精细道路网的更新。
发明内容
有鉴于此，本发明的提供了一种基于手机定位数据的社区级矢量道路网提取方法，包括以下步骤：
S1、根据研究区域经纬度的矢量面范围提取区域内的所有轨迹数据；
S2、室外场景建模，剔除掉研究区域中所有在建筑物内的轨迹数据；
S3、对S2处理之后的研究区域进行单元网格划分；
S4、统计每个网格中心的经纬度坐标并根据空间位置连接操作提取每个网格内的轨迹点数量；
S5、对处理后的网格数据利用自研代码插值方法生成DEM；
S6、利用生成的DEM通过填洼操作使得DEM表面光滑；
S7、对预处理的DEM数据依次通过流向计算、汇流量计算、路网分级、栅格路网矢量化提取得到路网；
S8、利用形态学中的膨胀收缩法优化提取道路网的几何结构；
S9、利用简化线算法使得道路拓扑结构不变的情况下进一步优化，进而得到最终的道路网。
本发明提供的技术方案带来的有益效果是：本发明提取出了一种低成本，可实时性高的方法来提取居民区的精细道路网，相较于OSM道路地图与专业地图生厂商高德地图，本发明生成了它们很难采集与获取到的精细级别的行人小径；而这些小区级别的精细道路将作为现有社区级别精细道路网的重要补充，为行人导航地图服务有重要意义。
附图说明
图1是本发明一种基于手机定位数据的精细矢量道路网更新方法的流程图；
图2是矢量道路数据，其中(a)-(f)分别为当代国际花园、万科红郡、现代森林小镇、阳光小区、光谷新世界、金地阳光城的矢量道路数据，其中左边的以百度地图为底图矢量，右边的以高德地图为底图矢量；
图3是室外场景建模效果图，其中(a)-(f)所示分别为当代国际花园、万科红郡、现代森林小镇、阳光小区、光谷新世界、金地阳光城的室外场景建模效果图；
图4是DEM图，其中(a)-(f)所示分别为当代国际花园、万科红郡、现代森林小镇、阳光小区、光谷新世界、金地阳光城的DEM；
图5是栅格转矢量路网结果图，其中(a)-(f)所示分别为当代国际花园、万科红郡、现代森林小镇、阳光小区、光谷新世界、金地阳光城的栅格转矢量路网结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方法作进一步地描述。
请参考图1，本发明的实施例提供了一种基于手机定位数据的精细矢量道路网更新方法，以人的活动密度来建立DEM，通过将人的活动轨迹模拟成道路流的方向，利用流域分析来提取出居民区内部的精细道路网。
下面结合6个小区的手机定位数据作为实施例进行进一步的说明，请参考图2，所示为6个小区的矢量道路网，其中，(a)-(f)分别为当代国际花园、万科红郡、现代森林小镇、阳光小区、光谷新世界、金地阳光城的矢量道路数据，其中左边的以百度地图为底图矢量，右边的以高德地图为底图矢量。
表1所示是6个研究区域的数据详情表，表2所示是手机定位数据属性表。
表1研究区域数据详情表
表2手机信令数据属性表
本发明具体步骤如下：
S1、根据研究区域经纬度的矢量面范围提取区域内的所有轨迹数据；具体地，首先根据研究区域的经纬度绘制矢量面范围，然后与轨迹数据进行相交，提取得到研究区域内的所有轨迹点数据；
S2、室外场景建模，剔除掉研究区域内所有在建筑物内的轨迹数据；剔除掉建筑物内的轨迹数据，避免其对后续路网结果造成影响，如图3中的(a)-(f)所示分别为当代国际花园、万科红郡、现代森林小镇、阳光小区、光谷新世界、金地阳光城的室外场景建模；
S3、对S2处理之后的研究区域进行单元网格划分；在尺度α(比如1m、3m和5m)下按网格方式(GNline，GNcolumn)划分研究区域(latitudemax-latitudemin，longitudemax-longitudemin)：
GNline＝|latitudemax-latitudemin|/α (1)
GNcolumn＝|longitudemax-longitudemin|/α (2)
如式(1)和式(2)所示，其中GNline是研究区域划分网格的行数，GNcolumn是划分网格的列数，α则为网格的尺度，longitudemax和latitudemin分别为研究区域纬度的最大值和最小值，longitudemax和longitudemin分别为研究区域经度的最大值和最小值；
S4、统计每个网格中心的经纬度坐标并根据空间位置连接操作提取每个网格内的轨迹点数量；
所述空间位置连接操作是指将单元格化的网格面与区域内的矢量轨迹点数据进行相交得到每个网格面内的轨迹点数量。
S5、对处理后的网格数据(Cell)利用自研代码的插值方法生成DEM；其中单元网格数据属性如式(3)所示；所述DEM是一种栅格高程数字模型，用于模拟地球表面真实形态，利用DEM各个像元的高程值可有效提取得到与现实接近的路网分布情况；请参考图4；
Cell＝(longitude，latitude，ye) (3)
其中longitude表示的是单元网格中心的经度坐标，latitude表示的是单元网格中心的纬度坐标，ve表示的是轨迹密度构建的虚拟高程值；
S6、利用生成的DEM通过填洼操作使得DEM表面光滑；无洼地的DEM数据是进行流域分析的数据基础，由于研究区域部分局部没有轨迹数据分布的影响，使得构建的DEM表面存在一些凹陷的区域，因此需要通过填洼来剔除噪声影响；
S7、对预处理的DEM数据通过流向计算、汇流量计算、路网分级、栅格路网矢量化提取得到路网；
所述流向计算是计算DEM数据每个栅格单元与其相邻的8个栅格单元之间的落差值，然后按坡度最陡原则确定该单元的路网流向方向，即高程差为正值，则为流出，若为负值，则为流入；
所述汇流量计算是按照自然水流从高处流往低处的自然规律，根据单元网格流向方向计算每点处所流过的人流量数值，便得到了该区域的人流汇流累积量；
所述路网分级是对一个线性的道路网络以数字标识的形式划分级别。不同级别的路网所代表的汇流累积量不同，级别越高，汇流累积量越大，一般是主流，而级别较低的河网一般则是支流；
所述栅格路网转矢量数据是将栅格的道路网数据转换成矢量的道路网路，请参考图5；
S8、利用形态学中的膨胀收缩法优化提取道路的几何结构；所述膨胀收缩法是将道路网首先通过缓冲区分析进行整体放大效果，然后通过栅格骨架法提取中心道路网络，来剔除噪声道路的影响；
S9、利用简化线算法使得道路拓扑结构不变的情况下进一步优化，本发明的简化线算法主要采用的是简化线算法中的折弯简化算法，会生成与原始要素更为接近的结果，其操作方式为消除沿线方向上不太重要的弯曲，此方法多用于更为精细的简化，进而得到最终的道路网。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (9)
1.一种基于手机定位数据的精细矢量道路网更新方法，其特征在于，包括以下步骤：
S1、根据研究区域经纬度的矢量面范围提取区域内的所有轨迹数据；
S2、室外场景建模，剔除掉研究区域中所有在建筑物内的轨迹数据；
S3、对S2处理之后的研究区域进行单元网格划分；
S4、统计每个网格中心的经纬度坐标并根据空间位置连接操作提取每个网格内的轨迹点数量；
S5、对处理后的网格数据利用自研代码插值方法生成DEM；
S6、利用生成的DEM通过填洼操作使得DEM表面光滑；
S7、对预处理的DEM数据依次通过流向计算、汇流量计算、路网分级、栅格路网矢量化提取得到路网；
S8、利用形态学中的膨胀收缩法优化提取道路网的几何结构；
S9、利用简化线算法使得道路拓扑结构不变的情况下进一步优化，进而得到最终的道路网。
2.根据权利要求1所述的基于手机定位数据的精细矢量道路网更新方法，其特征在于，步骤S1所述提取区域内的所有轨迹数据方法为：将所有轨迹点与研究区域经纬度的矢量面进行相交，提取得到研究区域内的所有轨迹点数据。
3.根据权利要求1所述的基于手机定位数据的精细矢量道路网更新方法，其特征在于，步骤S4中所述空间位置连接操作是指：将单元格化的网格面与区域内的矢量轨迹点数据进行相交得到每个网格面内的轨迹点数量。
4.根据权利要求1所述的基于手机定位数据的精细矢量道路网更新方法，其特征在于，步骤S5中，所述DEM是一种栅格高程数字模型，用于模拟地球表面真实形态，利用DEM各个像元的高程值有效提取得到与现实接近的路网分布情况。
5.根据权利要求1所述的基于手机定位数据的精细矢量道路网更新方法，其特征在于，步骤S7中，所述流向计算具体为：
S71、计算DEM数据每个栅格单元与其相邻的8个栅格单元之间的落差值；
S72、按坡度最陡原则确定该单元的路网流向方向，即高程差为正值，则为流出，若为负值，则为流入。
6.根据权利要求1所述的基于手机定位数据的精细矢量道路网更新方法，其特征在于，所述汇流量计算是指：按照自然水流从高处流往低处的自然规律，根据单元网格流向方向计算每点处所流过的人流量数值，便得到了该区域的人流汇流累积量。
7.根据权利要求1所述的基于手机定位数据的精细矢量道路网更新方法，其特征在于，所述路网分级是指：对一个线性的道路网络以数字标识的形式划分级别，不同级别的路网所代表的汇流累积量不同，级别越高，汇流累积量越大，一般是主流，而级别较低的河网一般则是支流。
8.根据权利要求1所述的基于手机定位数据的精细矢量道路网更新方法，其特征在于，所述栅格路网转矢量数据是将栅格的道路网数据转换成矢量的道路网路。
9.根据权利要求1所述的基于手机定位数据的精细矢量道路网更新方法，其特征在于，步骤S8中，所述膨胀收缩法是指：将道路网首先通过缓冲区分析进行整体放大效果，然后通过栅格骨架法提取中心道路网络，来剔除噪声道路的影响。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110327679.5A CN113052084A (zh) | 2021-03-26 | 2021-03-26 | 一种基于手机定位数据的社区级矢量道路网提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110327679.5A CN113052084A (zh) | 2021-03-26 | 2021-03-26 | 一种基于手机定位数据的社区级矢量道路网提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113052084A true CN113052084A (zh) | 2021-06-29 |
Family
ID=76515883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110327679.5A Pending CN113052084A (zh) | 2021-03-26 | 2021-03-26 | 一种基于手机定位数据的社区级矢量道路网提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052084A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116127672A (zh) * | 2023-04-17 | 2023-05-16 | 北京路凯智行科技有限公司 | 露天矿路网生成方法和露天矿路网生成装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101464158A (zh) * | 2009-01-15 | 2009-06-24 | 上海交通大学 | 基于gps定位的道路网络栅格数字地图自动生成方法 |
| CN105139434A (zh) * | 2015-08-11 | 2015-12-09 | 长沙迪迈数码科技股份有限公司 | 露天矿山道路网自动构建方法及系统 |
| CN108804804A (zh) * | 2018-06-05 | 2018-11-13 | 中国水利水电科学研究院 | 一种基于数字河网的大数量子流域快速编码方法 |
| CN108920481A (zh) * | 2018-04-20 | 2018-11-30 | 中国地质大学（武汉） | 一种基于手机定位数据的道路网重建方法及系统 |
| CN110334861A (zh) * | 2019-06-27 | 2019-10-15 | 四川大学 | 一种基于轨迹数据的城市区域划分方法 |
-
2021
- 2021-03-26 CN CN202110327679.5A patent/CN113052084A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101464158A (zh) * | 2009-01-15 | 2009-06-24 | 上海交通大学 | 基于gps定位的道路网络栅格数字地图自动生成方法 |
| CN105139434A (zh) * | 2015-08-11 | 2015-12-09 | 长沙迪迈数码科技股份有限公司 | 露天矿山道路网自动构建方法及系统 |
| CN108920481A (zh) * | 2018-04-20 | 2018-11-30 | 中国地质大学（武汉） | 一种基于手机定位数据的道路网重建方法及系统 |
| CN108804804A (zh) * | 2018-06-05 | 2018-11-13 | 中国水利水电科学研究院 | 一种基于数字河网的大数量子流域快速编码方法 |
| CN110334861A (zh) * | 2019-06-27 | 2019-10-15 | 四川大学 | 一种基于轨迹数据的城市区域划分方法 |
Non-Patent Citations (3)
| Title |
|---|
| 沈中原等: "基于DEM的流域数字河网提取算法研究", 《水资源与水工程学报》 * |
| 王奎等: "基于GIS的小流域特征信息提取", 《重庆理工大学学报(自然科学)》 * |
| 赵东保等: "基于大规模浮动车轨迹点数据的道路网变化检测与更新方法研究", 《地理与地理信息科学》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116127672A (zh) * | 2023-04-17 | 2023-05-16 | 北京路凯智行科技有限公司 | 露天矿路网生成方法和露天矿路网生成装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298076B (zh) | 一种基于gis和swmm的城市内涝智能建模及分析方法 | |
| CN103955565B (zh) | 基于gis平台的城市水系构建规划方法 | |
| CN107239657B (zh) | 一种面向对象的水动力学建模要素管理方法 | |
| CN114240119A (zh) | 基于数字孪生的国土空间全域全要素防洪防涝系统及预警方法 | |
| CN109657841A (zh) | 一种城市暴雨内涝积水深度提取方法 | |
| CN108510008B (zh) | 一种基于浮动车轨迹点空间关系和分布的路网提取方法 | |
| CN109190161B (zh) | 基于斑块元胞自动机和港口城市规划的港城发展模拟方法 | |
| CN104574512A (zh) | 一种顾及地形语义信息的多尺度dem构建方法 | |
| CN111062128B (zh) | 一种流域汇流模拟估测方法 | |
| Deng et al. | Street-level solar radiation mapping and patterns profiling using Baidu Street View images | |
| CN115659816A (zh) | 基于孪生模型的城市内涝点预测方法及系统 | |
| CN109671149A (zh) | 基于dem的地形素描图自动绘制方法 | |
| CN110232737A (zh) | 一种城市汇水区划分方法 | |
| CN115471634B (zh) | 一种城市绿植孪生的建模方法及装置 | |
| CN113505842A (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
| CN110175370A (zh) | 一种城市汇水潜力区识别方法 | |
| CN111538798A (zh) | 一种顾及dsm和dlg的城市汇水区精细化提取方法 | |
| CN111475950A (zh) | 一种下凹式立交桥下雨洪的模拟方法 | |
| CN113342873B (zh) | 一种基于城市形态与汇聚模式的人口分析单元划分方法 | |
| CN113052084A (zh) | 一种基于手机定位数据的社区级矢量道路网提取方法 | |
| CN117332542B (zh) | 一种多尺度自适应选择的城市洪涝建模模拟方法 | |
| Xu et al. | Urban flooding resilience evaluation with coupled rainfall and flooding models: a small area in Kunming City, China as an example | |
| CN117012004B (zh) | 一种城市内涝风险预警方法及系统 | |
| CN115471980B (zh) | 泥石流灾害预警方法 | |
| CN114648617A (zh) | 一种基于数字高程模型dem的水系提取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210629 |