CN115309846B - 一种基于平行系数的道路网结构识别方法 - Google Patents
一种基于平行系数的道路网结构识别方法 Download PDFInfo
- Publication number
- CN115309846B CN115309846B CN202211235631.2A CN202211235631A CN115309846B CN 115309846 B CN115309846 B CN 115309846B CN 202211235631 A CN202211235631 A CN 202211235631A CN 115309846 B CN115309846 B CN 115309846B
- Authority
- CN
- China
- Prior art keywords
- road
- parallel
- road network
- roads
- network data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000002093 peripheral effect Effects 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例中提供了一种基于平行系数的道路网结构识别方法,属于数据处理技术领域,具体包括:采集目标区域的初始道路网数据;对初始道路网数据进行预处理,得到目标道路网数据;根据目标道路网数据查找平行道路组,并计算每条道路与平行道路组的Hausdorff距离序列和平行系数序列;根据Hausdorff距离序列和平行系数序列提取多线主干道和非平行道路;对非平行道路进行结构识别,提取双向道路和复杂交叉口。通过本发明的方案,协同、综合地提取道路网中各类结构,基于道路网的拓扑连接关系等信息,精准地识别出道路网中多线主干道、复杂交叉路口和双向道路,提高了道路网结构识别的适应性、协同性和识别效率。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种基于平行系数的道路网结构识别方法。
背景技术
道路网数据是一种重要的基础地理信息数据,肩负着城市交通的重任,为智能化导航、路径精准规划、地图综合等研究提供数据支撑。随着城市化进程的不断加快,城市道路网也不断更新、扩张。因此,道路网的建模也需要及时跟进,主要包括选取道路网和简化局部结构两个方面,而识别、化简道路网中局部结构是近年来路网综合的研究热点。
目前,道路网中局部结构识别的研究包括多线主干道、复杂道路交叉口等结构的识别。多线主干道是城市道路网的主要组成部分,为城市的交通命脉,现有关于其提取识别的研究较多,在缺乏准确、完备、全面的道路属性信息的情况下,大部分是通过道路的基本拓扑连接属性,从而导致主干道识别不够精准。复杂交叉路口是城市道路网的重要结构,为城市交通的中心枢纽,现有关于复杂交叉路口的识别主要集中于基于轨迹数据辅助的提取方法,通过轨迹数据的分布情况来发现交叉口,但是对样本质量依赖性高,提取不同复杂程度的交叉口效果不够理想,且算法复杂、效率较低。
可见,亟需一种能协同、综合识别道路网结构的基于平行系数的道路网结构识别方法。
发明内容
有鉴于此,本发明实施例提供一种基于平行系数的道路网结构识别方法,至少部分解决现有技术中存在识别适应性、协同性和识别效率较差的问题。
本发明实施例提供了一种基于平行系数的道路网结构识别方法,包括:
步骤1,采集目标区域的初始道路网数据;
步骤2,对所述初始道路网数据进行预处理,得到目标道路网数据;
步骤3,根据所述目标道路网数据查找平行道路组,并计算每条道路与所述平行道路组的Hausdorff距离序列和平行系数序列;
步骤4,根据所述Hausdorff距离序列和所述平行系数序列提取多线主干道和非平行道路;
步骤5,对所述非平行道路进行结构识别,提取双向道路和复杂交叉口。
根据本发明实施例的一种具体实现方式,所述初始道路网数据为线段的shp类型数据。
根据本发明实施例的一种具体实现方式,所述步骤2具体包括:
步骤2.1,将所述初始道路网数据与真实的实景道路数据进行对比,根据所述初始道路网中包含的确定的属性进行道路筛选;
步骤2.2,对筛选后的初始道路网数据道路网进行拓扑检查和修正;
步骤2.3,对拓扑检查并修正后的初始道路网数据进行等长打断,得到目标道路网数据。
根据本发明实施例的一种具体实现方式,所述步骤2.2具体包括:
步骤2.2.1,根据筛选后的初始道路网数据建立拓扑关系,并添加拓扑规则;
步骤2.2.2,进行拓扑验证,找出所有的拓扑错误;
步骤2.2.3,根据现实中的道路连通情况,对道路的拓扑错误进行修改,完成道路网拓扑检查与修正。
根据本发明实施例的一种具体实现方式,步骤2.3具体包括:
步骤2.3.1,获取拓扑检查并修正后的初始道路网数据每条道路的起点;
步骤2.3.2,按照指定长度对道路进行迭代打断,直到道路长度小于指定长度,迭代终止,完成道路网指定长度打断处理。
根据本发明实施例的一种具体实现方式,所述步骤3具体包括:
步骤3.1,对所述目标道路网数据中全部道路做预设距离的缓冲区,依次遍历每条道路对应的缓冲区,得到所述平行道路组;
步骤3.2,计算道路与所述平行道路组的Hausdorff距离序列;
步骤3.3,计算道路与所述平行道路组的平行系数序列。
根据本发明实施例的一种具体实现方式,所述步骤4具体包括:
步骤4.1,根据所述Hausdorff距离序列和所述平行系数序列识别平行道路和所述非平行道路;
步骤4.2,根据识别到的平行道路查找其外围边对,提取多线主干道。
根据本发明实施例的一种具体实现方式,所述步骤4.2具体包括:
步骤4.2.1,对所有平行道路做预设距离的缓冲区,然后将缓冲区结果与所述目标道路网数据相交处理;
步骤4.2.2,遍历每个缓冲区与所述目标道路网数据的相交情况,将只与缓冲区本身的道路相交的道路作为外围路段,根据邻接关系进行融合处理;
步骤4.2.3,利用道路的长度信息、方向信息、形状信息和位置信息将融合后的外围路段分组,每组包含特征最相似的两条外围平行路段,并根据每组的两条外围路段连成一个多边形,遍历所有外围路段组,连接多个多边形,将这些多边形与道路网进行相交分析,将结果作为所述目标区域的道路网中包含的多线主干道。
根据本发明实施例的一种具体实现方式,所述步骤5具体包括:
步骤5.1,对全部所述非平行道路做预设距离的缓冲区分析;
步骤5.2,遍历每个缓冲区,将缓冲区与所述目标道路网数据进行相交分析;
步骤5.3,根据相交分析结果判断缓冲区对应的道路结构,若只与缓冲区对应的自身道路相交,则初步识别为双向道路,若否,则初步识别为复杂交叉路口;
步骤5.4,结合实景地图,将初步识别结果根据道路长度、相邻关系进行合并、融合后处理,完成双向道路、复杂交叉路口提取。
本发明实施例中的基于平行系数的道路网结构识别方案,包括:步骤1,采集目标区域的初始道路网数据;步骤2,对所述初始道路网数据进行预处理,得到目标道路网数据;步骤3,根据所述目标道路网数据查找平行道路组,并计算每条道路与所述平行道路组的Hausdorff距离序列和平行系数序列;步骤4,根据所述Hausdorff距离序列和所述平行系数序列提取多线主干道和非平行道路;步骤5,对所述非平行道路进行结构识别,提取双向道路和复杂交叉口。
本发明实施例的有益效果为:通过本发明的方案,协同、综合地提取道路网中各类结构,基于道路网的拓扑连接关系、位置分布、转弯弧度、实景地图等信息,精准地识别出道路网中多线主干道、复杂交叉路口和双向道路,提高了道路网结构识别的适应性、协同性和识别效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于平行系数的道路网结构识别方法的流程示意图;
图2为本发明实施例提供的另一种基于平行系数的道路网结构识别方法的流程示意图;
图3为本发明实施例提供的一种道路网与研究区域示意图;
图4为本发明实施例提供的一种预处理后的道路网与研究区域示意图;
图5为本发明实施例提供的一种部分道路网的平行、非平行路段识别结果;
图6为本发明开实施例提供的一种部分道路网的结构识别结果。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本发明实施例提供一种基于平行系数的道路网结构识别方法,所述方法可以应用于城市交通场景的道路网识别与管理过程中。
参见图1,为本发明实施例提供的一种基于平行系数的道路网结构识别方法的流程示意图。如图1和图2所示,所述方法主要包括以下步骤:
步骤1,采集目标区域的初始道路网数据;
可选的,所述初始道路网数据为线段的shp类型数据。
例如,采用某市区2016年的路网数据对本发明实施例进行说明,实施例中可以选择某地区作为研究区域,采用的数据为道路网数据。该数据为线段的shp类型数据,道路网与研究区域分布如图3所示。
步骤2,对所述初始道路网数据进行预处理,得到目标道路网数据;
在上述实施例的基础上,所述步骤2具体包括:
步骤2.1,将所述初始道路网数据与真实的实景道路数据进行对比,根据所述初始道路网中包含的确定的属性进行道路筛选;
步骤2.2,对筛选后的初始道路网数据道路网进行拓扑检查和修正;
步骤2.3,对拓扑检查并修正后的初始道路网数据进行等长打断,得到目标道路网数据。
进一步的,所述步骤2.2具体包括:
步骤2.2.1,根据筛选后的初始道路网数据建立拓扑关系,并添加拓扑规则;
步骤2.2.2,进行拓扑验证,找出所有的拓扑错误;
步骤2.2.3,根据现实中的道路连通情况,对道路的拓扑错误进行修改,完成道路网拓扑检查与修正。
进一步的,步骤2.3具体包括:
步骤2.3.1,获取拓扑检查并修正后的初始道路网数据每条道路的起点;
步骤2.3.2,按照指定长度对道路进行迭代打断,直到道路长度小于指定长度,迭代终止,完成道路网指定长度打断处理。
例如,先清洗道路网数据中研究区域外、位置异常、独立分布的道路数据,然后结合实景地图中的道路数据对小区内部、漂移等道路进行筛选、删除,将道路网数据与地图软件上真实的实景道路数据进行对比,初步完善道路网数据,然后根据道路网中包含的确定的属性进行道路筛选,完成道路网筛选处理,再对筛选后的道路网数据进行拓扑检查,先对道路网建立拓扑关系,然后添加“不能重叠”,“不能有悬挂点”,“不能有伪结点”三条拓扑规则,再进行拓扑验证,找出所有的拓扑错误,最后根据现实中的道路连通情况,对道路的拓扑错误进行修改,完成道路网拓扑检查与修改,对拓扑检查并修正后的道路网数据进行等长打断,先获取道路的起点,然后使用Arcgis软件按照指定长度例如10米对道路进行迭代打断,直到道路长度小于指定长度,迭代终止,不再进行打断,完成道路网指定长度打断处理,预处理后的道路网数据和某地区区域如图4所示。
步骤3,根据所述目标道路网数据查找平行道路组,并计算每条道路与所述平行道路组的Hausdorff距离序列和平行系数序列;
在上述实施例的基础上,所述步骤3具体包括:
步骤3.1,对所述目标道路网数据中全部道路做预设距离的缓冲区,依次遍历每条道路对应的缓冲区,得到所述平行道路组;
步骤3.2,计算道路与所述平行道路组的Hausdorff距离序列;
步骤3.3,计算道路与所述平行道路组的平行系数序列。
具体实施时,根据Hausdorff距离分层对平行系数进行分层,比较道路实际平行系数值与该层对应的平行系数阈值来判断道路是否属于平行路段。具体步骤可以如下所示:
查找道路候选平行道路组
对所有道路做一定距离的缓冲区,依次遍历每条道路对应的缓冲区,将缓冲区与道路网进行相交分析,结果即为该道路对应的候选平行道路组。
计算道路与平行道路组的Hausdorff距离序列
在数学中,Hausdorff距离用于度量两个子集间的距离,是集合中任意一个点到另一个集合中最近点的距离最大值;相应地,两条道路间的Hausdorff距离是一条道路上的任意一个点到另一条道路最近点的最大距离,两条道路间较短Hausdorff距离是长度较短的道路上任意一点到另外一条道路最近点的最大距离。两道路A、B间的较短Hausdorff距离计算为:
其中,表示组成道路A的点集,共i个点组成;表示组成道路B的点集,共j个点组成;表示道路A到道路B的Hausdorff距离,同理,表示道路B到道路A的Hausdorff距离;length()表示道路的长度,为较短Hausdorff距离。
基于Hausdorff距离和较短Hausdorff距离的计算理论,本发明提出计算某条道路和包含多条道路的候选平行道路组间的Hausdorff距离序列,是道路到每条候选平行道路的较短Hausdorff距离组成的序列。道路与每条候选平行道路间的较短Hausdorff距离序列计算为:
其中,为道路到第一条候选平行道路的较短Hausdorff距离,为道路到第i条候选平行道路的较短Hausdorff距离,共i条候选平行道路,为道路与i条候选平行道路间依次对应的较短Hausdorff距离序列。
计算道路与平行道路组的平行系数序列
在概率和统计中,方差是用于衡量一组数据间离散程度的度量;类比地,将方差的思想迁移到评估两道路间形状差异情况,用于衡量两道路间距离的波动程度,称之为平行系数,两道路A、B间的平行系数计算为:
其中,表示组成道路A的点集,共i个点组成;表示组成道路B的点集,共j个点组成;为道路A上的每个点到道路B上的点的最小距离,为道路A中每个点到道路B最小距离的平均值;类似地,为道路B上每个点到道路A上的点的最小距离,为道路B中每个点到道路A最小距离的平均值,length()表示某道路的长度。
基于两道路间平行系数的计算理论,本发明提出计算某条道路和包含多条道路的候选平行道路组间的平行系数序列,是道路到每条候选平行道路的平行系数组成的序列。道路与每条候选平行道路间的平行系数序列计算为:
步骤4,根据所述Hausdorff距离序列和所述平行系数序列提取多线主干道和非平行道路;
进一步的,所述步骤4具体包括:
步骤4.1,根据所述Hausdorff距离序列和所述平行系数序列识别平行道路和所述非平行道路;
步骤4.2,根据识别到的平行道路查找其外围边对,提取多线主干道。
进一步的,所述步骤4.2具体包括:
步骤4.2.1,对所有平行道路做预设距离的缓冲区,然后将缓冲区结果与所述目标道路网数据相交处理;
步骤4.2.2,遍历每个缓冲区与所述目标道路网数据的相交情况,将只与缓冲区本身的道路相交的道路作为外围路段,根据邻接关系进行融合处理;
步骤4.2.3,利用道路的长度信息、方向信息、形状信息和位置信息将融合后的外围路段分组,每组包含特征最相似的两条外围平行路段,并根据每组的两条外围路段连成一个多边形,遍历所有外围路段组,连接多个多边形,将这些多边形与道路网进行相交分析,将结果作为所述目标区域的道路网中包含的多线主干道。
具体实施时,识别平行路段和非平行路段
两道路的平行系数反映了构成两道路点集间距离的波动大小,平行系数越小,说明两道路间的距离波动越小,平行程度越高,反之平行程度越低。本发明提出一种基于较短Hausdorff距离分层设定平行系数阈值的平行判定方法,依次判断各道路是否为平行道路,实现平行道路和非平行道路的识别。
反之,不满足平行道路条件的即为非平行道路。因此,将道路网中所有道路分为平行道路和非平行道路。
提取多线主干道
多线主干道主要由多条平行道路组合而成,其形状明显区别于其他结构类型道路。本发明提出基于平行道路识别提取多线主干道的方法,先识别出道路网中的平行道路,再对比实景地图中的主干道提取多线主干道。
基于上一步识别出的平行道路,先对所有平行道路做一定距离的右缓冲区,然后将缓冲区结果与道路网数据做相交处理,再遍历每个缓冲区与道路网的相交情况,若只与缓冲区本身的道路相交,则判断该道路为外围路段,根据邻接关系进行融合处理,利用道路长度、方向、形状、位置等信息将融合后的外围路段分组,每组包含特征最相似的两条外围平行路段,最后根据每组的两条外围路段连成一个多边形,遍历所有外围路段组,连接多个多边形,将这些多边形与道路网进行相交分析,结果即为道路网中包含的多线主干道。
例如,参考某市区交通运输委员会分布的区域道路设计规范和实际道路分布情况,对上一步预处理后的数据做双侧缓冲区分析的距离为50米,查找每个缓冲区与道路网的相交道路即为该缓冲区道路对应的平行道路组。计算道路与平行道路组的Hausdorff距离序列、平行系数序列。利用公式(1)~(3)计算道路与其对应的候选平行道路组的Hausdorff距离序列,用公式(4)~(6)计算道路与其对应的候选平行道路组的平行系数序列,对道路网中每条道路重复这两个计算步骤,求得所有道路与其平行道路组的Hausdorff距离序列、平行系数序列。然后识别平行路段和非平行路段。基于上一步求得的道路与平行道路组的Hausdorff距离序列、平行系数序列结果,人工选取部分有代表性的平行线组为样本进行训练,得到公式(7)中的参数HD0、HD1、HD2对应取3.5、10、50,P0、P1、P2、P3对应取0.596、1.5、3.5、3.5,将所有参数值带入到公式(7)中依次对道路网中所有道路进行平行判断,实现道路网中所有道路平行和非平行识别,部分道路网的平行、非平行路段识别结果如图5所示。
步骤5,对所述非平行道路进行结构识别,提取双向道路和复杂交叉口。
在上述实施例的基础上,所述步骤5具体包括:
步骤5.1,对全部所述非平行道路做预设距离的缓冲区分析;
步骤5.2,遍历每个缓冲区,将缓冲区与所述目标道路网数据进行相交分析;
步骤5.3,根据相交分析结果判断缓冲区对应的道路结构,若只与缓冲区对应的自身道路相交,则初步识别为双向道路,若否,则初步识别为复杂交叉路口;
步骤5.4,结合实景地图,将初步识别结果根据道路长度、相邻关系进行合并、融合后处理,完成双向道路、复杂交叉路口提取。
例如,可以先对所有平行道路做50米距离的右侧缓冲区分析,再将缓冲区结果与道路网做相交分析,若某缓冲区只与创建该缓冲区自身的道路相交则为外围路段,再根据外围路段的邻接关系、距离、长度、方向、形状等信息进行融合、分组,每组中包含的两条外围路段连接成一个多边形,道路网中与多边形相交的道路即为提取得到的多线主干道。
然后再对步骤4中识别出的非平行路段做双侧50米的缓冲区,若某缓冲区只与创建该缓冲区自身的道路相交则为双向道路,反之,则为复杂交叉口,并将长度过短的道路合并到相邻较长的道路中,再结合实景地图,对道路进行合并、融合处理,完成双向道路和复杂交叉口的提取,部分道路网的结构识别结果如图6所示。
本实施例提供的基于平行系数的道路网结构识别方法,通过协同、综合地提取道路网中各类结构,基于道路网的拓扑连接关系、位置分布、转弯弧度、实景地图等信息,精准地识别出道路网中多线主干道、复杂交叉路口和双向道路,提高了道路网结构识别的适应性、协同性和识别效率。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于平行系数的道路网结构识别方法,其特征在于,包括:
步骤1,采集目标区域的初始道路网数据;
步骤2,对所述初始道路网数据进行预处理,得到目标道路网数据;
步骤3,根据所述目标道路网数据查找平行道路组,并计算每条道路与所述平行道路组的Hausdorff距离序列和平行系数序列;
所述步骤3具体包括:
Hausdorff距离用于度量两个子集间的距离,是集合中任意一个点到另一个集合中最近点的距离最大值;相应地,两条道路间的Hausdorff距离是一条道路上的任意一个点到另一条道路最近点的最大距离,两条道路间较短Hausdorff距离是长度较短的道路上任意一点到另外一条道路最近点的最大距离,两道路A、B间的较短Hausdorff距离计算为:
其中,表示组成道路A的点集,共i个点组成;表示组成道路B的点集,共j个点组成;表示道路A到道路B的Hausdorff距离,同理,表示道路B到道路A的Hausdorff距离,length()表示道路的长度,M_HDAB为较短Hausdorff距离;
基于Hausdorff距离和较短Hausdorff距离的计算理论,计算某条道路和包含多条道路的候选平行道路组间的Hausdorff距离序列,是道路到每条候选平行道路的较短Hausdorff距离组成的序列,道路与每条候选平行道路间的较短Hausdorff距离序列计算为:
其中,为道路到第一条候选平行道路的较短Hausdorff距离,为道路到第i条候选平行道路的较短Hausdorff距离,共i条候选平行道路,M_HDSAB为道路与i条候选平行道路间依次对应的较短Hausdorff距离序列;
计算道路与平行道路组的平行系数序列,两道路A、B间的平行系数计算为:
其中,表示组成道路A的点集,共i个点组成;表示组成道路B的点集,共j个点组成;为道路A上的每个点到道路B上的点的最小距离,为道路A中每个点到道路B最小距离的平均值,为道路B上每个点到道路A上的点的最小距离,为道路B中每个点到道路A最小距离的平均值,length()表示某道路的长度;
基于两道路间平行系数的计算理论,计算某条道路和包含多条道路的候选平行道路组间的平行系数序列,是道路到每条候选平行道路的平行系数组成的序列,道路与每条候选平行道路间的平行系数序列计算为:
步骤4,根据所述Hausdorff距离序列和所述平行系数序列提取多线主干道和非平行道路;
步骤5,对所述非平行道路进行结构识别,提取双向道路和复杂交叉口。
2.根据权利要求1所述的方法,其特征在于,所述初始道路网数据为线段的shp类型数据。
3.根据权利要求2所述的方法,其特征在于,所述步骤2具体包括:
步骤2.1,将所述初始道路网数据与真实的实景道路数据进行对比,根据所述初始道路网中包含的确定的属性进行道路筛选;
步骤2.2,对筛选后的初始道路网数据道路网进行拓扑检查和修正;
步骤2.3,对拓扑检查并修正后的初始道路网数据进行等长打断,得到目标道路网数据。
4.根据权利要求3所述的方法,其特征在于,所述步骤2.2具体包括:
步骤2.2.1,根据筛选后的初始道路网数据建立拓扑关系,并添加拓扑规则;
步骤2.2.2,进行拓扑验证,找出所有的拓扑错误;
步骤2.2.3,根据现实中的道路连通情况,对道路的拓扑错误进行修改,完成道路网拓扑检查与修正。
5.根据权利要求3所述的方法,其特征在于,步骤2.3具体包括:
步骤2.3.1,获取拓扑检查并修正后的初始道路网数据每条道路的起点;
步骤2.3.2,按照指定长度对道路进行迭代打断,直到道路长度小于指定长度,迭代终止,完成道路网指定长度打断处理。
6.根据权利要求1所述的方法,其特征在于,所述步骤3具体包括:
步骤3.1,对所述目标道路网数据中全部道路做预设距离的缓冲区,依次遍历每条道路对应的缓冲区,得到所述平行道路组;
步骤3.2,计算道路与所述平行道路组的Hausdorff距离序列;
步骤3.3,计算道路与所述平行道路组的平行系数序列。
7.根据权利要求6所述的方法,其特征在于,所述步骤4具体包括:
步骤4.1,根据所述Hausdorff距离序列和所述平行系数序列识别平行道路和所述非平行道路;
步骤4.2,根据识别到的平行道路查找其外围边对,提取多线主干道。
8.根据权利要求7所述的方法,其特征在于,所述步骤4.2具体包括:
步骤4.2.1,对所有平行道路做预设距离的缓冲区,然后将缓冲区结果与所述目标道路网数据相交处理;
步骤4.2.2,遍历每个缓冲区与所述目标道路网数据的相交情况,将只与缓冲区本身的道路相交的道路作为外围路段,根据邻接关系进行融合处理;
步骤4.2.3,利用道路的长度信息、方向信息、形状信息和位置信息将融合后的外围路段分组,每组包含特征最相似的两条外围平行路段,并根据每组的两条外围路段连成一个多边形,遍历所有外围路段组,连接多个多边形,将这些多边形与道路网进行相交分析,将结果作为所述目标区域的道路网中包含的多线主干道。
9.根据权利要求8所述的方法,其特征在于,所述步骤5具体包括:
步骤5.1,对全部所述非平行道路做预设距离的缓冲区分析;
步骤5.2,遍历每个缓冲区,将缓冲区与所述目标道路网数据进行相交分析;
步骤5.3,根据相交分析结果判断缓冲区对应的道路结构,若只与缓冲区对应的自身道路相交,则初步识别为双向道路,若否,则初步识别为复杂交叉路口;
步骤5.4,结合实景地图,将初步识别结果根据道路长度、相邻关系进行合并、融合后处理,完成双向道路、复杂交叉路口提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211235631.2A CN115309846B (zh) | 2022-10-10 | 2022-10-10 | 一种基于平行系数的道路网结构识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211235631.2A CN115309846B (zh) | 2022-10-10 | 2022-10-10 | 一种基于平行系数的道路网结构识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115309846A CN115309846A (zh) | 2022-11-08 |
CN115309846B true CN115309846B (zh) | 2022-12-20 |
Family
ID=83868354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211235631.2A Active CN115309846B (zh) | 2022-10-10 | 2022-10-10 | 一种基于平行系数的道路网结构识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115309846B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704204B (zh) * | 2023-04-20 | 2024-01-05 | 华联世纪工程咨询股份有限公司 | 一种基于图形组合的轴网识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114490903A (zh) * | 2022-01-11 | 2022-05-13 | 北京三快在线科技有限公司 | 一种道路匹配方法、装置、电子设备及存储介质 |
CN115019191A (zh) * | 2022-04-22 | 2022-09-06 | 中国石油大学(华东) | 一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10509814B2 (en) * | 2014-12-19 | 2019-12-17 | Universidad Nacional De Educacion A Distancia (Uned) | System and method for the indexing and retrieval of semantically annotated data using an ontology-based information retrieval model |
-
2022
- 2022-10-10 CN CN202211235631.2A patent/CN115309846B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114490903A (zh) * | 2022-01-11 | 2022-05-13 | 北京三快在线科技有限公司 | 一种道路匹配方法、装置、电子设备及存储介质 |
CN115019191A (zh) * | 2022-04-22 | 2022-09-06 | 中国石油大学(华东) | 一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115309846A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241069B (zh) | 一种基于轨迹自适应聚类的路网快速更新的方法及系统 | |
CN106323301B (zh) | 一种道路情报的获取方法及装置 | |
CN108920481B (zh) | 一种基于手机定位数据的道路网重建方法及系统 | |
Hinz et al. | Automatic extraction of urban road networks from multi-view aerial imagery | |
CN108763558B (zh) | 一种基于地图匹配的众包地图道路质量改进方法 | |
CN111553236A (zh) | 基于道路前景图像的路面病害目标检测与实例分割方法 | |
CN113723715B (zh) | 公交线网自动匹配道路网络方法、系统、设备及存储介质 | |
CN110008602B (zh) | 一种大比例尺下顾及多特征协调的路网选取方法 | |
CN102436481B (zh) | 一种道路网结构模式的自动识别方法 | |
CN112309118B (zh) | 一种基于时空相似度的车辆轨迹推算方法 | |
CN112733781B (zh) | 结合poi数据的城市功能区识别方法、存储介质和电子设备 | |
CN109035783A (zh) | 一种基于公交gps轨迹的虚拟路网缺失路段自动识别方法 | |
CN115309846B (zh) | 一种基于平行系数的道路网结构识别方法 | |
CN114238542A (zh) | 多源交通gis路网多层级实时融合更新方法 | |
KR101394976B1 (ko) | 연속지적도의 다축척 모델 생성 방법 | |
CN115435798A (zh) | 无人车高精地图路网生成系统及方法 | |
CN116152259B (zh) | 一种基于图神经网络的储层渗透率计算方法 | |
CN105956542A (zh) | 一种结构线束统计匹配的高分遥感影像道路提取方法 | |
Ezzat et al. | Building road segments and detecting turns from gps tracks | |
CN116071722A (zh) | 基于路段轨迹的车道几何信息提取方法、系统、设备及介质 | |
CN115662124A (zh) | 一种基于网络编码的gps轨迹数据路段流量匹配方法 | |
CN113903173B (zh) | 一种基于有向图结构和lstm的车辆轨迹特征提取方法 | |
CN111414878A (zh) | 一种关于地块的社会属性分析、图像处理方法及装置 | |
CN113096389B (zh) | 一种基于多源数据的全国高速公路网络拓扑构建方法 | |
CN114462898A (zh) | 基于地理信息的公路规划管理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |