车辆轨迹数据的道路学习提取法

发布时间：2021-07-09 11:24

　　车辆轨迹数据的道路信息提取是地理信息领域的热点也是难点之一,深度学习的快速发展为该问题的解决提供了一种思路与方法。本文针对车辆轨迹数据的车行道级道路提取问题,引入深度学习领域的生成式对抗网络,利用残差网络构建深层网络和多尺度感受野感知轨迹数据不同细节特征,构建了基于条件生成式对抗网络的轨迹方向约束下车行道级道路提取模型。首先提出了朝向-颜色映射栅格化转换方法,实现轨迹朝向信息向HSV颜色空间的转换;然后利用样本数据学习模型参数;最后将训练模型应用到郑州、成都、南京3个试验区域提取车行道级道路数据。试验结果表明,本文方法能够有效地提取完整的车行道级道路数据。 

【文章来源】：测绘学报. 2020,49(06)北大核心EICSCD

【文章页数】：11 页

【部分图文】：

Image-to-Image模型框架

车辆轨迹数据通常以矢量点数据的形式进行存储,而GAN网络的输入为栅格图片形式的多维矩阵,因此首先需要将车辆轨迹数据转换为栅格图片。通常矢-栅转换是将平面坐标系下的轨迹点直接映射到平面上,难以存储轨迹点更多的属性信息,如朝向等信息。因此本文首先提出将轨迹属性信息转换到栅格图片颜色空间中的朝向-颜色映射栅格化转换方法。车辆轨迹点的朝向一般以正北方向为0°,沿顺时针方向,取值范围为[0°～360°),如图3(a)。可见其具有对称相异的特征,即朝向位置对称时,其性质差异最大,如90°与270°朝向相异;朝向位置越临近,其性质越相似,如0°与359°虽然数值差别很大,但是朝向邻近。因此采用普通RGB立方体颜色模型直接进行轨迹朝向与颜色的映射难以体现轨迹点朝向的分布规律。

式中,h=d;s=1;v=1。图4所示为轨迹数据朝向-颜色映射栅格化转换前后对比图。可以看出通过将轨迹朝向转换到HSV颜色空间,显著区分了位置邻近但朝向相异的轨迹点,明显提升了视觉提取车行道信息的效率。

【参考文献】：
期刊论文
[1]出租车GPS轨迹集聚和精细化路网提取[J]. 邬群勇,吴祖飞,张良盼.  测绘学报. 2019(04)
[2]基于Encoder-Decoder网络的遥感影像道路提取方法[J]. 贺浩,王仕成,杨东方,王舒洋,刘星.  测绘学报. 2019(03)
[3]基于浮动车轨迹数据的路网快速提取[J]. 米春蕾,彭玲,姚晓婧,陈六嘉,池天河.  地理与地理信息科学. 2019(01)
[4]联合空-谱信息的高光谱影像深度三维卷积网络分类[J]. 刘冰,余旭初,张鹏强,谭熊.  测绘学报. 2019(01)
[5]轨迹分割与图层融合的车辆轨迹线构建道路地图方法[J]. 杨伟,艾廷华.  测绘学报. 2018(12)
[6]利用轨迹大数据进行城市道路交叉口识别及结构提取[J]. 唐炉亮,牛乐,杨雪,张霞,李清泉,萧世伦.  测绘学报. 2017(06)
[7]基于众源轨迹数据的道路中心线提取[J]. 杨伟,艾廷华.  地理与地理信息科学. 2016(03)
[8]基于GPS轨迹的矢量路网地图自动生成方法[J]. 孔庆杰,史文欢,刘允才.  中国科学技术大学学报. 2012(08)
[9]利用车辆轨迹数据提取道路网络的几何特征与精度分析[J]. 蒋益娟,李响,李小杰,孙靖.  地球信息科学学报. 2012(02)



本文编号：3273654