留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用可变形部件模型检测遥感影像道路交叉口

曹闻 李润生

曹闻, 李润生. 利用可变形部件模型检测遥感影像道路交叉口[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 413-419. doi: 10.13203/j.whugis20150203
引用本文: 曹闻, 李润生. 利用可变形部件模型检测遥感影像道路交叉口[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 413-419. doi: 10.13203/j.whugis20150203
CAO Wen, LI Runsheng. Road Intersections Detection Using Deformable Part Models on Remote Sensing Image[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 413-419. doi: 10.13203/j.whugis20150203
Citation: CAO Wen, LI Runsheng. Road Intersections Detection Using Deformable Part Models on Remote Sensing Image[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 413-419. doi: 10.13203/j.whugis20150203

利用可变形部件模型检测遥感影像道路交叉口

doi: 10.13203/j.whugis20150203
详细信息
    作者简介:

    曹闻, 博士, 副教授, 主要从事摄影测量与遥感、遥感图像处理等研究。speechofsilva@126.com

    通讯作者: 李润生, 博士, 讲师。xdlxy2171li@163.com
  • 中图分类号: P237

Road Intersections Detection Using Deformable Part Models on Remote Sensing Image

More Information
    Author Bio:

    CAO Wen, PhD, associate professor, specializes in photogrammetry and remote sensing and remote sensing image processing. E-mail: speechofsilva@126.com

    Corresponding author: LI Runsheng, PhD, lecturer. E-mail: xdlxy2171li@163.com
图(4) / 表(1)
计量
  • 文章访问数:  803
  • HTML全文浏览量:  77
  • PDF下载量:  261
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-03-06
  • 刊出日期:  2018-03-05

利用可变形部件模型检测遥感影像道路交叉口

doi: 10.13203/j.whugis20150203
    作者简介:

    曹闻, 博士, 副教授, 主要从事摄影测量与遥感、遥感图像处理等研究。speechofsilva@126.com

    通讯作者: 李润生, 博士, 讲师。xdlxy2171li@163.com
  • 中图分类号: P237

摘要: 为了解决高分辨率遥感影像道路交叉口位置检测与类型识别问题,提出了一种基于可变形部件模型的道路交叉口检测方法。首先,分析了道路交叉口在高分辨率遥感影像上的表征形式;然后,借鉴面向对象的思想,利用可变形部件模型,通过训练和学习其整体和部件组成的空间布局特征获取目标对象模型参数;最后,通过滑动窗口搜索匹配方法获取道路交叉口位置和其对应的类型。由仿真与实验结果可知,此算法不仅能够自动、准确地检测道路交叉口的几何位置,而且能够识别其几何形状类型,可有效提高道路网络拓扑结构构建效率。

English Abstract

曹闻, 李润生. 利用可变形部件模型检测遥感影像道路交叉口[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 413-419. doi: 10.13203/j.whugis20150203
引用本文: 曹闻, 李润生. 利用可变形部件模型检测遥感影像道路交叉口[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 413-419. doi: 10.13203/j.whugis20150203
CAO Wen, LI Runsheng. Road Intersections Detection Using Deformable Part Models on Remote Sensing Image[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 413-419. doi: 10.13203/j.whugis20150203
Citation: CAO Wen, LI Runsheng. Road Intersections Detection Using Deformable Part Models on Remote Sensing Image[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 413-419. doi: 10.13203/j.whugis20150203
  • 智能交通系统已成为各国专家学者关注的热门研究领域。智能交通系统研究和应用的重点是道路交通系统,而道路交通基础地理信息的动态和快速获取为其提供了研究的数据支撑和保障。道路地物要素是道路交通基础地理信息中最为重要的地物要素,而矢量地图数据也是目前用户普遍认可和广泛使用的数据形式。道路矢量数据的来源通常包括测绘人员实地采集和数字摄影测量成图两种途径。随着人们对境外测图和数据时效性的需求,数字摄影测量成图逐渐成为了各测绘部门和软件公司的主要手段。随着高分辨率和超分辨率遥感影像的发展,利用数字摄影测量技术获取的矢量地图数据也逐步能够满足人们对其精度和细致程度的要求。为了提高数字摄影测量成图的效率,计算机自动识别在遥感影像调绘环节中愈发重要,其中道路地物要素的自动判读是最为经典的研究热点。目前,人们主要利用GIS数据[1]、激光雷达数据、合成孔径雷达数据、浮动车时空数据[2]和网络数据[3]等外部数据辅助遥感影像的道路网络几何位置信息和属性信息的自动提取,但由于外部辅助数据在时效性、现实性和精度等方面依然存在较大的缺陷,因此如何提高遥感影像单一数据源道路网络提取的自动化程度和精度依然是国内外学者研究的热点[4]

    根据道路网络拓扑构建方式可以将遥感影像单一数据源道路网络提取算法分为先道路路段检测后求其交叉口构建道路网[5-7]和先道路交叉口检测后检测其道路段构建道路网等两类。前者首先利用几何边缘特征和纹理特征检测道路路段,然后再根据道路相交原理计算交叉口结点从而构建道路网;后者则利用道路交叉口在高分辨率影像上的几何、纹理、光谱和空间布局等特征进行交叉口检测,然后将这些交叉口视为道路网结点并检测两结点之间的路段从而构建道路网。前者方法的关键技术点在于道路路段检测算法,目前的研究较为成熟,可以分为直接搜索法和间接法等两类,但在全自动性和适用性方面依然满足不了人们对数字摄影测量成图的要求。因此,国内外众多学者尝试通过后者方法完成道路网的全自动化构建,并取得了较好的效果。这类方法的关键技术点在于道路交叉口的检测,目前道路交叉口检测的研究主要包括基于模版匹配的交叉口检测[8]、基于图像角点拐点的交叉口检测、基于形状约束的交叉口检测、基于微分几何的交叉口检测等[9-10]等方法。其中,基于模版匹配的方法需要对不同尺度、不同类型、不同姿态交叉口分别进行训练构建模板,其检测精度和自动化程度较低;基于角点拐点的检测方法受其算法原理影响较大,所检测的错误和冗余的角点拐点将带来较大的粗差;基于形状约束的方法未考虑标准模板的位置偏移和尺度偏差,其检测精度较低;基于微分几何的方法依赖于道路路段中心线检测,其适用性和可行性较差。

    针对现有道路交叉口检测算法存在的问题,本文首先分析了道路交叉口在高分辨率遥感影像上的表征形式;其次借鉴面向对象的思想,利用可变形部件模型(deformable part models,DPM)通过训练和学习其整体和部件组成的空间布局特征获取目标对象模型参数;最后通过滑动窗口搜索匹配方法检测道路交叉口的几何位置以及识别其对应的几何形状类型。通过对不同遥感卫星高分辨影像的实验验证,与传统的道路交叉口检测算法相比,新算法综合考虑了道路交叉口的几何、纹理、光谱和空间布局等特征,不仅能够较好地检测出遥感影像上道路交叉口目标对象的几何位置,而且能够较准确地识别出道路交叉口的不同几何形状类型,具有较高的检测正确率和完整性;同时能够通过后期循环训练学习样本库降低道路交叉口检测的漏检率,从而提高算法的适应性和全自动性。算法的适用对象为空间分辨率大于5 m、道路宽度大于5个像素的高分辨率遥感影像。

    • 道路在中低分辨率遥感影像上主要以明显的曲线为物理表示形式,而道路交叉口则以曲线的交点为物理表示形式,这也是基于图像角点拐点的交叉口检测所依赖的基础,但中低分辨率遥感影像上以交点形式存在的地物要素种类过多,因此在中低分辨率遥感影像上检测道路交叉口存在着先天性的缺陷。高分辨率或超分辨率遥感影像更为细腻和详尽地记录了地物要素的电磁波辐射或反射特性,因此不同地物要素在高分辨率遥感影像的物理表示形式也更趋于唯一性。

      道路交叉口是道路地物要素物理相交的自然产物,不仅继承了道路地物要素的所有物理特性,而且具有其相对独特的结构性特征,具体可以从几何、纹理、空间布局、活动和上下文等5类特征方面进行物理表现描述。从几何特征角度上讲,道路交叉口由多个方向和不同宽度的条带聚集而成;从纹理特征角度上讲,其是以灰度分布较为均匀且与周边区域存在较大差异形式存在的同质区域,具有相对明显的边界;从空间布局特征上讲,其与周边其他道路交叉口之间具有连通性并通常以不中断网状结构形式存在,交叉口与道路路段分割影像区域大多以建筑物、土地或植被为主的地物要素组成;从活动特征上讲,路面上存在的车辆和人群以较为规则的行状形态排队,车辆的头尾标识了其行进方向信息;从上下文特征上讲,其内部通常会存在车辆、人群、树木以及阴影等破坏路面原始特征的遮挡物。

      由上分析可知,高分辨率影像上几何和纹理特征是道路交叉口的主要特征,但这两类特征并不能为其提供较高的独特性和唯一性,从而降低了现有检测方法的正确检测率,因此需要引入其他特征加强道路交叉口对象的独特性和唯一性,并为多特征的综合应用设计相应的算法模型。

    • 可变形部件模型是目前目标识别方法中最为公认的优秀算法,最早是由文献[11-14]提出的。检测矩形模版区域覆盖下影像是否为目标对象类别。可变形部件模型是将目标视为若干个零件的组合,这些零件被称为组成模型的部件,整个模型分为两部分:覆盖整个目标的轮廓区域(根)与组成目标的各个部件区域(部件)。为了检测根与部件的位置,分别利用根滤波器与部件滤波器对影像进行搜索,根滤波器搜索结果是目标的整体轮廓区域位置,部件滤波器搜索结果是组成目标各个部件的区域位置。基于DPM模型的目标检测方法不是对原始影像进行处理,而是采用对不同尺度影像特征映射图进行处理的思想,因此比遍历搜索方法效率高。

      在高分辨率遥感影像上,道路交叉口的几何和纹理特征反映了其自身的特征信息,而空间布局、活动和上下文特征则反映了道路交叉口与其周边地物要素的关联信息。以T型道路交叉口(见图 1)为例,以交叉口C为中心的有3个方向近似固定的道路路段R1R2R3,同时还有3个非道路地物要素面状区域A1A2A3。由此可见,可将道路交叉口视为由若干个对象共同组成。但在实际影像中,构成道路交叉口的各个道路路段之间的空间衔接位置是随着实际场景中地理空间分布和城市规划需求等因素变化而变化的,因此在设计道路交叉口检测方法时,首先需要考虑路段和交叉口中心区域的几何和纹理特征,其次需考虑交叉口分割区域的几何和纹理特征,最后考虑所有组成对象的空间布局特征。

      图  1  T型道路交叉口部件构成图

      Figure 1.  Graphs Formed Part Models of Road T-intersection

      综上可知,道路交叉口目标对象的组成具有可变形部件模型的所有特征,因此利用可变形部件模型对道路交叉口区域建模是合理的,建模过程如图 2所示。

      图  2  道路交叉口的部件模型原理示意图

      Figure 2.  Principle Diagram of Part Models of Road Intersection

      根据可变形部件模型的设计思想可得,道路交叉口的部件模型$\Re $由根滤波器F0、部件模型Pi, i∈[1, n]和部件模型相对其标准位置的偏移参数b等3部分组成,即:

      $$ \Re =\left\{ {{F}_{0}}, {{P}_{1}}, {{P}_{2}}~\cdots {{P}_{n}}, b \right\} $$ (1)

      引入偏移参数b的目的是构建混合模型使多个模型之间具有可比性。式(1)中每个部件模型Pi定义为:

      $$ {{P}_{i}}=\left( {{F}_{i}}, {{v}_{i}}, {{s}_{i}}, {{\mathit{\boldsymbol{d}}}_{\mathit{i}}} \right) $$ (2)

      式中,Fi表示部件i的滤波器,该滤波器用来在目标检测过程中获取特征描述子,通常使用梯度方向直方图作为部件的特征描述子;vi表示部件i相对于根的标准位置;si表示部件i的外围矩形大小;di是一个四维向量,表示部件i实际位置与标准位置之间存在偏移而产生的变形成本。

      梯度方向直方图(histogram of oriented gradients,HOG)的核心思想是采用图像光强梯度或边缘方向的分布描述局部目标的外形,其设计原理如下。

      假设道路交叉口所在的遥感影像为f(x, y),宽度和高度为w×h,对图像进行m×m格网划分(尽量保持wh整除m),按照式(3)和式(4)计算格网内每个像素的梯度大小g(x, y)和方向θ(x, y):

      $$ g\left( x, y \right)=\sqrt{{{\left( f\left( x+1, y \right)-f\left( x-1, y \right) \right)}^{2}}+{{\left( f\left( x, y+1 \right)-f\left( x, y-1 \right) \right)}^{2}}} $$ (3)
      $$ \theta \left( x, y \right)={\rm{ta}}{{\rm{n}}^{1}}\left[\frac{f\left( x, y+1 \right)-f\left( x, y-1 \right)}{f\left( x+1, y \right)-f\left( x-1, y \right)} \right] $$ (4)

      nθ(本文中nθ为20°)等间隔平分0°~180°梯度方向,以等分梯度方向为横坐标、格网内每个像素在等分梯度方向上的梯度之和为纵坐标构成每个格网的特征向量。为了消除梯度幅值对光照条件的敏感性,进而以2×2相邻格网为单位组成一组4×9维特征向量v并用式(5)对其进行内部归一化处理从而得到该窗口的梯度方向直方图(histogram of oriented gradients, HOG)特征向量。

      $$ \mathit{\boldsymbol{{v}'=}}\frac{\mathit{\boldsymbol{v}}}{\sqrt{\left\| \mathit{\boldsymbol{v}} \right\|_{2}^{2}+{{\varepsilon }^{2}}}} $$ (5)

      式中,‖vn表示n阶范数;ε为防止分母为0的微小常量。

      为了描述地物要素对象在影像上的不同尺度特征,利用多分辨率分析思想构建HOG特征金字塔,金字塔顶部的特征描述了道路交叉口整体目标轮廓边界信息,金字塔底部的特征则描述了道路交叉口组成部件的外形几何特征及空间分布特征。假设H表示特征金字塔,按照2倍关系构建np层影像金字塔,则在第l层金子塔影像上(x, y)像素位置p=(x, y, l)的HOG特征矢量φ(H, p, w, h)定义为:

      $$ \mathit{\boldsymbol{\varphi }}\left( {\mathit{H},\mathit{p},\mathit{w},\mathit{h}} \right) = \left\{ {\mathit{\boldsymbol{v'}}|\mathit{\boldsymbol{v'}}\left( {\mathit{x},\mathit{y},\mathit{l},\mathit{w},\mathit{h}} \right)} \right\} $$ (6)
    • 当得到不同类型道路交叉口(如L型、T型、X型和其他类型等)的样本HOG特征金字塔后,在输入遥感影像的HOG特征映射图上进行特征向量匹配,从而在输入影像上获得与相应类型样本目标最相似的道路交叉口。

      HOG特征向量匹配定义为每个像素位置上根滤波器和n个部件滤波器与特征向量之间的最大点积值Sm

      $$ {{S}_{m}}={\rm{max}}~\left( \sum\limits_{i=0}^{n}{{{F}_{i}}\cdot {{\varphi }_{i}}\left( H, p, w, h \right)} \right) $$ (7)

      考虑到被检测道路交叉口组成部件的空间分布与相应类型道路交叉口样本库之间存在差异,因此对HOG特征向量匹配准则Sm做如下修正:

      $$ \begin{array}{l} {S_m} = {\rm{max}}\left[ {\sum\limits_{i = 0}^n {{F_i} \cdot {\varphi _i}\left( {H,p,w,h} \right)} } \right. + \\ \;\;\;\;\;\;\;\left. {\sum\limits_{i = 1}^n {{d_i} \cdot {\varphi _d}\left( {{{\tilde x}_i},{{\tilde y}_i},\tilde x_i^2,\tilde y_i^2} \right)} } \right] \end{array} $$ (8)

      式中,$ {{\varphi }_{d}}\left( {{{\tilde{x}}}_{i}}, {{{\tilde{y}}}_{i}}, \tilde{x}_{i}^{2}, \tilde{y}_{i}^{2} \right)$表示第i个部件相对于其标准位置的形变特征。其中,$\left( {{{\tilde{x}}}_{i}}, {{{\tilde{y}}}_{i}} \right)$定义为:

      $$ \left( {{{\tilde{x}}}_{i}}, {{{\tilde{y}}}_{i}} \right)=\frac{\left( {{x}_{i}}, {{y}_{i}} \right)-2\left( {{x}_{0}}, {{y}_{0}} \right)-{{v}_{i}}}{{{s}_{i}}} $$ (9)

      式中,(x0, y0)表示根滤波器在相应层金子塔影像上的坐标。

      在某种情况下,如果遥感成像视角不同会使道路交叉口模型发生表观的变化,因此进一步引入道路交叉口混合模型偏移参数b修正HOG特征向量匹配准则Sm

      $$ \begin{align} &{{S}_{m}}={\rm{max}}~\left[\sum\limits_{i=0}^{n}{{{F}_{i}}\cdot {{\varphi }_{i}}\left( H, p, w, h \right)}+ \right. \\ &\ \ \ \ \ \ \ \ \left. \sum\limits_{i=1}^{\mathit{n}}{{{d}_{i}}\cdot {{\varphi }_{d}}\left( {{{\tilde{x}}}_{i}}, {{{\tilde{y}}}_{i}}, \tilde{x}_{i}^{2}, \tilde{y}_{i}^{2} \right)}\rm{+}\mathit{b} \right] \\ \end{align} $$ (10)

      综上所述,在遥感影像上检测和识别不同类型的道路交叉口的过程就是通过窗口遍历的方法计算根滤波器指定检测窗口内的Sm进行匹配。为了提高计算的效率,可采用动态规划与距离转移[15]的方法计算每个根滤波器所在位置处的部件滤波器最优位置,最终的检测结果由根滤波器与部件滤波器覆盖的区域联合表示。整个匹配搜索过程包括计算各个滤波器响应、计算目标根位置、获取部件最优位置等步骤。

    • 为了验证可变形部件模型在高分辨率遥感影像上对道路交叉口的检测和识别能力,首先对L型、T型、X型和其他等不同类型道路交叉口目标进行样本采集并构建其可变形部件模型,每种类型的样本数目为200,样本集数据源来源于谷歌地球。然后使用人工判读、基于模版匹配的交叉口检测算法和本文算法分别对输入图像集进行道路交叉口检测与识别,通过计算道路交叉口检测的完整率RW、正确率RM、错误数量和漏检数量进行综合评价对比。

      实验平台采用Visual Studio 2012编写,运行环境为Windows 7操作系统的PC(CPU : I5-3570K 3.40 GHz;RAM:8 GB),道路交叉口检测遥感图像数据集空间分辨率不小于2.5 m,数据源覆盖了IKONOS、SPOT-5、QuickBird、WorldView-2、GeoEye-1、资源三号、天绘一号、ADS40、UCXP等高分辨率全色与多光谱遥感影像。

      针对遥感平台、传感器和地理区域对遥感成像的不同影响,本文从遥感影像数据集检测结果中挑选出法国巴黎城区2 m分辨率的GeoEye-1卫星遥感影像和河南省登封市地区2.44 m分辨率的QuickBird卫星遥感影像作为道路交叉口检测影像,分别使用基于模板匹配的道路交叉口检测算法和本文检测算法对两幅影像进行道路交叉口检测,检测结果见图 3图 4,检测统计参数见表 1

      图  3  法国巴黎城区2 m分辨率GeoEye-1遥感影像道路交叉口检测效果示意图

      Figure 3.  Detection Results of Road Intersection on 2 m Resolution GeoEye-1 Images for Paris, France

      图  4  河南省登封市地区2.44 m分辨率QuickBird遥感影像道路交叉口检测效果示意图

      Figure 4.  Detection Results of Road Intersection on 2.44 m Resolution QuickBird Images for Dengfeng City, Henan Province

      表 1  不同道路交叉口检测精度统计表

      Table 1.  Statistical of Different Road Intersection Detection Accuracy

      影像 人工判读 模板匹配 新算法
      T型 X型 总数 正确数量 漏检数量 检测数量 RR RM 正确数量 漏检数量 检测数量 RR RM
      巴黎地区 11 4 15 6 9 7 40.0% 46.7% 13 1 15 86.7% 93.3%
      登封地区 8 16 24 11 8 18 45.8% 75.0% 18 1 28 75.0% 95.8%

      图 3图 4中, 黄色矩形框表示X型道路交叉口正确检测结果;红色矩形框表示T型道路交叉口正确检测结果;黄色圆形表示X型道路交叉口错误检测结果;红色圆形表示T型道路交叉口错误检测结果;白色圆形表示非道路交叉口错误检测结果;蓝色矩形框表示本文算法道路交叉口组成部件滤波器的位置。

      图 3所在的法国巴黎地区主要由居民地建筑、植被和道路等地物要素组成,其中居民地建筑非高大建筑且道路宽度较宽,车辆、树木和阴影等干扰因素相对较小,对国外居住区域内道路连接分布在高分辨率遥感影像上反映的特征具有一定的代表性。从表 1统计参数和图 3视觉效果可见,基于模板匹配的道路交叉口检测完整率为46.7%,而正确率仅有40%,主要原因是其样本模板中的路段基本为直线形态,而实际漏检交叉口处的组成路段为折线或曲线形态;本文检测方法的检测完整率为93.3%,正确率为86.7%,黄色圆形区域对应的类型检测错误主要是由于影像裁剪过多使得X型道路交叉口偏向T型道路交叉口造成的,而白色矩形区域对应的非道路交叉口错误检测则是2 m分辨率影像上房屋间为硬化区域且间距略大使得其空间布局特征倾向于T型道路交叉口造成的。

      图 4所示的我国登封市地区主要由居民地建筑、植被、土地和道路等地物要素组成,道路基本是在农田或空地基础上发展而来,且居民地、广场或工厂内部道路延伸较多,主要反映了我国以高等级道路为干线发展的非城区居民区域特性,对非道路主干线网络的道路交叉口检测存在较大的干扰。从表 1统计参数和图 4视觉效果可见,基于模板匹配的道路交叉口检测完整率为75%,正确率仅有45.8%,漏检的主要原因是交叉口样本模板未考虑其组成路段宽度差距较大的因素。在不考虑居民地、广场和工厂内部道路延伸道路交叉口情况下,本文检测方法的检测完整率为95.8%,正确率为75%,黄色圆形区域对应的类型检测错误原因主要是主干线由深色调快速机动车道、绿色植被花坛和浅色调辅道组成,使得X型交叉口分化成两个T型交叉口。如果对主干线不进行主道和辅道分化矢量化描述则结果是错误的,其在后期道路网络拓扑构建时两路口位置接近可进行合并而得到修正,但若按照主道和辅道分化矢量化描述则由于空间分辨率较低而漏掉了主道和辅道连接部分交叉口的检测,这也是道路网自动提取技术中较难解决的问题之一。在考虑居民地、广场和工厂内部道路延伸道路交叉口情况下,本文方法仅检测出了5个道路交叉口,主要原因是内部道路宽度本身较窄且在2.44 m分辨率遥感影像上由面状特征退化至线状特征而造成的。

      综上所述,由于传统模版匹配检测方法原理的先天不足,其对规则性形状的道路交叉口有着较高的检测正确率,而对存在形态变形的道路交叉口的检测和识别效果很差。本文算法则将道路交叉口视为由多个目标部件组成的地物要素对象,采用多分辨率分析HOG特征金字塔描述各个部件在高分辨率遥感影像上的特征,且将部件空间分布位置偏移量引入至道路交叉口部件模型中,可以较好地克服多尺度、形状变形和光照变化等干扰因素的影响,有着较好的道路交叉口检测和识别能力,可为后续的道路网络构建提供较高精度的基础数据。同时,本文算法也对主道与辅道连接交叉口、桥梁或涵洞形式跨接而过非交叉口、立交桥组成上下跨接非交叉口等特殊情况存在较高的漏检率,需借助外部辅助数据进行纠正。

    • 道路网络自动提取与识别技术能够为提高数字摄影测量成图效率和丰富境外测图技术手段提供理论基础和技术保障,本文根据道路在高分辨率遥感影像上的物理特征,引入模式识别设计思想将道路交叉口(道路网络结点)视为目标对象,对其进行特征分析、样本训练和模型参数学习,从而构建不同类型的道路交叉口可变形部件模型,实现高分辨率遥感影像上的自动检测和识别。通过仿真与实验分析可知,本文所提道路交叉口检测方法不仅具有较高的检测和识别能力,而且能够获得所检测道路交叉口的类型和空间位置,为后期高精度、自动化、快速构建道路网络提供了理论基础和技术保障,具有较强的理论与现实意义。

      地物要素在高分辨率影像上通常会呈现“同物异谱”或“异物同谱”的特性,同时目前大数据分析对基础地理空间数据服务的影响越来越受关注。下一步工作将着重研究如何利用道路交叉口特征进一步提高提取精度,同时考虑利用外部辅助数据获得道路网络的几何位置、属性信息和时变信息等综合信息,为后续构建道路网拓扑结构提供基础数据。

参考文献 (15)

目录

    /

    返回文章
    返回