車輛軌跡數據的道路信息提取是地理信息領域的熱點也是難點之一,深度學習的快速發(fā)展為該問題的解決提供了一種思路與方法。本文針對車輛軌跡數據的車行道級道路提取問題,引入深度學習領域的生成式對抗網絡,利用殘差網絡構建深層網絡和多尺度感受野感知軌跡數據不同細節(jié)特征,構建了基于條件生成式對抗網絡的軌跡方向約束下車行道級道路提取模型。首先提出了朝向-顏色映射柵格化轉換方法,實現軌跡朝向信息向HSV顏色空間的轉換;然后利用樣本數據學習模型參數;最后將訓練模型應用到鄭州、成都、南京3個試驗區(qū)域提取車行道級道路數據。試驗結果表明,本文方法能夠有效地提取完整的車行道級道路數據。 

【文章來源】：測繪學報. 2020,49(06)北大核心EICSCD

【文章頁數】：11 頁

【部分圖文】：

Image-to-Image模型框架

車輛軌跡數據通常以矢量點數據的形式進行存儲,而GAN網絡的輸入為柵格圖片形式的多維矩陣,因此首先需要將車輛軌跡數據轉換為柵格圖片。通常矢-柵轉換是將平面坐標系下的軌跡點直接映射到平面上,難以存儲軌跡點更多的屬性信息,如朝向等信息。因此本文首先提出將軌跡屬性信息轉換到柵格圖片顏色空間中的朝向-顏色映射柵格化轉換方法。車輛軌跡點的朝向一般以正北方向為0°,沿順時針方向,取值范圍為[0°～360°),如圖3(a)�？梢娖渚哂袑ΨQ相異的特征,即朝向位置對稱時,其性質差異最大,如90°與270°朝向相異;朝向位置越臨近,其性質越相似,如0°與359°雖然數值差別很大,但是朝向鄰近。因此采用普通RGB立方體顏色模型直接進行軌跡朝向與顏色的映射難以體現軌跡點朝向的分布規(guī)律。

式中,h=d;s=1;v=1。圖4所示為軌跡數據朝向-顏色映射柵格化轉換前后對比圖。可以看出通過將軌跡朝向轉換到HSV顏色空間,顯著區(qū)分了位置鄰近但朝向相異的軌跡點,明顯提升了視覺提取車行道信息的效率。

【參考文獻】：
期刊論文
[1]出租車GPS軌跡集聚和精細化路網提取[J]. 鄔群勇,吳祖飛,張良盼.  測繪學報. 2019(04)
[2]基于Encoder-Decoder網絡的遙感影像道路提取方法[J]. 賀浩,王仕成,楊東方,王舒洋,劉星.  測繪學報. 2019(03)
[3]基于浮動車軌跡數據的路網快速提取[J]. 米春蕾,彭玲,姚曉婧,陳六嘉,池天河.  地理與地理信息科學. 2019(01)
[4]聯合空-譜信息的高光譜影像深度三維卷積網絡分類[J]. 劉冰,余旭初,張鵬強,譚熊.  測繪學報. 2019(01)
[5]軌跡分割與圖層融合的車輛軌跡線構建道路地圖方法[J]. 楊偉,艾廷華.  測繪學報. 2018(12)
[6]利用軌跡大數據進行城市道路交叉口識別及結構提取[J]. 唐爐亮,牛樂,楊雪,張霞,李清泉,蕭世倫.  測繪學報. 2017(06)
[7]基于眾源軌跡數據的道路中心線提取[J]. 楊偉,艾廷華.  地理與地理信息科學. 2016(03)
[8]基于GPS軌跡的矢量路網地圖自動生成方法[J]. 孔慶杰,史文歡,劉允才.  中國科學技術大學學報. 2012(08)
[9]利用車輛軌跡數據提取道路網絡的幾何特征與精度分析[J]. 蔣益娟,李響,李小杰,孫靖.  地球信息科學學報. 2012(02)



本文編號：3273654