CN109325156B - 基于扩展线段的农村道路网匹配方法 - Google Patents

Abstract

本发明公开了一种基于扩展线段的农村道路网匹配方法，采用在参考线段周围构建缓冲区的方法，按长度、距离、角度计算落在缓冲区内的线段与参考线段间的相似性，以此选出候选线段；针对一对多的匹配情况，提出对参考线段与候选线段分别做扩展，再依据长度、距离、形状来计算扩展后线段间的相似性，对相似性较大的线段进行选择后构成新的候选线段；构造一个自适应参数，来表示选择后的新候选线段的个数，通过迭代循环扩展步骤使自适应参数逐渐减少到1，此时即确定了与参考线段正确匹配的线段。

Description

基于扩展线段的农村道路网匹配方法

技术领域

本发明涉及遥感应用领域，特别涉及一种基于扩展线段的农村道路网匹配方法。

背景技术

随着时代的发展，人们对地理数据的需求日趋增大，而现有的地理数据要么存在信息不完全，要么是数据过时等等问题，已不足够满足人们的需求。因此，如何高效地利用现有的数据集来实现数据的更新是一个值得研究的问题。数据匹配是更新的前提和基础。就道路网络而言，基于遥感影像的道路提取技术能实时、高效地获得最新的道路网信息，依据这个参考数据集与历史数据集的匹配，可以实现对历史数据集的更新。

至今为止，以有大量关于道路匹配的研究成果面世，但这些研究大多是基于规则、有序的城市道路进行的，对农村地区道路杂乱的情况考虑较少。

发明内容

本发明的目的在于克服上述现有技术的不足，提供一种基于扩展线段的农村道路网匹配方法。

为实现上述目的，本发明采用以下技术方案：

基于扩展线段的农村道路网匹配方法，包括以下步骤：

S1、对参考数据集上的每条参考线段，以其为中心建立缓冲区，然后对所有落在缓冲区内的目标数据集上的线段进行计算，得出其与参考线段间的相似性，将满足阈值要求的线段设为候选线段；

S2、对参考线段及其所有候选线段进行扩展线段操作，再重新计算扩展后的参考线段与候选线段间的相似性，选取相似性高的扩展后线段作为扩展后参考线段的新候选线段；

S3、构建一个自适应参数K来控制迭代循环次数，即每次都选择相似性最高的前K个线段作为新候选线段，当K为1时即为正确匹配的线段对。

进一步地，线段间的相似性通过下式计算：

式中Sim_len,Sim_dis,Sim_ang,Sim_shape分别为线段在长度、距离、角度、形状上的相似性，w_len,w_dis,w_ang，w_shape分别为它们对应的权重。

进一步地，步骤S1的计算具体如下：

S11、缓冲区的构建方法如下

以参考线段为中心线，在其周围构建一个矩形区域的缓冲区，该矩形的长边平行于参考线段，其长度略大于参考线段的长度；矩形的宽边被参考线段平分；对落在缓冲区内的目标数据集上的线段，按长度、距离、角度三个几何属性，计算它与参考线段间的相似性；

S12、目标数据集上的线段L1与参考线段L2在长度上的相似性Sim_len通过下式计算：

Sim_len＝|L_L1-L_L2|

式中L_Li是线段Li的长度，n是线段Li中节点的总个数，

和

是线段中第j个节点P_j的横坐标和纵坐标；

目标数据集上的线段L1与参考线段L2在距离上的相似性Sim_dis通过下式计算：

式中L_a,L_b分别是线段L₁,L₂上的任意一个片段，||P_a-L_b||表示线段L₁上的某一个节点P_a到L_b的垂直距离，||P_b-L_a||则表示线段L₂上的某一个节点P_b到L_a的垂直距离；

目标数据集上的线段L1与参考线段L2在角度上的相似性Sim_ang通过下式计算：

式中

分别是线段L₁和线段L₂的各自首尾节点连接而成的向量，(·)表示的是向量的内积操作，|·|是向量的模。

进一步地，步骤S2的计算具体如下：

对参考线段和所有的候选线段，使其端点分别向外扩展一个线段单位，形成新的线段；对形成后新的线段，按长度、距离、形状三个特征来计算新的相似性，最后再按相似性从高到低选取前K个对应线段作为扩展后参考线段的新候选线段。

进一步地，扩展后的目标数据集上的线段L1与参考线段L2在形状上的相似性Sim_shape通过以下步骤计算得出：

S211、设定一个新的复杂网络，对一个曲线的形状进行分析；首先使曲线上所有节点两两连接构成一个无向带权值的完全连接网络，权值就是两节点的距离归一化后的值；然后给定一个阈值R₁，如果网络中有边的权值小于或等于阈值R₁，则保留该条边，否则就删除该边，由此得到的新的网络就称为阈值R₁下的复杂网络；

S212、根据不同阈值下得到的复杂网络构建一个形状描述符σ；如下所示

σ＝[K_a(1)，K_m(1)，K_a(2)，K_m(2)，…，K_a(M),K_m(M)]

式中K_a(j)表示阈值R_j下的复杂网络中所有节点的度的平均值，K_m(j)表示网络中所有节点的度的最大值；

S213、线段L₁和线段L₂在形状上的相似性Sim_shape定义如下：

其中M表示的是阈值的总个数。

进一步地，步骤S3具体包括以下步骤：

S31、构建一个自适应参数K来表示要选取的新的候选线段的个数；设已有排序好的相似性序列{Sim_i,1,Sim_i,2,…,Sim_i,m}，Sim_i,1≥Sim_i,2≥…≥Sim_i,m，其中Sim_i,j表示扩展后参考线段L_i和扩展后候选线段L_j之间的相似性；令j从1开始累加，当第一次遇到Sim_i,j-Sim_i,j+1≥T_s时，累加停止，而j的值就是需要的K的取值，这里的T_s是一个经验阈值；

S32、当K的值大于1时，表示现在候选线段大于一条，不符合精确匹配的要求，需对候选线段做进一步扩展，直到找到唯一一条符合要求的正确匹配。

采用上述技术方案后，本发明能够通过构建缓冲区的方式对参考线段选取出对应的候选线段，大大减少了搜索的空间，在此基础上引入了扩展线段的方式，考虑了线段与其周边线段的拓扑连接关系，结合上下文信息更加精确地确定出正确的匹配对，最后通过构建一个自适应参数的方式，提高了整个匹配的效率。

附图说明

图1为本发明基于扩展线段的农村道路网匹配方法的流程图；

图2为本发明基于扩展线段的农村道路网匹配方法的道路匹配效果图；

图3为本发明基于扩展线段的农村道路网匹配方法的道路匹配局部放大效果图，其中图3a是图2左侧1号线框的放大结果，图3b是图2中部2号线框的放大结果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示的是本发明的流程图，主要包括以下步骤：

S1、对参考数据集上的每条参考线段，以其为中心建立缓冲区，然后对所有落在缓冲区内目标数据集上的线段，计算其与参考线段间的相似性，凡是满足阈值要求的线段，都被认为是候选线段；

S2、对参考线段及其所有的候选线段进行扩展线段操作，再重新计算扩展后线段间的相似性，选取相似性高的扩展后线段作为扩展后参考线段的新候选线段；

S3、构建一个自适应参数K来控制迭代循环次数，即每次都选择相似性最高的前K个线段作为新候选线段，当K为1时就找到了正确匹配的线段对。

其中，步骤S1具体如下：

S11、缓冲区的构建方法如下

以参考线段为中心线，在其周围构建一个矩形区域的缓冲区，该矩形的长边平行于参考线段，其长度略大于参考线段的长度；矩形的宽边被参考线段平分；对落在缓冲区内的目标数据集上的线段，按长度、距离、角度三个几何属性，计算它与参考线段间的相似性。

S12、线段间的相似性通过下式计算

式中Sim_len,Sim_dis,Sim_ang,Sim_shape分别为线段在长度、距离、角度、形状上的相似性，这里及下文所说的线段包括扩展后由多折线组成的线段，w_len,w_dis,w_ang，w_shape分别为它们对应的权重；

线段L₁和线段L₂在长度上的相似性Sim_len通过下式计算：

Sim_len＝|L_L1-L_L2|

式中L_Li是线段Li的长度，n是线段Li中节点的总个数，

和

是线段中第j个节点P_j的横坐标和纵坐标；

线段L₁和线段L₂在距离上的相似性Sim_dis通过下式计算：

式中L_a,L_b分别是线段L₁,L₂上的任意一个片段，||P_a-L_b||表示线段L₁上的某一个节点P_a到L_b的垂直距离，||P_b-L_a||则表示线段L₂上的某一个节点P_b到L_a的垂直距离；

线段L₁和线段L₂在角度上的相似性Sim_ang通过下式计算：

式中

分别是线段L₁和线段L₂的各自首尾节点连接而成的向量，(·)表示的是向量的内积操作，|·|是向量的模。

在步骤S1获得候选线段的基础上，进行步骤S2，以获得新的候选线段，具体包括：

对参考线段和所有的候选线段，使其端点分别向外扩展一个线段单位，形成新的线段；对形成后新的线段，按长度、距离、形状三个特征来计算新的相似性，最后再按相似性从高到低选取前K个对应线段作为扩展后参考线段的新候选线段。

形状相似性定义如下：

引入一个新的复杂网络的定义来对一个曲线(多段折线段构成)的形状进行分析。先使曲线上所有节点两两连接构成一个无向带权值的完全连接网络，权值就是两节点的距离归一化后的值。举例来说，假设曲线上共有n个节点，则完全连接网络就有

条边。然后，给定一个阈值R_l，如有网络中边的权值小于或等于这个阈值R_l，则保留该条边，否则就删除该边，由此得到的新的网络就称为阈值R₁下的复杂网络。

下一步，根据不同阈值下得到的复杂网络来构建一个形状描述符σ。具体来说，选择一个等差值的阈值序列{R₁,R₂,…,R_M}，其中0≤R₁≤R_M≤1，R_j+1-R_j＝C，C是一个常数。根据这个阈值序列会得到M个复杂网络。接着，根据这M个复杂网络，构造出形状描述符σ，如下所示

σ＝[K_a(1)，K_m(1)，K_a(2)，K_m(2)，…，K_a(M),K_m(M)]

式中K_a(j)表示阈值R_j下的复杂网络中所有节点的度的平均值，K_m(j)表示网络中所有节点的度的最大值。所以，线段L₁和线段L₂在形状上的相似性Sim_shape可以定义如下：

式中M表示的是阈值的总个数。

在步骤S2获得新的候选线段的基础上，采用一个自适应参数来获得精确的匹配结果，具体包括以下步骤：

构建一个自适应参数K来表示要选取的新的候选线段的个数。假设现在已有排序好的相似性序列{Sim_i,1,Sim_i,2,…,Sim_i,m}，Sim_i,1≥Sim_i,2≥…≥Sim_i,m，其中Sim_i,j表示扩展后参考线段L_i和扩展后候选线段L_j之间的相似性。令j从1开始累加，当第一次遇到Sim_i,j-Sim_i,j+1≥T_s时，累加停止，而j的值就是需要的K的取值，这里的T_s是一个经验阈值。

若K的值大于1时，表示现在候选线段大于一条，不符合精确匹配的要求，因此还需对候选线段做进一步扩展，一直到找到唯一一条符合要求的正确匹配。

图2是一个道路匹配的效果图，呈现了本发明应用于高分辨率卫星影像上的道路匹配效果。本发明的目标数据集就是在Pleiades-1A卫星拍摄的图像上提取出的道路网络，这个图像分辨率是0.5m,图像大小为28648×37929像素；参考数据集由中国交通通信中心提供的历史车辆轨迹形成的道路网络。图2是整个道路网的部分区域匹配效果图，其中图2a就是目标数据集，图2b就是参考数据集。

图3是图2中两个矩形框内匹配效果的放大图。图3(a)对应的是图2中左边1号线框的放大效果，图3(b)对应的则是图2中间2号线框的放大效果。在图3中，1号线表示参考数据集，而对目标数据集来说，2号线表示正确匹配的道路线段，3号线表示未匹配上的道路线段，4号线表示错误匹配路段。

下表显示的道路匹配结果的数据统计情况：

相关道路匹配算法的文献如下：

[1]MengZhang and LiqiuMeng,“Delimited stroke oriented algorithm-working principle and implementation for the matching of road networks,”Geographic Information Sciences,vol.14,no.1,pp.44–53,2008.

由于农村道路比较杂乱的原因，历史参考数据集上对一些小的、偏僻的道路都存在缺失情况，这导致本算法的匹配率并不高，只有74.73％。但是本算法的准确率则是达到了87.24％，远高于文献[1]的83.41％的准确率，这证明，使用本发明进行的农村道路匹配在准确率上有很大的提升。

以上，仅为本发明较佳的具体实施方式，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该以权利要求的保护范围为准。

Claims (6)

1.一种基于扩展线段的农村道路网匹配方法，其特征在于，包括以下步骤：

S1、对参考数据集上的每条参考线段，以其为中心建立缓冲区，然后对所有落在缓冲区内的目标数据集上的线段进行计算，得出其与参考线段间的相似性，将满足阈值要求的线段设为候选线段；

S2、对参考线段及其所有候选线段进行扩展线段操作，再重新计算扩展后的参考线段与候选线段间的相似性，选取相似性高的扩展后线段作为扩展后参考线段的新候选线段；

S3、构建一个自适应参数K来控制迭代循环次数，即每次都选择相似性最高的前K个线段作为新候选线段，当K为1时即为正确匹配的线段对；

其中，步骤S1中缓冲区的构建方法如下：

以参考线段为中心线，在其周围构建一个矩形区域的缓冲区，该矩形的长边平行于参考线段，其长度大于参考线段的长度；矩形的宽边被参考线段平分；对落在缓冲区内的目标数据集上的线段，按长度、距离、角度三个几何属性，计算它与参考线段间的相似性。

2.根据权利要求1所述的基于扩展线段的农村道路网匹配方法，其特征在于，线段间的相似性通过下式计算：

式中Sim_len，Sim_dis，Sim_ang，Sim_shape分别为线段在长度、距离、角度、形状上的相似性，w_len，w_dis，w_ang，w_shape分别为它们对应的权重。

3.根据权利要求2所述的基于扩展线段的农村道路网匹配方法，其特征在于，步骤S1中目标数据集上的线段L1与参考线段L2在长度上的相似性Sim_len通过下式计算：

Sim_len＝|L_L1-L_L2|

式中L_Li是线段Li的长度，n是线段Li中节点的总个数，

和

是线段中第j个节点P_j的横坐标和纵坐标；

目标数据集上的线段L1与参考线段L2在距离上的相似性Sim_dis通过下式计算：

式中L_a，L_b分别是线段L₁，L₂上的任意一个片段，||P_a-L_b||表示线段L₁上的某一个节点P_a到L_b的垂直距离，||P_b-L_a||则表示线段L₂上的某一个节点P_b到L_a的垂直距离；

目标数据集上的线段L1与参考线段L2在角度上的相似性Sim_ang通过下式计算：

式中

分别是线段L₁和线段L₂的各自首尾节点连接而成的向量，(·)表示的是向量的内积操作，|·|是向量的模。

4.根据权利要求3所述的基于扩展线段的农村道路网匹配方法，其特征在于，步骤S2的计算具体如下：

对参考线段和所有的候选线段，使其端点分别向外扩展一个线段单位，形成新的线段；对形成后新的线段，按长度、距离、形状三个特征来计算新的相似性，最后再按相似性从高到低选取前K个对应线段作为扩展后参考线段的新候选线段。

5.根据权利要求4所述的基于扩展线段的农村道路网匹配方法，其特征在于，扩展后的目标数据集上的线段L1与参考线段L2在形状上的相似性Sim_shape通过以下步骤计算得出：

S211、设定一个新的复杂网络，对一个曲线的形状进行分析；首先使曲线上所有节点两两连接构成一个无向带权值的完全连接网络，权值就是两节点的距离归一化后的值；然后给定一个阈值R₁，如果网络中有边的权值小于或等于阈值R₁，则保留该条边，否则就删除该边，由此得到的新的网络就称为阈值R₁下的复杂网络；

S212、根据不同阈值下得到的复杂网络构建一个形状描述符σ；如下所示

σ＝[K_a(1)，K_m(1)，K_a(2)，K_m(2)，…，K_a(M)，K_m(M)]

式中K_a(j)表示阈值R_j下的复杂网络中所有节点的度的平均值，K_m(j)表示网络中所有节点的度的最大值；

S213、线段L₁和线段L₂在形状上的相似性Sim_shape定义如下：

其中M表示的是阈值的总个数。

6.根据权利要求1所述的基于扩展线段的农村道路网匹配方法，其特征在于，步骤S3具体包括以下步骤：

S31、构建一个自适应参数K来表示要选取的新的候选线段的个数；设已有排序好的相似性序列{Sim_i，1，Sim_i，2，…，Sim_i，m}，Sim_i，1≥Sim_i，2≥…≥Sim_i，m，其中Sim_i，j表示扩展后参考线段L_i和扩展后候选线段L_j之间的相似性；令j从1开始累加，当第一次遇到Sim_i，j-Sim_i，j+1≥T_s时，累加停止，而j的值就是需要的K的取值，这里的T_s是一个经验阈值；

S32、当K的值大于1时，表示现在候选线段大于一条，不符合精确匹配的要求，需对候选线段做进一步扩展，直到找到唯一一条符合要求的正确匹配。

Images