《測繪學報》

構建與學術的橋梁 拉近與權威的距離

復制鏈接，關注《測繪學報》抖音！

【測繪學報的個人主頁】長按復制此條消息，長按復制打開抖音查看TA的更多作品##7NsBSynuc88##[抖音口令]

車輛軌跡數據的道路學習提取法

摘要：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。

關鍵詞：深度學習 條件生成式對抗網絡 車輛軌跡 車行道級道路提取 朝向-顏色映射

引文格式：陸川偉, 孫群, 陳冰, 等. 車輛軌跡數據的道路學習提取法. 測繪學報，2020，49(6)：692-702.DOI:10.11947/j.AGCS.2020.20190305.

閱讀全文：http://xb.sinomaps.com/article/2020/1001-1595/2020-6-692.htm

全文概述

本文在軌跡點柵格化過程中融入軌跡數據的語義信息，并分別優化了CGAN模型的生成器和判別器，進而實現車行道級道路提取。首先將軌跡數據的朝向信息映射到HSV顏色空間，進行圖像柵格化和樣本分割；然后提出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(directional trajectory to roadway-level road extraction model based on conditional generative adversarial nets, DR2RR-CGAN)，并進行模型訓練；最后基于DR2RR-CGAN模型實現試驗區域內有向軌跡地圖向車行道級道路地圖的轉換，進而實現車行道級道路數據的提取與更新。

1

相關概念及道路提取流程

1.1 GAN相關概念

針對圖像生成任務，GAN模型主要包括生成器(generative model，G)和判別器(discriminative model，D)兩部分。

GAN模型的優勢是不需要先驗知識而使用一種噪聲分布直接進行采樣，逐漸完全逼近真實數據。但是由于缺乏先驗信息，會產生不可控的訓練結果，因此研究人員提出引入條件變量的CGAN模型。基于CGAN模型，以輸入圖像作為條件變量，提出了Image-to-Image模型^[18]實現圖像到圖像的圖像轉換任務。圖 1為其模型應用于遙感影像與柵格地圖之間轉換的結構示意圖。

圖 1 Image-to-Image模型框架

1.2 DR2RR-CGAN模型道路提取流程

圖 2為基于DR2RR-CGAN模型的車行道級道路提取的主要流程。

圖 2 基于DR2RR-CGAN模型的車行道級道路提取流程

2 車行道級道路提取方法

2.1 朝向-顏色映射柵格化轉換

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)。

圖 3 軌跡點朝向分布與HSV顏色模型

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?？梢钥闯鐾ㄟ^將軌跡朝向轉換到HSV顏色空間，顯著區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。

圖 4 軌跡數據朝向-顏色映射柵格化轉換

2.2 DR2RR-CGAN模型

參考Image-to-Image圖像轉換框架，本文設計了DR2RR-CGAN模型，實現有向軌跡地圖向車行道級道路地圖的轉換。在該模型中，有向軌跡地圖X作為條件變量分別輸入生成器和判別器中，其中生成器和判別器分別采用殘差網絡生成器和多尺度PatchGAN判別器。模型結構如圖 5。

圖 5 DR2RR-CGAN模型框架

2.2.1 殘差網絡生成器

GAN模型的生成器一般采用自編碼模型或其變形，如U-Net模型^[22]，其過程都是首先下采樣提取深度特征，然后上采樣生成目標的結構。其中模型深度受下采樣過程中卷積計算的限制，根據輸入圖像的大小不同，最大深度有限。而卷積計算的深度直接影響模型生成效果，一般神經網絡模型深度越深，卷積計算次數越多，模型學習能力越強。為了增加模型深度，參考Pix2PixHD^[20]和PGGAN模型^[23]，本文在自編碼生成模型中引入殘差網絡，提出了殘差網絡生成器，其結構如圖 6所示。

圖 6 殘差網絡生成器

2.2.2 多尺度PatchGAN判別器

PatchGAN判別器^[18]是通過對輸入圖像進行多次卷積計算，輸出一個大小為N的特征圖，進一步對特征圖上每一個元素判斷真或假，最后求均值即為輸入圖像為真或假的概率。判別器結構就是一個卷積網絡，其輸出特征圖上的像素點對應原輸入圖像上的映射區域即為其感受野，也就是PatchGAN判別器中Patch的含義，其結構如圖 7所示。

圖 7 感受野

2.2.3 目標函數

在深度學習網絡模型優化過程中，衡量目標值與真實值差異的函數稱為損失函數，如平方損失函數、對數損失函數等。訓練集的平均損失稱為經驗風險，模型優化過程，即為經驗風險最小化過程。但經驗風險最小化過程又要防止過擬合，需要降低模型復雜度，稱為結構風險最小化，常用L1、L2范數等。這種使得經驗風險和結構風險最優化的優化函數稱為目標函數。

參考Image-to-Image模型和Pix2PixHD模型，一方面為了提升生成車行道級道路圖像的精細程度，另一方面為了降低訓練模型的過擬合風險。

2.3 模型訓練

為了訓練用于車行道級道路提取的DR2RR-CGAN模型，本文選取了鄭州市鄭東新區部分區域作為模型訓練樣本區，區域大小為4000 m×5500 m。訓練數據為樣本區內的軌跡數據和車行道級道路數據，其中車行道級道路數據為基于谷歌影像人工采集獲取。首先將車輛軌跡源數據和道路數據進行坐標系轉換，將WGS-84地理坐標投影為高斯-克呂格投影下的平面直角坐標；接著進行朝向-顏色映射柵格化轉換，將車輛軌跡點朝向轉換為HSV顏色空間，同時將車輛軌跡點和道路數據投影到地圖平面；然后為了增加模型訓練樣本數量，按500 m×500 m網格模板，分別沿水平方向和豎直方向按照步長100 m對樣本區域進行分割，將模型訓練樣本區分割為1836張軌跡柵格圖和1836張道路柵格圖。

根據輸入圖像的分辨率和軌跡數據特點，本文對模型生成器的殘差網絡層數、多尺度判別器感受野組合進行了多次試驗對比調試，最終將生成器的殘差網絡設置為10層，多尺度判別器設置為7×7、16×16、34×34、70×70、142×142像素感受野組合(根據式(7)，對于500×500像素的圖像，根據卷積層的層數不同，小于圖像尺寸的感受野像素大小可以為7×7、16×16、34×34、70×70、142×142、286×286)。模型訓練過程設置迭代次數為1000次，訓練時長約38 h，損失值變化曲線如圖 8。

圖 8 模型訓練過程損失值變化曲線

3 試驗與分析

3.1 試驗環境與數據預處理

試驗的硬件環境為Ubuntu18.04系統、64 GB內存、Quadro P5000顯卡、16 GB顯存，基于Python3.6編程語言、Tensorflow1.12.0深度學習開源庫進行算法實現與結果分析。

為了驗證本文提出DR2RR-CGAN模型的車行道級道路提取效果和模型對不同區域、不同特征軌跡數據的適應性，試驗驗證分別選取了鄭州市三環、南京市部分主城區、成都市高新南區等區域的軌跡數據。其中各試驗區域的數據詳情見表 1。

表 1 數據詳情

區域	鄭州	南京	成都
區域面積/km2	236.25	210	82.5
道路長度/km	1597	1424	959
采集時間	2016-11-15	2015-09-01	2014-08-20
采集時長/h	1	1	1
采樣間隔/s	>60	>30	>30
數據量/個	503 296	1 078 798	359 924
數據密度/(個/km)	315	757	375
主要屬性	時間、經度、 緯度、朝向	時間、經度、 緯度	時間、經度、 緯度

3.2 試驗結果與精度分析

首先將軌跡數據朝向-顏色映射柵格化轉換，然后進行矢-柵轉換并按照500 m×500 m網格大小進行圖像分割，最后將分割后圖片輸入訓練后的DR2RR-CGAN模型得到生成道路，圖 9分別為鄭州、成都、南京區域道路提取效果。為了對比評價道路提取效果，本文分別將DR2RR-CGAN模型、Image-to-Image模型和柵格化方法^[4](其中緩沖區半徑為10 m，細化算法采用查表法)進行定性和定量評價。

圖 9 道路提取效果

3.2.1 朝向-顏色映射柵格化轉換對車行道級道路提取效果的影響

圖 10為是否進行朝向-顏色映射柵格化轉換對車行道級道路提取效果的影響，圖中分別為兩個區域的道路提取效果對比?？梢钥闯龇浅?顏色映射柵格化轉換軌跡生成道路存在偏離影像中道路區域的現象，而朝向-顏色映射柵格化轉換后軌跡生成道路則不存在偏離現象(圖 10中1、2區域)。其原因為輸入非朝向-顏色映射柵格化轉換的軌跡數據，模型不能真正區分左右雙線道路，而只是根據模型訓練的知識生成雙線卻沒有實際意義的道路，因此會存在偏離道路區域的現象。

圖 10 道路提取效果對比

3.2.2 DR2RR-CGAN模型與Image-to-Image模型道路提取效果對比

圖 11為DR2RR-CGAN模型與Image-to-Image模型道路提取效果對比?？梢?#xff0c;Image-to-Image模型提取道路在軌跡相對稀疏區域出現單線道路(區域1)和非完整道路(區域2)，同時出現許多較短的零碎路段不能連接為完整道路(區域3)；而相較于Image-to-Image模型，DR2RR-CGAN模型提取道路的光滑度更加平滑，車行道級道路的雙線(車行道)更加完整，基本構成了完整的車行道級道路網。說明本文提出改進的殘差網絡生成器和多尺度PatchGAN判別器對車行道級道路提取有著顯著的提升作用，可以提取出更加完整、細節更加真實的車行道級道路。

圖 11 道路提取效果對比

3.2.3 DR2RR-CGAN模型與柵格化方法道路提取效果對比

圖 12為DR2RR-CGAN模型與柵格化方法道路提取效果對比?？梢?#xff0c;在一定的緩沖區參數下，柵格化方法只有在高等級道路中軌跡分布明顯分離的情況才能提取車行道級道路(區域1)，同時緩沖區參數、細化算法等參數會影響道路提取效果，如軌跡分布稀疏區域較難提取出道路(區域2)；相較于柵格化方法，DR2RR-CGAN模型提取道路更加完整。

圖 12 道路提取效果對比

3.2.4 道路交叉口區域提取效果

觀察圖 11(區域1)、圖 12(區域1)中道路交叉口區域DR2RR-CGAN模型的道路提取效果，圖 13為上述區域的道路交叉口放大圖?？梢钥闯?#xff0c;提取道路在道路交叉口區域混為一團難以正確表達各車行道之間的連通關系，其原因為車輛軌跡柵格化后在道路交叉口區域相互疊加導致DR2RR-CGAN模型難以識別出道路交叉口細節與連通關系。

圖 13 道路交叉口區域提取效果

3.2.5 評價指標對比

由于缺乏車行道級道路對比數據，本文以鄭州市中原區部分區域遙感影像為參照樣本，手動提取了該區域的車行道級道路數據作為參考，道路長度約300 km。定量評價方法采用文獻[26]提出的緩沖區方法，對參考數據分別建立4、6、8 m半徑緩沖區(緩沖區半徑過大會導致相鄰車行道的緩沖區重疊)，然后分別統計落入緩沖區內的道路長度并計算精確率、召回率和F₁值等評價指標。

綜上，從3個城市的道路提取試驗和參照區域評價指標對比結果可以得出以下結論：

(1) DR2RR-CGAN模型方法具有很強的實用性，可以應用于不同區域、不同特征的軌跡數據以提取車行道級道路。

(2) 本文提出改進的殘差網絡生成器、多尺度PatchGAN判別器以及軌跡朝向-顏色映射對車行道級道路提取有著顯著的提升作用。

(3) 相較于傳統柵格化方法，DR2RR-CGAN模型方法可以有效地提取車行道級道路，且受道路等級、軌跡分布密度的影響較小。

(4) DR2RR-CGAN模型方法在復雜道路交叉口區域提取道路的精細程度有待提高。

作者

簡

介

第一作者簡介：陸川偉(1990—)，男，博士，研究生，研究方向為軌跡數據挖掘與地圖更新，Email:19wei.90chuan@163.com

第二作者簡介：(通信作者)孫群(1963—)，男，博士，教授，研究方向為數字地圖制圖與地理信息處理，Email:13503712102@163.com

第三作者簡介：陳冰(1982—)，男，博士，副教授，研究方向為地理信息系統、天文導航、復雜系統仿真，Email:ernestking@163.com

第四作者簡介：溫伯威(1986—)，男，博士，講師，研究方向為數字地圖制圖和多源地理空間數據融合，Email:GIS 0803@163.com

第五作者簡介：趙云鵬(1991—)，男，博士，研究生，研究方向為多源空間數據融合.

第六作者簡介：徐立(1985—)，男，博士，講師，研究方向為地理空間數據分析與可視化，Email:xuli_1985@yeah.net

本期目錄 |《測繪學報》2020年第6期網刊發布

賀浩 王舒洋 王仕成 | 《測繪學報(英文版)》(JGGS)精選論文

院士論壇｜李德仁：測繪遙感與智能駕駛

院士論壇｜龔健雅：人工智能對攝影測量與遙感的影響與挑戰

《測繪學報(英文版)》被國際著名開放獲取期刊目錄數據庫“DOAJ”收錄

重磅 | 測繪學報編委劉經南院士獲湖北省科學技術突出貢獻獎

Seabed 2030 Project : 2030年前繪制完整的世界海床地圖

徐福隆 李子申 張克非 | 《測繪學報(英文版)》(JGGS)精選論文

權威 | 專業 | 學術 | 前沿微信、抖音小視頻投稿郵箱 | song_qi_fan@163.com

歡迎加入《測繪學報》作者QQ群： 751717395

進群請備注：姓名+單位+稿件編號

總結

以上是生活随笔為你收集整理的基于在线地图的轨迹跟踪服务_论文推荐丨陆川伟，孙群，陈冰，等：车辆轨迹数据的道路学习提取法...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。