顾及轨迹密度分布异质性的道路交叉口提取方法.pdf

第 卷第期测绘学报V o l ,N o 年月A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c aJ u n e,引文格式:邓敏,罗斌,唐建波,等顾及轨迹密度分布异质性的道路交叉口提取方法J测绘学报,():D O I:/j A G C S D E N G M i n,L UO B i n,TAN GJ i a n b o,e ta l E x t r a c t i n gr o a di n t e r s e c t i o n sf r o m v e h i c l et r a j e c t o r yd a t ai nt h ef a c eo ft r a c ed e n s i t yd i s p a r i t yJ A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a,():D O I:/j A G C S 顾及轨迹密度分布异质性的道路交叉口提取方法邓敏,罗斌,唐建波,姚志鹏,刘国平,温翔,胡润波,柴华,胡文柯中南大学地球科学与信息物理学院,湖南 长沙 ;滴滴出行科技有限公司,北京 EE xx tt rr aa cc tt ii nn ggrr oo aa dd ii nn tt ee rr ss ee cc tt ii oo nn ss ff rr oo mmvv ee hh ii cc ll ee tt rr aa jj ee cc tt oo rr yydd aa tt aa ii nn tt hh ee ff aa cc eeoo ff tt rr aa cc eedd ee nn ss ii tt yydd ii ss pp aa rr ii tt yyDD EE NN GGMM ii nn,LL UU OOBB ii nn,TT AA NN GGJJ ii aa nn bb oo,YY AA OOZZ hh ii pp ee nn gg,LL II UUGG uu oo pp ii nn gg,WW EE NNXX ii aa nn gg,HH UURR uu nn bb oo,CC HH AA IIHH uu aa,HH UUWW ee nn kk ee S c h o o lo fG e o s c i e n c e sa n dI n f o p h y s i c s,C e n t r a lS o u t hU n i v e r s i t y,C h a n g s h a ,C h i n a;D i d iC h u x i n gT e c h n o l o g yC o,L t d,B e i j i n g ,C h i n aAA bb ss tt rr aa cc tt:V e h i c l et r a j e c t o r yd a t ap r o v i d e san e wo p p o r t u n i t yf o rr o a dn e t w o r kg e n e r a t i o n,r o a dm a pu p d a t ea n d t r a f f i cc o n d i t i o nm o n i t o r i n g A c c u r a t e l ye x t r a c t i n gr o a d i n t e r s e c t i o n s f r o mt r a j e c t o r yd a t ai sak e ys t e p t ob u i l da r e f i n e d r o a dn e t w o r km a pb a s e do nv e h i c l e t r a j e c t o r yd a t a A t p r e s e n t,s e v e r a l s c h o l a r sh a v ep u tf o r w a r ds o m e m e t h o d su s i n gs p a t i a lc l u s t e r i n gt oi d e n t i f yr o a di n t e r s e c t i o n sb a s e do nt h ed e t e c t i o no f t u r n i n gp o i n t sa n ds p e e dc h a n g ep o s i t i o n s i n t r a j e c t o r i e s H o w e v e r,d u e t o t h eh e t e r o g e n e i t yo ft r a c kd e n s i t yd i s t r i b u t i o n,n o i s ei n t e r f e r e n c ea n dt h ei s s u eo fc l u s t e r i n gp a r a m e t e r ss e t t i n g,t h ee x i s t i n gm e t h o d ss t i l lh a v ec h a l l e n g e st oe x t r a c ti n t e r s e c t i o n so fd i f f e r e n ts i z e sa n ds h a p e sf r o ml o w q u a l i t yt r a j e c t o r yd a t a T h e r e f o r e,t h i sp a p e rp u t sf o r w a r das t r a t e g yo ft r a c kr a s t e r i z a t i o nc o n s i d e r i n gt h eh e t e r o g e n e i t yo ft r a c kd e n s i t yd i s t r i b u t i o na n d ar o a di n t e r s e c t i o ne x t r a c t i o n m e t h o d b a s e do nt h et r a j e c t o r yt r a n s f o r m a t i o n,i n t e r s e c t i o ns e g m e n t a t i o na n dl o c a t i o no p t i m i z a t i o np r o c e s s E x p e r i m e n t so nr e a l w o r l d t r a j e c t o r yd a t aw i t hd i f f e r e n t s a m p l i n g f r e q u e n c i e sa r ec o n d u c t e d t oe v a l u a t e t h ep e r f o r m a n c eo ft h ep r o p o s e dm e t h o d,a n dr e s u l t ss h o wt h ee f f e c t i v e n e s sa n ds u p e r i o r i t yo f t h ep r o p o s e dm e t h o do v e r t h ee x i s t i n gs t a t e o f t h ea r tm e t h o d s KK ee yyww oo rr dd ss:r o a d i n t e r s e c t i o n;t r a j e c t o r yd a t a;f e a t u r ee x t r a c t i o n;t r a c k r a s t e r i z a t i o n;d e e p l e a r n i n gFF oo uu nn dd aa tt ii oo nnss uu pp pp oo rr tt:T h e N a t i o n a lN a t u r a lS c i e n c e F o u n d a t i o n o fC h i n a(N o s ;);T h eN a t u r a l S c i e n c eF o u n d a t i o no fH u n a nP r o v i n c e(N o J J )摘要:车辆轨迹大数据为道路网生成与更新、道路状态信息感知提供了新机遇,从轨迹数据中准确提取道路交叉口是基于车辆轨迹数据构建精细化道路网地图的关键步骤.当前已有学者根据轨迹点的转向、速度变化等特征,基于空间聚类提出了一些道路交叉口识别的经典方法,但由于轨迹数据密度分布的异质性、噪声干扰及最优聚类参数设置等问题,从不同采样频率、分布密度的轨迹数据中提取不同大小、形态的交叉口仍是一个挑战.为此,本文首先针对轨迹密度的空间分布异质性提出基于层次划分的轨迹栅格化策略,进而从视觉角度出发,提出一种基于“转换分割优化”全流程的道路交叉口层次提取方法.通过对不同采样频率的真实轨迹数据进行试验分析,验证了本文方法对低频轨迹数据中道路交叉口提取的准确度与有效性,识别结果优于现有代表性方法.关键词:道路交叉口;轨迹数据;特征提取;轨迹栅格化;深度学习中图分类号:P 文献标识码:A文章编号:()基金项目:国家自然科学基金(;);湖南省自然科学基金(J J )第期邓敏,等:顾及轨迹密度分布异质性的道路交叉口提取方法道路交叉口是路网地图导航服务中的关键位置节点,为了构建精细化的道路网导航地图,交叉口提取与建模是其中的一个核心步骤.从多源地理大数据中提取交叉口信息一直是地理信息科学领域的一个研究热点,其中基于高分辨率遥感影像数据的道路交叉口提取已受到学者的广泛关注,如文献 利用改进后的YO L O v 网络模型,从高分辨率遥感影像中提取出不同类型的道路交叉口.由于交叉口类型复杂多样,同时受图像光照条件、纹理变化影响且存在被阴影、树木遮挡等问题,基于遥感影像的交叉口识别方法难以完整地发现所有类型的交叉口.相比于遥感影像,通过卫星定位设备(如GN S S接收机)记录的有关空间位置、运动方向和状态等信息的车辆轨迹数据受环境干扰少,可快速对道路的几何、拓扑和交通状态进行感知,已成为道路交叉口提取和城市级道路网地图生成与更新的重要数据源 .从移动轨迹数据中准确识别交叉口的位置和空间范围是进一步对交叉口内部道路的几何形态与拓扑连通关系精细化建模的前提步骤,对于基于轨迹数据的高精度导航路网地图构建与更新具有重要意义.由于交叉口形态复杂多样以及移动轨迹数据的高噪声、空间分布不均等问题,如何从不同采样频率、分布密度的轨迹数据中提取不同大小、形态的交叉口位置和范围仍是一个挑战.当前基于轨迹数据的交叉口提取方法主要可以分为基于轨迹特征的方法、基于栅格化的方法和融合多源数据的交叉口提取方法.基于轨迹特征的方法利用交叉口内轨迹的转向角、速度等特征变化来识别交叉口位置与范围.文献 将转向角度变化较大的轨迹点标记为转向点,进而利用聚类方法划分为转向点聚簇,将转向点聚簇识别为交叉口;类似地,文献,将交叉口定义为轨迹转向点的热点区域,探测转向角变化较大的轨迹点集合,进而通过聚类算法提取交叉口的位置和范围;与轨迹点单一特征相比,文献 依据轨迹段的单体特征或交互特征来识别交叉口处的特征点,对交叉口的识别精度有一定提升.基于轨迹特征的方法能够较好地识别相对分离的交叉口,但对于轨迹分布稀疏或交叉口分布邻近的区域,容易受聚类参数影响而导致交叉口的漏检或邻近交叉口错误合并.基于栅格化的方法根据交叉口整体形态与结构特征来识别交叉口,如文献 根据交叉口区域的道路形态特征,以不同大小的同心圆划分区域,构建了一种局部形状描述子来区分交叉口和非交叉口;在此基础上,考虑到交叉口的多尺度特性,文献 构建了一种多尺度的形状描述子来提取交叉口候选区域,进而采用多尺度图卷积网络对交叉口进行判别;文献 采用目标检测网络模型识别路网地图中的交叉口,但对小交叉口目标的识别能力仍较弱,且难以保证交叉口形状及范围的可靠性;考虑到轨迹数据不同特征在矢量空间和栅格空间能够优势互补,文献 提出一种融合轨迹点密度、拓扑连接及反向交汇点密度等栅格空间特征的交叉口集成提取方法.目前基于栅格化的交叉口提取方法大多依据交叉口的整体形态特征,通过人为设定的特征约束规则来筛选交叉口区域,该类方法主要关注交叉口位置识别,而较少对交叉口范围信息进行提取.近年来,有学者将轨迹数据与遥感影像数据进行融合来识别道路交叉口,如文献 将栅格化后的轨迹图像与遥感影像进行融合,提出了基于语义分割模型的交叉口识别方法;文献 针对遥感影像和轨迹栅格图像分别构建基于深度卷积网络的交叉口分类器,提出了一种从车辆轨迹与遥感影像中识别道路交叉口的多元集成方法.融合多源数据的交叉口提取方法考虑到不同数据源的信息互补优势,可以提升道路交叉口识别的准确度,但是该类方法也存在着多源数据的匹配融合以及不一致道路信息的处理等问题.顾及轨迹密度分布异质性的交叉口识别方法现有交叉口识别方法主要基于轨迹转向点的空间分布特征来提取道路交叉口的位置和空间范围,但对于轨迹数据分布稀疏、交叉口邻近分布的场景,基于轨迹转向点的方法可能存在着交叉口漏提取和错误合并的问题,如图(a)、(b)所示.同时,现有方法大多采用轨迹转向点聚类的最小外接圆作为交叉口区域范围,在转向点分布不均匀时,该范围可能与实际情况不符,如图(c)所示.针对上述轨迹分布异质以及交叉口形态多样难以直接描述等问题,本文提出一种顾及轨迹密度分布异质性的交叉口提取方法,总体流程如图所示.首先,对原始轨迹数据进行预处理以去除噪声;然后,考虑轨迹整体密度分布的异质J u n e V o l N o A G C Sh t t p:x bc h i n a s m pc o m性,采用数据分块和多层次的栅格化策略,将轨迹数据转换为栅格图像;基于轨迹栅格化图像,本文将交叉口识别问题转化为实例分割问题,提出一种“语义分割层次剥离”的两阶段交叉口提取方法,即采用语义分割模型生成轨迹栅格图中的交叉口候选区域,进而通过层次迭代剥离的交叉口提取算法分离出单个交叉口;最后,依据交叉口特征约束规则进行真伪验证,并对交叉口的空间范围进行估计与优化.图交叉口提取方法存在的挑战F i g C h a l l e n g e so f e x i s t i n g i n t e r s e c t i o ne x t r a c t i o nm e t h o d s图本文方法总体流程F i g T h e f r a m e w o r ko f t h ep r o p o s e dm e t h o d轨迹数据预处理和数据分块轨迹数据是对车辆位置和运动状态的时序记录.本文以ST,T,Tn 表示轨迹数据集,Tk表示第k条轨迹,n为轨迹总条数;轨迹TkP,P,Pm,其中,Pi表示轨迹Tk中的第i个采样点,m为轨迹Tk中采样点总个数;采样点Pi包含位置坐标(xi,yi)、采样时间ti和运动状态属性(如速度vi、方向oi)等.另外,对于采样点只包含位置坐标和采样时间属性的轨迹数据,车辆的运动状态(如速度、方向),可通过前后采样点间的距离、时间差和点位方向进行估算.由于GN S S设备异常或信号遮挡等原因,常用轨迹数据中一般包含了大量的噪声,严重影响从轨迹数据中准确识别道路结构.本文根据采样点间距(轨迹中相邻采样点间距di m,则删除该条轨迹)、轨迹长度(若轨迹长度L m,则删除该条轨迹)、采样间隔(若轨迹中相邻采样点时间间隔ti s,则将该轨迹在该采样点处打断)、运动速度限制(据各级道路速度设计规范,若轨 迹 中 存 在 采 样 点 的 运 动 速 度vi k m/h,则删除该条轨迹)及采样点个数(若轨迹采样点个数m小于,则删除该条轨迹)等规则对轨迹数据进行清理.针对清理后轨迹数据,对研究区域内的轨迹数据进行分块处理,主要原因有两个方面:由于轨迹数据分布具有显著的空间异质性,采用全局的栅格化阈值难以适应不同轨迹密度区域的栅格化需求,轨迹数据分块后可以根据局部区域内轨迹密度分布特征设置合适的栅格化阈值,尽可能地保留低密度区域内的交叉口;对于城市级海量轨迹数据,分块处理后便于采用并行计算提升海量轨迹数据的处理效率.轨迹数据分块的图幅尺寸选择影响着轨迹数据栅格化质量.分幅尺寸过小,会出现将整个交叉口分裂到多个图幅的情况;分幅尺寸过大,轨迹栅格图像分辨率低(图像大小固定),低密度轨迹交叉口不能完整表征.本文采用网格搜索(g r i ds e a r c h)方法,通过试验选择最佳的分幅尺寸g k m,即采用gg大小的网格对清理后轨迹数据进行分块处理,获得数据分块B,B,Bh,Bi表示第i个轨迹数据块.轨迹数据栅格化轨迹数据栅格化是将分块后的轨迹矢量数据映射到栅格空间当中,轨迹密度分布异质性直接影响栅格化结果,本文针对此问题将轨迹栅格化划分为平均轨迹密度估计、密度图生成、密度图平第期邓敏,等:顾及轨迹密度分布异质性的道路交叉口提取方法滑及噪声点剔除个步骤,通过对轨迹数据块进行平均轨迹密度估计以判断所属密度层级,针对不同密度层级的轨迹数据块设置相应的轨迹栅格化阈值,为降低轨迹分布不均造成的影响,其中平均轨迹密度定义为在数据块Bi内轨迹以线宽hd映射到栅格平面内,所有像素单元上轨迹通过的次数v(i,j)之和与有轨迹经过的像素单元个数总和之比,如式()所示Td e n s i t yMiNjv(i,j)MiNjs(i,j)s(i,j)若v(i,j)s(i,j)若v(i,j)()式中,Td e n s i t y为数据块的平均轨迹密度;M和N分别为轨迹栅格化后图像行数和列数.其中,M和N均取 ,同时考虑到轨迹点定位误差影响,在计算数据块的平均轨迹密度时,每条轨迹以初始线宽hd(实地约为 m)进行统计.由于不同的数据分块中轨迹的分布密度存在较大差异性,以上文所提的平均轨迹密度为指标对不同数据分块进行密度分级,并设置对应层级下轨迹栅格化的线宽度hd及密度阈值tn(假设轨迹存在噪声干扰,线宽hd表示轨迹真实位置的分布范围,通过对同一路段上的多条轨迹的分布范围进行叠加,真实道路所在的像素单元能够获得更高的轨迹密度值,从而与噪声区域相区别).通过对多个采样频率及轨迹密度差异显著的轨迹数据集进行统计分析,依据自然间断法 得到轨迹密度划分阈值,见表.轨迹栅格化的具体步骤描述如下.()针对每个数据分块,提取数据块内的车辆轨迹,设定对应密度层级下轨迹栅格化的线宽hd,统计每个栅格单元上轨迹经过的次数,生成轨迹密度图.表平均轨迹密度划分T a b D i v i s i o no f t h em e a nt r a j e c t o n gd e n s i t y平均密度区间轨迹线宽度hd密度阈值tn(,(,(,(,(,(,)()采用高斯滤波对轨迹密度图进行平滑处理,高斯核函数带宽以GN S S定位平均误差和道路宽度为依据设置为 m(对应到图像空间中,高斯核函数带宽设置为).()在平滑处理后的密度图中,轨迹噪声以道路边缘低密度像素的形式存在,依据密度阈值tn剔除噪声像素,将大于密度阈值的像素设为 ,从而将密度图归一化为二值图.()邻近轨迹可能由于距离间隔较大导致重叠区域较小,在轨迹栅格图中可能存在“空洞”,进一步采用二次迭代闭运算填补轨迹栅格图中可能存在的空洞.顾及密度分布异质性的轨迹栅格化策略在轨迹密度较高区域(图(a)能够较少噪声干扰,保留道路主干,同时填补大型交叉口处的空洞,且对其中低密度路段也能较好地保留;在轨迹稀疏区域(图(b),可以较大程度地保留原始轨迹信息,有利于稀疏轨迹数据中道路交叉口的提取.图不同轨迹密度数据分块的栅格化结果F i g T r a j e c t o r yr a s t e r i z a t i o nr e s u l t s i nd i f f e r e n t t r a j e c t o r yd e n s i t ys c e n e s交叉口区域识别模型道路交叉口是两条或两条以上道路的交汇处,相比于非交叉口路段,交叉口具有明显的“分叉”空间结构特征.同时,交叉口具有多尺度、形态结构多样等特征,相较于传统机器学习方法(如S VM)或人工设计特征难以适用于多类型交叉口J u n e V o l N o A G C Sh t t p:x bc h i n a s m pc o m识别任务,深度神经网络具有强大的特征学习能力,本文基于现有经典卷积神经网络构建交叉口区域语义分割模型,从轨迹栅格图中识别出交叉口区域,如图所示.本文网络模型以轨迹栅格图像为输入,首先采用R e s N e X t 网络模块 提取交叉口多层次空间结构特征;然后,在网络结构中加入U n e t 网络结构提高交叉口边缘完整性,同 时 在 解 码 阶 段 引 入 金 字 塔 池 化 模 块(p y r a m i dp o o l i n gm o d u l e,P PM)增强对交叉口多尺度特征的学习能力;进而,采用转置卷积实现特征上采样,并与原始R e s N e X t 网络中相同大小的特征图进行拼接融合,通过S o f t m a x回归实现交叉口分类;最后,对网络模型输出结果进行后处理,采用双重约束下的交叉口区域层次提取方法实现单个交叉口的分割剥离和真伪验证.图交叉口语义分割神经网络模型F i g S e m a n t i cs e g m e n t a t i o nm o d e l o f i n t e r s e c t i o nr e g i o n s交叉口语义分割神经网络模型()特征提取模块.本文采用R e s N e X t 模型从原始轨迹栅格图像中提取多层次结构特征,用于交叉口区域分类.与经典R e s N e t 网络相比,R e s N e X t 模型具有较强的多层次特征提取能力,引入分组卷积结构,使得网络在降低计算参数量的同时可有效提升网络性能,并且各个卷积块逐次缩小特征图大小,有利于结合U n e t网络结构进行不同大小交叉口目标的空间定位与语义分割.为此,本文采用R e s N e X t 网络作为交叉口特征提取模块.()语义分割模块.本文在交叉口语义分割部分采用结合P PM模块的U n e t网络结构,以增强网络模型对不同大小的交叉口特征学习能力,如图所示.本文采用的U n e t网络结构主要分为编码部分与解码部分,其中编码部分采用R e s N e t X t 提取的交叉口多尺度特征,解码部分利用转置卷积(又称反卷积)上采样算法实现网络对特征图中目标细节的智能化恢复,同时融合编码阶段中同尺寸特征图信息,恢复编码过程中丢失的局部信息,在解码部分本文进一步引入P PM模块,该模块采用种不同尺寸的池化窗口及步长分别进行特征聚合,能够有效提取不同尺度下的交叉口上下文信息,有利于不同大小的交叉口目标识别与分类.()损失函数与模型训练.网络模型训练使用A d a D e l t a算法 更新权值,依次调整学习率,并采用二元交叉熵评估模型预测结果精度,损失函数定义如下l o s sypSh(yp,yt)/ph(yp,yt)ytl n(yp)(yt)l n(yp)()式中,S表示图像中所有栅格点的类别预测值集合;yp表示栅格点类别的预测值;yt表示该点的第期邓敏,等:顾及轨迹密度分布异质性的道路交叉口提取方法真实类别;p表示图像中栅格点总个数.交叉口单体分割与范围估计基于上述的交叉口分类神经网络模型,可以从轨迹栅格图像中识别出交叉口候选区域.在此基础上,采用文献 中提出的图像轮廓线提取算法逐个识别交叉口外轮廓,进行最小外接圆拟合作为交叉口范围的初步估计(记为C);进而,基于交叉口边界特征编码,对交叉口初始边界进行迭代优化.为了对交叉口范围进行准确定位和提取,基于对轨迹栅格图中交叉口整体结构特征的观察与试验总结,本文提出一种交叉口边界特征编码方法(图),用于识别交叉口准确的范围边界,具体实现流程如下:采用外接圆对交叉口边缘进行逐像素采样,连续的轨迹像素编码值为,连续的零值像素(背景)编码为;根据此特征编码定义可知,在交叉口处编码长度均大于,在路段(即非交叉口)编码长度为,可据此对候选交叉口区域进行真伪性验证,去除识别结果中的虚假交叉口;以交叉口初始边界C为基础,以一定步长(本文设置为m)逐步增加或缩小外接圆半径,在一定搜索范围内对交叉口真实范围进行估计,求取保持编码长度最大的外接圆最小半径,将此外接圆作为交叉口范围边界的最优估计.此外,考虑到路网立体交叉区域在轨迹栅格图中与交叉口呈现近似的空间结构特征,为了避免将路网中立体交叉(如十字形立体交叉)识别为道路交叉口,本文在交叉口最优范围估计的基础上,进一步根据交叉口范围内是否包含一定数目的轨迹转向特征点来检验交叉口的真伪性.由于网络模型输出为交叉口分类结果,表示该区域属于交叉口类别的置信度,为从交叉口分类结果中剥离出单个交叉口,需设定合适的置信度阈值将网络输出结果转换为二值图像以提取交叉口外轮廓,但是置信度阈值设置过高则有可能漏掉轨迹密度较低区域的交叉口,而阈值设置过低则有可能将邻近交叉口错误合并.为解决全局置信度阈值设置困难的问题,本文提出了一种基于交叉口半径与置信度双重约束下的单体交叉口层次提取方法.首先,考虑到支路交叉口的半径显著小于主干道路交叉口半径,因而采用低置信度和较小的交叉口半径阈值进行支路交叉口的初步提取,提取的交叉口初始边界根据上述交叉口边界特征编码方法进行交叉口真伪性验证和最优范围估计;然后,将已经提取到的交叉口从轨迹栅格图中剔除(设置为背景),增加置信度、交叉口半径阈值从处理后轨迹栅格图中进行交叉口提取,并进行交叉口真伪性验证和范围边界优化;以此迭代提取,直至栅格图中不存在待提取的交叉口,算法停止.图交叉口范围边界特征编码方法F i g B o u n d a r yf e a t u r ed e s c r i p t o ro f a n i n t e r s e c t i o n试验分析研究区域与轨迹数据本文获取成都市二环区域k mk m范围内和武汉市主城区 k m k m范围内的出租车轨迹数据进行方法有效性验证,轨迹数据具体信息见表.成都轨迹数据具有高采样频率、密度分布差异大和交叉口密集等特征,是目J u n e V o l N o A G C Sh t t p:x bc h i n a s m pc o m前基于轨迹数据的道路网提取公开测试数据集(h t t p s:o u t r e a c h d i d i c h u x i n g c o m/r e s e a r c h/o p e n d a t a).武汉轨迹数据采样时间间隔大、轨迹分布稀疏,用于轨迹稀疏场景下交叉口提取算法的有效性评估.从成都和武汉市轨迹数据中分别选取A、B两个研究区域(图)用于试验与对比分析,将A、B区域以外的其他轨迹数据作为模型训练数据.表本文试验轨迹数据集T a b S t a t i c so f t r a j e c t o r yd a t au s e d i nt h ep r o p o s e de x p e r i m e n t s轨迹数据数据范围/k m平均采样间隔/s轨迹总数成都车辆轨迹数据 武汉车辆轨迹数据 图研究区域与轨迹数据F i g S t u d ya r e a sa n dt r a j e c t o r yd a t as e t s交叉口识别结果通过对成都及武汉轨迹数据进行统计分析,在数据分块中采用 k m的网格进行分块时能够将密度差异显著的区域分隔,考虑到格网边缘的交叉口可能被分割到多个数据块中,试验中设置k m重叠区域以解决此问题.在轨迹栅格化过程中,依据本文所提出的平均轨迹密度划分表进行 栅 格 化 参 数 设 置,对 两 个 评 估 数 据 集(图中的区域A和B)进行数据分块和栅格化.交叉口分类神经网络模型的训练样本数据采用图像标 注 工 具L a b e l M e以 人 工 标 记 方 式 获 得(图),在训练区域内进行随机窗口滑动采样(窗口大小为k mk m),经过旋转等数据增强方式获得 个训练数据(其中 个为训练数据集,个为测试数据集)对网络模型进行训练.本文方法实现基于P y t h o n语言,采用T e n s o r f l o w深度学习框架实现神经网络模型,网络训练平台为NV I D I AT e s l aK ,显存 G B,初始学习率为 e ,迭 代 批 量 大 小 设 为k,总 迭 代 次 数为 .本文采用交叉口半径与置信度双重约束下的交叉口层次提取方法对网络输出的交叉口分类结果进行交叉口单体分割与范围估计,其中交叉口迭代提取中置信度阈值分别设置为 、和,交叉口半径阈值分别设置为、和 m.对初步提取的交叉口,根据交叉口范围边界特征编码长度进行真伪性检验,判别其是否为真实交叉口,并对交叉口范围边界进行优化,搜索范围设置为 r r,其中r为交叉口初始范围C的半径.图显示了本文方法根据网络模型输出结果识别的交叉口最优边界范围,对于左上角置信度较低的交叉口仍能准确识别.图网络模型的训练样本数据标注F i g I l l u s t r a t i o no f t r a i n i n gd a t aa n n o t a t i o n针对研究区域A和B,本文方法的交叉口识别结果如图所示.可以发现,本文方法能够在路网交叉口分布密集区域(图(a)准确地提取交叉口及其空间范围,减少邻近交叉口被错误合并的问题,结合交叉口真伪验证策略能够在有效剔除伪交叉口及立体交叉结构的同时保证交叉口第期邓敏,等:顾及轨迹密度分布异质性的道路交叉口提取方法位置及范围识别的准确性,其中漏提取的交叉口(图(a)中黄色虚线圆所示)主要位于轨迹数据分布极稀少的区域,在数据预处理阶段容易被作为噪声剔除而无法检测到交叉口.针对轨迹数据分布相对稀疏的研究区域B,当前基于轨迹转向特征点的交叉口识别方法难以获得足够多的特征点以提取交叉口,本文提出的轨迹密度划分策略能够有效保证交叉口识别的召回率,且无须人为调整模型参数即可用于轨迹稀疏场景下的交叉口识别,但由于轨迹稀疏场景下噪声轨迹难以全部剔除,稀疏噪声轨迹干扰可能产生虚假交叉口的错误识别,如图(b)中紫色虚线圆所示.图交叉口单体分割与最优边界范围估计F i g I n d i v i d u a l i n t e r s e c t i o ns e g m e n t a t i o na n do p t i m a l s p a t i a l r a n g ee s t i m a t i o n图本文方法识别结果F i g R e s u l t so f t h ep r o p o s e dm e t h o d试验对比分析为进一步验证本文方法的有效性,将本文方法与基于轨迹转向特征的交叉口识别方法,、基于决策树模型的方法 进行对比分析.同时,为了验证本文提出的交叉口分类网络模型的有效性,与 仅 采 用R e s N e X t 和R e s N e X t P PM模块组合的经典语义分割网络分别进行识别结果的精度对比分析.试验中基于轨迹转向特征的方法和基于决策树模型的方法所需参数根据文 献 推 荐 的 数 值 进 行 设 置.采 用 精 度(p r e c i s i o n)、召回率(r e c a l l)和F值(Fs c o r e,F)对不 同 算 法 的 交 叉 口 识 别 结 果 进 行 定 量评价p r e c i s i o n C o r r e c t l y_d e t e c t e dC o r r e c t l y_d e t e c t e d I n c o r r e c t l y_d e t e c t e d()r e c a l l C o r r e c t l y_d e t e c t e dC o r r e c t l y_d e t e c t e d N o t_d e t e c t e d()Fp r e c i s i o n r e c a l lp r e c i s i o n r e c a l l()式中,C o r r e c t l y_d e t e c t e d表示正确识别的交叉口数目;I n c o r r e c t l y_d e t e c t e d表示错误识别的交叉口数目;N o t_d e t e c t e d表示漏识别的交叉口数目.不同交 叉 口 识 别 算 法 的 精 度 评 价 指 标 见表,其中评估交叉口范围识别的有效性是将算法识别结果与人工标注的交叉口最小外接圆范围进行对比,当算法识别结果与其对应真实交叉口范围的交并比大于 时判定该识别结果为正确,否则判定为识别错误.表不同方法识别结果的精度对比T a b C o m p a r i s o no f r e s u l t sb yd i f f e r e n tm e t h o d s方法研究区域A研究区域B精确度/()召回率/()F值精确度/()召回率/()F值局部G统计法 均值漂移法 决策树法 R e s N e X t R e s N e X t P PM 本文方法 从试验结果可以发现,基于轨迹转向特征点的方法,在高频采样轨迹数据中交叉口识别精度和召回率较高(如区域A),但在轨迹稀疏区域内因为转向点稀疏而很难识别到转向点聚类,从J u n e V o l N o A G C Sh t t p:x bc h i n a s m pc o m而导致交叉口的漏提取和召回率较低(如区域B).基于轨迹转向特征点的方法也容易将掉头区域误识别为交叉口,如图(a)中虚线圆所示.如图(b)所示,转向特征点分布受轨迹分布限制,由于支路的转向轨迹较少且主干道路宽度显著,基于转向特征点和基于决策树模型的方法将交叉口识别为两个子交叉口,造成交叉口范围的错误估计.相比于现有代表性方法,本文方法能够克服上述问题,并对交叉口真伪性和路网立体交叉情形进行判别,识别结果具有较高的精度和召回率.同时,本文方法在轨迹数据特别稀疏区域内也可能存在交叉口漏提取的问题,主要原因在于轨迹栅格化过程中由于噪声阈值设置影响,可能将稀疏轨迹剔除而无法识别出稀疏轨迹处的交叉口,如图(c)所示.图 交叉口识别结果F i g E x a m p l e so f t h er o a d i n t e r s e c t i o nd e t e c t i o nr e s u l t s结论本文针对不同采样频率、分布密度的轨迹数据中交叉口自动提取问题,提出了一种顾及轨迹密度分布异质性的道路交叉口提取方法.主要创新点包括:针对轨迹密度分布异质性导致的轨迹稀疏区域交叉口提取难、轨迹密集区域邻近交叉口错误合并的问题,提出了一种基于轨迹数据密度分级的栅格化策略和基于双重约束的交叉口层次提取方法;提出了一种交叉口范围边界特征编码方法,用于对交叉口进行真伪性验证和最优范围估计.采用多个真实轨迹数据进行试验与对比分析发现,相比于当前代表性方法,本文方法能够有效地提取不同质量轨迹数据中的交叉口位置和范围信息,识别交叉口的准确度和召回率优于现有方法.但本文方法主要识别交叉口的空间位置和范围,未充分考虑立体交叉口的三维结构,后续进一步结合轨迹点高程等信息分析交叉口的三维空间拓扑结构;此外,将轨迹数据栅格化会丢失原始轨迹数据的一些特征(如转向、速度等),通过与基于转向特征等方法的组合,利用不同方法的优势互补,可以提升