双线道路形态特征单元自动识别方法研究

韦思亮，毛政元（福州大学 福建省空间信息工程研究中心，福建 福州 350002）

双线道路形态特征单元自动识别方法研究

韦思亮，毛政元
（福州大学 福建省空间信息工程研究中心，福建 福州 350002）

城市道路地图数据中有关道路形态特征的识别是一类急需解决的问题。提出了一种适合在双线道路地图数据中自动识别道路形态特征单元的方法，并相应地设计了计算机算法。实验结果表明，该算法在稳健性、通用性、效率与自动化程度4个方面取得了显著效果。

双线道路地图；形态特征单元；自动识别与提取

0 引言

道路地图数据中道路的形态特征单元是道路网中主要的局部结构。如何自动地识别和提取道路形态特征单元，是能够更好地解决道路地图数据中有关道路地图自动综合、道路自动匹配、模式识别等诸多问题的一个重要研究内容［1-3］。道路最重要的形态特征单元是道路的交叉口和拐弯处。关于道路交叉口的自动识别，参考文献［4］提出了一种非结构化的道路交叉口方法，该方法能较准确地识别交叉口，但不能识别交叉口的形态特征，因而不能够识别交叉口的类型。参考文献［5］进一步提出了基于有向属性关系图的交叉口识别方法，能够比较准确地识别道路典型交叉口的结构特征，很好地解决了识别道路交叉口类型的问题。但该方法也存在着两方面的问题：一是该方法只能识别典型道路交叉口类型，对于非典型道路交叉口类型，需要更多的模板定义；二是该方法对数据质量要求高，在道路交叉口处不能出现拓扑错误。另外，以上两种方法都不能够直接应用于双线道路地图数据中的道路交叉口识别。

为了克服现有相关研究中的上述缺陷［6-9］，本文提出一种适合双线道路数据中道路形态特征单元（以路口和拐弯处为例）的自动识别和提取方法。以下的讨论按照道路形态特征单元定义、识别、提取与实证研究的顺序逐一展开。

1 双线道路形态特征单元的识别与提取方法

本文从总体上把道路形态特征单元的类型分为典型类型、非典型类型和复杂类型3大类。其中典型类型的识别方法是本文的重点，而非典型类型可以理解为是典型类型的变异或者几个典型类型的组合，部分复杂类型由几个典型/非典型组合而成。以下重点讨论典型双线道路形态特征单元的识别过程。

1.1 道路典型形态特征单元的分类及其表达

表1列出了道路典型形态特征单元的大类、小类与亚类之间的隶属关系以及各亚类（或小类）在双线道路地图中的表达与对应的文字描述（定义）。

表1 道路典型形态特征单元的分类及其表达

1.2 道路形态特征单元的位置识别

道路形态特征单元的识别包括两个步骤：其一，提取道路边线上的特征点；其二，确定哪些特征点属于同一个特征单元（路口或拐弯处），即通过这些特征点找到该特征单元的位置。

道路的特征点具备以下3个性质（如图1和图2所示）。

图2 双线道路路口处特征点分布

性质1道路边线上特征点处的转角（如图1中θ1、θ2、θ3）明显大于其两侧非特征点处的转角，当一条道路边线上属于同一形态特征单元的特征点较多时，一般存在一个转角最大的特征点（如图1中的P2，图2中的A①、B①、C①、D①，C②、D②、E①、F①）。

性质2能够定义类似于式（1）的指标：

式（1）为某一道路边线上第i个线段端点处的单位长度转角（式中，θi为具有公共端点i的两线段间的转角，Li与Li+1分别为两线段的长度），则只要道路边线与实际道路的轮廓基本相符，该类指标的值一般稳定在一个特定的区间内。

性质3属于同一个形态特征单元的特征点其空间位置相互邻近（如图2中A①、B①、C①、D①以及C②、D②、E①、F①），在绝大部分情况下，属于同一道路特征单元的特征点其最近邻操作具有封闭性（即若将属于同一道路特征单元的各特征点作为一个集合，则与该集合中任何一点最邻近的特征点仍然属于该特征点集）。

根据上述性质，寻找边界上存在的最大转角或设置合理的指标阈值（只需针对有代表性的少量道路数据样本进行简单的训练即可得到具有全局适应性的阈值），提取符合条件的特征点，再经抽稀，最后利用性质3设计寻找算法，即可得到图3所示的基本道路形态特征单元识别结果。

图3 基本道路形态特征单元识别结果

1.3 道路典型形态特征单元类型判别

经1.2小节中的步骤识别的道路形态特征单元，可进一步按照表2所列出的判据进行大类、小类（亚类）的细判，其中符号★表示根据属于同一道路形态特征单元的特征点集计算得到的大致中心位置。

1.4 道路形态特征单元的形态特征部件提取

1.3小节在判断道路形态特征单元的类型时需要利用其某些局部结构特征（本文称为道路形态特征单元的形态特征部件）作为判别的判据。以下以T形路口为例说明提取道路形态特征单元几何中心等形态特征部件的步骤（其余类型的形态特征部件提取方法类似）。

如图4所示，L1、L2、L3分别是3条道路的中心线，是由各自道路两侧边界线上对应节点连线的中点相连而成的。中线的端点（图4中的P1、P2、P3）按所处道路平均宽度的1.3倍确定。图4中C点为T形路口的中心点，是由T形路口3条边界线间最小距离和求出的△abc的中心而定的。圆弧P1P2、P2P3、P1P3（实际会以直线段P1P3代替）是T形路口各道路中线之间的连接线，车辆在路口转弯时一般要求行驶在连接线内侧。以圆弧P1P2的计算方法为例：以P1为起点，P2为终点，以P1C和P2C为两条切线，即可计算出圆弧P1P2。其他圆弧同理可求。

1.5 非典型、较复杂型道路形态特征单元的识别方法

非典型和较复杂型道路形态特征单元的识别方法是在典型道路形态特征单元识别方法的基础上稍加改动或增加几个判断条件即可（1.2小节提供的方法已经能够找到非典型、较复杂型道路形态特征单元的位置）。如图5（b）、（c）是典型T形路口的变种，其类型判断依据是将表2中典型T形路口的次位判据修改为道路中线互不垂直或者其中两条道路中线是曲线。而图6（b）中环形路口的判断需要增加组成它的4个T形路口空间邻近的判据。

表2 道路典型形态特征单元大类、小类与亚类的判据

图4 T形路口细节信息的提取

图5 典型道路交叉口变异为非典型道路交叉口

图6 环形交叉口由图5（c）变种组合而成

2 实验与结果分析

本节所使用的样本数据是福州市 1：500双线道路数字线划图，如图7所示，该数据部分道路存在一定的拓扑错误。利用1.2小节所介绍的性质1和性质2，设计了最大转角法和单位长度转角法提取道路边线上的特征点；根据性质3设计了道路形态特征点与特征单元位置匹配的识别算法。在此基础上提取了各道路形态特征单元的形态特征部件，并完成了其类型的判断，结果如图8所示。

图7 福州市1：500双线道路地图（局部）

实验结果表明：两种方法提取的准确率都达到了80％以上，提取主干道路交叉口（如图8两幅图中的a、b、c、d、e、f和j、k、l、m、n等处）的准确率接近100％。算法的准确率除了受自身因素之外，还受到数据记录质量因素的影响：图8（a）中的A、B等处，图8（b）中的R、b、c等处路段的道路边界线由于特征节点过于稀疏而导致算法程序不能判断为路口或拐弯处。从两幅图的对比中可以看出，最大转角法的识别成功率高于单位长度法的识别成功率，但在某些路段上（如图8两图中的点A、B、X、R及路段g、h、i等处），两种方法同时使用可以相互弥补对方的缺陷，从而在整体上提高道路形态特征单元识别的准确率。

3 结论

目前单、双线道路形态特征单元识别与提取的相关研究比较少。本文所提方法在查全率和识别准确率两个方面取得的效果与已有单线道路网中识别道路交叉口的方法相当［4-5］；在稳健性、通用性、效率与自动化4个方面优于现有双线网中的识别方法［7-9］。与参考文献［5］提出的方法相比较，本文提出的方法虽不能直接整体地识别大型复杂平面交叉口（如大型立交桥），但能识别其局部结构，故可借鉴参考文献［5］中构造模板的方法原理，利用本方法识别的大型复杂平面交叉口的局部形态结构特征构造其模板（参照1.5小节环形路口的构成），最后达到识别大型复杂平面交叉口的目的。

图8 两种方法针对样本数据集提取路口和拐弯处的结果

进一步改进本文所提出的算法，使其能够适应道路边线存在扭曲、交叉和缺失等质量问题的双线道路地图数据。同时在本文提出的识别道路典型/非典型形态特征单元方法的基础上，加入模式识别的理念，解决本文遗留下来的复杂道路形态特征单元问题。最后将本文的研究成果集成到现有双线道路地图数据处理的相关算法和有关应用［10］之中，突破现有研究的局限性，是后续研究的目标。

［1］Yang Bisheng，Luan Xuechen，Li Qingquan.Generating hierarchical strokes from urban street networks based on spatial pattern recognition［J］.International Journal of Geographical Information Science，2011，25（12）：2025-2050.

［2］GULGEN F，GOKGOZ T.A block-based selection method for road network generalization［J］.International Journal of Digital Earth，2011，4（2）：133-153.

［3］栾学晨，杨必胜，李秋萍.基于结构模式的道路网节点匹配方法［J］.测绘学报，2013，42（4）：608-614.

［4］MACKANESS W A，MACKECHNIE G A．Automating the detection and simplification of junctions in road networks［J］．GeoInformatica，1999，3（2）：185-200．

［5］徐柱，蒙艳姿，李志林，等.基于有向属性关系图的典型道路交叉口结构识别方法［J］.测绘学报，2011，40（1）：125-131.

［6］HAUNERT J，SESTER M.Area collapse and road centerlines based on straight skeletons［J］.GeoInformatica，2008，12（2）：169-191.

［7］THOMAS F.Generating street center-lines from inaccurate vector city maps［J］.Cartography and Geographic Information Science，1998，25（4）：221-230.

［8］CHRISTENSEN A.Street centerlines by a fully automated medial-axistransformation［C］.Proceedings of GIS/LIS 96′Conference，Denver，1996：107-115.

［9］艾廷华，郭仁忠.基于约束 Delaunay结构的街道中轴线提取及网络模型建立［J］.测绘学报，2000，29（4）：348-354.

［10］胡旭，刘满禄，张华，等.基于特征模型的非结构化道路跟踪算法研究［J］.微型机与应用，2012，31（17）：45-60.

Methodological research on automatically recognizing and extracting junctions and curves of roads from a double-boundary-road-network map

Wei Siliang，Mao Zhengyuan
（Spatial Information Research Center of Fujian Province，Fuzhou University，Fuzhou 350002，China）

Automatically recognizing and extracting morphological features of roads in map data of city is a kind of urgent problems.In this article，a method to recognize junctions and curves of roads in double-boundary-road-network map has been designed for overcoming the limitation of currently presented related methods and corresponding algorithms in solving the same problem.Experiment shows that the proposed method gains significant effect in respect of robustness，generality，efficiency and automation.

double-boundary-road-network map；morphological cells；automatically recognizing and extracting

P208

A

1674-7720（2015）18-0076-04

韦思亮，毛政元.双线道路形态特征单元自动识别方法研究［J］.微型机与应用，2015，34（18）：76-79.

2015-04-29）

韦思亮（1986-），男，硕士研究生，主要研究方向：地球信息科学。

毛政元（1964-），男，博士，博士生导师，主要研究方向：地球信息科学。