面向野外地质调查工作的道路提取方法研究

高 婷，黄 颖，郭明强

(1.中国地质调查局西安地质调查中心，陕西 西安 710054；2.武汉中地数码科技有限公司，湖北 武汉 430074；3.中国地质大学(武汉) 地理与信息工程学院，湖北 武汉 430074)

近年来，随着移动智能设备和GIS技术的发展，关于GPS道路提取的相关研究也受到了学者们的关注[1]。通过GPS轨迹数据提取路网数据是一个非常复杂的问题，需要对数据进行预处理，但是也不能完全除去数据的误差，目前还没有很实用的一套基于单向步行数据的路网提取方法，但是很多研究者还是取得了一定的研究进展和成果。

文献[2-11]提出多种道路提取方法，无论通过聚类算法提取道路还是改进B样条曲线算法提取或者图像处理等方法，大多都是基于大量的密集GPS点来提取道路的，并不能适用于野外地质工作者的GPS道路轨迹数据，因为其轨迹数据的特点仅仅走过一趟小路获取的轨迹数据(本文中称此类数据为单向GPS轨迹数据)。本研究提出用野外地质工作者的步行GPS轨迹数据作为数据源，从中提取有用信息，加以处理和利用，识别出电子地图中没有的野外小路。但是，现有方法大多都是基于一条道路多次行走产生大量密集的GPS点来提取道路的，并不能适用于野外地质工作者的GPS道路轨迹数据，因为其轨迹数据的特点往往是单向数据，本文将会针对数据集的这个特点，提出一种新的道路提取方法。

1 面向野外地质调查工作的道路提取方法

本文提出的方法分为2步，第1步是将轨迹点数据分段分割，第2步是将分割的轨迹点数据通过BP神经网络算法进行拟合。

1.1 轨迹点分割

神经网络算法直接拟合直线道路效果比较理想，但是对于螺旋式的轨迹，神经网络很难拟合出最佳效果，为了解决这个问题，本文提出将轨迹数据进行分割分段的方法，轨迹点分割结果作为螺旋式轨迹被分割为多个轨迹数据集，每一个轨迹数据集都用一个神经网络去训练和预测，从而得出相应的轨迹线路。Jae-gil Lee等通过最小描述长度来分割轨迹数据的[12]，这种方法不能很好地找出方向特征变化比较大的点数据，袁冠等通过轨迹的转角大小进行轨迹分割[13]，其中轨迹的转角指的是相邻的分段轨迹间的转向角。步行轨迹相邻坐标点之间的方向特征变化较大，与车辆采集的数据有很大不同，所以轨迹分割分段方法可以通过轨迹间的距离大小和转角大小来确定分割的依据。

图1 轨迹转角示意图

轨迹转角如图1所示：假设轨迹方向是沿着A-B-C，A,B,C构成三角形，AB的边长为a，BC的边长为b，AC的边长为c，α和β角是互补的两个角，∠CBD就是轨迹的方向转角，

(1)

由于相邻轨迹点之间转角变化并不明显，本文采用的是每个轨迹点的转角计算是与其前后相邻的第10个点进行的。道路分段分割的好坏对于道路线的拟合是一个非常重要的因素，为了避免方向变化太快而导致轨迹分段过多的情况和分段分不出来的情况，本文轨迹分段是采用转角阈值和距离阈值二者一起决定，转角阈值和距离阈值都是通过实验来确定。轨迹数据分割的过程如下：

1)遍历由轨迹位置数据组成的点集合；

2)获取每一个轨迹点的转角大小β，以及每两个相邻轨迹点之间的距离大小d；

3)根据实验确定的距离阈值φ和转角阈值δ与实际距离阈值和转角阈值大小进行判断，若d>φ且β>δ，说明该点为轨迹分割点，将轨迹数据分为不同的数据集合。

使用该算法进行轨迹分割前后的效果对比如图2和图3所示。

图2 轨迹数据分割前

图3 轨迹数据分割后

1.2 道路线拟合

道路轨迹形状具有复杂性的，如螺旋形、直线形、拱形等，通过轨迹分割来将轨迹分段，得到的轨迹中大多都是呈现出直线形状，轨迹点数据杂乱不均匀地分布在道路上。为了将轨迹数据拟合成规则的直线道路网，本文将BP神经网络预测模型应用到GPS轨迹数据坐标值的预测，来解决轨迹道路线的拟合问题。

BP神经网络(Back Propagationg Neural Network, BPNN)是和生物神经网络具有类似功能的数学模型[14]，图4为BP神经网络的结构。

图4 BP神经网络结构图

图4中,X1，X2，…，Xn代表BP神经网络的输入值，Y1，Y2，…，Ym代表预测值，wij和vjk为网络的权值。

BP网络拟合轨迹道路的算法过程包括样本预处理、训练和预测结果的处理[15]。本文将数据归一化到[-1,1]范围内，

(2)

图5 BP神经网络训练流程

BP模型的训练包括由网络信号的前向传播与误差的反向传播两个过程[16]，工作流程如图5所示。本文的BP神经网络训练过程如下：

1)对网络模型参数和数据进行初始化。参数初始化指的是初始权值和阈值，初始化类型是高斯分布，归一化-1～1之间。初始化数据指的是对轨迹坐标数据集进行归一化并将其作为训练数据。

2)计算隐含层

(3)

本文所选的激活函数

(4)

3)计算输出层

(5)

4)进行误差计算

(6)

5)进行权值更新

(7)

vjk=vjk+ηHjek.

(8)

式中：η为学习速率。

6)对阈值a和b进行更新

(9)

bk=bk+ek.

(10)

7)逐次迭代，完成模型的训练。

2 实验与分析

本文开发了GPS数据采集APP软件，并对GPS数据进行预处理操作，然后利用本文提出的方法从GPS轨迹中提取有用的道路网，选择中国地质大学西区作为实验地点进行GPS轨迹的道路提取实验，验证该算法的准确性和有效性。

2.1 实验环境

本实验的硬件环境为：64位Windows 10操作系统，Intel Core I7 CPU，8.00GB内存，红米5安卓手机。方法使用Eclipse、Python、ArcGIS Desktop 10.2进行实现。

本文GPS道路提取实验数据选取在中国地质大学西区步行采集的GPS数据集，采集样本的频率是每秒一次，数据量为5 000个坐标点，属性信息包括经度、纬度、速度、方向、时间等。利用本文提出的BP神经网络拟合GPS道路的方法，对GPS轨迹道路进行拟合处理，根据提取的道路的编号合并每一段轨迹道路，并在ArcGIS Desktop和百度地图中分别进行可视化显示。

2.2 结果分析

本文以中国地质大学西区为实验区域，从步行GPS轨迹数据中提取出道路，并将路网信息导入ArcGIS Desktop，用矢量化工具将其转化为线状矢量文件，在ArcGIS中可视化，如图6所示。

图6 基于Arcgis Desktop的轨迹数据可视化

为了验证实验结果，本文通过百度地图API开发一个Web地图可视化工具，将提取出的路网信息显示在百度地图上，与百度地图的路网进行比较，叠加效果如图7所示。

图7 基于百度地图的轨迹数据可视化

观察百度地图和本实验提取的路网对比图可以发现，本实验提取的路网与百度地图现有的路网基本上一致，提取的道路基本上能与百度地图的路网重合，如果在野外的话，还可以补充百度地图缺少的小路，这部分小路的缺失可能是因为百度地图更新不及时，或者因突出整体特征原因而忽略部分小路所致。野外地质工作者在野外步行的轨迹一般都是百度地图上所缺少的乡野小路或者山区小路，本实验方法提取的小路路网信息可以弥补百度地图无法获取到野外工作区域路网信息的问题。

3 结束语

为了弥补传统的依靠管理组织、法律、经济、教育等进行对野外地质工作安全管理工作的不足，特别是针对野外地质工作者发生坠落事故及营救路线制定问题，开展了面向野外地质工作者的行走轨迹提取方法研究，以解决电子地图中不能完整显示野外道路的问题。针对本文提出的方法进行了实验测试，结果表明可以将该方法用于野外地质工作者的坠落事故应急救援或者工作路线查阅的场景中，为野外地质调查工作安全保障系统开发提供了方法和技术支撑。