铁路异构空间数据融合与展示

年秋慧 王英杰

（1.中国铁道科学研究院研究生部，北京 100081；2.中国铁道科学研究院集团有限公司电子计算技术研究所，北京 100081）

铁路地理信息平台是铁路数字化发展中的基础设施以及信息交换共享平台，在铁路空间数据综合管理方面起到了重要的作用［1］。而数据融合技术是将空间信息采用不同方法对空间数据进行融合［2］。通过融合，能够消除空间对象的描述差异、详细程度及几何位置差异，提高存储效率［3］。

铁路空间数据覆盖了各类空间数据资源，从宏观至微观、从地表至地下，因此数据的管理至关重要。而当前存在部分矢量数据属性信息重叠、遥感影像空间分辨率较低以及空间数据动态展示加载速度慢的问题。为了解决当前空间数据存在的问题，本文首次将数据融合技术应用到铁路地理信息平台中，用以提高空间资源利用率、遥感影像分辨率、加载速度等。同时，针对集成后数据加载过慢等问题，研究并选取合适的技术及软件，将不同类型、不同格式、不同时间的空间数据放在同一空间下进行集中展示，缩短数据加载时间，实现同一时空体系内数据综合展示。

1 铁路空间数据范围

1.1 矢量数据

铁路矢量数据包含线路、车站、桥梁、隧道、涵洞、路基等基础设备设施信息，占全部空间数据的50%左右，是铁路空间数据重要的信息资源［4］。同时，矢量数据涵盖了铁路设备设施全生命周期的信息。而当前的矢量数据在制作时并未对信息进行处理，导致同一实体数据具有多类矢量数据，信息重复率高，资源浪费，不利于数据的管理和后续制作的矢量数据存储［5］。

1.2 栅格数据

铁路栅格数据包括铁路沿线遥感影像数据（图1（a））、铁路沿线数字高程模型（Digital Elevation Model，DEM）数据（图1（b））、重点区域高分遥感数据（图1（c））、图片等。铁路沿线遥感影像数据根据各线路展示的不同需求，采集范围多为沿线左右延伸2～10 km；铁路沿线数字高程模型数据通过与遥感影像进行叠加，实现铁路沿线三维实景展示；重点区域高分遥感数据可对铁路线路重点区段如滑坡、泥石流高发区段进行监测，通过查看不同时期的高分遥感数据实现对区段的监测，保障列车运行安全。我国公开的遥感影像在视野宽阔、位置平坦区域（如城市市内）影像具有较高的分辨率，但在山丘及偏远区域影像分辨率较低。然而，铁路线路部分区段建于山区、林中或无人居住的区域，此区域容易发生山体滑坡、泥石流等灾害，对遥感影像分辨率要求较高。当今市面上的高精度遥感影像价格昂贵，且铁路线路成条带状分布，而采集的影像范围远大于所需影像范围，导致部分影像在铁路中无法使用，造成资源浪费。

1.3 三维数据

铁路三维数据包括铁路倾斜摄影实景数据（图1（d））、三维模型数 据（图1（e））、BIM 模型（Building Information Modeling）数据（图1（f））等。铁路倾斜摄影实景数据可对铁路及周边设施、建筑等进行更加真实的场景展示。三维模型数据和BIM 模型数据可实现设备设施的虚拟化管理，提高铁路设备设施的管理能力。倾斜摄影实景数据、三维数据、BIM模型数据等对实体的表达更加精细直观，同时也对服务器和软件的要求更高。当前铁路地理信息平台对于三维数据采用osgb，slpk 等格式，采用ArcGISServer 服务器进行服务发布和存储，在对铁路沿线三维数据进行展示时，数据加载缓慢，影响用户体验。

图1 铁路地理信息数据

2 数据融合研究

2.1 矢量数据融合

矢量数据是铁路空间数据最重要的组成部分。当前铁路各业务领域对空间数据的使用需求不同，同一空间对象被制作成多个矢量数据，且属性信息大致相同，导致数据反复存储，造成了空间资源的浪费。因此对矢量数据进行有效融合可以减少数据存储量。但在融合过程中会出现同一实体的数据坐标系、属性信息、几何特征、内容详细程度、现势性不强等问题［6］。对矢量数据进行融合处理的流程见图2。

图2 矢量数据融合流程

为了对矢量数据进行集成，首先对坐标系进行转换，并将图层进行统一，然后对数据分别进行几何匹配及属性匹配。采用Hausdorff 距离（一个集合到另一个集合中最近点的最大距离［7］）进行几何匹配。

对待匹配的两条线要素集合｛P，Q}，存在两组子集P={p1，p2，…，pm}，Q={q1，q2，…，qn}。 其 中p1，p2，…，pm及q1，q2，…，qn为线要素P和Q上相同位置处的折点，则前进距离为

后退距离为

且有前进距离≠后退距离。所以Hausdorff距离可以表示为

从P，Q中选取两组折点集合，例如{p1，p2}，{q1，q2}，将之带入式（3）有

采用Hausdorff 距离可对点、线、面要素的整体相似度进行比较，且对精度的影响较小［3］。实现了矢量数据的几何特征匹配。

选取语义匹配对矢量数据的属性信息进行匹配，匹配流程见图3。

图3 属性匹配流程

对于两个待匹配的属性数据，首先选取匹配字段，如“车站名称=北京站”和“Name=北京站”所表达的实体对象相同，所以可对该字段进行语义匹配。对待匹配字段采用深度语义匹配模型进行语义匹配［8］。然后对匹配结果进行检查，如对坐标值、属性字段唯一编码等进行相似度计算，若相似度高，则证明语义匹配正确。最后对匹配数据进行属性信息合并，并对同名及匹配成功的字段进行合并，若出现内容不一致时，选取最新更新的矢量数据信息进行保存，实现属性数据的融合。

2.2 遥感影像融合

现有传感器硬件技术不足、卫星发射成本高等原因，使得高时空遥感影像分辨率的获取存在问题［9］。铁路对遥感影像分辨率的要求较高，但高分辨率的遥感影像获取成本较大。为了解决遥感影像分辨率低的问题，采用影像融合技术将高时间和高空间分辨率影像进行融合［10］。影像融合按层次可分为像素级、特征级、决策级三级。像素级是对现场采集图片直接进行融合处理；特征级是通过边缘检测、特征提取、特征融合等技术实现对影像的融合；决策级是通过对多源数据进行分析、处理、提取，将提取后的信息按照一定规则进行融合。

动态梯度稀疏融合是基于局部频谱一致性和动态梯度稀疏性的一种影像融合方法，属于决策级的融合技术。通过将融合后的图像降采样，使得图像大小与原始图像保持一致，利用最小二乘拟合模型实现光谱信息的提取［11］。其中能量函数E1可表示为

式中：ψ为降采样函数；F为融合图像；M为多光谱图像。

多光谱图像的不同波段存在着一定的关联，为了表示这种关联，建立了新的能量函数E2，

式中：P为全色图像；D(P)表示将P复制到多光谱图像的每个波段中；‖ ‖2，1函数可同时支持动态梯度稀疏和群稀疏。

然后对式（5）和式（6）进行合并，可较好地解决影像融合的问题

将E1，E2展开有

λ为梯度信息调整参数。对参数进行调整，得到多个E(F)值，选取当E(F)值最小时的λ作为影像融合参数。

采用此方法可以保证光谱信息的准确性，对梯度的符号和信号的大小不做约束和限制，使得在影像融合时尽可能忽略光照变化的影响。

3 多源数据融合展示

铁路“一张图”是将铁路线路同沿线的地形地貌、设备设施等在同一环境下进行展示。大范围的铁路沿线三维场景需要海量的栅格数据、三维模型数据等作为支撑，影响系统的运行时间和运行效率。开源地理信息技术作为当前的主流技术，已被各行业广泛使用，但是目前在铁路空间数据领域应用的开源地理信息技术如铁路大修预算系统［12］，只是对铁路矢量数据进行了初步的分析及处理，并未充分考虑遥感数据、三维数据等。

运用开源地理信息技术对二维和三维数据融合进行研究，从而实现统一高效的空间数据模型的融合展示。一方面，利用动态加载技术对栅格数据、矢量数据与三维模型数据进行分级处理和分析预测；另一方面，通过“时间+空间+业务”的时空数据组织模型技术进行数据的分层展示，以事件为中心，以时间序列进行关联和组织，实现了动态可视化展示，能够大大提高系统的运行效率。数据融合架构见图4。

图4 多源异构数据融合架构

4 试验与分析

4.1 矢量数据融合

图5 几何属性匹配

图6 属性数据融合

选取矢量化的铁路线路进行几何匹配（图5）和属性匹配（图6）。图5中，A 和B表示同一条铁路线路，A基于天地图制作而成；B基于谷歌影像地图制作而成。可以看到A 和B 在不同位置。对A 和B 采用Hausdorff距离进行计算，并设定阈值为5，此时A 和B 之间的最大距离为3.14，小于阈值，可确定A 和B 为匹配线路，实现了矢量数据的几何匹配。

对于属性数据（图6），首先对字段“线路名称-Name”、“数据类型-Shape”进行语义匹配，结果显示二者表示的实体对象相同。匹配完成后对匹配结果进行检查，选择同一字段“线编号”，检验确为同一实体对象。对其进行融合处理，得到融合后的属性数据，完成矢量数据的融合。

4.2 遥感影像融合

通过对铁路沿线遥感影像的全色图像和多光谱图像进行融合，使得遥感影像同时兼具高分辨率及色彩信息。如图7所示，采用动态梯度稀疏法，对选取地沿线附近的某一十字路口遥感影像进行融合，结果显示更加清楚，具有较好的融合效果。

图7 遥感影像匹配

4.3 多源数据融合展示

采用开源地理信息技术对二、三维数据以及三维模型数据进行融合，实现了铁路沿线虚拟化基础设施展示。采用QGIS 软件对数据进行融合展示，并选取ArcGIS 软件作为参照对象，对数据融合的时间和数据展示的时间进行对比。图8为某线路桥梁处多源异构数据融合后的结果，其中黄色区域为不良地质。经过融合后的数据可以将更多的数据展示到同一界面上，提高了用户的可读性，从而实现了二、三维数据的有效融合。QGIS 在矢量数据融合上所需时间与ArcGIS相近，而在影像数据融合、非影像数据融合和多源数据融合展示方面，效果都优于ArcGIS。此外，用户可查看同一区域内不同时间段内的影像数据，对不同时期的影像数据进行对比分析，为铁路防灾、应急救援提供技术支持。

图8 多源异构数据展示效果

5 结论

1）采用几何匹配和语义匹配对矢量数据进行融合能够提高矢量数据的空间利用率，减少资源浪费。

2）采用动态梯度稀疏法对高时间和高空间分辨率影像进行融合可以提高遥感影像的分辨率。

3）通过开源地理信息技术及动态加载技术，并建立“时间+空间+业务”的组织模型，可以实现更为有效的二维和三维数据“一张图”展示，缩短了数据的加载时间。

研究铁路空间数据融合技术可以实现铁路各专业业务数据的共享与交流。同时，也为铁路防灾救援等方面提供更有效的数据支撑及技术支持。