[发明专利]一种基于遥感图像和浮动车轨迹的路网生成方法及系统

说明书

本发明公开了一种基于遥感图像和浮动车轨迹的路网生成方法及系统，方法包括：获取轨迹图层和高分影像，对轨迹图层执行栅格化操作，得到第一轨迹图层；利用轨迹图层和高分影像训练第一神经网络，得到第二神经网络，通过第二神经网络得到第一道路栅格图层；利用高斯卷积核对第一轨迹图层执行核密度估计操作，得到第二轨迹图层；对第二轨迹图层执行二值化操作，得到第二道路栅格图层；将第一道路栅格图层和第二道路栅格图层叠加并通过燃烧算法进行计算，得到道路图层。本发明将遥感图像和浮动车轨迹作为路网数据来源，利用深度神经网络和核密度估计方法分别处理原始数据后再通过燃烧算法合并处理，从而获取精确度和覆盖率更高的路网数据。

技术领域

本发明涉及路网分析领域，尤其涉及一种基于遥感图像和浮动车轨迹的路网生成方法及系统。

背景技术

随着智能交通和自动驾驶技术的普及，进一步提升路网地图的精准度凸显地非常重要。虽然OpenStreetMap中记录的路网数据增长明显，总里程已达到228万公里，路网数据与实际网路里程的差距也由78.4%缩小到了52.2%；但仍存在大量未反应在地图中的路网信息，提升路网地图的现势性依旧存在巨大的工作量。

传统的路网地图构建方法主要通过实地测绘和高分影像矢量化；但这两种方法都耗时耗力，无法实现实际路网信息的同步更新；而通过自动化生产或者道路地图来快速反映实际道路的变化又具有巨大的应用价值；随着智能手机和其他具备GPS定位功能的设备进一步普及，越来越多的轨迹数据得以获取，这些轨迹记录了车辆沿着道路行驶的位置序列，成为了道路地图自动化生产的重要数据来源。

当前关于自动化道路地图构建的研究主要划分为基于的研究和基于浮动车轨迹的研究，基于遥感图像的方法主要利用机器学习的方法将像元分类为道路和非道路；近来的研究开始利用深度学习神经网络从遥感图像中分割道路，但这些方法难以直接得到道路的拓扑结构信息，且在遥感图像中道路容易被树木，建筑和阴影遮挡，且遥感图像的获取周期较长，单独依靠遥感图像无法得到完整的道路地图。基于浮动车轨迹的方法依据方法的特点可以分为：聚类方法，核密度估计方法，轨迹合并方法。这些方法各有优缺点，其中聚类算法容易导致边冗余问题，核密度估计方法容易将数据较少的真实道路当作噪声平滑掉，轨迹合并算法容易产生虚假道路，而且GPS本身存在采样点空间分布不均匀，频率不一致等问题，导致单独依靠浮动车轨迹数据也无法得到完整的道路地图。

因此，如何同时利用遥感图像和浮动车轨迹作为数据来源，结合两者的优点实现更精准的路网采集及生成是当前急需解决的技术问题。

发明内容

为至少解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于遥感图像和浮动车轨迹的路网生成方法及系统。

根据本发明实施例的第一方面，一种基于遥感图像和浮动车轨迹的路网生成方法，包括以下步骤：

获取轨迹图层和高分影像，对所述轨迹图层执行栅格化操作，得到第一轨迹图层；

利用所述第一轨迹图层和所述高分影像训练第一神经网络，得到第二神经网络，输入所述第一轨迹图层和所述高分影像至所述第二神经网络，得到第一道路栅格图层；

利用高斯卷积核对所述第一轨迹图层执行核密度估计操作，得到第二轨迹图层；

对所述第二轨迹图层执行二值化操作，得到第二道路栅格图层；

将所述第一道路栅格图层和所述第二道路栅格图层叠加并通过燃烧算法进行计算，得到道路图层。

进一步，所述第一轨迹图层的分辨率与所述高分影像的分辨率相同。

进一步，所述对所述轨迹图层执行栅格化操作这一步骤，通过以下公式实现：