开云优惠体育网页版入口

专利名称：一种基于特征差异性的农村道路矢量数据纠正方法

专利类型：发明专利

专利申请号：CN202210226268.1

专利申请（专利权）人：辽宁工程技术大学
权利人地址：辽宁省阜新市细河区中华路47号

专利发明（设计）人：智新宇,戴激光,宫立涛

专利摘要：本发明公开了一种基于特征差异性的农村道路矢量数据纠正方法，步骤为：输入影像数据与矢量数据；获取影像数据中的线段序列；获取影像的相位图；将RGB色彩空间下的影像数据转换到HSV色彩空间，并生成HSV影像；模型驱动纠正矢量方法；数据驱动纠正矢量方法。本发明分析遮挡区域两侧已纠正矢量数据的方向，利用拓扑连接方法连接遮挡区域两侧端点，可以自动完成对该路段矢量数据的纠正；在匹配模型中加入了几何信息，建立了动态方向权重匹配模型，使得道路在跟踪匹配中并不单纯依靠纹理光谱信息，故可以克服道路与背景间光谱信息接近的问题。

主权利要求：
1.一种基于特征差异性的农村道路矢量数据纠正方法，其特征在于，包括以下步骤：S1：输入影像数据与矢量数据；
S2：获取影像数据中的线段序列；
S3：获取影像的相位图；
S4：将RGB色彩空间下的影像数据转换到HSV色彩空间，并生成HSV影像；
S5：模型驱动纠正矢量方法；
S6：数据驱动纠正矢量方法；
所述步骤S5包括：
步骤5.1：设置阈值l为100，筛选出大于阈值l的线段序列数据；
步骤5.2：以3倍道路宽度为半径，矢量数据子线段为中心线段，建立矢量数据约束范围；判断候选道路边缘线是否在该约束范围内，如满足要求，则以候选道路边缘线为基。械缆肺评碓际环裨蚪崾Ｐ颓勒噶糠椒ǎ
步骤5.3：纹理约束；
所述步骤S6包括：
步骤6.1：获取种子点；
步骤6.2：获取当前道路方向；
步骤6.3：获取道路方向上线段序列长度，若长度小于阈值β，则采用步骤6.4纠正矢量数据；若长度大于阈值β，则采用步骤6.5纠正矢量数据；
步骤6.4：逐点跟踪纠正矢量数据；
步骤6.5：利用线段序列数据快速对矢量数据进行纠正；
步骤6.6：以种子点为中心2倍道路宽度为半径建立矩形搜索框，分析矩形框中边缘相位数据，并获取搜索到的相位中峰值所在的范围。
2.如权利要求1所述的基于特征差异性的农村道路矢量数据纠正方法，其特征在于，所述步骤S2包括：将边缘提取获取到的线段，进行组合，重新构建地物边缘数据，数据描述形式如下：其中Group_li为第i个线段序列，lij为其中第j个线段，start_p和end_p为线段的端点。
3.如权利要求1所述的基于特征差异性的农村道路矢量数据纠正方法，其特征在于，在所述步骤S3中，计算影像中每个像素的相位信息：Phase(i,j)=arctan(?grad_x(i,j)/grad_y(i,j))其中Phase(i,j)为影像中(i,j)位置上的相位数据，范围为(0°,180°)；grad_x(i,j)与grad_y(i,j)分别为影像(i,j)位置上x方向梯度与y方向梯度。 说明书 : 一种基于特征差异性的农村道路矢量数据纠正方法技术领域[0001] 本发明属于图像处理的技术领域，尤其涉及一种基于特征差异性的农村道路矢量数据纠正方法。背景技术[0002] 矢量线性数据是农村公路的数字化表达方式，在智慧交通、无人驾驶、区域规划、应急服务、精确导航等领域具有重要的应用价值。但已有矢量线性数据由于地物变迁、坐标系统变化、采集设备精度差异、采集人员经验的不同，无法准确表达道路的空间位置以及方向信息。这使得农村公路矢量数据的纠正过程更具复杂性和挑战性。[0003] 随着当前遥感技术的发展，当前遥感影像具有成像周期短、覆盖范围广、空间分辨率高、空间精度高等优势逐渐放大，国内外学者对利用高分辨率遥感影像纠正农村道路矢量数据做了很多研究。目前的矢量方法可分为直接法与间接法。直接法通过获取遥感影像与矢量中的同名特征点(如：道路交叉口)，建立矢量数据与影像中道路数据的映射关系；间接法则是通过获取道路中心线从而获取道路与影像之间的线段。[0004] 目前的道路提取方法可分为道路面提取和道路中心线提取。道路面提取主要基于分割和分类。具有代表性的影像分割方法主要有以下几种：主动轮廓模型、均值漂移算法和阈值分割等。然而，由于道路情况的复杂多变，很难找到一种适用于各种类型遥感影像的分割算法。道路中心线提取方法侧重于道路骨架的检测，通常采取细化和跟踪两种不同的方式。细化操作通常是在已提取道路区域上展开的，道路跟踪方法则通常需要提供初始信息，如种子点、起始跟踪方向、道路宽度或匹配规则等信息，通过迭代跟踪的方式得到道路中心线。其缺点在于跟踪过程中方向、位置难以控制，无法在确保道路提取精度的情况下提高算法的自动化程度。[0005] 现有技术，采用如下方法进行：[0006] (1)利用支持向量机(SVM)对影像中的地物进行分类。在此算法中，每个数据项被绘制为n维空间中的一个点(其中n是特征数)，每个特征的值是特定坐标的值。然后，通过查找能够很好地区分这两个类的超平面来执行分类。[0007] (2)利用水平集方法跟踪道路的边缘。由于水平集方法是一种数值方法，用于拟合几何对象及其运动轨迹。该方法的优点是，可以在空间固定坐标上计算曲线和曲面，而不必使这些对象的参数化。特别是，在水平集方法中，拓扑不需要是已知的，并且在计算过程中可能会发生变化。这样可以轻松跟踪移动物体(如道路)的边缘。[0008] (3)利用形态学函数和骨架方法获取影像的控制点。在影像中由于道路交叉口和道路端点通常是可靠和稳定的。它们代表了稳健的信息，这使得它们对特征匹配非常有用。因此可以利用形态学函数和骨架方法来寻找控制点。一般来说，这些功能可以消除非道路中的噪声和像素，填补空白并提高分类的准确性。骨架化是一种将二值图像中的前景区域缩小为骨架残片的过程，它在很大程度上保留了原始区域的范围和连接性，同时丢弃了大部分原始前景像素。骨架化显示二值图像的简单骨架。提取图案的骨架意味着缩小图案的范围，使图案的整体形状不会消失。[0009] (4)利用最近邻域法匹配矢量与影像中同名的道路特征点。此方法用于根据距离查找离参考点最近的像素。因此，它考虑该点(参考点)，然后将其与下一个点匹配，它会搜索其周围的参考点，并通过定义阈值来查找两点之间的最近邻点。然后，如果它们之间的距离小于阈值，则两个点将匹配。[0010] (5)基于匹配好的控制点，利用橡胶变换法调整矢量的几何形态，从而使矢量数据与影像中的道路数据对齐。橡胶变换基于几何和数学理论。该方法将变形的地图视为一张由橡胶制成的薄片，该薄片被拉伸到一些代表校正参考点的固定钉子上。在调整橡胶层时，一层与另一层通常非常接近的层对齐。源层调整为更精确的目标层。在橡胶薄片制作过程中，表面会被拉伸，通过分段变换移动特征，从而保持直线。在此过程中，会放置链接以拉伸或扭曲矢量数据，使其与影像中的道路数据集对齐。[0011] 上述技术中，控制点易收到地物遮挡、干扰等影响，受噪声影响道路交叉口、端点的中心位置差异较大。农村道路几何形态难以确定，当纠正方法遇到曲率较大的弯道时，难以保证纠正矢量数据的准确性。[0012] 另外，利用形态学梯度方法，获取道路宽度，从而获得圆形模板的半径。[0013] 1)初始化模板半径为1。[0014] 2)以种子点附近邻域的每个像素为圆心，计算每个模板内的形态学梯度的累计值。[0015] 3)获取所有梯度累计值的最小值，如果梯度值累计值小于半径，则半径长度增加1个像素，转到步骤2)，否则转到步骤4)。[0016] 4)记录当前的模板半径和模板中心坐标。[0017] 5)输出模板半径和模板中心坐标。[0018] (2)种子点按用户点击顺序排列，连接每对相邻种子，在连接线的中垂线上搜寻最优的道路中心点。[0019] (3)然后将该道路中心点视为新的人工种子点，重新搜索每对种子点间的最优道路中心点，直到所有相邻种子点的欧氏距离小于指定阀值为止，最后用直线段连接所有种子点。[0020] 上述技术中，获取道路数据的自动化程度较低，算法内部效率较低。发明内容[0021] 针对上述现有技术的问题，本发明所要解决的问题在于提供一种基于特征差异性的农村道路矢量数据纠正方法，在纠正矢量过程中，对影像中道路受遮挡、干扰、噪声等区域，依然有良好的纠正能力。[0022] 为了解决上述技术问题，本发明通过以下技术方案来实现：[0023] 本发明提供一种基于特征差异性的农村道路矢量数据纠正方法，包括以下步骤：[0024] S1：输入影像数据与矢量数据；[0025] S2：获取影像数据中的线段序列；[0026] S3：获取影像的相位图；[0027] S4：将RGB色彩空间下的影像数据转换到HSV色彩空间，并生成HSV影像；[0028] S5：模型驱动纠正矢量方法；[0029] S6：数据驱动纠正矢量方法。[0030] 优选的，所述步骤S2包括：[0031] 将边缘提取获取到的线段，进行组合，重新构建地物边缘数据，数据描述形式如下：[0032][0033] 其中Group_li为第i个线段序列，lij为其中第j个线段，start_p和end_p为线段的端点。[0034] 进一步的，在所述步骤S3中，计算影像中每个像素的相位信息：[0035] Phase(i,j)＝arctan(?grad_x(i,j)/grad_y(i,j))[0036] 其中Phase(i,j)为影像中(i,j)位置上的相位数据，范围为(0°,180°)；grad_x(i,j)与grad_y(i,j)分别为影像(i,j)位置上x方向梯度与y方向梯度。[0037] 优选的，所述步骤S5包括：[0038] 步骤5.1：设置阈值l为100，筛选出大于阈值l的线段序列数据；[0039] 步骤5.2：以3倍道路宽度为半径，矢量数据子线段为中心线段，建立矢量数据约束范围；判断候选道路边缘线是否在该约束范围内，如满足要求，则以候选道路边缘线为基。械缆肺评碓际环裨蚪崾Ｐ颓勒噶糠椒ǎ籟0040] 步骤5.3：纹理约束。[0041] 进一步的，所述步骤S6包括：[0042] 步骤6.1：获取种子点；[0043] 步骤6.2：获取当前道路方向；[0044] 步骤6.3：获取道路方向上线段序列长度，若长度小于阈值β(设置为50)，则采用步骤6.4纠正矢量数据；若长度大于阈值β，则采用步骤6.5纠正矢量数据；[0045] 步骤6.4：逐点跟踪纠正矢量数据；[0046] 步骤6.5：利用线段序列数据快速对矢量数据进行纠正；[0047] 步骤6.6：以种子点为中心2倍道路宽度为半径建立矩形搜索框，分析矩形框中边缘相位数据，并获取搜索到的相位中峰值所在的范围。[0048] 由上，本发明的基于特征差异性的农村道路矢量数据纠正方法至少具有如下有益效果：[0049] 1、依据拓扑连接方法，判断遮挡区域两侧已纠正矢量线间的方向，直接连接两侧矢量线，自动化纠正该区域的矢量信息。[0050] 2、利用两侧道路提取结果，采用拓扑连接方法完成了对该路段矢量数据的纠正。[0051] 3、分析遮挡区域两侧已纠正矢量数据的方向，利用拓扑连接方法连接遮挡区域两侧端点，可以自动完成对该路段矢量数据的纠正。[0052] 4、依据边缘相位匹配模型，通过统计目标区域边缘点相位信息，确定道路跟踪位置，完成对该路段矢量信息的自动化纠正。[0053] 5、在匹配模型中加入了几何信息，建立了动态方向权重匹配模型，使得道路在跟踪匹配中并不单纯依靠纹理光谱信息，故可以克服道路与背景间光谱信息接近的问题。[0054] 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。附图说明[0055] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。[0056] 图1为本发明的基于特征差异性的农村道路矢量数据纠正方法的流程图；[0057] 图2为路宽数据图；[0058] 图3为线段序列内线段端点示意图；[0059] 图4为图像处理图，(a)为原始影像图；(b)为相位数据的划分依据图；(c)为依据(b)图相位信息划分依据，检索到的局部相位图；(d)为局部相位数据统计图；[0060] 图5为辽宁省觉华岛Geo?eye1影像，分辨率0.41m，影像大小6000pixel×6000pixel；[0061] 图6为河北张家口GF?7影像，分辨率0.65m，影像大小4000pixel×4000pixel。具体实施方式[0062] 下面结合附图详细说明本发明的具体实施方式，其作为本说明书的一部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。[0063] 如图1所示，本发明的基于特征差异性的农村道路矢量数据纠正方法包括如下步骤：[0064] 步骤1：输入影像数据与矢量数据；[0065] 步骤2：获取影像数据中的线段序列；[0066] 步骤2.1：将边缘提取获取到的线段，进行组合。重新构建地物边缘数据，数据描述形式如下：[0067][0068] 其中Group_li为第i个线段序列，lij为其中第j个线段，start_p和end_p为线段的端点。[0069] 步骤3：获取影像的相位图；[0070] 步骤3.1：根据如下所示公式计算影像中每个像素的相位信息：[0071] Phase(i,j)＝arctan(?grad_x(i,j)/grad_y(i,j))[0072] 其中Phase(i,j)为影像中(i,j)位置上的相位数据，范围为(0°,180°)。grad_x(i,j)与grad_y(i,j)分别为影像(i,j)位置上x方向梯度与y方向梯度；[0073] 步骤4：将RGB色彩空间下的影像数据转换到HSV色彩空间，并生成HSV影像；[0074] 步骤5：模型驱动纠正矢量方法；[0075] 步骤5.1：设置阈值l为100，筛选出大于阈值l的线段序列数据。[0076] 步骤5.2：以3倍道路宽度为半径，矢量数据子线段为中心线段，建立矢量数据约束范围。判断候选道路边缘线是否在该约束范围内。如满足要求，则以候选道路边缘线为基。械缆肺评碓际。否则结束模型驱动纠正矢量方法；[0077] 步骤5.3：纹理约束；[0078] 步骤5.3.1：如图2所示，以候选道路边缘线为基。谰菔噶渴萏峁┑穆房硎，在候选道路线两侧提取道路面，建立Region11、Region21、Region12与Region22；[0079] 步骤5.3.2：计算Region11与Region21道路对应的标准差Var11与Var21，然后判断是否满足Varij<＝g；其中Varij为灰度标准差，i∈{1,2}、j＝1，g为约束阈值并设置为16；[0080] 步骤5.3.3：再根据下式，利用两区域灰度均值获取区域间的对比值；[0081][0082] 其中Diverij为区域间的对比值， 为Regionij区域的灰度均值；[0083] 步骤5.3.3：在获取到对比值后判断Diverij与阈值g之间的关系。若大于则说明道路与环境之间的纹理差异较大，可以进入步骤5.3.4中自动化的纠正矢量数据；[0084] 步骤5.3.4：将边缘线段序列向道路面方向平移1/2倍的道路宽度，获取道路中心线，并纠正矢量数据；[0085] 步骤6：数据驱动纠正矢量方法；[0086] 步骤6.1：获取种子点，该种子点可以模型驱动纠正后的结果提供，也可由人工进行输入；[0087] 步骤6.2：获取种子点附近线段序列长度，建立多级线段方向直方图(MLSOH)，以获得当前道路方向，若预测方向成功则进入步骤6.3纠正矢量数据，若预测方向失败则进入步骤6.6；[0088] 步骤6.3：获取道路方向上线段序列长度，若长度小于阈值β(设置为50)，则采用步骤6.4纠正矢量数据。若长度大于阈值β，则采用步骤6.5纠正矢量数据；[0089] 步骤6.4：逐点跟踪纠正矢量数据；[0090] 步骤6.4.1：多圆模板建立，以预测方向为中心方向，向两侧以10度为间隔，分别获取七个待匹配方向，并根据七个方向以S/2为为半径，分别以种子点与待匹配点为圆心，建立多圆模板，形成7个浅色待匹配模板；[0091] 步骤6.4.2：基于下式获取到待测模板与参考模板之间的全色匹配测度：[0092][0093] 其中Grayi为每个待匹配模板灰度均值 和参考模板灰度均值 之差的绝对值；i∈{0,1,...,6}。[0094] 步骤6.4.2.1：基于下式判断道路内部纹理的均质性：[0095] Grayi_min<＝g[0096] 其中Grayi_min为Grayi中的最小值[0097] 步骤6.4.2.2：基于下式判断道路与环境之间的纹理的差异性：[0098] Grayi_max–Grayi_min>g[0099] 其中Grayi_max为Grayi中的最大值[0100] 步骤6.4.2.3：若步骤6.4.2.1与步骤6.4.2.2都成立，则利用下式获取匹配测度；否则利用步骤6.4.3获取HSV匹配测度；[0101] MatchMi＝(Grayi_max–Grayi)/(Grayi_max–Grayi_min)[0102] 其中MatchMi为第i个待匹配归一化匹配测度。[0103] 步骤6.4.3：基于下式获取到待测模板与参考模板之间的HSV匹配测度：[0104] 步骤6.4.3.1：基于下式所示方式，获取Hn、Sn、Vn：[0105][0106] 其中Hn为Hue特征的第n个区间上7个待匹配模板与参考模板之间的差异值；为待匹配模板内各像素的位置；b(·)是用来计算xj处特征值对应的直方图区间；δ为Kronecker函数， 的作用是判断待匹配模板中像素xj处的特征值区间是否为n，是为1，否为0；hn为参考模板在区间n上的像元个数； 表示在区间n上，待匹配模板与标准模板的像元个数差；m为区间个数。[0107] 步骤6.4.3.2：基于步骤6.4.3.1获取的Hn、Sn、Vn；如下式计算特征匹配权重H*，S*，V*：[0108][0109] 步骤6.4.3.3：计算HSV空间下，各颜色分量的匹配测度DHi、DSi、DVi，如下式所示：[0110][0111] 其中，DHi表示为第i个圆形模板与参考模板之间Hue特征的匹配测度，H(m,n)为在Hue图层中(m,n)位置的数值。[0112] 步骤6.4.3.4：计算多圆形模板中每一个圆形模板与参考模板间匹配测度Di，计算方式如下式所示：[0113][0114] 步骤6.4.3.5：根据6.4.3.4中计算的Di计算匹配测度值。如下式所示：[0115] MatchMi＝(HSVmax–Di)/(HSVmax–HSVmin)[0116] 式中HSVmax以及HSVmin分别为最大测度以及最小测度。[0117] 步骤6.4.4：在获取到匹配值后需要确定方向权重系数f(xi)，计算方式如下所示：[0118] f(xi)＝exp(?(xi?μ)2/(2*σ2))[0119] 其中μ＝CentreLength/SumLength，xi＝CurrLengthi/SumLength，σ＝1?CentreLength/SumLength，CentreLength为中心方向上线段序列长度和，SumLength为所有模板方向上线段序列的长度和，CurrLengthi为第i个模板方向对应线段序列的长度和。[0120] 步骤6.4.4.1：在获取到权重系数后，根据下式获取不同方向模板的方向权重值DirWi：[0121][0122] 其中DirWi为第i个模板对应的方向权重值。[0123] 步骤6.4.5：在获取到方向权重以及匹配测度后，利用下式计算模板点为道路点的测度。[0124] RoadMi＝DirWi*MatchRi[0125] 式中RoadMi为第i个模板点与参考模板之间的匹配测度，其中i∈{0,1,...,6}。[0126] 步骤6.4.6：选取匹配测度最大的模板中心点作为匹配点，并纠正对应区域的矢量数据。[0127] 步骤6.5：如图3所示，利用线段序列数据快速对矢量数据进行纠正。图中以深色种子点为基。范ㄏ叨涡蛄心谙叨味说阄ヅ涞。[0128] 步骤6.5.1：为判断浅色点是否为准确匹配点，采用回溯匹配方法进行验证。如图3所示，以道路宽度为步长，向着深色匹配点方向选取4个红色待匹配点。再根据步骤6.4.2以及步骤6.4.2.1所示公式对深色种子点与5个待匹配点进行判断，当待匹配点中有3个点以上满足要求时，浅色点可确定为准确匹配点。[0129] 步骤6.6：为解决方向无法预测的问题，以种子点为中心2倍道路宽度为半径建立矩形搜索框，分析矩形框中边缘相位数据，并获取搜索到的相位中峰值所在的范围，如图4(d)为所示。[0130] 步骤6.6.1：对获取到的峰值数据利用下式判断结果是否可靠，[0131] n>m/4[0132] 其中n为峰值所在范围内相位数据的个数，m为所有边缘点总数，若n小于m/4则认为统计结果不可靠，需要利用补点对矢量数据进行纠正。若n大于m/4，则利用下式获取纠正方向。[0133][0134] 式中Phasei为第i个在峰值范围中的相位数据所表示的方向，MeanPhase为均值道路方向数据各相位方向的均值方向。[0135] 步骤6.6.2：再获取均值方向与当前矢量方向的夹角，若夹角小于π/8则认为该方向为正确的跟踪方向，并依据路宽为步长生成种子点，用于纠正矢量数据。[0136] 以下通过实验验证本发明所提方法的性能，并与现有算法进行比较。[0137] 实验1：图5的实验影像为中国辽宁省觉华岛Geo?eye1影像，分辨率0.41m，影像大小6000pixel×6000pixel。影像中的公路数据为混凝土路面。局部道路数据受环境影响出现完全阴影覆盖、局部阴影覆盖以及阴影干扰等问题。[0138] 在图5(b)中农村道路路面内部纹理均质性较高，且道路与环境纹理差异较大。但由于受到弯道的影响，依据原有方向难以确定现有道路跟踪方向，因此T型模板与圆型模板在纠正该处矢量数据时，需要进行连续补点，以提高纠正数据的精度。而扇形模板与戴方法则利用MLOSH算子动态感知道路方向的变化情况，使得跟踪方向能够适应道路方向，因此上述2种方法在弯道处仅需要补充1个点。同时从补点位置来看，该处附近被建筑遮挡，这不仅降低了该处道路纹理光谱的特征，而且使得该处道路结构信息缺失。在此情况下，本发明的方法依据拓扑连接方法，判断遮挡区域两侧已纠正矢量线间的方向，直接连接两侧矢量线，自动化纠正该区域的矢量信息。[0139] 图5(c)中农村道路与背景间纹理差异较大，且公路数据结构信息完整。因此本发明算法与戴方法利用模型驱动方法自动化的纠正该处区域。T型模板与圆型模板由于两侧树木阴影对路面纹理信息的干扰，需要连续补点。而扇形模板则通过不同扇形区域的纹理对比分析，确定最佳匹配点，部分克服了树木阴影的影响，减少了补点数量。[0140] 图5(d)为T型模板道路路口，左侧道路数据受阴影遮盖面积较大，而右侧道路数据结构信息完整且道路内部均质性较好，即两侧道路灰度均值相差较大。因此，T型模板与圆型模板在纠正道路数据时，需要多次补点来纠正矢量数据。为增加自动化程度，扇形模板与戴方法基于道路的几何结构信息，在准确预测道路跟踪方向的基础上提取道路中心线，在道路左侧阴影带和右侧均可提取道路，但在两者连接处却需要补充输入点。而本发明则利用两侧道路提取结果，采用拓扑连接方法完成了对该路段矢量数据的纠正，从而说明方法的有效性。[0141] 实验二：图6的实验影像为中国河北张家口GF?7影像，分辨率0.65m，影像大小4000pixel×4000pixel。影像中的道路结构为土路路面。局部道路受环境影响，出现纹理趋同、半遮挡等现象。[0142] 图6(b)中道路中心区域被其他地物干扰，导致此处线段序列长度较短，采用道路匹配跟踪方法难以解决这一问题。因此，圆型模板、T型模板在面对道路内部均质性下降的情况下，需要通过连续补点的方式，对矢量数据进行纠正。戴方法和扇形模板利用道路结构信息，通过扩大步长的方式可以克服小范围阴影、遮挡的现象，但由于干扰范围较大，因此这两种方法需要通过补点的方式，对此处的矢量数据进行纠正。通过分析遮挡区域两侧已纠正矢量数据的方向，利用拓扑连接方法连接遮挡区域两侧端点，可以自动完成对该路段矢量数据的纠正。[0143] 图6(c)中道路边缘被树木遮挡，两侧边缘线性结构信息不够完整，难以提取线段序列。圆型模板和T型模板在纠正此处数据时，受到道路纹理均质性下降的影响，需要采用人工连续补点的方式纠正该处区域。而扇形模板与戴方法依据人工输入点确定的初始方向，根据跨越阴影算法纠正该处区域。而本文则依据边缘相位匹配模型，通过统计目标区域边缘点相位信息，确定道路跟踪位置，完成对该路段矢量信息的自动化纠正。[0144] 图6(d)中道路与背景光谱信息接近，这容易导致道路匹配跟踪出现错误。圆型模板和T型模板依据初始两个种子点间相对位置，确定道路方向，基于道路纹理特征进行匹配。但由于该路段道路与背景纹理接近，两种方法均需要补充两个人工输入点。扇形模板和戴方法通过分析道路的结构信息获取纠正方向，但仅依据纹理光谱特征进行匹配，难以避免出现跟踪错误，因而也需要进行补充输入点。因本文方法在匹配模型中加入了几何信息，建立了动态方向权重匹配模型，使得道路在跟踪匹配中并不单纯依靠纹理光谱信息，故可以克服道路与背景间光谱信息接近的问题。[0145] 如下表实验统计结果表所示，5种方法的Recall、Precision、IoU和F1结果相差不大，均在99％以上，完全能够满足实际生产需求。这主要是由于5种方法都可以实现人机互动，即可增加人工输入点的方式保证纠正结果的实用性。同时对比5种方法，可以发现圆型模板和T型模板自动化程度最低，两幅影像需要449和613个人工输入点，同样运行时间为1118.8s和467.7s。其次扇形模板和戴方法对两幅影像进行处理需要120和32个人工输入点，耗时为1344.5s和143.5s。其中扇形模板虽然人工输入点不多，但耗时最长。究其原因在于跟踪道路点后，需要对道路点进行自适应优化，这一过程耗时较大。最后是本发明提出的方法，两幅影像仅需要10个输入点，耗时为67.4s。[0146] 遮挡、地物干扰、道路方向连续性曲率突变、道路与背景相似等现象，通常能够影响机器对道路特征的准确分析，制约道路提取自动化程度。因此在面对这一类问题时，圆型模板和T型模板依靠道路内部均质性及道路内外异质性特征，就难以避免出现自动化程度下降的现象。扇形模板虽然在方法中加入了MLOSH算子，能够适应道路曲率突变的情况，这使得该方法相对于上两种方法，输入点数量大幅下降。戴方法在方法中引入了线段序列，通过模型驱动方法中几何约束、纹理约束的整体分析，减少了对局部纹理均质性变化的抗噪性，同时加了HSV影像建立动态匹配模型，克服了部分道路与背景纹理相似的问题，因而使得输入点数量仅为32个。而在本发明的方法设计中，相对于戴方法，在模型驱动方法中增加了矢量约束，在数据驱动方法中，提出了动态方向权重匹配模型、线段序列跟踪方法、边缘相位匹配跟踪方法、拓扑连接方法，这些方法和模型是针对上述问题而提出，因而本发明的方法呈现出自动化程度高的优势。[0147][0148] 以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视为本发明的保护范围。

专利地区：辽宁

专利申请日期：2022-03-09

专利公开日期：2024-10-29

专利公告号：CN114818851B