EN中文

Journal of Geo-information Science >

2019 , Vol. 21 >Issue 12: 1845 - 1854

DOI: https://doi.org/10.12082/dqxxkx.2019.190187

Extraction of Urban Road Network Intersections based on Low-Frequency Taxi Trajectory Data

  • LI Siyu 1 ,
  • XIANG Longgang 1 ,
  • ZHANG Caili , 1, * ,
  • Gong Jianya 2
Expand
  • 1. State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China
  • 2. School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China
ZHANG Caili, E-mail:

Received date: 2019-04-24

  Request revised date: 2019-09-15

  Online published: 2019-12-25

Supported by

National Natural Science Foundation of China(41771474)

National Natural Science Foundation of China(41471374)

Copyright

Copyright reserved © 2019
Fold

Abstract

Taxi GPS trajectory data are of low acquisition cost, short cycle, large coverage, large-scale, and real-time. Moreover, taxi trajectory data contain a large amount of driving record information for extracting digital road information. Thus, taxi GPS trajectory data are suitable for obtaining and rapidly updating the information of large-scale urban traffic road networks. The extraction of urban road network intersections based on GPS trajectory data is currently a research hotspot. However, most of existing methods, which are applicable to the high-frequency GPS data, are difficult to adapt to taxi trajectories with low sampling frequency, low positioning accuracy, many noise points, and uneven data distribution. Therefore, existing methods are not readily applied to extract the intersections of suburb areas where taxi trajectory data are sparse or low-frequency. To extract road intersection information as accurately and comprehensively as possible, this paper proposed an integrated methodology to identify the intersections of urban road networks based on dense and sparse trajectory data. In this paper, the density peak clustering method was adopted in the vector space. Meanwhile, the mathematical morphology processing method was adopted in the grid space, where multiple resolution images were generated in the trajectory data rasterization stage. The extraction results were finally fused to achieve the purpose of extracting the road intersections of suburb areas with low traffic (i.e., sparse sampled data). Further, a fusion mechanism was designed to detect these intersections by fusing multiple results in both spaces. Finally, this paper used principal component analysis to determine the authenticity of the intersections, which was used to identify real intersections and remove pseudo intersections that were incorrectly extracted. In so doing, we obtained the urban road intersections based on the low-frequency taxi trajectory. Compared with existing methods, this method extracted more intersections and showed considerable consistency with remote sensing imagery. Besides, the accuracy evaluation shows that the extraction accuracy was 92.23%, the recall rate was 77.26% and the F-value was 84.08%. Our findings suggest that the proposed methodology can ensure the integrity and accuracy of urban road network intersections and be applied in intelligent transportation systems.

Key words： trajectory data; road intersections; density peak clustering; low-frequency; data fusion; mathematical morphology

Cite this article

LI Siyu , XIANG Longgang , ZHANG Caili , Gong Jianya . Extraction of Urban Road Network Intersections based on Low-Frequency Taxi Trajectory Data[J]. Journal of Geo-information Science, 2019 , 21(12) : 1845 -1854 . DOI: 10.12082/dqxxkx.2019.190187

1 引言

数字道路信息是基础地理信息的重要组成部分,在城市规划、智能交通、应急救援和定位服务等方面发挥着重要作用[1]。以往道路信息的采集,大都通过传统测量方式进行,具有较高的时间及金钱成本;随着遥感技术的发展,许多学者提出了基于遥感图像和激光雷达数据的道路提取方法,然而由于遥感图像中多种地物信息混合造成的混合像元问题还未很好解决,现有方法在道路提取时容易受到干扰[2,3,4];虽然可以通过移动测量车来采集和编辑,但这种方式花费高昂,且道路变化难以及时更新。随着互联网发展及GPS技术的普及,越来越多的客户可以通过车载GPS或手持设备获得车辆轨迹数据,这些数据虽然具有采样频率低,定位精度低,分布不均等缺点,但该数据获取成本低、周期短,具有实时性及大规模性可以很好地反映实时的交通情况,同时其包含大量的行车记录信息,对提取道路几何、属性信息具有巨大贡献,更适用于大范围城市交通路网信息的获取和快速更新[5]。
交叉口是路网的重要组成部位,其位置、转向关系的识别及拓扑连接是构建可导航路网的关键技术[6]。在现有的交叉口识别研究中,其研究方法分可分为2类：① 从轨迹中检测道路,然后通过连接道路中心线生成交叉口。例如,Cao等[7]和Ahmed等[8]采用增量插入算法提取道路中心线,然后从道路中心线中提取交叉口的几何拓扑信息;Schroedl等[9]通过聚类算法计算车道中心线的位 置,再结合商业地图间接识别交叉口;Davies[10]及胡瀚等[11]将轨迹数据进行栅格化,采用数学形态学滤波、细化,以及连接度计算实现道路中心线与交叉口的探测,对多个分辨率的图像进行融合来提取道路交叉口。这类方法提出了一种思路,先提取中心线,然后通过中心线的交错得到交点的具体位置,将其视作交叉口,但该类算法依赖中心线提取结果,无法保证交叉口的准确性。② 利用轨迹点的局部空间特征及十字路口多条轨迹之间的空间关系直接提取交叉口。例如,Fathi和Krumm[12]利用大量已有道路地图来训练形状描述符,以区分交叉口与非交叉口,并以最短轨迹线连接2个交叉口;Karagiorgou和Pfoser[13]依据方向与速度将采样点划分交点与非交点,借助聚类方法来形成道路交叉口;Wang等[14,15]则认为相交角度较大的位置很可能是转向点,并采用G指数进行热点分析,将所提取的转向热点位置识别为交叉口;同时基于方向对出入点对之间的轨迹线进行聚类,从而得到转向线和转向关系。该类算法以轨迹交叉口特有的转向信息,密度信息,速度信息为基准,确保了交叉口的准确性。但该类算法的交叉口提取方案或者需要训练大量数据,构建经验模型,算法复杂且效率低下,或者只适用于高频采样数据[16],即只适用于高密度区域[17],不能很好处理稀疏区域的交叉口,故上述方法对于低频、高噪、分布不均的GPS轨迹数据适应性不强。
为此,本文基于道路交叉口提取的第二类算法,针对不能解决GPS轨迹低频,稀疏,高噪,分布不均等问题,提出了一种集成识别方法,在前期工作[11]的基础上,综合聚类计算与图像识别的优势,分别在矢量空间和栅格空间,采用密度峰值聚类和数学形态学处理提取交叉口,并设计了一种融合机制来探测交叉口,最后利用主成分分析法对交叉口去伪,保证了提取结果的准确性和完整性,克服了GPS低频数据定位精度低、噪声点多、数据分布不均匀等缺点,对于质量良好的数据具有很好的交叉口提取结果,对于频率低的数据或高密度的城市中心区域,同样提取结果较好,在智能交通系统中具有一定的应用价值。

2 基于低频轨迹数据的交叉口提取 方法

2.1 基于低频出租车轨迹交叉口提取技术路线

针对出租车轨迹频率低,精度差等问题,胡瀚等[11]、王德浩[18]前期已利用数学形态学进行了相关研究工作。但该方法通过计算细化结果的每个像素8邻域内像素点的个数来判断交叉口像素,对轨迹通行量较少,轨迹点覆盖不足的次干道交叉口或主次干道交叉口效果较差。一方面,城市路网异常复杂,交叉口有多种等级、类型和空间呈现,且交叉口之间可能相距过近;另一方面,出租车轨迹采样频率低、精度差、噪声多、数据分布严重不均,采用单一方法很难从出租车轨迹中有效识别出城市路网中的交叉口。为此,本文在现有工作基础上,提出了一种集成识别策略,分别在矢量空间和栅格空间,采用密度峰值聚类和数学形态学处理来提取交叉口,技术路线见图1。
图1 基于低频出租车轨迹交叉口提取技术路线

Fig. 1 Flowchart of intersection extraction based on low-frequency taxi trajectory

在矢量空间,首先利用泰森多边形对出租车的GPS轨迹数据进行去躁处理,去除采样精度低所导致的位置偏差较大的轨迹点,然后进行密度峰值聚类,通过决策图识别得到局部密度最大的聚类中心,将聚类中心视为“路口聚集点”,即交叉点;在栅格空间,首先将GPS轨迹点栅格化处理,然后进行腐蚀、膨胀、细化等数学形态学运算,进而计算细化结果的每个像素8邻域内像素点的个数,将邻域内超过2个像素点的点判断为交叉点。本文同时构建了相应的融合机制,对密度峰值聚类结果及不同分辨率数学形态学提取结果进行融合处理,区分真交叉点及待定交叉点,最后对待定交叉点进行主成分分析,去除伪交叉口,保证了去伪的准确性。基于本文的工作,可进一步对形态学方法得到的细化结果进行矢量化及拟合处理,从而得到道路中心线。

2.2 基于密度峰值聚类的道路交叉口提取方法

考虑GPS数据漂移、轨迹点密度向道路两边依次衰减等特征,本文首先采用泰森多边形方法对轨迹数据进行去噪处理,将泰森多边形周长大于阈值的点舍去,而后对处理后数据进行密度峰值聚类。其阈值公式如下：
Value = average + std
式中： average 为周长平均值; std 为周长标准差。
由于交叉口复杂性,大量GPS采样点聚集于交叉口附近,故采用密度聚类算法可以很好地兼顾道路交叉口区域的密集与稀疏问题。由于无法确定轨迹数据集确切数量K(即交叉口的数量),因此期望的算法必须能够自动确定K值,同时考虑到DBSCAN算法对近端高密度合并成簇,需要搜索半径和聚类最小规模阈值,并对最小规模阈值敏感,而、Meanshift聚类算法往往受局部密集区域影响,结果波动大[19,20],因此本文采用不受轨迹密度分布不均干扰且阈值少的密度峰值聚类算法[21],对整个研究区域轨迹点进行聚类,以提取交叉口。
该算法认为聚类中心被具有较低局部密度的邻居点包围,且与具有更高密度的任何点有相对较大的距离,因此计算每个轨迹点的局部密度及该点到具有更高局部密度点的距离,设定相应的局部密度阈值及距离阈值即可进行交叉口的提取[21]。
对于研究区域轨迹点集合 S = X i i = 1 N 中的每个轨迹点,其局部密度定义如下：
ρ i = ∑ e - d ij d c 2
式中： I S = 1,2 , … , N ,其含义为指定指标集; d ij = dist X i , X j 表示轨迹点 X i 和 X j 之间的几何距离; d c 为指定距离带宽。
设 q i i = 1 N 表示 ρ i i = 1 N 的一个降序排列下标序,即满足 ρ q 1 ≥ ρ q 2 ≥ … ≥ ρ q N ,则轨迹点距离定义为：
δ q i = min q j j < i { d q i q j } i ≥ 2 max j ≥ 2 ( d q i q j ) i = 1
为避免因稀疏数据集而产生出现“点周围的圆环”现象,需确定带宽 d c ,具体步骤为：① 计算交叉口候选点的平均中心;② 计算其与所有点平均中心之间的距离,进而计算这些距离的中值 D m 及标准距离 SD ;③ 计算带宽 d c 。
d c = 0.9 × min SD , 1 ln ( 2 ) × D m × n - 0.2
式中： SD 为标准距离; D m 为中值距离; n 为点的个数。
密度峰值聚类提取道路交叉口的具体算法流程为：
（1）采用泰森多边形对原始GPS轨迹数据进行去噪处理;
（2）选定带宽 d c ,并计算每一轨迹点的局部密度 ρ i ;
（3）将轨迹点按由高到低排序,以 q i 表示 ρ i 的一个降序排列;
（4）按照式（2）求得每一轨迹点距离 δ qi ;
（5）根据 δ q i 与 ρ i 的关系决策图,选取聚类中心,即交叉点。
对研究区域内所有轨迹点进行聚类,计算局部密度 ρ i 及距离 δ q i ,以局部密度为横轴,距离为纵轴,得到决策图如图2（a）所示。对局部密度 ρ i 及距离 δ q i 分别设定阈值即可提取聚类中心。但由于道路主次干道GPS采样点稀疏不同,存在不一致性,如果同时考虑密度阈值和距离阈值会影响稀疏区域提取结果,降低提取结果的完整性,因此本文顾及交叉口特殊性,只考虑距离阈值。距离阈值选择过小,会提取大量伪交叉口,如果选取过大,提取结果会漏掉部分真实交叉口,经实验本文选择“城市路网交叉口合理间距规划”最小值50 m为距离阈值,其提取结果如图2（b）所示。
图2 密度峰值聚类算法提取结果

Fig. 2 Extraction results of applying the density peak clustering algorithm

由于密度峰值聚类中除最大密度点外,其他点距离为点到具有更高局部密度点距离的最小值,因此导致密集区域点距离较小。从图2（b)红圈可看出,距离阈值的设定会影响密集区域交叉点的提取,需将该区域中密度较大区域交叉点提取出来。

2.3 基于数学形态学的道路交叉口提取方法

基于数学形态学的道路交叉口提取主要基于以往的研究成果[11,18]。经观察,对轨迹数据进行形态学预处理及细化后,8邻域内像素点的个数超过2的像素最大可能为交叉口。因此遍历细化道路所有像素,计算每个像素8邻域内像素点的个数,超过2判断它为交叉口像素,以此提取道路交叉口,如图3所示,红圈表示交叉点,其中图3右下角红圈中存在2个像素点符合识别规则,即其8邻域像素点个数超过2,则均识别为交叉点,因2个交叉点相距过近,实际城市道路中可能只存在一个真实道路交叉口,在后续融合过程中将判别该2个点真伪性,并做进一步的处理。具体步骤为：
（1）栅格化轨迹数据得到轨迹图像;
（2）运用数学形态学滤波填补空洞、去除噪声、平滑表面;
（3）对形态学滤波结果进行细化,提取道路骨架线;
（4）计算细化结果的每个像素8邻域内像素点的个数,超过两个即判断为交叉点。
图3 交叉口位置示例

Fig. 3 Intersection position examples

将轨迹数据进行栅格化,采用数学形态学滤波、细化,以及连接度计算实现道路中心线与交叉口的探测,得到部分结果如图4所示。该方法适用于车流量大的城市中心区域,即密集区域,从图中红圈中可看到,形态学方法对于提取数据稀疏区域的交叉口效果不好,在车流量较小的区域,形态学膨胀腐蚀后将部分原始的轨迹点视为噪声点消除,从而使提取结果出现缺失部分,而密度峰值聚类可以有效解决密度稀疏区域的交叉口提取问题,因此有必要综合密度峰值聚类方法及形态学方法,保障交叉口提取的正确性。
图4 2.5 m分辨率交叉口提取结果

Fig. 4 Intersection extraction results at the 2.5 m resolution

3 道路交叉口的融合与去伪方法

3.1 道路交叉口融合与去伪技术路线

为减少去伪的盲目性,保证交叉口的完整性及准确性,本文针对不同方法的提取结果建立了相应融合机制,并采用主成分分析进行去伪。首先构建相应的融合规则,基于此将形态学2.5 m、5 m不同分辨率提取结果与密度峰值聚类结果进行融合,区分真交叉点与待定交叉点,然后对待定交叉点邻域内轨迹点进行离散点简化,尽可能消除主干道与次干道数据量分布不均所带来的影响,最后通过主成分分析判定待定交叉点的真伪,最终得到交叉口提取结果,具体路线如图5所示。
图5 道路交叉口融合与去伪技术路线

Fig. 5 Flowchart of intersection fusion and purification

3.2 道路交叉口多种提取结果融合

本文将形态学2.5 m、5 m不同分辨率提取结果与密度峰值聚类结果进行融合,由于2.5 m及密度峰值聚类结果位置精度较高,因此以这2种方法提取结果为基准进行融合。首先,以2.5 m提取结果为基准,判定交叉点缓冲区范围内是否存在5 m提取结果或密度峰值聚类提取结果,如果是则判定该交叉点为真交叉点,否则为待定交叉点;然后,以密度峰值聚类提取结果为基准,判定交叉口缓冲区阈值范围内,是否存在5 m提取结果,如果是则判定交叉点为真交叉点,否则为待定交叉点。由于以2.5 m及密度峰值聚类结果为基准进行融合得到的结果可能存在位置重合情况,需要分别对判定的真交叉点及待定交叉点进行进一步融合处理（在缓冲区范围内取几何平均中心）,从而得到最终的融合结果。具体融合规则见表1。
表1 多种提取结果的融合原则

Tab. 1 Rule for data fusion of multiple extraction results

2.5 m提取结果 5 m提取
结果		 密度峰值聚类
提取结果		 判断
结果
√ √ √ 真
√ √ 真
√ √ 真
√ √ 真
√ 待定
√ 待定
√ 待定

注：表中“√”表示提取出有交叉点,“空白”表示未提取出交叉点。

3.3 待定交叉口去伪

伪交叉口,即非真实交叉口,但在提取过程中识别为交叉口,其产生可能的原因包括：① 出租车载客过程中上下客或等待乘客过程中产生停留行为[22];② 在加油站、高架桥等特殊道路地标产生停靠、转向等行驶行为;③ 由于某些道路段过于拥堵,出租车长时间塞车停滞造成轨迹点大量聚集,如 图6（b）所示。对于这种伪交叉口,本文采用主成分分析法,收集位于交点邻域内的轨迹点,建立协方差矩阵,计算其特征值 λ 1 和 λ 2 ,利用式（5）来判断交叉路口车流量的主方向和各个方向上的强度,分析交叉口附近空间分布的线性显著性,如图5所示,真实交叉口与伪交叉口的 Δ 值有明显差异。 Δ 越大,线性特征越强,意味着成为交叉点的可能性越小。具体流程为：
（1）在候选交叉口处建立圆形缓冲区,获取落入缓冲区的所有轨迹点;
（2）以轨迹点集合的x和y坐标作为变量,构造协方差矩阵;
（3）计算矩阵的特征值 λ 1 和 λ 2 ;
（4）计算式（5）,以 Δ 值判断交叉点。
Δ = max λ 1 , λ 2 - min λ 1 , λ 2 min λ 1 , λ 2
图6 出租车轨迹点的主成分分析示例

Fig. 6 Example of principal component analysis of taxi trajectory data

4 实验与分析

4.1 实验区概况

实验以武汉市2014年5-6月7天的出租车轨迹数据为数据源,一天大约有2000条出租车的轨迹,近8万个轨迹点,每个轨迹点的采样间隔大于40 s。本实验选取武汉市汉口附近的中心城区为实验区域,该区域是老城区,新旧建筑交错,既有宽至40 m的主干道,其路口范围大,也有宽度15 m左右的次要道路,其路口狭窄,还有新建的城市高架桥和环形路口。由于实验区域中建筑物与道路分布的客观特性,造成了建筑物遮挡多,数据噪声严重,轨迹点集中在主干道及主干道的交叉路口上,次要道路和狭窄路口数据分布较少。本次实验区域与使用的轨迹数据对于研究城市中低频轨迹数据的道路信息提取研究具有一定代表性。

4.2 交叉口探测结果

基于密度峰值聚类算法提取交叉口流程进行交叉口提取,对原始的GPS轨迹数据进行去噪处理后,选取聚类中心,提取得到交叉点,共提取65个交叉口,其去噪处理过程与提取结果如图7所示。
图7 泰森多边形去噪处理过程

Fig. 7 Removing noise points by Thiessen Polygon

基于数学形态学运算提取交叉点流程,分别对轨迹数据进行2.5 m分辨率及5 m分辨率栅格化,提取交叉口的结果如图8,2.5 m分辨率提取交叉口结果位置更准确,5 m分辨率提取结果更完整,如图 8（b）红圈内所示,存在5 m分辨率识别到的交叉口而2.5 m未能识别的提取结果。
图8 形态学交叉口提取结果

Fig. 8 Results of extracting intersections by mathematical morphology

4.3 交叉口融合与去伪

基于表1设置的融合规则,考虑融合阈值设置过小会遗漏伪交叉口,过大会融合掉真实交叉口,因此本文以实验区域交叉口规划最小距离75 m为融合阈值,将形态学2.5 m、5 m不同分辨率提取结果与密度峰值聚类结果进行融合。通过融合规则区分真交叉点及待定交叉点,结果如图9所示,真值为63,待定交叉点为43,其中待定交叉点全部为密度峰值聚类补充结果。
图9 形态学运算与密度峰值聚类算法提取交叉点的融合结果

Fig. 9 Results of fusing intersections extracted by morphology and by the density peak clustering algorithm

由于主干道上有大量采样点,严重影响次干道连接主干道的交点检测,本文首先对待定交叉点邻域内的轨迹点进行离散点简化,即采样抽稀,然后对简化后的邻域轨迹点进行主成分分析计算。为了保证提取更多真实的交叉口,Δ可以选择较大的值作为过滤的阈值,本文将线性特征Δ的阈值设为0.95,进行交叉点去伪。最后,将上述融合规则判定为真的交叉点与主成分分析判定为真的交叉点进行合并得到低频轨迹交叉点提取结果,与遥感影像及2.5 m轨迹栅格数据叠加如图10所示。
图10 低频轨迹交叉口提取结果

Fig. 10 Results of intersection extraction based on low-frequency trajectory

由于本文所用离散点简化方法,只能减少部分主干道点,导致主干道轨迹点比较多的区域效果并不明显;同时,本文主成分分析法是根据线性特征进行交叉点判伪,因此对道路弯折或复杂高架桥路段区域并不适用,有待下一步进一步研究。

4.4 评价分析

基于本方法的实验结果很好地吻合了遥感影像,提取了103个交叉口,其中真实交叉口有95个,超过90%的检测结果是真实的交叉点,效果优于单独考虑密度峰值聚类算法,既保留了栅格提取结果的准确度,又补充了密度峰值聚类提取稀疏的结果,说明本文方法能够正确区分不同交错类型道路的交叉口。同时,本文基于同样的实验数据与已有的研究方法进行了比较,使用了准确率（Precision）（式（6））、召回率（Recall）（式（7））和F值（F-value）（式（8））对提取方法结果进行了评价,如表2所示,本文提出的方法比Ahmed[8]和Davies[10]的方法获得了更高的准确率、召回率和F值,在检测道路交叉口方面表现出了更好的性能：其中准确率达到92.23%,F值为84.08%。由于直接使用Ahmed及Davies方法对武汉数据提取道路网络处理得到的效果很差,因此本文首先利用泰森多边形进行去噪,然后提取60 s范围内的轨迹,并删除一条轨迹中轨迹点个数小于2的轨迹作为待处理数据。
Precision = correctlydetected correctlydetected + incorrectlydetected
Recall = correctlydet ected correctlydetected + notdetected
F - value = 2 × Precision × Recall Precision + Recall
式中： correctlydetected 为提取得到的真实交叉; incorrectlydetected 为提取得到的伪交叉口; notdetected 为未提取的真实交叉口。
表2 道路交叉口提取结果的精度评价与比较

Tab. 2 Accuracy evaluation and comparison of road intersection extraction results （%）

方法 准确率 召回率 F-值
本文方法 92.23 77.26 84.08
Ahmed方法 74.00 30.08 42.77
Davies方法 85.19 56.10 67.65
从检测结果可看出,在应用于低频轨迹数据时,本文所提出的方法提取了更多的交叉点,并与遥感图像显示一致,道路提取结果也显示出更准确的信息。由于存在出租车不行驶某些狭小道路所造成的一些区域未能提取出交叉口的情况,可考虑行人轨迹进行提取。

5 结论与展望

面对现有城市出租车轨迹数据采样频率低、定位精度低、噪声点多、数据分布不均等问题,本文基于低频出租车轨迹提出了一种集成识别策略,聚焦于城市路网的交叉口识别,兼顾密集与稀疏区域,分别在矢量空间和栅格空间,采用密度峰值聚类和数学形态学处理方法提取交叉口,同时设计了一种融合机制,区分真实交叉口及待定交叉口,并对待定交叉口进行主成分分析,去除伪交叉口,减少了数据处理的盲目性。与传统的道路交叉口检测算法相比,提取结果具有更高的正确率和完整性,对后期快速构建道路网络、获取更细数字道路信息,具有较强的应用价值与现实意义。主要结论如下：
（1）在栅格空间,通过在单个像素的“中心线”中识别每个像素的8个邻域来提取交叉点,并考虑不同的分辨率,既可使本文方法提取尽可能多的交叉点,又可使提取结果在后续的融合处理中更加准确。
（2）在矢量空间,首次采用密度峰值聚类算法提取道路交叉口。本文方法考虑了轨迹数据分布特性,适用于低、高频率轨迹数据。
（3）提出了一种集成聚类计算和图像识别优点的交叉口融合机制,克服了车辆轨迹采样稀疏和分布不均匀的问题。
总之,本方法在生成可导航数字路网方面取得了初步进展。然而,由于城市道路网络的复杂性,本文并未考虑所有类型的复杂交叉口,尚未利用提取结果对交叉口区域附近道路信息进行规整,这需要进一步研究和改进。随着智能交通系统和导航系统的快速发展,未来的研究将主要集中于建立更详细的数字道路地图,主要包括2个方面：① 丰富的几何信息,如复杂道路口、城市高架道路、城市立交桥、车道级道路信息;② 考虑更多的地理数据,挖掘更多的道路语义信息,如行驶时间、道路拥堵情况、道路坡度坡向等。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Chiang Y Y, Knoblock C A. Automatic extraction of road intersection position, connectivity, and orientations from raster maps[C]. Proceedings of 16th ACM SIGSPATIAL International Symposium on Advances in Geographic Information Systems, 2008.

[2]
傅罡 . 多源遥感数据的道路提取方法研究[D]. 北京:清华大学, 2014.

[ Fu W . Road extraction method using multi-source remote sensing data[D]. Beijing: Tsinghua University, 2014. ]

[3]
Hu X, Li Y, Shan J , et al. Road centerline extraction in complex urban scenes from LiDAR data based on multiple features[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014,52(11):7448-7456.

DOI

[4]
郭风成, 李参海, 李宗春 , 等. 高分辨率SAR影像道路交叉口自动提取方法[J]. 测绘科学技术学报, 2017,34(2):199-203.

[ Guo F C, Li S H, Li Z C , et al. A new method for automatic extracting road junctions from high resolution SAR images[J]. Journal of Geomatics Science and Technology, 2017,34(2):199-203. ]

[5]
Ekpenyong F, Palmerbrown D, Brimicombe A . Extracting road information from recorded GPS data using snap-drift neural network[J]. Neurocomputing, 2009,73(1):24-36.

DOI

[6]
李润生, 司毅博, 马德宝 , 等. 基于语义规则的高分辨率影像道路交叉口提取方法[J]. 测绘科学技术学报, 2017,34(2):168-174.

[ Li R S, Si Y B, Ma D B , et al. Road intersections extracting from remote sensing imagery based on semantic rules[J]. Journal of Geomatics Science and Technology, 2017,34(2):168-174. ]

[7]
Cao L, Krumm J. From GPS traces to a routable road map[C]. Proceedings of 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2009: 3-12.

[8]
Ahmed M, Wenk C. Constructing street networks from GPS trajectories[C]// European Symposium on Algorithms, Springer Berlin Heidelberg, 2012.

[9]
Schroedl S, Wagstaff K, Rogers S , et al. Mining GPS traces for map refinement[J]. Data Mining and Knowledge Discovery, 2004,9(1):59-87.

DOI

[10]
Davies J J, Beresford A R, Hopper A . Scalable, distributed, real-time map generation[J]. IEEE Pervasive Computing, 2006,5(4):47-54.

[11]
胡瀚, 向隆刚, 王德浩 . 出租车轨迹数据的道路提取[J]. 测绘通报, 2018(7):53-57.

[ Hu H, Xiang L G, Wang D H . Road extraction based on taxi trajectory data[J]. Bulletin of Surveying and Mapping, 2018(7):53-57. ]

[12]
Fathi A, Krumm J. Detecting road intersections from GPS Traces[C]// Geographic Information Science, 6th International Conference, GIScience 2010, Zurich, Switzerland, September 14-17, 2010. Proceedings. Springer-Verlag, 2010.

[13]
Karagiorgou S, Pfoser D, Skoutas D. Segmentation-based road network construction[C]. Proceedings of the 21st ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems , 2013: 450-453.

[14]
Wang J, Rui X, Song X , et al. A novel approach for generating routable road maps from vehicle GPS traces[J]. International Journal of Geographical Information Science, 2015,29(1):69-91.

DOI

[15]
Wang J, Wang C, Song X , et al. Automatic intersection and traffic rule detection by mining motor-vehicle GPS trajectories[J]. Computers, Environment and Urban Systems , 2017,64:19-29.

DOI

[16]
唐炉亮, 牛乐, 杨雪 , 等. 利用轨迹大数据进行城市道路交叉口识别及结构提取[J]. 测绘学报, 2017,46(6):770-779.

[ Tang L L, Niu L, Yang X , et al. Urban intersections recognition and construction based on big trace data[J]. Acta Geodaetica et Cartographica Sinica, 2017,46(6):770-779. ]

[17]
谭祥爽, 王静, 宋现锋 , 等. 基于浮动车数据的路口探测方法[J]. 地理与地理信息科学, 2015,31(5):34-38,127.

[ Tan X S, Wang J, Song X F , et al. Intersection detection method based on data of floating car[J]. Geography and Geo-Information Science, 2015,31(5):34-38,127. ]

[18]
王德浩 . 基于低频出租车GPS轨迹数据的路网信息提取[D]. 武汉:武汉大学, 2017.

[ Wang D H . Generation of road network information from massive less frequent GPS vehicle trajectories[D]. Wuhan: Wuhan University, 2017. ]

[19]
荣秋生, 颜君彪, 郭国强 . 基于DBSCAN聚类算法的研究与实现[J]. 计算机应用, 2004(4):45-46,61.

[ Rong Q S, Yan J B, Guo G Q . Research and implementation of clustering algorithm based on DBSCAN[J]. Computer Applications, 2004(4):45-46,61. ]

[20]
冯少荣, 肖文俊 . DBSCAN聚类算法的研究与改进[J]. 中国矿业大学学报, 2008,37(1):105-111.

[ Feng S R, Xiao W J . An improved DBSCAN clustering algorithm[J]. Journal of China University of Mining & Technology, 2008,37(1):105-111. ]

[21]
Rodriguez A, Laio A . Clustering by fast search and find of density peaks[J]. Science, 2014,344(6191):1492-1496.

DOI PMID

[22]
唐炉亮, 郑文斌, 王志强 , 等. 城市出租车上下客的GPS轨迹时空分布探测方法[J]. 地球信息科学学报, 2015,17(10):1179-1186.

DOI

[ Tang L L, Zheng W B, Wang Z Q , et al. Space time analysis on the pick-up and drop-off of taxi passengers based on GPS big data[J]. Journal of Geo-information Science, 2015,17(10):1179-1186 ]

Options
Outlines

/

〈 〉