基于大規(guī)模浮動(dòng)車軌跡點(diǎn)數(shù)據(jù)的道路網(wǎng)變化檢測(cè)與更新方法研究

趙 東 保,劉 雪 梅,張 弘 弢

(1.華北水利水電大學(xué)資源與環(huán)境學(xué)院,河南 鄭州 450011;2.華北水利水電大學(xué)信息工程學(xué)院,河南 鄭州 450011;3.四川省基礎(chǔ)地理信息中心,四川 成都 610041)

基于大規(guī)模浮動(dòng)車軌跡點(diǎn)數(shù)據(jù)的道路網(wǎng)變化檢測(cè)與更新方法研究

趙 東 保1,劉 雪 梅2,張 弘 弢3

(1.華北水利水電大學(xué)資源與環(huán)境學(xué)院,河南 鄭州 450011;2.華北水利水電大學(xué)信息工程學(xué)院,河南 鄭州 450011;3.四川省基礎(chǔ)地理信息中心,四川 成都 610041)

針對(duì)矢量道路網(wǎng)的變化檢測(cè)與更新問題，提出一種基于大規(guī)模浮動(dòng)車軌跡點(diǎn)數(shù)據(jù)的道路網(wǎng)快速變化發(fā)現(xiàn)與更新方法。首先對(duì)矢量道路網(wǎng)進(jìn)行柵格化處理，并根據(jù)若干天內(nèi)浮動(dòng)車GPS軌跡點(diǎn)落在柵格內(nèi)的個(gè)數(shù)對(duì)柵格賦值。經(jīng)過對(duì)軌跡柵格圖像的低通濾波、邊界清理后，采用數(shù)學(xué)形態(tài)學(xué)方法提取軌跡柵格圖像的骨架線，通過判斷道路骨架線與更新前道路網(wǎng)緩沖區(qū)之間的位置關(guān)系，快速識(shí)別出變化道路，即新增道路和消失道路。最后，對(duì)更新道路的骨架線分別進(jìn)行剪枝處理、斷線連接以及節(jié)點(diǎn)融合，實(shí)現(xiàn)對(duì)原有道路網(wǎng)道路數(shù)據(jù)的提示性更新。結(jié)果表明：與傳統(tǒng)方法相比，該方法能夠以更低的成本和更好的現(xiàn)勢(shì)性對(duì)現(xiàn)有道路網(wǎng)進(jìn)行在線增量式快速變化檢測(cè)和更新。

道路網(wǎng)更新;變化檢測(cè);浮動(dòng)車技術(shù);GPS軌跡點(diǎn);志愿者地理信息

0 引言

矢量道路網(wǎng)是導(dǎo)航地圖的重要基礎(chǔ)性地理要素。伴隨著經(jīng)濟(jì)社會(huì)的快速發(fā)展，我國(guó)城市道路的建設(shè)變化多、發(fā)展快，如果導(dǎo)航地圖無(wú)法做到及時(shí)快速更新，其現(xiàn)勢(shì)性將不能滿足應(yīng)用需求[1]。為了實(shí)現(xiàn)電子地圖的快速更新，近年來涌現(xiàn)出的志愿者地理信息采集是一個(gè)切實(shí)可行的有效手段[2-4]，即每一個(gè)地理信息采集愛好者都可以對(duì)地圖的變化部分進(jìn)行主動(dòng)測(cè)量和修訂。對(duì)于矢量道路網(wǎng)而言，還存在一種寶貴的大眾地理數(shù)據(jù)源，這就是浮動(dòng)車數(shù)據(jù)[5]。國(guó)內(nèi)的大城市一般有上萬(wàn)輛出租車(可作為浮動(dòng)車)，其GPS采樣間隔多在30～300 s，它們覆蓋面廣，全天候行駛。通過在服務(wù)器端對(duì)大數(shù)據(jù)量出租車GPS軌跡的被動(dòng)式分析，就可以繪制出道路網(wǎng)地圖，基于這種思路已經(jīng)涌現(xiàn)出三類方法。一是K-means類算法[6-8]，將大規(guī)模出租車留下的軌跡點(diǎn)數(shù)據(jù)利用K-means類算法進(jìn)行聚類，再?gòu)木垲愔刑崛≈行木€作為道路要素。二是核密度估計(jì)算法[9-11]，首先將GPS軌跡點(diǎn)數(shù)據(jù)轉(zhuǎn)換成柵格圖像，每個(gè)像素值反映了軌跡點(diǎn)落入該像素的密度，設(shè)定閾值將柵格圖像轉(zhuǎn)換成二值圖像，再提取圖像骨架線，并將骨架線作為道路中心線。三是軌跡合成算法[12-15]，不但考慮單個(gè)軌跡點(diǎn)數(shù)據(jù)，還考慮軌跡點(diǎn)所連成的軌跡線，將這些軌跡線數(shù)據(jù)合成以生成道路。對(duì)上述三類方法對(duì)比發(fā)現(xiàn)，第二類方法效果最好[16]。

盡管上述三類方法利用大規(guī)模浮動(dòng)車軌跡數(shù)據(jù)理論上足以生成道路網(wǎng)地圖。但實(shí)際上，受限于各種復(fù)雜因素的影響，所生成的道路網(wǎng)在準(zhǔn)確性上仍然無(wú)法與專業(yè)的導(dǎo)航地圖相媲美。另一方面，道路數(shù)據(jù)也處于不斷發(fā)展變化中，沒有必要完全從頭開始生成道路網(wǎng)地圖。基于這種思路，本文將以核密度估計(jì)算法為基礎(chǔ)，基于對(duì)大規(guī)模浮動(dòng)車軌跡點(diǎn)數(shù)據(jù)的分析，快速檢測(cè)道路網(wǎng)的幾何變化情況，并實(shí)現(xiàn)變化道路與原有道路網(wǎng)的數(shù)據(jù)融合，從而形成道路網(wǎng)的增量式提示性更新。通過將提示性更新內(nèi)容反饋給現(xiàn)有導(dǎo)航地圖生產(chǎn)商，可服務(wù)于導(dǎo)航地圖的及時(shí)修補(bǔ)測(cè)繪。

1 基于浮動(dòng)車軌跡點(diǎn)數(shù)據(jù)的道路網(wǎng)自動(dòng)變化發(fā)現(xiàn)與更新

1.1 算法總體思路

本文算法共包括三大部分，首先是數(shù)據(jù)預(yù)處理階段；設(shè)定一定的格網(wǎng)尺寸，對(duì)大規(guī)模浮動(dòng)車軌跡點(diǎn)數(shù)據(jù)進(jìn)行柵格化處理，通過統(tǒng)計(jì)落在每個(gè)柵格內(nèi)的軌跡點(diǎn)個(gè)數(shù)，將柵格轉(zhuǎn)換為二值化軌跡柵格圖像。然后是變化檢測(cè)階段，采用數(shù)學(xué)形態(tài)學(xué)方法提取軌跡柵格圖像的中心線，再通過判斷道路骨架線及其所在道路面狀柵格區(qū)域與原有道路中心線及其緩沖區(qū)面狀區(qū)域之間的空間位置關(guān)系來確定道路的變化情況。最后是更新道路與原有道路網(wǎng)的數(shù)據(jù)融合，在該階段，對(duì)新增道路數(shù)據(jù)進(jìn)行剪枝、斷線連接、節(jié)點(diǎn)融合等，以確保在幾何與拓?fù)湫畔⑸吓c原有道路網(wǎng)數(shù)據(jù)融為一體，實(shí)現(xiàn)對(duì)原有道路網(wǎng)數(shù)據(jù)的自動(dòng)更新。

1.2 數(shù)據(jù)預(yù)處理——軌跡柵格圖像的生成

海量GPS軌跡點(diǎn)大都位于道路兩側(cè)區(qū)域，具有明顯的聚集性質(zhì)，將這些具有聚集性質(zhì)的點(diǎn)數(shù)據(jù)相連成面，就可在一定程度上恢復(fù)出道路的路面。其方法是首先對(duì)矢量道路網(wǎng)進(jìn)行柵格化處理，柵格尺寸可設(shè)定與車輛的大小基本一致，如5 m×5 m。接著判斷落入每個(gè)格網(wǎng)中GPS軌跡點(diǎn)的個(gè)數(shù)，若超過一定閾值(本文設(shè)為1個(gè))，則該柵格賦值為1，反之賦值為0。經(jīng)過柵格化賦值處理后，初步的二值化軌跡柵格圖像即可大致生成。為了確保軌跡柵格圖像的準(zhǔn)確性，還須進(jìn)行如下步驟：一是軌跡柵格圖像的低通濾波[17],目的在于對(duì)軌跡柵格圖像進(jìn)行平滑操作。由于GPS信號(hào)的缺失，或者留下的GPS軌跡點(diǎn)數(shù)目較少，本是相連的道路區(qū)域可能會(huì)存在小中斷，低通濾波將有助于減弱這種情形的存在。圖1a中道路區(qū)域存在許多中斷現(xiàn)象，采用低通濾波后，中斷區(qū)域得以相連(圖1b)。二是軌跡柵格圖像的邊界清理，目的在于減弱軌跡柵格圖像中孤立噪音的干擾，并使得軌跡柵格圖像更為規(guī)整。邊界清理的方法是按照規(guī)定模板窗口(如5×5模板)將整個(gè)柵格區(qū)域均勻劃分為多個(gè)模板區(qū)域，且相互間無(wú)重疊。而后判斷每一個(gè)模板區(qū)域內(nèi)出現(xiàn)次數(shù)最多的柵格值，并把該像元值作為該模板區(qū)域每一柵格的值。如圖1c所示，GPS測(cè)量誤差導(dǎo)致若干GPS軌跡點(diǎn)落在距離道路較遠(yuǎn)的區(qū)域內(nèi)，具有明顯的離群現(xiàn)象，是孤立點(diǎn)。采用邊界清理后，不但孤立點(diǎn)被刪除，且道路柵格集合的邊界也更為整齊(圖1d)。

圖1 道路柵格圖像的低通濾波和邊界清理Fig.1 Lowpass filter and boundary clean of road raster image

1.3 道路幾何信息的變化發(fā)現(xiàn)

道路幾何信息的變化主要借助于提取軌跡柵格圖像中心線完成，可采用文獻(xiàn)[18]所述的最大圓盤法提取軌跡柵格圖像中柵格區(qū)域的骨架線，而骨架線對(duì)應(yīng)著實(shí)際的道路中心線，再對(duì)所有道路中心線構(gòu)建緩沖區(qū)，根據(jù)GPS單點(diǎn)定位精度，緩沖區(qū)半徑可設(shè)為20～30 m。在構(gòu)建完成骨架線后，可形成骨架線網(wǎng)絡(luò)，遍歷該網(wǎng)絡(luò)中的每一個(gè)骨架線弧段，設(shè)某一條骨架線弧段為S，所對(duì)應(yīng)的軌跡柵格區(qū)域?yàn)锳S，判斷S落在了哪一個(gè)道路中心線的緩沖區(qū)內(nèi)部，假設(shè)落在了道路中心線L的緩沖區(qū)內(nèi)部，其緩沖區(qū)域?yàn)锳L，分別判斷S與AL的位置關(guān)系以及L與AS的位置關(guān)系，則有：1)若S落在區(qū)域AL之內(nèi)，且L落在區(qū)域AS之內(nèi)，則S與L二者匹配，即可認(rèn)為原有道路L未發(fā)生變化;反之則認(rèn)為L(zhǎng)發(fā)生了變化，包括新增道路和消失道路兩方面。2)凡是S在原有道路網(wǎng)中找不到匹配對(duì)象，便可判定S為新增道路，例如若S沒有落在任何一條道路中心線的緩沖區(qū)內(nèi)部，則S即是新增道路。3)凡是L在骨架線網(wǎng)絡(luò)中找不到匹配對(duì)象，便可判定L可能為消失道路，例如若L沒有落在任何骨架線柵格區(qū)域內(nèi)部，則預(yù)示該道路可能為消失道路。

1.4 更新道路與原有道路網(wǎng)的融合

在提取出道路網(wǎng)變化信息后，還須對(duì)變化信息做進(jìn)一步處理，以使其融入到原有道路網(wǎng)數(shù)據(jù)中，包括對(duì)變化部分軌跡柵格圖像骨架線的剪枝、斷線連接與節(jié)點(diǎn)融合。1)骨架線剪枝：在提取軌跡柵格圖像骨架線的過程中會(huì)存在一些細(xì)小分支，其并不代表真實(shí)的道路中心線，因此可設(shè)定一定閾值，將長(zhǎng)度較短的骨架線細(xì)小分支予以刪除。2)斷線連接：從軌跡柵格圖像中提取的骨架線并不總能保持連續(xù)，有時(shí)一條道路中心線對(duì)應(yīng)著多條距離較長(zhǎng)的骨架線,其端點(diǎn)間存在著較小的距離。且延伸方向也保持大體一致。因此可設(shè)定一定的距離閾值和角度閾值，將那些延伸方向大致相同且端點(diǎn)距離較小的骨架線予以連接。3)節(jié)點(diǎn)融合：節(jié)點(diǎn)融合類似于斷線連接，不過此處特指更新道路與原有道路網(wǎng)數(shù)據(jù)的融合操作，對(duì)于那些新增的道路或修改的道路，其道路中心線的端點(diǎn)并不能恰好捕捉在原有道路數(shù)據(jù)上，需要對(duì)新生成的道路中心線進(jìn)行延伸或打斷等處理，本文將這些操作統(tǒng)稱為節(jié)點(diǎn)融合。

圖2列舉了上述3種情況，圖2a中黑色粗線為原始道路網(wǎng)數(shù)據(jù)，細(xì)線為新增道路骨架線，分別經(jīng)過剪枝處理、斷線連接和節(jié)點(diǎn)融合，轉(zhuǎn)變?yōu)閳D2b，其中新增的道路骨架線數(shù)據(jù)經(jīng)過了數(shù)據(jù)清理后與原有道路網(wǎng)數(shù)據(jù)融為一體。

圖2 更新道路與原有道路網(wǎng)數(shù)據(jù)的融合Fig.2 Fusion of new road and original road network

2 算法步驟與實(shí)例驗(yàn)證

2.1 算法步驟

本文具體算法步驟：1)選取一定時(shí)間段內(nèi)所有浮動(dòng)車的軌跡點(diǎn)數(shù)據(jù)，并對(duì)矢量道路網(wǎng)進(jìn)行柵格化處理，判斷每個(gè)柵格中落入的GPS軌跡點(diǎn)個(gè)數(shù)，若大于閾值，則該處柵格賦值為1，反之賦值為0，從而生成軌跡柵格圖像。2)按照對(duì)初步的二值化軌跡柵格圖像先進(jìn)行低通濾波，將濾波后柵格屬性值大于0的柵格賦值為1，其余仍為0。而后進(jìn)行邊界清理，消除孤立噪音。3)借助數(shù)學(xué)形態(tài)學(xué)提取軌跡柵格圖像中道路柵格區(qū)域的骨架線，其對(duì)應(yīng)道路柵格集合的道路中心線，再生成原有道路網(wǎng)數(shù)據(jù)的緩沖區(qū)。4)通過對(duì)比判斷骨架線與原有道路緩沖區(qū)區(qū)域之間的空間位置關(guān)系，可判定該骨架線所代表的道路是否為新增道路、修改道路或被刪除道路，實(shí)現(xiàn)道路網(wǎng)幾何變化信息的提取。5) 對(duì)那些被確定為新增道路的道路骨架線做進(jìn)一步處理，包括剪枝、斷線連接、節(jié)點(diǎn)融合等，實(shí)現(xiàn)新增道路與原有道路網(wǎng)的融合。

2.2 實(shí)例驗(yàn)證

以下結(jié)合具體實(shí)例進(jìn)行驗(yàn)證，數(shù)據(jù)實(shí)例為2006年深圳市1∶5 000矢量道路網(wǎng)數(shù)據(jù)，2008年5月10日1 800輛采樣間隔為3～5 min的深圳市出租車GPS軌跡數(shù)據(jù)。圖3為深圳市福田區(qū)局部區(qū)域矢量道路網(wǎng)，圖4為全天所有出租車在該區(qū)域留下的GPS軌跡點(diǎn)，共計(jì)31 641個(gè)。經(jīng)過步驟1)后可生成初步的二值化軌跡柵格圖像(圖5)，其中柵格尺寸設(shè)置為5 m×5 m。圖6和圖7為步驟2)運(yùn)行結(jié)果，其中邊界清理模板窗口取5×5。圖8和圖9為步驟3)運(yùn)行結(jié)果，其中緩沖區(qū)半寬度為30 m。圖10為提取道路網(wǎng)幾何變化信息，其中新增道路為實(shí)線。圖11則為步驟5)的運(yùn)行結(jié)果，其中剪枝閾值設(shè)為100 m，即某短小分支不超過100 m，即可刪除。斷線連接中相鄰端點(diǎn)的距離閾值設(shè)為不超過50 m，延伸方向角度之差不應(yīng)超過20°。節(jié)點(diǎn)融合中相鄰節(jié)點(diǎn)距離閾值可設(shè)為不超過50 m。重疊相似度閾值設(shè)為0.8，在步驟5)完成后，圖11中的新增道路最終與原有道路網(wǎng)進(jìn)行了融合處理。

圖3 原始道路網(wǎng)數(shù)據(jù) 圖4 浮動(dòng)車GPS軌跡點(diǎn)數(shù)據(jù) 圖5 初步生成二值化道路柵格圖像Fig.3 Origin road network Fig.4 Float car GPS track points Fig.5 Preliminary construction of binarized road network image

圖6 低通濾波 圖7 邊界清理 圖8 骨架線生成

Fig.6 Lowpass filter Fig.7 Boundary clean Fig.8 Construction of skeleton lines

圖9 原有道路網(wǎng)緩沖區(qū)與骨架線疊加顯示 圖10 新增道路發(fā)現(xiàn) 圖11 新增道路與原有道路網(wǎng)的融合

2.3 實(shí)例分析

為驗(yàn)證本文方法對(duì)道路網(wǎng)變化檢測(cè)及更新的準(zhǔn)確性，特將算法結(jié)果與深圳市福田區(qū)局部區(qū)域最新版導(dǎo)航電子地圖(圖12，來自于最新訪問的主流導(dǎo)航電子地圖——“天地圖”網(wǎng)站[19])進(jìn)行比對(duì)，道路網(wǎng)的變化部分包括新增道路和消失道路。圖11給出了本文方法自動(dòng)發(fā)現(xiàn)的新增道路，圖12中黑色粗實(shí)線所在道路則是這些新增道路在最新版電子地圖中的對(duì)應(yīng)情況，可以看出，圖11中的新增道路在現(xiàn)實(shí)世界中均有對(duì)應(yīng)道路實(shí)體，這就驗(yàn)證了發(fā)現(xiàn)新增道路的準(zhǔn)確性。

圖12 深圳市福田區(qū)某區(qū)域最新道路網(wǎng)電子地圖Fig.12 Newest road network electronic map of Futian District in Shenzhen City

對(duì)于消失或封閉道路，一個(gè)簡(jiǎn)單的判斷標(biāo)準(zhǔn)是：當(dāng)某條道路較長(zhǎng)時(shí)間未有GPS軌跡點(diǎn)落入其緩沖區(qū)范圍內(nèi)，則提示該道路可能已消失或封閉。如圖11中的道路b，在一天內(nèi)鮮有浮動(dòng)車在其緩沖區(qū)范圍內(nèi)留下軌跡點(diǎn)(圖4)，由此預(yù)示道路b為消失道路，但實(shí)際生活中，也有一些小路出租車很少行駛，如圖11的道路c是公園內(nèi)一條道路，因此，即使某條道路長(zhǎng)時(shí)間內(nèi)無(wú)浮動(dòng)車在緩沖區(qū)范圍內(nèi)留下軌跡點(diǎn)，也不能完全說明該條道路已經(jīng)消失或者封閉，有必要進(jìn)行實(shí)地測(cè)量以確保其現(xiàn)勢(shì)性。

3 結(jié)論與展望

本文通過對(duì)浮動(dòng)車軌跡進(jìn)行數(shù)據(jù)分析，給出了一種利用大規(guī)模浮動(dòng)車數(shù)據(jù)發(fā)現(xiàn)和更新舊版本道路網(wǎng)數(shù)據(jù)的有效方法，其意義在于快速發(fā)現(xiàn)道路變化，并給出發(fā)生變化道路較為準(zhǔn)確的位置和形狀，而后，導(dǎo)航地圖生產(chǎn)商仍可采用原有測(cè)量技術(shù)，僅對(duì)變化信息實(shí)地測(cè)繪,從而加快更新效率。該技術(shù)既具有充分的現(xiàn)勢(shì)性，且成本較低。事實(shí)上，利用浮動(dòng)車軌跡數(shù)據(jù)除了可以檢測(cè)矢量道路網(wǎng)幾何信息的變化外，還可從浮動(dòng)車的運(yùn)行軌跡推理出道路屬性信息的變化，諸如道路車道、單雙向限行、轉(zhuǎn)彎限制等的變化。未來隨著個(gè)人智能手機(jī)的進(jìn)一步普及，大數(shù)據(jù)的日益充分，通過對(duì)這些大眾地理數(shù)據(jù)源的充分和有效分析，將會(huì)促進(jìn)導(dǎo)航地圖的持久更新以及挖掘背后所隱藏的數(shù)據(jù)規(guī)律。

[1] 崔鐵軍,李宏利,郭鵬,等 .導(dǎo)航電子地圖增量更新服務(wù)及關(guān)鍵技術(shù)研究[J].地理信息世界，2011,9(4):36-39.

[2] 王釗.車輛導(dǎo)航電子地圖的自增量更新[D].北京:清華大學(xué),2012.

[3] GOODCHILD M F.Citizens as sensors:The world of volunteered geography[J].Geojournal,2007,69(4):211-221.

[4] ELWOOD S,GOODCHILD M F,SUI D Z.Researching volunteered geographic information:Spatial data,geographic research,and new social practice[J].Annals of the Association of American Geographers,2012,102(3):571-590.

[5] 王美玲，程林.浮動(dòng)車地圖匹配算法研究[J].測(cè)繪學(xué)報(bào)，2012,41(1):133-138.

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

[7] WORRALL S,NEBOT E.Automated process for generating digitised maps through GPS data compression[A].Australasian Conference on Robotics and Automation[C].Brisbane:ACRA,2007.1-6.

[8] AGAMENNONI G,NIETO J I,NEBOT E M.Robust inference of principal road paths for intelligent transportation systems[J].IEEE Trans.on Intelligent Transportation Systems,2011,12(1):298-308.

[9] DAVIES J J,BERESFORD A R,HOPPER A.Scalable,distributed,real-time map generation[J].IEEE Pervasive Computing,2006,5(4):47-54.

[10] CHEN C,CHENG Y.Roads digital map generation with multi-track GPS data[A].International Workshop on Geoscience and Remote Sensing,ETT and GRS[C].Shanghai:IEEE,2008.508-511.

[11] SHEN S,LIU Y.Automatic generation of road network map from massive GPS,vehicle trajectories[A].12th International IEEE Conference on Intelligent Transportation Systems[C].St.Louis:IEEE,2009.1-6.

[12] BIAGIONI J,ERIKSSON J.Map inference in the face of noise and disparity[A].The ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems[C].Redondo Beach:ACM,2012.79-88.

[13] CAO L,KRUMM J.From GPS traces to a routable road map[A].Proceedings of the 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems[C].New York:ACM,2009.3-12

[14] NIEHOEFER B,BURDA R,WIETFELD C,et al.GPS community map generation for enhanced routing methods based on trace-collection by mobile phones[A].1st International Conference on Advances in Satellite and Space Communications[C].Colmar:IEEE,2009.156-161.

[15] ZHANG L,THIEMANN F,SESTER M.Integration of GPS traces with road map[A].2nd International Workshop on Computational Transportation Science[C].San Jose:ACM,2010.17-22.

[16] BIAGIONI J,ERIKSSON J.Inferring road maps from global positioning system traces:Survey and comparative evaluation[J].Transportation Research Record:Journal of the Transportation Research Board,2012,2291:61-71.

[17] 岡薩雷斯，伍茲(著).阮秋琦(譯).數(shù)字圖像處理(第二版)[M].北京：電子工業(yè)出版社，2007.

[18] 鄒修明.柵格地圖矢量化關(guān)鍵技術(shù)研究[D].南京:南京理工大學(xué),2012.

[19] http://www.tianditu.cn/map/index.html[EB/OL].2013-02-15.

Automated Change Detection and Update of Vector Road Network Based on Large Scale Floating Car Data

ZHAO Dong-bao1,LIU Xue-mei2,ZHANG Hong-tao3

(1.InstituteofResourcesandEnvironment,NorthChinaUniversityofWaterConservancyandElectricPower，Zhengzhou450011;2.InstituteofInformationEngineering,NorthChinaUniversityofWaterConservancyandElectricPower，Zhengzhou450011;3.GeomaticsCenterofSichuanProvince,Chengdu610041,China)

Aiming at continued and timely map update of vector road network,this paper realizes an automated change detection and suggestive update of vector road network by analyzing crowdsourcing spatial data-large scale floating car GPS data.The method proposed in this paper firstly rasterize vector road network map by setting a proper grid size,and then assign a value to every pixel according to the count which several days of GPS track points are fall within grid,and final binarized road image can be obtained by further low pass filtering and boundary cleaning.Secondly,skeleton lines of road raster collection which correspond to vector road centerlines can be extracted by means of Mathematical Morphology,and road change including new roads,modified roads and missing roads can be quickly detected by comparing the spatial relationship between road raster area where road skeleton line lie in and buffer area of the existing road centerline.At last,after trimming,merging and connecting the broken skeleton line,skeleton lines,as the updated road centerlines,can be merged into the existing road network finally.

road network update;change detection;floating car technology;GPS track points;volunteer geographic information

2015-08-27；

2015-10-28

四川省地理國(guó)情監(jiān)測(cè)工程技術(shù)研究中心開放基金項(xiàng)目(GC201510);衛(wèi)星測(cè)繪與應(yīng)用國(guó)家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室開放基金項(xiàng)目(KLSMTA-201510);河南省高?？萍紕?chuàng)新團(tuán)隊(duì)支持計(jì)劃項(xiàng)目(13IRTSTHN023);國(guó)家自然科學(xué)青年基金項(xiàng)目(41201467)

趙東保(1979-)，男，博士，副教授，主要研究方向?yàn)榭臻g數(shù)據(jù)融合與集成。E-mail:zdongbao@126.com

10.3969/j.issn.1672-0504.2016.02.001

P208;P228.4;U491.116

A

1672-0504(2016)02-0001-05