﻿ 基于改进霍夫变换的环形交叉口识别方法
 文章快速检索 高级检索

CUI Xiaojie , WANG Jiayao , GONG Xianyong , WU Fang
Institute of Geospatial Information, Information Engineering University, Zhengzhou 450000, China
Foundation support: The National Natural Science Foundation of China (Nos. 41471386; 41801396)
First author: CUI Xiaojie(1990—), female, PhD candidate, majors in map distribution pattern recognition and cartographic generalization. E-mail:cuixiaojie1990@qq.com
Corresponding author: GONG Xianyong, E-mail: gongxygis@whu.edu.cn
Abstract: Spatial distribution pattern is significant to the map generalization and map matching. The roundabout is the typical representative of miniature ring-like pattern in road networks. Based on the principle of improved Hough transform to detect the circle, a geometric recognition method of roundabout is proposed in this paper. This method can be divided into two parts:circulating road recognition and branch recognition. Firstly, circulating road is identified by the circle recognition, uniformity optimization, and similarity optimization. Then the branch is identified by connectivity discrimination, branch classification and combined branch supplementation. The results of partial road data in UK show that the proposed method can effectively identify the roundabouts, and both the recall and precision are higher than the comparison method.

1 环形交叉口结构描述

 图 1 环形交叉口 Fig. 1 Examples of roundabouts

2 矢量圆环识别方法

2.1 霍夫变换检测圆的基本思路

 图 2 霍夫变换检测圆的原理 Fig. 2 Principle of detecting circle with Hough transform

2.2 道路线性剖分

LTM是考虑线性参考特性下进行的一维空间的离散化。采用LTM对道路网数据进行剖分，涉及以下3个概念[23]

(1) 道路路段：道路数据由一系列节点顺序连接而成，道路路段指相邻节点间的线段。

(2) 路段栅格(linear pixel)：对道路路段加密剖分，得到一系列线性细分单元，记为Lixel。

(3) 路段栅格节点(Lxnode)：邻接的路段栅格的交点以及路段栅格的端点。

 图 3 路段剖分示意图 Fig. 3 Schematic diagram of road tessellation

2.3 矢量圆环识别

(1) 法向变换。设路段栅格Lixel的端点为pfpt，中点为pm。以pm为端点，在路段栅格的两侧分别构建长度为d的垂线段VL1=(pv1, pm)和VL2=(pm, pv2)。以VL1的端点pv1为例，该点满足方程

(1)
(2)

 图 4 法向基元交点示意图 Fig. 4 The normal elements and their intersections

(3)

(2) 圆心及圆环识别。由圆的几何特征可知，待识别圆心位于法向基元上。在理想情况下，法向基元的交点pin会重合于一点，该点即为圆心。但在实际中，矢量圆环可能出现变形，法向基元的交点不会完全重合(如图 4(b)中方框A处)。因此，由交点计数来确定圆心的方法不再适用。但可以确定交点越密集的地方，产生圆心的概率越大，据此采用聚类方法探测交点群中可能会构成圆心的类簇。

Eps与圆环直径有关，计算公式为

(4)

 图 5 矢量圆环识别结果 Fig. 5 The recognized ring in vector data

3 环形交叉口识别方法

 图 6 环形交叉口识别方法流程 Fig. 6 The recognition method of roundabouts

3.1 环路识别

(1) 圆环识别。利用上节所述方法识别道路网中的圆环，得到图 7(a)所示的初始环路集。循环去除环路内的悬空路段(例如方框A及B处)，得到图 7(b)所示的环路候选集。

 图 7 环路识别结果 Fig. 7 Recognition results of circulating roads

(2) 均匀度优化。从数据的统计特征分析，一个实际环路对应的所有实际半径Ra的长度值应服从期望为Rc的正态分布。因此，可利用Ra的数值分布特征度量实际环路的形态。Ra的方差越小，分布越均匀，实际环路越接近规则圆环。这里采用实际半径的变异系数(coefficient of variation，CV)

(5)

(3) 相似度优化。从人类对图形构造的空间认知和视知觉感受分析，实际环路与对应的模拟环路越接近，被人类视觉感知为环形交叉口的可能性越大。为此定义周长相似度(similarity of parameter，SP)

(6)

3.2 支路识别

Ⅰ类支路：直接与环路相接，且与其他支路相离。

Ⅱ类支路：直接与环路相接，且只与Ⅰ类支路相接。

Ⅲ类支路：不与环路相接，但两端与Ⅰ类或Ⅱ类支路相接。

 图 8 支路识别结果 Fig. 8 Recognition results of branches

(1) 提取与环路直接相连的道路，标记为支路。

(2) 判断每组支路之间的连接性：若相离，则标记为Ⅰ类支路；若与其他支路相接，则标记为Ⅱ类支路(图 8(a))。

(3) 判断其余非环路且非支路类型的道路与Ⅰ类支路的连接度(连接的道路数)，将连接度大于等于2的道路标记为Ⅲ类支路(图 8(b))。

3.3 参数设置

(7)

 σ 召回率均值/(%) 准确率均值/(%) F1测度均值 0.10 100.00 97.99 0.989 4 0.09 100.00 97.99 0.989 4 0.08 100.00 98.68 0.993 2 0.07 98.61 99.46 0.989 9 0.06 96.26 100.00 0.980 1 0.05 86.82 100.00 0.926 3 0.04 72.85 100.00 0.830 8 0.03 48.93 100.00 0.624 8 0.02 25.63 100.00 0.544 1 0.01 1.56 100.00 0.222 2

4 试验与分析

 图 9 本文方法的试验结果 Fig. 9 Test results of the proposed method

4.1 试验结果

 序号 Raver Rstd CV La Lc SP 5 12.479 3.086 0.247 75.187 78.410 0.041 8 14.194 2.441 0.172 88.256 89.181 0.010 10 23.742 5.412 0.228 113.117 149.174 0.242 19 38.597 8.632 0.224 272.931 242.509 0.125 1 33.428 0.813 0.024 207.533 210.034 0.012 14 50.801 0.380 0.008 315.359 319.202 0.012 7 35.472 0.365 0.010 219.574 222.878 0.015 15 28.839 0.516 0.018 177.854 181.200 0.019 20 17.871 0.376 0.021 109.676 112.278 0.023 17 27.142 0.300 0.011 166.091 170.538 0.026 12 22.090 0.332 0.015 135.133 138.794 0.026 11 20.987 0.064 0.003 128.358 131.864 0.027 6 24.703 0.205 0.008 150.869 155.213 0.028 18 33.403 0.422 0.013 203.762 209.879 0.029 21 18.190 0.259 0.014 110.356 114.293 0.034 4 12.267 1.063 0.087 74.228 77.073 0.037 2 14.844 0.620 0.042 89.078 93.268 0.045 3 12.210 0.129 0.011 72.428 76.715 0.056 16 13.418 0.737 0.055 76.633 84.306 0.091 9 37.182 1.004 0.027 210.973 233.623 0.097 13 19.960 1.678 0.084 99.591 125.415 0.206

4.2 试验对比

 图 10 对比方法的试验结果 Fig. 10 Test results of contrast method

 方法 环路/中心岛识别结果 环形交叉口识别结果 算法识别总数 算法正确识别数 召回率/(%) 准确率/(%) 算法识别总数 算法正确识别数 召回率/(%) 准确率/(%) 本文方法 14 14 82.35 100.00 14 14 82.35 100.00 对比方法 13 11 64.71 84.62 4 3 17.65 75.00

4.3 讨论

(1) 栅格化对比分析。本文在2.1节中提到，应用霍夫变换识别环形模式的最直接的方法是，按照传统栅格化方法对道路网进行预处理，然后再根据参数方程求解圆心和半径。在设置栅格(像素)尺寸时主要依据路段长度的统计值(平均值、最大值和最小值等)。使用平均值和最大值对道路网进行栅格化会导致大量细节信息的丢失，因此本文采用路段长度最小值作为像素的尺寸。经统计，试验区的路段长度最小值为4.34 m，两种栅格化方法的结果如图 11所示。可以看出，两种方法得到的元素个数大约相差10倍。

 图 11 两种栅格化方法对比 Fig. 11 Contrast of rasterization method

(2) 识别类型对比分析。基于结构描述建立模板库的识别方法存在结构描述不清(对于某一种类型的道路交叉口，可能无法精确描述其空间结构)和结构描述不全(对于现实中的道路交叉口，模板库可能无法包括所有类型)等问题。例如在文献[16]中，环形交叉口的模板有以下4种(图 12)，那么该方法识别的环形交叉口就会限制在这4种类型内。实际上，环形交叉口的种类远远多于模板库中所描述的类型。本文方法不受样本类型的限制，可以识别出二支、三支及多支环形交叉口，支路的形式有简单支路、Y形支路及混合型支路。此外，本文方法的识别结果可作为文献[16, 20]等方法的典型案例，丰富其样本库类型。

 图 12 模板库中的环形交叉口 Fig. 12 The roundabout examples in template library

5 结论

﻿

http://dx.doi.org/10.11947/j.AGCS.2018.20170736

0

#### 文章信息

CUI Xiaojie, WANG Jiayao, GONG Xianyong, WU Fang

Acta Geodaetica et Cartographica Sinica, 2018, 47(12): 1670-1679
http://dx.doi.org/10.11947/j.AGCS.2018.20170736