基于無人機影像的鄉村道路信息提取及安全導引優化設計

李旭亮，王保成，田 亮，李 媛，方 飛

（蘭州交通大學 土木工程學院，蘭州 730070）

0 引言

鄉村村道路快速發展對豐富基礎交通網絡、加快經濟發展、降低貧困等具有重要意義。近年來，隨著我國經濟的快速發展，鄉村扶貧道路也在急劇增長。但是，鄉村道路普遍具有隱蔽路口多、行人橫穿公路頻繁、路況突變性大、車輛占道停放和行駛等突出特點，另外交通安全設施的缺乏缺失、基礎道路盲目擴張對交通產生的壓力也在急劇增長，是行人和車輛出行的重大安全隱患。鄉村不斷發生的交通事故讓人們認識到鄉村道路的交通安全是目前亟待解決的問題。本文以此為背景，將無人機應用到農村扶貧道路數據的信息提取當中，利用無人機靈活、簡便的優點，既可解決農村道路復雜多變而相關數據不易獲取的問題，又可節省大量的人力物力，進而有利于做交通安全導引優化。

隨著科技的發展和進步，借助大數據進行高分辨率影像提取成為相關領域的目標，其中道路提取技術是近年的熱門研究方向。國外大約在20 世紀70 年代就已經開始初步探索[1]，專家學者利用各種技術對道路的提取方法進行了深入探討。通過對一些道路提取資料的學習與研究，可將該提取方法分為全自動道路提取法和人機結合的半自動道路提取法[2-8]。全自動法的研究雖然是未來的主要趨勢，但由于現階段計算機水平的限制尚難實現；半自動法采用人機交互的處理方式可以靈活應用于不同復雜度的場景中。本文以無人機為影像拍攝載體，以半自動道路提取為主要方法，以易康為操作平臺，研究探討利用無人機影像進行鄉村道路提取的方法。

1 無人機飛行參數

本文以甘肅省榆中縣小康營鄉劉褚營村為研究對象。劉褚營村為河流沖擊地帶，整體地勢平坦，周圍無高大樹木遮擋。該村房屋錯落有序、整齊，建筑物高度低，地表物區分度高，有利于減少無人機自身攜帶的誤差和環境氣候誤差，使實驗數據更具有真實客觀性。

利用大疆 MAVICPRO 機型獲取實測數據。該機型體積不大，操作靈活方便，數據采集高效，影像成形快速，能夠基本完成一般的測繪任務。MAVICPRO的基本數據如表1 所示。

表1 大疆MAVICPRO 型參數

為航測成圖及圖像拼接，采集數據時無人機飛行重疊區域正向設為70%，側向設為60%。地面控制終端為影像獲取載體附屬軟件設Atizure。軟件中無人機航跡如圖1 所示。

圖1 無人機航向軌跡

2 數據處理

將多張影像組合在一起形成一張整個區域的影像圖時，由于影像圖中的各種地物與地面地物的特征是有差別的，因此需要對其進行幾何校正[9-10]。這種差別亦是后期需要調整圖像質量的原因。

幾何校正就是對在不同的坐標系之間轉換的過程中產生的坐標不一致進行修正。經過處理的圖像如圖2 所示。

圖2 劉褚營村無人機影像

在進行影像信息提取之前，先對本次實驗取得的無人機影像預先處理，即進行影像融合以及增強。融合是將圖像不同空間、時間的冗余信息進行重組，使其包含內容更加豐富。增強是將圖像灰度調整均勻，道路特征更加明顯。圖3 為預處理以后的圖像。

圖3 預處理圖像

3 多尺度分割法

要對空間上非相鄰的區域進行合并，運算量變得相當巨大。為解決運算量問題，發展出了迭代分而治之的多尺度分割近似計算以及相應的有效實現方式[11-12]。

多尺度分割是通過設定波段、光譜、紋理、幾何形狀、緊致度等各因子參數來確定最適合的分割尺度，來實現影像分割的方法[13-14]。能輸出一個從初始化分割直至一個區域的分割的多尺度序列，在這個序列中，一個特定的對象既可以表示成幾個區域從而具有較好的細節信息，也可以與其他對象一起被一個區域吸收。

3.1 最優分割尺度

多尺度分割方法是面向對象的。它表示在分割影像時對異質性靠近的區域進行合并，也叫分型網絡演化算法。其實質是對相互靠近的像元進行屬性識別，判斷是否能夠進行合并。圖4 為多尺度分割步驟。圖中：f表示異質數值；s表示給定的參數值。若f小于s，則繼續分割；若f大于s，則分割完成。這個分割過程是重復的，一直到整幅影像圖全部分割完成[15]。

圖4 多尺度分割算法的具體流程

在多尺度法分割影像時，分割尺度的大小對分割結果的準確度會產生重要的影響，尺度大小會影響分割后影像對象的大小及其所包含的信息。因此若要對目標對象進行提取就必須熟悉目標，而且要選取合適的分割尺度。

結合劉褚營村鄉村道路比較窄小，大約有5 m寬，且本文所選取的影像圖為無人機高分辨影像圖的情況，綜合考慮無人機精度及研究地域面積大小等因素，根據處理經驗可選用100 作為1 個初始分割值，分別以100、150、200、300 作為本次實驗的分割參數值來進行驗證。形狀指數暫定為0.5，緊致度指數暫定為0.5。分割結果如圖5 所示。

圖5 100～400 分割值效果

從圖中可以看出，在形狀因子參數和緊致度因子參數都不變的情況下，隨著尺度值的增大，分割完成后得到子對象的表面形狀面積也在不斷地增加。當分割尺度設置為300 時，在分割完成后的圖像中，道路形狀較完整且清晰。道路兩旁的建筑物與樹木在道路上的投影較少，為接下來的道路信息提取減少了數據處理的工作量。因此認為300 是本次道路信息提取實驗的比較合理的分割尺度值。

3.2 形狀因子和光譜因子

除了分割尺度外，形狀因子和光譜因子也可以影響道路信息提取。為取得形狀因子和光譜因子在道路信息提取過程中的優值，同樣設置4 組參數值來進行尺度分割實驗，分別為（0.9，0.7）、（0.1，0.9）、（0.9，0.1）、（0.5，0.5）。其中：括號中的第1 個值為形狀因子參數；第2 個值為光譜因子參數。尺度參數為300。分割結果如圖6 所示。

圖6 4 種形狀參數分割結果

從圖中可以看到，當分割尺度參數不變時，形狀因子參數和緊致度因子參數不一致，分割后的影像結果也不同。因此得出幾何指標和緊致度指標對影像的分割效果是很重要的。通過上述4 組參數組合，在分割尺度一致的情況下，經過實驗數據對比，發現第3 組實驗數據是分割效果最好的，因此在基于面向對象的無人機影像道路提取中將分割參數設定為300，形狀和緊致度設為（0.9,0.1），作為本次道路提取的最優數值。

4 道路提取

4.1 道路樣本特征與提取規則

遙感影像分割完成后，將相同屬性的元素排列組合成目標對象。根據目標對象自身屬性特征，以及面向對象的相鄰關系特征，借助易康（eCognition）軟件，實現對鄉村道路的信息提取。

為了將我們所需的道路目標與遙感影像中其他的背景地物完整地分離出來，就要充分利用影像中的道路特征來做理論支撐。另外為了驗證道路特征選取的合理與否，隨機選取多個道路樣本來進行特征對比分析，并得出道路樣本提取規則集，如表2 所示。

表2 道路樣本提取規則集

4.2 道路提取

在易康軟件中，將分割參數設定為300，形狀因子組合為（0.9，0.1），得出分割結果。分割完成后，接下來進行樣本特征選取，分別為道路樣本和耕地樣本。

運用最鄰近分類算法，在進行分類操作時，易產生漏分、錯分的現象，進而使實驗結果產生誤差，致使道路信息自動提取的結果不能滿足精度要求。為解決漏分錯分的問題，需要在分類后進行人工解譯識別，進行2 次分類優化操作，將錯分漏分的目標對象劃分到自身屬性類別中去，并對提取結果進行再生長、收縮等多重優化以減少道路輪廓誤差。最終結果如圖7 所示。

圖7 優化提取結果

4.3 實驗精度評價

在基于eCognition 軟件提取操作完成以后，要進行效果評價，通過目視解譯采用建立混淆矩陣的方式來進行，并分析分類的總體精度指數和卡帕（Kappa）系數。誤差矩陣如表3 所示。

表3 集誤差矩陣分析結果

從表中可以看出，本次實驗中樣本的總體分類精度達到了94.77%。Kappa 系數為0.778 7。整體的分類效果達到了預期要求。因此，利用eCognition 軟件對農村扶貧道路進行面向對象的道路信息提取是可行的。

5 鄉村道路安全導引優化設計

以上文所得鄉村道路提取結果為依據，得出需要做安全導引優化設計的道路及相關參數，參照相關設計規范分析計算路基寬度、道路建筑限界、行車視距等的合理取值，從而提高道路交通的安全性。

該村主干道路有2 條，一條呈南北走向直線穿越該村，另一條呈東西走向深入該村。主干道路基寬度5 m，左右各有0.5 m的凈空，行車道寬度4 m，全道路路段為單行道，全村路段無護欄等隔離設施。機動車平均車速低于50 km/h。

該村道路的特點主要為長直線，但交叉道口較多。其中十字交叉路口有3 個，T 字型交叉路口8 個。道路路面情況較差，沒有配置道路交通安全設施，道路交叉口交通情況極為復雜，導致交通事故多發；因此需要科學謀劃、統籌管理。為此先將缺失的交通安全設施補充完整，再設置合理的道路交通標志標線。先以2 維平面圖的形式，對2 條主干道及交叉口進行交通設施規劃。緊接著對村莊整體道路從入口到出口以車輛行駛方向為導引，做出整體道路的全面優化。利用軟件生成3 維村莊道路優化模型，以立體方式將最終的安全導引效果呈現出來。

為減少及消除長直線路段的交通安全隱患，根據公路工程技術標準和道路交通標志和標線中關于交通安全設施設置方法的規定[16-17]，鄉村道路長直線段交通安全導引優化設計的方法如下：

1）在主干道上勾畫出行車中線及輪廓線，限定車輛的行駛路線，減少車輛行駛的干擾；

2）村口處設置前方村莊、注意危險的警告標志，告知駕駛人員前方路側為村鎮，提醒駕駛員謹慎駕駛以防發生交通事故；

3）設置限速40 km/h 標志與限速標線相配合，用來降低車輛在鄉村主干道的車速；

4）村口處及路口設置停車讓行標志及減速帶，強制減小村口以及路口出入車輛行駛速度，確保出入口交通安全；

5）全路段設置減速慢行警告標志，提醒駕駛員減速慢行；

6）鄉村道路主干道與支線道路交叉口設置人行橫道，降低因村民橫穿道路而引發的交通事故；

7）在斑馬線前30～50 m 處設置斑馬線提示標識，告知駕駛員前方路段有村民橫穿公路；

8）長直線路段設置路側護欄，提高道路兩邊住戶的安全。

具體優化設計示意圖如圖8 所示。

圖8 長直路段優化示意圖

為減少和消除村內村民生活路段的交通安全隱患，該道路安全導引優化設計如下：

1）設置限速40 km/h 標志與限速標線相互配合，用來降低車輛在鄉村主干道的車速；

2）村民生活區人流量大，所以全路段設置減速慢行警告標志以及禁止掉頭標志，提醒駕駛人減速慢行防止駕駛員在人流量大的地方隨意掉頭，影響居民生活區道路交通安全；

3）斑馬線前30～50 m 處設置斑馬線提示標識，告知駕駛員前方有行人橫穿公路；

4）在道路上勾畫出行車中線及輪廓線，限定車輛的行走路線，減少相互間的交通干擾；

5）生活區道路兩側設置人行道及護欄，全路段設置減速帶；

6）為了防止夜間行人及行車的不安全，生活區全路段全部配置照明路燈。具體優化示意圖如圖9 所示。

圖9 村民生活區路段優化示意圖

為減少和消除村內道路交叉口的安全隱患，需遵循主干道優先，且村莊路段中以主路轉彎向側路和側路轉彎沿主路2 種視距形式，將無人機影像處理數據代入處理，得出優化解。

1）側路轉主路視距測算公式為

式中：ISD 為交叉路口沿主干道視距；v為汽車行駛速度；t為側路轉彎等待時間。

2）主路轉側路視距測算公式為

式中：S為道路口沿側路視距；a為側路減速度，取值為3.0 m/s2；v為側路行駛速度；t為識別時間，取值為2.5 s。

實驗村莊中，主路段設計時速為40 km/h。從安全角度出發，車輛計算速度為設計時速的90%，取36 km/h。文中對于側路定位為讓行道路，由于側路段是生活區路段，因此取行駛速度10 km/h。主干道轉彎所需視距S=8 m，主干道停車視距S=46 m，側路停車視距S=36 m，構建出交叉路口通視三角區，如圖10 所示。

圖10 交叉口通視三角區

依據道路交通標志和標線的有關規定[17]，通視三角形內不能有障礙物阻擋駕駛員的視野。通過走訪調查，劉褚營村的主干道與側路之間路口視線不通暢，周圍布滿建筑房屋。發現實際路段通視三角形內存在障礙物，阻礙駕駛安全。因此本段交叉口的視距不滿足視距安全的指標，需要采取相應的優化措施。應在此位置加大交通管理力度，采取設置誘導標志、減速標志、減速帶、斑馬線、交通凸面鏡以及轉彎行駛時鳴笛等措施。T 形路口優化后的3 維可視化效果如圖11 所示。

圖11 T 字交叉口優化

以規范及道路實際狀況為依據，優化整個村莊的所有道路，最后以二維平面圖的形式呈現出來。如圖12 所示。

圖12 村莊道路整體優化

以2 維平面圖為基礎導入軟件，將村莊道路的優化設計以3 維模型的形式展現出來。

首先，當車輛行駛到村莊入口處時，安全導引如圖13 所示。

圖13 村口處安全導引優化

其次，在汽車駛入居民生活區路段時，交通安全設施的優化設計如圖14 所示。

圖14 交叉口安全導引優化

再次，當車輛行駛到村中心時，對村委會道路交叉口的安全導引細節如圖15 所示。

圖15 村委會交叉口安全導引優化

最后，以3 維全景視圖的形式對整個劉褚營村的鄉村道路安全導引優化進行展示，如圖16所示。

圖16 褚營村道路整體安全優化

6 結束語

本文采用的面向對象的提取方法是以圖像為前提來進行研究的，因此圖形質量直接影響道路提取的結果。本文所選的影像為無人機所拍攝的影像，圖像中地物目標復雜，背景區分大，但道路兩側的樹木在道路上的投影大大影響了道路信息提取的精度。如何解決這個問題還要進一步研究。

1）影像的分割尺度對道路提取的準確度影響很大，利用多尺度分割法顯然分割效果較好。

2）本文在進行最鄰近分類時，出現了錯分和漏分的現象。主要原因可能是在這一點上這2 類目標地物的特征差異較小，比較相似。因此須研究是否可以利用其他的方法對分類以后的結果進行校正，以提高目標對象的分類精度。

3）本文研究對象區域的道路提取并不復雜，旨在體現半自動提取法的優勢及驗證其精度是否能達到預期要求，為更為復雜多變的鄉村道路提取提供參考。

4）就目前而言，對鄉村道路修建等級和標準以及交通安全設施設置方法方面的規定較少，只能參考道路設計規范和準則上面的零星知識。其次由于條件所限，對交通事故分析的原始數據較少，樣本不夠豐富。在因素分析中環境因素參與度較低。在導引設計中只從安全角度出發，沒有考慮其經濟性。