0 引言
农村公路是覆盖范围最广、服务人口最多、提供服务最普遍、公益性最强的交通基础设施，其在推动农业与农村经济发展的进程中发挥着重要作用。然而，随着社会经济的快速发展，部分农村公路在建设与养护方面面临资金不足、专业养护技能不强、养护作业人员短缺等新挑战。在此背景下，农村公路基础设施年度统计数据成为精准、高效展示其建设和养护成效的理想形式。此类数据能系统地反映农村公路网络的动态变化，但在实际统计调查工作中，由于农村公路“规模大、覆盖面广”等特点，数据校核效率低的问题较为突出，尤其是在农村公路电子地图数据校核方面，传统的电子地图数据处理技术已难以满足当前需求。一方面，农村公路分布广泛且地形复杂，加之早期采集设备的精度有限，导致部分农村公路电子地图轨迹数据存在局部偏差或失真；另一方面，卫星定位设备的误差和坐标平移问题也给数据的准确性带来挑战。因此，如何高效、准确地更新和校验农村公路电子地图数据，成为当前亟待解决的技术难点。
近年来，遥感和GIS等技术在交通运输行业内的应用显著提高了交通数据更新的效率和准确性[1-2]，这些技术进步为农村公路电子地图数据的更新与校核提供了新的路径，进而促使越来越多的研究者开始关注此类问题。在以往的电子地图基础设施统计数据更新和维护过程中，通常以公路中心线作为公路电子地图数据的基准线。通过比对中心线轨迹数据，能检测出位置相同但线形轨迹不完全一致的矢量数据集，进而筛选出不符合技术规范的数据集，以确保数据的一致性和准确性。这一过程是保障数据质量的关键环节。然而，由于农村公路路面宽度较窄，对其使用遥感影像识别技术的难度较高且准确率较低，特别是在数据量大的场景下，采用传统的“全重叠”算法来比对农村公路中心线轨迹的线形数据会受到限制。同时，利用遥感影像识别农村公路中心线形轨迹的效率也受到影响。链码作为一种在图像处理和模式识别等领域广泛应用的编码技术，因其能迅速获取线状对象所有像素信息，可为图像外部轮廓的识别提供有力的技术支持[3]。此外，该技术还具备稳定性高、运算速度快及识别率高等优势[4⇓⇓⇓-8]。通过应用链码技术，可基于标准拐角点的曲率序列计算归一化互相关系数，进而实现曲线的快速且有效匹配。结合链码算法与几何图形特有的属性，能够快速识别几何图形的顶点分布，进而实现对几何图形的精准识别。
目前，在公路路线线形的比对与筛选研究中，主要采用空间拓扑关系法分析比对数据的变更情况，但该方法存在分析比对效率低、难以准确定位公路路线数据的变更和平移情况的不足。为弥补传统技术在农村公路电子地图校核中的不足，本研究在农村公路中心线形的比对与筛选过程中引入链码技术，采用八向链码编码方法精准记录路线线形的拐点及其他关键特征，将线形比对转换为对链码描述的线形特征矩阵的比对，从而实现农村公路路线线形数据的高效、精准比对和筛选，有效解决传统方法中存在的技术难题。
1 识别提取农村公路路线线形链码特征
按照《小交通量农村公路工程技术标准》（JTG 2111－2019）的要求，四级公路（Ⅱ类）应满足车道宽度为3.5 m，路肩宽度为0.5 m[9]。然而，截至2023年，全国路面宽度小于或等于3.5 m的农村公路里程为176.1万km，占农村公路总里程的38.2%，而路面宽度在大于3.5 m且小于或等于4.5 m的农村公路里程为138.1万km，占农村公路总里程的30.1%，其中，路面宽度小于或等于4.0 m的农村公路达到230.1万km。在电子地图数据比对过程中，对于路面宽度较窄的农村公路，传统方法在准确性方面往往存在局限性，难以取得高精度的比对结果。链码技术作为一种表示和跟踪图像中曲线的方法，能够有效描述图像对象的形状，在图像处理和模式识别中得到广泛应用。链码技术主要通过将图像形状边缘的线形数据转换为链码，实现高效的数据压缩和特征提取[10-11]。链码的概念最早由Freeman提出[12-13]，后来Bribiesca对其进行了改进与优化[14-15]，使链码能用较少的数据存储大量图像特征信息。
常用的链码算法包括四方向和八方向两种，本文引入顺时针八向链码算法技术，旨在记录电子地图中农村公路的路线线形特征，从而更精确地比对待入库的农村公路线形是否符合技术规范。顺时针八向链码算法按顺时针顺序沿着区域边界像素依次遍历八个方向，即东、东北、北、西北、西、西南、南、东南方向，分别用数字0~7表示对应的角度0°、45°、90°、135°、180°、225°、270°和315°。具体实现时，从中心编码点出发，以数字0方向为起始点，依次扫描该中心点的8个邻域像素，如图1所示。
在农村公路电子地图中使用链码描述路线线形的具体实现方法为：以路线起点为初始位置，沿顺时针方向依次跟踪线形的几何形态，并在步长范围内记录各线形的方向值。通过这一过程，生成能表征路线线形特征的链码值。对于八向链码，奇数码和偶数码对应的线段长度不同：偶数码的单位长度为1，奇数码的单位长度为 （≈1.414）。如果取样网格的最小单元是四边形，则通过逐点遍历曲线生成的八向链码如图2所示。
在农村公路电子地图中，路线线形的链码表示方法以路线线形起点为初始位置，沿顺时针方向获取步长为L的线形走向，并记录对应的方向代码，进而形成表示该路线线形的编码序列，此序列称为原链码。原链码具有平移不变性，即在平移过程中方向码保持不变。基于此特性，可通过将链码视为方向码的循环序列，并重新定义路线线形的起点，使生成的数字序列幅值最小化，从而实现链码的归一化处理。这样得到的起点唯一的链码称为归一化链码，也称规格化链码。归一化链码解决了由于起点坐标不同而引起的编码差异问题，既保持平移不变性，又具备唯一性，但其不具有旋转不变性。为获取具有旋转不变性的链码，可利用链码的一阶差分进行归一化旋转，链码差分通过计算方向变化的次数得出。若将链码视为一个循环序列，并相对于路线线形起点进行归一化处理，则一阶差分的第一个元素可通过链码的最后一个分量和第一个分量之间的过渡计算得到。通过这种归一化差分链码方法，不仅确保了农村公路路线线形具备平移和旋转不变性，而且还可通过调整重取样网格的间距实现路线线形长度的归一化，从而为路线线形的标准化描述提供一种高效且准确的方法。
2 基于链码技术的农村公路电子地图线形比对与筛选算法模型
为应对现有技术方法在处理农村地区复杂地形时面临的遥感影像精度参差不齐和准确性欠佳的问题，本文提出了一种基于链码技术的农村公路电子地图线形比对与筛选算法模型。通过选取典型区县的数据，对模型进行针对性的训练，并在此过程中优化模型参数，进而完成模型构建。
2.1 算法模型设计思路
该算法模型以行政区域为基本计算单元，其运算基础为上年度已符合技术规范的数据。设计思路为：首先，构建农村公路电子地图路线线形算法模型，通过将本年度待入库的农村公路线形数据与上年度数据进行比对和筛选，最终形成未变更、新改建以及变更拟入库的农村公路电子地图线形数据集，其中未变更的数据因其与上年度数据的一致性直接认定为符合技术规范。其次，运用卷积神经网络算法[16]从可获取的最新遥感影像数据中识别并提取公路线形，再与新改建和变更拟入库的数据集进行比对和筛选。最后，将筛选出的满足比对条件的数据集认定为符合技术规范，其他数据集则赋予相应的评价值。
2.2 算法模型参数定义
定义1：系统坐标系，设原点为屏幕左上角，x轴由左向右，y轴由上向下。令上年度农村公路电子地图路线对应线形起点为A，终点为B；待入库的农村公路路线线形起点为A′，终点为B′。
定义2：令待入库的农村公路线形为M，长度为DM；上年度农村公路电子地图数据对应的真实线形为T，长度为DT，则待入库的农村公路线形走向为MA′→MB′，上年度农村公路电子地图数据对应的真实线形走向为TA→TB。
定义3：通过链码算法获取的线形走向称为线形特征F，则待入库的农村公路路线线形特征为FM，上年度农村公路电子地图数据对应的真实线形特征为FT。
2.3 算法核心步骤
算法模型的核心在于如何利用链码技术准确地将上年度电子地图数据与待入库的农村公路路线线形进行匹配，从而快速实现线形筛选。链码技术比对筛选的基本步骤如下：
Step1：起讫点匹配。对上年度和待入库的线形数据的起讫点进行匹配。
Step2：基于链码的线形特征提取。运用链码算法，从上年度和待入库的农村公路线形数据中提取线形特征，如拐点、方向变化等。
Step3：线形匹配。通过比较不同时间维度的公路路线线形特征，实现线形的精确匹配。
Step4：阈值（容限值）设定与筛选。基于不同时间维度的公路路线线形特征差异来设定阈值，用以判断线形是否符合技术规范。基于阈值和差异分析结果，再次与识别提取的公路线形进行比对筛选，若满足容限值范围要求，则线形符合技术规范；若不满足，则对其进行影像评价。
关键步骤的流程化决策如图3所示。
2.4 算法模型构建
在构建模型时，需确定各参数之间的关系及其值域，并针对不同区域的地形环境选定合适的容限值。为此，在全国范围内选取了东部、中部和西部3个区域中的典型区县的农村公路线形数据进行模型训练。东部选择了河北省唐山市丰润区和江苏省常州市金坛区，中部选择了河南省开封市兰考县，西部选择了重庆市大足区，相应区县的面积及其范围内农村公路里程数据如表1所示。训练模型区域的选择，不仅考虑了地理位置，还兼顾了数据质量和多样性，以此确保模型在不同地理环境下都具备良好的适应性。在模型训练过程中，对各区域的算法参数进行精细调整，使其能够适应不同区域的特点与需求，进而使模型能够更精准地应对不同地理环境和应用场景，提升其在全国范围内的应用效果。
表1 典型区县的区域面积和农村公路里程数据表 |
| 典型 区县 | 区域 | 区域面积 /km2 | 农村公路里程 /km |
|---|---|---|---|
| 丰润区 | 东部 | 1 216 | 1 984 |
| 金坛区 | 东部 | 976 | 1 988 |
| 兰考县 | 中部 | 1 116 | 1 576 |
| 大足区 | 西部 | 1 399 | 3 458 |
2.4.1 识别遥感影像的公路线形
首先将待入库的农村公路路线线形数据与上年度相应数据加载至同一工作空间，并进行统一比例尺的标准化处理。由于上年度数据已符合技术规范的预设条件，本研究采用链码线形比对与筛选算法对待入库线形数据集进行分析。对于处于阈值集合范围内的线形数据，认定未发生变更的路线线形同样符合技术规范；而对于不在阈值集合范围内的线形数据集，则需进行进一步的分析与处理。
为提升后续处理效率，本文对遥感影像数据进行分级切片处理。具体而言，对待入库的农村公路线形数据与遥感影像切片数据进行空间缓冲拓扑分析，仅保留缓冲区内的影像切片数据，剔除容限值外的遥感影像切片数据，这一过程将有效减少待处理的影像切片数据量，进而提升计算效率。随后，将经过筛选的遥感影像切片数据转换为带有坐标信息的TIF格式矢量文件，以便于卷积神经网络算法模型进行后续处理与识别。
对不在阈值集合范围内的线形数据 和遥感影像数据识别的公路线形数据集γ，应用链码线形比对与筛选算法进行逐一匹配比对，对满足阈值集合范围内的线形数据，认定为已达到技术规范要求；对未在阈值集合范围内的线形数据集 ，再逐一与遥感影像识别的公路面状电子地图数据集 进行分析，求得集合 内每条路线落入集合 内的长度占自身长度的比值ϑ，将其作为此路线在遥感影像上的评价值。
2.4.2 起讫点匹配
上年度农村公路电子地图包含了区域范围内的连续路网数据（如图4（a）所示），本算法主要确定上年度农村公路电子地图数据起点TA的位置。首先遍历待入库的农村公路线形数据，通过空间缓冲拓扑分析以对应上年度路线起点TA。
通常情况下，待入库的农村公路路线线形（M）与真实线形（T）存在一定空间偏移量。设定一个搜索阈值r，以A′ 为圆心、r为半径绘制圆C，T在圆C内的所有n个像素点均视为TA的候选点，构成集合 ，如图5中圆C内的红色线段所示。
设定搜索步长参数L，以像素为单位对农村公路基础数据集PA实施全要素遍历处理，应用链码分别计算pi（ ）处步长L的线形特征 和M起点A′的特征 。
若 = （ ），即pi处步长L的线形特征与M中A′起点处相同，则认为pi可作为对应M的T线形TA起点。
在计算能力允许的情况下，可适当减小 的值，在确保满足 的条件下，提升匹配的准确率。
2.4.3 线形比对与筛选
基于特定步长，计算待入库的农村公路线形起点与上年度农村公路电子地图数据起点线形的特征矩阵，以进行精确比对和有效筛选。
式（1）中：L为区域内通过链码计算的线形长度；Fr为基于像素通过链码计算的路线长度， ；K为像素坐标与实地坐标的转换系数；s为线形步长总数。
采用链码追踪技术对待入库的农村公路线形特征值进行处理，按照需要编码的像素点邻接方向的个数，以八向链码按顺时针方向进行编码。
以 为起点，设M的长度为 个像素，使用链码计算FM，记单步特征矩阵为 ，k∈(1, 2,⋯, m)。
以TA为起点，设T的长度为 个像素，使用链码计算FT，记单步特征矩阵为 , 。
通过比较待入库的路线线形与上年度已入库农村公路数据的特征矩阵，计算两条线形的匹配率。若匹配率在阈值范围内，则判定该条上报线形无变更。
设阈值 ，若：
① ，即 与 长度相同， 时，
式（2）中： 为待入库的农村公路路线长度； 为上年度农村公路路线长度，其中 ；E为平原、微丘和山丘等不同地形的系数。若 ，则 与 相匹配；若 ，则 与 不匹配。
② ，即 与 长度不同时：
式（3）代表待入库的农村公路线形经过比对及筛选算法符合技术规范要求。式（4）代表待入库的农村公路线形超出了阈值，需应用遥感影像提取的公路线形链码特征再次比对。根据模型训练的结果， 取值为0.87，E的值平原地区为1.0、微丘地区为1.06、山丘地区为1.12。
2.4.4 影像评价
针对两次比对均超出阈值的待入库农村公路路线线形数据，需进一步开展影像评价工作。线形数据以 为起点，设 的长度为 个像素，则待入库农村公路路线线形数据的像素集合为 。通过空间缓冲区分析，计算 落入集合 的值，其中 为卷积神经网络算法识别的遥感影像数据中公路的像素集合。
式（5）中：ϑ为待入库农村公路电子地图的影像评价值；τ为不同区域内遥感影像识别精度系数。由于不同地形条件下遥感影像数据的公路识别质量存在显著差异，综合考虑遥感影像质量因素和模型训练结果，将东、中、西部τ取值分别设定为0.98、0.93和0.81。
参考年度新改建农村公路比率值，若ϑ值大于0.85时，认为待入库的电子地图线形基本准确，逐一排查后，确因遥感影像上植被、建筑物等遮挡导致，将其纳入满足技术规范的数据集，反之则不满足技术规范要求；若ϑ值小于0.85，则需进行现场复核，并根据复核结果进行修改或情况说明后入库。
3 模型评价
为验证与评估算法模型的计算效率及准确度，选用2023年全国农村公路路线线形数据（作为待入库数据），与2022年全国农村公路数据（作为上年度数据）进行比对和筛选。在研究过程中，分别采用传统的“全重叠”算法以及本文提出的基于链码的线形比对与筛选算法对数据进行处理，以评估两种算法的差异。
本研究以高分二号、北京二号、吉林一号等遥感影像数据为主，互联网影像数据为补充，拼接形成了不同时段、不同精度的遥感影像数据集。之后对这些遥感影像数据按256×256像素尺寸进行切片处理，共生成15 327.8万张切片数据。
将2023年度待入库的农村公路电子地图线形数据叠加至遥感影像切片数据上，进行半径为3 km的缓冲区分析，去除缓冲区外的遥感影像切片数据。经此操作，过滤掉78.1%位于缓冲区外的影像切片数据，保留了3 356.7万张切片数据文件。然后，按照算法模型的后续步骤，依次进行起讫点匹配、线形比对和筛选，部分计算结果如图6所示。其中，蓝色线形代表通过比对筛选可直接入库的农村公路数据，红色线形则表示超过阈值需进一步复核的线形数据。最终，可以得到2023年度路线线形数据的匹配率。
作为对比，对同一组数据应用“全重叠”算法进行处理。对比发现，在资源消耗方面，传统“全重叠”算法在3台配备i9处理器（3.4Ghz）、32G内存和1块VPX GPU卡的桌面服务器上并行匹配，资源利用率基本达到93%、GPU使用率为17%；同样在这3台服务器上执行基于链码的线形比对与筛选算法时，资源利用率降至87%、GPU使用率升高至93%。两种算法的处理效果数据如表2所示。
表2 “全重叠”算法与基于链码的线形比对与筛选算法处理效果 |
| 区域 | 面积 /km2 | 农村公路里程 /km | “全重叠”比对 | 链码的线形比对与筛选 | ||||
|---|---|---|---|---|---|---|---|---|
| 比对时间 /min | 识别率 (%) | 准确率 (%) | 比对时间 /min | 识别率 (%) | 准确率 (%) | |||
| 全国 | 9600 000 | 4598 585 | 112 225.3 | 64.5 | 95.7 | 31 335.5 | 90.6 | 97.3 |
通过对比可知，相较于传统的“全重叠”方法，基于链码技术的线形比对与筛选算法在保持较高精度的同时，显著降低了资源消耗，提高了处理效率。具体为：①效率大幅提升，比对时间由112 225.3 min缩短至31 335.5 min，效率提升约72.1%，能更好地满足大规模数据处理的需求；②识别率显著提升，农村公路路线线形识别率由64.5%提升至90.6%；③准确性进一步增强，通过结合遥感影像和链码技术，使得路线线形比对的准确率由95.7%提升至97.3%。在2023年度农村公路基础设施数据更新的实践过程中，该算法完成了全国459.9万km农村公路的精准化比对与筛选工作，且适用于各种不同地形下的农村公路电子地图数据更新，有效提升了数据入库的效率和精准度，为农村公路基础数据入库提供了有力的技术支撑。然而，在利用遥感影像识别农村公路过程中，有以下3方面因素影响识别算法模型的准确性。
1）遥感影像数据的分辨率。因全国仍有230.1万km的农村公路路面宽度小于或等于4 m，当影像的分辨率低于2 m时，农村公路在遥感影像上仅有不超过2个像素。即使采用融合补偿的算法来提升识别率，识别率也仅能达到61.3%。
2）不同地理条件。在沙漠或黄土高原等地，具有沥青或水泥路面的农村公路较少，此时无论增加多少训练样本来提升农村公路在遥感影像上的识别效果，都难以显著提升识别农村公路线形的技术精度。在现有卷积神经网络架构下，算法模型只能达到68.6%的识别率。
3）公路的被遮挡程度。若遥感影像中农村公路被周边建筑物或植被等遮挡，会降低农村公路的识别率。在此情况下，算法能在1 km范围内补充被遮挡的农村公路，但若要补偿更远的路线，就会降低公路路线的识别率。
4 结束语
本文提出了一种基于链码技术的线形比对与筛选模型。在农村公路电子地图数据校核过程中，创新性地引入该技术，并设计了线形比对与筛选算法模型。随后，在典型区县对模型进行训练，确定了模型的关键参数和阈值，将其应用于全国2023年农村公路基础数据更新工作。结果表明，本文提出的算法模型可大幅提升比对效率，显著提高识别率和路线线形比对的准确率。当前，本文提出的算法模型仅考虑了在后期路线线形比对过程中的应用。接下来，在农村公路路线线形轻量化采集过程中，将重点基于本文的研究方法，实现路线线形的实时比对与筛选，进一步提升路线线形的比对效率及准确性。
