摘要
矢量数据中的多车道道路由表示同一道路实体的平行线组成，这些道路的提取对于地图更新和制图综合至关重要。提出了一种基于图卷积神经网络的多车道道路模式识别方法，以线段为基础提取特征，构建图卷积神经网络模型对路段进行识别；并基于路段间的连接关系构建一种基于stroke的路段合并方法，将识别出的多车道路合并为一条道路。使用北京市和武汉市OSM的道路数据进行验证，其预测精度在90%以上，并且查全率和查准率分别为92.91%、91.72%和92.72%、88.05%。该方法能够直接在“对象级”提取多车道道路，并且也能够很好地识别出属于悬浮路段的多车道道路。
引用
[1] 赵鹏钰,王家耀,张建辰. 基于图卷积神经网络和线段的多车道道路识别[J/OL]. 测绘科学技术学报, 1-10[2025-12-16]. https://kns.cnki.net/kcms/detail/10.1974.P.20251126.1038.008.html.
引言
多车道道路作为城市的重要道路，是具有特别重要的政治、经济、文化等意义的公路。因此，有必要对这些多车道道路进行检测和表征，以监控、规划和设计交通基础设施；另外，多车道道路提取还为道路网络的制图综合提供了有价值的信息 。在大比例尺地形图制图综合中，道路的选取和化简是路网综合等操作的关键步骤之一，而多车道道路选取和简化的首要步骤便是多车道道路的识别与提取。
基于道路簇和道路网格来识别多车道道路是一种常见的方法 。但是基于道路簇的识别方法需要预先选择一些多车道道路，这会增加许多的提前工作量；并且基于网格的识别方法，特征构建相对复杂，计算起来也较为浪费时间；另外，由于道路尽头的悬挂路段为非闭合区域，不能形成道路网眼，因此无法识别此类道路。
本文提出了一种新的多车道道路检测框架，能够将多车道道路识别出来。该框架基于线段的道路特征提取，并使用GCN从道路网中识别多车道道路。本研究用GCN通过半监督方式学习路段的自身特征和周围特征来检测多车道道路。对于检测为非多车道道路，用单车道道路表示。
主要图表
图1 技术路线
图2 缓冲区建立及路段形状上下文（以灰度图表示）计算
图3 多车道和非多车道道路的路网表示
图4 路段两侧缓冲区示意图
图5 GCN架构
图6 北京市、武汉市主城区道路矢量图
图7 北京市和武汉市多线道路预测结果
图8多车道道路的识别结果
图9 部分识别结果显示
图10 消融实验结果
实验结果表明：平行比对与本实验的精度影响最大，在缺少平行比特征的条件下，识别精度下降了6.5%；其次是弯曲度、曲率、平均转角、形状上下文和折点数。形状上下文对本实验的识别精度影响似乎不如预期，其原因有以下几点：形状上下文会统计目标路段周围大量邻居路段的信息，其中可能包含许多非关键信息或者无用信息；所建立的子缓冲区的个数（本文为24个）可能过多，导致形状上下文特征不够紧凑。另外，本文将路段的邻居特征（平行比+形状上下文）同时剔除时，其识别精度下降比单独剔除两者都要高，说明本文提出的模型在两个邻居特征同时作用下效果最好。
结束语
本文提出了一种基于图卷积神经网络和线段的多车道道路识别方法。该方法通过提取道路的自身特征和邻居特征，将提取到的特征输入图卷积神经网络中进行学习，得到最终的识别结果。通过精度验证和对比分析，得到以下结论：
1)提出的方法能够很好地识别出多车道道路，在较低标签率下能够达到较高的识别精度，在5%标签率下能达到92%-95%的识别精度；并且对于悬挂路段的识别精度也达到了95%以上。
2)通过对比不同模型的实验结果发现，GCN的实验效果要明显高于MLP。这是因为本文采用的图数据结构与路网数据高度匹配，能够直观地反映出道路之间的连接关系。具体而言，在构建图结构时，将邻接矩阵的权重设置为相邻路段距离的倒数，这使得空间上越接近的道路之间具有更大的权重，从而能更有效地聚合邻居节点的信息，很好地反应相邻路段间对彼此的潜在影响。同时，GCN能够进一步将路网中浅层的几何与拓扑结构转化为更深层次的特征表示，从而提升了识别性能。
3)消融实验表明，本文所设计的特征尤其是“平行比”与“形状上下文”的组合，能够有效描述道路的邻居特征，成为识别多车道道路的重要依据。其中，“平行比”参数用于提取多车道道路在视觉上的几何特征，即检测其周围是否存在接近平行的相邻车道。该参数不仅能够直观反映道路结构的平行特性，还具有计算简便的优势，相比其他特征提取方法更为高效。
但由于识别精度并不能达到100%，因此识别出来的多车道道路并不能在地图中连贯的表达，即在一条完整的多车道道路中，可能存在未识别出来的“断路”。因此，未来将研究如何将识别出的不连续的多车道道路连接成一条完整的道路；并且，如何将多双线、3线、甚至4线的车道道路作为整体提取出来，也是本文需要研究的重点。
京公网安备 11010802031220号