曹帆之,朱述龍，朱寶山，李潤生，孟偉燦

信息工程大學地理空間信息學院，河南 鄭州 450000

?

均值漂移與卡爾曼濾波相結合的遙感影像道路中心線追蹤算法

曹帆之,朱述龍，朱寶山，李潤生，孟偉燦

信息工程大學地理空間信息學院，河南 鄭州 450000

Foundation support： The National Natural Science Foundation of China (No. 41401462)

摘要：基于模板匹配的道路追蹤方法是道路提取中較實用的一類方法，但傳統(tǒng)模板匹配方法主要以相關系數(shù)作為相似性測度，對車輛、樹蔭等遮擋敏感，不適用于高分辨率遙感影像道路提取。針對這一問題，本文采用一種穩(wěn)健的相似性測度，設計了一種基于均值漂移的道路中心點匹配算法，克服了傳統(tǒng)模板匹配對遮擋敏感的缺點；然后運用卡爾曼濾波，實現(xiàn)高分辨率遙感影像道路中心線追蹤。試驗表明，該方法能夠準確提取高分辨率遙感影像道路中心線，對車輛、樹蔭等遮擋具有穩(wěn)健性。

關鍵詞：高分辨率遙感影像；道路提??；道路中心線追蹤；模板匹配；均值漂移；卡爾曼濾波

從遙感影像上自動提取道路是地理信息系統(tǒng)(GIS)快速獲取和更新道路數(shù)據(jù)的一種有效途徑。隨著高分辨率遙感技術的快速發(fā)展，在高分辨率遙感影像上提取道路成為近年的研究熱點[1-6]。在高分辨遙感影像上，道路兩側的樹木陰影、路面上行駛的汽車等都會對道路提取產(chǎn)生不利影響，如何濾除這些不利影響是高分辨率影像道路提取的關鍵。

目前遙感影像道路提取方法按自動化程度可分為全自動提取和半自動提取[7]。全自動提取雖然經(jīng)過多年的研究，但仍未取得突破性的進展[8]?，F(xiàn)有的全自動算法穩(wěn)健性差，提取結果需要大量人工后處理，效果不理想，因此采用人機交互方式的半自動提取是當前更好的選擇[9]。在各種半自動提取方法中，基于模板匹配的方法被認為是更實用的一類方法[10]。但傳統(tǒng)的模板匹配方法主要采用相關系數(shù)作為相似性測度[11]，因此對遮擋敏感，穩(wěn)健性差，當路面上出現(xiàn)樹蔭、車輛時會產(chǎn)生較大的匹配誤差，不適用于高分辨率遙感影像道路提取。針對這一問題，國內(nèi)外的學者提出了各種方法。這些方法主要通過引入幾何約束條件[12]、運用貝葉斯濾波[13-14]或神經(jīng)網(wǎng)絡[15]等方式來優(yōu)化匹配結果，提高道路追蹤的穩(wěn)健性，取得了一定的效果，但這些方法并沒有從本質(zhì)上解決模板匹配對遮擋敏感的問題。

通過分析傳統(tǒng)模板匹配對遮擋敏感的原因，本文設計了一種基于均值漂移的道路中心點匹配算法。

1基于均值漂移的道路中心點匹配

本文設計了一種基于均值漂移的道路中心點匹配算法，該算法采用一種穩(wěn)健的概率相似性測度，能夠在目標區(qū)域內(nèi)根據(jù)道路中心點模板尋找相似度最大點，作為道路中心點，對遮擋不敏感。

1.1核密度估計

核密度估計[16]是在概率論中用來估計未知的概率密度函數(shù)，是一種非參數(shù)估計方法。假定n個數(shù)據(jù)點xi,i=1,2，…,n在d維空間Rd，核密度估計采用如下形式

(1)

(2)

1.2概率相似性測度

相關系數(shù)是匹配算法中常用的相似性測度，但對粗差敏感，這導致很多道路追蹤算法對車輛、樹蔭敏感，穩(wěn)健性差。本文采用概率相似性測度[17]，這種相似性測度對粗差具有穩(wěn)健性，具體計算方式如下：

(3)

式中，K(x)為高斯核函數(shù)。相似性測度公式(3)的實質(zhì)是利用式(1)計算對象y的每一個樣本點在對象x中的概率密度估值，再將它們的平均值作為對象y與對象x的相似度，可以直觀地理解為計算對象y是對象x的概率。相似性測度公式(3)由于使用了核函數(shù)，因而能夠有效地限制粗差的影響。

1.3均值漂移算法

均值漂移算法是一種步長自適應的梯度上升算法[18-20]，能夠快速地收斂于d維空間內(nèi)一系列離散點對應的概率密度函數(shù)的局部極值。均值漂移向量的標準形式為

(4)

式中，m(x)為x處的均值漂移向量；K(x)為核函數(shù)；W(x)為權函數(shù)；S為樣本點集，s為樣本點。

1.4道路中心點匹配的計算過程

道路中心點匹配的基本過程為：首先，給定一個道路中心點模板和一個匹配初始點；然后，算法以匹配初始點為中心建立目標區(qū)域；最后，利用均值漂移算法尋找目標區(qū)域內(nèi)相似度最大的點，作為道路中心點。計算過程如下所示。

(5)

式中，K(x)和W(x)都為高斯核函數(shù)。

令初始點與道路中心點的相似度函數(shù)為

l(y0)=lnJ(y0)

(6)

l(y0)=J(y0)/J(y0)

而

x0-y0

(7)

y0j+1=y0j+L(y0j)

(8)

圖1　道路中心點匹配試驗Fig 1　Experiment of road center matching

在圖1(a)所示的匹配過程中，匹配初始點y0移動的步長與次數(shù)的關系如圖1(c)所示。從圖1(c)可以看出，初始點距離道路中心點較遠時(移動次數(shù)小于16)，移動步長較大，隨著初始點越來越接近道路中心點(移動次數(shù)超過16次)，移動步長迅速遞減并趨于零，初始點y0最終收斂于道路中心點。

2結合卡爾曼濾波的道路中心線追蹤

基于均值漂移的道路中心點匹配算法充分利用道路中心點模板信息和目標區(qū)域內(nèi)的樣本信息來尋找道路中心點，對車輛和樹蔭等遮擋具有穩(wěn)健性，但沒有考慮道路中心點的先驗信息。因此，為了進一步提高道路中心線追蹤的穩(wěn)健性，本文在道路中心點匹配算法的基礎上結合卡爾曼濾波， 利用卡爾曼濾波的預測過程給道路中心點匹配算法提供匹配初始點，而匹配得到的道路中心點作為卡爾曼濾波的觀測值，進而迭代追蹤道路中心線。具體流程如圖2所示。

(9)

由式(9)可知，狀態(tài)預測過程不屬于線性過程，需要使用擴展卡爾曼濾波[21]。預測狀態(tài)向量的協(xié)方差矩陣為

(10)

式中，Φt+dt表示狀態(tài)方程線性化后的系數(shù)矩陣；Qt+dt表示系統(tǒng)噪聲的協(xié)方差矩陣。在預測過程之后，則利用道路中心點匹配算法獲取觀測值，即

(11)

式中，φt+dt表示t+dt處的道路方向觀測值，可由道路中心點坐標觀測值和上一狀態(tài)的中心點坐標估值計算得到。則觀測方程為

(12)

式中，zt+dt表示t+dt處的狀態(tài)向量。那么t+dt處的狀態(tài)向量估值為

(13)

式中，Kt+dt為卡爾曼濾波增益，計算公式為

(14)

式中，Rt+dt為觀測值的協(xié)方差矩陣。

圖2　道路中心線追蹤流程圖Fig.2　Flow chart of road centerline tracking

由式(14)可知，系統(tǒng)誤差的協(xié)方差Q和觀測值的協(xié)方差R在卡爾曼濾波中發(fā)揮著非常重要的作用。在本文中，系統(tǒng)誤差主要由實際道路的曲率決定，因而系統(tǒng)誤差的協(xié)方差Q應根據(jù)實際道路曲率而定。對于觀測值協(xié)方差R的確定，采用如下自適應策略：在每匹配一個道路中心點之后，算法將利用式(5)計算匹配點與道路中心點的相似度，根據(jù)相似性實時確定R，同時還結合道路中心線應為光滑曲線這一特征，即如果觀測值中的方向與上一個道路方向估值的差值超過閾值，則增大R。

最后，利用式(9)—式(14)迭代追蹤高分辨率遙感影像上的道路中心線。

3試驗與分析

本文設計了4組試驗：第1組試驗驗證概率相似性測度的穩(wěn)健性；第2組試驗測試本文的道路中心點匹配算法的性能；第3組試驗驗證卡爾曼濾波的優(yōu)化作用；第4組試驗為高分辨率遙感影像道路中心線追蹤試驗。試驗數(shù)據(jù)采用QuickBird影像。

3.1相似性測度的穩(wěn)健性測試

試驗將本文所使用的相似性測度與相關系數(shù)對比，驗證本文的相似性測度的穩(wěn)健性，具體如下。

(1) 試驗1。對目標旋轉(zhuǎn)的穩(wěn)健性測試。圖3(a)為目標模板，圖3(b)、(c)為待匹配圖像。由圖3(b)、圖3(c)可知，待匹配圖像相對目標模板發(fā)生了25°的旋轉(zhuǎn)。試驗運用兩種相似性測度逐像素的計算待匹配圖像內(nèi)每一個位置與目標模板的相似度，然后選取相似度最大的點作為最佳匹配點。結果如圖3所示。

圖3　穩(wěn)健性測試1Fig.3　Robustness test 1

(2) 試驗2。對遮擋的穩(wěn)健性測試。圖4(a)為目標模板，圖4(b)、4(c)為待匹配圖像，其中待匹配圖像中的白色區(qū)域為遮擋，灰度值為255。過程與試驗1相同，結果如圖4所示。

圖4　穩(wěn)健性試驗2Fig.4　Robustness test 2

由圖3、4可知，當目標旋轉(zhuǎn)或被遮擋時，相關系數(shù)無法準確度量出目標的真實位置，而本文所

使用的相似度不受目標旋轉(zhuǎn)、遮擋的影響，準確度量出目標的位置。因此，由本組試驗可知，本文所使用的相似性測度比相關系數(shù)更穩(wěn)健。

3.2道路中心點匹配試驗

(1) 試驗3。測試基于均值漂移的道路中心點匹配算法對車輛、樹蔭等遮擋的穩(wěn)健性。試驗3在各種存在遮擋的道路場景中進行單個道路中心點匹配試驗。試驗中，先由人工給定道路中心點模板和一個匹配初始點，然后算法在以初始點為中心的目標區(qū)域內(nèi)匹配道路中心點，結果如圖5所示。

從圖5(a)—圖5(e)可以看出，基于均值漂移的道路中心點匹配算法對車輛遮擋具有很強的穩(wěn)健性。而當?shù)缆反嬖谛∶娣e樹蔭遮擋時，本文的道路中心點匹配算法能準確匹配出道路中心點，如圖5(f)-圖5(h)所示。但當?shù)缆反嬖诖竺娣e樹蔭遮擋時，道路中心點匹配算法出現(xiàn)誤匹配，產(chǎn)生較大的匹配誤差，如圖5(l)、圖5(m)所示。針對這些誤匹配點，本文將在后續(xù)部分使用卡爾曼濾波對其進行修正。

圖5　單個道路中心點匹配結果Fig.5　Results of matching single road center

(2) 試驗4。將基于均值漂移的道路中心點匹配算法與經(jīng)典的相關系數(shù)模板匹配進行對比。試驗中，使用同一模板，分別利用兩種匹配算法對一幅存在汽車遮擋的道路影像進行中心線追蹤，具體過程為:首先，以道路中心線上一點為中心定義模板窗口，并將這一點作為道路中心線追蹤的起始點；然后，根據(jù)起始點和道路方向預測下個道路中心點的初始位置；接著，在道路中心點初始位置運用匹配算法匹配道路中心點，并利用匹配得到的道路中心點繼續(xù)預測下個道路中心點的初始位置；最后，重復前述過程，提取道路中心線?？蚣転榈缆分行狞c模板，試驗結果如圖6所示。

圖6　基于均值漂移的道路中心點匹配與相關系數(shù)匹配的對比試驗Fig.6　Comparison between the mean shift based road center matching algorithm and correlation coefficient matching

由圖6(b)可知，利用本文的道路中心點匹配算法能夠準確提取道路中心線，對車輛遮擋具有穩(wěn)健性。對比圖6(a)可知，兩種匹配算法在沒有車輛遮擋的路段上都能準確匹配出道路中心點，但當路面出現(xiàn)車輛時，相關系數(shù)匹配受車輛的影響會產(chǎn)生較大的匹配誤差。而基于均值漂移的道路中心點匹配算法能夠排除車輛的影響，準確匹配道路中心點。

3.3卡爾曼濾波優(yōu)化試驗

試驗5，目的是為了驗證卡爾曼濾波對道路中心點匹配算法的優(yōu)化作用。試驗過程為：①單獨利用基于均值漂移的道路中心點匹配算法對兩幅存在樹蔭遮擋的道路影像進行中心線追蹤；②將基于均值漂移的道路中心點匹配算法與卡爾曼濾波結合對同樣兩幅影像進行道路中心線追蹤。本文使用中心線提取的位置偏差作為精度衡量指標[3]，道路中心線提取和精度統(tǒng)計結果分別如圖7和表1所示。

由圖7(a)可知，僅使用道路中心點匹配算法提取的道路中心線在樹蔭遮擋路段明顯偏離了實際道路中心線，存在較大匹配誤差；而在圖7(b)中，在原有的道路中心點匹配算法基礎上結合卡爾曼濾波后，修正了在樹蔭遮擋路段的誤匹配。在圖7(c)中，僅使用道路中心點匹配算法提取的道路中心線受大面積樹蔭的影響出現(xiàn)一定的波動；而在圖7(d)中，在結合卡爾曼濾波后算法有效地排除了樹蔭的影響。由表1可知，在結合卡爾曼濾波后道路中心線的提取精度得到顯著提高。

圖7　卡爾曼濾波優(yōu)化試驗Fig.7　Tests for optimization of Kalman filtering

像素

由本試驗可知，卡爾曼濾波能夠有效地修正由道路中心點匹配算法產(chǎn)生的誤匹配，提高道路中心線追蹤的穩(wěn)健性和精度。

3.4道路中心線追蹤試驗

試驗6，選取存在車輛、樹蔭遮擋的道路影像對算法進行測試。試驗道路分為高速公路和鄉(xiāng)村道路，其中高速公路上存在大量的車輛和樹蔭遮擋，在鄉(xiāng)村道路上存在樹枝遮擋。試驗中，需由人工選定道路中心點模板和指定道路初始方向，試驗結果如圖8所示。

從圖8可知，無論是高速公路還是鄉(xiāng)村道路，本文的道路中心線追蹤方法都能夠排除車輛、樹蔭等遮擋的影響，提取道路中心線。因此，本文所提出的道路中心線追蹤方法是一種穩(wěn)健的道路追蹤算法。

圖8　道路中心線追蹤試驗1Fig 8　 Road centerline tracking experiment 1

圖9　道路中心線追蹤試驗2Fig.9　Road centerline tracking experiment 2

為了進一步測試算法的性能，試驗7選取尺寸為2428×2504像素的影像進行試驗。影像中有兩條相交的道路，總長約為3 km，路面上存在較多車輛、樹蔭遮擋。試驗采用人機交互的方式，由人工輸入一系列種子點，算法以第一個種子點為起始點，根據(jù)當前種子點和下一個種子點計算道路初始方向，追蹤至下一個種子點時更換道路中心點模板，如圖9所示。圖9(c)中的黑色框架為道路中心點模板。試驗7中，人工總共輸入6個種子點，算法共提取1283個道路中心點，提取的道路中心點的最大位置偏差為4像素，平均位置偏差為1.0像素，位置偏差的中誤差為0.8像素，如圖9所示。由圖9(b)可知，本文提出的道路追蹤算法能夠排除車輛、樹蔭的干擾，準確提取道路中心線。當?shù)缆芬粋瘸霈F(xiàn)分岔口時，算法能夠不受分岔口影響，繼續(xù)按原先道路方向追蹤，而當?shù)缆稟追蹤完畢后，再由人工重新輸入種子點，更換模板，追蹤道路B，如圖9(c)所示。本文算法運用卡爾曼濾波，結合道路先驗信息，因此能夠適應道路寬度發(fā)生短暫變化的情況，如圖9(d)所示。

4結論

本文提出了一種基于均值漂移和卡爾曼濾波的高分辨率遙感影像道路中心線追蹤方法。該方法是一種對車輛、樹蔭等遮擋穩(wěn)健的模板匹配方法，首先利用概率相似性測度和均值漂移算法設計了一種穩(wěn)健的道路中心點匹配算法，取代了傳統(tǒng)追蹤算法中常用的相關系數(shù)匹配；然后結合卡爾曼濾波實現(xiàn)道路中心線的追蹤。試驗表明，該方法能夠排除車輛、樹蔭遮擋的影響并能適應道路一側存在分岔口的情況，對高分辨率道路影像取得較好的效果。但該方法只適用于道路存在明顯邊緣的道路影像，對道路形態(tài)的一致性有一定的要求，同時目前仍需人工提供道路中心點模板，且每次只能提取模板所在的道路。因此為了提高方法的自動化程度，下一步將研究模板的自動選取和更新。

參考文獻：

[1]史文中, 朱長青, 王昱. 從遙感影像提取道路特征的方法綜述與展望[J]. 測繪學報, 2001, 30(3): 257-262.

SHI Wenzhong, ZHU Changqing, WANG Yu. Road Feature Extraction from Remotely Sensed Image: Review and Prospects[J]. Acta Geodaetica et Cartographica Sinica, 2001, 30(3): 257-262.

[2]周紹光, 陳超, 岳建平. 形狀先驗和圖割的高分辨率遙感影像道路段提取[J]. 測繪學報, 2014, 43(1): 60-65.

ZHOU Shaoguang, CHEN Chao, YUE Jianping. Extracting Roads from High-resolution RS Images Based on Shape Priors and Graph Cuts[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(1): 60-65.

[3]傅罡, 趙紅蕊, 李聰, 等. 曲折道路遙感影像圓投影匹配改進追蹤法[J]. 測繪學報, 2014, 43(7): 724-730, 738.

FU Gang, ZHAO Hongrui, Li Cong, et al. A Method by Improved Circular Projection Matching of Tracking Twisty Road from Remote Sensing Imagery[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(7): 724-730, 738.

[4]李怡靜, 胡翔云, 張劍清, 等. 影像與LiDAR數(shù)據(jù)信息融合復雜場景下的道路自動提取[J]. 測繪學報, 2012, 41(6): 870-876.

LI Yijing, HU Xiangyun, ZHANG Jiangqing, et al. Automatic Road Extraction in Complex Scenes Based on Information Fusion from LiDAR Data and Remote Sensing Imagery[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(6): 870-876.

[5]李曉峰, 張樹清, 韓富偉, 等. 基于多重信息融合的高分辨率遙感影像道路信息提取[J]. 測繪學報, 2008, 37(2): 178-184.

LI Xiaofeng, ZHANG Shuqing, HAN Fuwei, et al. Road Extraction from High-resolution Remote Sensing Images Based on Multiple Information Fusion[J]. Acta Geodaetica et Cartographica Sinica, 2008, 37(2): 178-184.

[6]雷小奇, 王衛(wèi)星, 賴均. 一種基于形狀特征進行高分辨率遙感影像道路提取方法[J]. 測繪學報, 2009, 38(5): 457-465.

LEI Xiaoqi, WANG Weixing, LAI Jun. A Method of Road Extraction from High-resolution Remote Sensing Images Based on Shape Features[J]. Acta Geodaetica et Cartographica Sinica, 2009, 38(5): 457-465.

[7]MENA J B. State of the Art on Automatic Road Extraction for GIS Update: A Novel Classification[J]. Pattern Recognition Letters, 2003, 24(16): 3037-3058.

[8]DAS S, MIRNALINEE T T, VARGHESE K. Use of Salient Features for the Design of a Multistage Framework to Extract Roads from High-resolution Multispectral Satellite Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(10): 3906-3931.

[9]MIAO Zelang, WANG Bin, SHI Wenzhi, et al. A Semi-automatic Method for Road Centerline Extraction from VHR Images[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(11): 1856-1860.

[10]林祥國, 張繼賢, 李海濤, 等. 基于T型模板匹配半自動提取高分辨率遙感影像帶狀道路[J]. 武漢大學學報(信息科學版), 2009, 34(3): 293-296.

LIN Xiangguo, ZHANG Jixian, LI Haitao, et al. Semi-automatic Extraction of Ribbon Road from High Resolution Remotely Sensed Imagery by a T-shaped Template Matching[J]. Geomatics and Information Science of Wuhan University, 2009, 34(3): 293-296.

[11]孟樊, 方圣輝. 利用模板匹配和BSnake算法準自動提取遙感影像面狀道路[J]. 武漢大學學報(信息科學版), 2012, 37(1): 39-42.

MENG Fan, FANG Shenghui. Quasi-automatic Extraction of Zonal Roads from Remote Sensing Images Using Template Matching and BSnake Model[J]. Geomatics and Information Science of Wuhan University, 2012, 37(1): 39-42.

[12]HU Xiangyun, ZHANG Zuxun, TAO C V. A Robust Method for Semi-automatic Extraction of Road Centerlines Using a Piecewise Parabolic Model and Least Square Template Matching[J]. Photogrammetric Engineering & Remote Sensing, 2004, 70(12): 1393-1398.

[13]ZHOU Jun, BISCHOF W F, CAELLI T. Road Tracking in Aerial Images Based on Human-computer Interaction and Bayesian Filtering[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2006, 61(2): 108-124.

[14]VOSSELMAN G, DE KNECHT J. Road Tracing by Profile Matching and Kaiman Filtering[M]∥GRUEN A, Kuebler O, Agouris P. Automatic Extraction of Man-made Objects from Aerial and Space Images. Basel: Birkh?user, 1995: 265-274.

[15]HU Xiangyun, ZHANG Zuxun, ZHANG Jiangqing. An Approach of Semiautomated Road Extraction from Aerial Image Based on Template Matching and Neural Network[J]. International Archives of Photogrammetry and Remote Sensing, 2000, 33(B3): 994-999.

[16]SILVERMAN B W. Density Estimation for Statistics and Data Analysis[M]. London: Chapman and Hall, 1986.

[17]YANG Changjiang, DURAISWAMI R, DAVIS L. Efficient Mean-Shift Tracking via a New Similarity Measure[C]∥Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Diego, CA: IEEE, 2005, 1: 176-183.

[18]CHENG Yizong. Mean Shift, Mode Seeking, and Clustering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1995, 17(8): 790-799.

[19]張劍清, 劉朋飛, 王華, 等. 利用Meanshift進行道路提取[J]. 武漢大學學報(信息科學版), 2010, 35(6): 719-722.

ZHANG Jianqing, LIU Pengfei, WANG Hua, et al. Semi-automatic Road Extraction with Meanshift Algorithm[J]. Geomatics and Information Science of Wuhan University, 2010, 35(6): 719-722.

[20]COMANICIU D, MEER P. Mean Shift: A Robust Approach toward Feature Space Analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(5): 603-619.

[21]DEAN G C. An Introduction to Kalman Filters[J]. Measurement and Control, 1986, 19(2): 69-73.

(責任編輯：張艷玲)

修回日期： 2015-10-19

Tracking Road Centerlines from Remotely Sensed Imagery Using Mean Shift and Kalman Filtering

CAO Fanzhi,ZHU Shulong,ZHU Baoshan,LI Runsheng,MENG Weican

Institute of Geosgatial Information,Information Engineering University, Zhengzhou 450000, China

Abstract：Road tracking based on template matching is one class of practical methods of road extraction. However, the conventional methods of template matching mainly utilize correlation coefficient as the similarity measure. As a result, these algorithms are sensitive to occlusions caused by vehicles and trees and are unsuitable for road extraction from high-resolution remotely sensed imagery. To address this problem, this paper designs a road center matching algorithm based on mean shift utilizing a robust similarity measure, which overcomes the sensitivity of correlation coefficient matching to occlusions; then Kalman filter is utilized to track road centerlines from high-resolution remotely sensed imagery. Experimental results demonstrate that the proposed method can extract road centerlines from high-resolution remotely sensed imagery accurately and is robust to occlusions caused by vehicles and trees.

Key words：high-resolution remotely sensed imagery; road extraction; road centerline tracking; template matching; mean shift; Kalman filter

基金項目：國家自然科學基金(41401462)

中圖分類號：P237

文獻標識碼：A

文章編號：1001-1595(2016)02-0205-09

作者簡介：第一 鄒文博(1991—)，女，碩士生，研究方向為衛(wèi)星導航及其應用。

收稿日期：2015-03-10

First author： ZOU Wenbo(1991—)，female，postgraduate，majors in GNSS and its applications.

E-mail： zwb@bupt.edu.cn

引文格式：曹帆之,朱述龍，朱寶山,等.均值漂移與卡爾曼濾波相結合的遙感影像道路中心線追蹤算法[J].測繪學報，2016,45(2)：205-212. DOI:10.11947/j.AGCS.2016.20140610.

CAO Fanzhi,ZHU Shulong,ZHU Baoshan,et al.Tracking Road Centerlines from Remotely Sensed Imagery Using Mean Shift and Kalman Filtering[J]. Acta Geodaetica et Cartographica Sinica,2016,45(2):205-212. DOI:10.11947/j.AGCS.2016.20140610.