Automatic Verification of Road Databases using multiple Road Models

摘要

Diese Arbeit stellt einen neuen Ansatz zur automatischen Verifikation von Straßendatenbanken auf Grundlage von aktuellen Luft- und Satellitenbildern vor. Im Gegensatz zu bereits vorliegenden Forschungsarbeiten ist der neue Ansatz nicht auf spezifische Straßentypen, Kontextbereiche oder geographische Regionen beschränkt. Dies wird primär durch eine Kombination unterschiedlicher Forschungsarbeiten, welche als unabhängige Verifikationsmodule im Gesamtsystem integriert sind, erreicht. Jedes der Module basiert auf einem spezifischen Straßenmodell, deren Anwendbarkeit auf bestimmte Straßentypen, Kontextbereiche oder geographische Regionen beschränkt bleibt, die in Kombination jedoch nahezu Allgemeingültigkeit erreichen. Die nicht modellierten Straßenobjekte werden automatisch erkannt und können somit manuell verifiziert werden. Die Kombination der Modelle basiert auf einer statistischen Auswertung der Ergebnisse aller Module. Hierfür liefert jedes Modul zu jedem Straßenobjekt der zu verifizierenden Datenbank ein aus zwei Teilen bestehendes Ergebnis. Der erste Teil ist eine Wahrscheinlichkeitsverteilung, welche den Zustand eines Straßenobjektes (richtig, falsch) beschreibt. Die zugrunde liegenden Ansätze sind weitgehend aus der Literatur übernommen. Der zweite Teil ist eine Wahrscheinlichkeitsverteilung, welche den Zustand eines Modells (anwendbar, nicht anwendbar) beschreibt. Dieser Teilaspekt ist grundlegend neu und somit ein wichtiger Beitrag der vorliegenden Arbeit. Die Idee dabei ist, dass ein Modell nur genau dann anwendbar ist, wenn alle Modellannahmen bezüglich eines Straßenobjektes im Bild erfüllt sind. Ausgehend von den ursprünglichen Forschungsarbeiten beziehen sich die Annahmen auf das Vorhandensein bestimmter Straßentypen, Kontextbereiche oder geographischer Regionen, aber auch auf die Sichtbarkeit von Merkmalen oder, bei statistischen Ansätzen, auf die Verfügbarkeit von repräsentativen Trainingsdaten. Somit liefern die Module Wahrscheinlichkeiten bezüglich zweier Zustandsräume, welche auf Grundlage der Dempster-Shafer Theorie auf einen neuen Zustandsraum abgebildet werden. Dieser neue Zustandsraum unterscheidet zwischen richtig, falsch und unbekannt. Experimente mit drei realen Straßendatenbanken, welche insgesamt 7742 richtige und 669 fehlerhafte Straßen enthalten, zeigen das Potential des neuen Ansatzes. Dabei stellt sich heraus, dass eine Datenbankqualität von 97.5-100% erreicht wird, wenn alle Straßenobjekte, die als unbekannt oder falsch klassifiziert sind, von einem menschlichen Operateur betrachtet und gegebenenfalls berichtigt werden. Hierbei müssen nur 25-33% aller Straßenobjekte vom Operateur betrachtet werden. Reduziert man den manuellen Aufwand weiter und berücksichtigt nur die maximal 9% der als falsch klassifizierten Straßenobjekte vermindert sich die Datenbankqualität im Durchschnitt nur um ca. 5%. Weitere Experimente auf Grundlage von Benchmark-Datensätzen ordnen den neuen Ansatz wissenschaftlich ein. Die Ergebnisse zeigen, dass der neue Ansatz in allen Testszenen mindestens gleich gute Ergebnisse liefert wie der jeweils beste Ansatz des entsprechenden Benchmark Tests. In zwei der sechs Szenen sind die Ergebnisse mit ca. 25% höherer Vollständigkeit sogar deutlich besser.%In this thesis a new approach for automatic road database verification based on remote sensing images is presented. In contrast to existing approaches, the applicability of the new approach is not restricted to specific road types, context areas or geographic regions. The general applicability of the approach is achieved by combining several state-of-the-art road detection and road verification approaches that can deal well with different road types, context areas and geographic regions. Each road detection or verification approach is realized as an independent module representing a unique road model and a specific processing strategy. All modules provide independent solutions for the verification problem of each road object stored in the database. Statistical reasoning is applied to the outputs of the individual modules in order to find the optimal combined solution. Each module provides a solution consisting of two parts. The first part is a probability distribution with respect to the two possible states of a database object, correct and incorrect. This part is based on the developments of the original state-of-the-art approaches. The second part is a probability distribution with respect to the two states of a particular model, applicable and not applicable. This part is a specific contribution of this thesis. It is always based on an assessment of the assumptions implicitly made for the particular model, and only if all assumptions are fulfilled a model is considered as applicable. In accordance with the original literature, such model assumptions refer to the presence of specific road types, context areas or geographic regions, but also to the visibility of features and the availability of representative training samples in case of statistically defined models. Consequently, each module provides probabilities with respect to two state spaces (correct, incorrect and applicable, not applicable). In accordance with the Dempster-Shafer Theory both probability distributions are mapped to a new state space that includes correct, incorrect and unknown as the possible states of a database object. Combination and classification are realized in the new state space, whose outcome is considered to be the starting point for manual post-processing. Experiments with real cartographic datasets provided by three national mapping agencies, showing 7742 correct and 669 incorrect road objects, are used to reveal the potential and the limitations of the proposed approach. If a human operator investigates all database objects assigned to the states incorrect or unknown and edits them if necessary, a database quality of 97.5-100% is achieved, while the human operator must look at 25-33% of the road objects in the database. If a human operator concentrates only on database objects assigned to the state incorrect, the database quality is reduced by approximately 5%, but the human operator must investigate not more than 9% of the road objects. Additionally, a comparison with other state-of-the-art road detection approaches using benchmark datasets shows that in general the proposed approach provides better results than other state-of-the-art approaches.