CN110688958A - 基于GoogLeNet神经网络的交叉路口识别方法 - Google Patents

基于GoogLeNet神经网络的交叉路口识别方法 Download PDF

Info

Publication number
CN110688958A
CN110688958A CN201910928129.1A CN201910928129A CN110688958A CN 110688958 A CN110688958 A CN 110688958A CN 201910928129 A CN201910928129 A CN 201910928129A CN 110688958 A CN110688958 A CN 110688958A
Authority
CN
China
Prior art keywords
sample
intersection
neural network
complex
length
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910928129.1A
Other languages
English (en)
Inventor
李成名
张鸿刚
武鹏达
刘嗣超
殷勇
吴政
赵占杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Academy of Surveying and Mapping
Original Assignee
Chinese Academy of Surveying and Mapping
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chinese Academy of Surveying and Mapping filed Critical Chinese Academy of Surveying and Mapping
Priority to CN201910928129.1A priority Critical patent/CN110688958A/zh
Publication of CN110688958A publication Critical patent/CN110688958A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于GoogLeNet神经网络的交叉路口识别方法，包括如下步骤：S1、采样：选取全国主要城市的路网数据作为复杂交叉路口样本的采样源；S2、构建Delaunay三角网：对复杂交叉路口进行初定位，初步确定复杂交叉路口中心位置及空间范围；S3、增强样本量：通过样本简化、样本旋转和镜像的方式以增强样本量；本发明通过将机器视觉领域的研究热点GoogLeNet神经网络引入到复杂交叉路口识别中，通过矢量数据与栅格图像相结合的方式，实现了对于OSM数据复杂交叉路口的快速和高质量定位。

Description

基于GoogLeNet神经网络的交叉路口识别方法
技术领域
本发明涉及复杂交叉路口识别相关技术领域，具体为基于GoogLeNet神经网络的交叉路口识别方法。
背景技术
复杂交叉路口是指由多条相互交会的主干道路及匝道、人行道等其他辅助道路连接而成的聚集区域，是路网中的一种典型微观结构，也是路网的一种基本而重要的组成部分。在大比例尺地形图制图综合中，复杂交叉路口的识别是路网选取、简化、典型化等操作的关键步骤之一，然而由于其结构错综复杂，形态变化多样，如何准确的识别路网中复杂交叉路口一直是研究的难点，在过去的几十年里，国内外学者对交叉路口的自动识别进行了大量研究，这些研究中绝大多数都采用“特征抽取、描述、匹配”的思路，即通过归纳总结交叉路口中蕴含的语义、空间结构、拓扑等特征形成识别因子，并据此进行一致性匹配以实现交叉口的自动识别。
但是，现有复杂交叉识别方法中，大多采用基于人工设计特征的识别方法，然而，这种方法对交叉口的识别精度依赖于选取指标的设计，且无法有效区分存在干扰路段的复杂道路交叉结构；且一些采用基于神经网络的识别方法中，对于复杂交叉路口的中心位置定位并不准确，经常出现复杂交叉路口偏离图幅中心的情况，识别出的交叉路口会偏向采样范围的某一侧，从而降低了复杂交叉路口识别的精度及后续应用的便利性，复杂交叉路口局部细节特征丰富，基于AlexNet等层数较低的神经网络，难以准确学习其深层模糊特征，识别模型需要层数更多的卷积神经网络，需要进行改进。
发明内容
本发明的目的在于提供基于GoogLeNet神经网络的交叉路口识别方法，以解决上述背景技术中提到的现有的复杂交叉识别方法中对交叉口的识别精度依赖于选取指标的设计，且无法有效区分存在干扰路段的复杂道路交叉结构，且一些采用基于神经网络的识别方法中，对于复杂交叉路口的中心位置定位并不准确，经常出现复杂交叉路口偏离图幅中心的情况，识别出的交叉路口会偏向采样范围的某一侧，从而降低了复杂交叉路口识别的精度及后续应用的便利性，复杂交叉路口局部细节特征丰富，基于AlexNet等层数较低的神经网络，难以准确学习其深层模糊特征，识别模型需要层数更多的卷积神经网络的问题。
为实现上述目的，本发明提供如下技术方案：基于GoogLeNet神经网络的交叉路口识别方法，其特征在于，包括如下步骤：
S1、采样：选取全国主要城市的路网数据作为复杂交叉路口样本的采样源；
S2、构建Delaunay三角网：对复杂交叉路口进行初定位，初步确定复杂交叉路口中心位置及空间范围；
S3、增强样本量：通过样本简化、样本旋转和镜像的方式以增强样本量；
S4、样本预处理：在用样本训练GoogLeNet神经网络之前，需要对输入的栅格图片进行归一化和去均值处理，归一化处理即将输入的RGB图片A从区间[0,255]归化到区间[0,1]上，对于输入的像素，归一化处理可表示为,表示归一化后其对应的输入值；去均值处理即将归一化后的每一张输入的栅格图片均减去其平均值，之后的输入值位于区间[-0.5,0.5]上，若将归一化后的图片记作，则去均值化后输入，表示去均值化后对应像素的输入值；
S5、样本训练：选取GoogLeNet卷积神经网络进行训练，将初步获取的复杂交叉矢量数据转换为栅格数据作为训练样本集，得到复杂交叉路口识别的卷积神经网络模型；
S6、数据处理：将待识别数据通过训练好的GoogLeNet神经网络进行识别，并最终将识别结果反馈到初始矢量数据中。
优选的，S1中，对于空间跨度大的地图数据而言，除了确定采样矩形的位置外，还需要确定采样范围、样本尺寸和符号大小等参数，以使采集的样本符合人对立交桥的一般性认知规律，即采样的栅格样本在视觉上具有很好的可辨认性。
优选的，S2中，构建Delaunay三角网的具体步骤为：
步骤1：在路网矢量数据中，构建节点-弧段拓扑，并识别关联三个及三个以上弧段的节点；
步骤2：以步骤1中的节点为基础，构建Delaunay三角网，如图9（b）所示；
步骤3：以每一个节点为统计单元，识别其在Delaunay三角网中所关联的每一条边的长度，并计算局部平均长度及长度标准差；
步骤4：重复步骤3，直至所有节点统计完毕，计算局部平均长度及长度标准差的平均值作为全局平均长度及标准差；
步骤5：删除长度大于全局平均长度及标准差之和的各边，得到各个节点所属的聚类簇；
步骤6：计算聚类簇内各个节点的几何中心，并将其作为复杂交叉路口所在中心；
步骤7：计算聚类簇内各个节点到中心点的距离，将最大距离值的两倍作为边长得到最小外接正方形，并将其作为复杂交叉路口覆盖的空间范围。
优选的，S3中，样本简化处理步骤包括：首先，删除样本内部的孤立弧段；其次，识别与道路及样本边界相连接的悬挂弧段，并设置长度剔除阈值，若该悬挂弧段的长度小于或等于长度阈值，则删除这条悬挂弧段；反之，则保留该悬挂弧段，经过大量实验，本发明将长度阈值设置为样本边长长度的二分之一。
优选的，S3中，样本旋转和镜像的处理步骤包括：对复杂交叉路口矢量数据分别旋转90°、180°、270°，增加3倍样本容量；对复杂交叉路口矢量数据分别进行左右和上下镜像处理，增加2倍样本容量。
优选的，S3中，对经过样本简化、样本旋转和镜像操作增强后的样本进行标记和人工筛选，将增强后的样本数据分为训练集和测试集，训练集和测试集中的复杂交叉路口打标签为1，一般交叉路口打标签为0，形成最终样本数据集
本发明提供了基于GoogLeNet神经网络的交叉路口识别方法，具备以下有益效果：
（1）本发明以全国复杂交叉路口为样本源，共获取用于训练和测试的交叉路口数据样本总量大，样本丰富，本发明对路网中复杂交叉路口的查全率和查准率分别达到了91.33%和94.57%，较基于AlexNet网络模型的识别方法分别提高了5.33%和11.43%，识别准确性高。
（2）本发明以偏心度（DOE）作为衡量指标，且本发明获取的识别样本所得DOE较基于AlexNet模型识别方法获取的DOE低27%，表明本发明定位精度更准，抗干扰性更强。
（3）本发明通过将机器视觉领域的研究热点GoogLeNet神经网络引入到复杂交叉路口识别中，通过矢量数据与栅格图像相结合的方式，实现了对于OSM数据复杂交叉路口的快速和高质量定位。
附图说明
图1为本发明的整体流程图；
图2为本发明的厦门范围路网数据及部分样本类型；
图3为本发明的北京范围路网数据及部分样本类型；
图4为本发明的全国范围路网数据及部分样本类型。
图5为本发明的节点聚类分布图；
图6本发明的复杂交叉路口样本尺寸图；
图7为本发明的样本化简示例；
图8为本发明的样本旋转和镜像；
图9 为本发明的GoogLeNet网络模型训练过程中loss和accuracy变化曲线；
图10为本发明的验证数据及待识别定位点分布图；
图11为本发明的利用复杂交叉路口GoogLeNet神经网络模型对天津OSM路网数据进行识别的局部放大效果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
实施例
全国范围样本的选取:
选取全国39个主要城市:北京、上海、广州、深圳、杭州、武汉、厦门、珠海等的路网数据作为复杂交叉路口样本的采样源，如图2、3、4所示；
通过构建Delaunay三角网确定复杂交叉路口的位置及空间范围：
步骤1：在路网矢量数据中，构建节点-弧段拓扑，并识别关联三个及三个以上弧段的节点，如图5（a）所示；
步骤2：以步骤1中的节点为基础，构建Delaunay三角网，如图5（b）所示；
步骤3：以每一个节点为统计单元，识别其在Delaunay三角网中所关联的每一条边的长度，并计算局部平均长度及长度标准差；
步骤4：重复步骤3，直至所有节点统计完毕，计算局部平均长度及长度标准差的平均值作为全局平均长度及标准差；
步骤5：删除长度大于全局平均长度及标准差之和的各边，得到各个节点所属的聚类簇；
步骤6：计算聚类簇内各个节点的几何中心，并将其作为复杂交叉路口所在中心，如图5（c）所示；
步骤7：计算聚类簇内各个节点到中心点的距离，将最大距离值的两倍作为边长得到最小外接正方形，并将其作为复杂交叉路口覆盖的空间范围；
确定参数：
对样本选取中获取的复杂交叉路口最小外接正方形的边长进行了统计，将边长统计数列的四分之一位数（245m）及四分之三位数（746m）所在区间作为适宜的复杂交叉路口覆盖空间范围，图6（a）为其中某一示例，其边长为600m×600m；同时设置样本的分辨率即样本的线宽为2个像素，如图6(b)所示；样本尺寸为256×256像素，如图6(c)所示，通过样本缩放，将覆盖不同空间范围的交叉路口映射为同一样本尺寸；
增强样本:
（1）样本简化
首先，删除样本内部的孤立弧段；其次，识别与道路及样本边界相连接的悬挂弧段，并设置长度剔除阈值，若该悬挂弧段的长度小于或等于长度阈值，则删除这条悬挂弧段；反之，则保留该悬挂弧段。经过大量实验，本发明将长度阈值设置为样本边长长度的二分之一。图7为某一样本化简示例，其中红色实线为化简提出弧段。
（2）样本旋转和镜像
矢量数据旋转处理：对复杂交叉路口矢量数据分别旋转90°、180°、270°，增加3倍样本容量；矢量数据镜像处理：对复杂交叉路口矢量数据分别进行左右和上下镜像处理，增加2倍样本容量，如图8所示。
最后对增强后的复杂交叉路口样本进行标记和人工筛选，将增强后的样本数据分为训练集和测试集，训练集和测试集中的复杂交叉路口打标签为1，一般交叉路口打标签为0，形成最终样本数据集；
样本的预处理：
在用样本训练GoogLeNet神经网络之前，需要对输入的栅格图片进行归一化和去均值处理，归一化处理即将输入的RGB图片A从区间[0,255]归化到区间[0,1]上，对于输入的
Figure 446225DEST_PATH_IMAGE002
像素
Figure 521628DEST_PATH_IMAGE004
，归一化处理可表示为
Figure 780571DEST_PATH_IMAGE006
,
Figure 721851DEST_PATH_IMAGE008
表示归一化后其对应的输入值；去均值处理即将归一化后的每一张输入的栅格图片均减去其平均值，之后的输入值位于区间[-0.5,0.5]上，若将归一化后的图片记作
Figure 52338DEST_PATH_IMAGE010
，则去均值化后输入
Figure 44565DEST_PATH_IMAGE012
，表示去均值化后对应像素的输入值。归一化和去均值处理可以将网络输入控制在一定的范围内，不仅能够有效避免由于样本差异导致的训练过程不收敛或收敛过慢，同时能够加快梯度下降过程；
样本训练：
本发明以全国路网中的复杂交叉路口路网为样本，该数据初始比例尺为1:1万，共获取用于训练和测试的交叉路口数据样本总量为23502个，其中典型复杂交叉路口为2555个，少干扰的复杂交叉路口为4087个，喇叭型、苜蓿型复杂交叉路口为5109个，多干扰不规则复杂交叉路口为7664个，其他交叉路口为4087个。按1:1的比例分为训练集和测试集，在Caffe提供的框架下对GoogLeNet神经网络进行训练。根据复杂交叉路口样本数据的特点，对基础学习率(base learning-rate)、权重衰减系数(weight decay)、最大迭代次数(maxiteration )等训练参数进行了多次调试，最终将迭代次数设置为9×104，学习率设置为1×10-4，权重衰减系数设置为2×10-4。
图9为利用全国路网中复杂交叉路口样本对GoogLeNet网络模型进行训练过程中loss值和accuracy值的变化曲线，accuracy是指模型在分类正确时给出的概率值，该值越靠近于１表示分类的准确率越高，反之越低。
由图9可知GoogLeNet神经网络模型对于复杂交叉路口样本测试集的最终分类loss值为0.0756，accuracy值为0.9652，同时可以看出该神经网络模型在训练过程中基本上得到了很好的收敛。GoogLeNet网络模型对路网中复杂交叉路口的识别准确值accuracy为0.9652，所以说明GoogLeNet网络模型对复杂交叉路口的深层次模糊特征能够进行有效的学习。
实验与分析：
实验数据与实验环境
实验数据为天津市的OSM城市交通路网数据，该数据初始比例尺为1:1万，通过复杂交叉路口初定为，共获取待识别的交叉路口2102个，如图10所示，在同一数据集下，将本发明方法与基于AlexNet神经网络方法进行对比实验，以验证本发明方法的准确性和适应性；
实验环境为 Microsoft Win7 64位操作系统，CPU为Intel Core I7-3770，主频3.2GHz，内存16GB，固态硬盘1024GB。
识别准确度分析
分别应用两种神经网络模型对天津市的交通数据城市路网中包含的复杂交叉路口进行识别，并统计两种神经网络模型下复杂交叉路口各自的模型分类数和模型正确分类数，同时统计人工判别下的交叉路口数，进而计算两种神经网络模型下各自的查准率（Precision Ratio，PR）、查全率（Recall Ratio，RR）和测度值（F-score），数学函数见式（1）、（2）、（3），结果如表1所示
Figure 293199DEST_PATH_IMAGE016
(1)
Figure 506005DEST_PATH_IMAGE018
(2)
Figure 477372DEST_PATH_IMAGE020
(3)
其中，（True Positive）代表标签为正，预测也为正；（False Positive）代表标签为负，预测为正；（False Negative）代表标签为正，预测为负；测度值为查全率和查准率的调和均值；
表1 两种神经网络模型的复杂交叉路口识别结果对比
Figure 265069DEST_PATH_IMAGE022
由表1可以看出，利用本发明制作的训练样本库，基于AlexNet网络模型和GoogLeNet网络模型的复杂交叉路口识别查全率均在90%左右，说明本发明样本库复杂交叉路口类型丰富、采样参数合理，使这两种模型都能够较好地学习复杂交叉路口的深层次模糊特征，对路网中的复杂交叉路口进行有效地识别；此外，在查准率方面，相对于基于AlexNet网络模型的识别方法，基于GoogLeNet网络模型的识别方法高出11.43%，说明GoogLeNet网络模型对复杂交叉路口深层特征的描述更为准确，将待识别复杂交叉路口以较高的概率划分到了正确的分类中。此外，本发明方法的查准率和查全率均超过了90%，说明基于矢栅数据结合的神经网络训练相较直接应用栅格数据进行训练更为有效，矢量数据本身作为一种高阶特征，没有多余的背景影像影响，噪声少，所包含的信息纯度高，更有利于提高模型训练精度。
视觉认知分析
利用复杂交叉路口GoogLeNet神经网络模型对天津OSM路网数据进行识别的总体结果如表2所示，局部放大效果如图11所示；
表2 两种神经网络模型对不同类型复杂交叉路口识别结果对比
Figure 525149DEST_PATH_IMAGE024
其中：I类指典型复杂交叉路口，II类指少干扰复杂交叉路口，III类指喇叭型、苜蓿型复杂交叉路口，IV类指多干扰不规则复杂交叉路口；
由表2可以发现，对于典型、少干扰两种类型的复杂交叉路口，两种神经网络的识别结果基本一致，然而，对于喇叭型、苜蓿型及多干扰不规则复杂交叉路口，基于GoogLeNet网络模型的识别结果较基于AlexNet网络模型的识别结果分别提高了21及33个，准确度分别提高了7.40%和6.40%，说明前者对局部细节的辨识能力上明显优于后者；
分类的局部效果如图11所示，红色点表示识别为复杂交叉路口，绿色点表示典型交叉路口，黄色点表示邻近路段干扰较少的复杂交叉路口，蓝色点表示喇叭型、苜蓿型复杂交叉路口。从分类的局部放大效果图可以看出，分类结果与路口实际类型吻合度较高，识别交叉路口类型丰富且识别出的复杂交叉路口中心基本位于图幅中心，图幅范围较好地概括了路口的空间范围。
定位精度分析
偏心度（DOE）是指复杂交叉路口的几何中心到样本中心的距离（L）占样本对角线一半距离（R）的比率，比率越趋近于0说明复杂交叉路口定位越准确，越趋近于1说明越偏离中心位置
Figure 541646DEST_PATH_IMAGE026
统计天津所有复杂交叉路口的几何中心到样本中心的距离，然后计算距离的平均数，在用平均数除以样本对角线一半的距离，计算得到复杂交叉路口的几何中心到样本中心的平均距离为24m，基于AlexNet卷积神经网络的复杂交叉路口几何中心到样本中心的平均距离为73m。
Figure 960995DEST_PATH_IMAGE028
Figure 935904DEST_PATH_IMAGE030
可以发现，本发明方法中偏心度更低，说明本发明方法的抗干扰性更强。
通过实际数据验证，得出结论如下：
（1）在样本丰富度方面：本发明以全国复杂交叉路口为样本源，共获取用于训练和测试的交叉路口数据样本总量为23502个；
（2）在识别准确性方面：通过本发明方法对路网中复杂交叉路口的查全率和查准率分别达到了91.33%和94.57%，较基于AlexNet网络模型的识别方法分别提高了5.33%和11.43%；
（3）在定位精度方面：以偏心度（DOE）作为衡量指标，本发明方法获取的识别样本所得DOE较基于AlexNet模型识别方法获取的DOE低27%，表明本发明方法定位精度更准，抗干扰性更强。
本发明通过将机器视觉领域的研究热点GoogLeNet神经网络引入到复杂交叉路口识别中，通过矢量数据与栅格图像相结合的方式，实现了对于OSM数据复杂交叉路口的快速和高质量定位。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.基于GoogLeNet神经网络的交叉路口识别方法，其特征在于，包括如下步骤：
S1、采样：选取全国主要城市的路网数据作为复杂交叉路口样本的采样源；
S2、构建Delaunay三角网：对复杂交叉路口进行初定位，初步确定复杂交叉路口中心位置及空间范围；
S3、增强样本量：通过样本简化、样本旋转和镜像的方式以增强样本量；
S4、样本预处理：在用样本训练GoogLeNet神经网络之前，需要对输入的栅格图片进行归一化和去均值处理，归一化处理即将输入的RGB图片A从区间[0,255]归化到区间[0,1]上，对于输入的像素
Figure 581901DEST_PATH_IMAGE004
，归一化处理可表示为
Figure 548589DEST_PATH_IMAGE006
,
Figure 537274DEST_PATH_IMAGE008
表示归一化后其对应的输入值；去均值处理即将归一化后的每一张输入的栅格图片均减去其平均值，之后的输入值位于区间[-0.5,0.5]上，若将归一化后的图片记作，则去均值化后输入
Figure 642950DEST_PATH_IMAGE012
，
Figure 96934DEST_PATH_IMAGE014
表示去均值化后对应像素的输入值；
S5、样本训练：选取GoogLeNet卷积神经网络进行训练，将初步获取的复杂交叉矢量数据转换为栅格数据作为训练样本集，得到复杂交叉路口识别的卷积神经网络模型；
S6、数据处理：将待识别数据通过训练好的GoogLeNet神经网络进行识别，并最终将识别结果反馈到初始矢量数据中。
2.根据权利要求1所述的基于GoogLeNet神经网络的交叉路口识别方法，其特征在于：S1中，对于空间跨度大的地图数据而言，除了确定采样矩形的位置外，还需要确定采样范围、样本尺寸和符号大小等参数，以使采集的样本符合人对立交桥的一般性认知规律，即采样的栅格样本在视觉上具有很好的可辨认性。
3.根据权利要求1所述的基于GoogLeNet神经网络的交叉路口识别方法，其特征在于：S2中，构建Delaunay三角网的具体步骤为：
步骤1：在路网矢量数据中，构建节点-弧段拓扑，并识别关联三个及三个以上弧段的节点；
步骤2：以步骤1中的节点为基础，构建Delaunay三角网，如图9（b）所示；
步骤3：以每一个节点为统计单元，识别其在Delaunay三角网中所关联的每一条边的长度，并计算局部平均长度及长度标准差；
步骤4：重复步骤3，直至所有节点统计完毕，计算局部平均长度及长度标准差的平均值作为全局平均长度及标准差；
步骤5：删除长度大于全局平均长度及标准差之和的各边，得到各个节点所属的聚类簇；
步骤6：计算聚类簇内各个节点的几何中心，并将其作为复杂交叉路口所在中心；
步骤7：计算聚类簇内各个节点到中心点的距离，将最大距离值的两倍作为边长得到最小外接正方形，并将其作为复杂交叉路口覆盖的空间范围。
4.根据权利要求1所述的基于GoogLeNet神经网络的交叉路口识别方法，其特征在于：S3中，样本简化处理步骤包括：首先，删除样本内部的孤立弧段；其次，识别与道路及样本边界相连接的悬挂弧段，并设置长度剔除阈值，若该悬挂弧段的长度小于或等于长度阈值，则删除这条悬挂弧段；反之，则保留该悬挂弧段，经过大量实验，本发明将长度阈值设置为样本边长长度的二分之一。
5.根据权利要求1所述的基于GoogLeNet神经网络的交叉路口识别方法，其特征在于：S3中，样本旋转和镜像的处理步骤包括：对复杂交叉路口矢量数据分别旋转90°、180°、270°，增加3倍样本容量；对复杂交叉路口矢量数据分别进行左右和上下镜像处理，增加2倍样本容量。
6.根据权利要求1所述的基于GoogLeNet神经网络的交叉路口识别方法，其特征在于：S3中，对经过样本简化、样本旋转和镜像操作增强后的样本进行标记和人工筛选，将增强后的样本数据分为训练集和测试集，训练集和测试集中的复杂交叉路口打标签为1，一般交叉路口打标签为0，形成最终样本数据集。
CN201910928129.1A 2019-09-28 2019-09-28 基于GoogLeNet神经网络的交叉路口识别方法 Pending CN110688958A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910928129.1A CN110688958A (zh) 2019-09-28 2019-09-28 基于GoogLeNet神经网络的交叉路口识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910928129.1A CN110688958A (zh) 2019-09-28 2019-09-28 基于GoogLeNet神经网络的交叉路口识别方法

Publications (1)

Publication Number Publication Date
CN110688958A true CN110688958A (zh) 2020-01-14

Family

ID=69110752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910928129.1A Pending CN110688958A (zh) 2019-09-28 2019-09-28 基于GoogLeNet神经网络的交叉路口识别方法

Country Status (1)

Country Link
CN (1) CN110688958A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112150804A (zh) * 2020-08-31 2020-12-29 中国地质大学（武汉） 一种基于MaskRCNN算法的城市多类型交叉口识别方法
CN113160693A (zh) * 2020-01-22 2021-07-23 百度在线网络技术（北京）有限公司 一种道路路口的处理方法、装置、设备和存储介质
CN113420597A (zh) * 2021-05-24 2021-09-21 北京三快在线科技有限公司 环形交叉口识别方法及装置，电子设备及存储介质
CN113624245A (zh) * 2020-05-08 2021-11-09 北京京东乾石科技有限公司 导航方法及装置、计算机存储介质、电子设备
CN113903016A (zh) * 2021-12-09 2022-01-07 深圳佑驾创新科技有限公司 分岔点检测方法、装置、计算机设备和计算机程序产品
CN114913477A (zh) * 2022-05-06 2022-08-16 广州市城市规划勘测设计研究院 城市管线防挖掘预警方法、装置、设备及介质
CN116608879A (zh) * 2023-05-19 2023-08-18 亿咖通(湖北)技术有限公司 信息显示方法、设备、存储介质及程序产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140089036A1 (en) * 2012-09-26 2014-03-27 Xerox Corporation Dynamic city zoning for understanding passenger travel demand
CN108877267A (zh) * 2018-08-06 2018-11-23 武汉理工大学 一种基于车载单目相机的交叉路口检测方法
CN108920481A (zh) * 2018-04-20 2018-11-30 中国地质大学（武汉） 一种基于手机定位数据的道路网重建方法及系统
CN110009649A (zh) * 2019-04-10 2019-07-12 中国测绘科学研究院 一种交叉口密集区域的骨架线提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140089036A1 (en) * 2012-09-26 2014-03-27 Xerox Corporation Dynamic city zoning for understanding passenger travel demand
CN108920481A (zh) * 2018-04-20 2018-11-30 中国地质大学（武汉） 一种基于手机定位数据的道路网重建方法及系统
CN108877267A (zh) * 2018-08-06 2018-11-23 武汉理工大学 一种基于车载单目相机的交叉路口检测方法
CN110009649A (zh) * 2019-04-10 2019-07-12 中国测绘科学研究院 一种交叉口密集区域的骨架线提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HE HAIWEI等: "Applying CNN Classifier to Road Interchange Classification", 《2018 26TH INTERNATIONAL CONFERENCE ON GEOINFORMATICS》 *
MUNDUR P等: "Keyframe-based video summarization using Delaunay clustering", 《INTERNATIONAL JOURNAL ON DIGITAL LIBRARIES》 *
刘佩等: "基于RBF神经网络的OSM道路网智能选取", 《地理信息世界》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160693A (zh) * 2020-01-22 2021-07-23 百度在线网络技术（北京）有限公司 一种道路路口的处理方法、装置、设备和存储介质
CN113624245A (zh) * 2020-05-08 2021-11-09 北京京东乾石科技有限公司 导航方法及装置、计算机存储介质、电子设备
CN113624245B (zh) * 2020-05-08 2024-04-16 北京京东乾石科技有限公司 导航方法及装置、计算机存储介质、电子设备
CN112150804A (zh) * 2020-08-31 2020-12-29 中国地质大学（武汉） 一种基于MaskRCNN算法的城市多类型交叉口识别方法
CN112150804B (zh) * 2020-08-31 2021-10-19 中国地质大学（武汉） 一种基于MaskRCNN算法的城市多类型交叉口识别方法
CN113420597A (zh) * 2021-05-24 2021-09-21 北京三快在线科技有限公司 环形交叉口识别方法及装置，电子设备及存储介质
CN113903016A (zh) * 2021-12-09 2022-01-07 深圳佑驾创新科技有限公司 分岔点检测方法、装置、计算机设备和计算机程序产品
CN113903016B (zh) * 2021-12-09 2022-05-13 深圳佑驾创新科技有限公司 分岔点检测方法、装置、计算机设备和存储介质
CN114913477A (zh) * 2022-05-06 2022-08-16 广州市城市规划勘测设计研究院 城市管线防挖掘预警方法、装置、设备及介质
CN116608879A (zh) * 2023-05-19 2023-08-18 亿咖通(湖北)技术有限公司 信息显示方法、设备、存储介质及程序产品

Similar Documents

Publication Publication Date Title
CN110688958A (zh) 基于GoogLeNet神经网络的交叉路口识别方法
CN108959466B (zh) 基于bcs-dbscan的出租车载客热点可视化方法及系统
CN108415975B (zh) 基于bdch-dbscan的出租车载客热点识别方法
CN109493320B (zh) 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备
CN108920481B (zh) 一种基于手机定位数据的道路网重建方法及系统
CN111145157B (zh) 基于高分辨率遥感影像的路网数据自动化质量检查方法
CN109978872B (zh) 基于白质纤维束的白质微结构特征筛选系统及方法
CN112884791A (zh) 一种构建大规模遥感影像语义分割模型训练样本集的方法
CN110210418A (zh) 一种基于信息交互和迁移学习的sar图像飞机目标检测方法
CN112529044A (zh) 基于车载LiDAR的铁路接触网提取分类的方法
CN111242223B (zh) 一种基于街景影像多特征融合的街道空间品质评价方法
WO2024125434A1 (zh) 基于区域一致性的建筑物主角度修正方法
CN110008837B (zh) 一种根据所属道路网络封闭多边形统计poi的快速实现方法
CN112347926A (zh) 基于建筑形态分布的高分辨率影像城中村检测方法
CN115309846B (zh) 一种基于平行系数的道路网结构识别方法
CN111669702A (zh) 基于wifi地址与场强的粗精匹配定位方法
CN116628531A (zh) 众包地图道路对象要素聚类方法、系统及存储介质
CN115270904B (zh) 一种义务教育阶段适龄常住人口空间化方法和系统
CN112257970A (zh) 一种基于兴趣点大数据的城市功能区自动划分方法
CN116129327A (zh) 一种基于改进YOLOv7算法的红外车辆检测方法
CN115841568A (zh) 一种基于台账数据的输电杆塔绝缘子重建的方法
CN113971813A (zh) 一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法
CN112001359A (zh) 基于模式识别和最优分配的启发式多叉线修补方法
CN109472766A (zh) 桥梁螺栓区域定位方法及终端设备
CN114037695B (zh) 一种基于ct扫描图像的复杂裂缝网络开度分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200114

RJ01 Rejection of invention patent application after publication