CN115019191A - 一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法 - Google Patents
一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法 Download PDFInfo
- Publication number
- CN115019191A CN115019191A CN202210425317.4A CN202210425317A CN115019191A CN 115019191 A CN115019191 A CN 115019191A CN 202210425317 A CN202210425317 A CN 202210425317A CN 115019191 A CN115019191 A CN 115019191A
- Authority
- CN
- China
- Prior art keywords
- road
- point
- points
- key
- extracted
- 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
Links
Images
Classifications
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法,基本步骤为:在真彩色高分辨率遥感影像合成图下制作遥感图像样本集和标定样本集;接下来利用U‑Net网络提取道路的高级特征初始化所构建的图卷积神经网络各节点的隐藏信息并训练模型,接着用训练后模型对遥感图像进行预测,从遥感图像中提取出关键道路;最后基于Hausdorff距离对大件运输关键道路空间通行性进行判定。本发明在使用图卷积神经网络提取大件运输关键道路的基础上,根据大件运输车辆的相关物理参数计算大件车辆的扫空空间,同时引入Hausdorff距离,实现了对大件运输关键道路的空间通行性进行判定。
Description
技术领域
本发明属于遥感目标识别与匹配领域,特别涉及一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法。
背景技术
遥感技术作为一种大范围、远距离感知的对地观测技术,通过获取研究区域的影像实现对地理信息的快速收集,结合相关遥感数据处理技术对这些信息进行定性或定量的分析,为经济社会发展和国家重大战略实施提供有力的数据和技术支持。高分辨率遥感影像为道路信息提取提供了丰富的细节信息和纹理信息,对道路提取提供了强大的数据支撑。但由于道路具有高度多样性的特点,如道路材料、结构和联通性等,一般仅仅依赖光谱信息不易获得很高的识别精度。
大件货物由于其体积和重量都很大,在构建大件运输通行路径的时候需要综合考虑关键道路几何信息与大件车辆本身的物理信息,有利于后续的大件运输车辆的路径规划。在现代化的城市中,转盘环路和立交桥的地位十分重要,对转盘环路和立交桥路面等大件运输关键道路进行自动识别与提取,对于研究大件运输关键道路空间通行性判定有重要意义。随着中国经济和基础建设的快速发展,许多道路面临修建、改建和拓宽等建设,同时路网数据更新不及时,对于大件运输空间通行性判断带来一定的制约。因此本发明给出了一种自动化从遥感影像中提取道路并进行大件运输车辆空间通行性的判断方法。传统的分类算法提取道路边缘较为模糊、提取范围不完整,无法自动获得较为规则和连通的道路信息。区别于遥感影像上其他地物,道路是具有复杂拓扑关系的典型地物要素,本发明给出一种基于深度卷积网络与图卷积神经网络相结合的方法,在顾及高分辨率遥感影像的高级特征的同时结合图卷积神经网络,以像素为单位考虑像素间的拓扑关系实现遥感图像上大件运输关键道路的自动提取。同时引入Hausdorff距离,通过计算扫空路径和提取出的关键道路的Hausdorff距离进行匹配判定,简化了大件运输过程中关键道路空间通行性的判定过程。
有益效果
与现有的技术相比,本发明具有如下有益效果:本发明给出了一种基于卫星高分辨率影像深度学习的大件运输关键道路空间通行性判定方法,在传统语义分割网络U-Net上加上图卷积神经网络以增强道路之间的纹理以及拓扑信息。相比于深度卷积模型把输入数据表示为网格结构,图模型具备更灵活的跳跃连接,因此它可以探索图中像素节点之间的拓扑关系,更有效的提取道路信息;在此基础上引入Hausdorff距离,通过计算扫空路径和提取出的关键道路的Hausdorff距离简化了判断大件运输关键道路空间通行性的方法。
发明内容
为解决上述问题,本发明给出了一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法,其特征在于包括以下步骤:
一、预处理
步骤1:选择带有大件运输关键道路(如转盘环路和立交桥)的高分辨率卫星遥感影像的红波段、绿波段和蓝波段合成真彩色图像;在真彩色图像上进行目视解译并在影像上标记某一类关键道路,得到该类关键道路和背景(图像中非道路的其他信息)这两类待识别的目标物的标记结果;
步骤2:将步骤1中的真彩色图像和步骤2中的标记结果裁剪至256*256大小,得到高分辨率卫星遥感影像样本集和标记样本集;
二、构建关键道路提取模型
步骤3:采用U-Net网络对步骤2得到的高分辨率卫星遥感影像样本集和标记样本集进行训练得到训练后的U-Net模型,而后利用训练后的U-Net模型提取关键道路的通过卷积和不同尺度特征融合之后能表征道路更深层次信息的高级特征;利用步骤1中获得的高分辨率卫星遥感影像样本集通过K-means聚类算法将遥感影像上的地物聚类为不同的部分(如直线道路与弯曲道路);根据K-means聚类结果构建关系图网络中的节点和边;
步骤4:将步骤3中构建的关系图网络每个节点的特征用N×D维特征矩阵X表示(N代表节点数,D代表输入特征数)作为图卷积神经网络(Graph Convolutional Network,GCN)的输入,利用步骤三通过训练后的U-Net模型提取出的高级特征初始化GCN中的隐藏层并进行训练,得到训练后的GCN模型,并使用训练后的GCN模型对关系图网络中的节点进行分类;步骤5:将每个节点的类别分配给节点中的像素,每个节点都对应于图像上的一个区域,令该区域内所有像素的类别与对应节点的类别相同,进而从高分辨率卫星影像中提取出关键道路;
三、车辆扫空路径的计算
步骤6:计算转弯状态下的扫空路径,分别计算大件运输车辆行驶过程中最小转弯内半径、最小转弯外半径、最大内扫半径和最大外扫半径,由最小转弯内半径、最小转弯外半径、最大内扫半径和最大外扫半径构成的闭合区域即为转弯状态下的扫空路径;
四、大件运输关键道路空间通行性判定
步骤7:将步骤5关键道路识别提取结果和步骤6中扫空路径进行匹配判断,判断车辆能否通行;
2.根据权利要求1所述的一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法,其特征在于,步骤7大件运输关键道路空间通行性判定方式如下:
(1)二维扫空路径和提取的关键道路的内径和外径是由有限点组成;二维扫空路径均匀提取n个点,分别表示为P={p1,p2…pn},Q={q1,q2…qn},P为二维扫空路径的内径,Q为二维扫空路径的外径,n为采样点数量;
(2)对二维扫空路径的内外半径计算Hausdorff距离,Hausdorff距离公式为:
计算二维扫空路径的Hausdorff距离h1,其中pi为P中的任意一点,qi为Q中的任意一点,d(pi,qi)为pi到Q中任意一点的距离,共有n个值;
(3)将提取遥感影像的道路长边并拆分为有限点;
由步骤5中提取出的关键道路,经过Canny边缘检测和形态学膨胀腐蚀操作提取道路轮廓信息,基于道路轮廓信息建立道路的图像坐标系,获取每个像元的图像坐标,从左上角依次遍历每行的像元,当遍历到某像元为道路轮廓像元时,记录该像元的图像坐标z1(x1,y1),并建立索引,同时检索该像元周围8邻域是否为道路像元,若不是道路轮廓像元则继续按行遍历。若存在道路轮廓像元,则遍历跳转到该像元,并记录该像元的图像坐标并依次建立索引,直至以z1点开始的遍历结束。最终得到图像中一系列空间上连续的道路轮廓坐标点集,Z={z1,z2…zn}。
遍历道路轮廓点集中每相邻的三个点z1(x1,y1),z2(x2,y2),z3(x3,y3),通过余弦定理计算这三个点形成的夹角τ的大小,如图5-c所示;
当相邻三个点位于多边形的边上时,夹角趋于180,而顶点形成的夹角要小于180度,设置一个60度容差以区别所提取出的道路轮廓边的部分特殊弯曲现象,若相邻三点夹角小于120度则判断其为一个转角。基于上述过程用一个二维数组记录相邻三点形成的夹角小于120度的角度和三点中角点在源点集中的下标,最后对该数据排序,角度最小的四个点,为道路多边形的4个顶点。根据像元大小和索引顺序计算这4个顶点间所有点的距离之和,所有点的距离之和最长的两条边即为要找的所提取出关键道路的内外轮廓,其余的两条短边为所提取的道路的起始边,进一步根据大件车辆的行进方向,确定大件车辆进入道路的起始边。
将获得的所提取道路的内外轮廓均匀提取n个点,分别表示为U={u1,u2…un},V={v1,v2…vn},U为所提取道路的内轮廓,V为所提取道路的外轮廓,n为采样点数量;
对二维扫空路径的内外半径计算Hausdorff距离,Hausdorff距离公式为:
计算二维扫空路径的Hausdorff距离h2,其中ui为U中的任意一点,vi为V中的任意一点,d(ui,vi)为ui到V中任意一点的距离,共有n个值。
(4)将扫空路径的起始边与所提取的道路起始边固定在同一条直线上;
(5)若h1<=h2,则可通行,否则不能通行。
附图说明
图1是本方法的整体流程图。
图2是高分辨率卫星遥感影像道路提取模型。
图3是大件车组转弯示意图。
图4是大件车组转弯扫空空间计算示意图。
图5是计算道路提取结果内外轮廓的示意图。
图6是大件车辆空间通行性判断示意图
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明给出的基于Hausdorff距离的大件运输关键道路空间通行性判定方法的整体流程图如图1所示。
本发明包括以下步骤:
步骤1:选择带有大件运输关键道路(如转盘环路和立交桥)的高分辨率卫星遥感影像的红波段、绿波段和蓝波段合成真彩色图像;在真彩色图像上进行目视解译并在影像上标记某一类关键道路,得到该类关键道路和背景(图像中非道路的其他信息)这两类待识别的目标物的标记结果;
步骤2:将步骤1中的真彩色图像和步骤2中的标记结果裁剪至256*256大小,得到高分辨率卫星遥感影像样本集和标记样本集;
步骤3:采用U-Net网络对步骤2得到的高分辨率卫星遥感影像样本集和标记样本集进行训练得到训练后的U-Net模型,而后利用训练后的U-Net模型提取关键道路的通过卷积和不同尺度特征融合之后能表征道路更深层次信息的高级特征;利用步骤1中获得的高分辨率卫星遥感影像样本集通过K-means聚类算法将遥感影像上的地物聚类为不同的部分(如直线道路与弯曲道路);根据K-means聚类结果构建关系图网络中的节点和边;
其中从高分变率遥感影像提取道路的整体模型如图2所示,Graph代表有原始影像数据经过均值聚类结果构建的图节点;
其中所采用的U-Net网络结构如图2中U-Net模块。左侧可视为一个编码器,右侧可视为一个解码器。编码器有四个子模块,每个子模块包含两个卷积层,每个子模块之后有一个通过maxpool实现的下采样层。输入图像的分辨率是256*256,第1-5个模块的分辨率分别是256*256,128*128,64*64,32*32。解码器包含四个子模块,分辨率通过上采样操作依次上升,直到与输入图像的分辨率一致。网络还使用了跳跃连接,将上采样结果与编码器中具有相同分辨率的子模块的输出进行连接,作为解码器中下一个子模块的输入。
其中构建关系图网络中的节点和图网络中的边的过程如图2,具体步骤如下:
(1)构建关系图网络中的节点V。采用无监督分割算法K-means均值聚类区域作为图节点V={v1,v2,...,vk},如图2中Graph模块。使用步骤4中U-Net模型提取出高分辨率卫星影像中关键道路的高级特征Xf来初始化图中各节点的隐藏信息。
(2)构建图网络中的边E。将图节点之间的一阶邻接关系作为图的边,通过两节点(vi,vj)的邻近程度计算边的大小eij。
其中labi代表节点v′i在LAB色彩空间中的平均色值,σw代表相似因子。
步骤4:将步骤3中构建的关系图网络每个节点vi的特征描述为e′ij,用N×D维特征矩阵概括(N代表节点数,D代表输入特征数)作为图卷积神经网络(Graph ConvolutionalNetwork,GCN)的输入,利用步骤三通过训练后的U-Net模型提取出的高级特征初始化GCN中的隐藏层并进行训练,得到训练后的GCN模型,并使用训练后的GCN模型对关系图网络中的节点进行分类;
步骤5:将每个节点的类别分配给节点中的像素,每个节点都对应于图像上的一个区域,令该区域内所有像素的类别与对应节点的类别相同,进而从高分辨率卫星影像中提取出关键道路;
步骤6:计算转弯状态下的扫空路径,分别计算大件运输车辆行驶过程中最小转弯内半径、最小转弯外半径、最大内扫半径和最大外扫半径,由最小转弯内半径、最小转弯外半径、最大内扫半径和最大外扫半径构成的闭合区域即为转弯状态下的扫空路径;
其中扫空空间的计算,具体实现方式如下:
(1)最小转弯内、外半径的计算。为了便于计算,这里把大件车组第一轴的所有轮胎简化为主梁处有一个轮胎,则其最大转向角就简化为大件车组第一轴主梁处的轮胎的最大转向角,如图3所示。β为大件车组转弯时第一轴线的最大转向角,OB为最小转弯外半径(Rw),OC为最小转弯内半径(Rn),β为第一轴最大转向角,根据图3中的几何关系,可得出:
上式中,BE和AD为车板长的一半,CE为车板宽,DC为车板宽的一半,则上述公式可转化成最小转弯内半径的计算公式为:
最小转弯外半径的计算公式为:
上式中Rn为最小转弯内半径,Rw为最小转弯外半径,L为车板长,β为第一轴最大转向角,B为车板宽。
(2)大件设备的最大内扫区域和最大外扫区域计算。大件运输中通常所装载的货物要大于车身长度,OF为大件设备转弯时的最大内扫半径(Rn1),OG为大件设备转弯时的最大外扫半径(Rw0)。根据图4中的几何关系,可得出:
上式中,DF为大件设备宽的一半,KG为大件设备长的一半,HF为大件设备的宽。这样,大件设备的最大内扫半径计算公式为:
大件设备最大外扫计算公式为:
上式中Rn1为最大内扫半径,Rw0最大外扫半径,L为车板长,L0为大件设备长,β为第一轴最大转向角,B0为大件设备宽。
根据以上公式便可以计算出最大内扫区域Rn-Rn1,最大外扫区域Rw-Rw0。
步骤7:将步骤5关键道路识别提取结果和步骤6中二维扫空路径进行匹配判断,判断车辆能否通行。
其中大件运输关键道路空间通行性判定方式,具体实现方式如下:
(1)二维扫空路径和提取的关键道路的内径和外径是由有限点组成;二维扫空路径均匀提取n个点,分别表示为P={p1,p2…pn},Q={q1,q2…qn},P为二维扫空路径的内径,Q为二维扫空路径的外径,n为采样点数量;
(2)对二维扫空路径的内外半径计算Hausdorff距离,Hausdorff距离公式为:
计算二维扫空路径的Hausdorff距离h1,其中pi为P中的任意一点,qi为Q中的任意一点,d(pi,qi)为pi到Q中任意一点的距离,共有n个值;
(3)将提取遥感影像的道路长边并拆分为有限点;
由步骤5中提取出的关键道路,经过Canny边缘检测和形态学膨胀腐蚀操作提取道路轮廓信息,基于道路轮廓信息建立道路的图像坐标系,获取每个像元的图像坐标,从左上角依次遍历每行的像元,当遍历到某像元为道路轮廓像元时,记录该像元的图像坐标z1(x1,y1),并建立索引,同时检索该像元周围8邻域是否为道路像元,若不是道路轮廓像元则继续按行遍历。若存在道路轮廓像元,则遍历跳转到该像元,并记录该像元的图像坐标并依次建立索引,直至以z1点开始的遍历结束。最终得到图像中一系列空间上连续的道路轮廓坐标点集,Z={z1,z2…zn}。
遍历道路轮廓点集中每相邻的三个点z1(x1,y1),z2(x2,y2),z3(x3,y3),通过余弦定理计算这三个点形成的夹角τ的大小,如图5-c所示;
当相邻三个点位于多边形的边上时,夹角趋于180,而顶点形成的夹角要小于180度,设置一个60度容差以区别所提取出的道路轮廓边的部分特殊弯曲现象,若相邻三点夹角小于120度则判断其为一个转角。基于上述过程用一个二维数组记录相邻三点形成的夹角小于120度的角度和三点中角点在源点集中的下标,最后对该数据排序,角度最小的四个点,为道路多边形的4个顶点。根据像元大小和索引顺序计算这4个顶点间所有点的距离之和,所有点的距离之和最长的两条边即为要找的所提取出关键道路的内外轮廓,其余的两条短边为所提取的道路的起始边,进一步根据大件车辆的行进方向,确定大件车辆进入道路的起始边。
将获得的所提取道路的内外轮廓均匀提取n个点,分别表示为U={u1,u2…un},V={v1,v2…vn},U为所提取道路的内轮廓,V为所提取道路的外轮廓,n为采样点数量;
对二维扫空路径的内外半径计算Hausdorff距离,Hausdorff距离公式为:
计算二维扫空路径的Hausdorff距离h2,其中ui为U中的任意一点,vi为V中的任意一点,d(ui,vi)为ui到V中任意一点的距离,共有n个值。
(4)将扫空路径的起始边与所提取的道路起始边固定在同一条直线上;
(5)若h1<=h2,则可通行,否则不能通行。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (2)
1.一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法,其特征在于,包括以下步骤:
一、预处理
步骤1:选择带有大件运输关键道路(如转盘环路和立交桥)的高分辨率卫星遥感影像的红波段、绿波段和蓝波段合成真彩色图像;在真彩色图像上进行目视解译并在影像上标记某一类关键道路,得到该类关键道路和背景(图像中非道路的其他信息)这两类待识别的目标物的标记结果;
步骤2:将步骤1中的真彩色图像和步骤2中的标记结果裁剪至256*256大小,得到高分辨率卫星遥感影像样本集和标记样本集;
二、构建关键道路提取模型
步骤3:采用U-Net网络对步骤2得到的高分辨率卫星遥感影像样本集和标记样本集进行训练得到训练后的U-Net模型,而后利用训练后的U-Net模型提取关键道路的通过卷积和不同尺度特征融合之后能表征道路更深层次信息的高级特征;利用步骤1中获得的高分辨率卫星遥感影像样本集通过K-means聚类算法将遥感影像上的地物聚类为不同的部分(如直线道路与弯曲道路);根据K-means聚类结果构建关系图网络中的节点和边;
步骤4:将步骤3中构建的关系图网络的每个节点vi的特征描述为e'ij,用N×D维特征矩阵概括(N代表节点数,D代表输入特征数)作为图卷积神经网络(Graph ConvolutionalNetwork,GCN)的输入,利用步骤三通过训练后的U-Net模型提取出的高级特征初始化GCN中的隐藏层并进行训练,得到训练后的GCN模型,并使用训练后的GCN模型对关系图网络中的节点进行分类;
步骤5:将每个节点的类别分配给节点中的像素,每个节点都对应于图像上的一个区域,令该区域内所有像素的类别与对应节点的类别相同,进而从高分辨率卫星影像中提取出关键道路;
三、车辆扫空路径的计算
步骤6:计算转弯状态下的扫空路径,分别计算大件运输车辆行驶过程中最小转弯内半径、最小转弯外半径、最大内扫半径和最大外扫半径,由最小转弯内半径、最小转弯外半径、最大内扫半径和最大外扫半径构成的闭合区域即为转弯状态下的扫空路径;
四、大件运输关键道路空间通行性判定
步骤7:将步骤5关键道路识别提取结果和步骤6中扫空路径进行匹配判断,判断车辆能否通行。
2.根据权利要求1所述的一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法,其特征在于,步骤7大件运输关键道路空间通行性判定方式如下:
(1)二维扫空路径和提取的关键道路的内径和外径是由有限点组成;二维扫空路径均匀提取n个点,分别表示为P={p1,p2…pn},Q={q1,q2…qn},P为二维扫空路径的内径,Q为二维扫空路径的外径,n为采样点数量;
(2)对二维扫空路径的内外半径计算Hausdorff距离,Hausdorff距离公式为:
计算二维扫空路径的Hausdorff距离h1,其中pi为P中的任意一点,qi为Q中的任意一点,d(pi,qi)为pi到Q中任意一点的距离,共有n个值;
(3)将提取遥感影像的道路长边并拆分为有限点;
由步骤5中提取出的关键道路,经过Canny边缘检测和形态学膨胀腐蚀操作提取道路轮廓信息,基于道路轮廓信息建立道路的图像坐标系,获取每个像元的图像坐标,从左上角依次遍历每行的像元,当遍历到某像元为道路轮廓像元时,记录该像元的图像坐标z1(x1,y1),并建立索引,同时检索该像元周围8邻域是否为道路像元,若不是道路轮廓像元则继续按行遍历。若存在道路轮廓像元,则遍历跳转到该像元,并记录该像元的图像坐标并依次建立索引,直至以z1点开始的遍历结束。最终得到图像中一系列空间上连续的道路轮廓坐标点集,Z={z1,z2…zn}。
遍历道路轮廓点集中每相邻的三个点z1(x1,y1),z2(x2,y2),z3(x3,y3),通过余弦定理计算这三个点形成的夹角τ的大小,如图5-c所示;
当相邻三个点位于多边形的边上时,夹角趋于180,而顶点形成的夹角要小于180度,设置一个60度容差以区别所提取出的道路轮廓边的部分特殊弯曲现象,若相邻三点夹角小于120度则判断其为一个转角。基于上述过程用一个二维数组记录相邻三点形成的夹角小于120度的角度和三点中角点在源点集中的下标,最后对该数据排序,角度最小的四个点,为道路多边形的4个顶点。根据像元大小和索引顺序计算这4个顶点间所有点的距离之和,所有点的距离之和最长的两条边即为要找的所提取出关键道路的内外轮廓,其余的两条短边为所提取的道路的起始边,进一步根据大件车辆的行进方向,确定大件车辆进入道路的起始边。
将获得的所提取道路的内外轮廓均匀提取n个点,分别表示为U={u1,u2…un},V={v1,v2…vn},U为所提取道路的内轮廓,V为所提取道路的外轮廓,n为采样点数量;
对二维扫空路径的内外半径计算Hausdorff距离,Hausdorff距离公式为:
计算二维扫空路径的Hausdorff距离h2,其中ui为U中的任意一点,vi为V中的任意一点,d(ui,vi)为ui到V中任意一点的距离,共有n个值。
(4)将扫空路径的起始边与所提取的道路起始边固定在同一条直线上;
(5)若h1<=h2,则可通行,否则不能通行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210425317.4A CN115019191A (zh) | 2022-04-22 | 2022-04-22 | 一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210425317.4A CN115019191A (zh) | 2022-04-22 | 2022-04-22 | 一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115019191A true CN115019191A (zh) | 2022-09-06 |
Family
ID=83067334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210425317.4A Pending CN115019191A (zh) | 2022-04-22 | 2022-04-22 | 一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115019191A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115309846A (zh) * | 2022-10-10 | 2022-11-08 | 中南大学 | 一种基于平行系数的道路网结构识别方法 |
CN116092038A (zh) * | 2023-04-07 | 2023-05-09 | 中国石油大学(华东) | 一种基于点云的大件运输关键道路空间通行性判定方法 |
CN116797787A (zh) * | 2023-05-22 | 2023-09-22 | 中国地质大学(武汉) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 |
CN117689304A (zh) * | 2024-02-04 | 2024-03-12 | 交通运输部规划研究院 | 公路大件运输通行路线确定方法及装置 |
-
2022
- 2022-04-22 CN CN202210425317.4A patent/CN115019191A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115309846A (zh) * | 2022-10-10 | 2022-11-08 | 中南大学 | 一种基于平行系数的道路网结构识别方法 |
CN115309846B (zh) * | 2022-10-10 | 2022-12-20 | 中南大学 | 一种基于平行系数的道路网结构识别方法 |
CN116092038A (zh) * | 2023-04-07 | 2023-05-09 | 中国石油大学(华东) | 一种基于点云的大件运输关键道路空间通行性判定方法 |
CN116797787A (zh) * | 2023-05-22 | 2023-09-22 | 中国地质大学(武汉) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 |
CN116797787B (zh) * | 2023-05-22 | 2024-01-02 | 中国地质大学(武汉) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 |
CN117689304A (zh) * | 2024-02-04 | 2024-03-12 | 交通运输部规划研究院 | 公路大件运输通行路线确定方法及装置 |
CN117689304B (zh) * | 2024-02-04 | 2024-05-31 | 交通运输部规划研究院 | 公路大件运输通行路线确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Scale Sequence Joint Deep Learning (SS-JDL) for land use and land cover classification | |
CN115019191A (zh) | 一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法 | |
Zhang et al. | An object-based convolutional neural network (OCNN) for urban land use classification | |
Sun et al. | FAIR1M: A benchmark dataset for fine-grained object recognition in high-resolution remote sensing imagery | |
Wu et al. | Vehicle detection of multi-source remote sensing data using active fine-tuning network | |
CN102496034B (zh) | 基于直线单词的高空间分辨率遥感图像词袋分类方法 | |
Jin et al. | An integrated system for automatic road mapping from high-resolution multi-spectral satellite imagery by information fusion | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
Yadav et al. | Extraction of road surface from mobile LiDAR data of complex road environment | |
CN111582194B (zh) | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 | |
CN104392212B (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
Abdollahi et al. | Integrated technique of segmentation and classification methods with connected components analysis for road extraction from orthophoto images | |
CN108898101B (zh) | 基于素描图和先验约束的高分辨sar图像路网检测方法 | |
CN108021890B (zh) | 一种基于plsa和bow的高分遥感影像港口检测方法 | |
CN101980317A (zh) | 基于改进c-v模型的遥感图路网提取的交通流量预测方法 | |
CN111611960B (zh) | 一种基于多层感知神经网络大区域地表覆盖分类方法 | |
Chen et al. | Employing deep learning for automatic river bridge detection from SAR images based on adaptively effective feature fusion | |
Hossain et al. | A hybrid image segmentation method for building extraction from high-resolution RGB images | |
CN114170527A (zh) | 一种利用旋转框表示的遥感目标检测方法 | |
Yu et al. | Road manhole cover delineation using mobile laser scanning point cloud data | |
Xiao et al. | 3D urban object change detection from aerial and terrestrial point clouds: A review | |
Xia et al. | A weakly supervised road extraction approach via deep convolutional nets based image segmentation | |
CN115294541A (zh) | 一种局部特征增强Transformer道路裂缝检测方法 | |
Guo et al. | Evaluating automatic road detection across a large aerial imagery collection | |
CN114898204B (zh) | 一种基于深度学习的轨道交通周边危险源检测方法 |
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 |