CN115238800B - 一种基于ocsvm的矢量面状要素匹配方法 - Google Patents

Abstract

本发明公开一种基于OCSVM的矢量面状要素匹配方法，包括以下步骤：对两组待匹配的面要素集合进行缓冲区分析和相交分析，得到若干面要素候选匹配对，并计算面要素候选匹配对的相似性指标；从面要素候选匹配对中随机选取部分面要素候选匹配对，并通过目视解译选取其中具有匹配关系的面要素候选匹配对，生成用于识别匹配关系的训练样本集；利用OCSVM分类器学习训练样本集的相似性特征，得到匹配关系的识别模型；利用识别模型识别全部面要素候选匹配对中具有匹配关系的面要素。该矢量面状要素匹配方法能够在少量面要素1:1匹配样本条件下，学习多元面状要素匹配特征，较好地识别同名面状要素匹配关系，可为数字化地质资料质量检查、入库修正等提供技术支撑。

Description

一种基于OCSVM的矢量面状要素匹配方法

技术领域

本发明涉及矢量数据匹配技术领域，尤其涉及一种基于OCSVM的矢量面状要素匹配方法。

背景技术

地质资料是探索地球的认识积累和客观记载，其数字化成果可以大大提高地质资料服务效率，为地质灾害应急响应、矿山资源开发利用、水资源调查监测等工作提供基础支撑。矢量面状要素是数字化地质资料的主要表现形式之一，如地层岩性、承灾体、人类工程活动等均需通过面状要素表达地质信息分布的空间位置与范围。但由于数据采集时间、获取手段、处理方法、主题内容等差异，不同源数据集常面临数据冗余与信息冲突的问题。面状要素匹配可建立多源数据间同名实体的联系，是数字化地质资料整合与更新的关键技术。

面状要素匹配研究经三十年发展，已从早期利用单一面积重叠度指标发展到多特征组合度量的方式，如利用傅里叶系数构造形状描述特征向量，利用Voronoi图、Delaunay三角网等进行面要素上下文相似性度量。尽管多特征组合可以提高匹配效果，但依赖权重系数法的特征组合方式对系数设置较为敏感，不能产生稳定的匹配结果。面状要素匹配可视为一种有监督的匹配模式分类。有学者利用人工神经网、决策树、支持向量机等数据驱动的机器学习算法，学习数据匹配特征，验证了其在面状要素匹配中自动调节各因素权重的优势，较权重系数法准确性高且更稳定。

采用机器学习方法的面状要素匹配仍面临着样本选择问题。目前应用于面状要素匹配模式识别的机器学习方法主要为二分或多分类模型，需要采集能够代表各类匹配模式典型特征的样本。但面状要素匹配情况复杂，选取包含全部不匹配特征的样本是十分困难的，不完整的训练集可能导致不准确的匹配模式识别结果。

发明内容

本发明的目的在于针对已有的技术现状，提供一种基于OCSVM的矢量面状要素匹配方法。

为达到上述目的，本发明采用如下技术方案：

一种基于OCSVM的矢量面状要素匹配方法，包括以下步骤：

S1、对两组待匹配的面要素集合进行缓冲区分析和相交分析，得到若干面要素候选匹配对，并计算面要素候选匹配对的相似性指标，未建立匹配对的面要素识别为无匹配关系；

其中，1∶1的面要素候选匹配对记为1∶1待匹配集合，1∶N的面要素候选匹配对记为1∶N待匹配集合，M∶N的面要素候选匹配对记为M∶N待匹配集合；

S2、从面要素候选匹配对中随机选取部分面要素候选匹配对，并通过目视解译选取其中具有匹配关系的面要素候选匹配对，生成用于识别匹配关系的训练样本集；

S3、利用OCSVM分类器学习训练样本集的相似性特征，得到匹配关系的识别模型；

S4、利用识别模型识别全部面要素候选匹配对中具有匹配关系的面要素；

S41、1∶1待匹配集合中，未建立匹配关系的面要素均识别为无匹配关系；

S42、1∶N待匹配集合中，经过步骤S4识别后，若建立匹配关系，则余下未建立匹配关系的面要素识别为无匹配关系；若未建立匹配关系，则将集合中的面要素进行合并，形成由N₁个面要素组成的新面要素，N≥N₁≥2，对应形成若干1∶1的新面要素候选匹配对，并计算新面要素候选匹配对的相似性指标，重复步骤S4、S41；

S43、M∶N待匹配集合中，经过步骤S4识别后，若建立匹配关系后，M＝0或N＝0或M和N同时为1，则余下未建立匹配关系的面要素均识别为无匹配关系；若建立匹配关系后，M≥1，N≥1，且M和N不同时为1，则将集合中未建立匹配关系的面要素进行合并，形成由M₂个要素组成的新面要素和N₂个要素组成的新面要素，M≥M₂≥1，N≥N₂≥1，且M₂和N₂不同时为1，对应形成若干组1∶1的新面要素候选匹配对，并计算新面要素候选匹配对的相似性指标，重复步骤S4、S41。

进一步的，所述面要素候选匹配对的相似性指标包括位置相似度、面积相似度、方向相似度、形状相似度、面积重叠度、上下文相似度。

进一步的，所述位置相似度的计算方式如下：

其中，a_i，b_j为面要素候选匹配对，i∈[1，m]，j∈[1，n]，(x₁，y₁)和(x₂，y₂)分别为面要素候选匹配对a_i，b_j的中心点，U为面要素候选匹配对任意边界点间距离的最大值。

进一步的，所述面积相似度的计算方式如下：

其中，a_i，b_j为面要素候选匹配对，i∈[1，m]，j∈[1，n]，Area(·)为面积计算函数。

进一步的，所述方向相似度计算方式如下：

其中，a_i，b_j为面要素候选匹配对，i∈[1，m]，j∈[1，n]，θ_(·)为面要素最小外接矩形长边方向。

进一步的，所述形状相似度计算方式如下：

其中，a_i，b_j为面要素候选匹配对，i∈[1，m]，j∈[1，n]，length_(·)是面要素外接矩形长度，width_(∶)是面要素外接矩形宽度。

进一步的，所述面积重叠度计算方式如下：

其中，a_i，b_j为面要素候选匹配对，i∈[1，m]，j∈[1，n]，Area(·)为面积计算函数。

进一步的，所述上下文相似度计算方式如下：

其中，

a_i，b_j为面要素候选匹配对，a_h，b_k为区域内已知匹配对，i、h∈[1，m]，j、k∈[1，n]，d(a_i，a_h)与d(b_j，b_k)为面要素几何中心距离，

为面要素a_i和a_h的矢量质心连线与x正轴夹角，

为面要素b_j和b_k的质心连线与x正轴夹角。本发明的有益效果为：

将矢量面状要素匹配问题转化为匹配模式识别问题，利用聚焦于单类别特征学习的OCSVM模型，识别矢量面要素1∶1、1∶0、1∶N和M∶N的匹配关系。该模型能够利用机器学习数据驱动优势，在无负样本条件下仅使用1∶1匹配样本，自动学习矢量面要素相似特征，调节各相似性指标权重，达到匹配关系识别效果。

附图说明

图1为本发明矢量面状要素匹配方法的流程图；

图2为本发明不同匹配关系的示意图；

图3为部分实验数据偏差示意图；

图4为部分实验数据匹配结果示意图。

具体实施方式

下面结合附图对本发明作进一步说明。

请参阅图1所示，一种基于OCSVM(One Class SVM，一类分类模型)的矢量面状要素匹配方法，包括以下步骤：

S1、在统一数学基础后，对两组待匹配的面要素集合SetA和SetB进行缓冲区分析，得到面要素缓冲区集合BufA与BufB，再通过相交分析工具对BufA与BufB进行相交计算，两集合中相交元素所对应的两面要素则为面要素候选匹配对。

通过上述空间分析得到若干面要素候选匹配对，并计算面要素候选匹配对的相似性指标。

其中，1∶1的面要素候选匹配对记为1∶1待匹配集合，1∶N的面要素候选匹配对记为1∶N待匹配集合，M∶N的面要素候选匹配对记为M∶N待匹配集合。例如，面要素集合{a₁，a₂，...，a_m}∈SetA与{b₁，b₂，...，b_n}∈SetB中分别有m与n个面要素，1∶1面要素候选匹配对可以记为(a₁|b₁)，1∶N的面要素候选匹配对可以记为(a₂|b₂，b₄)，M∶N的面要素候选匹配对可以记为(a₃，a₄|b₃，b₅，b₆)。

经过步骤S1后，未建立匹配对的面要素识别为无匹配关系，即未建立匹配对的面要素识别为具有1∶0匹配关系。

为减少匹配关系遗漏，可将缓冲距离设置为集合SetA与SetB最大系统偏差的两倍，以保留更多面要素候选匹配对。

面要素候选匹配对的相似性指标包括位置相似度、面积相似度、方向相似度、形状相似度、面积重叠度、上下文相似度。

位置相似度的计算方式如下：

其中，a_i，b_j为面要素候选匹配对，i∈[1，m]，j∈[1，n]，(x₁，y₁)和(x₂，y₂)分别为面要素候选匹配对a_i，b_j的中心点，U为面要素候选匹配对任意边界点间距离的最大值。

面积相似度的计算方式如下：

其中，a_i，b_j为面要素候选匹配对，i∈[1，m]，j∈[1，n]，Area(·)为面积计算函数。

方向相似度计算方式如下：

其中，a_i，b_j为面要素候选匹配对，i∈[1，m]，j∈[1，n]，θ_(·)为面要素最小外接矩形长边方向。

形状相似度计算方式如下：

其中，a_i，b_j为面要素候选匹配对，i∈[1，m]，j∈[1，n]，length_(·)是面要素外接矩形长度，width_(·)是面要素外接矩形宽度。

面积重叠度计算方式如下：

其中，a_i，b_j为面要素候选匹配对，i∈[1，m]，j∈[1，n]，Area(·)为面积计算函数。

上下文相似度计算方式如下：

其中，

a_i，b_j为面要素候选匹配对，a_h，b_k为区域内已知匹配对，i、h∈[1，m]，j、k∈[1，n]，d(a_i，a_h)与d(b_j，b_k)为面要素几何中心距离，

为面要素a_i和a_h的矢量质心连线与x正轴夹角，

为面要素b_j和b_k的质心连线与x正轴夹角。

S2、从面要素候选匹配对中随机选取部分面要素候选匹配对，并通过目视解译选取其中具有匹配关系的面要素候选匹配对，生成用于识别匹配关系的训练样本集。

随机选取可保证样本均匀分布在数据空间中。作为其中一种优选的实施方式，为保证命中足够的训练样本，随机选取数量可设置为总数据量的50％。

S3、利用OCSVM分类器学习训练样本集的相似性特征，得到匹配关系的识别模型。作为其中一种优选的实施方式，为获得最优参数，利用25％的训练数据进行参数寻优，设置自由参数v＝{0.01，0.02，...，0.5}，γ＝{2^-4，2^-3，...，2¹⁰}，训练每组自由参数组合，记录精度最高的自由参数组合，以此设置分类器参数v与γ。

S4、利用识别模型识别全部面要素候选匹配对中具有匹配关系的面要素；

S41、1∶1待匹配集合中，未建立匹配关系的面要素均识别为无匹配关系，即未建立匹配对的面要素识别为具有1∶0匹配关系。

S42、1∶N待匹配集合中，经过步骤S4识别后，若建立匹配关系，则余下未建立匹配关系的面要素识别为无匹配关系，即未建立匹配对的面要素识别为具有1∶0匹配关系；若未建立匹配关系，则将集合中的面要素进行合并，形成由N₁个面要素组成的新面要素，N≥N₁≥2，对应形成若干1∶1的新面要素候选匹配对，并计算新面要素候选匹配对的相似性指标，重复步骤S4、S41。

具体的，在步骤S42中重复步骤S4、S41时，利用识别模型识别全部新面要素候选匹配对中具有匹配关系的面要素，未建立匹配关系的面要素均识别为无匹配关系，即未建立匹配对的面要素识别为具有1∶0匹配关系，建立匹配关系的面要素均识别为具有匹配关系，即建立匹配对的面要素识别为具有1∶N匹配关系。

S43、M∶N待匹配集合中，经过步骤S4识别后，若建立匹配关系后，M＝0或N＝0或M和N同时为1，则余下未建立匹配关系的面要素均识别为无匹配关系；若建立匹配关系后，M≥1，N≥1，且M和N不同时为1，则将集合中未建立匹配关系的面要素进行合并，形成由M₂个要素组成的新面要素和N₂个要素组成的新面要素，M≥M₂≥1，N≥N₂≥1，且M₂和N₂不同时为1，对应形成若干组1∶1的新面要素候选匹配对，并计算新面要素候选匹配对的相似性指标，重复步骤S4、S41。

具体的，在步骤S43中重复步骤S4、S41时，利用识别模型识别全部新面要素候选匹配对中具有匹配关系的面要素，未建立匹配关系的面要素均识别为无匹配关系，即未建立匹配对的面要素识别为具有1∶0匹配关系，建立匹配关系的面要素均识别为具有匹配关系，即建立匹配对的面要素识别为具有1∶N匹配关系或M∶N匹配关系。

上述步骤S42、步骤S43是将1∶N的面要素候选匹配对和M∶N的的面要素候选匹配对转换为1∶1的的面要素候选匹配对进行识别。例如图2中，面要素a₁与其候选匹配b₁、b₂均未能建立匹配关系，则合并候选匹配要素b₁与b₂，重新计算位置相似度、面积相似度、方向相似度、形状相似度、面积重叠度和上下文相似度指标，然后识别合并后面状要素与a₁的匹配关系。若匹配，则a₁与b₁、b₂具有1∶N匹配关系。

需要说明的是，步骤S42、步骤S43中，建立匹配关系后的面要素候选匹配对默认从待匹配集合中移除。

具体的，以某一地区为试验区，选取比例尺1∶1000下两种不同来源的矢量居民地面状数据(分别包含6522和8385个面状要素)，数据偏差如图3所示。采用上述方法进行矢量面状要素匹配，并与传统的加权平均、SVM分类方法进行匹配效果比较。

实验结果精度对比如表1所示，部分匹配结果如图4所示。精度评价通过与人工匹配结果比对，计算匹配的准确率P、召回率R和F值，计算公式如下：

其中，TP为正确匹配数，FP为错误匹配数，FN为漏匹配数。

方法	准确率P	召回率R	F值
				本发明	0.97	0.91	0.92
SVM	0.96	0.84	0.90
				加权平均	0.85	0.88	0.87

表1：匹配结果精度对比

综上，该矢量面状要素匹配方法能够在少量面要素1∶1匹配样本条件下，学习多元面状要素匹配特征，较好地识别同名面状要素匹配关系，可为数字化地质资料质量检查、入库修正等提供技术支撑。

当然，以上仅为本发明较佳实施方式，并非以此限定本发明的使用范围，故，凡是在本发明原理上做等效改变均应包含在本发明的保护范围内。

Claims (8)

1.一种基于OCSVM的矢量面状要素匹配方法，其特征在于：包括以下步骤：

S1、对两组待匹配的面要素集合进行缓冲区分析和相交分析，得到若干面要素候选匹配对，并计算面要素候选匹配对的相似性指标，未建立匹配对的面要素识别为无匹配关系；

其中，1:1的面要素候选匹配对记为1:1待匹配集合，1:N的面要素候选匹配对记为1:N待匹配集合，M:N的面要素候选匹配对记为M:N待匹配集合；

S2、从面要素候选匹配对中随机选取部分面要素候选匹配对，并通过目视解译选取其中具有匹配关系的面要素候选匹配对，生成用于识别匹配关系的训练样本集；

S3、利用OCSVM分类器学习训练样本集的相似性特征，得到匹配关系的识别模型；

S4、利用识别模型识别全部面要素候选匹配对中具有匹配关系的面要素；

S41、1:1待匹配集合中，未建立匹配关系的面要素均识别为无匹配关系；

S42、1:N待匹配集合中，经过步骤S4识别后，若建立匹配关系，则余下未建立匹配关系的面要素识别为无匹配关系；若未建立匹配关系，则将集合中的面要素进行合并，形成由N₁个面要素组成的新面要素，N≥N₁≥2，对应形成若干1:1的新面要素候选匹配对，并计算新面要素候选匹配对的相似性指标，重复步骤S4、S41；

S43、M:N待匹配集合中，经过步骤S4识别后，若建立匹配关系后，M＝0或N＝0或M和N同时为1，则余下未建立匹配关系的面要素均识别为无匹配关系；若建立匹配关系后，M≥1，N≥1，且M和N不同时为1，则将集合中未建立匹配关系的面要素进行合并，形成由M₂个要素组成的新面要素和N₂个要素组成的新面要素，M≥M₂≥1，N≥N₂≥1，且M₂和N₂不同时为1，对应形成若干组1：1的新面要素候选匹配对，并计算新面要素候选匹配对的相似性指标，重复步骤S4、S41。

2.根据权利要求1所述的一种基于OCSVM的矢量面状要素匹配方法，其特征在于：所述面要素候选匹配对的相似性指标包括位置相似度、面积相似度、方向相似度、形状相似度、面积重叠度、上下文相似度。

3.根据权利要求2所述的一种基于OCSVM的矢量面状要素匹配方法，其特征在于：所述位置相似度的计算方式如下：

其中，a_i，b_j为面要素候选匹配对，i∈[1，m]，j∈[1，n]，(x₁，y₁)和(x₂，y₂)分别为面要素候选匹配对a_i，b_j的中心点，U为面要素候选匹配对任意边界点间距离的最大值。

4.根据权利要求2所述的一种基于OCSVM的矢量面状要素匹配方法，其特征在于：所述面积相似度的计算方式如下：

其中，a_i，b_j为面要素候选匹配对，i∈[1，m]，j∈[1，n]，Area(·)为面积计算函数。

5.根据权利要求2所述的一种基于OCSVM的矢量面状要素匹配方法，其特征在于：所述方向相似度计算方式如下：

其中，a_i，b_j为面要素候选匹配对，i∈[1，m]，j∈[1，n]，θ_(·)为面要素最小外接矩形长边方向。

6.根据权利要求2所述的一种基于OCSVM的矢量面状要素匹配方法，其特征在于：所述形状相似度计算方式如下：

其中，a_i，b_j为面要素候选匹配对，i∈[1，m]，j∈[1，n]，length_(·)是面要素外接矩形长度，width_(·)是面要素外接矩形宽度。

7.根据权利要求2所述的一种基于OCSVM的矢量面状要素匹配方法，其特征在于：所述面积重叠度计算方式如下：

其中，a_i，b_j为面要素候选匹配对，i∈[1，m]，j∈[1，n]，Area(·)为面积计算函数。

8.根据权利要求2所述的一种基于OCSVM的矢量面状要素匹配方法，其特征在于：所述上下文相似度计算方式如下：

其中，

a_i，b_j为面要素候选匹配对，a_h，b_k为区域内已知匹配对，i、h∈[1，m]，j、k∈[1，n]，d(a_i，a_h)与d(b_j，b_k)为面要素几何中心距离，

为面要素a_i和a_h的矢量质心连线与x正轴夹角，

为面要素b_j和b_k的质心连线与x正轴夹角。

Images