推荐星级：
- 1
- 2
- 3
- 4
- 5
立交桥识别的CNN卷积神经网络法
资料介绍
OSM数据中立交桥结构的识别和分类,能够为构建多尺度模型、导航和位置服务、拥堵分析等提供重要信息。传统的立交桥识别方法依赖于人工设计的低层次特征,无法有效区分存在干扰路段的复杂立交桥结构。本文针对当前算法抗差性上存在的不足,提出了一种新的基于卷积神经网络的立交桥识别方法。该方法将矢量数据与栅格图像相结合,利用神经网络学习区分立交桥类型的高层次模糊性特征,从而对OSM中的复杂立交桥结构进行分类。试验表明,该方法有较强的抗干扰性,在复杂的立交桥形态分类中取得了良好的效果,并随着案例库的扩充和神经网络模型的优化存在进一步提升的空间。
部分文件列表
| 文件名 | 大小 |
| 立交桥识别的CNN卷积神经网络法.pdf | 4M |
部分页面预览
（完整内容请下载后查看），
Ｖｏｌ．４７ Ｎｏ．３
第
卷
第
期
测
绘
学
报
ꢀ
４７
３
ꢀ
ꢀ
ꢀ
，
Ｍａｒｃｈ２０１８
年
月
２０１８
３
ＡｃｔａＧｅｏｄａｅｔｉｃａｅｔＣａｒｔｏｒａ ｈｉｃａＳｉｎｉｃａ
ꢀ ꢀ ꢀ ꢀ ꢀ
ｇ ｐ
ꢀ
ꢀꢀ
： ， ， ，
引文格式 何海威 钱海忠 谢丽敏 等 立交桥识别的
．
［］
， ， （）： ： ／
测绘学报
２０１８４７３ ３８５３９５．ＤＯＩ１０．１１９４７ ．ＡＧＣＳ．
－ ｊ
卷积神经网络法
ＣＮＮ
Ｊ ．
２０１８ ．２０１７０２６５ ．
， ， ， ［ ］
ＨＥ Ｈａｉｗｅｉ ＱＩＡＮ Ｈａｉｚｈｏｎ ＸＩＥ Ｌｉｍｉｎ ｅｔａｌ．Ｉｎｔｅｒｃｈａｎｅ Ｒｅｃｏｎｉｔｉｏｎ Ｍｅｔｈｏｄ Ｂａｓｅｄｏｎ ＣＮＮ Ｊ ．Ａｃｔａ Ｇｅｏｄａｅｔｉｃａｅｔ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ｇꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
， （）：
： ／
ＣａｒｔｏｒａｈｉｃａＳｉｎｉｃａ２０１８４７３ ３８５３９５．ＤＯＩ１０．１１９４７ ．Ａ Ｇ ＣＳ ．２０１８ ．２０１７０２６５ ．
ｊ
ｇ ｐ
ꢀ
－
立交桥识别的
卷积神经网络法
ＣＮＮ
， ， ，
何海威 钱海忠 谢丽敏 段佩祥
，
信息工程大学地理空间信息学院 河南 郑州
４５００００
ＩｎｔｅｒｃｈａｎｅＲｅｃｏｎｉｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＣＮＮ
ꢀ ꢀ ꢀ ꢀ ꢀ
ｇ
ｇ
， ， ，
ＨＥＨａｉｗｅｉＱＩＡＮＨａｉｚｈｏｎ ＸＩＥＬｉｍｉｎ ＤＵＡＮＰｅｉｘｉａｎ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ｇ
， ， ，
ＩｎｓｔｉｔｕｔｅｏｆＧｅｏｓ ａｔｉａｌＩｎｆｏｒｍａｔｉｏｎ ＩｎｆｏｒｍａｔｉｏｎＥｎｉｎｅｅｒｉｎ Ｕｎｉｖｅｒｓｉｔ Ｚｈｅｎ ｚｈｏｕ４５００００ Ｃｈｉｎａ
ꢀ
ꢀ ꢀ
ꢀ
ꢀ
ｐ
ｇ
ｇ
ꢀ
ｙ
ｇ
：
Ａｂｓｔｒａｃｔ Ｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆｉｎｔｅｒｃｈａｎｅ ｓｔｒｕｃｔｕｒｅｓｉｎ ＯＳＭ ｄａｔａ ｃａｎ ｒｏｖｉｄｅ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ ꢀ
ꢀ
ꢀ ꢀ
ꢀ
ꢀ
ｐ
ｇ
，
ｉｍ ｏｒｔａｎｔｉｎｆｏｒｍａｔｉｏｎｆｏｒｔｈｅ ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ ｍｕｌｔｉｓｃａｌｅ ｍｏｄｅｌ ｎａｖｉａｔｉｏｎ ａｎｄｌｏｃａｔｉｏｎ ｓｅｒｖｉｃｅｓ
ꢀ ꢀ
，
ꢀ
ꢀ
ꢀ
ꢀ
－
ꢀ
ꢀ
ꢀ
ꢀ
ｐ
ｇ
，
ｃｏｎｅｓｔｉｏｎ ａｎａｌｓｉｓ ｅｔｃ．Ｔｈｅｔｒａｄｉｔｉｏｎａｌｍｅｔｈｏｄｏｆｉｎｔｅｒｃｈａｎｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｒｅｌｉｅｓｏｎｔｈｅｌｏｗｌｅｖｅｌ
ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
－
ｇ
ｙ
，
ｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆ ａｒｔｉｆｉｃｉａｌ ｄｅｓｉｎ ａｎｄ ｃａｎｎｏｔ ｄｉｓｔｉｎｕｉｓｈｔｈｅ ｃｏｍｌｅｘｉｎｔｅｒｃｈａｎｅ ｓｔｒｕｃｔｕｒｅ ｗｉｔｈ
ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ｇ
ｇ
ｐ
，
ｉｎｔｅｒｆｅｒｅｎｃｅｓｅｃｔｉｏｎｅｆｆｅｃｔｉｖｅｌ．Ｉｎｔｈｉｓ ａｅｒ ａｎｅｗ ｍｅｔｈｏｄｂａｓｅｄｏｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒ
ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｐｐ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
，
ｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｔｈｅｉｎｔｅｒｃｈａｎｅｉｓ ｒｏｏｓｅｄ．Ｔｈｅｍｅｔｈｏｄｃｏｍｂｉｎｅｓｖｅｃｔｏｒｄａｔａｗｉｔｈｒａｓｔｅｒｉｍａｅ ａｎｄｕｓｅｓ
ꢀꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ｐ ｐ
ｇ
，
ｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｌｅａｒｎｔｈｅｆｕｚｚ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｉｎｔｅｒｃｈａｎｅ ａｎｄｃｌａｓｓｉｆｉｅｓｔｈｅｃｏｍｌｅｘｉｎｔｅｒｃｈａｎｅ
ꢀ ꢀ ꢀ ꢀ ꢀꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ｐ
ｙ
ꢀ
ｇ
ｇ
，
ｓｔｒｕｃｔｕｒｅｉｎＯＳＭ．Ｅｘｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｉｓｍｅｔｈｏｄｈａｓｓｔｒｏｎ ａｎｔｉｉｎｔｅｒｆｅｒｅｎｃｅ ａｎｄｈａｓａｃｈｉｅｖｅｄ ｏｏｄ
ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
－
ꢀ
ꢀ
ꢀ
ｇ
ｐ
ｇ
ꢀ
，
ｒｅｓｕｌｔｓｉｎｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｃｏｍｌｅｘｉｎｔｅｒｃｈａｎｅｓｈａｅ ａｎｄｔｈｅｒｅｉｓｒｏｏｍｆｏｒｆｕｒｔｈｅｒｉｍｒｏｖｅｍｅｎｔｗｉｔｈ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｐ
ꢀ
ｐ
ｇ
ｐ
ｔｈｅｅｘａｎｓｉｏｎｏｆｔｈｅｃａｓｅｂａｓｅａｎｄｔｈｅｏｔｉｍｉｚａｔｉｏｎｏｆｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌ．
ꢀ ꢀꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ｐ
ｐ
： ； ； ；
Ｋｅ ｗｏｒｄｓ ｃａｒｔｏｒａｈｉｃ ｅｎｅｒａｌｉｚａｔｉｏｎ ｉｎｔｅｒｃｈａｎｅｒｅｃｏｎｉｔｉｏｎ ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ ｒｉｄｖｅｃｔｏｒ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ｇ ｐ
ｇ
ｇ
ｇ
；
ｃｏｍｂｉｎａｔｉｏｎ ａｔｔｅｒｎｒｅｃｏｎｉｔｉｏｎ
ꢀ
ｐ
ｇ
： （ ；
Ｆｏｕｎｄａｔｉｏｎｓｕ ｏｒｔ ＴｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａＮｏｓ．４１５７１４４２ ４１１７１３０５
ꢀ
）
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ ꢀ
ｐｐ
： ， 、 、
数据中立交桥结构的识别和分类 能够为构建多尺度模型 导航和位置服务 拥堵分析等
ＯＳＭ
摘
要
ꢀ
。 ，
提供重要信息 传统的立交桥识别方法依赖于人工设计的低层次特征 无法有效区分存在干扰路段的
。 ，
复杂立交桥结构 本文针对当前算法抗差性上存在的不足 提出了一种新的基于卷积神经网络的立交
。 ，
桥识别方法 该方法将矢量数据与栅格图像相结合 利用神经网络学习区分立交桥类型的高层次模糊
，
性特征 从而对
。 ， ，
中的复杂立交桥结构进行分类 试验表明 该方法有较强的抗干扰性 在复杂的
ＯＳＭ
，
立交桥形态分类中取得了良好的效果 并随着案例库的扩充和神经网络模型的优化存在进一步提升的
。
空间
： ； ； ； ；
关键词 制图综合 立交桥识别 卷积神经网络 栅矢结合 模式识别
：
：
Ａ
：
文章编号
１００１－１５９５２０１８０３－０３８５１１
ꢀꢀꢀꢀ
（
）
中图分类号
文献标识码
Ｐ２０８
ꢀꢀꢀꢀ
－
：
基金项目 国家自然科学基金
（
；
４１５７１４４２４１１７１３０５
）
（
ＯＳＭ ｏｅｎｓｔｒｅｅｔｍａ
ｐ ꢀ
ꢀꢀ ꢀ ｐ
）
， ，
而由于立交桥结构复杂 变化多样 往往属于同一
作 为大 型 的 公 开 地
， （
图数据库 是地理信息情报 特别是境外地理信息
，
类型的立交桥其辅路的形态也不完全相同 且和
） 。
数据 收集的重要数据源 在对该来源数据进行
，
人行道相互交错 对分类模型的构建造成不小挑
。
处理和建立多尺度模型时需要对其进行一定程度
战
如何让计算机能够对复杂多变的交叉路口进
。
的制图综合 在大比例尺交通要素制图综合中
，
。
行准确地分类一直是研究的难点
［］
当前针对立交桥的识别方法主要有 文献
１
，
立交桥的分类是典型化的重要依据 并且能够为
：
、
导航和位置服务 拥堵分析等提供重要信息
。
然
提出一种利用道路节点密度对立交桥进行非结构
：
ｘｂ．ｓｉｎｏｍａ ｓ．ｃｏｍ
∥
ｐ
Ｍａｒｃｈ２０１８Ｖｏｌ．４７Ｎｏ．３ＡＧＣＳ
ꢀ ꢀ ꢀ ꢀ
ｈｔｔ
ꢀ
３８６
ｐ
， ，
化的定位方法 然而该方法仅限于定位 无法对立
；
模型 最后通过
的
模型对新抓取的立
ＣＮＮ
ＣＮＮ
；
交桥所属类型进行判断 文献
［］
提出一种基于结
２
，
交桥对象进行分类 并将分类的结果反馈到相应
，
构模式识别的立交桥判别方法 该方法利用有向
。
的矢量数据中去
，
属性关系图来描述道路交叉口结构 建立典型结
，
构模板库 然后通过关系图匹配识别典型交叉口
；
［］ ，
提出了一种改进的结构模式识别方法 该
３
文献
，
方法利用道路拓扑特征分类对立交桥进行描述
，
建立典型量化表达式模板库 通过对比量化表达
；
式识别立交桥类型 文献
［］
对以往的结构描述方
４
， 、 、 、
式进行了丰富 采用长度 面积 紧凑度 平行度
、
对称度和语义属性 个参数组成立交桥的特征空
６
，
间 利 用 支 持 向 量 机
（
，
ｓｕ ｏｒｔｖｅｃｔｏｒ ｍａｃｈｉｎｅ
ｐｐ
ꢀ
ꢀ
） ，
结合样本进行训练 并将训练好的模型用
ＳＶＭ
，
于主路和辅路的识别 不过该方法并未对立交桥
，
进行分类 而只是识别了主路和辅路
。
以上的方法均属于基于人工设计特征的识别
， 、
方法 将矢量的立交桥点 线结构通过空间计算
，
，
映射到一个特征描述空间中 然后进行识别和分
。
（
这类方法十分依赖于特征项的设计 例如长
类
、 、 ），
度 对称度 弯曲度等 这种浅层特征只对典型化
，
的立交桥数据能够比较有效地识别 如图
（）
所
１ａ
。
，
然而 现实中所处理的立交桥数据往往并不
示
， ，
是以理想状态呈现的 存在大量干扰 因此很难用
图
模型与现实数据对比
１
ꢀ
，
浅层次的模型进行类型描述 从而在传统手段下
Ｆｉ ．１ Ｃｏｍ ａｒｉｓｏｎｂｅｔｗｅｅｎｍｏｄｅｌａｎｄｒｅａｌｄａｔａ
ｇ ꢀ
ꢀ ꢀ ꢀ ꢀ ꢀ
ｐ
。
无法进行有效的分类判断 在来自
开放城
ＯＳＭ
， ，
市数据中 立交桥本身属性信息不全 且往往伴随
卷积神经网络的概念及应用策略
１
ꢀ
、 、 （
着各种辅路 交叉路 人行道等 如图
（） ），
所示
１ ｂ
。
严重影响基于人工特征描述模型的判断
卷积神经网络在图像分类领域的应用
１．１
ꢀ
人对于立交桥的认知是基于视觉的模糊判断
传统的图像物体检测和分类的关键在于特征
， ，
过程 能自动过滤掉无关信息 从整体和局部中提
，
表达 而特征设计需要具有较高专业素养的专家
，
取深层次模糊性特征 从而辨别出大量干扰下的
， 、 ，
手工完成 这种方式投入精力大 时间成本高 虽
［］
９
。
。
立交桥类型 模拟人类的视觉感知过程是机器视
，
然应用广泛 但并不是一个可拓展的途径
（
，
）
领域研究的热点问题之
ｃｏｍ ｕｔｅｒｖｉｓｉｏｎ ＣＶ
觉
一
（
ｐ
ꢀ
基于神经网络的图像识别不需要人工进行特
。
，
在 机 器 视 觉 领 域 卷 积 神 经 网 络
，
征设计 直接由计算机通过读取栅格图像进行训
，
）
已 经 逐 渐
ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ ＣＮＮ
， ，
练 收敛得到各层神经元对应的参数值 这些参数
ꢀ
ꢀ
，
取代以往的模式识别方法 并成功应用于手写字
。
即反映了区分图像类型的深层次特征 然而构建
、 ，
识别 人脸识别和遥感影像分类等领域 取得了令
，
深度神经网络模型的难点在于其训练过程 深度
［
］
５８
。
－
，
受到这些成功案例的启发 本
人瞩目的成就
。
越深模型的参数规模越大越不容易收敛 近年来
，
文将卷积神经网络引入到立交桥的识别中 以解
，
深度神经网络在机器视觉领域得以有效的应用
［
］
１０１２
。
－
。
决在大比例尺复杂情况下立交桥的识别问题
归功于卷积神经网络的提出
继承了
ＣＮＮ
： ，
基本思路为 首先 利用矢量特征进行定位
，
（
，
）
神 经
ｂａｃｋ ｒｏａａｔｉｏｎ ＢＰ
ｐ ｐｇ
传统误 差 反 向 传 播
－
；
通过自动抓取图像以及人工标注得到训练样本
， ，
网络的优点 采取权值共享的方式 加入了卷积层
， ，
然后 利用样本对卷积神经网络进行训练 学习立
， ，
和池化层 减少了权重参数的个数 不仅很好地控
，
交桥的深层次模糊性特征 从而得到立交桥分类
， 、
制了整个网络的规模 而且对图像在位移 缩放和
相关下载
- STM32F429程序源码- FreeRTOS队列集模拟事件...
- STM32F429程序源码 FreeRTOS互斥信号量操作实...
- STM32F429程序源码- FreeRTOS计数型信号量操...
- STM32F429程序源码- FreeRTOS空闲任务钩子函...
- STM32F429程序源码- FreeRTOS列表项的插入与...
- STM32F429程序源码- FreeRTOS内存管理实验
- STM32F429程序源码- FreeRTOS任务创建与删除...
- STM32F429程序源码- FreeRTOS任务创建与删除...
- STM32F429程序源码- FreeRTOS任务挂起与恢复...
- STM32F429程序源码- FreeRTOS任务通知模拟二...
更多>>
最新上传
- 打赏
- 30日榜单
-
21ic小能手 打赏10.00元 1天前
-
21ic小能手 打赏20.00元 3天前
-
21ic小能手 打赏15.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic下载 打赏310.00元 3天前
用户：小猫做电路
-
21ic下载 打赏310.00元 3天前
用户：gsy幸运
-
21ic下载 打赏310.00元 3天前
用户：liqiang9090
-
21ic下载 打赏310.00元 3天前
用户：zhengdai
-
21ic下载 打赏160.00元 3天前
用户：w1966891335
-
21ic下载 打赏160.00元 3天前
用户：w178191520
-
21ic下载 打赏160.00元 3天前
用户：kk1957135547
-
21ic下载 打赏40.00元 3天前
用户：WK520077778
-
21ic下载 打赏40.00元 3天前
用户：sun2152
-
21ic下载 打赏30.00元 3天前
用户：xuzhen1
-
21ic下载 打赏50.00元 3天前
用户：铁蛋锅
-
21ic下载 打赏30.00元 3天前
用户：xzxbybd
-
21ic下载 打赏40.00元 3天前
用户：z00
-
21ic下载 打赏40.00元 3天前
用户：forgot
-
21ic下载 打赏40.00元 3天前
用户：happypcb
-
21ic下载 打赏20.00元 3天前
用户：zhaoqshan
-
21ic下载 打赏5.00元 3天前
用户：17724187683
-
21ic下载 打赏5.00元 3天前
用户：zmm1818
-
21ic小能手 打赏15.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
chenruiji 打赏1.00元 3天前
资料：血糖仪原理图
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
资料：测试智能语音控制模块
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
全部评论(0)