积分商城

最新搜索： quartus 16.1 VHDL串口 数字信号 labview Saber仿真软件的设计与应用 定向声波
您现在的位置是：首页 > 技术资料 > 立交桥识别的CNN卷积神经网络法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

立交桥识别的CNN卷积神经网络法

更新时间：2020-01-01 21:24:08 大小：4M 上传用户：songhuahua查看TA发布的资源 标签：CNN卷积神经网络 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

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

【关注视频号领20积分】   【关注公众号立即送20积分】

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

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号