基于GIS的道路几何网络数据模型及其应用

道路网络是道路网络分析的空间地理对象,在进行道路网络分析前需要花费大量的时间进行空间网络拓扑关系的建立.从提高数据处理效率、节约存储空间的角度出发,提出基于GIS的道路几何网络矢量数据模型.利用几何网络拓扑关系,提出实现道路网络的自动生成的算法,并把该数据结构模型及算法应用于道路网络分析软件中.     

用于智能驾驶的动态场景视觉显著性多特征建模方法

驾驶场景的视觉显著性建模是智能驾驶的重要研究方向.现有的静态和虚拟场景的视觉显著性建模方法不能适应真实驾驶环境下道路场景实时性、动态性和任务驱动特性.构建真实驾驶环境的动态场景视觉显著性模型是目前研究的挑战.从驾驶环境的特点与驾驶员的视觉认知规律出发,本文提取道路场景的低级视觉特征、高级视觉特征和动态视觉特征,并结合速度和道路曲率两个重要影响因素,建立了多特征逻辑回归模型(logistic regression,LR)计算驾驶场景视觉显著性.使用AUC值对模型进行评价,结果显示精度达到了90.43％,与传统的算法相比具有明显的优势.     

一种基于多特征及BP神经网络的高分辨率遥感影像道路提取方法

高分辨率遥感影像的道路提取能够广泛应用于自动驾驶及地图导航的研究,现有道路自动提取方法精度较低。随着人工智能技术的发展,人工神经网络算法得到推广,将其应用于高分辨率遥感影像的道路提取也在探索研究之中。提出一种基于图像分割及神经网络的高分辨率遥感影像道路提取方法,以减少大量的人工预处理工作,提高道路识别提取效率。针对传统方法用于复杂影像分析的参数难以确定的问题,首先采用影像分割技术获得影像对象,然后对影像对象进行纹理特征、形状特征、光谱特征的计算,并使用BP神经网络进行训练,形成分类模型。基于得到的分类模型进行道路的自动提取,在仿真实验中获得了较好的精度,识别准确率达到87.6%。     

道路交通网络金字塔模型车道级特征层构建

车道级道路网络模型在自动驾驶中具有非常重要的作用,文中依据车道及相邻车道之间的通行规则,以车道组、车道段作为建模基本元素,基于道路交通网络金字塔模型,设计了车道级特征层的表达结构,提出基于实际车道分隔线特性的自动构建方法,通过实例实现了模型的建立。文中所设计的车道特征层可优化车道的描述与组织,减少数据存储冗余,能为自动驾驶提供车道级微观路径规划。     

加权网页排序算法在道路网自动选取中的应用

针对现有算法在计算道路网节点重要度时忽略节点间的相互影响以及道路密度引起的重要度异常等问题,提出了一种基于加权网页排序算法的道路网自动提取方法。首先将道路连接成路段,以路段为网络节点,道路交叉作为节点连线,路段长度作为边的权重,将道路网抽象成有向有权图;然后利用加权网页排序算法计算有向有权图节点的重要度,并利用链接作弊检测的方法修正由道路密度引起的节点重要度异常,得到道路节点的最终重要度排序,从而完成道路网的提取。通过真实路网数据进行实验分析,结果表明,相对基于网络中心性的方法,该算法的提取结果能够更好地保留原始路网的密度差异和整体结构。     

全卷积神经网络的车辆点云目标精细化检测

针对无人驾驶技术高速发展中车辆目标的3D检测仍存在局限性的问题,该文提出了一种基于全卷积神经网络的车辆点云三维目标检测框架。进行了深度学习技术在二维图像的目标检测成熟应用的调查,将全卷积神经网络的目标检测扩展到三维点云数据。该算法在KITTI数据集上进行了测试,并与先前基于点云的车辆检测方法进行比较表明算法性能有着显著提高。研究结果可以应用于激光雷达点云实现车辆检测任务,从而可以较好地服务于自动驾驶。     

基于图像灰度的点特征提取算子参数自适应研究

目前基于图像灰度的点特征提取算子的参数选择均根据经验值手动设置。然而该方法常需多次设置比较后才能得到较好的特征点,所以有必要研究各算子的参数自适应。通过真实拍摄影像测试了各算子参数对提取特征点的影响情况;在此基础上提出各算子的自动设置参数算法,并通过3种对比度不同的影像分别测试了各自动设置参数算法的特征点提取效果。研究结果表明:各自动设置参数算法都能自动检测较优的参数值,避免了手动设置参数的不确定性,提高了影像特征点提取的效率。     

利用街区面块拓扑构建道路网络的算法

道路交通网络是进行各种道路交通网络分析与可视化的基础。构建道路网络的常用方法是运用已有道路面矢量数据提取道路中心线,并自动生成道路网络。提出了一种根据街区面块拓扑关系自动构建道路网络的算法,首先,根据道路面求反得到街区面块并计算街区面块间的拓扑关系;然后,根据街区面块之间的拓扑关系自动建立道路网络拓扑关系;最后,计算路段(网络弧段)中心线和道路交叉口(节点)的几何位置,完成数字道路网络的构建。与以住算法不同,该算法将拓扑关系构建与中心线提取分开,直接由道路面原始数据构建网络拓扑关系,保证拓扑结构的准确性,且为道路中心线提取提供路段交叉口判别依据。实验表明,所提出算法较好地解决了已有算法在自动计算道路中心线时数据预处理复杂和道路面分割难以处理等问题。     

基于图像语义分割的动态场景下的单目SLAM算法

在恢复场景信息和相机运动时，传统的SLAM算法是基于静态环境假设的。场景中的动态物体会降低算法的稳健性和最终的定位精度。本文提出将基于深度学习的图像语义分割技术与传统的视觉SLAM算法结合，以减少动态物体对定位结果的干扰。首先，构建有监督的卷积神经网络对输入图像中的动态物体进行分割，获得语义图像；然后，从原始图像中提取特征点，并根据语义图像剔除动态物体特征点，保留静态物体特征点；最后，利用静态物体特征点采用基于特征点的单目视觉SLAM算法对相机运动进行跟踪。在ApolloScape自动驾驶数据集上的试验表明，与传统方法相比，本文算法在动态场景中定位精度提升约17%。     

一种多层特征融合的道路场景实时分割方法

道路场景理解是自动驾驶领域中重要模块之一，它可以提供关于道路更丰富的信息，对于建立高精度地图和实时规划都具有重要作用。其中，语义分割可以为图像每个像素赋予类别信息，是自动驾驶场景理解中最常用的方法。但是，目前常用的语义分割算法在速度和精度上大都不能达到很好的平衡。本文在MobileNetV2的基础上，提出了一种多层次特征融合的方法，使得网络可以在实时运行的同时保证精度满足实际应用的需求，并在Cityscapes数据集上进行了试验验证和分析。     

MS-VSCN:用于影像匹配的多尺度视觉相似度比较网络

影像匹配在多种计算机视觉任务中起着重要的作用。提出一种用于影像匹配的多尺度视觉相似度比较网络。该网络基于孪生网络结构进行构建,将普通卷积与空洞卷积进行融合,使得卷积神经网络在多个尺度上提取到的视觉特征实现互补。首先,网络的输入由两幅待匹配的影像组成,使用权值共享的两个网络分支分别提取两幅影像的深度特征;其次,在网络中与每个普通卷积模块平行设置一个或多个空洞卷积模块,得到的特征经过融合后输入下一个网络层进行特征提取;最后,根据网络输出特征间的欧氏距离对影像的相似度进行比较,从而完成影像匹配关系的判别。实验结果表明,本文提出的方法在测试数据集上的性能优于对比方法,能够有效地完成影像匹配任务。     

有监督的邻域保留嵌入的高光谱遥感影像特征提取算法

超光谱遥感图像特征提取对于图像分类具有重要意义,本文提出一种名为判别监督邻域保留嵌入的新型特征提取算法(discriminative supervised neighborhood preserving embedding, DSNPE)。在高维超光谱遥感图像特征提取过程中, DSNPE不但能保留图像的局部流形结构和邻域信息,而且采用像素点由邻域同类像素点线性表示,将邻域中同类和非同类像素点分开处理,利用判别分式求解最优投影矩阵,使高维像素点投影到低维空间时,同类点离得尽可能近,非同类点离得尽可能远,有利于图像的分类。对三幅超光谱遥感图像的特征提取及分类的实验说明：与主成分分析（PCA）、非参数权重特征提取（NWFE）、局部保留投影 (LPP)、邻域保留嵌入（NPE）等相比,具有一定的优越性和可判别性。     

一种基于图卷积的车载视频对象语义分割方法

针对图像语义分割网络(SegNet)在对车载视频分割过程中，因局部特征的丢失造成语义分割精度不高的问题，该文提出一种具有权重系数和图卷积网络的视频分割深度卷积网络(WG-ViSeg)。该网络对SegNet进行改进，在高级特征提取过程中加入图卷积结构，通过扩大节点的感受野减少局部特征的丢失。该网络又利用SE注意力机制改变特征图谱的权重系数进一步提高网络编码能力。对Camvid数据增强验证后结果表明，在满足车载视频对象的快速响应范围内，WG-ViSeg能够很地改善分割过程中出现的碎片化状况，较好地分割出相邻目标对象，对车载视频的整体分割精度达到89.7%,较现有的最优网络提升了5%,尤其对自动驾驶较为重要的车辆、行人等类别的语义分割精度提升了17%。     

融合空谱特征的车载LiDAR点云道路标识线提取

道路标识线是三维道路场景中重要的交通标识之一。自动提取点云场景中的标识线信息对于道路路宽测量、自动驾驶等任务具有十分重要的意义。本文提出了一种基于空谱特征的车载Li DAR点云道路标识线提取方法。该方法充分考虑车载激光点云中道路标识线的颜色、空间邻域和高程等位置关系,直接对点云数据进行自动分类,提取道路标识线。为了验证本文方法的有效性,采用高速公路路段场景的车载激光点云数据进行试验,从中选取训练数据及测试区域进行道路标识线提取试验。最后,本文基于手动标记数据验证本文方法的效果,道路标识线提取总体精度为99.64%。     

基于SOM的高分辨率遥感影像道路网自动提取

本文研究基于SOM(Self-Organizing Feature Map)神经网络学习模型的高分辨率遥感影像道路网自动提取算法。首先利用数学形态学提取遥感图像道路的初始道路区域信息,自动对原始图像进行分区并确定神经元初始权值,用SOM网络学习模型对神经元进行训练学习,经迭代获取道路网中心点位置,最后运用"中心点四邻域跟踪判别法"跟踪连接形成道路中心线。实验表明,该方法在高分辨率遥感影像道路网的提取上有较好的效果,特别在主干道路网的提取上效果更佳,对噪声干扰具有良好的鲁棒性。     

深度学习倾斜三维模型车辆去除算法北大核心CSCD

针对倾斜三维模型中车辆运动导致的车辆变形问题,本文提出了深度学习倾斜三维模型车辆去除算法。首先利用深度目标检测网络对三维模型中的车辆进行检测,定位车辆的位置;然后利用深度图像修复算法对车辆进行擦除,自动填充道路纹理。相较于基于Photoshop的手工车辆去除方法,该方法可有效提高作业效率。     

多分辨率特征融合的光学遥感图像目标检测

高分辨率遥感图像目标检测是计算机视觉的一个重要研究领域,在民用与军事领域具有重要的应用价值。目前,基于深度学习的自然图像目标检测有了突破性进展。但是,由于遥感图像具有目标尺度差异大且类间相似度高的特点,使得处理自然图像的目标检测算法直接应用于遥感图像时仍面临着一些挑战。针对上述挑战,本文提出一种多分辨率特征融合的遥感图像目标检测方法。首先,通过特征金字塔提取多尺度特征图并在其后嵌入多分辨率特征提取网络,促使网络学习目标在不同分辨率下的特征,缩小不同特征层之间的语义差距。其次,为实现多分辨特征的有效融合,本文采用自适应特征融合模块挖掘更具判别性的多分辨特征表达。最后,将自适应特征融合模块的输出特征的相邻层进行深度融合。在公开的遥感图像目标检测数据集DIOR和DOTA上评估了本文方法的有效性,相比采用特征金字塔结构的Faster R-CNN,本文方法的准确率(mAP)分别提高2.5%和2.2%。     

一种改进的浮动车地图匹配算法

现有地图匹配算法应用于低频方式采样的浮动车GPS数据时匹配准确度与匹配效率不能同时兼顾。基于此,本文提出了一种改进的浮动车地图匹配算法,基于改进的自适应电子地图网格划分方法快速确定待匹配定位点候选路段集,基于最短距离权重、车辆航向权重、最短路径权重及轨迹方向权重的总权重准确确定最优匹配路段及匹配点。试验结果表明,该算法在保证匹配效率的同时提高了算法的匹配准确度。     

多尺度特征增强的遥感图像舰船目标检测

针对背景复杂的遥感图像中,舰船方向任意、密集排列造成的漏检问题,基于旋转区域检测网络,提出多尺度特征增强的遥感图像舰船目标检测算法。在特征提取阶段,利用密集连接感受野模块改进特征金字塔网络,选用不同空洞率的卷积获取多尺度感受野特征,增强高层语义信息的表达;为了抑制噪声并突出目标特征,在特征提取后设计基于注意力机制的特征融合结构,根据各层在空间上的权重值融合所有层,得到兼顾语义信息和位置信息的特征层,再对该层特征进行注意力增强,将增强后的特征融入原金字塔特征层;在分类和回归损失基础上,增加注意力损失,优化注意力网络,给予目标位置更多关注。在DOTA遥感数据集上的实验结果表明,该算法平均检测精度可以达到71.61%,优于最新的遥感图像舰船目标检测算法,有效地解决了目标漏检问题。     

基于PMVS算法的大规模数据细粒度并行优化方法

三维多视角立体视觉算法（patch-based multi-view stereo，PMVS）以其良好的三维重建效果广泛应用于数字城市等领域，但用于大规模计算时算法的执行效率低下。针对此，提出了一种细粒度并行优化方法，从任务划分和负载均衡、主系统存储和GPU存储、通信开销等3方面加以优化；同时，设计了基于面片的PMVS算法特征提取的GPU和多线程并行改造方法，实现了CPUs_GPUs多粒度协同并行。实验结果表明，基于CPU多线程策略能实现4倍加速比，基于统一计算设备架构（compute unified device architecture，CUDA）并行策略能实现最高34倍加速比，而提出的策略在CUDA并行策略的基础上实现了30%的性能提升，可以用于其他领域大数据处理中快速调度计算资源。