融合几何和拓扑特征的道路类型识别方法

针对开放街道地图道路语义信息评估与改善方面的研究不足，提出了一种新的自动识别道路类型的方法。该方法基于道路的几何和拓扑特征，将道路弧段组织为Stroke,并提取出其几何拓扑特征。随后，通过监督学习训练随机森林分类器，建立了特征与道路类型之间的映射关系，从而实现了对道路类型的自动识别。在实验中，我们构建的道路类型识别模型的精度达到了81.20%,这证明了我们的方法是有效的。与支持向量机、逻辑回归和K最邻近算法相比，我们使用随机森林构建的道路类型识别模型表现最优。总的来说，本研究为评估和改进OSM道路语义信息提供了一种新的可能性，展示了利用道路几何和拓扑特征进行道路类型自动识别的潜力。     

志愿者地理信息中天桥的自动识别方法

基于天桥的几何与属性特征,提出了一种志愿者地理信息中自动识别天桥的方法。天桥从几何结构上可分为主桥和附属设施两个部分,主桥部分特征鲜明,可以视为两类分类问题,依据其几何特征和属性特征构建特征空间,利用支持向量机的方法进行识别;附属设施部分可依据已识别的天桥主桥,按照路段的长度、属性等判定规则进行识别,从而完成整个天桥的自动识别。以北京市OpenStreetMap(osm)数据进行试验验证的结果表明,本文提出的方法能有效地识别出志愿者地理信息中的典型天桥结构,可以为志愿者地理信息道路网的多尺度建模与化简、步行导航等提供帮助。     

支持向量机技术在土地利用监测的应用研究

针对遥感图像在土地利用监测应用中采用人工识别导致监测效率低的问题,提出采用支持向量机的自动识别方法和识别流程,以提高土地利用动念监测的自动化程度和监控效率.该办法基于统计学习理论,使用小样本训练,支持线性和非线性分类.     

支持向量机的车载雷达点云目标识别

为了进一步研究移动测量系统的数据处理问题,该文根据点云的基本特征,归纳了由7个特征构成的点云原始特征向量,在此基础上,结合语义环境构建了由17个特征构成的点云扩展特征向量,并采用支持向量机模型对车载LiDAR点云进行行道树点云识别的一系列实验。实验中采用粒子群优化算法和遗传算法对支持向量机进行参数寻优;采用不同特征向量和不同数目样本对点云进行学习和目标识别;分析了特征向量的学习曲线和识别精度。实验结果表明,支持向量机模型能够在行道树点云识别中取得较高的精度。     

西安电子科技大学地图自动输入与识别系统

西安电子科技大学人工智能与模式识别研究室，从1987年开始，在电子工业部的支持下，率先开展了对地图自动识别与理解技术的研究工作，经过多年努力，现已开发出一个“地图自动输入与识别系统”。该系统依据计算机视觉和模式识别原理，以实际的中等复杂度的彩色地图为处理对象，有效地将其颜色特征及结构特征结合起来，通过扫描输入、颜色分层、跟踪识别，实现计算机对地图要素的自动识别与分类，从而形成“电子地图”。适用于地域规划、勘探、地震、环保、航海、空中交通管制及自动化军事指挥系统等领域。     

面向卫星云图云分类的自适应模糊支持向量机

云类识别是实现卫星云图自动分析的基础,针对卫星云图易受噪声干扰且不同云系往往相互交叠的特点,构造一种面向云类识别的自适应模糊支持向量机。该方法不仅改进了隶属度函数的表现形式,而且通过定义控制临界隶属度和隶属度衰减趋势的参数,使隶属度能根据不同云系样本的具体分布特性自适应调整,解决了传统模糊支持向量机的隶属度函数难以反映样本分布的问题。在MTSAT卫星云图上的实验结果表明,通过提取云图可见光通道的反照率、红外通道的亮温及三种亮温差作为云图的光谱特征,并结合统计纹理特征,所构造的自适应模糊支持向量机分类器能有效区分晴空区、低云、中云、高云及直展云;云类识别准确率优于标准支持向量机和传统模糊支持向量机,且具有更强的稳定性和自适应性。     

利用路段分类识别复杂道路交叉口

道路网数据中微观结构的识别对于多尺度路网建模、步行导航等至关重要。复杂道路交叉口是重要的道路微观结构之一,针对目前道路复杂交叉口基于几何形状描述与图形匹配识别方法存在的不足,从复杂交叉口识别与化简的角度出发,提出了一种利用路段分类进行复杂道路交叉口识别与化简的方法。该方法首先通过点密度聚类的方法对道路交叉口进行定位,然后利用路段的规模、形状和属性等特征构建特征空间,将交叉口的识别作为一种区分主干路段与辅助路段的两类分类问题,利用支持向量机的方法对交叉口区域内的路段进行分类,从而完成交叉口的识别与化简。利用开放街道地图(OpenStreetMap)数据进行实验,结果表明,该方法能够有效地识别道路交叉口。     

主动学习和卷积神经网络的地图图片识别方法

针对目前互联网中存在有大量地图图片识别精度低、分类模型训练困难等问题,该文提出了一种基于主动学习和卷积神经网络的地图图片识别方法,通过主动学习算法优化地图/非地图图片样本数量及分类结构,可使用少量的训练样本以及人工投入,来获取基于卷积神经网络的高精度地图图片识别模型。结果表明:基于主动学习方法将地图/非地图图片样本类型划分为17类时,地图图片识别精度最高,约为95.01%。本文地图识别方法可有效地推动图像地理信息挖掘、地图审查及地理信息监管等领域的技术进步。     

一种高分辨率遥感影像汽车识别检测方法

地物的自动识别一直是遥感影像处理领域的研究热点,目前已经形成了一些比较成熟的地物识别方法,如面向对象、支持向量机和BP神经网络等方法,均可得到较好的识别效果,但大都存在算法效率低,精度差、自动程度不高,需要大量人工参与等问题。本文尝试将基于机器学习算法的目标自动识别标注技术应用于遥感影像信息提取,在利用worldview2全色影像数据进行汽车识别研究的基础上,提出了在Microsoft Visual C++平台下利用OpenCV函数库,提取样本图像Haar特征,并采用Adaboost算法训练分类器,在高分辨率遥感影像上进行汽车自动识别、提取的新方法,并总结归纳了技术方法流程及相关程序。     

进化多核相关向量机的大坝变形预测

针对大坝变形系统的非线性、复杂性以及不确定等特点,提出一种优化多核相关向量机的大坝变形预测模型方法。通过对实验数据进行归一化处理,核函数的加权组合以及遗传算法对模型参数的优化,建立遗传算法优化多核相关向量机的大坝变形预测模型。实验结果表明:数据归一化能归纳统一样本的统计分布性,加快梯度下降求解最优解速度和提高预测精度;优化的加权核函数能有效提高模型预测精度;各项精度指标值均优于BP神经网络方法、多项式核相关向量机方法预测精度,证实优化的多核相关向量机模型是一种精度较高的大坝变形预测方法。     

基于神经网络的地图数字注记识别

指出了地图自动识别系统中地图数字注记识别存在的困难，论证了利用神经网络技术解决这种困难的可能性，并通过一个含有２个隐藏层的ＢＰ网络，说明了这种技术用于地图数字注记识别的可行性。     

基于多核学习的高分辨率遥感图像目标检测方法

为更有效地实现复杂场景中的多类目标同时检测,本文提出了一种基于多核学习算法进行目标检测的框架。该方法由特征提取和模型训练2个阶段组成。特征提取阶段,引入了多尺度下的点特征、表观特征同时对多类目标进行综合描述;模型训练阶段,分别采用加权相加和相乘2种方法将提取的各个基础特征组合起来,在支持向量机的框架下对各特征所代表的基础核权重进行学习。将训练所得的分类器结合滑动窗搜索技术对遥感图像进行目标检测实验,结果表明,与传统单核支持向量机相比,准确率更高。     

Word2vec和支持向量机的POI自动分类方法

针对兴趣点(POI)数据名称文本特征稀疏以及语义关系简单所导致的POI数据管理困难等问题,该文提出一种基于词向量计算工具Word2vec和支持向量机的POI分类方法。首先对POI名称进行分词、去停用词等预处理;然后通过Word2vec模型生成词向量,并引入词频-逆文档频率(TF-IDF)权重进行加权求和实现名称文本的向量表示;最后,在对支持向量机分类器训练的基础上,实现POI数据自动分类。为了验证方法的有效性,该文选取百度地图的6类POI数据进行试验,结果表明,该文方法在6个类别中总体正确率达到94.43%,优于目前常用的机器学习分类方法。     

基于神经网络的地图数字注记识别

指出了地图自动识别系统中地图数字注记识别存在的困难，论证了利用神经网络技术解决这种困难的可能性，并通过一个含有２个隐藏层的ＢＰ网络，说明了这种技术用于地图数字注记识别的可行性。     

面向地图图片识别的两种卷积神经网络分析

针对目前多种网络基于小数据集或国际通用的一些标准数据集进行训练与测试,无法满足从互联网图片中高效识别出地图图片的需求,该文构建了一套基于卷积神经网络的互联网图片分类体系,对自动采集的92543张互联网图片经类型标注后形成样本库,将样本输入残差网络ResNet50和轻量级网络SqueezeNet中进行训练及测试.结果 显示:在地图类中,ResNet50的精确率、召回率分别比SqueezeNet高2.01％、0.32％;前者所耗费的训练、测试时间分别为后者的2.51倍、6.43倍,将上述指标进行归一化处理来综合评价两种网络在地图图片识别中的优越性.得出结论:SqueezeNet网络在地图识别应用中更具优越性,可有效提升在互联网地图图片中所包含"问题地图"的审查效率和及时响应服务.     

端元可变非线性混合像元分解模型

遥感影像中混合像元普遍存在。端元固定的情况下对混合像元进行分解,很难高精度地识别影像地物。本文基于支持向量机,提出了端元可变的非线性混合像元分解模型。首先,通过构建多个支持向量机获取每个像元的优化端元集,在优化端元集的基础上运用支持向量机与两两配对方法相结合的算法获取像元组分。试验结果表明,本文提出的方法效果优于传统的多端元光谱分解法。     

一种卷积神经网络的地图图片智能识别方法

针对网络中的地图图片目前难以快速搜寻并对其进行有效标引这一问题,该文提出了使用深网搜索引擎持续获取网络图片,在标记样本较少的情况下,采用基于主动学习的样本扩容算法、基于卷积神经网络的网络地图图片自动语义标引方法,能快速、有效地识别网络中的地图图片,对地图图片的识别精度达到了93.64%,克服了采用人工方式获取样本和图片识别过于耗时费力的困难,有效解决了稀少样本下网络地图图片的智能提取难题,可为地理信息挖掘、问题地图监管等提供有效保障。     

基于支持向量机的特定目标检测方法

提出了运用支持向量机进行目标检测的方法。通过对航空影像中的军事目标和自然背景两类样本进行学习，支持向量机检测方法建立了针对目标和非目标有效区分的识别模型，该模型能够对航空影像中所有的区域进行快速的检测和识别，检测到所有感兴趣的人造军事目标。试验表明，该方法快速、高效且具备一定的鲁棒性。     

地图线状要素眼动识别的朴素贝叶斯方法

眼动追踪技术在人机交互、用户行为识别、预测等方面得到了广泛应用,但是如何自动识别用户的地图阅读行为,眼动行为仍具有一定的挑战性.本文提出了一种基于朴素贝叶斯分类模型的方法识别用户阅读地图线状要素时的眼动行为.本试验首先通过25名被试者阅读地图过程中的眼动行为进行数据采集,然后提取了250个眼动特征并对其进行离散化处理,...     

泰山麻栎多光谱遥感识别的方法优选

树种识别精度将直接影响森林制图精度。为提高泰山麻栎识别精度,通过优选敏感波段及其波段组合,利用多种方法对麻栎进行遥感识别。本文基于资源一号02C(ZY-1 02C)5月12日多光谱遥感影像,分析关键物候期的光谱特征,选取敏感波段并进行波段组合,分别运用云模型、支持向量机(SVM)、最大似然法(MLC)3种分类方法对麻栎进行遥感识别。结果表明,第2、3波段(记为B2和B3)为识别麻栎的敏感波段,其中B3为最敏感波段。3种识别方法中,云模型总体识别精度最高,为94.29%;其次是支持向量机,为90.82%;最大似然法最低,为85.54%。本文利用B3波段构建的云模型对泰山麻栎识别效果最优,可为其他树种识别提供技术支持。