面向虚实融合的单体建筑物实时识别与定位

针对当前矢量地图导航缺乏真实环境信息,而视觉地理定位依赖海量图像标注数据的问题,提出了一种面向虚实融合的单体建筑物实时识别与定位方法。该方法以智能手机为载体,利用轻量级深度网络SSD(single shot detector)实时检测手机视频流中的建筑物对象类别,通过调用手机内置传感器获取当前定位信息与拍摄视角,并以矢量地图信息为辅助,在仅需识别出建筑物类别的情况中,准确获得单个建筑物的属性与定位信息,并与矢量地图进行叠加可视化,最终达到真实地理环境与矢量地图融合的增强导航。随机采集了550张建筑物图像,经过处理标注后作为训练标签,在计算机上训练SSD的建筑检测功能并且进行验证;将训练好的SSD网络模型迁移到移动端,结合地理围栏方法与手机传感器开发可识别建筑单体信息的增强导航系统,将系统部署在手机上进行测试。实验结果表明,该方法可充分利用矢量地图与实景图片的互补信息,在仅需少量建筑物标注样本的情况下,实现单体建筑物信息增强的手机端地图导航,有效缓解了矢量地图定位不够直观的问题。     

室内三维场景纹理手机图片的自动更新方法

当前室内三维建模的纹理映射工作主要依赖人工完成,工作量大、处理效率低,且对建模后室内环境的变更难以实现及时更新,导致室内模型纹理存在不真实甚至错误的现象。对此,提出一种室内三维模型纹理手机图片的自动更新方法,该方法主要以手机拍摄的图片为数据源,首先利用智能手机传感器获取拍摄图片的位姿参数,进而通过室内场景理解技术提取图片空间中的三维布局结构,最后与几何模型进行坐标点匹配解算纹理坐标,实现手机图片到三维几何模型的自动纹理映射。实验结果表明,该方法能够利用手机图片数据实现室内环境下的三维模型纹理自动生成及动态更新,有效提高室内三维场景表达的真实性。     

一种提取山脊线和山谷线的新方法

提出了一种提取山脊线和山谷线的新方法。基于矢量等高线,以Mean Shift思路为全局步骤,以多因素流水模型为局部追踪依据,在提取特征点的同时完成山脊线、山谷线追踪。首先建立等高线间的拓扑关系,确立追踪起点;然后分割等高线弯曲,并依此建立虚拟扇形区域;最后,建立多因素流水模型,根据"流向最大概率"原则,追踪山脊、山谷线。实验结果表明,该方法能更加准确地提取地形特征点,增强抗噪性,并在特征点提取的同时完成山脊、山谷线的连接,大大减少运算量。     

面向虚拟地球的海陆地形多尺度TIN建模及可视化方法

提出了一种面向虚拟地球的海陆地形多尺度不规则三角网（triangulated irregular network,TIN）建模及球面快速可视化方法。利用贪心插入TIN表面简化算法构建海陆地形的离线TIN金字塔,并设计了一种高效的虚拟节点结构,对各级TIN构网实施无缝分割和分层分块存储。在利用离线TIN地形金字塔实现多尺度海陆TIN地形的快速检索和三维场景生成的基础上,通过一种接边关系编解码方案实时消除TIN地形渲染时的裂缝,最终实现多尺度海陆TIN地形场景的高效可视化。实验结果表明,该方法能显著减少海面渲染所需的面片数,并实现岛礁、海岸等破碎地形的高保真度表达,有效改善了传统虚拟地球系统采用规则格网（Gird）模式绘制海陆地形导致大量几何冗余和表达失真等缺陷。     

数码城市GIS的设计与实现

在介绍用于数码城市GIS建设的CCGIS体系结构的基础上，讨论了不同细节层次的三维建模、集成化空间数据库管理方式，包括基于面向对象思想的矢量、影像和DEM三库一体化的空间数据库模型和三维动态可视化表示机制等。该系统已被用于上海、深圳和北京等城市的数码小示范工程建设。实践证明，它是建设数码城市的有效平台。     

数码城市空间数据模型与可视化研究

提出了一种新的基于三维矢量图形、数字地面模型与数字地面正射影像相结合的数码城市空间数据模型，介绍了基于这一模型的软件平台原型－CCGIS，并对未来数码城市构建技术进行了分析与展望。     

三维输电线路地理信息系统地形视景数据库研究

基于网格索引与金字塔层次结构的组织方法,提出了一种地形几何与纹理数据一体化组织的策略,提高了对海量地形视景数据库的访问速度,方便了三维场景的快速建立与实时简化。     

面向多源数据地物提取的遥感知识感知与多尺度特征融合网络

遥感地物自动提取是遥感智能解译中的关键问题,对空间信息的理解和知识发现具有重要意义。近年来,使用全卷积神经网络（fully convolutional networks, FCN）从高分影像和三维激光雷达（light detection and ranging, LiDAR）数据中提取地物信息因取得了较好效果而受到广泛关注。现有FCN网络在地物提取精度和效率等方面仍存在不足,由此提出一种基于多源数据的遥感知识感知与多尺度特征融合网络（knowledge-aware and multi-scale feature fusion network, KMFNet）。在网络编码器端融入遥感知识感知模块（knowledge-aware module, KAM）,高效挖掘多源遥感数据中的遥感知识信息;在网络编码器和解码器之间添加了串并联混合空洞卷积模块（series-parallel hybrid convolution module, SPHCM）,提高网络对地物多尺度特征的学习能力;在解码器端使用了渐进式多层特征融合策略,细化最终的地物分类结果。基于公开的ISPRS语义分割标准数据集,在LuoJiaNET遥感智能解译开源深度学习框架上将KMFNet与当前主流方法进行了对比。实验结果表明,所提方法提取出的地物更为完整,细节更加精确。