结合SVM与图匹配的车载激光点云道路标线识别

本文提出一种基于SVM与图匹配相结合的车载激光点云道路标线识别方法。该方法基于标线点云分割对象,利用Hu不变矩、实心形状上下文（SSC）、最小外包矩形（MBR）面积和延展度构建形状特征向量,采用SVM进行道路标线粗分类。针对粗分类结果,构建能够精确描述空间语义信息（如局部区域内标线间的排列、方向、距离）的图结构,通过图匹配方法优化粗分类结果,完成直行箭头、人行横道预告标识线、单向转向箭头、双向转向箭头、虚线型标线、斑马线共六类道路标线的精确识别。本文实验采用4份不同场景车载激光点云数据,实验结果中6类标线分类的准确率分别达100%、100%、94.12%、100%、94.94 %、99.25%,召回率分别达100%、100%、88.89%、100%、98.21%、99.00%,F₁-Measure值分别达100%、100%、91.43%、100%、96.59%、99.12%。结果表明,本文方法能实现多类标线对象的精确识别,并对形状相似标线（如直行箭头、虚线型标线与斑马线）的区分具有较强稳健性。     

基于地理标记照片的个性化景点推荐方法

研究如何根据已有的海量旅游信息及数据,为游客个性化推荐旅游景点具有重要意义。本文利用从Flickr网站获取的2013—2018年香港特别行政区范围内的地理标记照片来识别旅游景点,并根据游客游览顺序重建旅游轨迹。在此基础上,针对现有方法尚未考虑游客偏好在旅行过程中会发生动态变化的问题,提出一种基于隐含狄利克雷分布模型（Latent Dirichlet Allocation, LDA）和用户长短期偏好的个性化景点推荐方法（A Recommendation Method Based on LDA and User's Long and Short-Term Preference, L-ULSP）。该方法利用LDA主题模型获取景点特征信息,挖掘景点间的相关性,再利用注意力机制和长短期记忆网络分别学习用户的长期偏好和短期偏好,最后结合长短期偏好捕捉用户偏好的动态变化。实验结果表明, L-ULSP方法所推荐的景点在命中率和平均倒数排名2个指标上均优于现有其他方法,证明了本文所提方法可以从景点序列中有效学习游客偏好,并为游客推荐下一个景点。此外,本文通过对比实验,进一步验证了同时考虑用户的长短期偏好能够更好地学习用户的偏好变化。