车载LiDAR点云路灯提取方法

道路场景中路灯数量大、类型多,大场景中路灯详细信息获取是一项繁重的工作。本文提出先验样本集辅助的、基于骨架线缓冲区判别的路灯点云提取及种类识别算法：先根据路灯在车载LiDAR点云中的表达特征,构建路灯模型,并构建路灯先验样本集;再依据数学形态学的理论和方法,提取车载LiDAR点云场景中的杆状地物,在路灯模型及语义规则约束下,得到候选路灯;然后根据候选路灯的参数信息,及已获取路灯的统计信息,从样本集中筛选候选样本;最后基于最小二乘理论的匹配算法,对路灯先验样本与候选路灯点云进行匹配筛选,并基于路灯骨架线信息构建的双重缓冲区,对候选路灯进行判别分析,实现路灯的提取和种类识别。试验表明,该算法对于遮挡少、数据相对完整的路灯提取准确度为95.2%,对于遮挡严重、点云密度低、数据完整性差的路灯提取准确度为78.0%,验证了该算法对大场景中路灯详细信息提取的稳健性。     

跨比例尺新旧居民地目标变化分析与决策树识别

变化分析与探测是跨比例尺地图数据更新的核心问题之一。以往研究主要关注时间维上地理实体时空演化引起的地图目标变化,甚至将地图目标变化等同于地理实体真实变化,忽略了尺度维上由地图综合导致的表达变化。本文以居民地数据为例,从表层形式和深层缘由对跨比例尺新旧地图数据间的目标变化进行深入分析。在此基础上,引入机器学习领域的决策树方法构建变化信息识别模型。该模型的目标是判别时态变化和表达变化两种类型,从而提取用于更新小比例尺地图数据的真正变化信息。结合广州市多比例尺地图数据库更新任务及实际数据进行验证,结果显示设计的变化探测模型可以达到90%以上的整体精度。     

一种面向化简的海岸线弯曲识别与结构化表达方法

海岸线弯曲识别与结构化表达是海岸线自动化简研究的基础。分析现有曲线弯曲识别与结构化表达方法用于海岸线化简中存在的问题;在通视分析相关理论基础上,面向海岸线化简应用,提出一种基于完全可视区间的层次弯曲渐进识别方法;根据弯曲间关系利用多叉树结构存储弯曲,实现海岸线结构化表达。通过对比实验,证明本文方法识别海岸线弯曲更加精细准确、层次性强,能更加细致地表现海岸线结构特点,也验证了本文方法适用于海岸线多尺度化简应用。     

基于错误式学习的低空影像人行横道多角度自动识别

提出了一种基于特征的错误式学习分类器半自动迭代训练方法,该分类器能够自动识别多角度低空影像上的人行横道线,在人行横道线管控与数据库建立、道路网提取上有较好的应用。介绍了基于错误式学习的分类器训练思路与方法,并提出了将同一地区不同角度低空影像的识别结果进行合并,从而尽可能全面的检测出被城区高楼以及车辆遮挡的人行横道线的思路。通过对比实验该方法的鲁棒性,并在其基础上随机选取多组数据进行系列实验,证实了基于错误式学习的分类器比传统方式训练的分类器有更好的综合性能,能够在不降低识别耗时的前提下产生高准确率、低漏检率和低误识别率的识别结果。     

一种彩色栅格地图注记识别方法

栅格地图中的注记包含了丰富的地理位置信息,传统的栅格地图注记识别方法在识别过程中将注记和其对应的地理要素相分离,因此难以处理倾斜注记和弯曲注记。以连通域单元为基本处理对象,提出了一种基于几何特征的彩色栅格地图注记识别方法。首先利用连通域单元的方向、尺寸、密度、邻域四个特征提取注记像素集合,然后通过地理要素中心线对非水平注记进行方向确定,最后对注记进行聚类和重新排列,完成注记识别。通过对GoogleMap（谷歌地图）瓦片中的注记进行提取和识别实验,证明了该方法的合理性和有效性。     

三江源典型区草地退化Hyperion高光谱遥感识别研究

三江源草地退化直接影响当地及长江、黄河和澜沧江中上游地区的生态安全、水资源合理利用、经济可持续发展和社会稳定,一直是人们关注的焦点问题。近年来,该地区草地群落毒杂草组分增大,退化严重。高光谱遥感具有精细识别草地种群的潜在能力,如何利用其进行草地群落组成信息探测并进行退化识别是当前研究的热点和难点问题。利用卫星高光谱Hyperion影像和地面实测高光谱遥感数据,通过多端元混合像元分解技术,提取可食牧草、毒杂草以及裸土组分信息;以此为指标对研究区草地退化程度进行分类识别,依次为:未退化、轻度退化、中度退化、重度退化和极度退化。利用野外样方实测数据验证监测结果,精度达到84.2%,表明高光谱遥感对草地退化探测具有良好的应用潜力。     

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.     

注意力机制与卷积神经网络融合的军队标号识别方法

手绘军队标号识别是基于草图的战场态势表达的重要组成部分.针对现有的草图特征手工提取方法费时费力,以及依靠数据驱动的深度学习方法泛化能力受到训练数据多样化制约的问题,提出一种注意力机制与卷积神经网络融合的军队标号识别方法.首先构建了特征提取模型Sketch-Net,实现手绘军队标号特征的初步提取;然后引入注意力机制模块,...     

归类识别地名匹配算法

针对现有中文地名匹配算法忽略中文表达的多样性和规则性使得匹配准确性不足的问题,文章提出了一种归类识别地名匹配算法。该算法首先基于地名通名词典和地名结构规则知识库对地名类型判定,然后进行地名核心词字符串相似度匹配,最终得到符合查找期望的匹配结果。论文以居民小区地名为具体研究对象,利用该算法对德州市600条已售小区数据进行匹配验证,试验结果表明该算法在匹配效率和准确性两方面有较大提升。