CN109583626A - 路网拓扑重建方法、介质及*** - Google Patents

路网拓扑重建方法、介质及*** Download PDF

Info

Publication number
CN109583626A
CN109583626A CN201811275175.8A CN201811275175A CN109583626A CN 109583626 A CN109583626 A CN 109583626A CN 201811275175 A CN201811275175 A CN 201811275175A CN 109583626 A CN109583626 A CN 109583626A
Authority
CN
China
Prior art keywords
road network
road
network topology
line
source images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811275175.8A
Other languages
English (en)
Other versions
CN109583626B (zh
Inventor
臧彧
张韦妮
张阳
王程
李军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN201811275175.8A priority Critical patent/CN109583626B/zh
Publication of CN109583626A publication Critical patent/CN109583626A/zh
Application granted granted Critical
Publication of CN109583626B publication Critical patent/CN109583626B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种路网拓扑重建方法、介质及***，包括：获取原始路网数据，生成训练数据集；构建生成器，其中，生成器根据原始路网数据生成第一数据信息；根据道路基准图像、第一路网源图像和第一数据信息进行训练以构建第一判别器；根据道路基准图像、第一初始路网地图和第一数据信息进行训练以构建第二判别器；构建路网拓扑重建生成对抗网络；获取第二路网源图像，生成第二初始路网地图，以及将第二路网源图像和第二初始路网地图输入网络，以进行路网拓扑重建；从而实现对乡村地区的路网拓扑进行重建，且结果的准确度更高，同时，通过路网匹配算法进行原始路网数据的匹配，使得训练数据更易获取，提高路网拓扑重建生成对抗网络的构建效率。

Description

路网拓扑重建方法、介质及***
技术领域
本发明涉及遥感技术领域，特别涉及一种路网拓扑重建方法、介质及***。
背景技术
遥感技术具有高效性、实时性以及信息多元化等特点,其作为一种先进的对地观测方法在城市交通领域中发挥了重要的作用。路网提取作为遥感应用中的一个重要问题，在过去几十年受到了广泛的关注。高质量路网提取结果不仅依赖于道路区域的识别，同样也依赖于路网拓扑重建。
现有的道路提取方法通常包含拓扑分析的步骤以此获得完整的路网。这些方法依赖于特定特征或者各种道路区域的大量样本，对城市区域的道路提取比较有效。但是与城市区域相比，乡村地区的道路状况更加复杂，在遥感图像中的光谱特性是多样的，并且乡村地区某些路段可以获取到的车辆轨迹经常是稀缺的。因此，在乡村地区的路网拓扑重建中，现有方法较难在实际中应用。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种路网拓扑重建方法，能够实现对乡村地区的路网拓扑进行重建，且结果的准确度更高，同时，通过路网匹配算法进行原始路网数据的匹配，使得训练数据更易获取，提高路网拓扑重建生成对抗网络的构建效率。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种路网拓扑重建***。
为达到上述目的，本发明第一方面实施例提出了一种路网拓扑重建方法，包括以下步骤：获取原始路网数据，并基于路网匹配算法，根据所述原始路网数据生成训练数据集，其中，所述原始路网数据包括第一路网源图像、道路基准图像和对应所述第一路网源图像的第一初始路网地图；对所述原始路网数据进行训练以构建生成器，其中，所述生成器根据所述原始路网数据生成第一数据信息；根据所述道路基准图像、所述第一路网源图像和所述第一数据信息进行训练以构建第一判别器，其中，所述第一判别器用于协助生成路网地图；根据所述道路基准图像、所述第一初始路网地图和所述第一数据信息进行训练以构建第二判别器，其中，所述第二判别器用于协助重建路网拓扑；根据所述训练数据集进行训练以构建路网拓扑重建生成对抗网络；获取第二路网源图像，并对所述第二路网源图像进行道路提取，以生成与所述第二路网源图像对应的第二初始路网地图，以及将所述第二路网源图像和所述第二初始路网地图输入所述路网拓扑重建生成对抗网络，以进行路网拓扑重建。
根据本发明实施例的路网拓扑重建方法，首先，获取原始路网数据，并基于路网匹配算法，根据原始路网数据生成训练数据集，其中，原始路网数据包括第一路网源图像、道路基准图像和对应第一路网源图像的第一初始路网地图；接着，对原始路网数据进行训练以构建生成器，其中，生成器根据原始路网数据生成第一数据信息；然后，根据道路基准图像、第一路网源图像和第一数据信息进行训练以构建第一判别器，其中，第一判别器用于协助生成路网地图；接着，根据道路基准图像、第一初始路网地图和第一数据信息进行训练以构建第二判别器，其中，第二判别器用于协助重建路网拓扑；然后，根据训练数据集进行训练以构建路网拓扑重建生成对抗网络；接着，获取第二路网源图像，并对第二路网源图像进行道路提取，以生成与第二路网源图像对应的第二初始路网地图，以及将第二路网源图像和第二初始路网地图输入路网拓扑重建生成对抗网络，以进行路网拓扑重建；从而实现对乡村地区的路网拓扑进行重建，且结果的准确度更高，同时，通过路网匹配算法进行原始路网数据的匹配，使得训练数据更易获取，提高路网拓扑重建生成对抗网络的构建效率。
另外，根据本发明上述实施例提出的路网拓扑重建方法还可以具有如下附加的技术特征：
可选地，所述基于路网匹配算法，根据所述原始路网数据生成训练数据集，具体包括：对所述原始路网数据进行预处理，以生成由矢量线组成的矢量路网地图；选取至少一条所述矢量线作为参考线，并基于缓冲增长算法进行候选线段的挑选；采用迭代的扩展线算法对挑选的候选线段和所述参考线进行扩展以及相似性判断，以生成最终的匹配对。
可选地，所述选取至少一条所述矢量线作为参考线，并基于缓冲增长算法进行候选线段的挑选，具体包括：选取至少一条所述矢量线作为参考线，并在所述参考线周围设置缓冲区，以获取所述缓冲区内的矢量线作为预选对象；计算所述参考线与所述预选对象之间的相似性S1，并判断所述相似性S1是否大于预设的第一相似性阈值，以及将所述相似性S1大于预设的第一相似性阈值所对应的预选对象作为候选线段。
可选地，所述相似性S1通过以下公式计算获得：
其中，Simlen为所述矢量线两个端点的欧氏距离，Simdis为基于短边的中位数豪斯多夫距离，Simori为直线和水平轴的夹角，Simshape为形状相似项，wlen，wdis，wori，wshape分别为Simlen，Simdis，Simori，Simshape的权重。
可选地，所述采用迭代的扩展线算法对挑选的候选线段和所述参考线进行扩展以及相似性判断，具体包括：分别对每个所述候选线段与所述参考线进行扩展以生成对应的候选折线和参考折线，并计算所述候选折线和所述参考折线之间的相似性S2；判断所述相似性S2是否小于预设的第二相似性阈值，并将所述相似性S2小于预设的第二相似性阈值所对应的候选折线和参考折线进行再次扩展，以进行下次迭代计算和相似性判断，直至所述相似性S2大于等于预设的第二相似性阈值所对应的候选折线达到预设条数阈值。
可选地，所述相似性S2通过以下公式计算获得：
其中，Simplen为所述候选折线或所述参考折线包含的所有矢量线的欧式距离之和，Simpdis为所述候选折线或所述参考折线基于短边的中位数豪斯多夫距离，Simpshape为形状相似项，wplen，wpdis，wpshape分别为Simplen，Simpdis，Simpshape的权重。
可选地，所述生成器由编码器和解码器组成，其中，所述编码器包括3个卷积层、4个残差块和2个反卷积层，所述解码器采用与所述编码器对称的结构，以使得所述生成器的输入与输出具有相同的分辨率。
可选地，所述根据所述训练数据集进行训练以构建路网拓扑重建生成对抗网络，具体为：将所述生成器、第一判别器、第二判别器和一个VGG网络进行联合训练，以构建路网拓扑重建生成对抗网络。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，该计算机可读存储介质上存储有路网拓扑重建程序，该路网拓扑重建在被执行时实现如上述的路网拓扑重建方法。
为达到上述目的，本发明第三方面实施例提出了一种路网拓扑重建***，包括：获取模块，所述获取模块用于获取原始路网数据，并基于路网匹配算法，根据所述原始路网数据生成训练数据集，其中，所述原始路网数据包括第一路网源图像、道路基准图像和对应所述第一路网源图像的第一初始路网地图；第一构建模块，所述第一构建模块用于对所述原始路网数据进行训练以构建生成器，其中，所述生成器根据所述原始路网数据生成第一数据信息；第二构建模块，所述第二构建模块用于根据所述道路基准图像、所述第一路网源图像和所述第一数据信息进行训练以构建第一判别器，其中，所述第一判别器用于协助生成路网地图；第三构建模块，所述第三构建模块用于根据所述道路基准图像、所述第一初始路网地图和所述第一数据信息进行训练以构建第二判别器，其中，所述第二判别器用于协助重建路网拓扑；生成模块，所述生成模块用于根据所述训练数据集进行训练以构建路网拓扑重建生成对抗网络；重建模块，所述重建模块用于获取第二路网源图像，并对所述第二路网源图像进行道路提取，以生成与所述第二路网源图像对应的第二初始路网地图，以及将所述第二路网源图像和所述第二初始路网地图输入所述路网拓扑重建生成对抗网络，以进行路网拓扑重建。
根据本发明实施例的路网拓扑重建***，包括：获取模块，获取模块用于获取原始路网数据，并基于路网匹配算法，根据原始路网数据生成训练数据集，其中，原始路网数据包括第一路网源图像、道路基准图像和对应第一路网源图像的第一初始路网地图；第一构建模块，第一构建模块用于对原始路网数据进行训练以构建生成器，其中，生成器根据原始路网数据生成第一数据信息；第二构建模块，第二构建模块用于根据道路基准图像、第一路网源图像和第一数据信息进行训练以构建第一判别器，其中，第一判别器用于协助生成路网地图；第三构建模块，第三构建模块用于根据道路基准图像、第一初始路网地图和第一数据信息进行训练以构建第二判别器，其中，第二判别器用于协助重建路网拓扑；生成模块，生成模块用于根据训练数据集进行训练以构建路网拓扑重建生成对抗网络；重建模块，重建模块用于获取第二路网源图像，并对第二路网源图像进行道路提取，以生成与第二路网源图像对应的第二初始路网地图，以及将第二路网源图像和第二初始路网地图输入路网拓扑重建生成对抗网络，以进行路网拓扑重建；从而实现对乡村地区的路网拓扑进行重建，且结果的准确度更高，同时，通过路网匹配算法进行原始路网数据的匹配，使得训练数据更易获取，提高路网拓扑重建生成对抗网络的构建效率。
附图说明
图1为根据本发明实施例的路网拓扑重建方法的流程示意图；
图2为根据本发明实施例的路网拓扑重建生成对抗网络的结构示意图；
图3为根据本发明实施例的路网拓扑重建方法与传统条件生成对抗网络方法在路网拓扑重建上的效果对比图；
图4为根据本发明实施例的路网拓扑重建方法与其他相关道路提取算法的检测效果对比图；
图5为根据本发明另一实施例的路网拓扑重建方法的流程示意图；
图6为根据本发明实施例的路网拓扑重建***的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
现有的道路提取方法难以对乡村道路等复杂道路源图像进行有效地道路提取，提取结果效果不佳，根据本发明实施例提出的路网拓扑重建方法，首先，获取原始路网数据，并基于路网匹配算法，根据原始路网数据生成训练数据集，其中，原始路网数据包括第一路网源图像、道路基准图像和对应第一路网源图像的第一初始路网地图；接着，对原始路网数据进行训练以构建生成器，其中，生成器根据原始路网数据生成第一数据信息；然后，根据道路基准图像、第一路网源图像和第一数据信息进行训练以构建第一判别器，其中，第一判别器用于协助生成路网地图；接着，根据道路基准图像、第一初始路网地图和第一数据信息进行训练以构建第二判别器，其中，第二判别器用于协助重建路网拓扑；然后，根据训练数据集进行训练以构建路网拓扑重建生成对抗网络；接着，获取第二路网源图像，并对第二路网源图像进行道路提取，以生成与第二路网源图像对应的第二初始路网地图，以及将第二路网源图像和第二初始路网地图输入路网拓扑重建生成对抗网络，以进行路网拓扑重建；从而实现对乡村地区的路网拓扑进行重建，且结果的准确度更高，同时，通过路网匹配算法进行原始路网数据的匹配，使得训练数据更易获取，提高路网拓扑重建生成对抗网络的构建效率。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例提出的路网拓扑重建方法的流程示意图，如图1所示，该路网拓扑重建方法包括以下步骤：
S101，获取原始路网数据，并基于路网匹配算法，根据原始路网数据生成训练数据集，其中，原始路网数据包括第一路网源图像、道路基准图像和对应第一路网源图像的第一初始路网地图。
其中，基于路网匹配算法，根据原始路网数据生成训练数据集的方式有多种，例如：运用半确定性算法根据原始路网数据生成训练数据集、运用概率统计算法原始路网数据生成训练数据集等。
作为一种示例，基于路网匹配算法，根据原始路网数据生成训练数据集具体可以包括：数据预处理阶段、候选线段选择阶段和匹配对生成阶段；具体地，首先，通过数据预处理阶段将原始路网数据进行预处理，以生成由一组矢量线组成的路网地图，其中，每一条矢量由两个端点表示，路网中的每个端点应该处于角落位置；接着，通过缓冲增长算法进行候选线段的选择，以获取与选取的参考线相似性大于阈值的候选线段；然后，采用迭代的扩展线算法生成最终的匹配对；如此，通过简单的匹配算法，可对现有的道路基准图像和第一初始路网地图进行匹配，以形成训练数据集，使得训练数据集的生成更加容易，进而加快路网拓扑重建生成对抗网络的训练速率。
S102，对原始路网数据进行训练以构建生成器，其中，生成器根据原始路网数据生成第一数据信息。
作为一种示例，在构建生成器的过程中，通过将路网源图像和第一初始路网地图作为输入数据以进行生成器的训练。
作为另一种示例，生成器包括编码器和解码器，其中，编码器包括3个卷积层、4个残差层和2个反卷积层，解码器采用与编码器对称的结构，以使得生成器的输入与输出具有相同的分辨率。需要说明的是，可在编码器和解码器之间采用2个跳跃式连接，以使得在扩大特征图分辨率时能够保留低层次的特征。
S103，根据道路基准图像、第一路网源图像和第一数据信息进行训练以构建第一判别器，其中，第一判别器用于协助生成路网地图。
也就是说，在第一判别器的构建过程中，通过将道路基准图像、第一路网源图像和第一数据信息作为输入以进行第一判别器的训练，其中，第一数据信息为生成器的输出，第一判别器用于协助生成路网地图。
如图2所示，作为一种示例，第一判别器包含4个二维卷积神经网络层，通过马尔科夫随机场，在N×N的图像块上进行操作，其中，N×N的图像块可以是70像素×70像素的图像块。
S104，根据道路基准图像、第一初始路网地图和第一数据信息进行训练以构建第二判别器，其中，第二判别器用于协助重建路网拓扑。
也就是说，在第二判别器的构建过程中，通过将道路基准图像、第一初始路网地图和第一数据信息作为输入以进行第二判别器的训练，其中，第一数据信息为生成器的输出，第二判别器用于协助重建路网拓扑。
如图2所示，作为一种示例，第二判别器包含4个二维卷积神经网络层，通过马尔科夫随机场，在N×N的图像块上进行操作，其中，N×N的图像块可以是70像素×70像素的图像块。
S105，根据训练数据集进行训练以构建路网拓扑重建生成对抗网络。
其中，根据训练数据集进行训练以构建路网拓扑重建生成对抗网络的方式有多种。
如图2所示，作为一种示例，将生成器、第一判别器、第二判别器和一个VGG网络进行联合训练，以构建路网拓扑重建生成对抗网络。
S106，获取第二路网源图像，并对第二路网源图像进行道路提取，以生成与第二路网源图像对应的第二初始路网地图，以及将第二路网源图像和第二初始路网地图输入路网拓扑重建生成对抗网络，以进行路网拓扑重建。
需要说明的是，该步骤为测试过程；其中，对第二路网源图像进行道路提取指的是利用传统的条件生成对抗网络或者其他道路提取方法，以生成与第二路网源图像对应的第二初始路网地图。
综上所述，根据本发明实施例提出的路网拓扑重建方法，首先，获取原始路网数据，并基于路网匹配算法，根据原始路网数据生成训练数据集，其中，原始路网数据包括第一路网源图像、道路基准图像和对应第一路网源图像的第一初始路网地图；接着，对原始路网数据进行训练以构建生成器，其中，生成器根据原始路网数据生成第一数据信息；然后，根据道路基准图像、第一路网源图像和第一数据信息进行训练以构建第一判别器，其中，第一判别器用于协助生成路网地图；接着，根据道路基准图像、第一初始路网地图和第一数据信息进行训练以构建第二判别器，其中，第二判别器用于协助重建路网拓扑；然后，根据训练数据集进行训练以构建路网拓扑重建生成对抗网络；接着，获取第二路网源图像，并对第二路网源图像进行道路提取，以生成与第二路网源图像对应的第二初始路网地图，以及将第二路网源图像和第二初始路网地图输入路网拓扑重建生成对抗网络，以进行路网拓扑重建；从而实现对乡村地区的路网拓扑进行重建，且结果的准确度更高，同时，通过路网匹配算法进行原始路网数据的匹配，使得训练数据更易获取，提高路网拓扑重建生成对抗网络的构建效率。
图3为3组本发明公开的路网拓扑重建方法与传统条件生成对抗网络方法在路网拓扑重建上的效果对比，如图4所示，其中，(a)列为路网源图像，(b)列为采用传统的条件生成对抗网络的效果图，(c)列为本发明中路网拓扑重建方法没有LVGG(G)损失项时的效果图，(d)列为本文网络在没有Lt(G，D)损失项时的效果图，(e)列为采用本文网络的效果图，(f)列为真实参考路网图。结果表明本发明提出的多条件生成对抗网络相比传统的条件生成对抗网络在路网拓扑重建上具有良好的表现，该网络结构的设计是合理的。
图4为4组本发明公开的路网拓扑重建方法与其他相关道路提取算法的检测效果对比图；其中，(a)列为源图像，(b)列，(c)列，(d)列，(e)列，(f)列分别是其他相关大陆提取算法对应的效果图，(g)列为采用本发明的效果图，(h)列为真实参考路网图。相应定量结果如下表所示：
方法 召回率 精度 F1分数
b 0.322 0.405 0.359
C 0.679 0.471 0.556
d 0.686 0.435 0.532
e 0.729 0.606 0.662
f 0.783 0.812 0.797
g 0.858 0.841 0.849
从表中可以看出，与传统路网提取方法相比，本发明提出的方法在召回率、精度以及F1分数上均超出了现有方法，综上，本发明提出的网络表现优于现有路网提取方法。
在一些实施例中，本发明实施例提出的路网拓扑重建方法通过简单的路网匹配算法进行训练数据集的生成，从而使得路网拓扑重建生成对抗网络的训练变得简单易行，如图5所示，该路网拓扑重建方法包括以下步骤：
S201，获取原始路网数据。
S202，对原始路网数据进行预处理，以生成由矢量线组成的矢量路网地图。
S203，选取至少一条矢量线作为参考线，并在参考线周围设置缓冲区，以获取缓冲区内的矢量线作为预选对象。
S204，计算参考线与预选对象之间的相似性S1，并判断相似性S1是否大于预设的第一相似性阈值，以及将相似性S1大于预设的第一相似性阈值所对应的预选对象作为候选线段。
其中，计算参考线与预选对象之间的相似性S1的方法有多种。
作为一种示例，相似性S1通过以下公式计算获得：
其中，Simlen为矢量线两个端点的欧氏距离，Simdis为基于短边的中位数豪斯多夫距离，Simori为直线和水平轴的夹角，Simshape为形状相似项，wlen，wdis，wori，wshape分别为Simlen，Simdis，Simori，Simshape的权重。
S205，分别对每个候选线段与参考线进行扩展以生成对应的候选折线和参考折线，并计算候选折线和参考折线之间的相似性S2。
其中，计算候选折线和参考折线之间的相似性S2的方法有多种。
作为一种示例，相似性S2通过以下公式计算获得：
其中，Simplen为所述候选折线或所述参考折线包含的所有矢量线的欧式距离之和，Simpdis为所述候选折线或所述参考折线基于短边的中位数豪斯多夫距离，Simpshape为形状相似项，wplen，wpdis，wpshape分别为Simplen，Simpdis，Simpshape的权重。
S206，判断相似性S2是否小于预设的第二相似性阈值，并将相似性S2小于预设的第二相似性阈值所对应的候选折线和参考折线进行再次扩展，以进行下次迭代计算和相似性判断，直至相似性S2大于等于预设的第二相似性阈值所对应的候选折线达到预设条数阈值。
也就是说，计算候选折线与参考折线之间的相似性S2之后，保留相似性S2小于预设的第二相似性阈值的折线并继续扩展，进行下一次迭代，知道找到预设条数阈值的折线；其中，预设条数阈值的折线对可以是指定的条数限制，也可以是符合条件的折线与候选折线之间的比值。
S207，对原始路网数据进行训练以构建生成器，其中，生成器根据原始路网数据生成第一数据信息。
S208，根据道路基准图像、第一路网源图像和第一数据信息进行训练以构建第一判别器，其中，第一判别器用于协助生成路网地图。
S209，根据道路基准图像、第一初始路网地图和第一数据信息进行训练以构建第二判别器，其中，第二判别器用于协助重建路网拓扑。
S210，根据训练数据集进行训练以构建路网拓扑重建生成对抗网络。
作为一种示例，将生成器、第一判别器、第二判别器和一个VGG网络进行联合训练，以构建路网拓扑重建生成对抗网络。
需要说明的是，在根据训练数据集进行训练以构建路网拓扑重建生成对抗网络之前，还可以包括损失函数的设计。
作为一种示例，第一判别器的损失函数为：
作为一种示例，第二判别器的损失函数为：
其中o，x和y分别表示路网源图像、第一初始路网地图和道路基准图像，G(·，·)表示生成器的输出，D(·，·)表示判别器的输出，Pd表示数据分布。
作为一种示例，生成器的损失函数为：
LG(G)＝Lgr(G)+Lgt(G)+LVGG(G)
式中Lgr(G)，Lgt(G)分别由判别器第一判别器和第二判别器的损失导出，LVGG(G)表示由VGG网络提取的特征图之间的像素差异在L1范数下的加权和，具体计算如下：
其中，Dr(·，·)，Dt(·，·)分别表示第一判别器和第二判别器的输出，HK表示预训练VGG网络的第k层的输出，λk表示VGG网络第k层输出的权值，i1～im表示从VGG网络中抽取出的m层。
作为一种示例，路网拓扑重建生成对抗网络的总体目标为：
其中，Ltotal＝Lr(G，D)+λtLt(G，D)+LVGG(G)，即所述网络的总体目标是最小化LG(G)使得生成器的输出和基准数据尽可能相似，并且最大化Lr(G，D)和Lt(G，D)使得判别器能够分辨出真实数据和生成数据。
其中，LVGG(G)选择VGG网络的第7、12和15层的特征图进行计算，其权值λk均设置为1，Ltotal中Lt(G，D)的权值λt为0.5。
S211，获取第二路网源图像，并对第二路网源图像进行道路提取，以生成与第二路网源图像对应的第二初始路网地图，以及将第二路网源图像和第二初始路网地图输入路网拓扑重建生成对抗网络，以进行路网拓扑重建。
需要说明的是，上述关于图1中路网拓扑重建方法的描述同样适用于该路网拓扑重建方法，在此不做赘述。
综上所述，根据本发明实施例的路网拓扑重建方法，首先，获取原始路网数据；接着，对原始路网数据进行预处理，以生成由矢量线组成的矢量路网地图；然后，选取至少一条矢量线作为参考线，并在参考线周围设置缓冲区，以获取缓冲区内的矢量线作为预选对象；接着，计算参考线与预选对象之间的相似性S1，并判断相似性S1是否大于预设的第一相似性阈值，以及将相似性S1大于预设的第一相似性阈值所对应的预选对象作为候选线段；然后，分别对每个候选线段与参考线进行扩展以生成对应的候选折线和参考折线，并计算候选折线和参考折线之间的相似性S2；接着，判断相似性S2是否小于预设的第二相似性阈值，并将相似性S2小于预设的第二相似性阈值所对应的候选折线和参考折线进行再次扩展，以进行下次迭代计算和相似性判断，直至相似性S2大于等于预设的第二相似性阈值所对应的候选折线达到预设条数阈值；然后，对原始路网数据进行训练以构建生成器，其中，生成器根据原始路网数据生成第一数据信息；接着，根据道路基准图像、第一路网源图像和第一数据信息进行训练以构建第一判别器，其中，第一判别器用于协助生成路网地图；然后，根据道路基准图像、第一初始路网地图和第一数据信息进行训练以构建第二判别器，其中，第二判别器用于协助重建路网拓扑；接着，根据训练数据集进行训练以构建路网拓扑重建生成对抗网络；然后，获取第二路网源图像，并对第二路网源图像进行道路提取，以生成与第二路网源图像对应的第二初始路网地图，以及将第二路网源图像和第二初始路网地图输入路网拓扑重建生成对抗网络，以进行路网拓扑重建；从而实现精准地对乡村环境路网拓扑进行重建，其结果精准，并且，通过简单的路网匹配算法，使得训练数据的生成简单易行，加快路网拓扑重建生成对抗网络的训练速率，降低该网络的训练难度。
为了实现上述实施例，本发明实施例还公开了一种计算机可读存储介质，该计算机可读存储介质上存储有路网拓扑重建程序，该路网拓扑重建在被执行时实现如上述的路网拓扑重建方法。
为了实现上述实施例，本发明实施例还公开了一种路网拓扑重建***，如图6所示，该路网拓扑重建***包括：获取模块10、第一构建模块20、第二构建模块30、第三构建模块40、生成模块50和重建模块60。
其中，获取模块10，获取模块10用于获取原始路网数据，并基于路网匹配算法，根据原始路网数据生成训练数据集，其中，原始路网数据包括第一路网源图像、道路基准图像和对应第一路网源图像的第一初始路网地图。
第一构建模块20用于对原始路网数据进行训练以构建生成器，其中，生成器根据原始路网数据生成第一数据信息。
第二构建模块30用于根据道路基准图像、第一路网源图像和第一数据信息进行训练以构建第一判别器，其中，第一判别器用于协助生成路网地图。
第三构建模块40用于根据道路基准图像、第一初始路网地图和第一数据信息进行训练以构建第二判别器，其中，第二判别器用于协助重建路网拓扑。
生成模块50用于根据训练数据集进行训练以构建路网拓扑重建生成对抗网络。
重建模块60用于获取第二路网源图像，并对第二路网源图像进行道路提取，以生成与第二路网源图像对应的第二初始路网地图，以及将第二路网源图像和第二初始路网地图输入路网拓扑重建生成对抗网络，以进行路网拓扑重建。
需要说明的是，上述关于图1中路网拓扑重建方法的描述同样适用于该路网拓扑重建***，在此不做赘述。
综上所述，根据本发明实施例的路网拓扑重建***，包括：获取模块，获取模块用于获取原始路网数据，并基于路网匹配算法，根据原始路网数据生成训练数据集，其中，原始路网数据包括第一路网源图像、道路基准图像和对应第一路网源图像的第一初始路网地图；第一构建模块，第一构建模块用于对原始路网数据进行训练以构建生成器，其中，生成器根据原始路网数据生成第一数据信息；第二构建模块，第二构建模块用于根据道路基准图像、第一路网源图像和第一数据信息进行训练以构建第一判别器，其中，第一判别器用于协助生成路网地图；第三构建模块，第三构建模块用于根据道路基准图像、第一初始路网地图和第一数据信息进行训练以构建第二判别器，其中，第二判别器用于协助重建路网拓扑；生成模块，生成模块用于根据训练数据集进行训练以构建路网拓扑重建生成对抗网络；重建模块，重建模块用于获取第二路网源图像，并对第二路网源图像进行道路提取，以生成与第二路网源图像对应的第二初始路网地图，以及将第二路网源图像和第二初始路网地图输入路网拓扑重建生成对抗网络，以进行路网拓扑重建；从而实现对乡村地区的路网拓扑进行重建，且结果的准确度更高，同时，通过路网匹配算法进行原始路网数据的匹配，使得训练数据更易获取，提高路网拓扑重建生成对抗网络的构建效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种路网拓扑重建方法，其特征在于，包括以下步骤：
获取原始路网数据，并基于路网匹配算法，根据所述原始路网数据生成训练数据集，其中，所述原始路网数据包括第一路网源图像、道路基准图像和对应所述第一路网源图像的第一初始路网地图；
对所述原始路网数据进行训练以构建生成器，其中，所述生成器根据所述原始路网数据生成第一数据信息；
根据所述道路基准图像、所述第一路网源图像和所述第一数据信息进行训练以构建第一判别器，其中，所述第一判别器用于协助生成路网地图；
根据所述道路基准图像、所述第一初始路网地图和所述第一数据信息进行训练以构建第二判别器，其中，所述第二判别器用于协助重建路网拓扑；
根据所述训练数据集进行训练以构建路网拓扑重建生成对抗网络；
获取第二路网源图像，并对所述第二路网源图像进行道路提取，以生成与所述第二路网源图像对应的第二初始路网地图，以及将所述第二路网源图像和所述第二初始路网地图输入所述路网拓扑重建生成对抗网络，以进行路网拓扑重建。
2.如权利要求1所述的路网拓扑重建方法，其特征在于，所述基于路网匹配算法，根据所述原始路网数据生成训练数据集，具体包括：
对所述原始路网数据进行预处理，以生成由矢量线组成的矢量路网地图；
选取至少一条所述矢量线作为参考线，并基于缓冲增长算法进行候选线段的挑选；
采用迭代的扩展线算法对挑选的候选线段和所述参考线进行扩展以及相似性判断，以生成最终的匹配对。
3.如权利要求2所述的路网拓扑重建方法，其特征在于，所述选取至少一条所述矢量线作为参考线，并基于缓冲增长算法进行候选线段的挑选，具体包括：
选取至少一条所述矢量线作为参考线，并在所述参考线周围设置缓冲区，以获取所述缓冲区内的矢量线作为预选对象；
计算所述参考线与所述预选对象之间的相似性S1，并判断所述相似性S1是否大于预设的第一相似性阈值，以及将所述相似性S1大于预设的第一相似性阈值所对应的预选对象作为候选线段。
4.如权利要求3所述的路网拓扑重建方法，其特征在于，所述相似性S1通过以下公式计算获得：
其中，Simlen为所述矢量线两个端点的欧氏距离，Simdis为基于短边的中位数豪斯多夫距离，Simori为直线和水平轴的夹角，Simshape为形状相似项，wlen，wdis，wori，wshape分别为Simlen，Simdis，Simori，Simshape的权重。
5.如权利要求2所述的路网拓扑重建方法，其特征在于，所述采用迭代的扩展线算法对挑选的候选线段和所述参考线进行扩展以及相似性判断，具体包括：
分别对每个所述候选线段与所述参考线进行扩展以生成对应的候选折线和参考折线，并计算所述候选折线和所述参考折线之间的相似性S2；
判断所述相似性S2是否小于预设的第二相似性阈值，并将所述相似性S2小于预设的第二相似性阈值所对应的候选折线和参考折线进行再次扩展，以进行下次迭代计算和相似性判断，直至所述相似性S2大于等于预设的第二相似性阈值所对应的候选折线达到预设条数阈值。
6.如权利要求5所述的路网拓扑重建方法，其特征在于，所述相似性S2通过以下公式计算获得：
其中，Simplen为所述候选折线或所述参考折线包含的所有矢量线的欧式距离之和，Simpdis为所述候选折线或所述参考折线基于短边的中位数豪斯多夫距离，Simpshape为形状相似项，wplen，wpdis，wpshape分别为Simplen，Simpdis，Simpshape的权重。
7.如权利要求1所述的路网拓扑重建方法，其特征在于，所述生成器由编码器和解码器组成，其中，所述编码器包括3个卷积层、4个残差块和2个反卷积层，所述解码器采用与所述编码器对称的结构，以使得所述生成器的输入与输出具有相同的分辨率。
8.如权利要求1所述的路网拓扑重建方法，其特征在于，所述根据所述训练数据集进行训练以构建路网拓扑重建生成对抗网络，具体为：
将所述生成器、第一判别器、第二判别器和一个VGG网络进行联合训练，以构建路网拓扑重建生成对抗网络。
9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有路网拓扑重建程序，该路网拓扑重建在被执行时实现如权利要求1至8任一项所述的路网拓扑重建方法。
10.一种路网拓扑重建***，其特征在于，包括：
获取模块，所述获取模块用于获取原始路网数据，并基于路网匹配算法，根据所述原始路网数据生成训练数据集，其中，所述原始路网数据包括第一路网源图像、道路基准图像和对应所述第一路网源图像的第一初始路网地图；
第一构建模块，所述第一构建模块用于对所述原始路网数据进行训练以构建生成器，其中，所述生成器根据所述原始路网数据生成第一数据信息；
第二构建模块，所述第二构建模块用于根据所述道路基准图像、所述第一路网源图像和所述第一数据信息进行训练以构建第一判别器，其中，所述第一判别器用于协助生成路网地图；
第三构建模块，所述第三构建模块用于根据所述道路基准图像、所述第一初始路网地图和所述第一数据信息进行训练以构建第二判别器，其中，所述第二判别器用于协助重建路网拓扑；
生成模块，所述生成模块用于根据所述训练数据集进行训练以构建路网拓扑重建生成对抗网络；
重建模块，所述重建模块用于获取第二路网源图像，并对所述第二路网源图像进行道路提取，以生成与所述第二路网源图像对应的第二初始路网地图，以及将所述第二路网源图像和所述第二初始路网地图输入所述路网拓扑重建生成对抗网络，以进行路网拓扑重建。
CN201811275175.8A 2018-10-30 2018-10-30 路网拓扑重建方法、介质及*** Active CN109583626B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811275175.8A CN109583626B (zh) 2018-10-30 2018-10-30 路网拓扑重建方法、介质及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811275175.8A CN109583626B (zh) 2018-10-30 2018-10-30 路网拓扑重建方法、介质及***

Publications (2)

Publication Number Publication Date
CN109583626A true CN109583626A (zh) 2019-04-05
CN109583626B CN109583626B (zh) 2020-12-01

Family

ID=65921297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811275175.8A Active CN109583626B (zh) 2018-10-30 2018-10-30 路网拓扑重建方法、介质及***

Country Status (1)

Country Link
CN (1) CN109583626B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145540A (zh) * 2019-12-18 2020-05-12 福建工程学院 一种城市路网拓扑连接边的发现方法和发现***
US11087170B2 (en) * 2018-12-03 2021-08-10 Advanced Micro Devices, Inc. Deliberate conditional poison training for generative models

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160102988A1 (en) * 2010-12-07 2016-04-14 Google Inc. Method and apparatus of route guidance
CN106295604A (zh) * 2016-08-19 2017-01-04 厦门大学 基于联合滤波的遥感影像路网提取技术
CN106778605A (zh) * 2016-12-14 2017-05-31 武汉大学 导航数据辅助下的遥感影像道路网自动提取方法
CN107958302A (zh) * 2017-11-17 2018-04-24 中南大学 基于虚拟拓扑交通网络的经验路径规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160102988A1 (en) * 2010-12-07 2016-04-14 Google Inc. Method and apparatus of route guidance
CN106295604A (zh) * 2016-08-19 2017-01-04 厦门大学 基于联合滤波的遥感影像路网提取技术
CN106778605A (zh) * 2016-12-14 2017-05-31 武汉大学 导航数据辅助下的遥感影像道路网自动提取方法
CN107958302A (zh) * 2017-11-17 2018-04-24 中南大学 基于虚拟拓扑交通网络的经验路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邓瑞: "城市区域路网交通瓶颈识别与预测", 《中国优秀硕士学位论文全文数据库》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11087170B2 (en) * 2018-12-03 2021-08-10 Advanced Micro Devices, Inc. Deliberate conditional poison training for generative models
US20220027674A1 (en) * 2018-12-03 2022-01-27 Advanced Micro Devices, Inc. Deliberate conditional poison training for generative models
CN111145540A (zh) * 2019-12-18 2020-05-12 福建工程学院 一种城市路网拓扑连接边的发现方法和发现***
CN111145540B (zh) * 2019-12-18 2021-09-03 福建工程学院 一种城市路网拓扑连接边的发现方法和发现***

Also Published As

Publication number Publication date
CN109583626B (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
Wang et al. Lidar point clouds to 3-D urban models $: $ A review
Galin et al. Authoring hierarchical road networks
Kelly et al. A survey of procedural techniques for city generation
Aliaga et al. Interactive example-based urban layout synthesis
Hartmann et al. Streetgan: Towards road network synthesis with generative adversarial networks
CN106204503B (zh) 基于改进置信度更新函数及匹配准则的图像修复算法
CN100570641C (zh) 基于物理的植物叶子模拟方法
CN108027985A (zh) 路径生成程序、路径生成方法和路径生成装置
CN104835202A (zh) 一种三维虚拟场景快速构建方法
CN107679498A (zh) 一种机载激光点云城区道路识别方法
CN104504731B (zh) 基于运动图的人体运动合成方法
TW200849139A (en) Exemplar/PDE-based technique to fill null regions and corresponding accuracy assessment
Sugihara et al. Automatic generation of 3D building models from complicated building polygons
CN110532914A (zh) 基于精细特征学习的建筑物检测方法
CN107424161A (zh) 一种由粗至精的室内场景图像布局估计方法
CN109583626A (zh) 路网拓扑重建方法、介质及***
Huang et al. Human motion synthesis from 3d video
Tran et al. Pp-linknet: Improving semantic segmentation of high resolution satellite imagery with multi-stage training
Aliaga 3D design and modeling of smart cities from a computer graphics perspective
Kolos et al. Procedural synthesis of remote sensing images for robust change detection with neural networks
Tripodi et al. Brightearth: Pipeline for on-the-fly 3D reconstruction of urban and rural scenes from one satellite image
CN107424122A (zh) 一种大位移下形变辅助的图像插补方法
Williams et al. A time-line approach for the generation of simulated settlements
CN104766367B (zh) 一种计算三维模型处理中三维网格拓扑结构图构造方法
KR101063827B1 (ko) 한국토지정보시스템 연속지적도와 수치지형도의 기하학적 지도 변환을 위한 반자동화된 공액점 쌍 추출방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant