CN111523606B - 一种道路信息的更新方法 - Google Patents

一种道路信息的更新方法 Download PDF

Info

Publication number
CN111523606B
CN111523606B CN202010351888.9A CN202010351888A CN111523606B CN 111523606 B CN111523606 B CN 111523606B CN 202010351888 A CN202010351888 A CN 202010351888A CN 111523606 B CN111523606 B CN 111523606B
Authority
CN
China
Prior art keywords
road
information
data
updating
extraction
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.)
Active
Application number
CN202010351888.9A
Other languages
English (en)
Other versions
CN111523606A (zh
Inventor
孙士凯
艾云飞
耿丹阳
夏威
刘�文
苏航
张雨泽
吴琼
张莹
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.)
China Transport Telecommunications And Information Center
Cccc Information Technology National Engineering Laboratory Co ltd
Original Assignee
China Transport Telecommunications And Information Center
Cccc Information Technology National Engineering Laboratory Co ltd
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 China Transport Telecommunications And Information Center, Cccc Information Technology National Engineering Laboratory Co ltd filed Critical China Transport Telecommunications And Information Center
Priority to CN202010351888.9A priority Critical patent/CN111523606B/zh
Publication of CN111523606A publication Critical patent/CN111523606A/zh
Application granted granted Critical
Publication of CN111523606B publication Critical patent/CN111523606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Instructional Devices (AREA)

Abstract

本发明公开了一种道路信息的更新方法，该方法包括：利用特征提取的方式获得道路路面的特征点；将道路类型分为水泥路、沥青路和砂石路三类，对三类的道路进行不同颜色的标注，将沥青路标记为红色，将水泥路标记为蓝色，将砂石路标记为黄色；通过手工标注数据集分别对Wordview‑3、GF‑2以及利用网络爬虫技术的网络地图进行标绘，生成大小不同的两类训练数据集；利用Deeplab、Caffe两种不同的深度学习网络模型，对大小不同的两类训练样本数据进行基于高分遥感影像道路信息提取模型的训练。本发明采用卷积神经网络进行道路信息提取，基于逆地理编码算法的互联网道路信息提取，不同数据源之间数据的融合、分析实现道路信息的快速、准确的更新。

Description

一种道路信息的更新方法
技术领域
本发明涉及道路信息数据技术领域，尤其涉及一种道路信息的更新方法。
背景技术
道路作为一种重要的交通基础设施，按其使用特点主要可分为高速公路、 城市道路、乡村道路、厂矿道路等，其主要功能为供各种无轨车辆和行人通行。 中国作为一个蓬勃发展的人口大国，随着我国现代化建设事业的迅速发展，大 量道路工程项目开工建设，高速公路、城市道路、乡村道路、山区道路，覆盖 范围、道路路程不断增加。我国又是一个多山国家，特别是中西部地区，地形地质条件错综复杂，导致道路分布情况复杂，高速公路建设等级较高，四通八 达；城市道路分布密集，宽窄不一，材质多样，相互交错；乡村道路宽度狭窄， 建设质量同规划质量不一致现象突出，易破损，难维护；山区道路蜿蜒曲折， 穿山越岭，地质灾害频发，难维护。
道路作为一种有关国民经济建设发展的重要的基础设施，道路的发展、 规划和测量一直备受关注，重要基础地理信息中高速、国省道、城市道路等 交通道路信息，关系经济发展和百姓出行等方方面面，具有重要社会经济意 义，如果无法及时快速更新，其现势性将不能满足应用需求。伴随着城乡一 体化的进程加快，道路路网的获取和更新速度已经跟不上道路建设的发展速度。传统的道路相关信息统计都以人工的方式进行，复杂的道路分布情况使 得道路信息统计消耗着巨大的人力、物力和财力，随着道路里程、道路覆盖 范围的急速增加，上述方式已经不再适用。
道路信息的快速更新的重要前提是相关变化信息的快速发现。21世纪是数 据呈***式增长的时代，面对大数据时代的到来，为道路信息的快速更新提供 了重要的数据来源。互联网具有实时性强、成本低的优势为地理信息变化发现 提供了一条新的途径，国内外已经开展了一定的研究和成果转化。高分辨率遥 感影像道路呈现比较直观，道路特征明显，获取范围大；获取速度快，周期短； 获取限制条件少等优势，利用遥感图像提取道路信息的研究也已经开展了很多年。车辆轨迹数据价格低廉，数据量大，规模与日俱增，获取容易，蕴含丰富 信息。
基于传统的人工道路信息更新方式，费时费力、性价比低，已被逐渐淘汰。 高德地图、百度地图、谷歌地图等互联网数据地图服务网站，数据获取方式简 单快捷，内容可信度、地理信息描述准确度、属性完整性等基本得到保障，但 是部分地区数据更新频率、数据准确性较低；车辆轨迹数据，数据量大，但是 信息数据冗余度较高，可利用数据大多集中在城市区域；高分辨率遥感影像数据，所包含地物类型复杂多样，不同等级道路具有不同的宽度和形状特征；不 同材质道路具有不同的颜色和纹理特征；道路区域被建筑、树木、道路中央绿 化带遮挡等因素影响，导致部分路段道路信息精度提取困难，单独的利用某一 类型资源数据进行道路信息的更新，已经不能满足应用需求。
发明内容
为克服相关技术中存在的问题，本发明实施例提供一种道路信息的更新方 法，克服单一类型数据源所存在的数据区域性差异、数据准确性等问题。
本发明实施例提供一种道路信息的更新方法，包括以下步骤：
利用特征提取的方式获得道路路面的特征点；
将道路类型分为水泥路、沥青路和砂石路三类，对三类的道路进行不同颜 色的标注，将沥青路标记为红色，将水泥路标记为蓝色，将砂石路标记为黄色；
通过手工标注数据集分别对Wordview-3、GF-2以及利用网络爬虫技术的 网络地图进行标绘，生成大小不同的两类训练数据集；
利用Deeplab、Caffe两种不同的深度学习网络模型，对大小不同的两类训 练样本数据进行基于高分遥感影像道路信息提取模型的训练；
利用Deeplab、Caffe两种不同的深度学习网络模型对道路信息进行提取；
对提取结果进行最小外包络矩形的形态学计算，分别计算出最小外包络矩 形中心的经纬度信息、道路宽度信息、道路中心线以及道路材质信息；
通过逆地理编码API接口进行远程数据的访问，通过获取的不同地点道路 的经纬度坐标，实现结构化地址与经纬度之间的相互转化；
通过逆地理编码实现结构化地址同经纬度之间的相互转化，实现结构化地 址信息的获取；
将不同数据源之间道路宽度对比分析，设定阈值，若相同路段道路宽度差 异小于阈值则以互联网道路宽度信息作为准确值；若相同路段道路宽度差异大 于阈值，以较大值最为准确值，最后通过均值化处理得到道路宽度信息；
将对比分析的信息进行融合，实现相关研究区域内道路信息的及时、准确 和自动获取。
进一步地，对非道路区域进行删除，道路区域连接成片。
进一步地，道路信息提取方法包括：基于区域分割的道路提取法、基于模 板匹配的道路提取法、基于边缘的道路提取方法、多特征结合的道路提取方法、 面向对象的道路提取方法和基于深度学习的道路提取方法。
进一步地，图像标注完成后，对图像进行预处理，预处理包括进行分割、 清洗和打乱。
进一步地，将图像分割成256*256和500*500像素两种不同的大小，同时 对图像进行多次随机分割与镜像变换提高数据集数量。
进一步地，将没有或者少量道路的图像进行清洗，降低非道路样本的比例， 用于提高训练集的适用性。
进一步地，对提取结果分别进行连通域分析去除小斑块等非道路区域后利 用叠加分析算法进行两种提取结果的融合。
进一步地，对结构化数据进行冗余处理，通过文本分析和道路信息筛选工 作，实现道路名称、道路宽度、道路等级以及道路空间范围的属性信息的获取 以及其他冗余数据的删除。
进一步地，对不同数据源道路栅格信息进行叠加分析，获取已有道路信息， 新增以及扩建道路信息、道路等级信息和道路材质信息。
本发明的实施例提供的技术方案具有以下有益效果：采用卷积神经网络进 行道路信息提取，基于逆地理编码算法的互联网道路信息提取，不同数据源之 间数据的融合、分析实现道路信息的快速、准确的更新；可进一步解决基于卷 积神经网络进行道路信息提取抗干扰性差的问题，提高其提取精度及适用性； 实现不同数据源数据之间的相互融合；最后综合实现道路信息的准确、快速、 全面的更新，提高道路信息普查效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性 的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明 的实施例，并与说明书一起用于解释本发明的原理。
图1是本发明实施例中道路信息的更新方法的流程图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描 述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。 以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施 方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相 一致的装置及相关应用、方法的例子。
图1是本发明实施例中道路信息的更新方法的流程图，如图1所示，该道 路信息的更新方法，包括以下步骤：
步骤101、利用特征提取的方式获得道路路面的特征点。
对非道路区域进行删除，道路区域连接成片，利用该方法进行遥感影像道 路信息的提取具有更好的效果。
步骤102、将道路类型分为水泥路、沥青路和砂石路三类，对三类的道路 进行不同颜色的标注，将沥青路标记为红色，将水泥路标记为蓝色，将砂石路 标记为黄色。
步骤103、通过手工标注数据集分别对Wordview-3、GF-2以及利用网络爬 虫技术的网络地图进行标绘，生成大小不同的两类训练数据集。
图像标注完成后，对图像进行预处理，预处理包括进行分割、清洗和打乱， 将图像分割成256*256和500*500像素两种不同的大小，同时对图像进行多次 随机分割与镜像变换提高数据集数量，将没有或者少量道路的图像进行清洗， 降低非道路样本的比例，用于提高训练集的适用性。
步骤104、利用Deeplab、Caffe两种不同的深度学习网络模型，对大小不 同的两类训练样本数据进行基于高分遥感影像道路信息提取模型的训练。
选取不同的深度学习网络模型来提高道路信息的提取精度。
步骤105、利用Deeplab、Caffe两种不同的深度学习网络模型对道路信息 进行提取，对提取结果进行最小外包络矩形的形态学计算，分别计算出最小外 包络矩形中心的经纬度信息、道路宽度信息、道路中心线以及道路材质信息。
设定50*50像素的滑动窗口对提取结果进行最小外包络矩形的形态学计 算。
对提取结果分别进行连通域分析去除小斑块等非道路区域后利用叠加分 析算法进行两种提取结果的融合，提高道路信息提取精度。
道路信息提取方法包括：基于区域分割的道路提取法、基于模板匹配的道 路提取法、基于边缘的道路提取方法、多特征结合的道路提取方法、面向对象 的道路提取方法和基于深度学习的道路提取方法。
步骤106、通过逆地理编码API接口进行远程数据的访问，通过获取的不 同地点道路的经纬度坐标，实现结构化地址与经纬度之间的相互转化。
本方法选取高德地图互联网数据作为其主要数据来源。
步骤107、通过逆地理编码实现结构化地址同经纬度之间的相互转化，实 现结构化地址信息的获取。
对结构化数据进行冗余处理，通过文本分析和道路信息筛选工作，实现道 路名称、道路宽度、道路等级以及道路空间范围的属性信息的获取以及其他冗 余数据的删除。
步骤108、将不同数据源之间道路宽度对比分析，设定阈值，若相同路段 道路宽度差异小于阈值则以互联网道路宽度信息作为准确值；若相同路段道路 宽度差异大于阈值，以较大值最为准确值，最后通过均值化处理得到道路宽度 信息。
步骤109、对不同数据源道路栅格信息进行叠加分析，获取已有道路信息、 新增以及扩建道路信息、道路等级信息和道路材质信息。
本方法基于高分辨率遥感影像所获取的道路信息，时效性强、数据准确率 高，但存在部分道路受到周边建筑物、植被等因素的影响导致其所获取的数据 存在偏差，基于互联网数据所获取的道路信息，存在部分区域时效性、数据准 确率较低，区域差异大等因素的影响，因此需多通过上述两种方法所获取的数 据进行融合、分析实现道路数据的时效性以及准确性。
本方法所选取的高分辨遥感影像为WGS84坐标系，互联网地图服务数据- 高德地图是基于GCJ-02坐标系经过脱密和变形处理，导致互联网数据存在偏移 现象，如直接进行数据叠加会产生较大的影响，因此选取网格逼近法将两者之 间的误差控制在一定范围之内，实现不同坐标系数据之间的相互转换。
步骤110、将对比分析的信息进行融合，实现相关研究区域内道路信息的 及时、准确和自动获取。
采用了本发明的上述实施例，采用卷积神经网络进行道路信息提取，基于 逆地理编码算法的互联网道路信息提取，不同数据源之间数据的融合、分析实 现道路信息的快速、准确的更新；可进一步解决基于卷积神经网络进行道路信 息提取抗干扰性差的问题，提高其提取精度及适用性；实现不同数据源数据之间的相互融合；最后综合实现道路信息的准确、快速、全面的更新，提高道路 信息普查效率。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发 明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化， 这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开 的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结 构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的 权利要求来限制。

Claims (9)

1.一种道路信息的更新方法，其特征在于，包括以下步骤：
利用特征提取的方式获得道路路面的特征点；
将道路类型分为水泥路、沥青路和砂石路三类，对三类的道路进行不同颜色的标注，将沥青路标记为红色，将水泥路标记为蓝色，将砂石路标记为黄色；
通过手工标注数据集分别对Wordview-3、GF-2以及利用网络爬虫技术的网络地图进行标绘，生成大小不同的两类训练数据集；
利用Deeplab、Caffe两种不同的深度学习网络模型，对大小不同的两类训练样本数据进行基于高分遥感影像道路信息提取模型的训练；
利用Deeplab、Caffe两种不同的深度学习网络模型对道路信息进行提取；
对提取结果进行最小外包络矩形的形态学计算，分别计算出最小外包络矩形中心的经纬度信息、道路宽度信息、道路中心线以及道路材质信息；
通过逆地理编码API接口进行远程数据的访问，通过获取的不同地点道路的经纬度坐标，实现结构化地址与经纬度之间的相互转化；
通过逆地理编码实现结构化地址同经纬度之间的相互转化，实现结构化地址信息的获取；
将不同数据源之间道路宽度对比分析，设定阈值，若相同路段道路宽度差异小于阈值则以互联网道路宽度信息作为准确值；若相同路段道路宽度差异大于阈值，以较大值作为准确值，最后通过均值化处理得到道路宽度信息；
将对比分析的信息进行融合，实现相关研究区域内道路信息的及时、准确和自动获取。
2.根据权利要求1所述的道路信息的更新方法，其特征在于，所述利用特征提取的方式获得道路路面的特征点，包括：对非道路区域进行删除，道路区域连接成片。
3.根据权利要求1所述的道路信息的更新方法，其特征在于，所述道路信息提取方法包括：基于区域分割的道路提取法、基于模板匹配的道路提取法、基于边缘的道路提取方法、多特征结合的道路提取方法、面向对象的道路提取方法和基于深度学习的道路提取方法。
4.根据权利要求1所述的道路信息的更新方法，其特征在于，还包括，图像标注完成后，对图像进行预处理，预处理包括进行分割、清洗和打乱。
5.根据权利要求1所述的道路信息的更新方法，其特征在于，通过手工标注数据集分别对Wordview-3、GF-2以及利用网络爬虫技术的网络地图进行标绘，将图像分割成256*256和500*500像素两种不同的大小，同时对图像进行多次随机分割与镜像变换提高数据集数量。
6.根据权利要求5所述的道路信息的更新方法，其特征在于，将没有或者少量道路的图像进行清洗，降低非道路样本的比例，用于提高训练集的适用性。
7.根据权利要求1所述的道路信息的更新方法，其特征在于，对提取结果进行最小外包络矩形的形态学计算还包括，对提取结果分别进行连通域分析去除小斑块非道路区域后利用叠加分析算法进行两种提取结果的融合。
8.根据权利要求1所述的道路信息的更新方法，其特征在于，通过逆地理编码实现结构化地址同经纬度之间的相互转化，实现结构化地址信息的获取还包括，对结构化数据进行冗余处理，通过文本分析和道路信息筛选工作，实现道路名称、道路宽度、道路等级以及道路空间范围的属性信息的获取以及其他冗余数据的删除。
9.根据权利要求1所述的道路信息的更新方法，其特征在于，将对比分析的信息进行融合还包括，对不同数据源道路栅格信息进行叠加分析，获取已有道路信息、新增以及扩建道路信息、道路等级信息和道路材质信息。
CN202010351888.9A 2020-04-28 2020-04-28 一种道路信息的更新方法 Active CN111523606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010351888.9A CN111523606B (zh) 2020-04-28 2020-04-28 一种道路信息的更新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010351888.9A CN111523606B (zh) 2020-04-28 2020-04-28 一种道路信息的更新方法

Publications (2)

Publication Number Publication Date
CN111523606A CN111523606A (zh) 2020-08-11
CN111523606B true CN111523606B (zh) 2023-04-28

Family

ID=71902937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010351888.9A Active CN111523606B (zh) 2020-04-28 2020-04-28 一种道路信息的更新方法

Country Status (1)

Country Link
CN (1) CN111523606B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487122B (zh) * 2020-12-02 2024-05-17 电信科学技术第十研究所有限公司 地址归一化处理方法及装置
CN113159044A (zh) * 2021-04-01 2021-07-23 中国公路工程咨询集团有限公司 一种基于深度学习的卷积神经网络的道路材质识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530330A (zh) * 2013-09-29 2014-01-22 天泽信息产业股份有限公司 一种逆地理编码处理***的处理方法
CN108256424A (zh) * 2017-12-11 2018-07-06 中交信息技术国家工程实验室有限公司 一种基于深度学习的高分辨率遥感图像道路提取方法
CN109190481A (zh) * 2018-08-06 2019-01-11 中国交通通信信息中心 一种遥感影像道路材质提取方法和***
CN109800736A (zh) * 2019-02-01 2019-05-24 东北大学 一种基于遥感影像和深度学习的道路提取方法
CN109815859A (zh) * 2019-01-10 2019-05-28 中交信息技术国家工程实验室有限公司 一种低等级道路自动提取及变化分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106919915B (zh) * 2017-02-22 2020-06-12 武汉极目智能技术有限公司 基于adas***的地图道路标记及道路质量采集装置及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530330A (zh) * 2013-09-29 2014-01-22 天泽信息产业股份有限公司 一种逆地理编码处理***的处理方法
CN108256424A (zh) * 2017-12-11 2018-07-06 中交信息技术国家工程实验室有限公司 一种基于深度学习的高分辨率遥感图像道路提取方法
CN109190481A (zh) * 2018-08-06 2019-01-11 中国交通通信信息中心 一种遥感影像道路材质提取方法和***
CN109815859A (zh) * 2019-01-10 2019-05-28 中交信息技术国家工程实验室有限公司 一种低等级道路自动提取及变化分析方法
CN109800736A (zh) * 2019-02-01 2019-05-24 东北大学 一种基于遥感影像和深度学习的道路提取方法

Also Published As

Publication number Publication date
CN111523606A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
Wang et al. Automatic intersection and traffic rule detection by mining motor-vehicle GPS trajectories
CN110348506B (zh) 基于遥感图像的土地利用分类方法、存储介质和计算设备
Fonte et al. Using OpenStreetMap (OSM) to enhance the classification of local climate zones in the framework of WUDAPT
CN112819340B (zh) 一种基于多源数据的城市洪涝灾害动态评估方法
CN107679498A (zh) 一种机载激光点云城区道路识别方法
CN111523606B (zh) 一种道路信息的更新方法
CN111062958B (zh) 一种城市道路要素提取方法
CN107491566B (zh) 一种定量化研究城市森林对pm2.5净化作用的方法
CN110967461B (zh) 一种基于gis技术实现河流水质动态分布的方法
CN110866494A (zh) 一种基于光学遥感影像的城镇群提取方法及***
CN111666909A (zh) 基于面向对象和深度学习的疑似污染场地空间识别方法
CN113822832A (zh) 自然资源多源矢量数据融合方法
Zhang et al. Using street view images to identify road noise barriers with ensemble classification model and geospatial analysis
CN114661744B (zh) 一种基于深度学习的地形数据库更新方法及***
CN114692236A (zh) 一种面向大数据的国土空间规划底图底数处理方法
CN117475314B (zh) 一种地质灾害隐患立体识别方法、***及介质
CN113487638A (zh) 高精度语义分割算法U2-net的地物边缘检测方法
CN116152668B (zh) 一种基于人工智能获取街区尺度lcz的方法
Meyer-Heß Identification of archaeologically relevant areas using open geodata
Wang et al. [Retracted] Application of Road Extraction from High‐Resolution Remote Sensing Images in Tourism Navigation and GIS
Hashidu et al. Road transport development and urban growth in Gombe metropolis, Gombe state, Nigeria
Hu et al. Quantitative analysis of the urban factors limiting central district plane form expansion: twenty-one case studies of Asian megacities′ central districts
Liu et al. Extracting campus’ road network from walking gps trajectories
CN117128977B (zh) 基于双影像融合的优质绿道路径规划方法、装置及设备
CN113194152B (zh) 一种基于手机信令数据的低活动强度建设用地识别方法

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