CN1152343C - 人机交互快速房屋矢量地图产生方法 - Google Patents
人机交互快速房屋矢量地图产生方法 Download PDFInfo
- Publication number
- CN1152343C CN1152343C CNB02151061XA CN02151061A CN1152343C CN 1152343 C CN1152343 C CN 1152343C CN B02151061X A CNB02151061X A CN B02151061XA CN 02151061 A CN02151061 A CN 02151061A CN 1152343 C CN1152343 C CN 1152343C
- Authority
- CN
- China
- Prior art keywords
- house
- map
- breakpoint
- seed points
- border
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Processing Or Creating Images (AREA)
Abstract
一种人机交互快速房屋矢量地图产生方法,原始图像经预处理转换成地图图形后,再采用人机交互法生成房屋矢量地图,经预测房屋边界种子点,识别并清除房屋内部误判点,由边界种子点寻找房屋边界图形的断点并去除房屋外部误判种子点生成的断点,再连接各缺口组成闭合的房屋轮廓。本发明采用了房屋边缘点假设和假设验证的方法,可以弥补图形生成过程导致的缺陷,不仅可以用于数字地图生成***中,而且能够应用于数字地图的快速更新等编辑***中,大大提高数字地图制作的效率。
Description
技术领域:
本发明涉及一种人机交互快速房屋矢量地图产生方法,用于数字房屋地图数据的修改、生成和编辑,属于计算机信息图像处理技术领域。
背景技术:
随着智能交通***、全球卫星定位***、计算机和信息科学的迅速发展,数字地图在许多领域得到日益广泛的应用。特别是在车辆导航、车辆定位和土地规划中,数字地图起着关键作用。在目前数字地图生产过程中,地图数据的输入广泛采用交互式计算机界面法。由于该方法是一种手工数据输入法,需要大批计算机操作员和相当长的时间去完成地图的数据输入工作,导致数字地图制作成本高,生产周期长。采用计算机视觉和模式识别技术,数字地图自动生成可以在计算机上实现。数字地图自动生成能有效地降低数字地图的生产成本,缩短地图数据的更新周期。
在数字地图数据库自动生成方面的研究可以回溯到二十世纪九十年代。早在1988年,Musavi等人[M.T.Musavi,M.V.Shirvaikar,E.Ramanathan and A.R.Nekovei,“A Vision Based Method to Automate Map Processing”,PattenRecognition,vol.21,no 4,pp.319-326,1988.]提出了一个有效地储存地图的数字化方法,但并没有对地图的各组件(如建筑物、道路等)进行识别。1990年Suzuki和Yamada[S.Suzuki,T.Yamada,“MARIS:Map Recognition InputSystem”,Pattern Recognition,vol.23,no 8,pp.919-933,1990]在文章中描述了称作MARLS的实际***。但是该***并不能对数据进行修改和编辑。为了适应地图工业的实际需要,一些研究人员开始研发采用纸面地图为原始数据的数字地图自动生成***。但是,由于数字地图的不规则性和自动生成技术的复杂性,国际上目前尚未有实用的数字房屋地图全自动生成***。
发明内容:
本发明的目的在于针对现有技术的不足,提供一种人机交互快速房屋矢量地图产生方法,为数字地图的开发提供高效率的输入工具,用数据精度高、运作速度快的地图数据自动输入法代替传统的手工数据输入法,降低数字地图的开发成本,缩短数字地图的制作周期。
为实现这样的目的,本发明的技术方案中,根据用户输入的原始种子点预测房屋边界种子点,按照初步的准则判断这些边界种子点是否包含第一类误判点(是否在同一所房屋的边界上)。如果是就直接按照这些点找到边界断点,如果这些边界点在同一条曲线上则这一曲线就认为是个房屋;如果有断点则去掉非目标房屋边界上的断点,再把断点按照他们的几何位置连接成一条曲线作为房屋数据。
本发明对原始地图的表现形式并没有特殊要求,输入数据是原始房屋地图的图形表达数据。房屋地图的图形表达数据可以是纸面地图扫描图像骨架的图形也可以是航拍灰度地图边缘图像的图形。
原始图像经过预处理去除噪声再进行细化,然后转换成地图图形。每一个图形的节点对应原始图像中的一个像素。随后,可对地图图形进行主曲线检测,消除原始地图中的文字、符号在地图图形中对应的成分;并对断裂的房屋边沿曲线进行拟合。接着,由人机交互方法快速生成房屋矢量地图。
本发明的方法主要步骤如下:
1、预测房屋边界种子点
将由人机交互得到的房屋内部任意一点O定义为生长核,由生长核分别沿着0,π/4,π/2,3π/4,π,5π/4,3π/2,7π/4八个方向向外扩张,与原始地图图形上的八个交点定义为预测的房屋边界种子点。
寻找种子点时,可能由于原始地图数据的不规则性而引入误判种子点。误判种子点可能位于房屋内部或者房屋外部。房屋内部的误判点由于文字的干扰产生;房屋外部的误判一般是房屋轮廓断缺引起。误判种子点必须进行识别并加以清除。
2、识别并清除房屋内部误判点。
利用尺度滤波器对预测的八个房屋边界种子点进行识别,若是房屋内部文字引起的误判种子点则舍弃该种子点,并沿着生成该误判种子点的方向继续向外扩张寻找到另一替代点,否则,保留原来的种子点。此时找到的替代点仍可能是第二类误判点,需要由第四步进一步排除。
3、由边界种子点寻找房屋边界图形的断点。
从所保留的各种子点出发,沿着房屋边界图形一直顺向搜索,寻找断点。断点数目必定等于相应图形缺口数目的两倍。如果断点的个数为零,说明房屋轮廓已经闭合,则把此闭合的房屋轮廓进行矢量化操作生成数字房屋地图数据,否则须判断是否有房屋外部误判点。
4、判断并去除房屋外部误判种子点生成的断点。
房屋外部误判种子点是由于房屋轮廓不闭合产生的。如果断点数目为2,则直接跳至步骤5。如果断点数目大于2,则需要根据某些断点之间的关系以及断点到生长核之间的距离来去除误判断点。根据实践中遇到的问题的分析,缺口一般很小,各个缺口之间的距离大多数都大于缺口本身的尺寸。本发明把这作为一个判据。另一个判据是同一个房屋的各缺口到生长核的距离都相差不大。在实际的算法中用断点的位置来近似代替缺口的位置。
从大多数房屋图像中分析可以发现,若同一所房屋由于扫描发生缺口,记经过以上三个步骤产生的编号相邻的4个断点依次为A1、A2和B1、B2。A1和A2为同一个缺口的断点,B1和B2为另一个缺口的断点。其中点A2和B1在同一图形上。A1为前一个正确的断点,A2为下一个待判断的断点。如果都是正确的断点则A1到A2的距离小于A1到B2的距离(因为绝大多数缺口的尺寸很小),如果其中两个断点由误判的种子点生成的,则A1到A2的距离小于A1到B2的距离,并且经过第三步操作后,可以使A1到A2的距离比原来种子点到缺口的距离大,其中缺口的位置可以用断点来近似。所以可以根据相邻编号断点之间的距离以及断点到种子点之间的距离,来判断是否存在房屋外部误判点,若有则去除。
考虑到交互式编辑的特点,本发明采用了较严格的判据,只有同时满足下面两个条件:A1到A2的距离小于A1到B2的距离(即缺口本身尺寸小于相邻缺口的距离),并且两倍的A1到生长核的距离大于A2到生长核的距离,才判断为正确的断点。
5、连接各缺口组成闭合的房屋轮廓。
分别从缺口两断点沿着房屋轮廓后退计算缺口两断点处房屋轮廓的直线斜率,若两个断点的斜率符合预先规定的共线条件,则直接连接两断点;若斜率差别较大(间断点在房屋的角点上),则求出两条直线的交点,分别将断点与此交点相连,由此形成闭合的房屋轮廓,并进行矢量化操作生成数字房屋地图数据。
本发明的人机交互快速房屋矢量地图产生方法,所有运算都在图像的特征空间进行,并不对象素操作,所以大大提高了算法的效率。本发明采用地图数据自动输入法代替传统的手工数据输入法(如量化板法或计算机界面法),所开发的数字地图精度高,操作速度快,约为手工操作的10倍,可以大大降低数字地图的开发成本,缩短数字地图的制作周期。
附图说明:
图1为本发明人机交互快速房屋矢量地图产生方法的流程框图。
图2为实施例中的一个例子。
图3为本发明实施例的原始地图图像。
图3中的原始地图为通过300dpi扫描仪扫描后所获得的二进制数字图像。
图4为本发明实施例生成的数字房屋地图。
在图4的数字地图数据中,每个节点都是房屋数据的一个节点。
具体实施方式:
以下结合附图和具体的实施例对本发明的技术方案作进一步描述。
本发明所要求的输入数据是原始房屋地图的图形表达数据,本实施例以纸面地图为原始地图数据,数字房屋地图生成***在Sun UltraSparc 170E工作站上实现。
图3是原始地图通过300dpi扫描仪扫描后所获得的二进制数字图像。经过预处理去除图像噪声再经过细化后,转换成地图图形。细化后的地图骨架图像与原始地图图形在结构上并无本质上的差异;地图骨架图像中的一个象素对应地图图形中的一个节点。随后,地图图形进行主曲线检测,消除原始地图中的文字、符号在地图图形中对应的成分;并对断裂的骨架边沿曲线进行拟合。接着,用人机交互式快速房屋矢量地图产生方法处理该图形,最后可以生成如图4所示的地图图形数字房屋地图数据。
本发明的具体实施按图1所示流程进行。根据人机交互得到的起始点预测房屋边界种子点,按照初步的准则判断这些边界种子点是否同一所房屋的边界点。如果是,就直接按照这些点找到边界断点,如果这些边界点在同一条曲线上则这一曲线就认为是个房屋:如果有断点则去掉非目标房屋边界上的断点,再把断点按照其几何位置连接成一条曲线作为房屋数据。下面以图2所示的一个例子来说明生成一个房屋的主要步骤。
1、预测房屋边界种子点。
如图2所示,将由人机交互得到的房屋内部任意一点O定义为生长核,由生长核分别沿着0,π/4,π/2,3π/4,π,5π/4,3π/2,7π/4八个方向向外扩张,与原始地图图形上的八个交点S0~S7定义为预测的房屋边界种子点。
2、识别并清除房屋内部误判点。
利用尺度滤波器对预测的八个房屋边界种子点进行识别,其中S3为房屋内部文字引起的误判种子点,然后沿着生成S3种子点的方向继续向外扩张找到另一替代点S3’。
3、由边界种子点寻找房屋边界图形的断点。
从各种子点出发,沿着房屋边界图形一直搜索,寻找断点。断点数目必定等于相应图形缺口数目的两倍。如果断点的个数为零,说明轮廓已经闭合,则把此闭合的房屋轮廓进行矢量化操作生成数字房屋地图数据。图2实施例中寻找到八个断点,从0°开始按顺时针方向对断点编号为P0~P7。其中P0和P1是由于房屋外部误判种子点S0引起的。
4、去除房屋外部误判种子点生成的断点。
房屋外部误判种子点是由于房屋轮廓不闭合产生的。如果断点数目为2,则直接跳至步骤5。如果断点数目大于2,则需要根据某些断点之间的距离以及断点到种子点之间的距离来去除误判断点。
下面以图2为例说明去除错误断点。首先要找到一个正确的断点,由于误判断点都在房屋外边,则可以假设离生长核(坐标中心)最近的断点作为正确的起始断点(图2中为P2)。因为P3和P2是在同一条图形上,所以P3也是正确点,下面按照顺时针方向一次判断其余断点的正确性。
图2中因为P3到P4的距离小于P3到P6的距离,并且两倍的P3到O的距离大于P4到O的距离,所以P4是正确的断点。同样,P5,P6,P7也可以判断为正确的断点。而P7到P0的距离大于P7到P2的距离,所以P0为误判断点,P1和P0在同一条图形上,P1也为误判断点。
5、连接各缺口组成闭合的房屋轮廓
分别从缺口两断点处计算房屋轮廓的斜率,若两个断点处的斜率符合预先规定的共线条件(如两线段夹角小于20度),则直接连接两断点;若斜率差别较大(间断点在房屋的角点上),则求出两条直线的交点,分别将断点与此交点相连。
此例中,由于所间断缺口两边的轮廓线段夹角都小于20度,所以连接所有缺口,最后形成完整的房屋轮廓曲线。
Claims (1)
1、一种人机交互快速房屋矢量地图产生方法,其特征在于原始图像经预处理转换成地图图形后,再通过以下几个步骤生成房屋矢量地图:
1)预测房屋边界种子点:将由人机交互得到的房屋内部任意一点O定义为生长核,由生长核分别沿着0,π/4,π/2,3π/4,π,5π/4,3π/2,7π/4八个方向向外扩张,与原始地图图形上的八个交点定义为预测的房屋边界种子点;
2)识别并清除房屋内部误判点:利用尺度滤波器对预测的八个房屋边界种子点进行识别,若是房屋内部的误判点则舍弃该种子点,并沿着生成该种子点的方向继续向外扩张寻找另一个替代点,否则,保留原来的种子点;
3)由边界种子点寻找房屋边界图形的断点:从所保留的各种子点出发,沿着房屋边界图形一直顺向搜索,寻找断点,如果断点的个数为零,说明房屋轮廓已经闭合,则把此闭合的房屋轮廓进行矢量化操作生成数字房屋地图数据,否则须判别是否有房屋外部误判点;
4)判断并去除房屋外部误判种子点生成的断点:根据相邻编号断点之间的距离以及断点到种子点之间的距离来判断是否存在房屋外部误判点,若有则去除;
5)连接各缺口组成闭合的房屋轮廓:分别计算缺口两断点处房屋轮廓的斜率,若两个断点的斜率符合预先规定的共线条件,则直接连接两断点,否则求出两条直线的交点,分别将断点与此交点相连,由此形成闭合的房屋轮廓,并进行矢量化操作生成数字房屋地图数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB02151061XA CN1152343C (zh) | 2002-12-05 | 2002-12-05 | 人机交互快速房屋矢量地图产生方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB02151061XA CN1152343C (zh) | 2002-12-05 | 2002-12-05 | 人机交互快速房屋矢量地图产生方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1416099A CN1416099A (zh) | 2003-05-07 |
CN1152343C true CN1152343C (zh) | 2004-06-02 |
Family
ID=4751899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB02151061XA Expired - Fee Related CN1152343C (zh) | 2002-12-05 | 2002-12-05 | 人机交互快速房屋矢量地图产生方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1152343C (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4617726B2 (ja) * | 2004-06-07 | 2011-01-26 | ソニー株式会社 | 画像処理システム、画像処理装置および画像処理方法、並びにプログラム |
CN100407231C (zh) * | 2004-06-10 | 2008-07-30 | 中国煤炭地质总局航测遥感局 | 用于图像转图形中边界线追踪的优化方法 |
CN100464347C (zh) * | 2007-03-09 | 2009-02-25 | 永凯软件技术(上海)有限公司 | 一种工程cad图纸的矢量化图形识别方法 |
CN100538726C (zh) * | 2008-01-31 | 2009-09-09 | 浙江工业大学 | 基于图像矢量化技术的服装样片自动录入装置 |
CN112414430B (zh) * | 2019-08-22 | 2022-12-02 | 北京初速度科技有限公司 | 一种电子导航地图质量检测方法及装置 |
CN111105500B (zh) * | 2019-10-31 | 2023-09-22 | 青岛小鸟看看科技有限公司 | 虚拟现实场景下的安全区域绘制方法、装置和虚拟现实*** |
CN111854758A (zh) * | 2020-07-03 | 2020-10-30 | 湖北枫丹白露智慧标识科技有限公司 | 一种基于建筑楼cad图的室内导航地图转换方法及*** |
-
2002
- 2002-12-05 CN CNB02151061XA patent/CN1152343C/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN1416099A (zh) | 2003-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840471B (zh) | 一种基于改进Unet网络模型的可行道路分割方法 | |
Qin et al. | Automated reconstruction of parametric bim for bridge based on terrestrial laser scanning data | |
CN1152343C (zh) | 人机交互快速房屋矢量地图产生方法 | |
CN1300503A (zh) | 摄像机运动参数估计方法 | |
CN1152341C (zh) | 房屋数字地图自动生成方法 | |
CN114372570A (zh) | 一种多模态车辆轨迹预测方法 | |
WO2021115961A1 (en) | Method for reconstruction of a feature in an environmental scene of a road | |
CN113111875A (zh) | 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法 | |
CN116403109A (zh) | 一种基于改进神经网络的建筑物识别与提取方法及*** | |
Jin et al. | A semi-automatic annotation technology for traffic scene image labeling based on deep learning preprocessing | |
CN112561808B (zh) | 一种基于车载激光点云和卫星影像的道路边界线复原方法 | |
CN1822343A (zh) | 半导体缺陷信号检测与统计***及其方法 | |
CN1141669C (zh) | 数字道路地图自动生成滚球法 | |
CN115661097A (zh) | 一种物体表面缺陷检测方法及*** | |
CN112733934B (zh) | 复杂环境下的多模态特征融合道路场景语义分割方法 | |
CN1873656A (zh) | 机器人视觉导航中的自然目标检测方法 | |
CN115221045A (zh) | 一种基于多任务多视角学习的多目标软件缺陷预测方法 | |
CN103745026A (zh) | 用于水工构筑物的预埋件的定位装置及安装方法 | |
Xu et al. | AOP-Net: All-in-One Perception Network for LiDAR-based Joint 3D Object Detection and Panoptic Segmentation | |
CN1097878A (zh) | 电火花线切割机床用仿型自动编程方法及其*** | |
CN111291763A (zh) | 大理石板图像分割方法、装置设备及存储介质 | |
CN118387110A (zh) | 一种道路异常检测方法及*** | |
Ning et al. | SAMLoc: Structure-Aware Constraints With Multi-Task Distillation for Long-Term Visual Localization | |
CN1851730A (zh) | 一种文字识别的方法及其*** | |
CN112344936A (zh) | 一种基于语义slam的移动机器人自动导航和目标识别算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C19 | Lapse of patent right due to non-payment of the annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |