基于Android移动终端的车辆导航地图匹配算法研究

基于Android移动终端设计了一种基于路网拓扑结构的地图匹配算法,将地图匹配分成定位数据预处理、确定车辆所在路段、确定车辆匹配位置和出错检测等4个相对独立的过程．算法在过滤掉异常定位数据后采用航位推算进行补偿,使用考虑距离和方向两种要素的加权评估模型确定匹配路段,在确定匹配位置时对常用的垂直投影进行改进,得到一种优化方法．结果表明,该算法具有较高的路段识别正确率,优化方法相对于垂直投影法在位置精度上有所提高,地图匹配效果好．     

车辆导航中地图匹配算法的研究

地图匹配是借助GIS电子地图数据库中的高精度道路信息作为分类模板来进行模式识别,根据识别结果计算和显示车辆行驶的正确位置并校正GPS接收数据的定位误差。本文通过比较分析现有的地图匹配算法,从效率、精度、程序设计三方面进行考虑,提出一种新型快速的地图匹配算法。在不降低计算准确性的基础上大大减少了运算复杂度,提高了时间效率,更能够适应实时车辆导航系统的需求。     

面向车辆监控导航的地图匹配算法研究

在引入地图匹配问题的基础上,针对传感器给出的车辆位置信息的不确定性,提出了基于准投影和曲线拟合的实时地图匹配算法,以适应车辆监控导航实时性的要求。该算法以选取与车辆行进方向一致的道路为核心,利用孤立点轨迹提取和GPS坏点过滤,取消由电子地图数据不完整和坐标变换误差引起的限制,简化运算的复杂度,并能在电子数据不完整或局部路网数据错误的情况下正常运行,从而为车辆监控导航准确性研究提供了基础。实验表明,该算法能够适应实时监控导航系统的需求,而且具有良好的实时性和鲁棒性。     

车辆导航定位中地图匹配的MP模型

提出了地图匹配的数学框架，建立了地图匹配的极大验后估计模型，即ＭＰ模型，该模型能够最优的将原始位置观测值转化到路网上去。     

基于结点扩展的高分辨率遥感影像道路提取

基于整体矩形匹配方法、结点扩展方法、道路连续匹配终止准则等,提出了一种较完善的从高分辨率遥感影像上提取直线道路方法.利用最佳匹配矩形扩展结点进行道路的连续提取,建立道路连续匹配终止准则结束对当前道路的连续提取.该方法具有较高的自动化程度,能够快速准确地提取出影像上主要道路,较好地表示道路的边缘、宽度和方向.同时,在道路提取过程中将自动跟踪和少量人工处理有机地结合起来,使得方法具有实用性.     

车辆导航中带匹配度反馈的模糊地图匹配算法

连通性是车辆导航中车辆与地图匹配的一个重要因素,它利用历史匹配信息以改善匹配连续性,但同时也可能由于引入错误信息而使匹配结果恶化。该文在多因素综合的模糊地图匹配基础上计算匹配度,对匹配结果的可信程度进行评价。该匹配度通过反馈方式在下一次匹配的连通性因素中加以利用。实验表明带匹配度的反馈模糊地图匹配方法可以使连通性得到更加合理有效的使用,从而使地图匹配效果得到改善。     

一种基于Snake模型的遥感影像道路网半自动提取方法

在遥感影像中,道路不仅是一种重要的基础地理信息,而且还是提取其它地物目标的线索和参考,道路的正确提取对遥感影像的深入应用具有重要意义.然而,到目前为止,遥感影像道路网的全自动化提取仍处于探索阶段,现有研究仍多侧重于道路的半自动提取方法.本研究在归纳和总结现有典型的几种道路半自动提取方法基础上,提出了一种基于Snake模型的遥感影像道路网半自动提取方法,针对该方法中能量函数的构造、收敛迭代条件的设置、道路中角点的判断、角点及道路网中交点的提取等问题进行了讨论.最后对所提出的方法进行了实验验证,结果表明:基于Snake模型的遥感影像道路网半自动提取方法能够从覆盖范围大、场景复杂、噪声较多的遥感影像中实现道路网的提取且只需少量的人机交互,从而极大地提高了道路提取的效率.     

高分辨率影像道路提取的整体矩形匹配方法

提出了一种整体矩形匹配方法,对高分辨率遥感影像中的城市直线道路进行提取.方法基于影像特征、道路知识和数学形态学的击中击不中思想,通过改变影像分割阈值、矩形宽度和矩形方向,从矩形的内部和外部进行整体匹配,使得矩形满足最佳匹配原则,从而提取出道路.利用提出的方法对高分辨率卫星影像进行了实验.结果表明:该方法能较好地消除树木、汽车等对道路提取的影响,有效地提取出直线道路的边缘.     

遥感影像提取改扩建道路的DLG辅助算法

随着城市化进程的加快,作为城市脉络的道路网的更新要求越来越高。基于人工测图的传统更新方式速度慢、效率低,难以满足数据更新的需求。利用数字线划地图(Digital Line Graphic,DLG)数据作为先验信息,采用基于特征的方法,从高分辨率遥感影像中提取道路,实现道路的自动更新。算法适用于DLG中以双边缘平行线对表示的城市主要道路。实验结果表明,该方法在道路拓宽、延伸等情况均有良好的效果。     

基于多因子对象的高空间分辨率遥感影像道路提取

利用面向对象思想,综合应用光谱值、光滑度、紧凑度及长宽比等因子,分割道路对象,构建规则知识库,探讨一种基于多因子对象的高空间分辨率遥感影像道路提取方法,并以厦门市局部区域的QuickBird影像为例进行实证.结果表明:影像分割尺度为75时,道路对象被较完整分割;与传统基于单个像元光谱信息的监督分类法相比,该方法的提取精度较高.     

一种适于车辆导航系统的快速地图匹配算法

在分析影响地图匹配算法实时性、鲁棒性及匹配精度因素的基础上,依据车辆运动的连续性,引入道路网络的分块思想,并利用车辆行驶的位置、方向信息及实际道路网络的拓扑特性,提出一种时间复杂度为O(c)的快速地图匹配算法.对实际跑车数据的仿真结果表明,该算法的匹配正确率不低于95%,单点匹配时间不超过0.01 ms.     

基于高分辨率遥感影像的内河航标自动检测方法

提出了一种高分辨率遥感影像中的水运航标提取算法.首先应用单类支持向量机分类器实现水陆分割,确定水陆边界.然后将水域中的小目标作为候选目标,基于目标几何和灰度统计特性进行初步筛选,获得疑似航标目标.再利用影像中航标窗口间的相关性,提出一种基于相关系数编组的航标判定方法.最后提出一种基于在线学习原理的漏检航标检测算法,即首先依据已经检测得到的航标的空间分布对漏检航标的可能位置进行估计,再依据已检测到的航标的先验知识在估计位置进行精确检测.利用QuickBird影像进行的实验结果表明了该方法的有效性.     

基于D-S证据推理的车辆导航系统地图匹配算法

研究地图匹配算法中的匹配道路的选择问题,提出基于D-S证据推理理论的地图匹配算法.根据D-S证据推理的基本原理,结合车辆行驶情况,给出当前时刻车辆位置信息和方向信息的基本概率分布函数的设计方法.按照D-S合成公式,对位置和方向信息进行融合,并根据融合结果选择匹配道路.在设计方法中,引入位置信息和方向信息的可靠性参数.仿真结果表明,该方法是行之有效的,通过适当地调整可靠性参数的值,就能识别出车辆所在的道路.     

基于DLSVM算法的高分辨率遥感图像分类研究

为了进一步提高高分辨率遥感图像的分类精度及效率,融合支持向量机SVM及局部支持向量机KNNSVM算法,借助主动学习相关理论,提出了基于距离的局部支持向量机算法(DLSVM).该算法通过对未标记样本和超平面之间的距离与预先设定的距离阈值相比较,判断是否需要进一步建立局部支持向量机KNNSVM来确定样本的类标.对实际的高分辨率遥感图像分类的实验结果显示:在合适的距离阈值与K值的设置下,该算法能够提高支持向量机SVM的分类精度,同时大大降低KNNSVM算法的时间消耗.     

一种优化的多源遥感影像高精度配准方法

探讨了一种优化的多源遥感影像的高精度配准算法.利用梯度算子结合Forstner算子快速提取特征点,同时采用基于熵的格网技术控制特征点的分布均匀度,在少量准确控制点的基础上以不变矩相似度量为匹配准则,采用整体松弛法匹配策略快速配准得到同名点,并利用二次多项式模型来剔除误配准点.结果表明,该方法配准速度快,得到的同名点精度高,分布均匀,可以满足遥感影像的融合与快速更新等后续处理的要求.     

基于并联式卷积神经网络的遥感影像超分辨率重建

遥感影像超分辨率重建有助于丰富地物细节,从而更全面地反映地物目标信息。为了解决目前基于深度学习的超分辨率重建方法难以同时兼顾影像高、低频信息的问题,本文提出了一种并联式遥感影像超分辨率重建方法。该方法并联了密集深层反投影网络和浅层多尺度网络,利用密集深层反投影网络精确预测遥感影像的高频内容;同时利用浅层多尺度网络来增加目标可分辨能力,并保留影像的低频部分来提升影像的质量。这个方法在在GF-1和GF-2数据集上进行了实验,并在Landsat 8和ASTER异源遥感影像数据集上进行了泛化验证,研究结果表明,相较于增强深度残差网络（enhanced deep residual networks for single image super-resolution,EDSR）、深层和浅层端到端卷积网络（end-to-end image super resolution via deep and shallow convolutional network,EEDS）和密集深层反投影网络（deep back-projection networks for super-resolution,DBPN）,峰值信噪比（peak signal to noise ratio,PSNR）指标分别提升了2.30 dB、2.23 dB、0.25 dB,结构相似度（structural similarity,SSIM）性能指标分别提升了 0.1 316、0.1 085、0.0 096。本文方法有助于从数据端改善遥感影像目标识别、地物分类等应用的精度,进一步提高遥感数据在资源调查、环境监测、灾害预报等领域的应用效能。     

基于VGG16预编码的遥感图像建筑物语义分割

深度卷积神经网络在遥感图像语义分割研究上开创了新的领域。利用改进的U-net模型对建筑物区域进行像素级提取,可获取其轮廓和尺寸信息。利用强可迁移性的VGG16网络作为U-net模型的编码器,并利用基于空洞卷积的级联并行模块提取多尺度的高层语义信息,同时使用转置卷积实现上采样,逐步还原分割细节。实验采用了加权组合的Jaccard损失和二元交叉熵损失作为总损失函数。实验结果表明了改进的U-net模型对遥感图像中建筑物的分割提取具有更高的精度,均像素精度(MPA)、均交并比(MIoU)和F_1分数分别为92. 16%、78. 55%和84. 81%。改进模型的F1分数比Deep Labv3+模型高4. 8%,比标准U-net模型高8. 3%。