申请/专利权人：北京理工大学

申请日：2023-06-05

公开（公告）日：2024-06-25

公开（公告）号：CN116718178B

主分类号：G01C21/00

分类号：G01C21/00;G06N3/0455;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2023.09.26#实质审查的生效;2023.09.08#公开

摘要：本发明提供了一种基于行人轨迹和卫星图片补全细粒度路网的方法，深度神经网络中使用混合融合，充分利用各模态信息；卫星图像正负信号同时运用，避免依赖单一轨迹受噪声影响；自适应路网补全，补全路网的拓扑连通性和正确性更优；先对轨迹进行地图匹配，再处理未匹配轨迹，效率高；无需大量调参，路网推断速度快，可拓展性高；实现地图补全，避免影响现有更可靠地图信息。

主权项：1.一种基于行人轨迹和卫星图片的补全细粒度路网的方法，其特征在于，包括步骤1、构建双信号融合网络DSFNet；双信号融合网络DSFNet包括BTFuse模块，STFuse模块，基于卫星图像进行建筑区域预测的第一网络，基于行人轨迹进行道路预测的第二网络以及基于卫星图像的进行道路预测的第三网络；第一网络、第二网络和第三网络均包括一个经过四次降采样操作的编码器，以及一个可以对编码信息进行四次上采样操作、以恢复输入的原始大小的解码器组成；其中在编码器与解码器中间，设置瓶颈层；所述BTFuse模块用于将第一网络中解码器输出的经过concatenate操作的特征图FB以及将第二网络第一次特征提取后的轨迹模态特征进行融合，构建信息融合的轨迹特征图具体表达为： 上式中⊙是两个向量的哈达玛积，maxFB是特征图FB的通道维度的最大值；所述STFuse模块：首先计算第二网络瓶颈层输出的特征和第三网络中瓶颈层输出特征之间的像素级相似性，将它们重新调整大小为Cbtn×HbtnWbtn，得到相似度矩阵 其中，Cbtn、Hbtn、Wbtn分别为特征图的通道数和长宽两个维度大小；RE·是重新调整大小函数，为STFuse模块的可学习的参数；然后，利用式3得到融合的特征映射 其中，为STFuse模块的可学习参数；最后，应用1×1的卷积层，将信道数减少到2个，并应用softmax层得到权重矩阵：W＝softmaxConv1×1FF4基于生成的权值W，通过加权和操作得到融合了的卫星图像的最终瓶颈特征图并恢复原始形状送入第三网络的下一个模块中； 其中，WS＝W[:,:,0],WT＝W[:,:,1],WS+WT＝1；步骤2、构建双信号融合网络DSFNet的损失函数，并对其进行训练；步骤3、利用训练完成的双信号融合网络DSFNet的第三网络输出的预测道路对现有的路网进行补全；所述步骤3的具体步骤包括：对于第三网络输出的推断路网地图中的每条道路r，首先判断其与已有路网中最临近道路的垂直距离d：1如果d大于设定阈值，则直接将r添加到现有地图中；2如果r中至少有一个顶点与已有路网的道路距离小于设定阈值，则根据轨迹或空间邻近性将其添加到现有地图中；对于需要连接到已有路网中的推断道路r，首先需要计算同时覆盖该推断道路和附近已有路网中道路的轨迹数量，即轨迹支持度S：遍历r附近的原始轨迹数据集中的每条轨迹traj，如果traj同时经过推断道路r和已有路网中的某条道路e，则将e对应的轨迹支持度加一；遍历结束后，得到一个轨迹支持度的列表；之后，选择其中轨迹支持度最大的道路e*，分析最大轨迹支持度S*是否大于给定阈值，如果满足，则将r与e*相连；否则将r基于空间临近性相连；所述双信号融合网络DSFNet的损失函数包括：第一网络和第二网络采用BCE和Dice的混合损失函数；第三网络采用BCE损失函数；双信号融合网络DSFNet的损失函数为第一网络、第二网络和第三网络各自损失函数的加权求和。

全文数据：

权利要求：

百度查询： 北京理工大学 一种基于行人轨迹和卫星图片补全细粒度路网的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD