论文部分内容阅读
复杂交叉路口是路网中的一种典型微观结构,结构错综复杂、形态变化多样,该结构的识别一直是研究的难点和热点。传统识别方法多依赖于人工设计的低层次特征,近年来也有学者对基于深度学习的识别方法进行了初步探索,然而现有方法均未能有效描述复杂交叉路口的细节特征,导致识别类型有限、精度不高,如何有效、精准地描述复杂交叉路口的细节特征对准确识别复杂交叉路口类型以及对复杂交叉路口的简化都非常重要。本文通过对OSM全国城市路网中不同形态特征的复杂交叉路口进行了研究与分析,总结归纳了复杂交叉路口的细节特征,在此基础上,结合复杂交叉路口自身的特点和卷积神经网络的特点,利用Goog Le Net神经网络建立一种识别复杂交叉路口的模型,并通过这种模型对路网中的复杂交叉路口进行准确识别,对识别出来的复杂交叉路口进行研究分析,发现复杂交叉路口中主干道与辅路各自的特点,找出其相应的规律,进而对复杂交叉路口进行简化。主要的成果与结论如下:(1)利用交叉路口结点密集的特征,构建Delaunay三角网进行点群聚类,初步确定复杂交叉路口中心位置及空间范围;其次,在全国范围内选取39个重要城市路网作为训练样本,并充分利用矢量数据结构优势,以简化、旋转、镜像等方式丰富样本类型及容量;最后,针对其局部特征丰富的特点,选取Goog Le Net神经网络进行训练,学习其高层次模糊性特征。以天津OSM城市路网为例进行了实验分析,结果表明:对路网中复杂交叉路口的查全率和查准率分别达到了92.55%和91.32%,,较基于Alex Net网络模型的识别方法分别提高了3.31%和11.43%;对于典型、少干扰两种类型的复杂交叉路口,两种神经网络的识别结果基本一致,然而,对于喇叭型、苜蓿型及多干扰不规则复杂交叉路口,基于Goog Le Net网络模型的识别结果较基于Alex Net网络模型的识别结果分别提高了21个和33个,准确度分别提高了7.40%和6.40%,说明前者对局部细节的辨识能力明显优于后者,本文方法能够有效识别复杂交叉路口,且明显提高了识别的精度和准度,具有较强地泛化性和抗干扰性。(2)主干道、辅路的准确识别对于实现复杂交叉路口的自动综合至关重要,先提取复杂交叉路口的特征点,再根据特征点对弧段进行打断,依据路段的笔直程度识别出平行弧段,再依据道路延展性、角度、距离等特征识别平行簇获取复杂交叉路口中的主干道,其次通过紧凑度和距离关系识别匝道获取复杂交叉路口中的辅路。以南京OSM城市路网为例的实验表明,本文方法能够准确识别出复杂交叉路口的主干道和辅助路段,识别精度分别达到93.60%和89.43%,同时考虑复杂交叉路口中主辅路间的拓扑关系,对含有匝道的辅助路段进行了有效的剔除,很好的保留了复杂交叉路口中的主干道,使简化后的复杂交叉路口能够有效保证道路网的连通性和拓扑性。