[发明专利]基于GoogLeNet神经网络的交叉路口识别方法

说明书

本发明公开了基于GoogLeNet神经网络的交叉路口识别方法，包括如下步骤：S1、采样：选取全国主要城市的路网数据作为复杂交叉路口样本的采样源；S2、构建Delaunay三角网：对复杂交叉路口进行初定位，初步确定复杂交叉路口中心位置及空间范围；S3、增强样本量：通过样本简化、样本旋转和镜像的方式以增强样本量；本发明通过将机器视觉领域的研究热点GoogLeNet神经网络引入到复杂交叉路口识别中，通过矢量数据与栅格图像相结合的方式，实现了对于OSM数据复杂交叉路口的快速和高质量定位。

技术领域

本发明涉及复杂交叉路口识别相关技术领域，具体为基于GoogLeNet神经网络的交叉路口识别方法。

背景技术

复杂交叉路口是指由多条相互交会的主干道路及匝道、人行道等其他辅助道路连接而成的聚集区域，是路网中的一种典型微观结构，也是路网的一种基本而重要的组成部分。在大比例尺地形图制图综合中，复杂交叉路口的识别是路网选取、简化、典型化等操作的关键步骤之一，然而由于其结构错综复杂，形态变化多样，如何准确的识别路网中复杂交叉路口一直是研究的难点，在过去的几十年里，国内外学者对交叉路口的自动识别进行了大量研究，这些研究中绝大多数都采用“特征抽取、描述、匹配”的思路，即通过归纳总结交叉路口中蕴含的语义、空间结构、拓扑等特征形成识别因子，并据此进行一致性匹配以实现交叉口的自动识别。

但是，现有复杂交叉识别方法中，大多采用基于人工设计特征的识别方法，然而，这种方法对交叉口的识别精度依赖于选取指标的设计，且无法有效区分存在干扰路段的复杂道路交叉结构；且一些采用基于神经网络的识别方法中，对于复杂交叉路口的中心位置定位并不准确，经常出现复杂交叉路口偏离图幅中心的情况，识别出的交叉路口会偏向采样范围的某一侧，从而降低了复杂交叉路口识别的精度及后续应用的便利性，复杂交叉路口局部细节特征丰富，基于AlexNet等层数较低的神经网络，难以准确学习其深层模糊特征，识别模型需要层数更多的卷积神经网络，需要进行改进。

发明内容

本发明的目的在于提供基于GoogLeNet神经网络的交叉路口识别方法，以解决上述背景技术中提到的现有的复杂交叉识别方法中对交叉口的识别精度依赖于选取指标的设计，且无法有效区分存在干扰路段的复杂道路交叉结构，且一些采用基于神经网络的识别方法中，对于复杂交叉路口的中心位置定位并不准确，经常出现复杂交叉路口偏离图幅中心的情况，识别出的交叉路口会偏向采样范围的某一侧，从而降低了复杂交叉路口识别的精度及后续应用的便利性，复杂交叉路口局部细节特征丰富，基于AlexNet等层数较低的神经网络，难以准确学习其深层模糊特征，识别模型需要层数更多的卷积神经网络的问题。

为实现上述目的，本发明提供如下技术方案：基于GoogLeNet神经网络的交叉路口识别方法，其特征在于，包括如下步骤：

S1、采样：选取全国主要城市的路网数据作为复杂交叉路口样本的采样源；

S2、构建Delaunay三角网：对复杂交叉路口进行初定位，初步确定复杂交叉路口中心位置及空间范围；

S3、增强样本量：通过样本简化、样本旋转和镜像的方式以增强样本量；

S4、样本预处理：在用样本训练GoogLeNet神经网络之前，需要对输入的栅格图片进行归一化和去均值处理，归一化处理即将输入的RGB图片A从区间[0,255]归化到区间[0,1]上，对于输入的像素，归一化处理可表示为,表示归一化后其对应的输入值；去均值处理即将归一化后的每一张输入的栅格图片均减去其平均值，之后的输入值位于区间[-0.5,0.5]上，若将归一化后的图片记作，则去均值化后输入，表示去均值化后对应像素的输入值；

S5、样本训练：选取GoogLeNet卷积神经网络进行训练，将初步获取的复杂交叉矢量数据转换为栅格数据作为训练样本集，得到复杂交叉路口识别的卷积神经网络模型；