[发明专利]识别模型训练方法、识别方法、电子设备及存储介质

说明书

本发明公开了一种识别模型训练方法、识别方法、电子设备及存储介质，所述训练方法包括从城市道路网数据中选取道路网，并对所述道路网中的每个网眼样本进行网格标注或非网格标注；对所述道路网中的道路进行化简，得到化简后的道路网；计算化简后的道路网中每个网眼样本的正交指标；基于所述网眼样本的正交指标，定义并计算每个所述网眼样本用于网格模式识别的特征参量，得到每个所述网眼样本的特征向量；构建模式识别模型，以每个所述网眼样本的特征向量为输入向量，以对应的标注为输出向量，对所述模式识别模型进行训练。本发明能够克服以往基于规则推理与统计分析的识别方法难以与人为判别结果相一致的局限性。

技术领域

本发明属于地理信息技术领域，尤其涉及一种城市道路网网格模式识别模型训练方法、识别方法、电子设备及存储介质。

背景技术

道路网是基础地理信息的核心要素类型，是连接城市中各个功能区块的骨架结构，经过长时间演变，城市道路网形成了一定的空间结构模式。道路网空间结构模式的自动识别一直是地图自动综合、地理可视化、城市结构分析等领域的热门研究方向之一，其中，网格模式是道路网中典型且普遍存在的显式模式之一，蕴含大量的城市空间格局信息，识别和提取道路网网格模式有助于了解城市形态、分析城市空间现象、预测城市未来发展。

标准网格在形态上表现为矩形或者邻边相互垂直的凹六边形，受城市规划影响，网格分布大多时候呈现聚集趋势，在实际分析过程中，一些产生退化的不规则网格模式也是重点关注的对象，识别此类不规则网格模式是网格模式识别的难点。

目前，道路网网格模式识别方法主要分为基于线的识别方法与基于面的识别方法。

基于线的识别方法充分考虑道路段的几何形态与拓扑结构，旨在从道路网中选取相互垂直且相邻的道路。此类方法仅通过计算路段的线性特征来识别网格，可能忽略网眼的整体形态以及上下文环境的结构特征。而根据格式塔原则，在道路网网格模式认知过程，人们更关注网眼的形态和分布，且受城市规划影响，城市道路网格模式的分布往往呈现聚集趋势。因此，上下文环境是识别城市道路网网格模式的一个重要因素。

虽然基于面的识别方法充分考虑了网眼的形态特征和上下文环境，但是缺少对网眼内部细节形状的描述，网格模式识别精度和可靠性有待改进。在网格模式的识别过程中，应充分考虑网眼的自身形态、内部结构、上下文环境三类尺度特征，传统方法无法兼顾这三类尺度特征，识别精度有待提升。因此，同时利用这三类尺度的特征进行网格模式识别具有重要的创新意义。

名词解释：

网格模式是指空间要素集在空间分布形态上表现出来的可以明确命名且能够识别的形状或排列。

发明内容

本发明的目的在于提供一种道路网网格模式识别模型训练方法、识别方法、电子设备及存储介质，以解决传统方法无法同时兼顾网眼自身形态、内部结构以及上下文环境三类尺度特征而导致网格模式识别精度不佳的问题。

本发明是通过如下的技术方案来解决上述技术问题的：一种道路网网格模式识别模型训练方法，所述训练方法包括以下步骤：

从城市道路网数据中选取道路网，并对所述道路网中的每个网眼样本进行网格标注或非网格标注；

对所述道路网中的道路进行化简，得到化简后的道路网；

计算化简后的道路网中每个网眼样本的正交指标；

基于所述网眼样本的正交指标，定义并计算每个所述网眼样本用于网格模式识别的特征参量，得到每个所述网眼样本的特征向量；

构建模式识别模型，以每个所述网眼样本的特征向量为输入向量，以对应的标注为输出向量，对所述模式识别模型进行训练。

进一步地，利用改进的道格拉斯普克算法对所述道路网中的道路进行化简，具体实现过程为：