利用Faster R-CNN进行立交桥自动识别与定位

doi:10.13474/j.cnki.11-2246.2021.0073

测绘通报 ›› 2021, Vol. 0 ›› Issue (3): 28-32,86.doi: 10.13474/j.cnki.11-2246.2021.0073

利用Faster R-CNN进行立交桥自动识别与定位

马京振¹, 陈换新², 朱新铭¹, 张付兵¹

1. 信息工程大学, 河南郑州 450001;
2. 96911部队, 北京 100011

收稿日期:2020-05-28 修回日期:2021-01-09 发布日期:2021-04-02
作者简介:马京振(1993—),男,博士生,研究方向为数字地图制图技术。E-mail:zb50mjz@163.com
基金资助:
国家自然科学基金（41571399；41771487；41901397）

Automatic recognition and positioning of overpass based on Faster R-CNN

MA Jingzhen¹, CHEN Huanxin², ZHU Xinming¹, ZHANG Fubing¹

1. Information Engineering University, Zhengzhou 450001, China;
2. Troops 96911, Beijing 100011, China

Received:2020-05-28 Revised:2021-01-09 Published:2021-04-02

摘要/Abstract

摘要： 立交桥结构的自动识别对道路网多尺度建模、空间分析和车辆导航具有重要意义。传统基于矢量数据的立交桥识别方法过分依赖人工设计的特征，对复杂场景的适应性较差。本文提出了一种基于目标检测Faster R-CNN神经网络模型的立交桥识别方法，该方法利用卷积神经网络学习立交桥样本的深层次结构特征，进而实现立交桥的自动识别与准确定位。试验结果表明，该方法对立交桥的识别效果较好，能够在复杂的道路网中准确确定立交桥的位置，避免了人为干预对试验结果不确定性的影响，抗干扰性较强。

关键词: 立交桥, 目标检测, Faster R-CNN, 深度神经网络, 模式识别

Abstract: The automatic recognition of overpass structures is of great significance for multi-scale modeling, spatial analysis and vehicle navigation of road network. The traditional method of overpasses recognition based on vector data relies too much on the characteristics of manual design and has poor adaptability to complex scenes. In this paper, a method for overpasses identification based on the target detection model Faster R-CNN is proposed. This method uses convolutional neural network to learn the deep structural characteristics of samples, and then realizes the automatic recognition and accurate positioning of the overpasses. The experimental results show that the method has a good recognition effect on overpasses, and can accurately determine their positions in the complex road network, avoiding the influence of human intervention on the uncertainty of results, and has a strong anti-interference.

Key words: overpass, target detection, Faster R-CNN, deep neural network, pattern recognition

中图分类号:

P237

马京振, 陈换新, 朱新铭, 张付兵. 利用Faster R-CNN进行立交桥自动识别与定位[J]. 测绘通报, 2021, 0(3): 28-32,86.

MA Jingzhen, CHEN Huanxin, ZHU Xinming, ZHANG Fubing. Automatic recognition and positioning of overpass based on Faster R-CNN[J]. Bulletin of Surveying and Mapping, 2021, 0(3): 28-32,86.

参考文献

[1] ZHOU Q, LI Z. Experimental analysis of various types of road intersections for interchange detection[J]. Transactions in GIS, 2015,19(1):19-41.
[2] 王骁,钱海忠,丁雅莉,等.采用拓扑关系与道路分类的立交桥整体识别方法[J].测绘科学技术学报,2013,30(3):324-328.
[3] MACKANESS W A, MACKECHNIE G A. Automating the detection and simplification of junctions in road networks[J]. GeoInformatica, 1999,3(2):185-200.
[4] 徐柱,蒙艳姿,李志林,等.基于有向属性关系图的典型道路交叉口结构识别方法[J].测绘学报,2011,40(1):125-131.
[5] 马超,孙群,陈换新,等.利用路段分类识别复杂道路交叉口[J].武汉大学学报(信息科学版),2016,41(9):1232-1237.
[6] 何海威,钱海忠,谢丽敏,等.立交桥识别的CNN卷积神经网络法[J].测绘学报,2018,47(3):385-395.
[7] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015,521(7553):436-444.
[8] 张顺,龚怡宏,王进军.深度卷积神经网络的发展及其在计算机视觉领域的应用[J].计算机学报,2019,42(3):453-482.
[9] REN S Q, HE K M, GIRSHICK R, et al. Faster R-CNN:towards real-time object detection with region proposal networks[C]//Proceedings of IEEE Transactions on Pattern Analysis and Machine Intelligence.[S.l.]:IEEE, 2016:1137-1149.
[10] 马焜阳,成毅,葛文,等.利用Faster R-CNN自动识别建筑平面图功能构件的方法[J].测绘科学技术学报,2019,36(3):311-317.
[11] 崔巍,杨亮亮,夏荣,等.基于Faster R-CNN算法的船舶识别检测[J].合肥工业大学学报(自然科学版),2020,43(2):182-187,223.
[12] 吴晓凤,张江鑫,徐欣晨.基于Faster R-CNN的手势识别算法[J].计算机辅助设计与图形学学报,2018,30(3):468-476.
[13] GIRSHICK R. Fast R-CNN[C]//Proceedings of 2015 IEEE International Conference on Computer Vision (ICCV).[S.l.]:IEEE, 2015:1440-1448.
[14] DENG L, YU D. Deep learning:methods and applications[J]. Foundations & Trends in Signal Processing, 2014, 7(3):197-387.
[15] RAWAT W, WANG Z. Deep convolutional neural networks for image classification:a comprehensive review[J]. Neural Computation, 2017,29(9):1-98.

利用Faster R-CNN进行立交桥自动识别与定位

Automatic recognition and positioning of overpass based on Faster R-CNN

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	柳林, 孙毅, 李万武. 基于CNN海上钻井平台检测模型的构建及训练算法分析[J]. 测绘通报, 2022, 0(7): 26-32,99.
[2]	文奴, 郭仁忠, 贺彪, 万远. YOLO v4框架下Multi-Patch多帧增量式交通视频目标检测[J]. 测绘通报, 2022, 0(5): 38-44.
[3]	段晨阳, 冯建中, 全斌, 白林燕, 王盼盼. 利用深度学习进行GF-6影像枣园检测识别[J]. 测绘通报, 2022, 0(3): 54-59.
[4]	程瑞, 高建, 邢强, 孙中昶. 一种优化的Faster R-CNN小目标检测方法[J]. 测绘通报, 2021, 0(9): 21-27.
[5]	梁哲恒, 邓鹏, 姜福泉, 盛森, 魏汝兰, 谢刚生. 基于卷积神经网络的无人机影像违章建筑检测应用[J]. 测绘通报, 2021, 0(4): 111-115.
[6]	侯翘楚, 李必军, 蔡毅. 高分辨率遥感影像的车道级高精地图要素提取[J]. 测绘通报, 2021, 0(3): 38-43.
[7]	李二珠, 康建荣, 张莲蓬. 卫星+AI时代遥感专业模式识别课程的教学实践与改革[J]. 测绘通报, 2021, 0(2): 157-160.
[8]	赵振强, 何水原, 梁永志. 基于Faster R-CNN的遥感影像船舶检测识别[J]. 测绘通报, 2021, 0(11): 59-64.
[9]	沈雨, 仇宇轩, 于正浩. 分部加权的行道树检测网络构建[J]. 测绘通报, 2020, 0(2): 77-81,101.
[10]	俞建康. 无人机倾斜摄影测量在立交桥三维重建中的应用[J]. 测绘通报, 2020, 0(10): 106-109.
[11]	杨梦圆, 刘伟, 尹鹏程, 谢梦. 深度卷积网络支持下的遥感影像井盖部件检测[J]. 测绘通报, 2019, 0(8): 78-81,87.
[12]	谢梦, 刘伟, 杨梦圆, 柴琪, 吉莉. 深度卷积神经网络支持下的遥感影像飞机检测[J]. 测绘通报, 2019, 0(6): 19-23.
[13]	刘振耀, 李瑞东, 潘军道. 一种基于目标检测和PnP的移动终端室内定位方法[J]. 测绘通报, 2019, 0(11): 51-55.
[14]	王勇, 陈国良, 李晓园, 田鹏, 周雨. 一种相机标定辅助的单目视觉室内定位方法[J]. 测绘通报, 2018, 0(2): 35-40.
[15]	王宏, 陈燕妮. 制图数据自动对象化方法研究[J]. 测绘通报, 2015, 0(8): 110-111,118.