视觉特征与向量语义空间耦合的地图场景识别方法及系统技术方案

本发明专利技术公开了视觉特征与向量语义空间耦合的地图场景识别方法及系统，本发明专利技术将卷积神经网络所提取的多层次视觉特征和地图语义信息相结合，对现有的地图场景识别方法进行进一步的优化和改进，使之能够具备一定的逻辑推理和知识泛化能力，适应于复杂的地图场景识别。既可有效利用现有先进的深度卷积神经网络在视觉特征提取和特征识别的强大能力，又可利用地图语义分析的手段赋予模型逻辑推理的能力。本发明专利技术为利用地理空间人工智能技术对泛源地图进行分析，并结合语义信息对复杂泛源地图场景进行识别提供一种可行的实现途径。并且可为地图内容识别、泛源地图检索、空间情感等等提供直接的参考和支持。供直接的参考和支持。供直接的参考和支持。

【技术实现步骤摘要】
视觉特征与向量语义空间耦合的地图场景识别方法及系统


[0001]本专利技术属于栅格地图大数据处理与分析领域，特别涉及视觉特征与向量语义空间耦合的地图场景识别方法及系统。

技术介绍

[0002]海量的数字地图成为人们日常生活和生产过程中了解认识现实世界的重要参考资料。这些地图场景复杂，并且，大部分地图资源并没有被发现、获取和有效地利用过，造成了地图数据资源的浪费。与此同时，研究制图与地图可视化的学者发现在不同领域的多数应用中所采用的数字地图数据并不能与实际的应用需求完全匹配。鉴于地图的影响力日益增强，急需一种精确、高效的数字地图识别技术，实现对数字地图数据的准确获取，有助于数字地图资源的高效利用，有效实现对包含非法内容的数字地图的筛除，并进一步提升数字地图资源对于生活和生产的促进和发展作用。特别是地图大数据时代以来，随着支持大规模运算的GPU硬件的普及，以及深度卷积神经网络的爆炸式发展，数字地图识别所必须的理论和技术要求已经发生了革命性的变化，多种形态的地理空间人工智能技术极大地促进了地图大数据场景分类和识别中的运用。泛源地图场景识别属于测绘地图大数据研究中的高级解译阶段，是研究地图中所包含的场景模式，以及场景模式的下的潜在信息。然而，传统的地图处理算法、面向对象的地图分析、机器学习等等主要关注于对预定地图场景进行分类，单纯的分类结果往往无法表征复杂的地图场景。现有的通过卷积神经网络进行场景识别也是依赖于完备的地图标注数据，往往只能识别预定的地图场景，不具备逻辑推理和泛化的知识能力。而来源广泛的地图，即泛源地图场景则十分复杂，描述同一类地物和现象的地图场景往往具有很大的差异性。因此，需要对现有的地图场景分类方法进行进一步的优化和改进，使之能够具备一定的逻辑推理和知识泛化能力，适应于复杂的泛源地图场景识别。

技术实现思路

[0003]本专利技术所要解决的技术问题是：针对地图场景识别，传统的地图处理算法、面向对象的地图分析、机器学习等等主要关注于对预定地图场景进行分类，单纯的分类结果往往无法表征复杂的地图场景。现有的通过卷积神经网络进行场景识别也是依赖于完备的地图标注数据，往往只能识别预定的地图场景，不具备逻辑推理和泛化的知识能力。而泛源地图场景则十分复杂，描述同一类地物和现象的地图场景往往具有很大的差异性。
[0004]为解决上述技术问题，本专利技术提出了视觉特征与向量语义空间耦合的地图场景识别方法及系统，采用以下技术方案：
[0005]一种视觉特征与向量语义空间耦合的地图场景识别方法，分别针对待处理栅格地图数据库中的各栅格地图，执行以下步骤，对栅格地图进行场景识别，获得各栅格地图分别对应的场景表征：
[0006]步骤A：针对栅格地图，结合预设各场景类型，利用预训练的以栅格地图为输入、以
栅格地图对应的各场景类型及各场景类型分别对应的概率为输出的分类模型，对该栅格地图进行多标签分类，获得该栅格地图对应的各场景类型、以及各场景类型分别对应的概率；进而获得该栅格地图对应的场景类型结果；
[0007]步骤B：基于该栅格地图对应的场景类型结果，获得该栅格地图对应的场景类型结果中各场景类型分别在该栅格地图中的权重；
[0008]步骤C：基于该栅格地图对应的场景类型结果中各场景类型分别在该栅格地图中的权重，结合预设各场景类型，获得该栅格地图对应的场景表征。
[0009]作为本专利技术的一种优选技术方案，所述步骤A中，具体执行以下步骤，获得该栅格地图对应的场景类型结果：
[0010]步骤A1：针对待处理栅格地图数据库中的栅格地图，结合预设各场景类型，利用预训练的以栅格地图为输入、以栅格地图对应的各场景类型及各场景类型分别对应的概率为输出的分类模型，对该栅格地图进行多标签分类，获得该栅格地图对应的各场景类型和各场景类型分别对应的概率；
[0011]步骤A2：基于该栅格地图对应的各场景类型、以及各场景类型分别对应的概率，结合预设概率阈值，判断满足预设概率阈值的场景类型数量是否大于1，若满足预设概率阈值的场景类型数量不大于1，则满足预设概率阈值对应的场景类型，作为该栅格地图对应的场景类型结果；若满足预设概率阈值的场景类型数量大于1，迭代执行以下步骤，获得该栅格地图对应的场景类型结果：
[0012]步骤A2.1：将栅格地图基于预设网格划分，获得预设个数子栅格地图；基于预设栅格地图尺寸，判断网格划分后的各子栅格地图是否小于预设栅格地图尺寸，若网格划分后的各子栅格地图均小于预设栅格地图尺寸，则当前在各迭代中满足预设概率阈值对应的各场景类型，作为该栅格地图对应的场景类型结果；若网格划分后的各子栅格地图中存在不小于预设栅格地图尺寸的子栅格地图，则不小于预设栅格地图尺寸的子栅格地图执行步骤A2.2；
[0013]步骤A2.2：针对不小于预设栅格地图尺寸的子栅格地图，结合预设各场景类型，利用预训练的以栅格地图为输入、以栅格地图对应的各场景类型及各场景类型分别对应的概率为输出的分类模型，对子栅格地图进行多标签分类，获得子栅格地图分应的各场景类型、以及各场景类型分别对应的概率；执行A2.3；
[0014]步骤A2.3：基于子栅格地图对应的各场景类型和各场景类型分别对应的概率，结合预设概率阈值，判断各子栅格地图分别对应的满足预设概率阈值的场景类型数量是否大于1，若各子栅格地图分别对应的满足预设概率阈值的场景类型数量均不大于1，则当前在各迭代中满足预设概率阈值对应的各场景类型，作为该栅格地图对应的场景类型结果；若各子栅格地图中存在子栅格地图对应的满足预设概率阈值的场景类型数量大于1，则对应的满足预设概率阈值的场景类型数量大于1的子栅格地图返回执行步骤A2.1，将子栅格地图作为栅格地图进行预设网格划分。
[0015]作为本专利技术的一种优选技术方案，所述步骤B中，基于该栅格地图对应的场景类型结果，具体执行以下步骤，获得该栅格地图对应的场景类型结果中各场景类型分别在该栅格地图中的权重：
[0016]步骤B1：针对该栅格地图对应的场景类型结果中的各场景类型，通过以下公式，计
算各场景类型在该栅格地图中的频率；
[0017][0018]式中，cf
c
表示场景类型c在该栅格地图中出现的频率，freq
c
表示该栅格地图对应的场景类型结果中是否存在场景类型c，存在时freq
c
＝1，不存在时freq
c
＝0；freq
k，s，c
表示第k次网格划分获得的子栅格地图s对应的场景类型结果中是否存在场景类型c，存在时freq
k，s，c
＝1，不存在时freq
k，s，c
＝0；s
k
表示第k次网格划分获得的子栅格地图总数量；b表示栅格地图进行网格划分获得的预设个数子栅格地图数量；
[0019]步骤B2：基于各场景类型在该栅格地图中的频率，通过以下公式，计算各场景类型的的反频率；
[0020][0021]式中，a＝m
o
/本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种视觉特征与向量语义空间耦合的地图场景识别方法，其特征在于：分别针对待处理栅格地图数据库中的各栅格地图，执行以下步骤，对栅格地图进行场景识别，获得各栅格地图分别对应的场景表征：步骤A：针对栅格地图，结合预设各场景类型，利用预训练的以栅格地图为输入、以栅格地图对应的各场景类型及各场景类型分别对应的概率为输出的分类模型，对该栅格地图进行多标签分类，获得该栅格地图对应的各场景类型、以及各场景类型分别对应的概率；进而获得该栅格地图对应的场景类型结果；步骤B：基于该栅格地图对应的场景类型结果，获得该栅格地图对应的场景类型结果中各场景类型分别在该栅格地图中的权重；步骤C：基于该栅格地图对应的场景类型结果中各场景类型分别在该栅格地图中的权重，结合预设各场景类型，获得该栅格地图对应的场景表征。2.根据权利要求1所述一种视觉特征与向量语义空间耦合的地图场景识别方法，其特征在于：所述步骤A中，具体执行以下步骤，获得该栅格地图对应的场景类型结果：步骤A1：针对待处理栅格地图数据库中的栅格地图，结合预设各场景类型，利用预训练的以栅格地图为输入、以栅格地图对应的各场景类型及各场景类型分别对应的概率为输出的分类模型，对该栅格地图进行多标签分类，获得该栅格地图对应的各场景类型和各场景类型分别对应的概率；步骤A2：基于该栅格地图对应的各场景类型、以及各场景类型分别对应的概率，结合预设概率阈值，判断满足预设概率阈值的场景类型数量是否大于1，若满足预设概率阈值的场景类型数量不大于1，则满足预设概率阈值对应的场景类型，作为该栅格地图对应的场景类型结果；若满足预设概率阈值的场景类型数量大于1，迭代执行以下步骤，获得该栅格地图对应的场景类型结果：步骤A2.1：将栅格地图基于预设网格划分，获得预设个数子栅格地图；基于预设栅格地图尺寸，判断网格划分后的各子栅格地图是否小于预设栅格地图尺寸，若网格划分后的各子栅格地图均小于预设栅格地图尺寸，则当前在各迭代中满足预设概率阈值对应的各场景类型，作为该栅格地图对应的场景类型结果；若网格划分后的各子栅格地图中存在不小于预设栅格地图尺寸的子栅格地图，则不小于预设栅格地图尺寸的子栅格地图执行步骤A2.2；步骤A2.2：针对不小于预设栅格地图尺寸的子栅格地图，结合预设各场景类型，利用预训练的以栅格地图为输入、以栅格地图对应的各场景类型及各场景类型分别对应的概率为输出的分类模型，对子栅格地图进行多标签分类，获得子栅格地图分应的各场景类型、以及各场景类型分别对应的概率；执行A2.3；步骤A2.3：基于子栅格地图对应的各场景类型和各场景类型分别对应的概率，结合预设概率阈值，判断各子栅格地图分别对应的满足预设概率阈值的场景类型数量是否大于1，若各子栅格地图分别对应的满足预设概率阈值的场景类型数量均不大于1，则当前在各迭代中满足预设概率阈值对应的各场景类型，作为该栅格地图对应的场景类型结果；若各子栅格地图中存在子栅格地图对应的满足预设概率阈值的场景类型数量大于1，则对应的满足预设概率阈值的场景类型数量大于1的子栅格地图返回执行步骤A2.1，将子栅格地图作为栅格地图进行预设网格划分。
3.根据权利要求2所述一种视觉特征与向量语义空间耦合的地图场景识别方法，其特征在于：所述步骤B中，基于该栅格地图对应的场景类型结果，具体执行以下步骤，获得该栅格地图对应的场景类型结果中各场景类型分别在该栅格地图中的权重：步骤B1：针对该栅格地图对应的场景类型结果中的各场景类型，通过以下公式，计算各场景类型在该栅格地图中的频率；式中，cf
c
表示场景类型c在该栅格地图中出现的频率，freq
c
表示该栅格地图对应的场景类型结果中是否存在场景类型c，存在时freq
c
＝1，不存在时freq
c
＝0；freq
k，s，c
表示第k次网格划分获得的子栅格地图s对应的场景类型结果中是否存在场景类型c，存在时freq
k，s，c
＝1，不存在时freq
k，s，c
＝0；s
k
表示第k次网格划分获得的子栅格地图总数量；b表示栅格地图进行网格划分获得的预设个数子栅格地图数量；步骤B2：基于各场景类型在该栅格地图中的频率，通过以下公式，计算各场景类型的的反频率；式中，a＝m
o
/m
min
，m
o
表示该栅格地图尺寸、m
m...

【专利技术属性】
技术研发人员：周熙然，谢潇，文毅，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：