三维城市模型快速可视化技术研究

三维城市模型数据量大,种类多样,如何有效地存储和管理好海量、多源异构的三维模型并对其高效地分析处理以便为上层不同领域应用提供数据支撑,是目前亟待解决的问题.为此,提出了一个从数据存储与管理、数据分析处理与三维模型综合简化,到多源数据融合可视化的多源三维城市模型可视化处理框架.首先将数据存入HBase中以方便管理,并为其设计了全新的行主键便于快速地检索和索引;然后分析模型数据的语义和几何特点,提出了一种模型综合简化算法,实现了Hadoop环境下对三维城市模型快速并发简化处理,从而在保留视觉效果的情况下减少了模型的复杂度,进而增加了网络传输速度和模型渲染效率;最后借助Cesium平台,实现了多源三维城市模型的融合可视化,验证了所提框架的有效性.

基于Anchor-free的交通标志检测

交通标志检测是自动驾驶中的重要研究方向,实时准确地从街景图像中检测交通标志对实现自动驾驶及智慧城市的发展具有重要意义。传统的算法基于颜色、形状特征进行检测,只能提取特定种类的交通标志,算法无法同时检测不同类型的交通标志。基于图像特征+机器学习分类器的算法需要人工设计特征,算法速度较慢。主流的基于深度学习的方法多基于先验框,在网络设计上引入了额外的超参数,且在训练过程中产生过量的冗余边界框,容易造成正负样本不平衡。本文受Anchor-free思想的启发,引用YOLO检测器直接回归物体边界框的思路,提出一种基于Anchor-free的实时交通标志检测网络AF-TSD(Anchor-free Traffic Sign Detection)。AF-TSD摒弃了先验框的设计,并引入自适应采样位置可变卷积与注意力机制,大大提高网络的特征表达能力。本文开展大量对比实验,实验结果表明本文提出的AF-TSD交通标志检测网络速度接近主流算法,但精度优于主流算法,在德国GTSDB交通标志检测数据集上取得了96.80%的精度,检测速度平均单张图片32 ms,达到实时检测的要求。