快报：法政大学研究团队开发出深度学习方法 自动检测道路特征的

(相关资料图)

在日本，通过使用移动测绘系统和地面激光扫描仪测量和积累了大量的点云数据（空间中的一组数据点），并被用于公共工程。然而，这种海量数据在未处理和非结构化状态下的用途有限。幸运的是，这些数据可以通过使“完成图计划”（用显示建筑对象的完整几何形状）自动提取特征来构建。

今年年初，以日本法政大学（Hosei University）教授Ryuichi Imai为首的日本研究人员提出了一种利用高精度3D（HD）地图数据提取道路特征的方法。然而，该方法仅适用于路线图的已开发部分。虽然这个问题可以通过基于深度学习的识别来解决，但仍需要大量手动准备的高质量训练数据。

据外媒报道，Imai教授与大阪经济大学（Osaka University of Economics）的Kenji Nakamura，摄南大学（Setsunan University）的Yoshinori Tsukada，日本地图平台开发商Dynamic Map Platform的Noriko Aso，以及法政大学的Jin Yamamoto联合开发出新算法来自动化训练数据生成过程，并构建了一个从高精地图自动提取的点云数据构建的道路特征识别模型。

图片来源：法政大学

Imai教授解释道：“目前，人们需要通过视觉检查点云数据来识别道路特征，因为计算机无法识别它们。但是使用我们提出的方法，特征提取可以自动完成，包括未开发的道路地图部分的特征。”

在此项研究中，研究人员首先使用CloudCompare软件将地表从点云数据中分离出来，然后从高精地图生成区域数据并提取特征的组成点。同时这些点被指定为道路标志或交通信号灯，而其余数据采用其他标签。然后，构成点对应的区域数据会进行扩展，生成训练数据。利用这一点，研究人员进一步生成了点云投影图像，且最后使用训练数据通过YOLOv3对象检测算法构建出识别模型。该模型可以根据聚类点检测道路特征，而非使用CloudCompare为地面识别的聚类点。

建立了计算框架后，研究人员在静冈县（Shizuoka Prefecture）一条有65个路标、46个红绿灯和噪声特征的道路上进行了1.5公里的示范实验。研究人员使用25个路标和168个红绿灯来训练他们的识别模型，并分别使用36和24张图像来计算算法确定准确度。

图片来源：法政大学

研究人员发现，路标的准确率、召回率和F测量值分别为0.84、0.75和0.79，交通灯的准确率、召回率和F值分别为1.00、0.75和0.86，表明误判为零。所提出模型的精度显示高于现有模型。

Imai教授最后强调了这项工作的未来意义：“由点云数据构建的产品模型将能够实现城市空间的数字孪生环境，并定期更新路线图。这对于管理和减少道路检查期间的交通限制和道路封闭必不可少。该技术有望减少人们在日常生活中使用道路、城市和其他基础设施的时间成本。”

关键词： 法政大学 自动检测道路 深度学习算法