Разработка методики автоматизированной актуализации карт городских территорий с помощью технологии компьютерного зрения
+7 (383) 343-12-55 vestnik@ssga.ru
Ru
En
Ru
En
Авторам публикаций
Вестник СГУГиТАрхив журнала Разработка методики автоматизированной актуализации карт городских территорий с помощью технологии компьютерного зрения

Разработка методики автоматизированной актуализации карт городских территорий с помощью технологии компьютерного зрения

Картография и геоинформатика
УДК: 528.92:004.8
DOI: 10.33764/2411-1759-2021-26-6-96-106
Н. В. Порохов 1, П. Ю. Бугаков 1
Год: 2021
Том: 26
№: 6
Страницы: 96 - 106
1 Сибирский государственный университет геосистем и технологий, г. Новосибирск, Россия

Финансирование: -

Аннотация:

В настоящее время для обновления карт широко используются спутниковые или аэрофотоснимки. Для ускорения процесса актуализации некоторые крупные картографические сервисы используют системы компьютерного зрения, интеллектуальные системы и другие передовые технологии. Однако частота получения исходных данных – спутниковых снимков – все еще невелика. В связи с этим в статье предлагается методика актуализации карт городских территорий, основанная на получении исходных данных с помощью наземной фотосъемки и дальнейшего распознавания образов зданий и сооружений. В статье обосновывается актуальность темы исследования, приводятся примеры использования технологии распознавания образов для обновления картографических материалов крупнейшими сервисами. Также рассматриваются основные технические характеристики программного и аппаратного обеспечения, необходимого для реализации эксперимента по предлагаемой методике.

Ключевые слова (RU):

автоматизация, открытые карты, компьютерное зрение, нейронные сети

Ключевые слова (EN):

automation, open maps, computer vision, neural networks

Читать статью Скачать JATS XML

Библиографический список:

  1. Ляшов М. В., Береза А. Н., Бабаев А. М., Коцюбинская С. А. Нейросетевая система отслеживания и распознавания объектов в видеопотоке // Современные наукоемкие технологии. – 2018. – № 12-1. – С. 102–107.
  2. Ямашкин А. А., Ямашкин С. А. Использование нейронных сетей прямого распространения для ландшафтного картографирования на базе космических снимков // Геодезия и картография. – 2014. – № 11. – С. 52–58.
  3. Кирпичников А. П., Ляшева С. А., Трегубов В. М., Шильников К. В., Шлеймович М. П. Обнаружение трещин дорожного покрытия на изображениях // Вестник технологического университета. – 2019. – Т. 22, № 8. – С. 186–190.
  4. Локтев А. А., Алфимцев А. Н., Локтев Д. А. Алгоритм распознавания объектов // Вестник МГСУ. – 2012. – № 5. – С. 194–201.
  5. Буэно Г. Г., Эспиноса А. Х. Л., Суарес О. Д. Обработка изображений с помощью OpenCV. – М. : ДМК-Пресс, 2016. – 210 с.
  6. Прохоренок Н. А. OpenCV и Java. Обработка изображений и компьютерное зрение. – СПб. : БХВПетербург, 2018. – 320 с.
  7. Булыгин Д. А., Мамонова Т. Е. Распознавание жестов рук в режиме реального времени // Научный вестник НГТУ. – 2020. – № 1(78). – С. 25–40.
  8. Тарасов А. В. Современные методы оперативного картографирования нарушений лесного покрова // Вестник СГУГиТ. – 2020. – Т. 25, № 3. – С. 201–213.
  9. Li J., Allinson N. M. Subspace learning-based dimensionality reduction in building recognition // Neurocomputing. – 2009. – Vol. 73 (1–3). – P. 324–330.
  10. Li J., Allinson N. M. Building recognition in urban environments: A survey of state-of-the-art and future challenges // Information Sciences. – 2014. – Vol. 277. – P. 406–420.
  11. Зеленцов И. А. Распознавание образов. Обзорная лекция [Электронный ресурс]. – Режим доступа: http://it-claim.ru/Persons/Zelencov/Lection_presentation.pdf (дата обращения 22.10.2020).
  12. ГОСТ 21830–76. Приборы геодезические. Термины и определения. – М. : Изд-во стандартов, 1986.
  13. ГОСТ Р 52928–2010. Система спутниковая навигационная глобальная. Термины и определения. – М. : Стандартинформ, 2018.
  14. ГОСТ Р 53864–2010. Глобальная навигационная спутниковая система. Сети геодезические спутниковые. Термины и определения. – М. : Стандартинформ, 2018.
  15. ГОСТ 32453–2017. Глобальные навигационные спутниковые системы. Системы координат. Методы преобразований координат определяемых точек. – М. : Стандартинформ, 2017.
  16. ГОСТ Р ИСО 17123-8–2001. Государственная система обеспечения единства измерений. Оптика и оптические приборы. Методы полевых испытаний геодезических и топографических приборов. Часть 8. Полевые испытания GNSS-аппаратуры в режиме «Кинематика в реальном времени». – М. : Стандартинформ, 2019.
  17. TensorFlow [Электронный ресурс]. – Режим доступа: https://www.tensorflow.org/ (дата обращения: 01.12.2020).
  18. Ермаков М. К., Вартанов С. П. Подход к проведению динамического анализа java-программ методом модификации виртуальной машины Java // Труды ИСП РАН. – 2015. – Т. 27, № 2. – С. 23–38.
  19. Oracle Java [Электронный ресурс]. – Режим доступа: https://www.oracle.com/ru/java/ (дата обращения: 07.12.2020).
  20. Брюс Эккель. Философия Java. – 4-е изд. – СПб. : Питер, 2018. – 1168 с.
  21. TechCrunch [Электронный ресурс]. – Режим доступа: https://techcrunch.com/ (дата обращения: 03.03.2021).
  22. Пантилимонов М. В., Бучацкий Р. А., Жуйков Р. А. Кэширование машинного кода в динамическом компиляторе SQL-запросов для СУБД PostgreSQL // Труды ИСП РАН. – 2020. – Т. 32, № 1. – С. 205–220.
  23. PostgreSQL [Электронный ресурс]. – Режим доступа: https://www.postgresql.org/ (дата обращения: 03.12.2020).
  24. Sharayeu Y. Machine learning and lambda architecture methods application to optimize PostgreSQL database performance // Big data and advanced analytics. – 2019. – № 5. – С. 81–82.
  25. ArcMap [Электронный ресурс]. – Режим доступа: https://desktop.arcgis.com/ru/arcmap/ (дата обращения 10.02.2021).
  26. Коэльё Л. П., Ричерт В. Построение систем машинного обучения на языке Python. – Пер. с англ. – М. : ДМК Пресс, 2015. – 303 с.
  27. Philbin J., Chum O., Isard M., Sivic J., Zisserman A. Object retrieval with large vocabularies and fast spatial matching // 2007 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 2007) (18–23 June 2007). – Minneapolis, Minnesota, USA. doi: 10.1109/CVPR.2007.383172.
  28. Shao T. S. H., Gool L. V. Zubud-Zurich buildings database for image based recognition : Technique Report № 260. – Swiss Federal Institute of Technology, 2003.
  29. GEOJSON [Электронный ресурс]. – Режим доступа: https://geojson.org/ (дата обращения: 22.01.2021).