停车位地图应用

——室内停车专题地图的形状规则化方法作者呙维,王绪滢,饶菁,朱欣焰,李灿机构武汉大学测绘遥感信息工程国家重点实验室;地球空间信息技术协同创新中心预排期卷《计算机应用研究》2018年第35卷第3期摘要针对当前室内停车专题地图的制作过程中因人工采集误差而导致的墙面等线状要素的锯齿现象,以及停车位面状要素的对齐等问题进行了研究,在现有研究中针对建筑物轮廓进行规则化校正(如直角化、正交化等)的基础上,提出了一种室内停车专题地图的形状规则化方法.
在线状要素规则化校正过程中,首先将线段打断,并记录点间拓扑关系,最后采用深度遍历法修正坐标.
在水平停车位对齐过程中,采用遍历坐标并修正的方法;在倾斜停车位对齐过程中,首先计算各边斜率,并计算符合校正条件的停车位中心点在基准斜率直线下的投影坐标,最后采用仿射变换法计算坐标.
实验表明,该算法的校正精度高达95%以上,基本实现校正目标,提升了室内停车专题地图的生产效率.
关键词平滑锯齿;地图矢量化;深度遍历;地图投影作者简介呙维(1981-),男,湖北公安人,副教授,博士,主要研究方向为室内导航、云计算;王绪滢(1993-),女(通信作者),黑龙江哈尔滨人,硕士研究生,主要研究方向为室内导航、WebGIS(xuying9309@163.
com);饶菁(1993-),女,四川成都人,硕士研究生,主要研究方向为WebGIS;朱欣焰(1963-),男,江西婺源人,教授,博士,主要研究方向为地理信息系统与服务及应用开发;李灿(1992-),女,河北石家庄人,硕士研究生,主要研究方向为WebGIS.
中图分类号P285.
9访问地址http://www.
arocmag.
com/article/02-2018-03-070.
html发布日期2017年8月17日引用格式呙维,王绪滢,饶菁,朱欣焰,李灿.
室内停车专题地图的形状规则化方法[J/OL].
2018,35(3).
[2017-08-17].
http://www.
arocmag.
com/article/02-2018-03-070.
html.
第35卷第3期计算机应用研究Vol.
35No.
3优先出版ApplicationResearchofComputersOnlinePublication作者简介:呙维(1981-),男,湖北公安人,副教授,博士,主要研究方向为室内导航、云计算;王绪滢(1993-),女(通信作者),黑龙江哈尔滨人,硕士研究生,主要研究方向为室内导航、WebGIS(xuying9309@163.
com);饶菁(1993-),女,四川成都人,硕士研究生,主要研究方向为WebGIS;朱欣焰(1963-),男,江西婺源人,教授,博士,主要研究方向为地理信息系统与服务及应用开发;李灿(1992-),女,河北石家庄人,硕士研究生,主要研究方向为WebGIS.
室内停车专题地图的形状规则化方法呙维1,2,王绪滢1,饶菁1,朱欣焰1,2,李灿1(1.
武汉大学测绘遥感信息工程国家重点实验室,武汉430079;2.
地球空间信息技术协同创新中心,武汉430079)摘要:针对当前室内停车专题地图的制作过程中因人工采集误差而导致的墙面等线状要素的锯齿现象,以及停车位面状要素的对齐等问题进行了研究,在现有研究中针对建筑物轮廓进行规则化校正(如直角化、正交化等)的基础上,提出了一种室内停车专题地图的形状规则化方法.
在线状要素规则化校正过程中,首先将线段打断,并记录点间拓扑关系,最后采用深度遍历法修正坐标.
在水平停车位对齐过程中,采用遍历坐标并修正的方法;在倾斜停车位对齐过程中,首先计算各边斜率,并计算符合校正条件的停车位中心点在基准斜率直线下的投影坐标,最后采用仿射变换法计算坐标.
实验表明,该算法的校正精度高达95%以上,基本实现校正目标,提升了室内停车专题地图的生产效率.
关键词:平滑锯齿;地图矢量化;深度遍历;地图投影中图分类号:P285.
9ShaperegularizationmethodofindoorparkingthememapGuoWei1,2,WangXuying1,RaoJing1,ZhuXinyan1,2,LiCan1(1.
StateKeyLaboratoryofInformationEngineeringinSurveyingMapping&RemoteSensing,WuhanUniversity,Wuhan430079,China;2.
CollaborativeInnovationCenterofGeospatialTechnology,Wuhan430079,China)Abstract:Thispaperisbasedonproblemsoflinearelements'jaggednessandunalignedparkingspaces.
Theselinearelements'jaggednessarecausedbyartificialacquisitionerrorssuchaswalls,polygonsandsoon.
Theproblemofunalignedparkingspacesariseintheprocessofthecurrentproductionoftheindoorparkingmap.
Forregulatingtheexternalcontoursofbuildingssuchastherectangularity,theorthogonalizationandsoon,thispaperpresentsashaperegularizationmethodofindoorparkingthematicmaps.
Thismethodminimizestheinfluenceoftopologicalrelationsamongelementsinmapsfurthest.
Intheprocessoflinearelements'regulationcorrection,interruptinglinesfirst.
Andthen,recordingthetopologicalrelationbetweenpoints.
Finally,correctingcoordinatesbyusingthedepthtraversal.
Intheprocessofhorizontalparkingspaces'alignment,traversingandcorrectingcoordinates.
Intheprocessofslantparkingspaces'alignment,computingslopesofeachsidefirst.
Next,computingeligibleparkingspaces'center'sprojectioncoordinateunderthestraightlinewiththefiducialslope.
Finally,computingcoordinatesbyaffinetransformation.
Theexperimentshowsthatthisalgorithm'saccuracyisashighas95%.
Also,itachievesthegoalofthecorrectionbasicallywhichenhancestheefficiencyofmakingparkingmaps.
KeyWords:smoothjaggedness;mapvectorization;depthtraversal;mapprojection0引言随着室内定位导航技术和地图可视化技术的发展,各类研究学者和企业等对室内地图的研究愈加增多.
在国外,微软、谷歌等均已推出自己的室内地图,并广泛应用于机场、商场等[1][2];BernhardLorenz等提出了混合室内空间模型,该模型通过在分级的节点和曲线上附加属性与位置信息,实现基于建筑图的路径查询[3];国内,室内地图是指展示在各类媒介上的建筑物地图或数字化建筑物室内地图[1].
随着研究的深入和科技水平的提高,现如今"中国商城掌图""点道""积米""寻鹿"等各类实现室内地图功能的APP应运而生;高德、百度、腾讯等也已实现包含博物馆、商家、酒店、风景区等室内场景的在现[1][2].
随着地理信息大数据时代的到来和互联网技术的发展,展现在移动终端设备的数字化地图也被广泛用于室内定位与导航一体化的实现[4].
在地图二维平面表示中,人们通常采用不同形状、颜色、亮度和粗细等的点状、线状和面状符号表示不同类型的要素信息.
单楼层地图常以二维平面图为主.
多楼层地图常利用叠加优先出版呙维,等:室内停车专题地图的形状规则化方法第35卷第3期表示法或分层表示法展现楼层间的连续性和层次感,实现楼层跨越[5].
目前在室内地图的制作过程中,数据采集的方法是主要有矢量化采集或传统测量获取两种形式[6].
而室内地图的建模和制作通常是将多层结构的建筑物室内通道叠加显示在一张地图上[7],或利用室内空间要素构成进行室内地图的构建与表达[8][9],或进行室内空间的本体建模[10].
但由于室内地图的表达和建模过程尚未有统一的标准与规范,且数据采集过程中常存在较大误差,同时已有的研究均侧重于室内地图的设计表达[1][11]和数据模型构建过程[12]等,因此针对室内环境的二维建模仍旧不够完善.
室内停车专题地图主要是针对室内停车场实现显示、定位、导航等功能的数字化地图,其包含停车场内部的各类要素,例如出入口、中继控制器、停车位入口、柱子、停车分区标识、定位传感器、隔断墙、道路、停车位、停车分区、墙和其他等[1][13].
近年来随着移动互联网技术和地图数字化技术的发展,室内停车专题地图也实现了在移动终端上的展现[14].
目前室内停车专题地图的数字化过程主要针对多楼层采取二维平面表示.
但由于数据采集误差和要素间拓扑关系的影响,会出现墙面等线状要素的锯齿问题,以及停车位面状要素的对齐问题.
如图1为实验室停车场问题示例图.
以往建筑物边界检测的主要过程包括数据处理、初始边界检测、边界跟踪及边界正规化[15].
而在以往建筑物轮廓线的规则化过程中,此类问题的处理形式大多以建筑物边缘与主方向平行或垂直为条件进行正交化处理,或进行轮廓线关键点的检测与直线段的最小二乘拟合规则化处理[16],或利用提取的建筑物拐点进行直角化处理[17].
随着研究不断深入和科技水平的提升,大量建筑物边界检测和校正方法也被提出.
张阳阳等提出了一种基于最小外包矩形探测建筑物轮廓点的规则化处理方法[18].
AparajithanSampath等提出了基于激光雷达点云构建建筑物边界的方法,并规则化直线边界[19].
DongChen和LiqiangZhang等介绍了一个基于voronoi的自动分割方法和利用激光点云的城市三维模型重建方法去进行建筑物的形状规则化校正[20].
Awrangjeb和Fraser等将激光点云数据和空中正射影像结合用于三维屋顶的自动提取,其中利用DEM数据将各类地物进行分类,进而实现建筑物的规则化[21].
但这些规则化手段大多针对建筑物外围轮廓进行校正,目前国内外对于室内地图的规则化校正还没有.
尽管可以在地图线条矢量中应用概率中值平滑算法消除锯齿现象[22],但这种校正过程中未考虑要素间拓扑关系的影响.
若如进行人工校正,不仅耗费大量的时间与精力,工作量不亚于重新独立测图,而且精度有限.
因此本文提出一种室内停车专题地图的形状规则化方法,消除墙面等线状要素的锯齿情况,并实现了停车位面状要素的对齐,进而提升人工数字化室内停车专题地图的效率.
图1实验室停车场问题示例图1室内停车专题地图形状规则化算法流程室内停车专题地图的形状规则化算法主要针对墙面等线状要素的锯齿情况进行消除,并实现了停车位面状要素的对齐.
1.
1线状要素及面状要素边的规则化校正线状要素的要素类型包括隔断墙和道路,面状要素的要素类型包括停车位、停车分区、墙和其他.
存储类型包括只有一段的单线、含有多个折点的单线和包含多段单线的多线.
该算法的基本思想是针对人工采集的坐标,若在误差阈值范围内,则在不改变要素间拓扑关系的前提下,修正坐标,进而消除所有线状要素的锯齿现象.
解决方式是通过将所有线状元素在端点、交点处打断成单一线段,通过记录线段间的拓扑关系,并利用深度遍历[23]的方式校正端点坐标,最后根据线段间拓扑关系进行线段重组.
线状要素规则化校正流程伪代码如算法1所示.
算法1:线锯齿消除算法输入:线/面图层文件输出:线/面图层文件switchtypeoffeaturescasemultiLineStringrecombineintoLineString/*重组为单线集合*/casemultiPolygon优先出版呙维,等:室内停车专题地图的形状规则化方法第35卷第3期recombineintoPolygon/*重组为单面集合*/removeduplicatecoordinates/*坐标去重*/switchtypeoffeaturescaseLineStringbreaklineandrecombineline/*线段打断重组合*/adjustthecoordinatesbydepth-firsttraversal/*深度遍历校正坐标*/switchtypeofdatacasePolygonormultiPolygonalignfeatures/*面状要素对齐*/rebuildfeatures/*图形重绘*/首先以线状要素为例,如图2所示为未经处理的误差较大的情况.
首先将要素的端点以键值对的方式进行存储记录,如图3所示;第二步进行线段的打断,在线的交叉点处得到新的点,如图4所示;第三步依据点集合生成邻接矩阵;最后利用图的深度遍历算法[19]进行点坐标的校正,校正过程如图5所示,突出圈记点为最近修改的点.
图2初始要素图3要素端点图4线段打断图5线状要素修正过程(图中编号为各点的存储顺序)针对面状要素,以多边形为例,处理过程与线状要素类似,不同之处在于面状要素只需以某一个面为单位进行修正,不需考虑线段相交的情况,即不用进行线段打断.
面状要素的特殊之处在于它是闭合图形,如果仅进行一次遍历,极可能造成忽略最后一点与第一点之间线段修正的情况.
本文采取了遍历两次的方法来消除这种错误.
即在遍历一次之后,将第一次遍历的终点作为第二次遍历的起点进行二次遍历.
图6所示为面状要素初始状态,图7为要素端点的排列方式,图8为面状要素边处理的过程.
图6初始要素图7要素端点图8面状要素处理过程(图中编号为各点的存储顺序)停车位面状要素对齐校正面状要素的存储类型包括单面和包含多个单面的多面.
该算法的基本内容包括同一水平线上水平停车位的对齐以及同一直线上倾斜停车位的对齐.
水平停车位对齐的基本思想是通过比较水平停车位面状要素间的端点坐标,若坐标差小于阈值,则对端点坐标进行修正.
解决方式主要是通过遍历水平停车位,以某一水平停车位作为基准,比较水平停车位面状要素间的端点坐标,若其他水平停车位相比该水平停车位坐标差小于阈值,则对其他水平停车位端点坐标进行修正.
水平停车位对齐流程伪代码如算法2所示.
算法2:水平停车位对齐算法输入:停车位面图层文件输出:停车位面图层文件traversepolygonelementsifthecoordinatesbetweenpointsarelessthanthethresholdadjustthecoordinates/*校正坐标*/endendrebuildfeatures/*图形重绘*/以水平停车位面状要素为例,图9为同一水平线水平停车位对齐的处理过程.
遍历左侧停车位1点,分别计算右侧停车位5、6、7、8点,其中5、6点坐标差小于阈值,因此校正.
其中图中编号为各点编号,圆圈代表遍历点但未处理校正点,优先出版呙维,等:室内停车专题地图的形状规则化方法第35卷第3期三角圈代表遍历并处理校正点.
(a)(b)(c)(d)图9同一水平线上水平停车位对齐处理过程图中编号为各点编号,圆圈代表遍历点但未处理校正点,三角圈代表遍历并处理校正点.
倾斜停车位对齐的基本思想是比较倾斜停车位面状要素边的斜率,若斜率差小于阈值,则对端点坐标进行修正.
解决方式主要是通过遍历倾斜停车位,以某一倾斜停车位作为基准,比较倾斜停车位面状要素各边的斜率,若其他倾斜停车位各边相比该倾斜停车位该条边斜率差小于阈值,则过基准倾斜停车位面状要素中心点以该斜率做直线,计算另一个倾斜停车位中心点在该直线上的投影点坐标,并以该直线做X轴,该投影点做零点建立平面直角坐标系,进而求出该倾斜停车位端点在该坐标系下的坐标,并利用仿射变换计算端点在原坐标系下的坐标[24].
倾斜停车位对齐流程伪代码如算法3所示.
算法3倾斜停车位对齐算法输入:停车位面图层文件输出:停车位面图层文件storealltiltedpolygons/*存储所有倾斜的面*/traversealltiltedpolygonscalculatetheslopeoftheeachsideofalltiltedpolygons/*计算边斜率*/iftheslopeislessthanthethresholdpaintalinewiththeslopewhichisthroughthemidpointofonepolygon/*过面中心点绘制直线*/calculateanotherpolygon'smidpoint'sprojectioncoordinateontheline/*计算投影坐标*/establishacoordinatesystemwhichregardsthislineasXaxisandregardstheprojectionpointasthezeropoint/*建立坐标系*/calculateallpoints'coordinatesofthispolygoninthiscoordinatesystem/*计算端点在该坐标系下的坐标*/calculateallpoints'coordinatesthroughaffinetransformation/*仿射变换*/endendrebuildfeatures/*图形重绘*/以倾斜停车位面状要素为例,图10为同一直线倾斜停车位对齐的处理过程.
其中图(a)遍历上方停车位1-4边,计算1-4边斜率,遍历下方停车位5-8边,计算5-8边斜率,比较斜率差,5-8边斜率差与1-4边斜率差小于阈值.
图(b)过上方停车位中心点9以1-4边斜率做直线,图(c)计算下方停车位中心点10在该直线上的投影点11,图(d)以点11为零点,该直线为X轴建立平面直角坐标系,图(e)求下方停车位端点5、6、7、8在新建的平面直角坐标系下的坐标,图(f)利用仿射变换求下方停车位端点5、6、7、8在原坐标系下的坐标.
其中图中编号为各点编号,圆圈代表遍历边,矩形圈代表所遍历到的与基准边之间斜率差小于阈值的边,无箭头线代表投影线,有箭头线代表坐标系轴.
(a)遍历各边(b)做投影线(c)求投影点(d)建坐标系(e)求各点坐标(f)仿射变换图10同一直线倾斜停车位对齐处理过程图中编号为各点编号,圆圈代表遍历边,矩形圈代表所遍历到的与基准边之间斜率差小于阈值的边,无箭头线代表投影线,有箭头线代表坐标系轴.
2算法实验与精度对比2.
1室内停车专题地图形状规则化算法实验本文中以实验室停车场为例,数字化的室内停车专题地图要素包括出入口、中继控制器、停车位入口、柱子、停车分区标识、定位传感器、隔断墙、道路、停车位、停车分区、墙和其他等.
其中出入口、中继控制器、停车位入口、柱子、停车分区标识和定位传感器为点元素,无须处理,隔断墙和道路为线状要素,停车位、停车分区、墙和其他为面状要素.
优先出版呙维,等:室内停车专题地图的形状规则化方法第35卷第3期本算法主要针对线状要素和面状要素进行处理.
其中的数据问题主要有两类,一是隔断墙和道路两类线状要素,以及停车位、停车分区、墙和其他四类面状要素的边的锯齿问题,二是停车位面状要素的对齐问题.
本文中所处理的各图层数据量大小如表4所示.
表4各图层数据量图层名称隔断墙道路停车位停车分区墙其他数据量/条47121721016在算法复杂度分析过程中,需要分析算法在编写成可执行程序后运行时所需的资源.
其中包括时间资源和内存资源.
随着算法处理问题规模n的不断增大,所需的时间资源不断增加,即时间复杂度不断增大,占用的内存资源也不断增加,即算法空间复杂度不断增大,最终算法的执行效率不断降低.
本算法的算法复杂度分析以停车位面状要素处理过程为例.
本实验针对停车位面状要素处理计算了在不同要素量情况下的运行时间和占用空间,分别如图11和12所示.
图11运行时间统计图11统计了在处理停车位面状要素过程中的运行时间情况,其中横坐标为停车位面状要素个数,纵坐标为运行时间,单位为毫秒.
由图可得随着要素数量的增加,运行时间也随之增加,且与要素数量基本成正比.
图12占用空间统计图12统计了本算法在处理停车位面状要素过程中程序的占用空间情况,其中横坐标为停车位面状要素个数,纵坐标为占用空间,单位为字节.
由图可得随着要素数量的增加,占用空间也随之增加,且与要素数量基本成正比.
本实验在javajdk1.
8环境下进行,主要引入类库为java环境下的gdal类库,引入图层文件类型为.
shp文件,显示图层工具采用ArcMap10.
2,便于查验.
在线状要素及面状要素边的规则化校正处理过程中,首先读取所处理要素的数据图层,判断要素类型,若为点要素则不进行任何处理;若为线状要素,则进一步判断线状要素类型.
若为多线状要素,则首先将线段在折点处打断并重组为单线状要素,并针对所有单线状要素进行线状要素的规则化校正处理;若为面状要素,则进一步判断面状要素类型,若为多面状要素,则首先将多面状要素打断重组为单面状要素,并将所有单面状要素在折点处打断并重组为单线状要素,并针对所有单线状要素进行面状要素边的规则化校正处理.
单线的端点坐标进行去重处理.
将所有线状要素的线段在端点处打断并重组为单线,面状要素不需进行线段打断重组.
根据新重组单线各端点间的拓扑关系,并利用图的深度优先遍历方法校正端点坐标值.
值得注意的是,面状要素需进行两次遍历.
在校正完成后,根据各类要素间拓扑关系进行图形重绘和要素存储.
在停车位面状要素对齐校正处理过程中,首先判断要素类型,若为点要素和线状要素则不进行任何处理;若为面状要素,则进一步判断要素是否为停车位面状要素,若不是,则不进行任何处理,若是则判断各停车位面状要素各边的斜率信息,若停车位面状要素中有两边斜率为0,则为水平停车位;若停车位面状要素中各边斜率均不为0,则为倾斜停车位.
若为水平停车位,则遍历各停车位面状要素端点坐标值,若坐标差小于阈值,则进行端点坐标修正.
若为倾斜停车位,则遍历各停车位面状要素,比较倾斜停车位面状要素各边的斜率,若倾斜停车位各边相斜率差小于阈值,则过基准倾斜停车位面状要素中心点以该斜率做直线,计算另一个倾斜停车位中心点在该直线上的投影点坐标,并以该直线做X轴,该投影点做零点建立平面直角坐标系,进而求出该倾斜停车位端点在该坐标系下的坐标,并利用仿射变换计算端点在原坐标系下的坐标.
在实验过程中,要素规则化的阈值设定为0.
4米,停车位对齐的阈值设定为0.
1米,倾斜停车位边的斜率阈值设定为0.
02米.
最后由程序处理和原始情况的效果对比如表5所示.
由表5可得,经过程序处理,在原始情况中线状元素和面状元素的边的锯齿现象得到了消除,由于数据采集误差等影响而原本应在同一水平线上的水平停车位和应在同一直线上的倾斜停车位的不对齐现象得到了改善.
2.
2程序校正与人工校正精度对比为了验证算法的有效性,针对实验室停车场专题地图进行了人工数字化校正,并比较人工校正和算法程序校正的精度结果.
针对线状要素和面状要素边的锯齿消除校正的精度对比,本文的设计思想是将程序校正图层各元素端点(包括线的起点与终点)投影到人工校正图层对应线状要素或面状要素边所在的直线上,计算投影点与对应直线的距离,统计此种情况下投优先出版呙维,等:室内停车专题地图的形状规则化方法第35卷第3期影距离的最大值、平均值、标准差和方差.
具体实施的图层包括道路、隔断墙、其他、墙、停车位和停车分区等.
针对停车位面状要素对齐的精度对比,本文的设计思想是在人工校正图层的在同一直线上的停车位中心点处拟合出一条直线,并将程序校正图层停车位元素中心点投影到人工校正图层对应停车位元素的中心点的拟合直线上,计算投影点与对应拟合直线间的距离,统计出此种情况下投影距离的最大值、平均值、标准差和方差.
具体实施的图层即停车位图层.
表5效果对比编号原始问题修改效果描述1线状要素锯齿消除2水平停车位对齐3面状要素边锯齿消除4倾斜停车位对齐各图层元素的投影距离分布情况如表6所示.
表6各图层元素的投影距离分布情况取值范围/m图层名称0-0.
0050.
005-0.
010.
01-0.
015>0.
015隔断墙100%000道路100%000停车位99.
71%00.
29%0停车分区100%000其他100%000墙100%000停车位中心点99.
42%00.
58%0本文计算了各距离范围占总情况数的百分比.
由表可得,程序校正的精度范围均小于0.
05,与人工校正结果基本相同,校正精度满足要求.
经计算所得的精度结果即各图层元素端点投影距离的最大值、平均值、标准差和方差以及停车位图层各元素中心点投影距离的最大值、平均值、标准差和方差统计结果如表7所示.
由表可得,该算法的计算精度较好,投影距离最大为1cm左右,满足校正要求.
本算法在校正坐标的过程中最大限度的避免了要素间拓扑关系的影响,精确度较高,大大提升了人工数字化室内停车专题地图的效率.
由图表可得,线状要素规则化校正算法的精确度较高,与人工校正间的误差基本可以忽略.
但在停车位面状要素对齐校正算法中,倾斜停车位对齐算法的精确度相比于水平停车位算法的精确度较低,这是由于在计算倾斜停车位边所在直线的斜率过程中和求投影点坐标的过程中以及通过仿射变换计算端点坐标的过程中存在四舍五入的问题,因此相比于人工校正结果误差较大.
之后将针对提升倾斜停车位对齐算法精确度做进一步的研究.
同时本算法的算法复杂度也有待降低.
优先出版呙维,等:室内停车专题地图的形状规则化方法第35卷第3期表7精度统计结果3结束语室内停车专题地图的形状规则化算法是对人工数字化停车场地图的自动化校正,实现了消除线状要素和面状要素边的锯齿以及停车位对齐两部分的自动处理.
实验表明,本算法的校正精度高达95%,最大误差为1厘米左右,基本可以代替人工校正,这将极大的提高室内停车专题地图人工数字化的效率.
在当今这个大数据时代,自动化、高精度的规则化处理将成为未来停车场地图数字化的趋势,并逐步应用到建筑规则化领域.
参考文献:[1]许华燕,李志辉,王金月.
室内地图应用现状及展望[J].
测绘通报,2014(9):119-121.
[2]张兰,王光霞,袁田,等.
室内地图研究初探[J].
测绘与空间地理信息,2013,36(9):43-47.
[3]LorenzB,OhlbachHJ,StoffelEP.
Webandwirelessgeographicalinformationsystems[M].
Berlin:Springer,2006.
[4]邓晨.
面向移动终端的室内地图设计与实现[D].
郑州:信息工程大学,2015.
[5]游天,周成虎,陈曦.
室内地图表示方法研究与实践[J].
测绘科学技术学报,2014,31(6):635-640.
[6]孙卫新,张锦明,王光霞,等.
室内地图空间数据矢量化采集方法研究[J].
测绘科学技术学报,2016,33(02):191-195+200.
[7]NossumAS.
Indoortubesanoveldesignforindoormaps[J].
CartographyandGeographicInformationScience,2011,38(2):192-200.
[8]刘兆宏,王科,丰江帆,等.
矢量室内地图建模与制作方法[J].
数字通信,2012,39(04):77-80.
[9]应申,朱利平,李霖,等.
基于室内空间特征的室内地图表达[J].
导航定位学报,2015,3(04):74-78+91.
[10]朱欣焰,杨龙龙,呙维,等.
面向全息位置地图的室内空间本体建模[J].
地理信息世界,2015,22(02):1-7.
[11]NossumAS.
DevelopingaFrameworkforDescribingandComputingIndoorMaps[J].
TheCartographicJournal,2013,50(3):218-224.
[12]LORENZB,OHLBACHHJ,STOFFELEP.
AHybridSpatialModelforRepresentingIndoorEnvironments[J].
LectureNotesinComputerScience,2006,4295:102-112.
[13]冯小刚,杜军威.
适用于反向寻车的停车场地图设计[J].
电脑知识与技术,2014,20(36):8692-8694.
[14]远经潮.
基于Android平台的停车系统设计与实现[D].
兰州大学,2016.
[15]M.
Awrangjeb.
Usingpointclouddatatoidentify,traceandregularizetheoutlinesofbuildings[J].
InternationalJournalofRemoteSensing,2016,37(3):551-579[16]徐景中,姚芳.
LIDAR点云中多层屋顶轮廓线提取方法研究[J].
计算机工程与应用,2010,46(32):141-143.
[17]沈蔚,李京,陈云浩,等.
基于LIDAR数据的建筑轮廓线提取及规则化算法研究[J].
遥感学报,2008,12(5):692-698.
[18]张阳阳,门林杰,李向伟.
基于机载LiDAR数据的建筑物轮廓规则化方法[J].
测绘工程,2015,24(10):59-61,76.
[19]SampathA,ShanJie.
Buildingboundarytracingandregularizationfromairbornelidarpointclouds[J].
PhotogrammetricEngineeringandRemoteSensing,2007,73(7):805-812.
[20]ChenDong,ZhangLiqiang,MathiopoulosPT,etal.
Amethodologyforautomatedsegmentationandreconstructionofurban3DbuildingsfromALSpointclouds[J].
IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2014,7(10):4199-4217.
[21]AwrangjebM,ZhangChunsun,FraserCS.
AutomaticextractionofbuildingroofsusingLIDARdataandmultispectralimagery[J].
ISPRSJournalofPhotogrammetryandRemoteSensing,2013,83:1-18[22]石军南,刘建聪,孙华,等.
矢量线条概率中值平滑算法设计[J].
中南林业科技大学学报,2011,31(11):1-6+218).
[23]胡荣,未召弟,符杨.
基于深度优先遍历算法的配电网拓扑动态检测[J].
上海电力学院学报,2010,26(2):109-112,118.
[24]李美娟,李立瑞.
仿射变换模型在地形图坐标转换中的应用[J].
勘察科学技术,2009,26(1):52.
[25]刘军.
浅析算法设计与算法时间复杂度[J].
电脑知识与技术,2008,14(14):878-879.