馮光升 張曉雪 王慧強 李冰洋 袁泉 陳詩軍 陳大偉

摘 要：針對現(xiàn)有的地圖更新方法，在室內(nèi)地圖環(huán)境下的效果并不理想的問題，提出了一種分層式的室內(nèi)地圖更新方法。首先以室內(nèi)物體的活動性為參數(shù)，然后進行層次的劃分來減少更新數(shù)據(jù)的數(shù)量，最后利用卷積神經(jīng)網(wǎng)絡（CNN）對室內(nèi)數(shù)據(jù)進行歸屬層次的判定。實驗結果表明，

與版本式更新方法相比，所提算法的更新時間降低了27個百分點;與增量式更新方法相比，其更新時間在更新項大于100后逐漸降低。與增量式更新方法相比更新包大小降低了6.2個百分點，且在數(shù)據(jù)項小于200之前其更新包一直小于版本式更新方法。所提方法可以顯著提高室內(nèi)地圖的更新效率。

與沒有進行分層的增量式更新方法和版本式更新方法相比此處是與一種方法比較，還是兩種方法進行比較吧？請明確。應該是兩種方法吧，但平均值是怎么計算的？這樣表達不太準確，請將值分別表示出來，即應該是兩個值，而不應該用平均值來表述。英文摘要處的表述也請作相應修改，更新時間平均降低了23個百分點，且數(shù)據(jù)量越大效果越明顯。

關鍵詞：室內(nèi)地圖;地圖更新方法;分層式更新;卷積神經(jīng)網(wǎng)絡;增量式更新;版本式更新

中圖分類號： TP391

文獻標志碼：A

Abstract： For the fact that existing map updating methods are not good at map updating in indoor map environments， a hierarchical indoor map updating method was proposed. Firstly， the activity of indoor objects was taken as a parameter. Then， the division of hierarchy was performed to reduce the amount of updated data. Finally， a Convolutional Neural Network （CNN） was used to determine the attribution level of indoor data in network. The experimental results show that compared with the version update method， the update time of the proposed method is reduced by 27 percentage points， and the update time is gradually reduced compared with the incremental update method after the update item number is greater than 100. Compared with the incremental update method， the update package size of the proposed method is reduced by 6.2 percentage points， and its update package is always smaller than that of the version update method before the data item number is less than 200. Therefore， the proposed method can significantly improve the updating efficiency of indoor maps.

Key words： indoor map; map updating method; hierarchical updating; Convolutional Neural Network （CNN）; incremental update; version update

0 引言

地圖的現(xiàn)勢性（Currency）是衡量其性能重要指標之一，所謂現(xiàn)勢性是指地圖所提供的地理空間信息要盡可能地反映當前最新的情況[1]，而提升地圖的現(xiàn)勢性的關鍵在于提高地圖的更新頻率及效率。

不同于室外地圖，室外地形變化較少，交通道路和建筑的刷新頻率通常以月或者年計算;而室內(nèi)地圖的實體要素復雜多變

此處不通順，前面的是否應該為“室內(nèi)地圖”？

把這一整句話進行修改。室外地形變化較少，交通道路和建筑的刷新頻率通常以月或者年計算。與室外地圖不同，室內(nèi)地圖的實體要素復雜多變。。。

室外地形變化較少，交通道路和建筑的刷新頻率通常以月或者年計算。與室外地圖不同，室內(nèi)地圖的實體要素復雜多變

并且其變化頻率更加頻繁，例如大型超市通常以星期為單位改變貨架布局，而大型會展中心以天為單位改變室內(nèi)布局，頻繁的場景改變和數(shù)以千萬計的室內(nèi)地圖場景為室內(nèi)地圖更新帶來了挑戰(zhàn)。與此同時，不僅是空間上發(fā)生變化，室內(nèi)地圖中還承載著豐富的活動資訊和相關推介，這種地圖的附帶信息則是以小時為單位變化的，因此，如何快速、有效地更新室內(nèi)地圖是一個具有研究價值的問題。

目前室外地圖更新方式多參照導航更新的方式進行，包括增量式更新與版本式更新[2-4]。版本式更新需要將地圖內(nèi)所有要素進行重新繪制，期間經(jīng)過變化信息的采集、制作、檢驗到發(fā)布，整個周期時間較長，更新效率也低，成本高;而增量式更新則對地圖進行增量式分析，然后對變化的部分進行相應的補測，獲取新的數(shù)據(jù)，繪制生成增量包，發(fā)布后完成更新操作。但是對于室內(nèi)地圖如果采用增量式更新，在進行增量分析式其狀態(tài)不僅是增加、刪除、修改要素，還要體現(xiàn)屬性變化，而且由于其要素眾多，增量分析的過程也繁瑣且周期長;若采用版本式更新，當室內(nèi)地圖僅僅是改變了一些屬性信息或者其承載的相關活動信息時，而將其所有要素都更新，造成了大量不必要的資源浪費并且成本高[5-7]。

綜上所述，為了保證室內(nèi)地圖的更新效率以及用戶體驗，本課題我們提出了一種分層式的室內(nèi)地圖更新方法，將原始室內(nèi)地圖根據(jù)室內(nèi)物體的可運動性進行分層處理，用來解決對于具要素多、且變化頻繁的室內(nèi)場景的更新問題此句不通順用來解決要素多且變化頻繁的室內(nèi)場景的更新問題，來保證室內(nèi)地圖的現(xiàn)勢性。

1 分層式三維室內(nèi)地圖更新方法

在現(xiàn)實生活中，用戶對室內(nèi)地圖的要求是范圍廣、內(nèi)容詳細、現(xiàn)勢性高。對此為了提升室內(nèi)地圖的現(xiàn)勢性，本文提出了分層式三維室內(nèi)地圖更新的方法，目的是以傳輸最小數(shù)據(jù)量或者是最快的速度更新用戶的數(shù)據(jù)。

從用戶的角度看室內(nèi)地圖，主要包括三維室內(nèi)物體、室內(nèi)房屋框架、一些興趣點（Point of Interest， POI）（例如防火栓、滅火器、安全出口等），還有以文本展示的信息（例如商家優(yōu)惠信息、超市哪些物品缺貨等）。根據(jù)室內(nèi)地圖這些要素的表達形式，本文提出了一種分層模型，將具有相同性質(zhì)的物體提取至一個圖層，在以后更新地圖時，只需要更新變動物體所在的圖層，減少更新地圖的代價。將室內(nèi)地圖分為5層，各層的詳細定義如下。

1）基礎架構層?；A架構層為整個室內(nèi)地圖的底層，也是整個室內(nèi)環(huán)境的基礎，主要包括建筑的墻面、門窗、各個房間直接的間隔板，在室內(nèi)環(huán)境中基本上處于不會移動的地位。主要包括建筑的墻面、門窗、各個房間直接的間隔板等要素，在室內(nèi)環(huán)境中基本上不會發(fā)生移動。此處語句不通順，請作相應調(diào)整

2）穩(wěn)定層。穩(wěn)定層是整個室內(nèi)的地圖的第二層，其包含的物體主要是例如展廳內(nèi)貨架、大型家具等物體。

3）活動層?；顒訉邮钦麄€室內(nèi)地圖的第三層，也是采用地圖分層思想的主要原因，該層主要以小型、頻繁移動的家具為主，例如帶滑輪的工作椅、簡易折疊小家具等物品。

4）POI層。該層是由安全出口、消火栓、滅火器等物體構成，在地圖上僅以一個點體現(xiàn)。

5）信息層。信息層體現(xiàn)的主要是室內(nèi)場景的一些信息，例如商場的打折信息、機場的航班信息等。

利用分類方法將室內(nèi)地圖按照以上五種層次進行分層處理，為室內(nèi)元素添加所在圖層標簽，然后根據(jù)元素的標簽，對其進行逐層輸出，生成更新包。將分層地圖與原地圖進行匹配，完成地圖更新。其流程如圖1所示。

2 室內(nèi)要素分層方法

在本文的分層任務中，后兩層POI層是以點的形式體現(xiàn)，信息層是以文字的形式體現(xiàn)出來，這些都無需判斷，可直接進行更新。本文主要是解決在大規(guī)模且具有遮擋的室內(nèi)場景中提取出物體并分析出其所屬分層（前三層）的任務[8-9]。因數(shù)據(jù)源為二維圖像，本文根據(jù)分類好的二維圖像和其具體坐標繪制三維室內(nèi)地圖，所以訓練數(shù)據(jù)和測試數(shù)據(jù)均為二維圖像。傳統(tǒng)分類方法是對物體進行手工提取特征值然后加入分類器的對物體分類;然而人工設計的特征提取方法存在局限性：這意味著它們泛化能力差，且勞動力成本高。本文利用在大規(guī)模數(shù)據(jù)集ImageNet上預訓練的卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network， CNN）模型提取物體的初步特征，然后通過主成分分析法對特征降維，然后利用支持向量機（Support Vector Machine， SVM）分類器對物體進行分類分層處理[10-11]。

本文使用的預訓練模型是AlexNet模型，該模型總共包括910層：第1層是輸入層，第2～6層都是卷積層，第7～9層為全連接層，第10層為輸出層原稿的圖2中沒有第10層，現(xiàn)在補充出來了，是否符合表達？請明確?；貜停嚎梢赃@么修改，對，其拓撲結構如圖2所示。

對于第2～6層卷積層，不僅是傳統(tǒng)的單層卷積結構，而是一種卷積過程，每次卷積過程都包括一次卷積操作和一次下采樣（Subsampling）操作，中間適當?shù)夭迦胍恍┖瘮?shù)來控制數(shù)值的范圍，以便后續(xù)的循環(huán)計算。第2、3層的卷積部分由卷積階段、激活函數(shù)、下采樣階段以及局部響應歸一化部分階段卷積過程組成[12-13]，如以Ali（p，q）表示第l層網(wǎng)絡上卷積操作過的第i個特征響應中間值矩陣，經(jīng)過激活函數(shù)后即得到l+1層的第i個輸出矩陣Xl+1i（p，q），以Yij（u，v）表示l層連接這l+1層的第j個卷積核。首先由式（1）計算到l層圖像域在各個卷積核上二維卷積后的值：

Ai+1j（p，q）=∑li=1∑Du，v=1Ylj（u，v）xli（p-u，q-v）+blj（1）此處bllj（l、j為上標和下標）是何意？請明確。書寫正確嗎？參數(shù)說明中沒有體現(xiàn)出來，請補充?；貜停汗藉e了 ，應該是blj。其中l(wèi)表示層數(shù)，j表示第j個卷積核

其中blj（l表示層數(shù)， j表示第j個卷積核）為偏置量，然后將上述矩陣經(jīng)過激活函數(shù)得到第l+1層的輸出值，如式（2）：

第2層的卷積結構包含輸出是96個27×27特征映射圖，其卷積核的大小是11×11，卷積步長是4，下采樣的步長為2。第3層的輸出的是256個13×13特征映射圖，其卷積核的大小是5×5，卷積步長是1。第4、5層是卷積過程，因為輸入的尺寸差別，特征的數(shù)據(jù)量已經(jīng)較少，取消了下采樣層，且這兩層的輸出均為384個13×13特征映射圖，卷積內(nèi)核大小為3×3，步長為1。第6層為由卷積階段、激活函數(shù)、下采樣階段以及局部響應歸一化部分階段組成的卷積運算，它的最終輸出是56個6×6的特征映射圖。最后三第7～9層是全連接層，它們的神經(jīng)元個數(shù)分別為4096、4096和1000，并且在最后一層中加入了Softmax分類器，輸出最終分類結果及概率。

本實驗采用的數(shù)據(jù)集是MIT67 Indoor Scene dataset。該數(shù)據(jù)集是麻省理工采集并發(fā)布的有67個不同室內(nèi)類別場景，共15620幅圖像。數(shù)據(jù)集包含不同類型的商店（如會展廳、超市），住宅，公共空間（如圖書館、機場）等場景，圖片數(shù)量因類別而異，但每個類別至少有100幅圖像，如圖3所示。圖像均為jpg格式。同類別數(shù)據(jù)具有一定的差異性，而不同類別的數(shù)據(jù)又具有一定的相似性。部分場景依次是：飯店、倉庫、機場、超市、教室、酒吧，本文從MIT67 數(shù)據(jù)集中每一類中隨機選取80幅作為訓練集，20幅圖像作為測試集。

首先利用預訓練的AlexNet提取網(wǎng)絡的特征，并直接結合支持向量機進行分類，探究哪一層的特征性能最優(yōu)，其效果如表1所示;隨后將獲取的最優(yōu)層特征進行主成分分析法進行降維后，利用SVM進行分類，產(chǎn)生詳細的分類結果。

3 實驗結果和分析

本文選取了由公眾上傳的哈爾濱市某大型超市的數(shù)據(jù)為例，這里包括該超市的平面俯視圖和超市內(nèi)場景多角度的圖片數(shù)據(jù)，如圖34所示，其中室內(nèi)場景的詳細數(shù)據(jù)如下：一共包含超市圖片數(shù)據(jù)5352張，涵蓋展架、信息臺、冰箱、收銀臺等共92類物體。根據(jù)這組數(shù)據(jù)對本文提出的更新方法過程進行說明，并與傳統(tǒng)的更新方法進行比較。

用LabelImg將場景中的物體提取出來，其效果如圖5，將提取出來的物體圖片作為卷積神經(jīng)網(wǎng)絡的輸入層，對物體進行分層處理，將處理分層后的物體添加分層標簽，然后生成增量包，對地圖進行更新。

為證明本文方法的使實用性，本文采用同樣的場景，選取更新區(qū)域分別有20、50、100、200更新項的數(shù)據(jù)，使用版本式更新、增量式更新和分層式更新的方法，來測試本文所設計方法的效果，其測試效果對比如表2所示。

通過上述實驗可以發(fā)現(xiàn)，在更新項較少的情況下，增量式更新方法的效果較好;但是隨著更新項的增加，增量式方法的效果越來越差，而版本式更新，因其需要對全部數(shù)據(jù)更新，會消耗大量的無用資源。除此之外，本文還做了定性實驗，實驗效果如表3所示。

4 結語

本文提出的方法對于具有要素多且更新頻繁的室內(nèi)場景的更新問題是一個很好的解決辦法，滿足了用戶對地圖現(xiàn)勢性的要求。與版本式更新方法、增量式更新的方法相比，本文方法具有更高的更新效率，且在數(shù)據(jù)量方面有所改善。下一步工作，將嘗試機器學習與神經(jīng)網(wǎng)絡結合方法對物體進行分類。

參考文獻 （References）

[1] 應申，楊杰，王凱，等.眾包模式下室內(nèi)地圖變化發(fā)現(xiàn)與更新[J].測繪地理信息，2016，41（2）：62-65.（YING S， YANG J， WANG K， et al. Crowdsourcing-based change detection and updating of indoor map [J]. Geomatics of Surveying and Mapping， 2016，41（2）：62-65.）

[2] 汪永紅，張斌，郭黎，等.導航電子地圖增量更新方法研究[J].地理信息世界，2011，9（4）：40-43.（WANG Y H， ZHANG B， GUO L， et al. Research of incremental updating method for navigation electronic map [J]. Geographic Information World， 2011， 9（4）： 40-43.）

[3] 郭鵬，崔鐵軍.導航電子地圖增量式更新服務模式[J].地理信息世界，2011，9（4）：57-61.（GUO P， CUI T J. Incremental updating service mode of navigable electronic maps [J]. Geographic Information World，2011，9（4）：57-61.）

[4] 李曉斌，李飛，馬春紅.面向車聯(lián)網(wǎng)應用的導航電子地圖增量更新[J].測繪科學，2016，41（8）：161-164.（LI X B， LI F， MA C H. Incremental updating technique of navigation electronic map for telematics [J]. Science of Surveying and Mapping， 2016，41（8）：161-164.）

[5] 蘇旭明，譚建成，陳悅竹，等.支持增量更新的導航電子地圖數(shù)據(jù)模型的研究[J].北京測繪，2016（3）：126-128.（SU X M， TAN J C， CHEN Y Z， et al. The research on data model of supportingincremental updating of navigation electronic map [J]. Beijing Surveying and Mapping， 2016（3）： 126-128.）

[6] 張新長，郭泰圣，唐鐵.一種自適應的矢量數(shù)據(jù)增量更新方法研究[J]. 測繪學報，2012，41（4）：613-619.（ZHANG X C， GUO T S， TANG T. An adaptive method for incremental updating of vector data [J]. Acta Geodaetica et Cartographica Sinica， 2012， 41（4）： 613-619.）

[7] 張保鋼，楊伯鋼，張偉松.矢量地理信息更新增量的傳播[J].測繪通報，2015（4）：53-56.（ZHANG B G， YANG B G， ZHANG W S. Incremental propagation of vector geographic information updating [J]. Bulletin of Surveying and Mapping， 2015（4）：53-56.）

[8] LONG J， SHELHAMER E， DARRELL T. Fully convolutional networks for semantic segmentation[C]// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2015： 3431-3440.

[9] YUAN J， WU Y， YANG M. Discovery of collocation patterns： from visual words to visual phrases[C]// Proceedings of the 2007 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2007： 1-8.

[10] TU S， HUANG Y， LIU G. CSFL： a novel unsupervised convolution neural network approach for visual pattern classification[J]. AI Communications， 2017， 30（5）： 311-324.

[11] HERRANZ L， JIANG S， LI X. Scene recognition with CNNs： objects， scales and dataset bias[C]// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2016： 571-579.

[12] HE K， ZHANG X， REN S， et al. Delving deep into rectifiers： surpassing human-level performance on ImageNet classification [C]// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway， NJ： IEEE， 2015： 1026-1034.

[13] CAGLAYAN A， CAN A B. Volumetric object recognition using 3-D CNNs on depth data[J]. IEEE Access， 2018， 6： 20058-20066.