一种面向地图综合的建筑物群组模式识别的方法及系统与流程

本发明涉及制图综合技术领域，尤其涉及一种面向地图综合的建筑物群组模式识别的方法及系统。

背景技术：

地图综合即采用一定的综合操作，比如选择、移位、化简、合并等去解决地图尺度扩大过程中产生的空间冲突而生产更小比例尺地图的一个过程。地图综合对于地理空间的理解与建模有着非常重要的作用，并且是多尺度空间数据库更新不可或缺的一项技术。建筑物作为城市最重要的地理要素，其综合对构建多尺度数据库、用户导航、城市规划分析等方面有着极其重要的作用。

建筑物综合一般包括两个过程，即建筑物群组模式识别和综合操作执行，本发明关注于第一个方面。建筑物群组模式指的是由一群建筑物在一定尺度空间上所形成的能够被视觉感知，并且可以被命名的排列或形态。其类型分为规则和不规则群组模式，规则群组模式如线性模式、矩形模式、网格模式等，不规则模式包括l型、t型、z型、高密度区等。建筑物群组模式识别即根据建筑物之间的空间关系，采用一定的识别技术将一个区域的建筑物划分为不同形态的组合。由于缺少可用的形式化多类型群组模式识别知识，现有方法仅限于识别单类型模式，如直线类型或网格类型等。这些方法对要求能够一次性识别多种类型群组模式的地图综合来说作用是很有限的。因此，需要构造一个能够识别多种类型建筑物模式的统一方法。

虽然建筑物群组识别对地图综合至关重要，但是由于模式是尺度依赖的，并且建筑物分布在不同区域存在很大的差异，精确地识别各种类型建筑物模式仍存在很大的挑战。

现有技术中涉及一种对需要进行识别的模式进行定义，如直线模式，曲线模式然后采用模板匹配技术进行对比识别。

现有技术中所涉及一种识别方法类型，采用拓扑分析技术进行群组划分，即每个建筑生成一定距离的缓冲区，缓冲区相交的建筑则分为一个组合。

现有技术中还涉及你一类识别方法，先根据邻近建筑间的距离、形状、方向等关系计算每对邻近建筑的相似性，然后将相似性最大的作为一个组合，然后再根据组合间邻近建筑的最大相似进行再次合并，这样循环直到所有邻近组合间邻近建筑间的相似性达到设定阈值则停止合并，即完成建筑物群组划分。

建筑物群组模式识别方法若能够以非监督的方式并且能够识别任意形状(即多类型)的群组，那将非常适合地图综合。

但是上述方法仍存在一些不足，具体包括：由于缺少可用的形式化多类型群组模式识别知识，上述方法仅能够识别单类型建筑物群组模式，如直线模式、格网模式等，并且这些方法都分别开发，很难集成到一个系统中。且现有技术中涉及较多的人工经验阈值设置，方法可重复性差，通用性有待进一步提高。现有技术中仍需进行大量的邻近建筑间距离、方向、形状、大小相似度计算，并且用其中一个或多个集成指标都很难精确表达邻近建筑间的邻近度。

技术实现要素：

本发明的目的在于克服现有技术的不足，本发明提供了一种面向地图综合的建筑物群组模式识别的方法及系统，采用自上而下的图的分割方法，这样就可以得到各种类型的建筑物潜在群组模式，然后采用分类器对潜在群组模式进行判断，就避免了大量的人工参数设置。

为了解决上述问题，本发明提出了一种面向地图综合的建筑物群组模式识别的方法，包括如下步骤：

使用道路网作为全局约束条件对整个建筑物地形图进行划分，得到多个建筑物街区；

对多个建筑物街区中的每一个建筑物街区进行三角形剖分，生成约束三角形网；

基于约束三角形网计算建筑物拓扑关系、骨架线长度和平均距离指标值；

基于建筑物拓扑关系构造成一个非连通图；

对非连通图采用深度优先遍历算法得到多个连通子图；

基于训练的分类器对多个连通子图中的每一个连通子图进行群组模式识别，并将具有群组模式属性的连通子图归集到群组模式集合中；

在判断多个建筑物街区中的每一个建筑物街区都处理完毕后，采用删除、合并和化简方式对群组模式集合进行综合操作处理。

所述对多个建筑物街区中的每一个建筑物街区进行三角形剖分，生成约束三角形网包括：

对每一个建筑物街区内的道路和建筑物的边进行固定间隔插值，利用所有的线节点生成约束三角形网；

并对连接道路的三角形、建筑物内部的三角形进行删除，得到修剪后的约束三角形网。

所述基于约束三角形网计算建筑物拓扑关系、骨架线长度和平均距离指标值中：

建筑物拓扑关系：基于邻近关系指标用来指示两个对象存在的拓扑关系，公式为：r＝ri,j，其中：i＝1:n，j＝1:n,n表示建筑物个数，ri,j＝0表示建筑i与j相离，ri,j＝1表示建筑i与j相邻，ri,j＝2表示建筑i与j相接；

相邻对象骨架线：邻近对象间的骨架线由连接两个对象间的三角形的两条边的中点连线构成，公式为：l＝li，j＝∑li,j,k，其中：li,j,k表示连接两个相邻对象间的三角形的两边的中点连线，k表示第k个三角形；

平均距离：相邻对象间的平均距离根据相邻对象之间的骨架线计算得到，公式为：其中：di,j表示邻近对象i与j的平均距离，hi,j,k表示邻近对象间第k个三角形的高。

所述基于建筑物拓扑关系构造成一个非连通图包括：

将建筑物街区内每个建筑看作图的结点，结点之间的边用结点代表的建筑物之间的空间拓扑关系来表达，并根据建筑物拓扑关系中的邻近关系指标计算，如果是具有邻接或邻近关系的两个建筑，其对应的结点之间存在一条边，否则不存在边；对于邻近建筑距离大于指标阈值时，认定不存在邻近关系。

所述对非连通图进行深度优先遍历算法得到多个连通子图包括：

从非连通图中的任意结点出发，将存在边连接的结点和结点边存储到一个组合中，并将这些结点标记为已遍历，从而获取一个连通子图；

然后再从任意未必被标记的结点出发，寻找有边连接的所有结点，并将这些结点存储到另外一个组合中，从而获取另外一个连通子图；

循环上述过程，获取非连通图中所有的连通子图。

所述基于训练的分类器对多个连通子图中的每一个连通子图进行群组模式识别包括：

采用随机森林算法用人工采集的样本进行训练；

基于训练的随机森林分类器中对多个连通子图中的每一个连通子图进行群组模式识别，所述样本属性根据格式塔组织律的连续性、邻近性和完整性原则进行设计，包括：群组平均距离、平均距离标准差、黑白比、平均可视域面积、轮廓系数。

所述基于训练的随机森林分类器对多个连通子图中的每一个连通子图进行群组模式识别包括：

读取多个连通子图中的第一个连通子图；

计算第一连通子图的各个指标特征；

根据第一连通子图的各个指标特征构造一个分类器预测实例对象；

输入分类器进行判断，若判断满足群组模式属性，则将第一连通子图加入到群组模式集合中，并将第一连通子图从多个连图子图中移除；

读取多个连图子图中的第二个连图子图，继续进行群组模式识别，并直至多个连图子图中的所有连图子图都进行群组模式识别完毕。

所述输入分类器进行判断之后还包括：

若判断连第一通子图不满足群组模式属性时，对所述第一连通子图进行分割处理，并得到分割处理后的非连通图；

并对所述分割处理后的非连通图采用深度优先遍历算法得到多个连通子图，继续进行群组模式识别过程。

所述对所述第一连通子图进行分割处理，并得到分割处理后的非连通图包括：

采用邻近建筑间在约束三角网中的剩余三角形数量与仅由两个建筑生成的原始三角形数量的比重表示边的权重；

在图的切割过程中，如果一个三角形的边长大于图中所有三角形最长那条边减去一个步长值，那么该三角形就会被删除掉，这样就得到了剩余三角形的数量；如果剩余三角形数量与原始三角形数量的比重小于设定阈值，即边的权重小于设定阈值，则该边将被删除；

在多次迭代切割过程中变成非连通图。

相应的，本发明还提出了一种计算机系统，包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行以上所述的方法。

在本发明实施例中，首先采用自上而下的图的分割方法，这样就可以得到各种类型的建筑物潜在群组模式，避免了识别单一类型方法的不足；然后采用分类器对潜在群组模式进行判断，是否是群组模式，这样就避免了大量的人工参数设置；在图的分割过程中，本方法提出了采用约束三角网中的邻近建筑间的剩余三角形与仅由两个邻近对象生成的原始三角形数量的比重来表达邻近对象间的邻近度，这样可以避免大量的邻近对象间关系计算。本发明中采用随机森林分类器，能够识别多种类型群组模式。现有的方法由于设定了特定条件，只能够识别一到两种模式(如直线类型、曲线类型等)，并且这些识别特定类型模式的方法是在不同的程序中开发，很难将其集成到一个系统中。采用了精确且计算简单的邻近度表达。本方法用剩余三角形数量与原始三角形数量的比重表达邻近对象的邻近度，该指标能够反映出邻近对象间的距离、方向等空间关系。本方法采用了自动进行的图分割和分类器，其中涉及的参数全为自动获取，不需要设定经验参数。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中的面向地图综合的建筑物群组模式识别的方法流程图；

图2是本发明实施例中的建筑物三角剖分、非连通图的构造以及图的分割过程示意图；

图3是本发明实施例中的分类器中的一个决策树判断过程示例图。

图4是本发明实施例中的计算机系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例中所涉及的面向地图综合的建筑物群组模式识别的方法，可以通过使用道路网作为全局约束条件对整个建筑物地形图进行划分，得到多个建筑物街区；对多个建筑物街区中的每一个建筑物街区进行三角形剖分，生成约束三角形网；基于约束三角形网计算建筑物拓扑关系、骨架线长度和平均距离指标值；基于建筑物拓扑关系构造成一个非连通图；对非连通图采用深度优先遍历算法得到多个连通子图；基于训练的随机森林分类器对多个连通子图中的每一个连通子图进行群组模式识别，并将具有群组模式属性的连通子图归集到群组模式集合中；在判断多个建筑物街区中的每一个建筑物街区都处理完毕后，采用删除、合并和化简方式对群组模式集合进行综合操作处理。

以上方法采用自上而下的图的分割方法，这样就可以得到各种类型的建筑物潜在群组模式，避免了识别单一类型方法的不足；然后采用分类器对潜在群组模式进行判断，是否是群组模式，这样就避免了大量的人工参数设置；在图的分割过程中，本方法提出了采用约束三角网中的邻近建筑间的剩余三角形与仅由两个邻近对象生成的原始三角形数量的比重来表达邻近对象间的邻近度，这样可以避免大量的邻近对象间关系计算。

本发明实施例可以通过如下步骤来完成对一个区域地形图的建筑物群组模式识别，首先进行预处理阶段，即使用道路将整个区域的建筑物地形图划分为不同的街区，然后对每个街区内的建筑生成约束三角网，利用约束三角网计算邻近建筑物间的邻近关系、平均距离、骨架线长度，并利用建筑物和其邻近关系构造一个非连通图。再进行建筑物群组模式识别，即采用分类器对上述构造的非连通图中所包含的连通子图进行判断，看其是否是需要识别的模式，若是则将其作为一个群组模式，若不是则对其进行分割，并生成对多子连通图，然后再对其子连通图进行判断，循环上述过程直到没有连通子图进入分类器则分组结束。最后根据建筑物群组模式特征采用不同的地图综合操作对其进行综合。

具体的，图1示出了本发明实施例中的面向地图综合的建筑物群组模式识别的方法流程图，其适于建筑物地形图模式识别，具体包括如下步骤：

s101、使用道路网作为全局约束条件对整个建筑物地形图进行划分，得到多个建筑物街区；

具体实施过程中，为了提高模式识别效率，可以使用道路网作为全局约束条件对整个建筑物地形图进行剖分，即将地形图划分为不同的区域，得到多个建筑物街区(街区即由道路及其包围的建筑物构成)。这里的每个街区作为一个单独的后续处理单元，即实现三角形剖分，即作为一个单元完成步骤s102至s109间的方法过程。

s102、对多个建筑物街区中的每一个建筑物街区进行三角形剖分，生成约束三角形网；

具体实施过程中，针对多个建筑物街区中的每一个建筑物街区进行三角形剖分，为了精确计算建筑物邻近关系、骨架线长度和平均距离指标值，首先对一个街区内的道路和建筑物的边进行固定间隔(比如2m)插值，利用所有的线节点生成约束三角网(如图2a)，即三角形剖分。由于并不是所有的三角形都可以用来计算邻近关系和相关指标值，如连接道路的三角形、建筑物内部的三角形，可以将其删除，得到修剪后的约束三角网(图2d)。

s103、基于约束三角形网计算建筑物拓扑关系、骨架线长度和平均距离指标值；

利用修剪后的约束三角网计算建筑物拓扑关系、骨架线长度和平均距离指标值，并将其存储到n*n(n表示建筑物个数)中，这些指标值用于步骤s104中非连通图的构造和s106中的新样本特征计算。

邻近关系：邻近关系指标用来指示两个对象存在的拓扑关系，包括相邻、相接、相离，分别用1、2、0来表示。如果两个对象之间存在一个三角形，则说明它们的关系是相邻的；如果它们是共边，则说明是相接；否则就是相离关系，邻近关系用公式如下表示：

r＝ri,j公式(1)

式中：i＝1:n，j＝1:n，n表示建筑物个数。ri,j＝0表示建筑i与j相离，ri,j＝1表示建筑与相邻，表示建筑i与j相接。

相邻对象骨架线：邻近对象间的骨架线由连接两个对象间的三角形的两条边的中点连线构成，由如下公式计算：

l＝li，j＝∑li,j,k公式(2)

式中：li,j,k表示连接两个相邻对象间的三角形的两边的中点连线，k表示第k个三角形。

平均距离指标值：邻近对象间的平均距离根据它们之间的骨架线计算得到，由如下公式计算：

式中：di,j表示邻近对象i与j的平均距离，hi,j,k表示邻近对象间第k个三角形的高。

s104、基于建筑物拓扑关系构造成一个非连通图；

该步骤将建筑物及其邻近关系抽象成图的结构，这样将对建筑物的处理转换为对图的处理。在图的构造过程中，将街区内每个建筑看作图的结点，结点之间的边用结点代表的建筑物之间的空间拓扑关系来表达。根据s103计算的邻近关系，如果是具有邻接或邻近关系的两个建筑，其对应的结点之间存在一条边，否则不存在边。由于有些邻近建筑距离很大(比如如大于20米)，可以认为它们不存在邻近关系。这样所构造的图为一个非连通图(如图2e)，该非连通图中包含多个连通子图(任意两个结点之间都可以通过边的关系到达)，每个连通子图代表一个潜在的建筑物群组模式。

s105、对非连通图采用深度优先遍历算法得到多个连通子图；

根据s104构造的非连通图，利用深度优先遍历算法可以得到多个连通子图(多个建筑物群组的抽象表达)，如图2e中的subgraph1和subgraph2。该算法在遍历非连通同图的时候，开始从任意结点出发，将存在边连接的结点和边存储到一个组合中，并将这些结点标记为已遍历，这样就获取了一个连通子图。然后再从任意未必被标记的结点出发，寻找有边连接的所有结点，并将所有节点存储到另外一个组合中，即获取另外一个连通子图。循环上述过程，即可获取非连通图中所有的连通子图。

s106、基于训练的分类器对多个连通子图中的每一个连通子图进行群组模式识别；

具体实施过程中，读取多个连通子图中的第一个连通子图；计算第一连通子图的各个特征；根据第一连通子图的各个特征构造一个分类器预测实例对象；输入分类器进行判断，若判断满足群组模式属性，则将第一连通子图加入到群组模式集合中，并将第一连通子图从多个连图子图中移除；读取多个连图子图中的第二个连图子图，继续进行群组模式识别，并直至多个连图子图中的所有连图子图都进行群组模式识别完毕。

s107、判断连通子图是否满足群组模式属性，如果连通子图满足群组模式属性则进入s109，如果连通子图不满足群组模式属性则进入s108；

训练的随机森林分类器主要用于判断用连通子图表示的潜在建筑物群组中是否存在需要识别的群组模式，基于群组模式识别中判断结果有两种，即存在建筑物群组和不存在建筑物群组等。如果判断结果为是，则将连通子图加入到群组列表，并将其从连通子图集合中移除，再读取下一个连通子图进行判断；如果判断结果为否，则对该连通子图进行分割(即s108)。在判断过程中，首先读取一个连通子图，然后计算该连通子图的各个特征(即连通子图代表的群组的特征)，根据这些特征构造一个分类器预测实例对象，最后将其输入到分类器中进行判断。这个分类器采用随机森林算法，用人工采集的样本进行训练。随机森林算法是用随机的方式建立一个森林，森林由多棵决策树组成(比如200棵)，每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的实例对象进入的时候，就让森林中的每一棵决策树分别对其进行判断，然后根据所有决策树判断结果最多那类，确定该实例对象属于这一类。每个决策树决策过程如图3(一个决策树例子，其中的值为假设值)，即可以先从最重要的属性开始，根据样本的该属性先进行一轮分类，当被判断为“是”则进行下一个次要属性判断，以此类推，直到获得最终的判断结果。当判断为“否”，则结束判断并对此样本对应的群组进行分割。样本包括两类，即正样本(群组模式)和非样本(非群组模式)。样本的属性根据格式塔组织律的连续性、邻近性和完整性原则设计，具体包括以下5个：

群组平均距离：该指标用于反映群组的邻近性，根据公式(3)很容易计算得到群组的平均距离，公式如下：

式中：li,j表示邻近建筑i与j间的骨架线长度，di,j表示邻近建筑i与j间平均距离。

平均距离标准差：该指标主要用于指示群组的均质性，如果该值较大说明可以进行再次分割。根据公式(4)来计算，具体公式如下：

式中：sd表示群组平均距离的标准差，n表示群组建筑物邻近对个数，di表示第i对邻近建筑间的平均距离。

黑白比：该指标用于指示群组的紧凑性，以群组内所有建筑物的面积除以群组轮廓凸包的面积表示，计算公式如下：

式中：ai表示第i个建筑面积，ach表示群组轮廓凸包面积。

平均可视域面积：该指标用来指示群组的紧凑性，用所有邻近对象间的可视域(约束三角网构成)面积除以建筑物总面积来表示，计算公式如下：

式中：ati表示第i三角形面积，aj第j个建筑面积。

轮廓系数：由于建筑物形状具有直角化特征，其组成的群组也存在一定的矩形特性。该指标主要用来反映群组的整体性，群组轮廓越趋向于矩形，完整性越高，即轮廓系数越大，计算公式如下：

式中：ai表示第i个建筑面积，ambra表示群组最小外接矩形的面积。

需要说明的是，以上群组平均距离、平均距离标准差、黑白比、平均可视域面积、轮廓系数在随机森林分类器每个决策树中的阈值是根据训练的样本确定，每个决策树特征阈值及其重要性(在决策树中的排序)可能不一样，但其判断识别过程都类似于图3，即先进行群组平均距离判断、再进行距离标准差判断，然后进行黑白比判断，然后进行平均可视域面积判断，再到轮廓系数的过程。图3中针对群组平均距离的设定值为10m，当然在一定允许范围内，针对于不同群组模式存在不同的阈值，不限于10m这一种，比如1m到20m范围内的任一取值都有可能；平均距离标准差、黑白比、平均可视域面积、轮廓系数等其取值和排序都不限于图3中所示，其可以根据不同群组模式属性来确定这些阈值条件。

s108、对不满足群组模式属性的连通子图进行分割处理，得到分割处理后的非连通图；

如果一个连通子图在通过分类器的时候，判断结果为否，即该在连通子图中不存在群组模式，这时候就需要对其进行分割。图的分割通过将图的边删除来实现，而边的删除则要根据边的权重来确定。本实施例采用邻近对建筑在约束三角网中的剩余三角形数量与仅由两个建筑生成的原始三角形数量的比重(如图2d的右下图)表示边的权重。在图的切割过程中，如果一个三角形的边长大于图中所有三角形最长那条边减去一个步长值，那么该三角形就会被删除掉，这样就得到了剩余三角形的数量。如果剩余三角形数量与原始三角形数量的比重小于设定阈值(通过样本统计获取)，即边的权重小于设定阈值，则该边将被删除。结果连通子图会在多次迭代切割过程中变成非连通图，再将其通过s105则可以得到多个连通子图，循环s106，直到没有连通子图进入分类器即可获取所有群组。

s109、将具有群组模式属性的连通子图归集到群组模式集合中；

s110、是否有未处理完的连通子图，若判断有未处理完的连通子图，则进入s106继续对多个连通子图中的连通子图进行群组模式识别过程，若判断多个连通子图中的所有的连通子图都处理完，则进入s111；

s111、是否有未处理的建筑物街区，若判断有未处理完的建筑物街区，则进入s102继续对多个建筑物街区中的建筑物街区进行三角分剖分，生成约束三角形网，若判断多个建筑物减去中的所有的建筑物街区都处理完，则进入s112；

s112、形成最终群组模式集合；

s113、采用删除、合并和化简方式对群组模式集合进行综合操作处理。

具体实施过程中，根据s112获取的最终群组模式集合，采用删除、合并和化简综合操作对其进行综合。删除即将群组删除掉，合并表示将群组内所有建筑合并为一个对象，化简表示在保存图形总体特征的情况下将一些冗余细节删除。选择综合操作原则包括：1)如果群组的面积小于设定阈值则将其删除；2)如果群组个数大于1且群组建筑物面积大于设定阈值，则执行合并和化简操作；3)如果群组个数为1则执行化简操作。

相应的，图2还出示了街区三角形剖分、非连通图构造以及图的分割过程。即先对建筑物的边和道路进行插值，利用所有节点生成约束三角网(图2a)；由于并不是所有三角形都对计算有用，将连接道路和三个顶点都在建筑物上的三角形删除，这样得到了修改后的约束三角网(图2e，图1s102)，并利用这些三角形进行邻近关系探测、平均距离、骨架线长度计算(图1s103)；根据邻近关系构造非连通图(图2f，图1s104)，非连通图深度优先遍历算法可以将非连通图中的连通子图(如图2f中的subgraph1和subgraph2)找出；然后利用分类器对每个连通子图进行判断(图1s106，图1s107)，判断过程需要先计算连通子图对应的群组模式五个特征。如果判断结果为是则将其加入到群组模式集合中，若结果为否则对其及其对应的建筑物群组进行分割(图2c，图1s108)，又得到多个连通子图(图2d)，再次利用分类器对其进行判断。

相应的，图4还示出了一种计算机系统结构示意图，包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行以下具体所涉及的方法：

使用道路网作为全局约束条件对整个建筑物地形图进行划分，得到多个建筑物街区；

对多个建筑物街区中的每一个建筑物街区进行三角形剖分，生成约束三角形网；

基于约束三角形网计算建筑物拓扑关系、骨架线长度和平均距离指标值；

基于建筑物拓扑关系构造成一个非连通图；

对非连通图采用深度优先遍历算法得到多个连通子图；

基于训练的随机森林分类器对多个连通子图中的每一个连通子图进行群组模式识别，并将具有群组模式属性的连通子图归集到群组模式集合中；

在判断多个建筑物街区中的每一个建筑物街区都处理完毕后，采用删除、合并和化简方式对群组模式集合进行综合操作处理。

具体的，该对多个建筑物街区中的每一个建筑物街区进行三角形剖分，生成约束三角形网包括：对每一个建筑物街区内的道路和建筑物的边进行固定间隔插值，利用所有的线节点生成约束三角形网；并对连接道路的三角形、建筑物内部的三角形进行删除，得到修剪后的约束三角形网。

具体的，该基于约束三角形网计算建筑物拓扑关系、骨架线长度和平均距离指标值中：

建筑物拓扑关系：基于邻近关系指标用来指示两个对象存在的拓扑关系，公式为：r＝ri,j，其中：i＝1:n，j＝1:n,n表示建筑物个数，ri,j＝0表示建筑i与j相离，ri,j＝1表示建筑i与j相邻，ri,j＝2表示建筑i与j相接；

相邻对象骨架线：邻近对象间的骨架线由连接两个对象间的三角形的两条边的中点连线构成，公式为：l＝li，j＝∑li,j,k，其中：li,j,k表示连接两个相邻对象间的三角形的两边的中点连线，k表示第k个三角形；

平均距离：相邻对象间的平均距离根据相邻对象之间的骨架线计算得到，公式为：其中：di,j表示邻近对象i与j的平均距离，hi,j,k表示邻近对象间第k个三角形的高。

具体的，该基于建筑物拓扑关系构造成一个非连通图包括：将建筑物街区内每个建筑看作图的结点，结点之间的边用结点代表的建筑物之间的空间拓扑关系来表达，并根据建筑物拓扑关系中的邻近关系指标计算，如果是具有邻接或邻近关系的两个建筑，其对应的结点之间存在一条边，否则不存在边；对于邻近建筑距离大于指标阈值时，认定不存在邻近关系。

具体的，该对非连通图进行深度优先遍历算法得到多个连通子图包括：从非连通图中的任意结点出发，将存在边连接的结点和结点边存储到一个组合中，并将这些结点标记为已遍历，从而获取一个连通子图；然后再从任意未必被标记的结点出发，寻找有边连接的所有结点，并将这些结点存储到另外一个组合中，从而获取另外一个连通子图；循环上述过程，获取非连通图中所有的连通子图。

具体的，该基于训练的随机森林分类器对多个连通子图中的每一个连通子图进行群组模式识别包括：采用随机森林算法用人工采集的样本进行训练；基于训练的随机森林分类器对多个连通子图中的每一个连通子图进行群组模式识别，所述样本属性根据格式塔组织律的连续性、邻近性和完整性原则进行设计，包括：群组平均距离、平均距离标准差、黑白比、平均可视域面积、轮廓系数。

具体的，该基于训练的随机森林分类器对多个连通子图中的每一个连通子图进行群组模式识别包括：读取多个连通子图中的第一个连通子图；计算第一连通子图的各个特征；根据第一连通子图的各个特征构造一个分类器预测实例对象；输入分类器进行判断，若判断满足群组模式属性，则将第一连通子图加入到群组模式集合中，并将第一连通子图从多个连图子图中移除；读取多个连图子图中的第二个连图子图，继续进行群组模式识别，并直至多个连图子图中的所有连图子图都进行群组模式识别完毕。

具体的，该输入分类器进行判断之后还包括：若判断连第一通子图不满足群组模式属性时，对所述第一连通子图进行分割处理，并得到分割处理后的非连通图；并对所述分割处理后的非连通图采用深度优先遍历算法得到多个连通子图，继续进行群组模式识别过程。

具体的，该对所述第一连通子图进行分割处理，并得到分割处理后的非连通图包括：采用邻近建筑间在约束三角网中的剩余三角形数量与仅由两个建筑生成的原始三角形数量的比重表示边的权重；在图的切割过程中，如果一个三角形的边长大于图中所有三角形最长那条边减去一个步长值，那么该三角形就会被删除掉，这样就得到了剩余三角形的数量；如果剩余三角形数量与原始三角形数量的比重小于设定阈值，即边的权重小于设定阈值，则该边将被删除；在多次迭代切割过程中变成非连通图。

综上，首先采用自上而下的图的分割方法，这样就可以得到各种类型的建筑物潜在群组模式，避免了识别单一类型方法的不足；然后采用分类器对潜在群组模式进行判断，是否是群组模式，这样就避免了大量的人工参数设置；在图的分割过程中，本方法提出了采用约束三角网中的邻近建筑间的剩余三角形与仅由两个邻近对象生成的原始三角形数量的比重来表达邻近对象间的邻近度，这样可以避免大量的邻近对象间关系计算。本发明中采用随机森林分类器，能够识别多种类型群组模式。现有的方法由于设定了特定条件，只能够识别一到两种模式(如直线类型、曲线类型等)，并且这些识别特定类型模式的方法是在不同的程序中开发，很难将其集成到一个系统中。采用了精确且计算简单的邻近度表达。本方法用剩余三角形数量与原始三角形数量的比重表达邻近对象的邻近度，该指标能够反映出邻近对象间的距离、方向等空间关系。本方法采用了自动进行的图分割和分类器，其中涉及的参数全为自动获取，不需要设定经验参数。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的面向地图综合的建筑物群组模式识别的方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。