[发明专利]基于梯度提升决策树的矢量地图水印处理方法、终端

权利要求书

1.一种基于梯度提升决策树的矢量地图水印处理方法，其特征在于，所述基于梯度提升决策树的矢量地图水印处理方法包括：

S101：对矢量地图进行预处理，根据预处理后的所述矢量地图的数据构建Delaunay三角网，通过所述Delaunay三角网获取网格中每个顶点的最大扰动区域；

S102：根据所述矢量地图预处理后的数据中的特征点、非特征点进行水印嵌入，根据所述顶点与对应的最大扰动区域的位置关系以及约束条件识别所述顶点中的待纠正点，对所述待纠正点的坐标进行纠正，并对矢量地图的数据进行水印检测；

S103：根据检测到水印的矢量地图的数据生成训练集、测试集，并对所述训练集、测试集进行特征工程处理，基于处理生成的特征训练梯度提升决策树模型，判断训练后的所述梯度提升决策树模型的测试结果是否满足预设条件，若是，则执行S104，若否，则执行S103；

S104：根据所述梯度提升决策树模型预测最大扰动区域的半径，通过预测的最大扰动和约束条件对矢量地图进行水印嵌入和纠正。

2.如权利要求1所述的基于梯度提升决策树的矢量地图水印处理方法，其特征在于，所述对矢量地图进行预处理的步骤具体包括：

融合所述矢量地图中的邻近多边形，并将融合后的所述矢量地图的数据转换为线数据。

3.如权利要求1所述的基于梯度提升决策树的矢量地图水印处理方法，其特征在于，所述通过所述Delaunay三角网获取网格中每个顶点的最大扰动区域的步骤具体包括：

计算所述Delaunay三角网中每个三角形的内切圆半径，根据所述顶点的邻接三角形中的最小内切圆半径获取每个顶点的最大扰动区域。

4.如权利要求1所述的基于梯度提升决策树的矢量地图水印处理方法，其特征在于，所述根据所述矢量地图预处理后的数据中的特征点、非特征点进行水印嵌入的步骤具体包括：

通过道格拉斯-普克算法获取所述数据中的特征点、非特征点，并将水印嵌入所述非特征点中。

5.如权利要求1所述的基于梯度提升决策树的矢量地图水印处理方法，其特征在于，所述根据所述顶点与对应的最大扰动区域的位置关系以及约束条件识别所述顶点中的待纠正点的步骤具体包括：

根据所述位置关系判断所述顶点是否位于所述最大扰动区域内；

若是，则确定所述顶点不为待纠正点；

若否，则对所述顶点进行拓扑约束、方向约束检查，根据检查结果识别所述待纠正点。

6.如权利要求1所述的基于梯度提升决策树的矢量地图水印处理方法，其特征在于，所述对矢量地图的数据进行水印检测的步骤具体包括：

提取所述矢量地图的全局距离序列，对所述全局距离序列进行重排序获取第一集合，获取所述第一集合的两个子集，计算两个子集的方差比值，根据所述方差比值获取水印检测结果。

7.如权利要求6所述的基于梯度提升决策树的矢量地图水印处理方法，其特征在于，所述对所述训练集、测试集进行特征工程处理的步骤包括：

对所述训练集、测试集分别进行特征工程处理生成特征，根据生成的特征形成训练数据集、测试数据集，所述特征包括方差比值、非特征点的数量、非特征点的横坐标值、非特征点的纵坐标值、特征点的数量、特征点的横坐标值、特征点的纵坐标值、夹角最大改变率、周长变化率、面积变化率、最大扰动区域的半径。

8.如权利要求1所述的基于梯度提升决策树的矢量地图水印处理方法，其特征在于，所述判断训练后的所述梯度提升决策树模型的测试结果是否满足预设条件的步骤具体包括：

根据所述测试结果判断是否满足最大允许误差要求；

若是，则确定满足预设条件；

若否，则确定不满足预设条件。

9.如权利要求1所述的基于梯度提升决策树的矢量地图水印处理方法，其特征在于，所述根据所述梯度提升决策树模型预测最大扰动区域的半径的步骤具体包括：

将预处理的矢量地图的数据和最大允许误差输入所述梯度提升决策树模型，根据输出结果获取所述最大扰动区域的半径。

10.一种智能终端，其特征在于，所述智能终端包括处理器、存储器，所述存储器存储有计算机程序，所述处理器与所述存储器通信连接，根据所述计算机程序执行如权利要求1-9任一项所述的基于梯度提升决策树的矢量地图水印处理方法。