[發明專利]道路智能提取方法和裝置、提取模型構建方法及混合導航系統

在審

• 申請號: 201710014416.2
• 申請日: 2017-01-09
• 公開（公告）號: CN108288014A
• 公開（公告）日: 2018-07-17
• 發明（設計）人: 史川
• 申請（專利權）人: 北京四維圖新科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06F17/30;G01C21/36
• 代理公司: 北京市天璽沐澤專利代理事務所(普通合伙) 11532
• 代理人: 謝鑫

一種基于深度學習的衛星影像道路智能提取方法及裝置，方法為：選擇部分衛星影像圖片，將圖片中的道路用特定顏色進行標注，構建標注數據庫；采用卷積神經網絡進行自主學習，構建并利用學習模型對于新輸入的衛星影像圖像進行道路提取；對道路提取的結果進行判斷，如果是正確，則進行道路柵格矢量化，否則返回標注數據庫進行重新標注和學習；對提取出來的道路，遍歷每條道路進行道路中心線提取，串聯中心坐標形成矢量道路線。本發明通過提供大量的標注數據進行自主學習，然后對于新輸入的衛星影像圖片提取道路，并判斷提取的結果，不斷矯正錯誤，提高遙感影像道路提取的正確率和召回率。

技術領域

本發明涉及圖像識別領域，具體的，涉及利用基于深度學習的方法對衛星影像進行道路提取的方法和裝置。

背景技術

現有技術中對于道路識別，可以采用基于圖像分割的方法，或者有限元方法。對于基于圖像分割的方法，是根據一定的算法，比如K均值聚類算法、模糊C均值聚類算法等，將圖像分割成有意義的斑塊，根據斑塊的特征進行道路的識別，提取道路片段或者道路種子點。但是該方法依賴于高分辨率的遙感影像，計算量大，自動分類困難。而有限元方法，大多集中在利用道路的幾何特征性上，在低(邊緣探測和紋理分析)、中(對低層次結果分析、選擇和綜合)進行，其中部分研究結合道路模型、道路有關的知識和規則進行，但總體效果不明顯。

上述算法存在通用性不強，對于不同分辨率或者不同季節的遙感影像存在很大的提取偏差的缺陷。

因此，如何能夠克服現有技術的缺陷，提高遙感影像道路自動提取的效率，成為現有技術亟需解決的技術問題。

發明內容

有鑒于此，本發明提供一種基于深度學習的衛星影像道路智能提取方法和裝置，不依賴于傳統的圖像分割邊緣提取等算法，通過提供大量的標注數據，讓程序自主學習，不斷矯正錯誤，提高遙感影像道路提取的正確率和召回率

其中，本發明公開的一種基于深度學習的衛星影像道路智能提取方法包括如下步驟：

選擇部分衛星影像圖片，將圖片中的道路用特定顏色進行標注，從而得到訓練樣本，并構建標注數據庫；

利用對于訓練樣本，采用卷積神經網絡的方法進行自主學習，并構建學習模型，并利用所述學習模型對于新輸入的衛星影像圖像進行道路提取；

對于提取出來的道路，遍歷每條道路進行道路中心線提取，即提取每條道路取寬度的中值，將中值像素點坐標作為矢量化后道路線的節點坐標，串聯所述節點坐標形成矢量道路線。

可選的，基于上述技術方案，將待訓練圖片中的道路用特定顏色進行標注，從而得到訓練樣本，包括：將待訓練圖片中的道路用特定顏色進行面狀覆蓋，其它則覆蓋成半透明的顏色。

可選的，采用卷積神經網絡的方法進行自主學習，并構建學習模型，包括：首先自下而上進行非監督學習，在學習得到第n-1層后，將n-1層的輸出作為第n層的輸入，訓練第n層，由此分別得到各層的參數；然后再自上向下進行監督學習，基于第一步得到的各層參數進一步優化整個多層模型的參數。

可選的，基于上述技術方案，學習及提取道路步驟之后，對道路柵格矢量化步驟之前，還需要對提取出來的道路進行判斷，包括：

對道路提取的結果進行判斷，如果是正確，則進行道路柵格矢量化，否則返回標注數據庫構建步驟，將該提取結果錯誤的原始衛星影像圖片作為訓練樣本重新進行標注，以對提取模型進行訓練。

本發明還公開了一種基于深度學習的衛星影像道路智能提取裝置，該裝置包括如下單元：

訓練樣本標注單元：用于選擇部分衛星影像圖片，將圖片中的道路用特定顏色進行標注，從而得到訓練樣本，并構建標注數據庫；