[發(fā)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(tǒng)

在審

• 申請?zhí)枺?/td>: 201710014416.2
• 申請日: 2017-01-09
• 公開（公告）號: CN108288014A
• 公開（公告）日: 2018-07-17
• 發(fā)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(wèi)星影像道路智能提取方法及裝置，方法為：選擇部分衛(wèi)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(shù)據(jù)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(wèi)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(shù)據(jù)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(lián)中心坐標形成矢量道路線。本發(fā)明通過提供大量的標注數(shù)據(jù)進行自主學習，然后對于新輸入的衛(wèi)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(fā)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(wèi)星影像進行道路提取的方法和裝置。

背景技術

現(xiàn)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(jù)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(jù)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(guī)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(jié)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(xiàn)有技術的缺陷，提高遙感影像道路自動提取的效率，成為現(xiàn)有技術亟需解決的技術問題。

發(fā)明內容

有鑒于此，本發(fā)明提供一種基于深度學習的衛(wèi)星影像道路智能提取方法和裝置，不依賴于傳統(tǒng)的圖像分割邊緣提取等算法，通過提供大量的標注數(shù)據(jù)，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(fā)明公開的一種基于深度學習的衛(wèi)星影像道路智能提取方法包括如下步驟：

選擇部分衛(wèi)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(shù)據(jù)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(wèi)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(jié)點坐標，串聯(lián)所述節(jié)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(jiān)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(shù)；然后再自上向下進行監(jiān)督學習，基于第一步得到的各層參數(shù)進一步優(yōu)化整個多層模型的參數(shù)。

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(shù)據(jù)庫構建步驟，將該提取結果錯誤的原始衛(wèi)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(fā)明還公開了一種基于深度學習的衛(wèi)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(wèi)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(shù)據(jù)庫；