[發明專利]一種遙感影像的道路識別方法及其系統

有效

• 申請號: 201710108550.9
• 申請日: 2017-02-27
• 公開（公告）號: CN108509826B
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 陳曦
• 申請（專利權）人: 千尋位置網絡有限公司
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V10/44;G06K9/62
• 代理公司: 上海一平知識產權代理有限公司 31266
• 代理人: 須一平;成春榮

1.一種遙感影像的道路識別方法，其特征在于，包括以下步驟：

以滑動窗口的方式掃描遙感影像；

使用第一深度學習網絡判斷滑動窗口中的圖像塊是否屬于道路，其中所述滑動窗口中的圖像塊包含多個像素；

對所述遙感影像中被所述第一深度學習網絡判定為道路的圖像塊的邊緣部分，使用第二深度學習網絡逐像素地判斷各像素是否屬于道路；

所述第一深度學習網絡為卷積神經網絡，該卷積神經網絡至少包括卷積層和池化層，該卷積神經網絡的卷積層的特征映射為：

其中，是第k個卷積核對應的特征映射，f是卷積層的特征圖，i是目標的橫坐標，j是目標的縱坐標，k是卷積核序號，是第k個大小為nxn的卷積核，ω是卷積核，且n是卷積核長寬，也是局部圖像的長寬，D是第k-1個卷積層特征圖的輸出通道數量，R^n×n×D是卷積核對應的數據空間，a和b是卷積核和相應圖像局部區域的局部坐標，c是圖像通道索引，x是圖像局部區域，x_{i+a，j+b，c}是x第i+a行、j+b列的第c個通道，σ是非線性激勵函數，每個特征映射由第k個卷積核與x的局部大小為n×n的區域點乘得到x∈R^n×n×D；

所述卷積層之后的池化層用于計算局部非重疊的特征映射上的最大值，第k個卷積核對應的池化層為：

其中，是第k個卷積核對應的池化層，是卷積層的特征圖的局部區域，其大小為p＊p，p是局部空間區域的大小，i’是該區域的局部索引，范圍為1≤i’≤p，i是目標的橫坐標，j是目標的縱坐標，c是圖像通道索引。

2.根據權利要求1所述的遙感影像的道路識別方法，其特征在于，所述步驟″以滑動窗口的方式掃描遙感影像″包括以下子步驟：

以步長為半個車道寬度的滑動窗口方式掃描遙感影像，其中所述滑動窗口的長和寬分別為一個車道寬度。

3.根據權利要求1所述的遙感影像的道路識別方法，其特征在于，所述步驟″使用第二深度學習網絡逐像素地判斷各像素是否屬于道路″包括以下子步驟：

所述第二深度學習網絡采用至少兩個不同尺度的輸入窗口來逐像素地判斷各像素是否屬于道路。

4.根據權利要求3所述的遙感影像的道路識別方法，其特征在于，所述步驟″所述第二深度學習網絡采用至少兩個不同尺度的輸入窗口來逐像素地判斷各像素是否屬于道路″包括以下子步驟：

所述第二深度學習網絡采用其中一個輸入窗口輸入原始尺度圖像；

對所述原始尺度圖像進行不同級別下的采樣；

所述第二深度學習網絡采用其他輸入窗口輸入對所述原始尺度圖像進行不同級別下采樣后得到的圖像，逐像素地判斷各像素是否屬于道路。

5.根據權利要求3所述的遙感影像的道路識別方法，其特征在于，所述第二深度學習網絡的損失函數為：

其中，NLL(θ，D)是損失函數，θ是模型參數，D是待分析的像素集，P是概率，Y是標記變量，y∈{0，1}為Y標記變量的取值，q是對應的像素索引，y^(q)是第q個標記變量，x_s是第q個像素，x_s^(q)是像素，s是類別索引，y^(q)|x_s^(q)，θ，s是條件概率的變量，|D|是像素集大小，S是類別數量。