[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

本發明公開了一種遙感影像的道路識別方法及其系統，該方法包括以下步驟：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。本發明的道路識別方法及其系統可以達到既快又準地提取航拍遙感數據。

技術領域

本發明涉及遙感信息處理技術領域，特別涉及一種遙感影像的道路識別技術。

背景技術

隨著無人機技術的快速發展，無人機航拍遙感具有影像實時傳輸、高危地區探測、成本低、高分辨率、機動靈活等優點，兼具衛星影像的價格和航空影像的快速采集優勢，可以通過不同航高可實現高空間、大面積監測，也可以實現低空間較小范圍精確監測，因此在國內外已得到廣泛應用。隨著無人機航拍遙感數據的大量獲取，當前的應用瓶頸在于如何高性能地自動處理所獲取的影像，而如何從海量的無人機航拍高分辨率遙感數據中提取目標有效特征就成為其中的關鍵技術。

傳統的道路提取方法是手工提取。盡管手工提取準確魯棒，這種方法耗時且低效，而且不能滿足越來越需要大量影像的實時處理需求。雖然完全自動化的方法已經研發了幾十年，道路網絡自動化提取仍然是一個開放和富有挑戰性的問題。現有的道路檢測識別方法常常通過人工設計特征表達，難以應用于海量數據，而且其過程強烈依賴于專業知識和數據本身的特征，很難從海量的數據中學習出一個有效的分類器以充分挖掘數據的內在本質，所以亟需一種能夠自動從大量數據中學習特征的方法，獲取數據中最有效的特征表征，實現信息的自動提取。近年來，自動提取目標特征往往采用深度學習(deep learning)技術框架。該框架通過建立相對復雜的網絡結構，充分挖掘數據的內在本質，取得了良好的效果。

然而，解決光照變化、遮擋、陰影和運動模糊等傳統難題依然是深度學習方法取得進一步成功的關鍵之一，也是高分辨率遙感影像智能解譯技術的難點之一。高分辨率遙感影像雖然能夠提供較多的細節信息，卻同時放大了噪聲，其分類和檢測極易受外部環境的影響。例如，道路上的陰影混淆了道路的邊界。更嚴重的是，道路的遮擋引入了道路提取的歧義性。例如，道路上汽車的遮擋而且從影像像素級別上看，被汽車遮擋的部分道路如果被分類為非道路是正確的；從影像語義信息(即從人感知的角度)看，被汽車遮擋的部分被分類為道路才是正確的。這種分類的歧義性也導致難以準確提取道路。

發明內容

本發明的目的在于提供一種遙感影像的道路識別方法及其系統，以解決目前無法準確提取航拍遙感數據的問題。

在本發明中，第一方面提供了一種遙感影像的道路識別方法，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。

本發明第二方面提供了一種遙感影像的道路識別系統，包括：

滑動窗口模塊，用于以滑動窗口的方式掃描遙感影像；

第一深度學習網絡，用于判斷所述滑動窗口模塊中的圖像塊是否屬于道路，其中所述圖像塊包含多個像素；

第二深度學習網絡，用于對所述滑動窗口模塊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，逐像素地判斷各像素是否屬于道路。

本發明實施方式與現有技術相比，主要區別及其效果在于：