[發明專利]一種基于深度學習的無人機航拍圖像道路提取方法

有效

• 申請號: 201810189728.1
• 申請日: 2018-03-08
• 公開（公告）號: CN108416292B
• 公開（公告）日: 2020-07-31
• 發明（設計）人: 胡耀輝;白霖抒;成凱華;韓姣姣;馬泳潮;韋興旺
• 申請（專利權）人: 西安因諾航空科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

1.一種基于深度學習的無人機航拍圖像道路提取方法，其特征在于，首先對高分辨率無人機航拍圖像進行分塊，然后對分塊后的圖像使用多線程并行計算的方法計算積分圖模型，然后基于積分圖模型進行大尺度均值濾波，然后通過全卷積神經網絡得到道路分割模型，最后對道路區域進行修復，完成道路檢測，其特征在于，包括以下步驟：

S1、將高分辨率無人機航拍圖像分成若干個低分辨率的塊，對于每塊低分辨率圖像，分別得到道路分割結果，最終將圖像塊合并，得到最終的道路分割結果；

S2、設置M個線程，并行對單通道圖像按行求取累加和，等所有線程結束運算后，得到累加矩陣Sum；設置N個線程，并行對累加矩陣Sum按列求取累加和，等所有線程結束運算后，得到積分圖模型，積分圖模型如下：

I(x,y)＝Sum(G(i,j))

其中，I表示積分圖像，G表示大小為M×N的原始圖像，0≤i≤x，0≤j≤y；

S3、采用鄰域平均法對步驟S2確定的積分圖模型進行大尺度均值濾波，對待處理的當前像素點(x,y)，選擇w*w的矩形模板，求該w*w的矩形模板中所有像素的均值，再把該均值賦予當前像素點(x,y)，作為處理后圖像在該像素點(x,y)上的灰度g(x,y)如下：

其中，f(x,y)為像素點(x,y)的灰度值；

S4、設計全卷積神經網絡模型RoadNet，訓練得到道路分割模型，全卷積神經網絡模型RoadNet包括卷積層C1、下采樣層S2、卷積層C3、下采樣層S4、卷積層C5、上采樣層和SoftMax分類層，卷積層C1為第一層，卷積核的大小為3*3，步長為1，邊緣擴充一個像素，由6個特征圖構成；下采樣層S2為第二層，特征圖中的每個單元與C1中相對應特征圖的2*2鄰域相連接，由6個特征圖構成；卷積層C3為第三層，卷積核的大小為3*3，步長為1，邊緣擴充一個像素，由11個特征圖構成；下采樣層S4為第四層，特征圖中的每個單元與C2中相對應特征圖的2*2鄰域相連接，由11個特征圖構成；卷積層C5為第五層，卷積核的大小為1*1，步長為1，不進行邊緣擴充，由2個特征圖構成；上采樣層為第六層，將卷積層C5的特征圖進行雙線性插值，上采樣16倍；SoftMax分類層為第七層，輸出每一個像素屬于道路或者背景的概率值，取概率最大的作為該像素的類別；

S5、將空間360度進行均分，選取M個方向，設計長度為L個像素的射線，如果從該像素點(x,y)發出的M條射線含有的道路像素個數的均值少于L1個，則判斷該像素點(x,y)為噪聲點，將該像素點(x,y)劃分為背景區域，進行道路區域修復。

2.根據權利要求1所述的一種基于深度學習的無人機航拍圖像道路提取方法，其特征在于，步驟S1中，將分辨率為6000*4000的無人機航拍圖像分成48個分辨率為1000*500的圖像塊。

3.根據權利要求1所述的一種基于深度學習的無人機航拍圖像道路提取方法，其特征在于，像素均值具體如下：

其中，I表示圖像的積分圖，I(1)，I(2)，I(3)，I(4)是區域的四個端點，area表示面積，aver表示均值。

4.根據權利要求1所述的一種基于深度學習的無人機航拍圖像道路提取方法，其特征在于，卷積操作后特征圖尺寸計算如下：

其中，insize表示輸入尺寸，outsize表示特征圖尺寸，padding表示邊緣擴充的像素值，filtersize表示卷積核的大小，stride表示卷積步長。

5.根據權利要求4所述的一種基于深度學習的無人機航拍圖像道路提取方法，其特征在于，卷積層C3與下采樣層S2之間采用不完全連接的方式；將卷積層C5的特征圖上采樣4倍，與下采樣層S2的特征圖進行融合，最后上采樣4倍輸出，得到最終的分割圖像。

6.根據權利要求1所述的一種基于深度學習的無人機航拍圖像道路提取方法，其特征在于，步驟S5中，對于分辨率為1000*500的無人機航拍圖像塊，選擇M＝36，L＝50，L1＝10進行道路修復。