[發明專利]基于生成對抗網絡的無人機影像道路信息提取方法

在審

• 申請號: 201811177609.0
• 申請日: 2018-10-10
• 公開（公告）號: CN109344778A
• 公開（公告）日: 2019-02-15
• 發明（設計）人: 何磊;舒紅平
• 申請（專利權）人: 成都信息工程大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 成都方圓聿聯專利代理事務所(普通合伙) 51241
• 代理人: 李鵬

本發明公開了一種基于生成對抗網絡的無人機影像道路信息提取方法，包括步驟：獲取訓練數據；構建生成網絡；構建判別網絡；更新生成網絡和判別網絡參數；網絡訓練；提取的道路信息區域圖像；對提取的道路信息區域圖像進行形態學處理。本發明的優點在于：通過對校正的無人機遙感圖像裁切原圖和特征學習后的道路提取信息輸出的對比，發現道路信息提取效果滿足了快速識別低等級道路信息的研究目的，達成了道路信息自動提取的研究目標。

技術領域

本發明涉及無人機影像道路信息提取技術領域，特別涉及一種基于生成對抗網絡的無人機影像道路信息提取方法。

背景技術

道路作為一種重要的基礎設施，在城鎮建設、交通運輸和軍事應用等領域都扮演著重要的角色。隨著載有高分辨率傳感器的衛星大量投入使用，如何快速、準確地從高分辨率遙感影像中提取道路信息引起了眾多國內外學者的關注。在提取方法上，目前較為成熟的還是半自動的提取方法，仍未有一種真正意義上的全自動提取方法，在穩定性方面也還存在著很多問題，距離實際的應用還有很大一段距離。因此，一種穩定高效的全自動道路提取無論是在軍事上，還是GIS數據更新上都具有重大的意義。然而，遙感圖像數據量的巨大以及地表信息的復雜，使得采用人機交互提取道路信息的方法，有效率低下，不及時和不準確的技術短板，從而導致信息處理不及時和決策延誤。目前，道路上較多的車輛、房屋陰影及植被的遮擋等情況也給道路信息，尤其是低等級道路信息提取帶來了很大的干擾，因此如何高效去除干擾道路信息提取的噪聲也是亟待解決的技術難題。深度學習理論和技術的成熟使得針對圖像的信息提取準確率迅速提高，以深度學習為背景的圖像處理技術，如圖像分類^[1-2]，語義分割^[3]、網絡訓練^[4]和對抗性網絡^[5]等研究方向都成為了當前研究的熱點。

雒培磊等提出了一種使用卷積神經網絡(CNN)自適應地提取特征點的分層卷積特征進行影像配準的方法^[6]。韓潔等引入深度信念網絡對高分辨率遙感影像進行分類的操作，使得分類的總體準確率和Kappa系數最高^[7]。王港等通過深度學習神經網絡訓練“高分一號”遙感影像，實現了準確檢測機場、操場等基礎設施目標^[8]。文獻^[12]利用深度卷積神經網絡，對包含道路的圖片進行訓練，但是此方法需要人工選取種子點，只能達到半自動提取道路信息的結果。文獻^[13]等采用32*32切片的方法處理遙感圖片，利用3層卷積層+1層全鏈接層的深度學習模型判別道路像素，最后利用線積分卷積對提進一步處理結果的方法，但此方法依然需要人工參與。另外深度學習方法也被廣泛應用于地面沉降^[9]，光譜分類^[10]，特征選擇^[11]等遙感領域方方面面。

參考文獻

[1]SIMONYAN K,ZISSERMAN A.Very deep convolutional n etworks forlarge-scale image recognition[J].arXiv preprint arXiv:2014.1409-1556.

[2]REN S,HE K,GIRSHICK R,et al.Faster R-CNN:Towar ds real-time objectdetection with region proposal networks[C]//Ad vances in neural informationprocessing systems.2015:91-99.

[3]LONG J,SHELHAMER E,DARELL T.Fully convolutional networks forsemantic segmentation[C]//Proceedings of the IEEE C onference on ComputerVision and Pattern Recognition.2015:3431-3440.