[發明專利]基于高階空間信息全局自動感知的道路提取方法和系統

有效

• 申請號: 201911016522.X
• 申請日: 2019-10-24
• 公開（公告）號: CN110751111B
• 公開（公告）日: 2021-04-27
• 發明（設計）人: 解巖;苗放;周凱;彭京;葛城;吳志強;鐘波;羅曦;劉力;廖家偉;向飛;鄭建波;包婕瑜;王冠立;李成富
• 申請（專利權）人: 成都大成均圖科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 張超

本發明公開了基于高階空間信息全局自動感知的道路提取方法，包括根據預設的深度卷積分層模型編碼生成空間特征；采用雙線性池化生成道路提取特征資源池；根據道路提取特征資源池進行帶權重的特征空間再分配；帶權重的特征空間再分配為根據道路和背景每個局部特征位置的需求從整個道路提取特征資源池中互補性地選擇特征進行再分配。本發明還公開了基于高階空間信息全局自動感知的道路提取系統。本發明將編碼生成的特征和全局空間信息整體有機地結合起來，避免了局部空間信息學習中造成的空間信息損失和不連續問題，有效地提高了道路提取評價指標，同時減少了模型參數，降低運行時間，實現道路區域的智能分割提取，本發明也適合其他對象語義分割。

技術領域

本發明涉及遙感影像處理技術、神經網絡算法、計算機視覺語義分割技術，具體涉及基于高階空間信息全局自動感知的道路提取方法和系統。

背景技術

本文涉及的問題領域是從遙感影像中提取道路區域。基于遙感影像的道路分割在數字化地圖生成、道路網絡更新、城市規劃、自動駕駛、路徑規劃、道路導航、道路破損檢測、自然災害、應急救援等領域有廣泛的應用場景。

道路的語義分割是一項具有挑戰性的任務。不同于提取道路骨架信息，需要將每個屬于道路的像素點標注為道路，剩余的標注為背景，屬于二元語義分割問題。相比一般的語義分割對象，道路分割提取有其獨特性和困難性，具體屬性表現：(1)道路狹長，雖占據整張影像比例偏小，但往往整體跨度覆蓋整張影像；(2)幾何特征與河流、鐵路、溝壑等相似，專業人員也難以判別；(3)紋理特征容易與周邊背景環境混淆；(4)因樹木、陰影、建筑物等遮擋造成提取的道路不連通；(5)拓撲關系復雜，特別在多條道路相互交叉處，僅這一點對于道路提取的精度就是挑戰。這些屬性給遙感影像道路提取帶來困難，也使得眾多語義分割方法在道路語義分割任務中適用性變弱。

FCN因較小的有效感知域的限制，在捕獲長距離信息和上下文語義關系方面的能力相對較弱。為此，諸多工作者提出了高效的多尺度上下文語義特征融合模塊，像Deeplab的空洞卷積、PSPNet的金字塔池化模塊，以及不同分辨率下低維與高維特征有效融合的端到端(Encoder-Decoder)網絡，像U-Net、和在計算和內存方面表現高效的LinkNet等等。然而，上述方法的共同特點是學習了部分空間信息獲取局部關聯特征，不利于大跨度、背景復雜、拓撲連通難的道路分割任務。同時，道路分割的場景應用越來越廣泛，隨著邊緣、端側需求的快速增長，分割模型部署到終端的需求增多，對模型大小要求嚴格。

遙感影像道路區域提取困難，但在傳統方法、機器學習、深度學習(熱點方向)不斷發展過程中，也積累了一些成果。傳統方法中，利用手工設計的有限元模型，通過結合上下文先驗來增強道路連接性，比如High-order CRF、Junction-point processes等等。機器學習方面，Song和Civco提出了一種利用形狀指數特征和SVM檢測道路區域的方法。Das等人利用道路的兩個顯著特征，設計了一個多級框架，利用支持向量機從高分辨率多光譜圖像中提取道路。Alshehhi和Marpu提出了一種基于分層圖像分割的無監督道路提取方法。這些基于先驗知識的設計方法隨著神經網絡、深度學習的不斷發展也開啟了自主學習的道路。