[發明專利]一種基于深度學習的城中村識別和人口估計方法、系統及計算機可讀存儲介質

有效

• 申請號: 202010873246.5
• 申請日: 2020-08-26
• 公開（公告）號: CN112215059B
• 公開（公告）日: 2023-10-27
• 發明（設計）人: 陳龍彪;陸晨暉;袁方旭;王程
• 申請（專利權）人: 廈門大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V20/52;G06V10/44;G06T7/11
• 代理公司: 廈門市首創君合專利事務所有限公司 35204
• 代理人: 張松亭

1.一種基于深度學習的城中村識別和人口估計方法，其特征在于，包括城中村識別階段和城中村人口估計階段，具體步驟包括：

所述城中村識別階段：提取城市路網圖，使用opencv python包在路網圖上提取路網輪廓，在遙感衛星圖像上切割出圖像塊；對切割出的圖像塊進行城中村標注，選取樣本構成訓練樣本集，使用Mask-RCNN模型進行訓練和預測，獲取城市遙感衛星圖像上的城中村分布圖；

所述城中村人口估計階段：使用opencv python包在獲取的城市遙感衛星圖像上的城中村分布圖中切割出每一個城中村遙感衛星圖像；對城中村遙感衛星圖像，利用Mask-RCNN模型訓練預測房屋類型，計算得到房屋容量特征；將出租車和共享單車的GPS經緯度坐標映射到城中村遙感衛星圖像，統計計算得到人群移動特征；統計各類別的POI數量與城中村真實人口數量，計算兩者的斯皮爾曼相關系數，根據計算的斯皮爾曼相關系數選取POI類別，統計各類別的POI數量作為各城中村的區域功能特征；將房屋容量特征、人群移動特征和區域功能特征作為輸入，利用殘差網絡模型訓練和預測城中村人口數量。

2.根據權利要求1所述的一種基于深度學習的城中村識別和人口估計方法，其特征在于，所述提取城市路網圖，使用opencv python包在路網圖上提取路網輪廓，具體包括：

按照遙感衛星圖像的像素比例，定義同樣大小的網格；

將每個出租車的GPS坐標映射到對應的網格內，累加每個網格內的出租車數量；

設定適當的閾值，將超過閾值的網格置為白色，低于閾值的網格置為黑色，得到與衛星遙感圖像同樣大小的二值路網圖；

使用opencv python包在路網二值圖像上提取路網輪廓。

3.根據權利要求1所述的一種基于深度學習的城中村識別和人口估計方法，其特征在于，所述對切割出的圖像塊進行城中村標注，選取樣本構成訓練樣本集，使用Mask-RCNN模型進行訓練和預測，獲取城市遙感衛星圖像上的城中村分布圖，具體包括：

使用labelme圖像標注工具對圖像塊進行城中村標注；

將標注的圖像塊按大小分為三類，在每類中選取樣本構成訓練樣本集；

將在圖像訓練集上已經預訓練好的權重數據加載到Mask-RCNN模型中，再使用構建好的城中村訓練集在模型中繼續訓練；

將訓練好的模型在每個圖像塊中識別城中村，同時將每個圖像塊中識別的城中村區域按照坐標映射回原圖，獲得在城市遙感衛星圖像上的城中村分布圖。

4.根據權利要求1所述的一種基于深度學習的城中村識別和人口估計方法，其特征在于，對城中村遙感衛星圖像，利用Mask-RCNN模型訓練預測房屋類型，計算得到房屋容量特征，具體包括：

使用labelme圖像標注工具對切割的每一個城中村遙感衛星圖像，并按照根據房屋類型對房屋進行房屋標注，選擇標注圖像構建訓練樣本集；

將訓練樣本集輸入Mask-RCNN模型進行訓練至收斂；

將訓練后的模型對每一個城中村遙感衛星圖像房屋類型進行預測，將預測的房屋類型mask映射回原圖得到城中村的房屋類型識別結果，同時統計不同類型房屋的數量；

將城中村各類型房屋數量帶入城中村人口容量經驗公式，得到房屋容量特征。

5.根據權利要求1所述的一種基于深度學習的城中村識別和人口估計方法，其特征在于，所述選取POI類別包括：購物、生活服務、醫療、餐飲、交通設施、休閑娛樂、地產小區、公司企業、汽車服務和政府機構。

6.根據權利要求1所述的一種基于深度學習的城中村識別和人口估計方法，其特征在于，將房屋容量特征、人群移動特征和區域功能特征作為輸入，利用殘差網絡模型訓練和預測城中村人口數量，具體包括：

提取每個城中村的房屋容量特征、人群移動特征和區域功能特征和真實人口數據，構建訓練集；

構建殘差網絡模型，在訓練集上進行訓練至收斂；

在訓練好的模型上，將房屋容量特征、人群移動特征和區域功能特征作為輸入，預測出城中村人口數量。