[發明專利]基于高分辨率遙感影像與深度學習方法的路網核查技術

在審

• 申請號: 202110031846.1
• 申請日: 2021-01-11
• 公開（公告）號: CN112906459A
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 王九勝;許輝;柳立;程向軍;李怡霏
• 申請（專利權）人: 甘肅省公路局
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N20/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了基于高分辨率遙感影像與深度學習方法的路網核查技術，屬于路網核查技術領域，包括樣本集制作、模型訓練、路網提取和路網核查四個步驟；所述樣本集制作使用的數據集來源于高分二號衛星影像；所述模型訓練包括設置目標函數、目標函數優化和迭代訓練；所述路網提取出路網柵格二值化圖像，并對其進行矢量化，輸出路網矢量結果；所述路網核查利用緩沖區分析方法對二者的空間匹配關系進行判定。本發明極大程度上降低了人力物力成本，并且在提取效率、提取精度和普適性上更具優勢，且適用于多種地形地貌環境。

技術領域

本發明屬于路網核查技術領域，具體是基于高分辨率遙感影像與深度學習方法的路網核查技術。

背景技術

路網的大規模建設與升級改造已經極大促進了我國交通事業和經濟的發展，但同時也對路網的綜合監管提出了更高的要求。尤其對于路網核查來說，傳統的人工外業核查費時費力，且數據采集周期過長，無法滿足當下的實際工作需要，因此亟需更加智能化與自動化的技術手段。

路網核查的基礎是路網提取。高分辨率(高分)遙感作為一種先進的對地觀測手段，可全面、快速、準確、客觀地獲取大范圍地面目標的影像，非常適合于路網提取工作。國內外學者提出了各類基于高分遙感的路網自動提取算法，大幅節省人力物力，但仍存在準確率不高，提取效率低、泛化能力弱等問題。近年來飛速發展的人工智能技術，使得深度學習方法在圖像識別、檢測及追蹤等領域取得了顯著的成績，為路網提取提供了新的思路與靈感。

基于高分遙感的路網提取方法有多種。傳統上應用較多的為人工解譯方法，即通過人工目視在高分遙感影像上勾畫出道路輪廓。人工解譯雖然提取精度高，技術難度小，但在面對大范圍的路網提取任務時，具有高成本、低效率的劣勢。隨著計算設備的性能提升和路網提取算法的深入研究，國內外學者又提出了多種基于高分遙感的路網自動提取算法。這些方法大多基于分類模型，因此可以將它們大體上分為監督分類方法與無監督分類方法。其中，監督分類方法是目前較為主流的方法，包括Mnih and Hinton(2010)的人工神經網絡方法，Huang et al.(2009)的基于支持向量機的面向對象方法以及Zhu et al.(2011)的馬爾可夫隨機場方法等。無監督分類方法包括Maurya et al.(2011)的k-means聚類方法，Miao et al.(2014)的mean shift聚類方法以及Unsalan and Sirmacek(2012)的概率論和圖論方法。其他經典的方法還包括Laptev et al.(2000)的snake方法和Wegner etal.(2015)的高階CRF方法。這些方法相比人工解譯方法均大幅節省了人力物力，同時保持較高的準確率，使得路網提取的自動化成為了可能。

目前較為主流的基于高分遙感影像的路網提取方法包括人工解譯和監督分類方法。人工解譯的精度高，但是提取效率很低。傳統的監督分類方法能夠初步實現自動化提取。但其提取準確率較低，并且提取前期的需要大量的特征工程工作，而且受提取準確率較低的影響，人工后處理工作較多，導致整體提取過程速率較慢。此外在大范圍、地形地貌情況復雜地區的遷移效果不佳。

現有的監督分類路網提取方法雖然有效地降低了人工提取的成本并保持較高的提取準確率，但仍存在以下不足之處：

1)受到樹木、陰影等路面遮擋的影響，路網提取準確率仍不能達到實際應用的要求。

2)路網提取工作的前期需要大量的特征工程工作，并且由于提取準確率較低，需要大量的人工后處理工作，導致整體提取過程速率較慢，自動化程度偏低。

3)現在的方法在小范圍、特定區域內提取效果較好，但在大范圍、地形地貌情況復雜地區的遷移效果不佳。

實用新型內容

本發明的目的在于提供基于高分辨率遙感影像與深度學習方法的路網核查技術，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：