CN107944377A - 一种交通基础设施安全监控方法和系统 - Google Patents
一种交通基础设施安全监控方法和系统 Download PDFInfo
- Publication number
- CN107944377A CN107944377A CN201711157287.9A CN201711157287A CN107944377A CN 107944377 A CN107944377 A CN 107944377A CN 201711157287 A CN201711157287 A CN 201711157287A CN 107944377 A CN107944377 A CN 107944377A
- Authority
- CN
- China
- Prior art keywords
- road
- remote sensing
- information
- sensing image
- subintervals
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Abstract
本发明公开了一种交通基础设施安全监控方法和系统,该方法融合高分辨率光学遥感与合成孔径雷达干涉测量技术的道路提取与监测技术,利用光学遥感影像进行地表信息的识别与提取,进行地表分类、道路提取等;基于雷达遥感影像,使用InSAR技术获取更深层的结构信息,如交通设施的沉降、变形等。通过光学遥感与雷达遥感的结合,可协同实现对道路路面状态的识别与交通设施所处地表形变情况的高精度监测,为提升道路通行安全提供有效支持。
Description
技术领域
本发明涉及基础设施监控技术领域,特别涉及一种交通基础设施安全监控方法和系统。
背景技术
交通基础设施的建设水平直接反映了一个国家的经济实力与发展水平,我国作为发展中国家,一直大力推进交通基础设施的建设工作。据2016年交通运输行业统计公报,至2016年末,我国铁路营业里程达到12.4万公里,公路总里程469.63公里,内河航道通航里程12.71万公里,颁证民用航空机场218个。
交通基础设施建设是发展交通运输业、提升国民经济实力的基础环节,然而,随着基础设施数量的不断增加,交通安全事故数量也在逐年升高。在我国,交通安全事故可分为三类,第一类是由地震、泥石流、暴雨等自然灾害所引起的交通基础设施阻断或损害;第二类是由于人为造成的安全事故;第三类则是由于基础设施使用损耗造成的安全事故。基于以上三点,如何有效地进行交通基础设施的监测预警,以及如何在灾害发生时进行快速地应急处置便成了促进交通运输业健康发展的关键技术环节。
受限于技术发展水平,在交通应急安全领域,相关人员更多地是采用人工方式来进行基础设施的巡测以及灾害事故中应急方案规划。然而,传统的方法不仅需要投入大量的人力物力,而且一般只能针对小范围区域开展,且时效性较差,不能快速、有效地解决问题。
近年来,随着遥感技术的日益发展,大范围、高时效地获取地表观测影像已成为可能,尤其是高分辨率遥感卫星的相继发射,为人们提供给了更多的地表细节特征。基于遥感影像的信息提取与识别技术,近年来也得到了广泛的发展,如基于影像灰度的图像分割技术,基于支持向量机的影像分类技术以及基于深度学习网络的目标识别技术等。此外,由于微波遥感影像不易受地面条件、天气状况的限制,基于微波技术的相关应用也得到了迅速发展,如洪水监测、冻土区监测、地基沉降及形变等。
因此,亟需要一种能够有效判定和分析交通基础设施灾害预警和应急处理的方案,以满足目前对于交通基础设施的分析监控需求。
发明内容
本发明提供一种交通基础设施安全监控方法和系统,能够实现对道路的提取与设施状态的监测。
根据本发明的一个方面,提供了一种交通基础设施安全监控方法,包括以下步骤:
根据待监测区域的光学遥感影像进行地表信息的识别与提取;
根据待监测区域的雷达遥感影像,使用合成孔径雷达干涉测量InSAR技术获取地表深层的结构信息;
对所述地表信息和地表深层的结构信息进行空间匹配融合,得到融合信息;
对所述融合信息进行归一化处理后进行掩膜生成,提取出待监测区域的地基形变信息。
所述地表信息的识别和提取,包括地表分类和道路提取;
所述道路提取基于卷积神经网络算法进行。
所述卷积神经网络算法具体包括:
通过卷积神经网络对待监测区域的光学遥感影像区域进行分类,得到像素的分类结果;
将所述分类结果作为二值图像,通过分析二值图像联通区域的大小对识别结果进行筛选,得到最终的道路提取结果。
所述方法还包括:
对所述卷积神经网络算法得到的道路提取结果进行分段线性平滑,得到道路路网信息。
所述分段线性平滑,包括:
A、根据形态学方法对初始道路提取结果进行预处理,包括但不限于边缘平滑和连接离散路块,输出道路中心线图像的二值图;
B、任意给定一道路起点及初始方向,进行道路搜索及编码排序;
C、以设定的固定步长,将道路分为若干子区间,并采用下列公式对子区间内道路进行线性近似:
其中,i为第i段子区间;xi和yi分别为子区间在二值图像的坐标信息;M为子区间个数;a和b为子区间道路线性拟合系数;
D、采用下列公式对任意三段相邻子区间的共线性进行检测:
Collinear(ki-1,ki,ki+1)<τ
其中ki为第i段线性函数的斜率;τ为共线性阈值;
若结果满足共线性阈值,则将三段子区间作为整体,重新进行线性拟合,得到线性函数系数;
E、重复步骤D,直至完成对全部子区间的共线性检测,得到最终的道路路网中心线;
F、对道路子区间内的初始道路提取结果进行统计分析,得到路宽阈值,采用缓冲区的形式,自动生成道路区间。
所述对所述地表信息和地表深层的结构信息进行空间匹配融合,包括:
建立待监测区域内的标准格网;
基于建立的标准格网对光学遥感影像的地表信息和雷达遥感影像的结构信息进行双线性差值,对不同空间分辨率影像进行配准;
将雷达遥感影像的结构信息中的低置信度观测点剔除;
根据配准映射关系,完成雷达遥感影像的结构信息到光学遥感影像的地表信息的匹配融合。
根据本发明的另一个方面,提供一种交通基础设施安全监控系统,包括光学遥感影像处理单元、雷达遥感影像处理单元、空间匹配融合单元和基础设施监测单元,其中,
所述光学遥感影像处理单元,用于根据待监测区域的光学遥感影像进行地表信息的识别与提取;
所述雷达遥感影像处理单元,用于根据待监测区域的雷达遥感影像,使用合成孔径雷达干涉测量InSAR技术获取地表深层的结构信息;
所述空间匹配融合单元,用于对所述地表信息和地表深层的结构信息进行空间匹配融合,得到融合信息;
所述基础设施监测单元,用于对所述融合信息进行归一化处理并进行掩膜生成,提取出待监测区域的地基形变信息。
所述光学遥感影像处理单元,还用于:
通过卷积神经网络对待监测区域的光学遥感影像区域进行分类,得到像素的分类结果;
将所述分类结果作为二值图像,通过分析二值图像联通区域的大小对识别结果进行筛选,得到最终的道路提取结果。
所述光学遥感影像处理单元,还用于:
对所述卷积神经网络算法得到的道路提取结果进行分段线性平滑,得到道路路网信息;所述分段线性平滑,包括:
A、根据形态学方法对初始道路提取结果进行预处理,包括但不限于边缘平滑和连接离散路块,输出道路中心线图像的二值图;
B、任意给定一道路起点及初始方向,进行道路搜索及编码排序;
C、以设定的固定步长,将道路分为若干子区间,并采用下列公式对子区间内道路进行线性近似:
其中,i为第i段子区间;xi和yi分别为子区间在二值图像的坐标信息;M为子区间个数;a和b为子区间道路线性拟合系数;
D、采用下列公式对任意三段相邻子区间的共线性进行检测:
Collinear(ki-1,ki,ki+1)<τ
其中ki为第i段线性函数的斜率;τ为共线性阈值;
若结果满足共线性阈值,则将三段子区间作为整体,重新进行线性拟合,得到线性函数系数;
E、重复步骤D,直至完成对全部子区间的共线性检测,得到最终的道路路网中心线;
F、对道路子区间内的初始道路提取结果进行统计分析,得到路宽阈值,采用缓冲区的形式,自动生成道路区间。
所述空间匹配融合单元,还用于:
建立待监测区域内的标准格网;
基于建立的标准格网对光学遥感影像的地表信息和雷达遥感影像的结构信息进行双线性差值,对不同空间分辨率影像进行配准;
将雷达遥感影像的结构信息中的低置信度观测点剔除;
根据配准映射关系,完成雷达遥感影像的结构信息到光学遥感影像的地表信息的匹配融合。
采用本发明的技术方案,提出了一种融合高分辨率光学遥感与合成孔径雷达干涉测量技术的道路提取与监测技术。利用光学遥感影像进行地表信息的识别与提取,进行地表分类、道路提取等;基于雷达遥感影像,使用InSAR技术获取更深层的结构信息,如交通设施的沉降、变形等。通过光学遥感与雷达遥感的结合,可协同实现对道路路面状态的识别与交通设施所处地表形变情况的高精度监测,为提升道路通行安全提供有效支持。
本发明从技术应用的角度出发,提出了融合高分辨率光学遥感与雷达遥感技术的道路基础设施安全监测方法。本发明的技术方案同样适用于其他基础设施的状态监测,如机场跑道、轨道交通、桥梁等。本文所提出的技术应用不仅能够对基础设施的状态进行有效监测,同时也可为日常维护管理提供有力的科学依据,为交通通行安全提供有效保障,促进交通行业的健康发展。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例一中交通基础设施安全监控原理流程图;
图2为本发明实施例一中进行路网提取的结果示意图;
图3为本发明实施例一中初始路网与后处理路网对比示意图;
图4为本发明实施例一中基于InSAR技术的地表形变分析结果示意图;
图5为本发明实施例二中交通基础设施安全监控系统结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
随着相关技术的不断发展,高分遥感技术与交通应急安全领域的技术融合在近年来已逐渐成为研究的热点问题之一。为更好地促进高分技术在未来交通领域中的应用以及成果转化,本文以道路基础设施为例,提出了一种融合高分辨率光学遥感与InSAR(Interferometric Synthetic Aperture Radar,合成孔径雷达干涉测量)技术的道路提取与监测技术。首先,利用光学遥感影像进行地表信息的识别与提取,进行地表分类、道路提取等;然后,基于雷达遥感影像,使用InSAR技术获取更深层的结构信息,如交通设施的沉降、变形等。通过光学遥感与雷达遥感的结合,可协同实现对道路路面状态的识别与交通设施所处地表形变情况的高精度监测,为提升道路通行安全提供有效支持。
图1为本发明实施例一中交通基础设施安全监控流程图。如图1所示,该交通基础设施安全监控流程包括以下步骤:
步骤101、根据待监测区域的光学遥感影像进行地表信息的识别与提取。
在快速发展的城市和地区,路网信息要求精度准确、需要及时更新,未及时更新路网信息而导致的交通事故及二次事故频发是发达国家和发展中国家普遍面临的问题。及时的更新道路网信息对地区的宏观管理、交通运输、出行导航、应急事务处理等具有非常重要的意义。科学技术的快速发展,使得交通路网信息的提取技术和提取算法发展迅速。随着空间分辨率的不断提高,遥感信息为地理信息库的更新带来了便利,高分辨率遥感影像开始广泛应用于路网信息的提取。
实际上,待监测区域的光学遥感影像进行的地表信息识别和提取,主要是地表分类和道路提取。地表分类是对影像中地表的分类识别和提取。道路提取是对于影像中道路信息的具体提取过程。由于本实施例主要以交通基础设施为例,说明本发明的技术原理,因而,此处以道路信息的提取方案为例来说明本发明的具体原理和实现方案。
道路提取的过程主要基于卷积神经网络算法。卷积神经网络算法的道路提取技术,通常需要使用训练数据进行网络模型的建立。道路典型特征库的建立首先是利用其形态、结构、连通性等特征进行典型遥感样本的提取、分类与统计分析,然后根据统计结果尽可能都的涵盖全部典型的道路特征单元,道路特征库的数量将直接影响算法的识别与提取精度。如表1为典型道路提取特征库样例表。
表1.典型道路特征库样例表
随着深度学习技术的出现与发展,自主学习特征已成为可能,网络层数的增加也使得神经网络的分类能力更强。通过卷积神经网络对图像区域进行分类,可得到像素的分类结果,然后将分类结果看作是二值图像,通过分析二值图像联通区域的大小对识别结果进行筛选便可得到最终的提取结果。图2为应用上述方法进行路网提取的结果示意图,其中,图2a为原始影像,图2b为道路识别结果影像。
通过上述自动化算法,可以快速从大范围区域中提取路网道路信息后,并从中寻找到因滑坡、泥石流等自然灾害导致的路网中断、路面损伤,快速判断路面状况,为应急响应提供有效支持。但是,在具体应用时,简单采用卷积神经网络算法得到的路网往往是不规则的点集,在实际的工程应用中,往往还需要对提取结果做进一步的处理,完成最终的道路提取,如常见的形态学方法、统计学方法等。本实施例以基础设施的状态监测为例,采用分段线性平滑算法来具体说明,本实施例对具体的算法不做限定。
A、利用形态学方法,对初始路网进行预处理,包括边缘平滑,连接离散路块等操作,并最终输出道路中心线图像(二值图);
B、任意给定一道路起点及初始方向,进行道路搜索及编码排序;
C、以固定步长,将道路分为若干子区间,并采用公式(1)对子区间内道路进行线性近似:
其中,i为第i段子区间;xi和yi分别为子区间在二值图像的坐标信息;M表示子区间个数;a和b为子区间道路线性拟合系数。
D、采用公式(2)对任意三段相邻子区间的共线性进行检测:
Collinear(ki-1,ki,ki+1)<τ 公式(2)
其中ki为第i段线性函数的斜率;τ为共线性阈值。
若满足共线性阈值,则将三段子区间作为整体,重新进行线性拟合,得到线性函数系数。
E、重复步骤D,直至完成对全部子区间的共线性检测,得到最终的路网中心线;
F、对道路子区间内的初始路网进行统计分析,得到路宽阈值,并采用缓冲区的形式,自动生成道路区间。
具体参见图3,为初始路网与后处理路网对比示意图。
步骤102、根据待监测区域的雷达遥感影像,使用合成孔径雷达干涉测量InSAR技术获取地表深层的结构信息。
利用SAR影像获取地表特征信息的原理在于不同地物的后向散射差异,当地表内部结构发生变化时,其卫星传感器接受到的信息也会随之变化。基于这一原理,多时相的SAR影像可广泛用于交通基础设施的形变调查研究中。
本实施例中,合成孔径雷达干涉技术(InSAR)是主动微波成像传感器的一种干涉测量模式,通过对同一区域具有一定角度差和相关性的影像进行干涉处理,检测其相位差,并按照一定的几何关系进行转换,最终实现对观测区域地形高度数据的获取。为保障数据精度,所基于的雷达影像通常要达到空间分辨率3米以上,多时相影像数量7景以上。在工程测量中,为保障数据精度,一般还可采用永久散射体(Permanent Scatterers InSAR,PSInSAR)技术。PSInSAR技术对数据质量要求较高,如果研究区域自然永久散射点较少,可人为架设角反射器作为补充。当雷达电磁波扫描到角反射器后,电磁波在金属角上形成很强的雷达反射回波信号。在PSInSAR中,角反射器可以起到骨干控制网的作用,并且在修正大气效应误差、提高干涉相位计算精度,以及关键算法研究和验证中发挥重要价值。图4为基于InSAR技术的地表形变结果图,其中,不同颜色代表地表的沉降速度,红色表示形变速度快的区域。
步骤103,对地表信息和地表深层的结构信息进行空间匹配融合,得到融合信息。
区别于光学遥感影像的灰度信息,InSAR的分析结果能够提供直观的地表形变信息,但SAR遥感数据的可视化效果远不如光学影像,即虽然能获取某一空间坐标点的形变量,但是无法直观的看到这一点是什么地物。所以,通常需要将基于光学遥感影像所提取的道路影像和InSAR结果进行匹配融合,实现二者信息的叠加互补。然而,由于光学遥感影像和雷达影像在观测时间、成像模式上存在差异,在进行数据融合时,首先需要对两种影像进行空间匹配,而匹配的精度也将直接影像最终的数据分析以及数据挖掘的合理与准确性。
针对这一问题,一种有效的融合方法是:1)建立目标区域内的标准格网;2)基于建立的标准格网对光学遥感影像和雷达遥感影像进行双线性差值,对不同空间分辨率影像的配准;3)将InSAR结果中的低置信度观测点剔除,按照上一步的配准映射关系,完成InSAR结果到光学影像数据间的匹配融合。
步骤104,对融合信息进行归一化处理后进行掩膜生成,提取出待监测区域的地基形变信息。
本实施例中,对融合信息进行归一化处理后,完成影像间的信息融合,利用归一化后的道路影像进行掩膜生成,并结合归一化形变数据提取出目标道路区域的地基形变信息,进行后续的数据分析与挖掘,从而实现对道路的提取与设施状态的监测,如道路使用损耗情况、灾后可通行能力以及区域内路网连通性的分析等方面。
本发明的技术方案,从技术应用的角度出发,提出了融合高分辨率光学遥感与雷达遥感技术的道路基础设施安全监测方法。本文虽然仅以道路设施为例,但其思路同样适用于其他基础设施的状态监测,如机场跑道、轨道交通、桥梁等。本文所提出的技术应用不仅能够对基础设施的状态进行有效监测,同时也可为日常维护管理提供有力的科学依据,为交通通行安全提供有效保障,促进交通行业的健康发展。
为了实现上述流程,本发明技术方案还提供交通基础设施安全监控系统,如图5所示,该交通基础设施安全监控系统包括光学遥感影像处理单元201、雷达遥感影像处理单元202、空间匹配融合单元203和基础设施监测单元204,其中,
所述光学遥感影像处理单元201,用于根据待监测区域的光学遥感影像进行地表信息的识别与提取;
所述雷达遥感影像处理单元202,用于根据待监测区域的雷达遥感影像,使用合成孔径雷达干涉测量InSAR技术获取地表深层的结构信息;
所述空间匹配融合单元203,用于对所述地表信息和地表深层的结构信息进行空间匹配融合,得到融合信息;
所述基础设施监测单元204,用于对所述融合信息进行归一化处理并进行掩膜生成,提取出待监测区域的地基形变信息。
进一步的,上述光学遥感影像处理单元201,还用于:
通过卷积神经网络对待监测区域的光学遥感影像区域进行分类,得到像素的分类结果;
将所述分类结果作为二值图像,通过分析二值图像联通区域的大小对识别结果进行筛选,得到最终的道路提取结果。
进一步的,上述光学遥感影像处理单元201,还用于:
对所述卷积神经网络算法得到的道路提取结果进行分段线性平滑,得到道路路网信息;所述分段线性平滑,包括:
A、根据形态学方法对初始道路提取结果进行预处理,包括但不限于边缘平滑和连接离散路块,输出道路中心线图像的二值图;
B、任意给定一道路起点及初始方向,进行道路搜索及编码排序;
C、以设定的固定步长,将道路分为若干子区间,并采用下列公式对子区间内道路进行线性近似:
其中,i为第i段子区间;xi和yi分别为子区间在二值图像的坐标信息;M为子区间个数;a和b为子区间道路线性拟合系数;
D、采用下列公式对任意三段相邻子区间的共线性进行检测:
Collinear(ki-1,ki,ki+1)<τ
其中ki为第i段线性函数的斜率;τ为共线性阈值;
若结果满足共线性阈值,则将三段子区间作为整体,重新进行线性拟合,得到线性函数系数;
E、重复步骤D,直至完成对全部子区间的共线性检测,得到最终的道路路网中心线;
F、对道路子区间内的初始道路提取结果进行统计分析,得到路宽阈值,采用缓冲区的形式,自动生成道路区间。
进一步的,上述空间匹配融合单元203,还用于:
建立待监测区域内的标准格网;
基于建立的标准格网对光学遥感影像的地表信息和雷达遥感影像的结构信息进行双线性差值,对不同空间分辨率影像进行配准;
将雷达遥感影像的结构信息中的低置信度观测点剔除;
根据配准映射关系,完成雷达遥感影像的结构信息到光学遥感影像的地表信息的匹配融合。
综上所述,本发明的技术方案,提出了一种融合高分辨率光学遥感与合成孔径雷达干涉测量技术的道路提取与监测技术。利用光学遥感影像进行地表信息的识别与提取,进行地表分类、道路提取等;基于雷达遥感影像,使用InSAR技术获取更深层的结构信息,如交通设施的沉降、变形等。通过光学遥感与雷达遥感的结合,可协同实现对道路路面状态的识别与交通设施所处地表形变情况的高精度监测,为提升道路通行安全提供有效支持。
本发明从技术应用的角度出发,提出了融合高分辨率光学遥感与雷达遥感技术的道路基础设施安全监测方法。本发明的技术方案同样适用于其他基础设施的状态监测,如机场跑道、轨道交通、桥梁等。本文所提出的技术应用不仅能够对基础设施的状态进行有效监测,同时也可为日常维护管理提供有力的科学依据,为交通通行安全提供有效保障,促进交通行业的健康发展。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种交通基础设施安全监控方法,其特征在于,包括以下步骤:
根据待监测区域的光学遥感影像进行地表信息的识别与提取;
根据待监测区域的雷达遥感影像,使用合成孔径雷达干涉测量InSAR技术获取地表深层的结构信息;
对所述地表信息和地表深层的结构信息进行空间匹配融合,得到融合信息;
对所述融合信息进行归一化处理后进行掩膜生成,提取出待监测区域的地基形变信息。
2.根据权利要求1所述的一种交通基础设施安全监控方法,其特征在于,所述地表信息的识别和提取,包括地表分类和道路提取;
所述道路提取基于卷积神经网络算法进行。
3.根据权利要求2所述的一种交通基础设施安全监控方法,其特征在于,所述卷积神经网络算法具体包括:
通过卷积神经网络对待监测区域的光学遥感影像区域进行分类,得到像素的分类结果;
将所述分类结果作为二值图像,通过分析二值图像联通区域的大小对识别结果进行筛选,得到最终的道路提取结果。
4.根据权利要求2或3所述的一种交通基础设施安全监控方法,其特征在于,所述方法还包括:
对所述卷积神经网络算法得到的道路提取结果进行分段线性平滑,得到道路路网信息。
5.根据权利要求4所述的一种交通基础设施安全监控方法,其特征在于,所述分段线性平滑,包括:
A、根据形态学方法对初始道路提取结果进行预处理,包括但不限于边缘平滑和连接离散路块,输出道路中心线图像的二值图;
B、任意给定一道路起点及初始方向,进行道路搜索及编码排序;
C、以设定的固定步长,将道路分为若干子区间,并采用下列公式对子区间内道路进行线性近似:
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo><</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo><</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>3</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>M</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>M</mi>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>M</mi>
</mrow>
</msub>
<mo><</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>M</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,i为第i段子区间;xi和yi分别为子区间在二值图像的坐标信息;M为子区间个数;a和b为子区间道路线性拟合系数;
D、采用下列公式对任意三段相邻子区间的共线性进行检测:
Collinear(ki-1,ki,ki+1)<τ
其中ki为第i段线性函数的斜率;τ为共线性阈值;
若结果满足共线性阈值,则将三段子区间作为整体,重新进行线性拟合,得到线性函数系数;
E、重复步骤D,直至完成对全部子区间的共线性检测,得到最终的道路路网中心线;
F、对道路子区间内的初始道路提取结果进行统计分析,得到路宽阈值,采用缓冲区的形式,自动生成道路区间。
6.根据权利要求书1所述的一种交通基础设施安全监控方法,其特征在于,所述对所述地表信息和地表深层的结构信息进行空间匹配融合,包括:
建立待监测区域内的标准格网;
基于建立的标准格网对光学遥感影像的地表信息和雷达遥感影像的结构信息进行双线性差值,对不同空间分辨率影像进行配准;
将雷达遥感影像的结构信息中的低置信度观测点剔除;
根据配准映射关系,完成雷达遥感影像的结构信息到光学遥感影像的地表信息的匹配融合。
7.一种交通基础设施安全监控系统,其特征在于,包括光学遥感影像处理单元、雷达遥感影像处理单元、空间匹配融合单元和基础设施监测单元,其中,
所述光学遥感影像处理单元,用于根据待监测区域的光学遥感影像进行地表信息的识别与提取;
所述雷达遥感影像处理单元,用于根据待监测区域的雷达遥感影像,使用合成孔径雷达干涉测量InSAR技术获取地表深层的结构信息;
所述空间匹配融合单元,用于对所述地表信息和地表深层的结构信息进行空间匹配融合,得到融合信息;
所述基础设施监测单元,用于对所述融合信息进行归一化处理并进行掩膜生成,提取出待监测区域的地基形变信息。
8.根据权利要求7所述的一种交通基础设施安全监控系统,其特征在于,所述光学遥感影像处理单元,还用于:
通过卷积神经网络对待监测区域的光学遥感影像区域进行分类,得到像素的分类结果;
将所述分类结果作为二值图像,通过分析二值图像联通区域的大小对识别结果进行筛选,得到最终的道路提取结果。
9.根据权利要求8所述的一种交通基础设施安全监控系统,其特征在于,所述光学遥感影像处理单元,还用于:
对所述卷积神经网络算法得到的道路提取结果进行分段线性平滑,得到道路路网信息;所述分段线性平滑,包括:
A、根据形态学方法对初始道路提取结果进行预处理,包括但不限于边缘平滑和连接离散路块,输出道路中心线图像的二值图;
B、任意给定一道路起点及初始方向,进行道路搜索及编码排序;
C、以设定的固定步长,将道路分为若干子区间,并采用下列公式对子区间内道路进行线性近似:
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo><</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo><</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>3</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>M</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>M</mi>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>M</mi>
</mrow>
</msub>
<mo><</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>M</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,i为第i段子区间;xi和yi分别为子区间在二值图像的坐标信息;M为子区间个数;a和b为子区间道路线性拟合系数;
D、采用下列公式对任意三段相邻子区间的共线性进行检测:
Collinear(ki-1,ki,ki+1)<τ
其中ki为第i段线性函数的斜率;τ为共线性阈值;
若结果满足共线性阈值,则将三段子区间作为整体,重新进行线性拟合,得到线性函数系数;
E、重复步骤D,直至完成对全部子区间的共线性检测,得到最终的道路路网中心线;
F、对道路子区间内的初始道路提取结果进行统计分析,得到路宽阈值,采用缓冲区的形式,自动生成道路区间。
10.根据权利要求8所述的一种交通基础设施安全监控系统,其特征在于,所述空间匹配融合单元,还用于:
建立待监测区域内的标准格网;
基于建立的标准格网对光学遥感影像的地表信息和雷达遥感影像的结构信息进行双线性差值,对不同空间分辨率影像进行配准;
将雷达遥感影像的结构信息中的低置信度观测点剔除;
根据配准映射关系,完成雷达遥感影像的结构信息到光学遥感影像的地表信息的匹配融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711157287.9A CN107944377B (zh) | 2017-11-20 | 2017-11-20 | 一种交通基础设施安全监控方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711157287.9A CN107944377B (zh) | 2017-11-20 | 2017-11-20 | 一种交通基础设施安全监控方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107944377A true CN107944377A (zh) | 2018-04-20 |
CN107944377B CN107944377B (zh) | 2020-05-15 |
Family
ID=61930253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711157287.9A Active CN107944377B (zh) | 2017-11-20 | 2017-11-20 | 一种交通基础设施安全监控方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944377B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145718A (zh) * | 2018-07-04 | 2019-01-04 | 国交空间信息技术(北京)有限公司 | 基于拓扑感知的遥感影像的路网提取方法及装置 |
CN111199649A (zh) * | 2018-10-31 | 2020-05-26 | 施乐公司 | 使用探地雷达数据进行基础结构评估和监测 |
CN112488046A (zh) * | 2020-12-15 | 2021-03-12 | 中国科学院地理科学与资源研究所 | 一种基于无人机高分辨率影像的车道线提取方法 |
CN115620149A (zh) * | 2022-12-05 | 2023-01-17 | 耕宇牧星(北京)空间科技有限公司 | 一种基于遥感图像的道路检测方法 |
CN116504070A (zh) * | 2023-06-27 | 2023-07-28 | 苏州旭安交通科技有限公司 | 一种结合道路特征的交通事故预警方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011102520A1 (ja) * | 2010-02-22 | 2011-08-25 | 株式会社パスコ | 水稲収量予測モデル生成方法、及び水稲収量予測方法 |
CN102306375A (zh) * | 2011-08-31 | 2012-01-04 | 北京航空航天大学 | 一种sar与可见光像素级融合图像的分割方法 |
CN103091676A (zh) * | 2013-01-22 | 2013-05-08 | 中国矿业大学 | 矿区地表开采沉陷合成孔径雷达干涉测量的监测及解算方法 |
CN103886566A (zh) * | 2014-03-18 | 2014-06-25 | 河海大学常州校区 | 一种恶劣天气下基于图像融合的城市交通调度系统及方法 |
CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 |
CN106295714A (zh) * | 2016-08-22 | 2017-01-04 | 中国科学院电子学研究所 | 一种基于深度学习的多源遥感图像融合方法 |
CN106844761A (zh) * | 2017-02-21 | 2017-06-13 | 中国公路工程咨询集团有限公司 | 公路地质灾害多源信息监测预警装置 |
-
2017
- 2017-11-20 CN CN201711157287.9A patent/CN107944377B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011102520A1 (ja) * | 2010-02-22 | 2011-08-25 | 株式会社パスコ | 水稲収量予測モデル生成方法、及び水稲収量予測方法 |
CN102306375A (zh) * | 2011-08-31 | 2012-01-04 | 北京航空航天大学 | 一种sar与可见光像素级融合图像的分割方法 |
CN103091676A (zh) * | 2013-01-22 | 2013-05-08 | 中国矿业大学 | 矿区地表开采沉陷合成孔径雷达干涉测量的监测及解算方法 |
CN103886566A (zh) * | 2014-03-18 | 2014-06-25 | 河海大学常州校区 | 一种恶劣天气下基于图像融合的城市交通调度系统及方法 |
CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 |
CN106295714A (zh) * | 2016-08-22 | 2017-01-04 | 中国科学院电子学研究所 | 一种基于深度学习的多源遥感图像融合方法 |
CN106844761A (zh) * | 2017-02-21 | 2017-06-13 | 中国公路工程咨询集团有限公司 | 公路地质灾害多源信息监测预警装置 |
Non-Patent Citations (3)
Title |
---|
J. IM,J 等: "Object based change detection using correlation image analysis and image segmentation", 《REMOTE SENSING OF ENVIRONMENT》 * |
王馨爽 等: "多源遥感数据在地理国情监测中的应用", 《测绘标准化》 * |
钱瑶 等: "基于遥感的建筑物高度快速提取研究综述", 《生态学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145718A (zh) * | 2018-07-04 | 2019-01-04 | 国交空间信息技术(北京)有限公司 | 基于拓扑感知的遥感影像的路网提取方法及装置 |
CN111199649A (zh) * | 2018-10-31 | 2020-05-26 | 施乐公司 | 使用探地雷达数据进行基础结构评估和监测 |
CN112488046A (zh) * | 2020-12-15 | 2021-03-12 | 中国科学院地理科学与资源研究所 | 一种基于无人机高分辨率影像的车道线提取方法 |
CN112488046B (zh) * | 2020-12-15 | 2021-07-16 | 中国科学院地理科学与资源研究所 | 一种基于无人机高分辨率影像的车道线提取方法 |
CN115620149A (zh) * | 2022-12-05 | 2023-01-17 | 耕宇牧星(北京)空间科技有限公司 | 一种基于遥感图像的道路检测方法 |
CN116504070A (zh) * | 2023-06-27 | 2023-07-28 | 苏州旭安交通科技有限公司 | 一种结合道路特征的交通事故预警方法及系统 |
CN116504070B (zh) * | 2023-06-27 | 2023-09-05 | 苏州旭安交通科技有限公司 | 一种结合道路特征的交通事故预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107944377B (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944377B (zh) | 一种交通基础设施安全监控方法和系统 | |
Puri et al. | Bridge construction progress monitoring using lidar and 4D design models | |
Guan et al. | Automated road information extraction from mobile laser scanning data | |
Yadav et al. | Extraction of road surface from mobile LiDAR data of complex road environment | |
Yu et al. | Automated detection of urban road manhole covers using mobile laser scanning data | |
Guan et al. | Using mobile LiDAR data for rapidly updating road markings | |
Kumar et al. | Automated road markings extraction from mobile laser scanning data | |
Yang et al. | Semi-automated extraction and delineation of 3D roads of street scene from mobile laser scanning point clouds | |
Riveiro et al. | Automatic detection of zebra crossings from mobile LiDAR data | |
Rodriguez-Cuenca et al. | An approach to detect and delineate street curbs from MLS 3D point cloud data | |
Kim et al. | Deep learning-based underground object detection for urban road pavement | |
Díaz-Vilariño et al. | Automatic classification of urban pavements using mobile LiDAR data and roughness descriptors | |
Gargoum et al. | A literature synthesis of LiDAR applications in transportation: Feature extraction and geometric assessments of highways | |
Ai et al. | Automated sidewalk assessment method for americans with disabilities act compliance using three-dimensional mobile lidar | |
Liu et al. | Ground surface filtering of 3D point clouds based on hybrid regression technique | |
US20230353763A1 (en) | Method and system for encoding image data representing a geographical line | |
Tejenaki et al. | A new hierarchical method for automatic road centerline extraction in urban areas using LIDAR data | |
Ravi et al. | Pavement distress and debris detection using a mobile mapping system with 2d profiler lidar | |
Husain et al. | Road surface and its center line and boundary lines detection using terrestrial Lidar data | |
Chen et al. | A feasibility study on use of generic mobile laser scanning system for detecting asphalt pavement cracks | |
Prochazka et al. | Automatic lane marking extraction from point cloud into polygon map layer | |
Che et al. | Efficient segment-based ground filtering and adaptive road detection from mobile light detection and ranging (LiDAR) data | |
Alshaiba et al. | Automatic manhole extraction from MMS data to update basemaps | |
Guerrieri et al. | Flexible and stone pavements distress detection and measurement by deep learning and low-cost detection devices | |
Shatnawi et al. | Road pavement rut detection using mobile and static terrestrial laser scanning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210408 Address after: 2403, Chiwan headquarters building, Nanshan Development Group, No.8, Chiwan Sixth Road, Chiwan community, zhaoshang street, Nanshan District, Shenzhen, Guangdong 518000 Patentee after: Chiwan communication satellite application technology (Shenzhen) Co.,Ltd. Address before: 100011 rear body of Chaoyang District foreign and foreign embassy in Beijing City, No. 1 Patentee before: CCCC INFORMATION TECHNOLOGY NATIONAL ENGINEERING LABORATORY Co.,Ltd. |
|
TR01 | Transfer of patent right |