CN109815859A - 一种低等级道路自动提取及变化分析方法 - Google Patents
一种低等级道路自动提取及变化分析方法 Download PDFInfo
- Publication number
- CN109815859A CN109815859A CN201910023523.0A CN201910023523A CN109815859A CN 109815859 A CN109815859 A CN 109815859A CN 201910023523 A CN201910023523 A CN 201910023523A CN 109815859 A CN109815859 A CN 109815859A
- Authority
- CN
- China
- Prior art keywords
- road
- image
- data
- characteristic point
- mutation analysis
- 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
Abstract
本发明公开了一种低等级道路自动提取及变化分析方法,该方法能够实现道路路网的自动提取与变化分析,通过高分辨率遥感影像,对道路材质的几何、纹理、光谱特征进行样本的选择,生成数据集进行模型的训练,利用生成的模型进行道路的自动提取。基于数据模型进行道路提取,实现影像提取结果与网络数据的自动配准。设置阈值、置信区间等方式进行对比变化分析,进行融合降低数据集的生成工作。能够大幅度减少训练数据集生成工作,基于影像的道路提取结果与网络道路数据进行融合,融合结果道路数据精确度较高,根据融合结果可自动生成新的数据集,大幅度降低训练数据集的生成工作。
Description
技术领域
本发明涉及道路影像提取分析技术领域,特别涉及一种低等级道路自动提取及变化分析方法。
背景技术
公路是国家基础设施的重要组成部分,作为交通运输的“大动脉”,与当地经济发展息息相关。随着我国经济的快速发展,城镇建设速度大大增加,道路路网更新迅速,道路路网数据更新延后是目前发达国家和发展中国家所面临的普遍问题。快速准确的进行道路路网更新可为地区经济发展提供助力,同时也为出行路径规划、城市建设、灾害预警甚至军事打击提供服务,更为智慧城市、无人驾驶技术的发展奠定了基础。
传统的道路路网更新方法,耗时、耗力、精度低、统一性差,随着遥感影像空间分辨率和光谱分辨率的提高,基于遥感影像进行道路提取技术逐渐成熟,研究算法在半自动化向自动化转变,研究趋势从单一影像特征的半自动化识别到多特征、多源影像融合以及机器学习等自动化识别。同时随着移动互联网、高精度定位、移动终端的发展形成了海量的基于移动对象轨迹的数据,通过聚类、轨迹合成、密度估算等不同的轨迹数据处理技术,对海量移动端轨迹数据进行分析处理,得出道路轨迹数据。
现阶段各大地图厂商利用遥感数据和移动端GPS数据进行大、中型城市交通路网的更新,但是在县、镇级的路网更新频率缓慢,更新频率甚至达到3-5年。通过GPS数据得出道路轨迹数据需要海量的基础数据作为支撑,但是在车流量密集程度较低的区域获取海量的轨迹数据通常耗时且价格昂贵,同时因民用导航精准度较低,低数据量级的轨迹数据往往会导致轨迹数据提取误差较大,满足不了实际应用需求。
现有技术中,道路路网更新技术虽然在使用特征和方法上进行了诸多调整,但是本质上还是通过人工预先给计算机一些道路颜色特征、纹理特征、形状特征知识进行道路的提取,提取方法人工主观能动性较大,道路特征信息易于理解,提取效果可满足实际应用需求,但是提取精度已达到瓶颈期难以较大程度提升。
发明内容
本发明提供一种低等级道路自动提取及变化分析方法,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,提供了一种低等级道路自动提取及变化分析方法,包括以下步骤:
获取多源遥感影像数据进行弱监督分类标注,作为训练数据集;
根据所述训练数据集进行卷积神经网络训练,得到数据模型;通过所述数据模型对所述训练数据集的图像区域进行分类,得到像素的分类结果;
将所述分类结果作为二值图像,分析所述二值图像连通区域的大小;
将所述二值图像连通区域识别为道路区域,并对识别结果进行筛选,得到最终的道路区域提取结果。
所述训练数据集还包括:
通过随机裁剪、镜像变换方式进行训练数据集的扩充,生成满足训练模型所需的足额的训练数据集。
所述根据所述训练数据集进行卷积神经网络训练,得到数据模型;通过所述数据模型对所述训练数据集的图像区域进行分类,得到像素的分类结果,具体包括:
将多源遥感影像数据与高精度道路提取数据作为遥感图像集其子集用于采集训练样本,子集为待标注图像集,其中,k和n为常数,分别为子集和中样本的数量;
设图像I大小为r×c,Iij为图像I的第i行第j列像素,为通过滑动窗口得到的以Iij为中心,大小为d×d的样本;其中,r和c分别为图像的横纵像素值,d为样本的纵横像素值;
求解概率和若则Iij标记为道路,否则Iij标记为背景;其中,和分别为样本集合。
所述方法还包括异源图像数据配准过程:
使用高斯卷积核对图像数据进行尺度空间不变点的检测;
利用高斯差分函数Dog(x,y,σ),构造高斯差分尺度空间;其中,所述Dog(x,y,σ)为利用不同尺度的高斯差分核与图像卷积生成,(x,y)代表图像的像素位置,σ为尺度空间因子;并计算尺度空间的特征点;
对所述尺度空间特征点赋予一个方向,结合特征点及其邻域像素梯度和方向的分布性,计算所述尺度空间特征点的梯度方向;
旋转坐标轴方向,使得坐标轴计算的尺度空间特征点的方向一致,将尺度空间特征点作为中心;
取所述尺度空间特征点邻域范围内的16×16像素点,16×16邻域区域共有8个4×4的子区域,计算出每一个子区域所包含的8个方向的梯度直方图,最终得到4×4×8共128维的特征向量;
使用欧几里得距离判断特征向量之间的相似性,确定出对应的特征点相关的匹配点。
所述使用高斯卷积核对图像数据进行尺度空间不变点的检测,包括:
利用原始图像I(x,y)与高斯核函数G(x,y,σ)卷积得到高斯尺度空间图像L(x,y,σ);
L(x,y,σ)=G(x,y,σ)*I(x,y);
其中,σ越小表示图像特征越细,反之则表示图像的概貌特征;*表示卷积。
所述利用高斯差分函数Dog(x,y,σ),构造高斯差分尺度空间;并计算尺度空间的特征点,包括:
Dog(x,y,σ)=(G(x,y,σ)-G(x,y,kσ))*I(x,y);
其中,σ为尺度因子,k为常数;
将像素点同其所在的3×3邻域点及上下相邻的两个点的3×3邻域共26个点进行比较,若所述像素点的值均大于这26个点的值,所述像素点认定为尺度空间的特征点。
使用如下公式来计算所述尺度空间特征点的梯度方向:
其中,L为关键点所在的尺度空间值;m(x,y)为特征点的梯度幅值;θ(x,y)为特征点的梯度方向。
所述确定出对应的特征点相关的匹配点,包括:
分别取基准图像中的一个特征点和待配准图像中的一个特征点,计算这两特征点之间的欧几里得距离;
计算出最近邻距离和次近邻距离之间的比值,并进行判断,当该比值小于给定阈值时,可以确认所述两个特征点为一对匹配点;
根据RANSAC算法,进行错误特征点的删除,减少配准时间长、提高配准精度。
所述方法还包括道路路网变化分析过程:
设定网络爬取道路数据为M,基于深度学习提取方法得到的道路数据为N;
获取N图层中道路置信度数据,设置置信度区间为85%,对N进行初步筛选,得到具有高置信度道路的影像Nseg:
Nseg=N{Pconf>85%};
在Nseg中提取道路的中心线,沿着中心线等间距进行分割,生成一组线段,计算其平均值;
将所述中心线作为中心折线,Pavg作为宽度,重新生成道路图像Nstd;
计算M和Nstd之间的重叠差异,如果两者中心线重叠,缓冲区宽与设定阈值,认为两者一致;如果在某个路段中Nstd明显超过M,认定当前路段为新建路段,进行路网变化分析。
所述二值图像连通区域识别,还包括:
通过连通域分析对路宽进行均值化处理;
通过模型选取高置信度提取道路和网络图源道路信息进行宽度自动对比进行道路变化分析。
采用本发明的技术方案,提出了一种基于高分辨率影像的低等级道路自动提取及变化分析方法,能够实现道路路网的自动提取与变化分析,通过高分辨率遥感影像,对道路材质的几何、纹理、光谱特征进行样本的选择,生成数据集进行模型的训练,利用生成的模型进行道路的自动提取。基于数据模型进行道路提取,实现影像提取结果与网络数据的自动配准。设置阈值、置信区间等方式进行对比变化分析,进行融合降低数据集的生成工作。能够大幅度减少训练数据集生成工作,基于影像的道路提取结果与网络道路数据进行融合,融合结果道路数据精确度较高,根据融合结果可自动生成新的数据集,大幅度降低训练数据集的生成工作。
对百万级像素影像数据,在图形处理专用电脑(上的处理时间不高于4分钟。遥感图像中人工可清晰辨识的道路,综合定位识别精度不低于80%。选取置信度高于85%的高置信度影像,同网络道路数据进行叠加分析,通过模型自动进行道路宽度分析,进行道路变化自动分析与路网更新。对异源的遥感影像和网络图源影像进行自动配准。对百万像素级影像数据,配准精度2个像元以内,配准时间不高于2分钟。
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低等级道路自动提取及变化分析原理流程图。
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。
随着近几年深度学习技术在计算机视觉和人工智能领域取得越来越显著的成就,利用深度学习技术进行遥感影像自动识别得到较快的发展。不同于人工干预的半自动提取方法,深度学习方法提供的是分布式的特征表示,其训练模型具有强大的学习能力和高效的分布式特征表达能力,具有在最原始像素级数据逐层的特征学习,可显著克服道路提取的影响因素,是一种先进的道路提取方法。随着用于图像识别的各模型的复杂度逐渐提高,学习层次不断加深,适用性越来越广泛,但是同样存在需要大量数据集进行模型训练才能表现出其强大的特征提取能力、计算量大等缺点的存在。数据集量级少会导致模型过拟合,大幅度降低模型提取精度,大量的人工标绘数据集准确性难以保证,同时给相关项目带来较大压力。
本发明基于高分辨率遥感影像进行道路信息的自动提取,同网络爬取道路数据进行对比分析,自动分析道路的变化情况。其主要目的包括以下几部分:
实现道路路网的自动提取与变化分析:通过高分辨率遥感影像,对道路材质的几何、纹理、光谱特征进行样本的选择,生成数据集进行模型的训练,利用生成的模型进行道路的自动提取。将提取的道路数据和网络道路数据通过设置阈值、置信区间等方式进行自动对比分析其变化。
影像提取结果与网络数据的自动配准:影像数据坐标系同网络图源数据坐标系不同,利用图像匹配算法选取特征点进行数据源的自动匹配。
大幅度减少训练数据集生成工作:基于影像的道路提取结果与网络道路数据进行融合,融合结果道路数据精确度较高,根据融合结果可自动生成新的数据集,大幅度降低训练数据集的生成工作。
图1为本发明实施例一中低等级道路自动提取及变化分析流程图。如图1所示,该低等级道路自动提取及变化分析流程包括以下步骤:
步骤101、获取多源遥感影像数据进行弱监督分类标注,作为训练数据集;
步骤102、根据所述训练数据集进行卷积神经网络训练,得到数据模型;通过所述数据模型对所述训练数据集的图像区域进行分类,得到像素的分类结果;
步骤103、将所述分类结果作为二值图像,分析所述二值图像连通区域的大小;
步骤104、将所述二值图像连通区域识别为道路区域,并对识别结果进行筛选,得到最终的道路区域提取结果。
其中,本发明首先需要典型道路特征库的建立。基于卷积神经网络算法进行道路高精度提取,需要大量的训练数据集进行模型的训练,模型训练的精度直接关系到影像道路提取的精度。在传统方法中,典型训练数据集的获取更多的是采用人工手段,费时费力,且提取结果存在人为随机性。为此,本项目基于实际应用需求,提出一种弱监督分类的标注方法。采用这种方式,主要是考虑当算法在大区域中的应用时,获取更多粗精度的训练数据要比少量的精细数据集更具有代表性。
卷积神经网络(convolutional neural network,CNN)是模拟生物视觉细胞在大脑中成像的原理而创造的,由LeCun设计的L-Net5最早用于数字手写体识别。卷积神经网络中有三个重要的思想:局部连接(local connections)、权值共享(shared weight)和池化(pooling),虽然卷积神经网络结构复杂,但却通过局部连接、权值共享和池化这三种方法使其参数数量大大减少,因此卷积神经网络可以训练更深的层数。
所述训练数据集还包括:
通过随机裁剪、镜像变换方式进行训练数据集的扩充,生成满足训练模型所需的足额的训练数据集。
所述根据所述训练数据集进行卷积神经网络训练,得到数据模型;通过所述数据模型对所述训练数据集的图像区域进行分类,得到像素的分类结果,具体包括:
将多源遥感影像数据与经过弱监督分类得到的高精度道路提取数据作为遥感图像集其子集用于采集训练样本,子集为待标注图像集,其中,k和n为常数,分别为子集和中样本的数量;
设图像I大小为r×c,Iij为图像I的第i行第j列像素,为通过滑动窗口得到的以Iij为中心,大小为d×d的样本;其中,r和c分别为图像的横纵像素值,d为样本的纵横像素值;
求解概率和若则Iij标记为道路,否则Iij标记为背景;其中,和分别为样本集合。
所述方法还包括异源图像数据配准过程:
使用高斯卷积核对图像数据进行尺度空间不变点的检测;
利用高斯差分函数Dog(x,y,σ),构造高斯差分尺度空间;其中,所述Dog(x,y,σ)为利用不同尺度的高斯差分核与图像卷积生成,(x,y)代表图像的像素位置,σ为尺度空间因子;并计算尺度空间的特征点;
对所述尺度空间特征点赋予一个方向,结合特征点及其邻域像素梯度和方向的分布性,计算所述尺度空间特征点的梯度方向;
旋转坐标轴方向,使得坐标轴计算的尺度空间特征点的方向一致,将尺度空间特征点作为中心;
取所述尺度空间特征点邻域范围内的16×16像素点,16×16邻域区域共有8个4×4的子区域,计算出每一个子区域所包含的8个方向的梯度直方图,最终得到4×4×8共128维的特征向量;
使用欧几里得距离判断特征向量之间的相似性,确定出对应的特征点相关的匹配点。
所述使用高斯卷积核对图像数据进行尺度空间不变点的检测,包括:
利用原始图像I(x,y)与高斯核函数G(x,y,σ)卷积得到高斯尺度空间图像L(x,y,σ);
L(x,y,σ)=G(x,y,σ)*I(x,y);
其中,σ越小表示图像特征越细,反之则表示图像的概貌特征;*表示卷积。
所述利用高斯差分函数Dog(x,y,σ),构造高斯差分尺度空间;并计算尺度空间的特征点,包括:
Dog(x,y,σ)=(G(x,y,σ)-G(x,y,kσ))*I(x,y);
其中,σ为尺度因子,k为常数;
将像素点同其所在的3×3邻域点及上下相邻的两个点的3×3邻域共26个点进行比较,若所述像素点的值均大于这26个点的值,所述像素点认定为尺度空间的特征点。
使用如下公式来计算所述尺度空间特征点的梯度方向:
其中,L为关键点所在的尺度空间值;m(x,y)为特征点的梯度幅值;θ(x,y)为特征点的梯度方向。
所述确定出对应的特征点相关的匹配点,包括:
分别取基准图像中的一个特征点和待配准图像中的一个特征点,计算这两特征点之间的欧几里得距离;
计算出最近邻距离和次近邻距离之间的比值,并进行判断,当该比值小于给定阈值时,可以确认所述两个特征点为一对匹配点;
根据RANSAC算法,进行错误特征点的删除,减少配准时间长、提高配准精度。
所述方法还包括道路路网变化分析过程:
设定网络爬取道路数据为M,基于深度学习提取方法得到的道路数据为N;
获取N图层中道路置信度数据,设置置信度区间为85%,对N进行初步筛选,得到具有高置信度道路的影像Nseg:
Nseg=N{Pconf>85%};
在Nseg中提取道路的中心线,沿着中心线等间距进行分割,生成一组线段,计算其平均值;
将所述中心线作为中心折线,Pavg作为宽度,重新生成道路图像Nstd;
计算M和Nstd之间的重叠差异,如果两者中心线重叠,缓冲区宽与设定阈值,认为两者一致;如果在某个路段中Nstd明显超过M,认定当前路段为新建路段,进行路网变化分析。
所述二值图像连通区域识别,还包括:
通过连通域分析对路宽进行均值化处理;
通过模型选取高置信度提取道路和网络图源道路信息进行宽度自动对比进行道路变化分析。
具体来说,本实施例通过卷积神经网络对图像区域进行分类,得到像素的分类结果,然后将分类结果看作是二值图像,通过分析二值图像连通区域的大小对识别结果进行筛选得到最终的提取结果。
基于遥感影像的道路识别在通俗理解可以看作是对像素的分类研究,假设有遥感图像集假设有遥感图像集其子集用于采集训练样本,子集为待标注图像集,设图像I大小为r×c,Iij为图像I的第i行第j列像素,为通过滑动窗口得到的以Iij为中心,大小为d×d的样本,分类任务就是求解概率和若则Iij标记为道路,否则Iij标记为背景。其次,道路一般具有连续性,因此通过分析标记图像的连通区域可以进一步对分类结果进行优化。
使用高斯卷积核进行尺度空间不变点的检测。利用原始图像I(x,y)与高斯核函数G(x,y,σ)卷积得到高斯尺度空间图像L(x,y,σ)。
L(x,y,σ)=G(x,y,σ)*I(x,y)
式中,σ越小表示图像特征越细,反之则表示图像的概貌特征;*表示卷积。
利用高斯差分函数Dog(x,y,σ),构造高斯差分尺度空间。
Dog(x,y,σ)=(G(x,y,σ)-G(x,y,kσ))*I(x,y)
式中σ为尺度因子,k为常数。
将像素点同其所在的3×3邻域点及上下相邻的两个点的3×3邻域共26个点进行比较,若此点的值均大于这26个点的值,该点就被认定为特征点。
在得到尺度空间的特征点后,为了保持该点的方向不变性,需要对其赋予一个方向,综合思考特征点及其邻域像素梯度和方向的分布性,使用如下公式来计算特征点的梯度方向。
m(x,y)为特征点的梯度幅值;θ(x,y)为特征点的梯度方向。
旋转坐标轴方向,使得坐标轴3)计算的特征点的方向一致,将特征点作为中心,取该特征点邻域范围内的16×16像素点,16×16邻域区域共有8个4×4的子区域,计算出每一个子区域所包含的8个方向的梯度直方图,最终得到4×4×8共128维的特征向量。
使用欧几里得距离判断特征向量之间的相似性。分别取基准图像中的一个特征点和待配准图像中的一个特征点,计算这两特征点之间的欧几里得距离,计算出最近邻距离和次近邻距离之间的比值,并进行判断,当该比值小于给定阈值时,可以确认该对特征点为一对匹配点。引入RANSAC算法,进行错误特征点的删除,减少配准时间长、提高配准精度降低。
设定网络爬取道路数据为M,基于深度学习提取方法得到的道路数据为N。
获取N图层中道路置信度数据,设置置信度区间为85%,对N进行初步筛选,得到具有高置信度道路的影像Nseg。
Nseg=N{Pconf>85%}
在Nseg中提取道路的中心线,沿着中心线等间距进行分割,生成一组线段,计算其平均值。并且道路具有延伸性,可认为在任意2节点间的路段内其都宽度应保持一致。
使用中心线作为中心折线,Pavg作为宽度,重新生成道路图像Nstd。
计算M和Nstd之间的重叠差异,如果两者中心线重叠,缓冲区宽与设定阈值,认为两者一致。如果在某个路段中Nstd明显超过M,可认定当前路段为新建路段,进行路网变化分析。如果两者之间为重叠,可认定电子地图更新不及时,进行道路变化分析。
本实施例中,多源数据扩展方式训练数据集生成。
选取多源遥感影像数据与高精度道路提取数据作为训练数据集,并通过随机裁剪、镜像变换等方式进行数据集的扩充,生成满足训练模型所需的足额数据集,增加模型的适用性,满足不同影像的道路提取。
由于局部不变性特征针对几何、视角和光照变化有很强的稳定性,使其在高分遥感影像的特征匹配方面得到广泛应用。其由DavidG.LoweSIFT在2004年提出的SIFT算子在遥感影像匹配中具有良好的抗尺度变换、旋转变换和亮度变换的特性。本方法利用SIFT算子进行特征点匹配,融合RANSAC算法剔除错误匹配点的方式进行异源图像的快速、准确、自动匹配准。
网络图源道路宽度往往存在数值不准确性问题,基于模型提取的道路边缘存在“毛刺”等情况,单纯通过像素之间叠加对比分析会存在较大误差。因此通过连通域分析对路宽进行均值化处理,更符合客观情况。通过模型选取高置信度提取道路和网络图源道路信息进行宽度自动对比进行道路变化分析。
本发明实施例中,能够实现道路路网的自动提取与变化分析,通过高分辨率遥感影像,对道路材质的几何、纹理、光谱特征进行样本的选择,生成数据集进行模型的训练,利用生成的模型进行道路的自动提取。将提取的道路数据和网络道路数据通过设置阈值、置信区间等方式进行自动对比分析其变化。实现影像提取结果与网络数据的自动配准,影像数据坐标系同网络图源数据坐标系不同,利用图像匹配算法选取特征点进行数据源的自动匹配。能够大幅度减少训练数据集生成工作,基于影像的道路提取结果与网络道路数据进行融合,融合结果道路数据精确度较高,根据融合结果可自动生成新的数据集,大幅度降低训练数据集的生成工作。
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)
1.一种低等级道路自动提取及变化分析方法,其特征在于,包括以下步骤:
获取多源遥感影像数据进行弱监督分类标注,作为训练数据集;
根据所述训练数据集进行卷积神经网络训练,得到数据模型;通过所述数据模型对所述训练数据集的图像区域进行分类,得到像素的分类结果;
将所述分类结果作为二值图像,分析所述二值图像连通区域的大小;
将所述二值图像连通区域识别为道路区域,并对识别结果进行筛选,得到最终的道路区域提取结果。
2.根据权利要求1所述的一种低等级道路自动提取及变化分析方法,其特征在于,所述训练数据集还包括:
通过随机裁剪、镜像变换方式进行训练数据集的扩充,生成满足训练模型所需的足额的训练数据集。
3.根据权利要求1所述的一种低等级道路自动提取及变化分析方法,其特征在于,所述根据所述训练数据集进行卷积神经网络训练,得到数据模型;通过所述数据模型对所述训练数据集的图像区域进行分类,得到像素的分类结果,具体包括:
将多源遥感影像数据与高精度道路提取数据作为遥感图像集其子集用于采集训练样本,子集为待标注图像集,其中,k和n为常数,分别为子集和中样本的数量;
设图像I大小为r×c,Iij为图像I的第i行第j列像素,为通过滑动窗口得到的以Iij为中心,大小为d×d的样本;其中,r和c分别为图像的横纵像素值,d为样本的纵横像素值;
求解概率和若则Iij标记为道路,否则Iij标记为背景;其中,和分别为样本集合。
4.根据权利要求1所述的一种低等级道路自动提取及变化分析方法,其特征在于,所述方法还包括异源图像数据配准过程:
使用高斯卷积核对图像数据进行尺度空间不变点的检测;
利用高斯差分函数Dog(x,y,σ),构造高斯差分尺度空间;其中,所述Dog(x,y,σ)为利用不同尺度的高斯差分核与图像卷积生成,(x,y)代表图像的像素位置,σ为尺度空间因子;并计算尺度空间的特征点;
对所述尺度空间特征点赋予一个方向,结合特征点及其邻域像素梯度和方向的分布性,计算所述尺度空间特征点的梯度方向;
旋转坐标轴方向,使得坐标轴计算的尺度空间特征点的方向一致,将尺度空间特征点作为中心;
取所述尺度空间特征点邻域范围内的16×16像素点,16×16邻域区域共有8个4×4的子区域,计算出每一个子区域所包含的8个方向的梯度直方图,最终得到4×4×8共128维的特征向量;
使用欧几里得距离判断特征向量之间的相似性,确定出对应的特征点相关的匹配点。
5.根据权利要求4所述的一种低等级道路自动提取及变化分析方法,其特征在于,所述使用高斯卷积核对图像数据进行尺度空间不变点的检测,包括:
利用原始图像I(x,y)与高斯核函数G(x,y,σ)卷积得到高斯尺度空间图像L(x,y,σ);
L(x,y,σ)=G(x,y,σ)*I(x,y);
其中,σ越小表示图像特征越细,反之则表示图像的概貌特征;*表示卷积。
6.根据权利要求5所述的一种低等级道路自动提取及变化分析方法,其特征在于,所述利用高斯差分函数Dog(x,y,σ),构造高斯差分尺度空间;并计算尺度空间的特征点,包括:
Dog(x,y,σ)=(G(x,y,σ)-G(x,y,kσ))*I(x,y);
其中,σ为尺度因子,k为常数;
将像素点同其所在的3×3邻域点及上下相邻的两个点的3×3邻域共26个点进行比较,若所述像素点的值均大于这26个点的值,所述像素点认定为尺度空间的特征点。
7.根据权利要求6所述的一种低等级道路自动提取及变化分析方法,其特征在于,使用如下公式来计算所述尺度空间特征点的梯度方向:
其中,L为关键点所在的尺度空间值;m(x,y)为特征点的梯度幅值;θ(x,y)为特征点的梯度方向。
8.根据权利要求7所述的一种低等级道路自动提取及变化分析方法,其特征在于,所述确定出对应的特征点相关的匹配点,包括:
分别取基准图像中的一个特征点和待配准图像中的一个特征点,计算这两特征点之间的欧几里得距离;
计算出最近邻距离和次近邻距离之间的比值,并进行判断,当该比值小于给定阈值时,可以确认所述两个特征点为一对匹配点;
根据RANSAC算法,进行错误特征点的删除,减少配准时间长、提高配准精度。
9.根据权利要求1所述的一种低等级道路自动提取及变化分析方法,其特征在于,所述方法还包括道路路网变化分析过程:
设定网络爬取道路数据为M,基于深度学习提取方法得到的道路数据为N;
获取N图层中道路置信度数据,设置置信度区间为85%,对N进行初步筛选,得到具有高置信度道路的影像Nseg:
Nseg=N{Pconf>85%};
在Nseg中提取道路的中心线,沿着中心线等间距进行分割,生成一组线段,计算其平均值;
将所述中心线作为中心折线,Pavg作为宽度,重新生成道路图像Nstd;
计算M和Nstd之间的重叠差异,如果两者中心线重叠,缓冲区宽与设定阈值,认为两者一致;如果在某个路段中Nstd明显超过M,认定当前路段为新建路段,进行路网变化分析。
10.根据权利要求书1所述的一种低等级道路自动提取及变化分析方法,其特征在于,所述二值图像连通区域识别,还包括:
通过连通域分析对路宽进行均值化处理;
通过模型选取高置信度提取道路和网络图源道路信息进行宽度自动对比进行道路变化分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910023523.0A CN109815859B (zh) | 2019-01-10 | 2019-01-10 | 一种低等级道路自动提取及变化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910023523.0A CN109815859B (zh) | 2019-01-10 | 2019-01-10 | 一种低等级道路自动提取及变化分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109815859A true CN109815859A (zh) | 2019-05-28 |
CN109815859B CN109815859B (zh) | 2021-10-01 |
Family
ID=66604251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910023523.0A Active CN109815859B (zh) | 2019-01-10 | 2019-01-10 | 一种低等级道路自动提取及变化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815859B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188682A (zh) * | 2019-05-30 | 2019-08-30 | 西安电子科技大学 | 基于几何结构双路卷积网络的光学遥感图像目标检测方法 |
CN111091049A (zh) * | 2019-11-01 | 2020-05-01 | 东南大学 | 一种基于反向特征匹配的路面障碍物检测方法 |
CN111523606A (zh) * | 2020-04-28 | 2020-08-11 | 中交信息技术国家工程实验室有限公司 | 一种道路信息的更新方法 |
CN111652038A (zh) * | 2020-04-13 | 2020-09-11 | 上海海洋大学 | 基于卷积神经网络的遥感的海冰图像分类方法 |
CN111860173A (zh) * | 2020-06-22 | 2020-10-30 | 中国科学院空天信息创新研究院 | 一种基于弱监督的遥感图像地物要素提取方法及系统 |
CN112991359A (zh) * | 2021-02-02 | 2021-06-18 | 武汉光庭信息技术股份有限公司 | 一种路面区域提取方法、系统、电子设备及存储介质 |
CN113065594A (zh) * | 2021-04-01 | 2021-07-02 | 中科星图空间技术有限公司 | 一种基于北斗数据与遥感影像融合的路网提取方法及装置 |
CN113362420A (zh) * | 2021-06-02 | 2021-09-07 | 北京百度网讯科技有限公司 | 道路标注生成方法、装置、设备以及存储介质 |
CN114332370A (zh) * | 2021-12-28 | 2022-04-12 | 埃洛克航空科技(北京)有限公司 | 道路图像处理方法、装置、设备和存储介质 |
CN115457388A (zh) * | 2022-09-06 | 2022-12-09 | 湖南经研电力设计有限公司 | 基于深度学习优化的输变电遥感图像地物辨识方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364259A (zh) * | 2008-04-09 | 2009-02-11 | 武汉大学 | 多层次知识驱动的全色遥感影像的道路变化信息提取方法 |
CN104361142A (zh) * | 2014-12-12 | 2015-02-18 | 华北水利水电大学 | 一种多源导航电子地图矢量道路网变化快速检测方法 |
CN104517124A (zh) * | 2014-12-25 | 2015-04-15 | 西安电子科技大学 | 基于sift特征点的sar图像变化检测方法 |
CN105787937A (zh) * | 2016-02-25 | 2016-07-20 | 武汉大学 | 一种基于osm的高分辨遥感影像道路变化检测方法 |
CN107462223A (zh) * | 2017-08-08 | 2017-12-12 | 长安大学 | 一种公路转弯前行车视距自动测量装置及测量方法 |
CN107480679A (zh) * | 2017-04-20 | 2017-12-15 | 北京工业大学 | 基于卷积神经网络的分类和连通区域分析的路网提取方法 |
US20180189578A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Lane Network Construction Using High Definition Maps for Autonomous Vehicles |
-
2019
- 2019-01-10 CN CN201910023523.0A patent/CN109815859B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364259A (zh) * | 2008-04-09 | 2009-02-11 | 武汉大学 | 多层次知识驱动的全色遥感影像的道路变化信息提取方法 |
CN104361142A (zh) * | 2014-12-12 | 2015-02-18 | 华北水利水电大学 | 一种多源导航电子地图矢量道路网变化快速检测方法 |
CN104517124A (zh) * | 2014-12-25 | 2015-04-15 | 西安电子科技大学 | 基于sift特征点的sar图像变化检测方法 |
CN105787937A (zh) * | 2016-02-25 | 2016-07-20 | 武汉大学 | 一种基于osm的高分辨遥感影像道路变化检测方法 |
US20180189578A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Lane Network Construction Using High Definition Maps for Autonomous Vehicles |
US20180188059A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Lane Line Creation for High Definition Maps for Autonomous Vehicles |
CN107480679A (zh) * | 2017-04-20 | 2017-12-15 | 北京工业大学 | 基于卷积神经网络的分类和连通区域分析的路网提取方法 |
CN107462223A (zh) * | 2017-08-08 | 2017-12-12 | 长安大学 | 一种公路转弯前行车视距自动测量装置及测量方法 |
Non-Patent Citations (2)
Title |
---|
RACHEL-ZHANG: "SIFT特征提取分析", 《HTTPS://BLOG.CSDN.NET/ABCJENNIFER/ARTICLE/DETAILS/7639681?UTM_MEDIUM=DISTRIBUTE.PC_RELEVANT.NONE-TASK-BLOG-BLOGCOMMENDFROMMACHINELEARNPAI2-3.NONECASE&DEPTH_1-UTM_SOURCE=DISTRIBUTE.PC_RELEVANT.NONE-TASK-BLOG-BLOGCOMMENDFROMMACHINELEARNPAI2-3.NONECASE * |
李德毅,于剑: "《中国科协新一代信息技术系列丛书 人工智能导论》", 31 August 2018 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188682A (zh) * | 2019-05-30 | 2019-08-30 | 西安电子科技大学 | 基于几何结构双路卷积网络的光学遥感图像目标检测方法 |
CN111091049A (zh) * | 2019-11-01 | 2020-05-01 | 东南大学 | 一种基于反向特征匹配的路面障碍物检测方法 |
CN111091049B (zh) * | 2019-11-01 | 2024-02-09 | 东南大学 | 一种基于反向特征匹配的路面障碍物检测方法 |
CN111652038B (zh) * | 2020-04-13 | 2023-03-03 | 上海海洋大学 | 基于卷积神经网络的遥感的海冰图像分类方法 |
CN111652038A (zh) * | 2020-04-13 | 2020-09-11 | 上海海洋大学 | 基于卷积神经网络的遥感的海冰图像分类方法 |
CN111523606A (zh) * | 2020-04-28 | 2020-08-11 | 中交信息技术国家工程实验室有限公司 | 一种道路信息的更新方法 |
CN111523606B (zh) * | 2020-04-28 | 2023-04-28 | 中交信息技术国家工程实验室有限公司 | 一种道路信息的更新方法 |
CN111860173A (zh) * | 2020-06-22 | 2020-10-30 | 中国科学院空天信息创新研究院 | 一种基于弱监督的遥感图像地物要素提取方法及系统 |
CN112991359A (zh) * | 2021-02-02 | 2021-06-18 | 武汉光庭信息技术股份有限公司 | 一种路面区域提取方法、系统、电子设备及存储介质 |
CN113065594A (zh) * | 2021-04-01 | 2021-07-02 | 中科星图空间技术有限公司 | 一种基于北斗数据与遥感影像融合的路网提取方法及装置 |
CN113065594B (zh) * | 2021-04-01 | 2023-05-05 | 中科星图空间技术有限公司 | 一种基于北斗数据与遥感影像融合的路网提取方法及装置 |
CN113362420B (zh) * | 2021-06-02 | 2023-08-29 | 北京百度网讯科技有限公司 | 道路标注生成方法、装置、设备以及存储介质 |
CN113362420A (zh) * | 2021-06-02 | 2021-09-07 | 北京百度网讯科技有限公司 | 道路标注生成方法、装置、设备以及存储介质 |
CN114332370A (zh) * | 2021-12-28 | 2022-04-12 | 埃洛克航空科技(北京)有限公司 | 道路图像处理方法、装置、设备和存储介质 |
CN115457388A (zh) * | 2022-09-06 | 2022-12-09 | 湖南经研电力设计有限公司 | 基于深度学习优化的输变电遥感图像地物辨识方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109815859B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815859A (zh) | 一种低等级道路自动提取及变化分析方法 | |
CN109165549B (zh) | 基于三维点云数据的道路标识获取方法、终端设备及装置 | |
CN110188807B (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
CN105160309B (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
WO2018072233A1 (zh) | 一种基于选择性搜索算法的车标检测识别方法及系统 | |
CN104239867B (zh) | 车牌定位方法及系统 | |
CN110148196A (zh) | 一种图像处理方法、装置以及相关设备 | |
CN110008854B (zh) | 基于预训练dcnn的无人机影像公路地质灾害识别方法 | |
WO2017041396A1 (zh) | 一种车道线数据的处理方法、装置、存储介质及设备 | |
CN104050481B (zh) | 多模板轮廓特征和灰度相结合的红外图像实时行人检测 | |
DE102012207620A1 (de) | System und Verfahren für die Lichtsignaldetektierung | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
Jiao et al. | A survey of road feature extraction methods from raster maps | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN105701798A (zh) | 柱状物体的点云提取方法及装置 | |
CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
CN113989784A (zh) | 一种基于车载激光点云的道路场景类型识别方法及系统 | |
CN108846831A (zh) | 基于统计特征和图像特征相结合的带钢表面缺陷分类方法 | |
CN106951829A (zh) | 一种基于最小生成树的视频显著对象检测方法 | |
CN111383286B (zh) | 定位方法、装置、电子设备及可读存储介质 | |
CN111414878B (zh) | 一种关于地块的社会属性分析、图像处理方法及装置 | |
CN114565675A (zh) | 一种在视觉slam前端去除动态特征点的方法 | |
CN113841152B (zh) | 用于确定道路交叉路口的方法、数据处理装置和计算机程序产品 | |
CN112733711A (zh) | 基于多尺度场景变化检测的遥感影像损毁建筑物提取方法 | |
US20220219700A1 (en) | Apparatus, method, and computer program for generating map |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190528 Assignee: Beijing Jiaoke Credit Management Co.,Ltd. Assignor: CCCC INFORMATION TECHNOLOGY NATIONAL ENGINEERING LABORATORY CO.,LTD. Contract record no.: X2022110000012 Denomination of invention: A method for automatic extraction and change analysis of low-grade roads Granted publication date: 20211001 License type: Common License Record date: 20220512 |
|
EE01 | Entry into force of recordation of patent licensing contract |