CN111832387A - 一种基于无人机影像的宅基地房屋识别方法 - Google Patents
一种基于无人机影像的宅基地房屋识别方法 Download PDFInfo
- Publication number
- CN111832387A CN111832387A CN202010440180.0A CN202010440180A CN111832387A CN 111832387 A CN111832387 A CN 111832387A CN 202010440180 A CN202010440180 A CN 202010440180A CN 111832387 A CN111832387 A CN 111832387A
- Authority
- CN
- China
- Prior art keywords
- model
- house
- training
- features
- unet
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000013508 migration Methods 0.000 claims abstract description 14
- 230000005012 migration Effects 0.000 claims abstract description 14
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 5
- 238000005520 cutting process Methods 0.000 claims abstract description 3
- 238000013135 deep learning Methods 0.000 claims abstract description 3
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 241000282840 Vicugna vicugna Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
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
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明构建了一种基于无人机影像的宅基地房屋识别方法，具体包括如下步骤：步骤1)样本标注。查看影像中的房屋特征，选区进行房屋样本标注。步骤2)数据集处理；将步骤1)中的标注数据随机分为训练集、验证集以及测试集；步骤3)训练集处理。将标注样本和对应的底图按照一定的图幅大小进行裁剪；步骤4)模型框架构建。基于深度学习算法，搭建主体结构以Unet++为backbone的Deeplabv3+分类模型；步骤5)预训练模型构建。基于该模型分批次提取训练集特征，并对特征进行映射，按照优化策略最小化损失函数，不断迭代更新模型权重；步骤6)精度评价。将训练完成的模型用于测试数据集，使用IOU作为评价标准；步骤7)模型迁移。将分类模型泛化至其他影像/区域。
Description
技术领域
本发明属于高分辨率卫星遥感建模领域，涉及一种基于无人机影像的宅基地房屋识别方法。
背景技术
目前在农村宅基地丈量、确权等工作中，一般都采用传统人力进行建筑物信息的实地采集，这种手段得到的结果精度较高，但在采集过程中要耗费巨大的人力物力，并且提取周期过长、效率极其低下，尤其农村房屋的分布相对较为广泛且分散，因此在大量数据的生产过程中无法满足实际要求。
随着遥感技术日新月异，研究者们越发看重高分辨率影像的使用，对于高分辨率影像的应用进行了可行性、前瞻性、时效性等多方面的实验研究，利用高分辨率遥感影像结合遥感提取技术来识别地面的信息已经成为一种非常常见的方法手段，尤其是使用面向对象的分类方法显著地减少了局部光谱变化，概括空间邻域的光谱信息，增强光谱相似对象之间的光谱差异。使用基于特征面向对象的方法来提取影像中的地物，正逐渐成为近年来遥感领域研究的热点之一。例如，乔程、骆剑承、吴泉源等人基于高分辨率遥感影像的特点，利用面向对象的方法提出了多尺度分割，在掩膜基础上基于IKONOS影像进行了建筑物提取试验，结果表明相对于传统的自上而下的尺度分割方法，多尺度分割的精度改善效果更加明显，分类结果形状比较规整，更接近地物；陶超等人提出了一种自动提取高空间分辨率遥感影像城区建筑物方法，把面向对象的思想与基于邻域总变分的建筑物分割方法相融合；樊舒迪等人对于面向对象的方法进行了改进，以广州市白云区榕溪街区为研究区建立了规则数据库进行建筑物提取。但是，由于我国地域辽阔，房屋特征以及分布特点存在区域差异性，前述学者构建的各类模型在大数据量以及大范围区域内的分类效果不显著；同时，已有研究多基于卫星影像进行识别，数据获取易受天气状况等因素影响，应用性较弱，而无人机影像获取相对灵活便捷，能够提取的特征更丰富，基于此构建的模型更具普适性。因此，本发明提出一种推广性较强的基于无人机影像的宅基地房屋识别方法。
发明内容
针对现有技术中存在的问题，本发明的目的在于提出一种宅基地房屋识别方法，用于准确识别农村宅基地中的房屋分布和占地面积计算。
为了实现上述目的，本发明构建了一种基于无人机影像的宅基地房屋识别方法，具体包括如下步骤：
步骤1)样本标注。查看影像中的房屋特征，选区进行房屋样本标注。
步骤2)数据集处理。按照一定的比例，将标注数据随机分为训练集、验证集以及测试集。
步骤3)训练集处理。将标注样本和对应的底图按照一定的图幅大小进行裁剪。
步骤4)模型框架构建。基于深度学习算法，搭建分类模型。
步骤5)预训练模型构建。基于该模型分批次提取训练集特征，并对特征进行映射，按照优化策略最小化损失函数，不断迭代更新模型权重。
步骤6)精度评价。将训练完成的模型用于测试数据集，使用IOU作为评价标准。
步骤7)模型迁移。将分类模型泛化至其他影像/区域。
进一步，所述步骤3)训练集处理具体方法为，根据房屋分布情况，将标注矢量数据和栅格底图按照256*256的图幅大小进行裁切。
进一步，所述步骤4)模型框架构建的具体方法为，搭建一个主体结构以Unet++为backbone的Deeplabv3+分类模型，在特认证学习过程中，不同层次的特征对于大小不一的目标对象的敏感度是不同的，相比传统的Unet网络，Unet++网络可以抓取不同层次的特征，将它们通过特征叠加的方式整合，相对于原本作为Deeplabv3+模型backbone的Inception分类器，Unet++分割效果更好，目标对象的边缘信息以及纹理特征提取更为完整。
进一步，所述步骤5)预训练模型构建，其具体方法为，综合Unet++的skipconnection特征融合保存细节信息与Deeplabv3+的aspp保存全局信息，基于步骤4)中构建的Deeplabv3+框架分批次进行提取训练集特征，并对特征进行映射，按照优化策略最小化损失函数，断迭代更新模型权重，最终得到训练分类模型。
进一步，所述步骤6)精度评价，其具体方法为，在训练模型中引入测试底图，并将分类结果与标注样本进行对比，采用IOU评价标准进行模型精度评价。
进一步，所述步骤7)模型迁移，其具体方法为将该模型泛化至其他影像和区域的房屋识别中，以验证其应用性，该步骤需要根据应用区域的房屋特征追加少量样本，实现模型权重迭代，以适应该区域的房屋识别。
附图说明
图1为样本标注数据示例
图2为分类模型结构图
图3为无人机测试集原图示例
图4为无人机分类结果图示例
图5为模型迁移结构图
图6为谷歌影像原图示例
图7为谷歌测试结果图示例
具体实施方式
下面结合附图对本发明“一种基于无人机影像的宅基地房屋识别方法”作进一步阐述说明。
如图1-图7所示，本发明所涉及的“基于无人机影像的房屋识别方法”，可以自动识别出房屋边缘轮廓。该方法基于高分辨率的无人机影像，但不局限于无人机影像，其灵活的模型迁移结构，可以使其适用于相近分辨率的多源数据房屋识别，且只需追加少量的房屋标注样本便可推广至其他区域。
(一)模型构建
本发明中的模型构建主要采用了图像分割算法，图像分割的主要功能是将输入图片的每个像素都分好类别，也相当于分类过程。举例来说就是将大小为[h,w,c]的图像输出成[h,w,1]，每个像素值代表一个类别。DeepLabv3+是语义分割系列网络的最新作，通过encoder-decoder进行多尺度信息的融合，同时保留了原来的空洞卷积和ASSP层，其骨干网络使用了Xception模型，提高了语义分割的健壮性和运行速率。
Deeplab系列在影像分割上表现优异，特别在全局信息方面。该模型属于encoder-decoder模型，Deeplabv3+是将encoder-decoder和ASPP相结合，encoder-decoder会获取更多边界信息，ASPP可获取更多特征信息。Unet++因为其mixed skip connection，其能保留细节信息。为了能为Deeplabv3+提供更好的特征描述，使用Unet++作为特征提取器，Unet++提供两种输出特征，即低层特征和高层特征，底层特征为aspp服务，高层信息和aspp输出融合，使得细节和全局兼顾。
(1)基于宁夏自治区平罗县渠口乡的无人机影像，进行了房屋样本标注(图1)，然后将标注数据随机分为训练集、验证集和测试集，训练集和验证集用于训练模型，测试集用来评价模型；
(2)构建了使用主体结构以unet++为backbone的Deeplabv3+分类模型(图2)，并综合unet++的skip connection特征融合保存细节信息与Deeplabv3+的aspp保存全局信息；
(3)基于该模型分批次提取训练集特征，并对特征进行映射，按照优化策略最小化损失函数，不断迭代更新模型权重，完成模型构建；
(4)将训练完成的模型用于测试数据集，使用IOU作为评价标准，图3和图4分别为测试集原图以及基于该模型的测试集分类结果图，经过精度评价，该模型测试精度达到99.24％。
(二)模型迁移
基于大量样本数据积累下最终迭代出的分类训练模型，将该模型迁移到其他区域或其他影像上，只需少量标注即可有效完成识别任务。具体为构建一个与迁移模型结构类似的模型(图5)，此模型比迁移模型在头部多一个卷积层，该卷积层权重随机赋值，作用在于兼容任意波段的迁移，此模型还比迁移模型在尾部多一个全连接层，该卷积层权重随机赋值，作用在于兼容任意类别训练，模型的中间部分为迁移模型，将待迁移模型的权重赋值给此部分即完成迁移。
本发明基于迁移后的模型在宁夏自治区平罗县月牙湖乡Google影像上进行了识别测试，图6为原图，图7为测试结果图，可以看出，基于无人机构建的分类模型在Google影像上同样表现出优异的识别效果。
以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。
Claims (6)
1.一种基于无人机影像的宅基地房屋识别方法，其特征在于，该识别方法包括如下几个步骤：
步骤1)样本标注：查看影像中的房屋特征，选区进行房屋样本标注；步骤2)数据集处理：按照一定的比例，将标注数据随机分为训练集、验证集以及测试集；
步骤3)训练集处理：将标注样本和对应的底图按照一定的图幅大小进行裁剪；
步骤4)模型框架构建：基于深度学习算法，搭建分类模型；
步骤5)预训练模型构建：基于该模型分批次提取训练集特征，并对特征进行映射，按照优化策略最小化损失函数，不断迭代更新模型权重；
步骤6)精度评价：将训练完成的模型用于测试数据集，使用IOU作为评价标准；
步骤7)模型迁移：将分类模型泛化至其他影像/区域。
2.根据权利要求1所述的一种基于无人机影像的宅基地房屋识别方法，其特征在于，所述步骤3)训练集处理具体方法为，根据房屋分布情况，将标注矢量数据和栅格底图按照256*256的图幅大小进行裁切。
3.根据权利要求1所述的一种基于无人机影像的宅基地房屋识别方法，其特征在于，所述步骤4)模型框架构建的具体方法为，搭建一个主体结构以Unet++为backbone的Deeplabv3+分类模型，在特认证学习过程中，不同层次的特征对于大小不一的目标对象的敏感度是不同的，相比传统的Unet网络，Unet++网络可以抓取不同层次的特征，将它们通过特征叠加的方式整合，相对于原本作为Deeplabv3+模型backbone的Inception分类器，Unet++分割效果更好，目标对象的边缘信息以及纹理特征提取更为完整。
4.根据权利要求1所述的一种基于无人机影像的宅基地房屋识别方法，其特征在于，所述步骤5)预训练模型构建，其具体方法为，综合Unet++的skip connection特征融合保存细节信息与Deeplabv3+的aspp保存全局信息，基于步骤4)中构建的deeplabv3+框架分批次进行提取训练集特征，并对特征进行映射，按照优化策略最小化损失函数，断迭代更新模型权重，最终得到训练分类模型。
5.根据权利要求1所述的一种基于无人机影像的宅基地房屋识别方法，其特征在于，所述步骤6)精度评价，其具体方法为，在训练模型中引入测试底图，并将分类结果与标注样本进行对比，采用IOU评价标准进行模型精度评价。
6.根据权利要求1所述的一种基于无人机影像的宅基地房屋识别方法，其特征在于，所述步骤7)模型迁移，其具体方法为将该模型泛化至其他影像/区域的房屋识别中，以验证其应用性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010440180.0A CN111832387A (zh) | 2020-05-22 | 2020-05-22 | 一种基于无人机影像的宅基地房屋识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010440180.0A CN111832387A (zh) | 2020-05-22 | 2020-05-22 | 一种基于无人机影像的宅基地房屋识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111832387A true CN111832387A (zh) | 2020-10-27 |
Family
ID=72913890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010440180.0A Pending CN111832387A (zh) | 2020-05-22 | 2020-05-22 | 一种基于无人机影像的宅基地房屋识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111832387A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837269A (zh) * | 2021-01-11 | 2021-05-25 | 西安理工大学 | 一种基于深度学习模型的岩体质量评价方法 |
| CN113255607A (zh) * | 2021-06-30 | 2021-08-13 | 北京道达天际科技有限公司 | 基于多模型融合的遥感房屋检测方法及装置 |
| CN113516084A (zh) * | 2021-07-20 | 2021-10-19 | 海南长光卫星信息技术有限公司 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
| CN113792667A (zh) * | 2021-09-16 | 2021-12-14 | 清华大学 | 基于三维遥感影像进行村镇建筑性质自动分类方法及装置 |
-
2020
- 2020-05-22 CN CN202010440180.0A patent/CN111832387A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837269A (zh) * | 2021-01-11 | 2021-05-25 | 西安理工大学 | 一种基于深度学习模型的岩体质量评价方法 |
| CN112837269B (zh) * | 2021-01-11 | 2023-04-07 | 西安理工大学 | 一种基于深度学习模型的岩体质量评价方法 |
| CN113255607A (zh) * | 2021-06-30 | 2021-08-13 | 北京道达天际科技有限公司 | 基于多模型融合的遥感房屋检测方法及装置 |
| CN113516084A (zh) * | 2021-07-20 | 2021-10-19 | 海南长光卫星信息技术有限公司 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
| CN113792667A (zh) * | 2021-09-16 | 2021-12-14 | 清华大学 | 基于三维遥感影像进行村镇建筑性质自动分类方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111832387A (zh) | 一种基于无人机影像的宅基地房屋识别方法 | |
| CN112819830B (zh) | 基于深度学习与机载激光点云的单株树冠分割方法 | |
| CN112837315B (zh) | 一种基于深度学习的输电线路绝缘子缺陷检测方法 | |
| CN110866494B (zh) | 一种基于光学遥感影像的城镇群提取方法及系统 | |
| CN111553303A (zh) | 基于卷积神经网络的遥感正射影像密集建筑物提取方法 | |
| CN108256464B (zh) | 基于深度学习的高分辨率遥感影像城市道路提取方法 | |
| CN113792667A (zh) | 基于三维遥感影像进行村镇建筑性质自动分类方法及装置 | |
| CN114331031B (zh) | 一种建筑传统特征识别评价方法和系统 | |
| CN113297915A (zh) | 一种基于无人机巡检的绝缘子识别目标检测方法 | |
| CN107944383A (zh) | 基于三维Voronoi图的建筑物屋顶面片分割方法 | |
| Wen et al. | Monitoring the green evolution of vernacular buildings based on deep learning and multi-temporal remote sensing images | |
| CN114078218B (zh) | 一种自适应融合的森林烟火识别数据增广方法 | |
| CN114912707A (zh) | 一种基于多模态融合的空气质量预测系统及预测方法 | |
| CN115984603A (zh) | 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统 | |
| CN111325239A (zh) | 一种基于图像的天气识别的方法及设备 | |
| CN112949612A (zh) | 一种基于无人机高分辨率遥感影像海岸带地物分类方法 | |
| CN114266984A (zh) | 一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法 | |
| CN113902792A (zh) | 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备 | |
| CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
| CN114387446A (zh) | 一种高分率遥感影像水体自动提取方法 | |
| CN117953387A (zh) | 基于知识一致性约束的跨分辨率土地覆盖分类方法和系统 | |
| CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
| CN112000758B (zh) | 一种三维城市建筑构建方法 | |
| CN111489421B (zh) | 一种卫星地图切分建筑重新组合方法 | |
| CN117036733A (zh) | 一种城市道路场景特征线提取的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201027 |
|
| WD01 | Invention patent application deemed withdrawn after publication |