CN112215059A - 一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质 - Google Patents

一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质 Download PDF

Info

Publication number
CN112215059A
CN112215059A CN202010873246.5A CN202010873246A CN112215059A CN 112215059 A CN112215059 A CN 112215059A CN 202010873246 A CN202010873246 A CN 202010873246A CN 112215059 A CN112215059 A CN 112215059A
Authority
CN
China
Prior art keywords
urban
village
remote sensing
image
population
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
Application number
CN202010873246.5A
Other languages
English (en)
Other versions
CN112215059B (zh
Inventor
陈龙彪
陆晨晖
袁方旭
王程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN202010873246.5A priority Critical patent/CN112215059B/zh
Publication of CN112215059A publication Critical patent/CN112215059A/zh
Application granted granted Critical
Publication of CN112215059B publication Critical patent/CN112215059B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/182Network patterns, e.g. roads or rivers
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/176Urban or other man-made structures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/50Context or environment of the image
    • G06V20/52Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53Recognition of crowd images, e.g. recognition of crowd congestion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于深度学习的城中村识别和人口估计方法、系统级计算机可存储介质,其中方法包括城中村识别阶段和城中村人口估计阶段,所述城中村识别阶段:提取城市路网图,使用opencv python包在路网图上提取路网轮廓,在遥感卫星图像上切割出图像块;对切割出的图像块进行城中村标注,选取样本构成训练样本集,使用Mask‑RCNN模型进行训练和预测,获取城市遥感卫星图像上的城中村分布图;所述城中村人口估计阶段:在城市遥感卫星图像上的城中村分布图中切割出每一个城中村遥感卫星图像,计算得到房屋容量特征、人群移动特征和区域功能特征;将三者作为输入,利用残差网络模型训练和预测城中村人口数量。本发明提供的方法,具有高效、低耗的优点,同时也达到了较高的识别和估计准确率。

Description

一种基于深度学习的城中村识别和人口估计方法、系统及计 算机可读存储介质
技术领域
本发明涉及城市计算领域领域,特别是指一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质。
背景技术
城中村出现在许多发展中国家的快速的城市化进程中,它们是滞后于城市发展步伐、游离于现代城市管理之外、生活水平低下的居民区。它们给城市发展带来了严重的社会和经济挑战。定位和划分城中村区域并统计其中人口数量对于政府进行翻新规划城中村非常重要。
传统的城中村识别和人口估计的方法主要依靠城市管理人员的实地调查和人口普查,为了对城中村边界进行清晰划分还必须保证调查人员对城中村具有综合认识。该传统方法的缺陷在于调查过程造成大量时间成本和人力财力成本的消耗。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质,基于目标检测与实例分割技术的城中村识别方法和基于异构数据融合的人口估计方法,具有高效、低耗的优点,同时也达到了较高的识别和估计准确率。
本发明采用如下技术方案:
一种基于深度学习的城中村识别和人口估计方法,包括城中村识别阶段和城中村人口估计阶段,具体步骤包括:
所述城中村识别阶段:提取城市路网图,使用opencv python包在路网图上提取路网轮廓,在遥感卫星图像上切割出图像块;对切割出的图像块进行城中村标注,选取样本构成训练样本集,使用Mask-RCNN模型进行训练和预测,获取城市遥感卫星图像上的城中村分布图;
所述城中村人口估计阶段:使用opencv python包在获取的城市遥感卫星图像上的城中村分布图中切割出每一个城中村遥感卫星图像;对城中村遥感卫星图像,利用Mask-RCNN模型训练预测房屋类型,计算得到房屋容量特征;将出租车和共享单车的GPS经纬度坐标映射到城中村遥感卫星图像,统计计算得到人群移动特征;统计各类别的POI数量与城中村真实人口数量,计算两者的斯皮尔曼相关系数,根据计算的斯皮尔曼相关系数选取POI类别,统计各类别的POI数量作为各城中村的区域功能特征;将房屋容量特征、人群移动特征和区域功能特征作为输入,利用残差网络模型训练和预测城中村人口数量。
具体地,所述提取城市路网图,使用opencv python包在路网图上提取路网轮廓,具体包括:
按照遥感卫星图像的像素比例,定义同样大小的网格;
将每个出租车的GPS坐标映射到对应的网格内,累加每个网格内的出租车数量;
设定适当的阈值,将超过阈值的网格置为白色,低于阈值的网格置为黑色,得到与卫星遥感图像同样大小的二值路网图;
使用opencv python包在路网二值图像上提取路网轮廓。
具体地,所述对切割出的图像块进行城中村标注,选取样本构成训练样本集,使用Mask-RCNN模型进行训练和预测,获取城市遥感卫星图像上的城中村分布图,具体包括:
使用labelme图像标注工具对图像块进行城中村标注;
将标注的图像块按大小分为三类,在每类中选取样本构成训练样本集;
将在图像训练集上已经预训练好的权重数据加载到Mask-RCNN模型中,再使用构建好的城中村训练集在模型中继续训练;
将训练好的模型在每个图像块中识别城中村,同时将每个图像块中识别的城中村区域按照坐标映射回原图,获得在城市遥感卫星图像上的城中村分布图。
具体地,对城中村遥感卫星图像,利用Mask-RCNN模型训练预测房屋类型,计算得到房屋容量特征,具体包括:
使用labelme图像标注工具对切割的每一个城中村遥感卫星图像,并按照根据房屋类型对房屋进行房屋标注,选择标注图像构建训练样本集;
将训练样本集输入Mask-RCNN模型进行训练至收敛;
将训练后的模型对每一个城中村遥感卫星图像房屋类型进行预测,将预测的房屋类型mask映射回原图得到城中村的房屋类型识别结果,同时统计不同类型房屋的数量;
将城中村各类型房屋数量带入城中村人口容量经验公式,得到房屋容量特征。
具体地,所述选取POI类别包括:购物、生活服务、医疗、餐饮、交通设施、休闲娱乐、地产小区、公司企业、汽车服务和政府机构。
具体地,将房屋容量特征、人群移动特征和区域功能特征作为输入,利用残差网络模型训练和预测城中村人口数量,具体包括:
提取每个城中村的房屋容量特征、人群移动特征和区域功能特征和真实人口数据,构建训练集;
构建残差网络模型,在训练集上进行训练至收敛;
在训练好的模型上,将房屋容量特征、人群移动特征和区域功能特征作为输入,预测出城中村人口数量。
本发明另一方面提供一种基于深度学习的城中村识别和人口估计系统,包括城中村识别单元和城中村人口估计单元,具体包括:
所述城中村识别单元:提取路网模块:提取城市路网图,使用opencv python包在路网图上提取路网轮廓,在遥感卫星图像上切割出图像块;获取城中村分布图模块:对切割出的图像块进行城中村标注,选取样本构成训练样本集,使用Mask-RCNN模型进行训练和预测,获取城市遥感卫星图像上的城中村分布图;
所述城中村人口估计单元:切割城中村遥感卫星图像模块:使用opencv python包在获取的城市遥感卫星图像上的城中村分布图中切割出每一个城中村遥感卫星图像;房屋容量特征获取模块:对城中村遥感卫星图像,利用Mask-RCNN模型训练预测房屋类型,计算得到房屋容量特征;人群移动特征获取模块:将出租车和共享单车的GPS经纬度坐标映射到城中村遥感卫星图像,统计计算得到人群移动特征;区域功能特征获取模块:统计各类别的POI数量与城中村真实人口数量,计算两者的斯皮尔曼相关系数,根据计算的斯皮尔曼相关系数选取POI类别,统计各类别的POI数量作为各城中村的区域功能特征;预测城中村人口数量模块:将房屋容量特征、人群移动特征和区域功能特征作为输入,利用残差网络模型训练和预测城中村人口数量。
本发明再一方面提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于执行权利要求上述的基于深度学习的城中村识别和人口估计方法。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
(1)本发明提出的基于深度学习的城中村识别和人口估计方法,包括对城中村的识别和对城中村人口的估计;在城中村识别阶段,采用在目标检测和实例分割上具有很好效果的Mask-RCNN模型,输入城市遥感卫星图像得到城市中的城中村分布图;在城中村人口估计阶段,从遥感卫星图像、出租车和共享单车轨迹数据、城市POI数据中提取房屋容量特征、人群移动特征、区域功能特征这三类特征,训练残差网络模型,从而估计每个城中村的人口数量;具有高效、低耗的优点,同时也达到了较高的识别和估计准确率,解决了目前城中村识别和人口估计较为困难的问题,对于政府根据定位和划分城中村区域以及其中人口数量进行翻新规划城中村具有非常重要的意义。
(2)提取城市路网图,使用opencv python包在路网图上提取路网轮廓,在遥感卫星图像上切割出图像块,本发明提出了用城市路网进行遥感卫星图像切割的方法,由于城中村必定存在于城市路网包围的区域内,按照城市路网将城中村切割成小块,能够很大程度保证城中村的完整性,有效地避免了以固定大小的方块均匀切割遥感卫星图像,将一个完整的城中村区域切割在不同的块中的问题,同时避免了固定大小分割造型的准确度损失和人为边界的问题。
附图说明
图1为本发明实施例方法的整体流程图;
图2为本发明实施例中的路网示例图厦门路网图;
图3为本发明实施例中的固定大小分割图像块和路网分割图像块的识别情况对比图;图3(a)是固定大小分割图像块识别示例图,图3(b)是路网分割分割图像块识别示例图;
图4为本发明实施例中城市遥感卫星图像上的城中村分布图;
图5为本发明实施例中城中村四类房屋示例图;图5(a)砖瓦房,图5(b)白顶房,图5(c)红顶房,图5(d)灰旧房;
图6为本发明实施例中城中村房屋识别结果示例图;
图7为本发明实施例中残差网络模型结构图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
该技术方案主要分为两个阶段框架,一是对城中村的识别,二是对城中村人口的估计。在城中村识别阶段,采用在目标检测和实例分割上具有很好效果的Mask-RCNN模型,输入城市遥感卫星图像得到城市中的城中村分布图。在城中村人口估计阶段,从遥感卫星图像、出租车和共享单车轨迹数据、城市POI数据中提取房屋容量特征、人群移动特征、区域功能特征这三类特征,训练残差网络模型,从而估计每个城中村的人口数量。
所述城中村识别阶段:提取城市路网图,使用opencv python包在路网图上提取路网轮廓,在遥感卫星图像上切割出图像块;对切割出的图像块进行城中村标注,选取样本构成训练样本集,使用Mask-RCNN模型进行训练和预测,获取城市遥感卫星图像上的城中村分布图;
城市路网提取和路网区域分割;在城中村识别阶段,由于城市范围的遥感卫星图像过大,不能直接放入模型中训练,因此需要将遥感卫星图像切割成小块依次进行模型训练和预测。若以固定大小的方块均匀切割遥感卫星图像,会难以避免地将一个完整的城中村区域切割在不同的块中,这会使得城中村区域的特征损失导致漏检,同时在识别拼接后的相邻块间会存在人为边界。为了解决这一问题,该技术方案提出了用城市路网进行遥感卫星图像切割的方法。城中村必定存在于城市路网包围的区域内,按照城市路网将城中村切割成小块,能够很大程度保证城中村的完整性,有效地避免了上述的问题。
首先,从城市出租车的轨迹数据中提取路网。按照遥感卫星图像的像素比例,定义同样大小的网格。将每个出租车的GPS坐标映射到对应的网格内,累加每个网格内的出租车数量。设定适当的阈值,将超过阈值的网格置为白色,低于阈值的网格置为黑色,最终得到与卫星遥感图像同样大小的二值路网图,如图2所示。接着,我们使用opencv python包切割路网包围的区块。该包可以有效提取图像中的轮廓,并按照轮廓切割出矩形块。最终得到城市中路网包围的不同大小的图像块。使用路网分割的图像块进行城中村识别有效地避免了固定大小分割造成的准确度损失和人为边界,效果如图3所示。
基于Mask-RCNN模型的城中村识别;Mask-RCNN模型是基于卷积神经网络的目标检测和实例分割算法模型,它能够非常有效地检测目标对象,同时对每一个实例产生一个高质量的分割mask。首先,需要构建训练集。该技术方案使用labelme图像标注工具对每一个图像块进行标注。由于路网切割的块大小不一致,因此我们将所有块按大小分成三类,在每一类中选取适当样本构成训练样本集。接着,训练Mask-RCNN模型。
Mask-RCNN模型加载在coco训练集上已经预训练好的权重数据,再在构建好的城中村数据集上继续训练。最后,将训练好的模型在每个块中检测城中村,同时将每个块中检测的城中村mask按照坐标映射回原图,获得在城市遥感卫星图像上的城中村分布,如图4所示。
所述城中村人口估计阶段:使用opencv python包在获取的城市遥感卫星图像上的城中村分布图中切割出每一个城中村遥感卫星图像;对城中村遥感卫星图像,利用Mask-RCNN模型训练预测房屋类型,计算得到房屋容量特征;将出租车和共享单车的GPS经纬度坐标映射到城中村遥感卫星图像,统计计算得到人群移动特征;统计各类别的POI数量与城中村真实人口数量,计算两者的斯皮尔曼相关系数,根据计算的斯皮尔曼相关系数选取POI类别,统计各类别的POI数量作为各城中村的区域功能特征;将房屋容量特征、人群移动特征和区域功能特征作为输入,利用残差网络模型训练和预测城中村人口数量。
(1)房屋容量特征
房屋的多少直观反映了该区域内的人口容量,因此从卫星图像中识别和统计城中村内的房屋数量,结合各类房屋的住房特点,得到城中村大概的人口容量,作为人口估计的一类主要特征。首先,实地调查城中村的房屋的特点,并进行大致分类。我们将厦门市城中村大致分为四类:砖瓦房、白顶房、红顶房、灰旧房,如图5所示。
各房屋的特点是:砖瓦房为一层的老式建筑,三角架式屋顶在卫星图像中十分明显;白顶房是城中村中可能进行加盖或翻新的普通水泥房,屋顶处常搭有隔热板,在卫星图像中呈现亮白色或灰白色,此房屋类型大概四、五层;红顶房是个别城中村为了应改善城市美观的政府要求,进而改变了房屋屋顶为红砖式屋顶,该房屋大概为三层;灰旧房则是城中村中最普遍的水泥房,房屋老旧,屋顶多有污泥,在卫星遥感图像中呈现暗黑色,该房屋大概三、四层。通过调查以及参考厦门市人口普查数据,我们按照砖瓦房为1层,白顶房4层和5层占各半,红顶房3层,灰旧房3层和4层占各半,且每层两户,平均每户约住2.06人获得最终人口容量的经验公式,如下。
房屋容量=(砖瓦房数量×2+白顶房数量×9+红顶房数量×6+灰旧房数量×8.6)
×2.06
接着同样利用Mask-RCNN模型在城中村遥感卫星图像上识别四类房屋。首先,利用python的PIL库对城中村卫星图像进行切割,规定每个块的大小为1024x1024的像素比例。接着,使用labelme标注工具在切割的块上进行四类房屋的实例标注,选取适当的训练样本在Mask-RCNN模型上进行训练。将训练后的模型对所有块进行预测,将预测的房屋mask映射回原图可得到城中村的房屋识别结果,如图6所示。统计不同类型房屋的数量,并带入经验公式,最终得到每个城中村的房屋容量特征。
(2)人群移动特征
出租车和共享单车的轨迹数据反映了人们的出行情况和该区域内的人流量。通过统计城中村范围的出租车和共享单车使用情况作为人群移动特征,有利于城中村的人口估计。具体地,我们将出租车和共享单车的GPS经纬度坐标映射到城中村内,统计平均一段时间内城中村附近出租车上下车的数量和共享单车使用数量。
(3)区域功能特征
我们使用POI类别分布情况来描述城中村的区域功能,统计城中村内的POI数量作为城中村人口估计的一类区域功能特征。但是POI类别众多,不是所有POI类别都与城中村的人口具有很大相关性,因此需要进行相关性分析来选择具有高相关性的类别参与人口估计。具体的,对于每个城中村,我们统计各类别的POI数量与城中村真实人口数量,计算两者的斯皮尔曼相关系数来衡量其相关性。选取前10个与城中村人口最相关的POI类别,分别是:购物、生活服务、医疗、餐饮、交通设施、休闲娱乐、地产小区、公司企业、汽车服务、政府机构,统计城中村内各类别的POI数量作为城中村的区域功能特征。
基于残差网络模型的人口估计;该技术方案使用一个残差网络模型来融合三类特征进行人口估计,模型结构如图7所示。由于房屋容量特征计算的是城中村的人口容量,已经在一定程度上对城中村人口进行了估计。而人群移动特征和区域功能特征表征的是城中村的人流量和区域热度,不是以人口的数量作为量级,我们将其作为人口数量的调优特征。因此,该残差网络模型将房屋容量特征作为一个输入,将三类特征连接为向量作为另一个输入。对后一个输入采用由多个全连接层构成的神经网络来预测一个在已知城中村人口容量的基础上得到的相对人口变化量,再与第一个输入相加,最终得到人口估计值。具体地,我们首先选取适当数量的城中村,提取它们的三类特征和真实人口数据作为训练样本集。其次,将训练集输入模型进行多次迭代直至收敛。最后将训练好的模型用于城中村人口估计,输入为城中村的三类特征,输出即为城中村的人口数量。
实施例另一方面,提供一种基于深度学习的城中村识别和人口估计系统,包括城中村识别单元和城中村人口估计单元,具体包括:
所述城中村识别单元:提取路网模块:提取城市路网图,使用opencv python包在路网图上提取路网轮廓,在遥感卫星图像上切割出图像块;获取城中村分布图模块:对切割出的图像块进行城中村标注,选取样本构成训练样本集,使用Mask-RCNN模型进行训练和预测,获取城市遥感卫星图像上的城中村分布图;
所述城中村人口估计单元:切割城中村遥感卫星图像模块:使用opencv python包在获取的城市遥感卫星图像上的城中村分布图中切割出每一个城中村遥感卫星图像;房屋容量特征获取模块:对城中村遥感卫星图像,利用Mask-RCNN模型训练预测房屋类型,计算得到房屋容量特征;人群移动特征获取模块:将出租车和共享单车的GPS经纬度坐标映射到城中村遥感卫星图像,统计计算得到人群移动特征;区域功能特征获取模块:统计各类别的POI数量与城中村真实人口数量,计算两者的斯皮尔曼相关系数,根据计算的斯皮尔曼相关系数选取POI类别,统计各类别的POI数量作为各城中村的区域功能特征;预测城中村人口数量模块:将房屋容量特征、人群移动特征和区域功能特征作为输入,利用残差网络模型训练和预测城中村人口数量。
本发明的再一方面,提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于执行本发明所提供的基于深度学习的城中村识别和人口估计方法。
计算机指令(也称作程序、软件、软件应用或代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算机指令。术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(programmable logic device,PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。

Claims (8)

1.一种基于深度学习的城中村识别和人口估计方法,其特征在于,包括城中村识别阶段和城中村人口估计阶段,具体步骤包括:
所述城中村识别阶段:提取城市路网图,使用opencv python包在路网图上提取路网轮廓,在遥感卫星图像上切割出图像块;对切割出的图像块进行城中村标注,选取样本构成训练样本集,使用Mask-RCNN模型进行训练和预测,获取城市遥感卫星图像上的城中村分布图;
所述城中村人口估计阶段:使用opencv python包在获取的城市遥感卫星图像上的城中村分布图中切割出每一个城中村遥感卫星图像;对城中村遥感卫星图像,利用Mask-RCNN模型训练预测房屋类型,计算得到房屋容量特征;将出租车和共享单车的GPS经纬度坐标映射到城中村遥感卫星图像,统计计算得到人群移动特征;统计各类别的POI数量与城中村真实人口数量,计算两者的斯皮尔曼相关系数,根据计算的斯皮尔曼相关系数选取POI类别,统计各类别的POI数量作为各城中村的区域功能特征;将房屋容量特征、人群移动特征和区域功能特征作为输入,利用残差网络模型训练和预测城中村人口数量。
2.根据权利要求1所述的一种基于深度学习的城中村识别和人口估计方法,其特征在于,所述提取城市路网图,使用opencv python包在路网图上提取路网轮廓,具体包括:
按照遥感卫星图像的像素比例,定义同样大小的网格;
将每个出租车的GPS坐标映射到对应的网格内,累加每个网格内的出租车数量;
设定适当的阈值,将超过阈值的网格置为白色,低于阈值的网格置为黑色,得到与卫星遥感图像同样大小的二值路网图;
使用opencv python包在路网二值图像上提取路网轮廓。
3.根据权利要求1所述的一种基于深度学习的城中村识别和人口估计方法,其特征在于,所述对切割出的图像块进行城中村标注,选取样本构成训练样本集,使用Mask-RCNN模型进行训练和预测,获取城市遥感卫星图像上的城中村分布图,具体包括:
使用labelme图像标注工具对图像块进行城中村标注;
将标注的图像块按大小分为三类,在每类中选取样本构成训练样本集;
将在图像训练集上已经预训练好的权重数据加载到Mask-RCNN模型中,再使用构建好的城中村训练集在模型中继续训练;
将训练好的模型在每个图像块中识别城中村,同时将每个图像块中识别的城中村区域按照坐标映射回原图,获得在城市遥感卫星图像上的城中村分布图。
4.根据权利要求1所述的一种基于深度学习的城中村识别和人口估计方法,其特征在于,对城中村遥感卫星图像,利用Mask-RCNN模型训练预测房屋类型,计算得到房屋容量特征,具体包括:
使用labelme图像标注工具对切割的每一个城中村遥感卫星图像,并按照根据房屋类型对房屋进行房屋标注,选择标注图像构建训练样本集;
将训练样本集输入Mask-RCNN模型进行训练至收敛;
将训练后的模型对每一个城中村遥感卫星图像房屋类型进行预测,将预测的房屋类型mask映射回原图得到城中村的房屋类型识别结果,同时统计不同类型房屋的数量;
将城中村各类型房屋数量带入城中村人口容量经验公式,得到房屋容量特征。
5.根据权利要求1所述的一种基于深度学习的城中村识别和人口估计方法,其特征在于,所述选取POI类别包括:购物、生活服务、医疗、餐饮、交通设施、休闲娱乐、地产小区、公司企业、汽车服务和政府机构。
6.根据权利要求1所述的一种基于深度学习的城中村识别和人口估计方法,其特征在于,将房屋容量特征、人群移动特征和区域功能特征作为输入,利用残差网络模型训练和预测城中村人口数量,具体包括:
提取每个城中村的房屋容量特征、人群移动特征和区域功能特征和真实人口数据,构建训练集;
构建残差网络模型,在训练集上进行训练至收敛;
在训练好的模型上,将房屋容量特征、人群移动特征和区域功能特征作为输入,预测出城中村人口数量。
7.一种基于深度学习的城中村识别和人口估计系统,其特征在于,包括城中村识别单元和城中村人口估计单元,具体包括:
所述城中村识别单元:提取路网模块:提取城市路网图,使用opencv python包在路网图上提取路网轮廓,在遥感卫星图像上切割出图像块;获取城中村分布图模块:对切割出的图像块进行城中村标注,选取样本构成训练样本集,使用Mask-RCNN模型进行训练和预测,获取城市遥感卫星图像上的城中村分布图;
所述城中村人口估计单元:切割城中村遥感卫星图像模块:使用opencv python包在获取的城市遥感卫星图像上的城中村分布图中切割出每一个城中村遥感卫星图像;房屋容量特征获取模块:对城中村遥感卫星图像,利用Mask-RCNN模型训练预测房屋类型,计算得到房屋容量特征;人群移动特征获取模块:将出租车和共享单车的GPS经纬度坐标映射到城中村遥感卫星图像,统计计算得到人群移动特征;区域功能特征获取模块:统计各类别的POI数量与城中村真实人口数量,计算两者的斯皮尔曼相关系数,根据计算的斯皮尔曼相关系数选取POI类别,统计各类别的POI数量作为各城中村的区域功能特征;预测城中村人口数量模块:将房屋容量特征、人群移动特征和区域功能特征作为输入,利用残差网络模型训练和预测城中村人口数量。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于执行权利要求1-7中任一项所述的方法。
CN202010873246.5A 2020-08-26 2020-08-26 一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质 Active CN112215059B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010873246.5A CN112215059B (zh) 2020-08-26 2020-08-26 一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010873246.5A CN112215059B (zh) 2020-08-26 2020-08-26 一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112215059A true CN112215059A (zh) 2021-01-12
CN112215059B CN112215059B (zh) 2023-10-27

Family

ID=74058945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010873246.5A Active CN112215059B (zh) 2020-08-26 2020-08-26 一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112215059B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114819852A (zh) * 2022-05-24 2022-07-29 黄小兵 用于智慧城市的物流规划系统及方法
CN117313981A (zh) * 2023-07-11 2023-12-29 厦门身份宝网络科技有限公司 一种城中村人口动态分析方法、装置、设备及可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160300105A1 (en) * 2015-04-10 2016-10-13 Tata Consultancy Services Limited Method and system for geo-demographic classification of a geographical region
CN107239756A (zh) * 2017-05-23 2017-10-10 国家地理空间信息中心 基于高分卫星遥感数据结合地物类型的人口密度分析系统
CN107967532A (zh) * 2017-10-30 2018-04-27 厦门大学 融合区域活力的城市交通流量预测方法
CN109308549A (zh) * 2017-11-20 2019-02-05 章文洁 一种城市综合体活力分析方法和系统
CN109376969A (zh) * 2018-12-14 2019-02-22 中南大学 基于深度学习的城市精细化人口分布动态预测方法及装置
CN109948737A (zh) * 2019-04-08 2019-06-28 河南大学 基于大数据和机器学习的贫困空间分类识别方法和装置
CN110765833A (zh) * 2019-08-19 2020-02-07 中云智慧(北京)科技有限公司 一种基于深度学习的人群密度估计方法
CN110969190A (zh) * 2019-11-07 2020-04-07 厦门大学 非法营运车辆检测方法、介质、设备及装置
CN110991705A (zh) * 2019-11-15 2020-04-10 广州地理研究所 一种基于深度学习的城市扩展预测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160300105A1 (en) * 2015-04-10 2016-10-13 Tata Consultancy Services Limited Method and system for geo-demographic classification of a geographical region
CN107239756A (zh) * 2017-05-23 2017-10-10 国家地理空间信息中心 基于高分卫星遥感数据结合地物类型的人口密度分析系统
CN107967532A (zh) * 2017-10-30 2018-04-27 厦门大学 融合区域活力的城市交通流量预测方法
CN109308549A (zh) * 2017-11-20 2019-02-05 章文洁 一种城市综合体活力分析方法和系统
CN109376969A (zh) * 2018-12-14 2019-02-22 中南大学 基于深度学习的城市精细化人口分布动态预测方法及装置
CN109948737A (zh) * 2019-04-08 2019-06-28 河南大学 基于大数据和机器学习的贫困空间分类识别方法和装置
CN110765833A (zh) * 2019-08-19 2020-02-07 中云智慧(北京)科技有限公司 一种基于深度学习的人群密度估计方法
CN110969190A (zh) * 2019-11-07 2020-04-07 厦门大学 非法营运车辆检测方法、介质、设备及装置
CN110991705A (zh) * 2019-11-15 2020-04-10 广州地理研究所 一种基于深度学习的城市扩展预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谭永宏等: "基于多项式神经网络模型的人口预测方法研究", 《数学的实践与认识》, pages 152 - 158 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114819852A (zh) * 2022-05-24 2022-07-29 黄小兵 用于智慧城市的物流规划系统及方法
CN114819852B (zh) * 2022-05-24 2022-11-22 深圳市神州龙智慧城市科技有限公司 用于智慧城市的物流规划系统及方法
CN117313981A (zh) * 2023-07-11 2023-12-29 厦门身份宝网络科技有限公司 一种城中村人口动态分析方法、装置、设备及可读存储介质
CN117313981B (zh) * 2023-07-11 2024-05-14 厦门身份宝网络科技有限公司 一种城中村人口动态分析方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN112215059B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN112215059B (zh) 一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质
CN106600960B (zh) 基于时空聚类分析算法的交通出行起讫点识别方法
US20180301031A1 (en) A method and system for automatically detecting and mapping points-of-interest and real-time navigation using the same
CN108629978A (zh) 一种基于高维路网和循环神经网络的交通轨迹预测方法
Chen et al. Multi-modal fusion of satellite and street-view images for urban village classification based on a dual-branch deep neural network
CN105844229A (zh) 一种乘客拥挤度的计算方法及其系统
CN112447041B (zh) 识别车辆的营运行为的方法、装置及计算设备
CN105513354A (zh) 基于视频的城市道路交通拥堵检测系统
WO2021082464A1 (zh) 预测车辆的目的地的方法和装置
CN108288321A (zh) 基于ic卡数据与车辆gps信息的公交站点上下客流量确定方法
CN113505521B (zh) 一种耦合神经网络-数值模拟的城市内涝快速预报方法
CN114708521A (zh) 基于街景图像目标关系感知网络的城市功能区识别方法及系统
CN112862240A (zh) 一种基于城市大数据的道路障碍风险评估方法、装置及可读存储介质
Chen et al. UVLens: Urban village boundary identification and population estimation leveraging open government data
Jiang et al. Pedestrian volume prediction with high spatiotemporal granularity in urban areas by the enhanced learning model
Huang et al. Comprehensive urban space representation with varying numbers of street-level images
CN111400877B (zh) 一种基于gis数据的智能城市仿真系统和方法
Kumar et al. Open-air Off-street Vehicle Parking Management System Using Deep Neural Networks: A Case Study
CN114913475B (zh) 基于gis和机器视觉的城市网格化管理方法及系统
Yang et al. Quantifying the relationship between natural and socioeconomic factors and with fine particulate matter (pm2. 5) pollution by integrating remote sensing and geospatial big data
Majumder An Approach to Counting Vehicles from Pre-Recorded Video Using Computer Algorithms
CN115456238A (zh) 一种基于动态多视图耦合图卷积的城市出行需求预测方法
Anugraha et al. Land use classification from combined use of remote sensing and social sensing data
CN106202577A (zh) 一种基于mda的多维数据抽取方法
CN113343781B (zh) 使用遥感数据和出租车轨迹数据的城市功能区识别方法

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