CN113361371B - 道路提取方法、装置、设备以及存储介质 - Google Patents
道路提取方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113361371B CN113361371B CN202110611757.4A CN202110611757A CN113361371B CN 113361371 B CN113361371 B CN 113361371B CN 202110611757 A CN202110611757 A CN 202110611757A CN 113361371 B CN113361371 B CN 113361371B
- Authority
- CN
- China
- Prior art keywords
- road
- remote sensing
- sensing image
- sample
- information
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000002372 labelling Methods 0.000 claims description 127
- 230000011218 segmentation Effects 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 47
- 238000002347 injection Methods 0.000 claims description 12
- 239000007924 injection Substances 0.000 claims description 12
- 238000009432 framing Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000001746 injection moulding Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种道路提取方法、装置、设备、存储介质以及程序产品,涉及人工智能领域,具体涉及计算机视觉和深度学习技术,可用于遥感影像场景下。该方法的一具体实施方式包括:获取遥感影像;利用预先训练的第一斜框标注模型对遥感影像进行斜框标注,得到遥感影像的道路的斜框标注信息;基于遥感影像的道路的斜框标注信息,提取遥感影像的道路信息。该实施方式采用斜框检测的方法进行道路提取,可以有效提升道路的连续性。
Description
技术领域
本公开涉及人工智能领域,具体涉及计算机视觉和深度学习技术,可用于遥感影像场景下。
背景技术
遥感影像道路提取,旨在对遥感影像进行像素级内容分析,提取其中的道路信息,在城乡规划、地图绘制等领域具有很高的实用价值。然而,现有的遥感影像道路提取技术使用语义分割的方法进行处理,导致道路连续性较差。
发明内容
本公开实施例提出了一种道路提取方法、装置、设备、存储介质以及程序产品。
第一方面,本公开实施例提出了一种道路提取方法,包括:获取遥感影像;利用预先训练的第一斜框标注模型对遥感影像进行斜框标注,得到遥感影像的道路的斜框标注信息;基于遥感影像的道路的斜框标注信息,提取遥感影像的道路信息。
第二方面,本公开实施例提出了一种道路提取装置,包括:获取模块,被配置成获取遥感影像;标注模块,被配置成利用预先训练的第一斜框标注模型对遥感影像进行斜框标注,得到遥感影像的道路的斜框标注信息;提取模块,被配置成基于遥感影像的道路的斜框标注信息,提取遥感影像的道路信息。
第三方面,本公开实施例提出了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面,本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
第五方面,本公开实施例提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开实施例提供的道路提取方法、装置、设备、存储介质以及程序产品,利用第一斜框标注模型对遥感影像进行斜框标注,基于斜框标注信息提取道路信息。采用斜框检测的方法进行道路提取,可以有效提升道路的连续性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的道路提取方法的一个实施例的流程图;
图2是根据本公开的道路提取方法的又一个实施例的流程图;
图3是第一斜框标注模型训练方法的一个实施例的流程图;
图4是根据本公开的道路提取方法的另一个实施例的流程图;
图5是第一斜框标注模型训练方法的又一个实施例的流程图;
图6是样本道路分割标注图片生成方法的一个实施例的流程图;
图7是根据本公开的道路提取装置的一个实施例的结构示意图;
图8是用来实现本公开实施例的道路提取方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的道路提取方法的一个实施例的流程100。该道路提取方法包括以下步骤:
步骤101,获取遥感影像。
在本实施例中,道路提取方法的执行主体可以获取遥感影像。其中,遥感影像可以是对路面进行扫描成像所得到的图像。
步骤102,利用预先训练的第一斜框标注模型对遥感影像进行斜框标注,得到遥感影像的道路的斜框标注信息。
在本实施例中,上述执行主体可以利用预先训练的第一斜框标注模型对遥感影像进行斜框标注,得到遥感影像的道路的斜框标注信息。
通常,采用斜框检测的方法提取的道路可以由多个首尾相连的线段连接而成,从而使得道路更加标准化,且连续性更佳。道路上的一个线段就是一个斜框。斜框标注信息可以包括斜框的对角线交点、宽、高和倾斜角度。第一斜框标注模型可以用于检测遥感影像的道路的斜框,是通过深度学习方法利用训练样本集预先训练得到的。这里,第一斜框标注模型可以是基于transformer的模型。训练样本集中的训练样本可以是标注有斜框标注信息的样本道路分割标注图片。
需要说明的是,遥感影像可以直接输入至第一斜框标注模型进行斜框标注,也可以处理后输入至第一斜框标注模型进行斜框标注,这里不进行具体限定。
步骤103,基于遥感影像的道路的斜框标注信息,提取遥感影像的道路信息。
在本实施例中,上述执行主体可以基于遥感影像的道路的斜框标注信息,提取遥感影像的道路信息。其中,多个首尾相连的斜框可以组成遥感影像的道路。斜框标注信息就是道路信息。
本公开实施例提供的道路提取方法,利用第一斜框标注模型对遥感影像进行斜框标注,基于斜框标注信息提取道路信息。采用斜框检测的方法进行道路提取,可以有效提升道路的连续性。
继续参考图2,其示出了根据本公开的道路提取方法的又一个实施例的流程200。该道路提取方法包括以下步骤:
步骤201,获取遥感影像。
在本实施例中,步骤201具体操作已在图1所示的实施例中步骤101进行了详细的介绍,在此不再赘述。
步骤202,对遥感影像进行道路标注,得到标注遥感影像。
在本实施例中,上述执行主体可以对遥感影像进行道路标注,得到标注遥感影像。
需要说明的是,道路标注可以是人工标注,也可以是机器标注,这里不进行具体限定。无论人工标注,还是机器标注,遥感影像中的道路的连续性较差。
步骤203,将标注遥感影像输入至第一斜框标注模型,得到遥感影像的道路的斜框标注信息。
在本实施例中,上述执行主体可以将标注遥感影像输入至第一斜框标注模型,得到遥感影像的道路的斜框标注信息。
通常,采用斜框检测的方法提取的道路可以由多个首尾相连的线段连接而成,从而使得道路更加标准化,且连续性更佳。道路上的一个线段就是一个斜框。斜框标注信息可以包括斜框的对角线交点、宽、高和倾斜角度。第一斜框标注模型可以用于检测遥感影像的道路的斜框,是通过深度学习方法利用训练样本集预先训练得到的。这里,第一斜框标注模型可以是基于transformer的模型。训练样本集中的训练样本可以是标注有斜框标注信息的样本道路分割标注图片。样本道路分割标注图片可以作为输入,对应的斜框标注信息可以作为监督。
步骤204,基于遥感影像的道路的斜框标注信息,提取遥感影像的道路信息。
在本实施例中,步骤204具体操作已在图1所示的实施例中步骤103进行了详细的介绍,在此不再赘述。
从图2中可以看出,与图1对应的实施例相比,本实施例中的道路提取方法突出了斜框标注步骤。由此,本实施例描述的方案,第一斜框标注模型是利用样本道路分割标注图片作为输入,对应的斜框标注信息作为监督,进行训练得到的。因此,需要对标注有道路的遥感影像进行处理。先对遥感影像进行道路标注,无论标注的道路是否连续,均能够通过第一斜框标注模型提升道路的连续性。
进一步参考图3,其示出了第一斜框标注模型训练方法的一个实施例的流程300。该第一斜框标注模型训练方法包括以下步骤:
步骤301,获取样本道路分割标注图片。
在本实施例中,第一斜框标注模型训练方法的执行主体可以获取样本道路分割标注图片。其中,样本道路分割标注图片的道路标注有斜框标注信息。
需要说明的是,样本道路分割标注图片可以是对真实的遥感影像进行道路分割所得到的图片,也可以是在生成虚构的遥感影像的斜框标注信息时所得到的图片,这里不进行具体限定。
步骤302,将样本道路分割标注图片作为输入,将样本道路分割标注图片的道路的斜框标注信息作为监督,训练得到第一斜框标注模型。
在本实施例中,上述执行主体可以将样本道路分割标注图片作为输入,将样本道路分割标注图片的道路的斜框标注信息作为监督,训练得到第一斜框标注模型。其中,第一斜框标注模型可以是基于transformer的模型。
本公开实施例提供的第一斜框标注模型训练方法,利用标注有斜框标注信息的样本道路分割标注图片进行有监督训练,能够得到用于检测遥感影像的道路的斜框的第一斜框标注模型。第一斜框标注模型可以对标注有道路的遥感影像进行处理。
进一步参考图4,其示出了根据本公开的道路提取方法的另一个实施例的流程400。该道路提取方法包括以下步骤:
步骤401,获取遥感影像。
在本实施例中,步骤401具体操作已在图1所示的实施例中步骤101进行了详细的介绍,在此不再赘述。
步骤402,将遥感影像输入至第一斜框标注模型,得到遥感影像的道路的斜框标注信息。
在本实施例中,上述执行主体可以将遥感影像输入至第一斜框标注模型,得到遥感影像的道路的斜框标注信息。
通常,采用斜框检测的方法提取的道路可以由多个首尾相连的线段连接而成,从而使得道路更加标准化,且连续性更佳。道路上的一个线段就是一个斜框。斜框标注信息可以包括斜框的对角线交点、宽、高和倾斜角度。第一斜框标注模型可以用于检测遥感影像的道路的斜框,是通过深度学习方法利用训练样本集预先训练得到的。这里,第一斜框标注模型可以是基于transformer的模型。训练样本集中的训练样本可以是标注有斜框标注信息的样本遥感影像。样本遥感影像可以作为输入,对应的斜框标注信息可以作为监督。
步骤403,基于遥感影像的道路的斜框标注信息,提取遥感影像的道路信息。
在本实施例中,步骤403具体操作已在图1所示的实施例中步骤103进行了详细的介绍,在此不再赘述。
从图4中可以看出,与图1对应的实施例相比,本实施例中的道路提取方法突出了斜框标注步骤。由此,本实施例描述的方案,第一斜框标注模型是利用样本遥感影像作为输入,对应的斜框标注信息作为监督,进行训练得到的。因此,无需对遥感影像进行道路标注,即可通过第一斜框标注模型得到遥感影像的道路的斜框标注信息,从而降低了道路提取的人工成本,提升了道路提取的效率。
进一步参考图5,其示出了第一斜框标注模型训练方法的又一个实施例的流程500。该第一斜框标注模型训练方法包括以下步骤:
步骤501,获取样本道路分割标注图片。
在本实施例中,第一斜框标注模型训练方法的执行主体可以获取样本道路分割标注图片。其中,样本道路分割标注图片的道路标注有斜框标注信息。
需要说明的是,样本道路分割标注图片可以是对真实的遥感影像进行道路分割所得到的图片,也可以是在生成虚构的遥感影像的斜框标注信息时所得到的图片,这里不进行具体限定。
步骤502,将样本道路分割标注图片作为输入,将样本道路分割标注图片的道路的斜框标注信息作为监督,训练得到第二斜框标注模型。
在本实施例中,上述执行主体可以将样本道路分割标注图片作为输入,将样本道路分割标注图片的道路的斜框标注信息作为监督,训练得到第二斜框标注模型。其中,第二斜框标注模型可以是基于transformer的模型,能够对标注有道路的遥感影像进行处理,得到对应的斜框标注信息。
步骤503,获取样本遥感影像。
在本实施例中,上述执行主体可以获取样本遥感影像。其中,样本遥感影像可以是真实的遥感影像,是对路面进行扫描成像所得到的图像。
步骤504,对样本遥感影像进行道路标注,得到样本标注遥感影像。
在本实施例中,上述执行主体可以对样本遥感影像进行道路标注,得到样本标注遥感影像。
需要说明的是,道路标注可以是人工标注,也可以是机器标注,这里不进行具体限定。无论人工标注,还是机器标注,样本遥感影像中的道路的连续性较差。
步骤505,将样本标注遥感影像输入至第二斜框标注模型,得到样本遥感影像的道路的斜框标注信息。
在本实施例中,上述执行主体可以将样本标注遥感影像输入至第二斜框标注模型,得到样本遥感影像的道路的斜框标注信息。其中,第二斜框标注模型是利用样本道路分割标注图片作为输入,对应的斜框标注信息作为监督,训练得到的。因此,需要对标注有道路的样本遥感影像进行处理。先对样本遥感影像进行道路标注,无论标注的道路是否连续,均能够通过第二斜框标注模型得到对应的斜框标注信息。
步骤506,将样本遥感影像作为输入,将样本遥感影像的道路的斜框标注信息作为监督,训练得到第一斜框标注模型。
在本实施例中,上述执行主体可以将样本遥感影像作为输入,将样本遥感影像的道路的斜框标注信息作为监督,训练得到第一斜框标注模型。。其中,第一斜框标注模型可以是基于transformer的模型。
本公开实施例提供的第一斜框标注模型训练方法,利用标注有斜框标注信息的样本道路分割标注图片进行有监督训练,能够得到用于检测遥感影像的道路的斜框的第二斜框标注模型。第二斜框标注模型可以对标注有道路的遥感影像进行处理。进而,利用第二斜框标注模型可以得到样本遥感影像的道路的斜框标注信息。最后,利用标注有斜框标注信息的样本遥感影像进行有监督训练,能够得到用于检测遥感影像的道路的斜框的第一斜框标注模型。第一斜框标注模型可以对遥感影像进行处理。
进一步参考图6,其示出了样本道路分割标注图片生成方法的一个实施例的流程600。该样本道路分割标注图片生成方法包括以下步骤:
步骤601,生成标签图片中的道路数量和道路宽度。
在本实施例中,样本道路分割标注图片生成方法的执行主体可以生成标签图片中的道路数量和道路宽度。
实践中,训练用于提取遥感影像的道路信息的模型需要大量标注有斜框标注信息的遥感影像。为了提高效率,可以生成大量虚构的遥感影像的道路的斜框标注信息。标签图片可以是空白图片,在标签图片上生成道路和斜框标注信息,即可得到虚构的遥感影像和对应的斜框标注信息。而标签图片尺寸、标签图片数量、每张标签图片的道路数量和道路宽度可以根据实际场景需求指定。例如,指定标签图片尺寸为1024*1024,指定标签图片数量为100张,指定每张标签图片的道路数量为5条,指定每张标签图片的宽度为4米。需要说明的是,每张标签图片的道路数量和道路宽度可以根据具体需求进行调节。例如,用于模拟乡村道路时,每张标签图片的道路数量的取值范围可以是[1,5],每张标签图片的道路宽度的取值范围可以是[1,5]。用于模拟城市道路时,每张标签图片的道路数量的取值范围可以是[3,10],每张标签图片的道路宽度的取值范围可以是[3,20]。
在本实施例的一些可选的实现方式中,上述执行主体可以通过生成随机数的方式生成道路数量和道路宽度。
步骤602,对于标签图片中的每条道路,生成道路的起点和终点。
在本实施例中,对于标签图片中的每条道路,上述执行主体可以生成该道路的起点和终点。
实践中,道路的起点可以是标签图片中的任意一个像素点,但是道路的终点必须在标签图像的四个边界上。每条道路的宽度从起点到终点是不变的,允许不同道路之间发生交叉。以标签图片尺寸是1024*1024为例,坐标系以标签图片的左上角的顶点为原点,以标签图片的上侧边界为x轴,且向右为x轴的正方向,以标签图片的左侧边界为y轴,且向下为y轴的正方向。生成的道路的起点的坐标为(x0,y0),道路的终点的坐标为(tx,ty)。其中,x0、y0、tx、ty均为整数。x0和y0的取值范围均为[0,1023]。当道路的终点在标签图片的上侧边界时,tx的取值范围为[0,1023],ty=0。当道路的终点在标签图片的右侧边界时,tx=1023,ty的取值范围为[0,1023]。当道路的终点在标签图片的下侧边界时,tx的取值范围为[0,1023],ty=1023。当道路的终点在标签图片的左侧边界时,tx=0,ty的取值范围为[0,1023]。
在本实施例的一些可选的实现方式中,对于标签图片中的每条道路,上述执行主体可以随机生成道路的起点的坐标;随机生成道路的终点所在边界的指示符;基于终点所在边界的指示符,确定终点在一个坐标轴上的值;随机生成终点在另一个坐标轴上的值;基于终点在一个坐标轴上的值和另一个坐标轴上的值,生成终点的坐标。
步骤603,在起点和终点之间生成至少一个点。
在本实施例中,上述执行主体可以在道路的起点和终点之间生成至少一个点。其中,道路的起点和终点之间生成的点的数目可以是随机的,也可以是预先设定的。点与点之间的距离可以是随机的,也可以是预先设定的。这里都不进行具体限定。
在本实施例的一些可选的实现方式中,上述执行主体可以执行以下点生成步骤:生成起点的下一点,确定下一点的坐标是否满足预设条件,响应于满足预设条件,确定点生成完毕;响应于不满足预设条件,将下一点作为所述起点,以及继续执行点生成步骤。
步骤604,对于相邻的两个点,由上一点至下一点绘制线段。
在本实施例中,对于相邻的两个点,上述执行主体可以由上一点至下一点绘制线段。其中,线段的宽度等于道路宽度。这样,标签图片上的道路就是在起点和终点之间由多个首尾相连的线段连接而成,从而使得道路更加标准化,且连续性更佳。
步骤605,基于上一点和下一点的坐标,生成斜框标注信息。
在本实施例中,上述执行主体可以基于上一点和下一点的坐标,生成斜框标注信息。其中,斜框可以是连接上一点和下一点的线段。斜框标注信息可以包括斜框的对角线交点、宽、高和倾斜角度。
在本实施例的一些可选的实现方式中,上一点的坐标是(x1,y1),下一点的坐标是(x2,y2),道路宽度是width。斜框标注信息具体如下:
斜框的对角线交点的横坐标cx=(x1+x2)/2,斜框的对角线交点的纵坐标cy=(y1+y2)/2;
斜框的宽
斜框的高h=width;
斜框的倾斜角度theta=arctan2[(y2-y1),(x2-x1)],其中,当时,斜框的倾斜角theta=theta-π,当/>时,斜框的倾斜角theta=theta+π。这样,斜框的倾斜角度theta的值就被限制在/>到/>之间。
本公开实施例提供的样本道路分割标注图片生成方法,指定图片尺寸、数量、每张图片的道路数量和道路宽度,生成虚构的遥感影像的道路的斜框标注信息,为道路斜框检测提供辅助数据。在生成虚构的遥感影像的道路的同时,即可得到道路的斜框标注信息,从而提升了辅助数据的生成效率。并且,虚构的遥感影像的道路是在起点和终点之间由多个首尾相连的线段连接而成的,从而使得道路更加标准化,且连续性更佳。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种道路提取装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的道路提取装置700可以包括:获取模块701、标注模块702和提取模块703。其中,获取模块701,被配置成获取遥感影像;标注模块702,被配置成利用预先训练的第一斜框标注模型对遥感影像进行斜框标注,得到遥感影像的道路的斜框标注信息;提取模块703,被配置成基于遥感影像的道路的斜框标注信息,提取遥感影像的道路信息。
在本实施例中,道路提取装置700中:获取模块701、标注模块702和提取模块703的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-103的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,标注模块702进一步被配置成:对遥感影像进行道路标注,得到标注遥感影像;将标注遥感影像输入至第一斜框标注模型,得到遥感影像的道路的斜框标注信息。
在本实施例的一些可选的实现方式中,道路提取装置700还包括第一训练模块,第一训练模块被配置成:获取子模块,被配置成获取样本道路分割标注图片,其中,样本道路分割标注图片的道路标注有斜框标注信息;第一训练子模块,被配置成将样本道路分割标注图片作为输入,将样本道路分割标注图片的道路的斜框标注信息作为监督,训练得到第一斜框标注模型。
在本实施例的一些可选的实现方式中,标注模块702进一步被配置成:将遥感影像输入至第一斜框标注模型,得到遥感影像的道路的斜框标注信息。
在本实施例的一些可选的实现方式中,道路提取装置700还包括第二训练模块,第二训练模块被配置成:获取样本道路分割标注图片,其中,样本道路分割标注图片的道路标注有斜框标注信息;将样本道路分割标注图片作为输入,将样本道路分割标注图片的道路的斜框标注信息作为监督,训练得到第二斜框标注模型;获取样本遥感影像;对样本遥感影像进行道路标注,得到样本标注遥感影像;将样本标注遥感影像输入至第二斜框标注模型,得到样本遥感影像的道路的斜框标注信息;将样本遥感影像作为输入,将样本遥感影像的道路的斜框标注信息作为监督,训练得到第一斜框标注模型。
在本实施例的一些可选的实现方式中,道路提取装置700还包括生成模块,生成模块被配置成:生成标签图片中的道路数量和道路宽度;对于标签图片中的每条道路,生成道路的起点和终点;在起点和终点之间生成至少一个点;对于相邻的两个点,由上一点至下一点绘制线段,其中,线段的宽度等于道路宽度;基于上一点和下一点的坐标,生成斜框标注信息,其中,斜框标注信息包括斜框的对角线交点、宽、高和倾斜角度。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如道路提取方法。例如,在一些实施例中,道路提取方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的道路提取方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行道路提取方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以是分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提供的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种道路提取方法,包括:
获取遥感影像;
利用预先训练的第一斜框标注模型对所述遥感影像进行斜框标注,得到所述遥感影像的道路的斜框标注信息;
基于所述遥感影像的道路的斜框标注信息,提取所述遥感影像的道路信息;
其中,所述利用预先训练的第一斜框标注模型对所述遥感影像进行斜框标注,得到所述遥感影像的道路的斜框标注信息,包括:
将所述遥感影像输入至所述第一斜框标注模型,得到所述遥感影像的道路的斜框标注信息;
其中,所述斜框标注模型的训练步骤包括:
获取样本道路分割标注图片,其中,所述样本道路分割标注图片的道路标注有斜框标注信息;
将所述样本道路分割标注图片作为输入,将所述样本道路分割标注图片的道路的斜框标注信息作为监督,训练得到第二斜框标注模型;
获取样本遥感影像;
对所述样本遥感影像进行道路标注,得到样本标注遥感影像;
将所述样本标注遥感影像输入至所述第二斜框标注模型,得到所述样本遥感影像的道路的斜框标注信息;
将所述样本遥感影像作为输入,将所述样本遥感影像的道路的斜框标注信息作为监督,训练得到所述第一斜框标注模型。
2.根据权利要求1所述的方法,其中,所述利用预先训练的第一斜框标注模型对所述遥感影像进行斜框标注,得到所述遥感影像的道路的斜框标注信息,还包括:
对所述遥感影像进行道路标注,得到标注遥感影像;
将所述标注遥感影像输入至所述第一斜框标注模型,得到所述遥感影像的道路的斜框标注信息。
3.根据权利要求2所述的方法,其中,所述第一斜框标注模型的训练步骤还包括:
获取样本道路分割标注图片,其中,所述样本道路分割标注图片的道路标注有斜框标注信息;
将所述样本道路分割标注图片作为输入,将所述样本道路分割标注图片的道路的斜框标注信息作为监督,训练得到所述第一斜框标注模型。
4.根据权利要求1或3所述的方法,其中,所述样本道路分割标注图片通过如下步骤生成:
生成标签图片中的道路数量和道路宽度;
对于所述标签图片中的每条道路,生成所述道路的起点和终点;
在所述起点和所述终点之间生成至少一个点;
对于相邻的两个点,由上一点至下一点绘制线段,其中,所述线段的宽度等于所述道路宽度;
基于上一点和下一点的坐标,生成斜框标注信息,其中,所述斜框标注信息包括斜框的对角线交点、宽、高和倾斜角度。
5.一种道路提取装置,包括:
获取模块,被配置成获取遥感影像;
标注模块,被配置成利用预先训练的第一斜框标注模型对所述遥感影像进行斜框标注,得到所述遥感影像的道路的斜框标注信息;
提取模块,被配置成基于所述遥感影像的道路的斜框标注信息,提取所述遥感影像的道路信息;
其中,所述标注模块进一步被配置成:
将所述遥感影像输入至所述第一斜框标注模型,得到所述遥感影像的道路的斜框标注信息;
其中,所述装置还包括训练模块,所述训练模块被配置成:
获取样本道路分割标注图片,其中,所述样本道路分割标注图片的道路标注有斜框标注信息;
将所述样本道路分割标注图片作为输入,将所述样本道路分割标注图片的道路的斜框标注信息作为监督,训练得到第二斜框标注模型;
获取样本遥感影像;
对所述样本遥感影像进行道路标注,得到样本标注遥感影像;
将所述样本标注遥感影像输入至所述第二斜框标注模型,得到所述样本遥感影像的道路的斜框标注信息;
将所述样本遥感影像作为输入,将所述样本遥感影像的道路的斜框标注信息作为监督,训练得到所述第一斜框标注模型。
6.根据权利要求5所述的装置,其中,所述标注模块还进一步被配置成:
对所述遥感影像进行道路标注,得到标注遥感影像;
将所述标注遥感影像输入至所述第一斜框标注模型,得到所述遥感影像的道路的斜框标注信息。
7.根据权利要求6所述的装置,其中,所述训练模块还被配置成:
获取样本道路分割标注图片,其中,所述样本道路分割标注图片的道路标注有斜框标注信息;
将所述样本道路分割标注图片作为输入,将所述样本道路分割标注图片的道路的斜框标注信息作为监督,训练得到所述第一斜框标注模型。
8.根据权利要求5或7所述的装置,其中,所述装置还包括生成模块,所述生成模块被配置成:
生成标签图片中的道路数量和道路宽度;
对于所述标签图片中的每条道路,生成所述道路的起点和终点;
在所述起点和所述终点之间生成至少一个点;
对于相邻的两个点,由上一点至下一点绘制线段,其中,所述线段的宽度等于所述道路宽度;
基于上一点和下一点的坐标,生成斜框标注信息,其中,所述斜框标注信息包括斜框的对角线交点、宽、高和倾斜角度。
9.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一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使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110611757.4A CN113361371B (zh) | 2021-06-02 | 2021-06-02 | 道路提取方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110611757.4A CN113361371B (zh) | 2021-06-02 | 2021-06-02 | 道路提取方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361371A CN113361371A (zh) | 2021-09-07 |
CN113361371B true CN113361371B (zh) | 2023-09-22 |
Family
ID=77531080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110611757.4A Active CN113361371B (zh) | 2021-06-02 | 2021-06-02 | 道路提取方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361371B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019056845A1 (zh) * | 2017-09-19 | 2019-03-28 | 北京市商汤科技开发有限公司 | 道路图生成方法、装置、电子设备和计算机存储介质 |
CN112070037A (zh) * | 2020-09-11 | 2020-12-11 | 中国科学院空天信息创新研究院 | 基于遥感影像的道路提取方法、装置、介质及设备 |
-
2021
- 2021-06-02 CN CN202110611757.4A patent/CN113361371B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019056845A1 (zh) * | 2017-09-19 | 2019-03-28 | 北京市商汤科技开发有限公司 | 道路图生成方法、装置、电子设备和计算机存储介质 |
CN112070037A (zh) * | 2020-09-11 | 2020-12-11 | 中国科学院空天信息创新研究院 | 基于遥感影像的道路提取方法、装置、介质及设备 |
Non-Patent Citations (2)
Title |
---|
A Semi-Supervised High-Level Feature Selection Framework for Road Centerline Extraction;Ruyi Liu等;《 IEEE Geoscience and Remote Sensing Letters》;全文 * |
基于端到端全卷积神经网络的道路提取;王娟;谢跃辉;江丽芬;;北京测绘(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113361371A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113362420B (zh) | 道路标注生成方法、装置、设备以及存储介质 | |
CN113989450B (zh) | 图像处理方法、装置、电子设备和介质 | |
CN112560862B (zh) | 文本识别方法、装置及电子设备 | |
US8340433B2 (en) | Image processing apparatus, electronic medium, and image processing method | |
CN115861400B (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN113361371B (zh) | 道路提取方法、装置、设备以及存储介质 | |
CN116844177A (zh) | 一种表格识别方法、装置、设备及存储介质 | |
CN113610809B (zh) | 骨折检测方法、装置、电子设备以及存储介质 | |
CN116205889A (zh) | 偏移检测方法、装置、电子设备及存储介质 | |
CN110782390A (zh) | 图像的矫正处理方法及装置、电子设备 | |
CN115345895A (zh) | 用于视觉检测的图像分割方法、装置、计算机设备及介质 | |
CN113221742B (zh) | 视频分屏线确定方法、装置、电子设备、介质和程序产品 | |
CN114359147A (zh) | 裂缝检测方法、装置、服务器及存储介质 | |
US20220207991A1 (en) | Method and device for determining boundary points of bottom surface of vehicle, roadside device and cloud control platform | |
CN117372988B (zh) | 道路边界检测方法、装置、电子设备及存储介质 | |
CN113362421B (zh) | 地图中导流区的绘制方法、装置和电子设备 | |
CN117611761B (zh) | 一种用于cad图纸的地图要素绘制方法、系统、设备及介质 | |
CN115050086B (zh) | 样本图像生成方法、模型训练方法、图像处理方法和装置 | |
CN118096790A (zh) | 一种数据提取方法、装置、电子设备及存储介质 | |
CN117975099A (zh) | 一种像素级的目标标注方法、装置、电子设备及存储介质 | |
CN116152835A (zh) | 版面分析方法、装置、设备和存储介质 | |
CN117911891A (zh) | 一种设备识别方法、装置、电子设备及存储介质 | |
CN117437391A (zh) | 一种图像检测方法、装置、设备及存储介质 | |
CN116958926A (zh) | 车道线检测模型的训练方法、装置、设备及存储介质 |
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 |