CN117612026A - 一种基于遥感影像道路提取的路径预测方法及系统 - Google Patents
一种基于遥感影像道路提取的路径预测方法及系统 Download PDFInfo
- Publication number
- CN117612026A CN117612026A CN202311587622.4A CN202311587622A CN117612026A CN 117612026 A CN117612026 A CN 117612026A CN 202311587622 A CN202311587622 A CN 202311587622A CN 117612026 A CN117612026 A CN 117612026A
- Authority
- CN
- China
- Prior art keywords
- path
- remote sensing
- value
- sensing image
- road
- 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 58
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 230000009471 action Effects 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000002787 reinforcement Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 238000013439 planning Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000010223 real-time analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Abstract
本发明提供一种基于遥感影像道路提取的路径预测方法及系统，所述方法的步骤包括：获取原始的卫星遥感图像，并进行预处理；将预处理后的图像进行自适应阈值分割，得到分割图像；提取分割图像中目标的第一灰度值的道路区域，所述道路区域包括多条路径和多个顶点，在原始的卫星遥感图像中标记道路区域的位置，基于目标检测算法计算每条路径中车辆的总长度；将智能体在顶点向各个路径行进作为智能体的动作，将智能体处于的顶点位置作为状态，并基于执行动作后的路径上车辆的总长度计算智能体在执行每个动作的奖励值，基于所述奖励值训练预设的强化学习模型；将起点位置和终点位置输入到完成训练的强化学习模型中，所述强化学习模型输出规划的路径。
Description
技术领域
本发明涉及路径规划技术领域，尤其涉及一种基于遥感影像道路提取的路径预测方法及系统。
背景技术
人造卫星可以通过遥感技术，从大范围、多角度、多时相等多个角度获取地球表面的遥感影像。在交通规划和交通管理中，遥感影像的道路提取和路径规划应用具有重要意义。从遥感影像中提取到的道路信息可以应用到交通规划中，包括道路网络设计、道路容量评估等。道路提取结果可以与其他地理信息数据集进行融合，用于实际的交通流模拟、交通拥堵预测等，从而对路径规划应用具有重要意义。
然而，现有技术的路径规划方法往往是基于已有的数据库中的地图，进行分析，并录入接入地图系统的全部用户，通过全部用户分析道路拥堵情况，完成路径规划，难以对卫星图像进行实时分析，难以根据实时路况进行分析，并规划路径。
发明内容
鉴于此，本发明的实施例提供了一种基于遥感影像道路提取的路径预测方法，以消除或改善现有技术中存在的一个或更多个缺陷。
本发明的一个方面提供了一种基于遥感影像道路提取的路径预测方法，所述方法的步骤包括：
获取原始的卫星遥感图像，对原始的所述卫星遥感图像进行预处理，所述预处理的步骤包括初步滤波处理；
将预处理后原始的卫星遥感图像进行自适应阈值分割，得到分割图像，所述分割图像中包括用于标记道路区域的第一灰度值和用于标记非道路区域的第二灰度值；
提取所述分割图像中目标的第一灰度值的道路区域，所述道路区域包括多条路径和多个顶点，在原始的卫星遥感图像中标记所述道路区域的位置，基于目标检测算法从所述道路区域中获取车辆的位置，并进一步计算每条路径中车辆的总长度；
将智能体在顶点向各个路径行进作为智能体的动作，将智能体处于的顶点位置作为状态，并基于执行动作后的路径上车辆的总长度计算智能体在执行每个动作的奖励值，基于所述奖励值训练预设的强化学习模型；
将起点位置和终点位置输入到完成训练的强化学习模型中，所述强化学习模型输出规划的路径。
采用上述方案，本方案首先能够基于卫星遥感图像进行实时的分析，得到适用的强化学习模型，相对于现有的路径规划能够提高实时性，另一方面本方案不需要录入接入地图系统的全部用户，通过录入地图系统的用户分析拥堵情况，而是直接通过图像分析得到路径中车辆的总长度，基于路径的拥堵情况计算奖励值，将拥堵情况融入模型的训练中，降低对于其他用户的依赖性。
在本发明的一些实施方式中，将所述道路区域中每个路径的两端作为两个顶点，在基于执行动作后的路径上车辆的总长度计算智能体在执行每个动作的奖励值的步骤包括：
基于所述路径的长度和路径上车辆的总长度计算该路径的拥堵程度；
基于路径的拥堵程度、所述路径的长度及预设的拥堵阈值参数计算智能体在执行每个动作的奖励值。
在本发明的一些实施方式中，在基于所述路径的长度和路径上车辆的总长度计算该路径的拥堵程度的步骤中，基于如下公式计算路径的拥堵程度：
其中，D表示路径的长度，Z表示路径上车辆的总长度，Y表示路径的拥堵程度。
在本发明的一些实施方式中，在基于所述路径的长度和路径上车辆的总长度计算该路径的拥堵程度的步骤中，获取历史时刻中原始的卫星遥感图像，并标记历史时刻中每张原始的卫星遥感图像中道路区域的位置，对于同一路径获取在历史时刻中每张原始的卫星遥感图像中道路区域的拥堵程度，并计算拥堵程度的平均值作为该路径的拥堵程度。
在本发明的一些实施方式中，在基于路径的拥堵程度、所述路径的长度及预设的拥堵阈值参数计算智能体在执行每个动作的奖励值的步骤中，基于如下公式计算奖励值：
其中，R(s,a,s′)表示智能体有起始状态s执行动作a到达状态s′得到的奖励值，E表示若s′为训练路径的终点对应的状态，即s′为最终状态时的奖励值，Y表示拥堵程度，ε表示预设的拥堵阈值参数，D表示路径的长度。
在本发明的一些实施方式中，在对原始的所述卫星遥感图像进行预处理的步骤中进行初步滤波处理的步骤为通过八邻域滤波方法对卫星遥感图像进行平滑处理。
在本发明的一些实施方式中，将预处理后原始的卫星遥感图像进行自适应阈值分割，得到分割图像的步骤包括：
逐个计算卫星遥感图像中每个像素点，对于每个像素点计算该像素点周围的像素点的像素值的平均值，将该平均值为比对阈值与该像素点的像素值进行比较，并进行二值化处理；
完成卫星遥感图像中全部像素点的计算，得到分割图像。
在本发明的一些实施方式中，在将该平均值为比对阈值与该像素点的像素值进行比较，并进行二值化处理的步骤中，若该像素点的像素值与所述比对阈值的差值的绝对值小于预设的差异阈值，则将该像素点渲染为第一灰度值，若该像素点的像素值与所述比对阈值的差值的绝对值不小于预设的差异阈值，则将该像素点渲染为第二灰度值。
在本发明的一些实施方式中，完成卫星遥感图像中全部像素点的计算，得到分割图像的步骤还包括，计算所述分割图像中每个由连续第一灰度值的像素点构成的区域大小，若区域大小小于预设的区域阈值，则将该区域的像素值修改为第二灰度值，得到最终的分割图像，对面积较小的色块进行过滤。
本发明的第二方面还提供一种基于遥感影像道路提取的路径预测系统，该系统包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如前所述方法所实现的步骤。
本发明的第三方面还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述基于遥感影像道路提取的路径预测方法所实现的步骤。
本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出并获得。
本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。
图1为本发明基于遥感影像道路提取的路径预测方法一种实施方式的示意图；
图2为本发明基于遥感影像道路提取的路径预测方法另一种实施方式的示意图；
图3为原始的卫星遥感图像的示意图；
图4为标记所述道路区域的位置的卫星遥感图像的示意图；
图5为从原始的卫星遥感图像提取道路区域的步骤示意图；
图6为对强化学习模型进行训练的步骤示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
现有技术介绍：
现有技术一利用开源路网数据，开源路网数据仅对道路网络做了简单的提取和抽象，并未考虑实际的道路情况。现实中，受到天气、时间、路况等影响，一些路段的车流量会远大于另一些路段，因此基于现有的开源路网数据进行路径规划时，在深夜道路较长，车流量较少时预测会较为准确，而在道路较短，弯路较多，车流量较密集的白天则会出现实际路径出现拥堵的情况，难以保证实时性；
现有技术二只能提取出一条最优路径，未考虑轻微偏离最优路径的情况，当司机在行驶过程中出现偏航的情况时，需要重新计算最优路径，时间开销较大。采用人工智能或启发式算法，能同时预测多条路径，当出现偏航情况时，能及时调整并提供较新的路径。
本发明的步骤具体包括：
如图1所示，本发明提出一种基于遥感影像道路提取的路径预测方法，所述方法的步骤包括：
如图3所示，步骤S100，获取原始的卫星遥感图像，如图5所示，对原始的所述卫星遥感图像进行预处理，所述预处理的步骤包括初步滤波处理；
在具体实施过程中，原始的卫星遥感图像是通过卫星获取的地球表面的图像数据，利用卫星载荷搭载的传感器获取地面的辐射能量，这些传感器可以是光学(如可见光、红外光谱等)、微波或热红外传感器等，不同传感器对不同波段的辐射有着不同的敏感性和分辨率，将所捕获的光学、热红外等辐射能量转换为数字图像，可以提取卫星遥感影像中特定的目标，如道路、建筑和土地覆盖类型等。
具体的，所述预处理的步骤还可以包括调整图像亮度、对比度和大小等。
如图5所示，步骤S200，将预处理后原始的卫星遥感图像进行自适应阈值分割，得到分割图像，所述分割图像中包括用于标记道路区域的第一灰度值和用于标记非道路区域的第二灰度值；
在具体实施过程中，本方案对预处理后原始的卫星遥感图像进行自适应阈值分割，将原始的卫星遥感图像进行二值化分割，具体的，可以分割为第一灰度值255和第二灰度值0。
如图4所示，步骤S300，提取所述分割图像中目标的第一灰度值的道路区域，所述道路区域包括多条路径和多个顶点，在原始的卫星遥感图像中标记所述道路区域的位置，基于目标检测算法从所述道路区域中获取车辆的位置，并进一步计算每条路径中车辆的总长度；
在本发明的一些实施方式中，所述第一灰度值为255即为白色，第二灰度值0即为黑色，在从所述分割图像中目标的第一灰度值的道路区域的步骤还包括采用最小外接矩形算法对道路区域进行进一步处理。由于道路通常是一个长条状的区域，可以近似为一个矩形。因此，使用最小外接矩形可以有效地包围道路，并提取其位置和尺寸信息。
具体的，所述道路区域的顶点为路径延伸的终点或者路径延伸至其他路径的交汇点，每个路径均为在道路区域中由一个顶点延伸至相邻的一个顶点构成的区域。
在本发明的一些实施方式中，在基于目标检测算法从所述道路区域中获取车辆的区域，并进一步计算每条路径中车辆的总长度的步骤中，可以采用fasterrcnn、maskrcnn或yolov5的目标检测算法。
步骤S400，将智能体在顶点向各个路径行进作为智能体的动作，将智能体处于的顶点位置作为状态，并基于执行动作后的路径上车辆的总长度计算智能体在执行每个动作的奖励值，基于所述奖励值训练预设的强化学习模型；
如图6所示，在本发明的一些实施方式中，在对所述强化学习模型的训练过程中，步骤包括设置最终状态，起始状态，训练次数和最大步长K，并清空累计奖励，清空累计步长；
从当前状态s可选取的行为中随机选择一个动作并执行，或是从历史的经验中选择奖励最大的一个动作并执行，并更新新的状态，当完成这一过程后，当前步长增加一步；
每一次动作后，都会将动作和动作对应的奖励存入经验池中，并从经验池中随机抽取若干个经验进行学习；
直到当前状态为终态V，或超出最大步长K时，视为该轮训练结束，当完成训练轮次数N时，训练完毕。
完成强化学习的路径预测训练后，当指定初态S和终态V时，可以通过强化学习得到的模型，在每一个状态下获取最优的行动，从而抵达相应终点。
具体的，所述状态即为智能体所处的顶点的位置，可以采用Q-learning、SARSA或Actor-Critic算法对强化学习模型进行训练。
本发明采用马尔可夫决策过程，一个马尔可夫系统在规划路径时，智能体在每个顶点都可视为一个状态，此时，智能体可以执行直行，左转或右转等动作，并且每当智能体做出动作后，最终有100％的概率能抵达到下一个状态。因此，本发明重点需要围绕着马尔可夫决策过程，设计一个合适的奖励函数，来衡量从一个顶点到达下一个顶点之间的奖励值，从而训练智能体寻找合适的路径。
步骤S500，将起点位置和终点位置输入到完成训练的强化学习模型中，所述强化学习模型输出规划的路径。
所述强化学习模型所规划的路径包括顺序输出的由起点位置到终点位置所经过的顶点的位置。
采用上述方案，本方案首先能够基于卫星遥感图像进行实时的分析，得到适用的强化学习模型，相对于现有的路径规划能够提高实时性，另一方面本方案不需要录入接入地图系统的全部用户，通过录入地图系统的用户分析拥堵情况，而是直接通过图像分析得到路径中车辆的总长度，基于路径的拥堵情况计算奖励值，将拥堵情况融入模型的训练中，降低对于其他用户的依赖性。
本发明基于卫星遥感照片影像数据，提取出城市道路网络模型，并结合实际道路拥堵状况提供一个路径预测算法，从而为出行者预测一条契合较优道路情况的最短路径，进一步的，本发明提供了一种基于遥感影像提取道路的城市网络路径预测方案，通过从卫星的遥感影像中提取和分析道路模型，并基于道路模型进行路径预测，解决了在城市道路网络场景中，根据实时路况和道路距离提供一条最契合路径的问题。
在本发明的一些实施方式中，将所述道路区域中每个路径的两端作为两个顶点，在基于执行动作后的路径上车辆的总长度计算智能体在执行每个动作的奖励值的步骤包括：
基于所述路径的长度和路径上车辆的总长度计算该路径的拥堵程度；
基于路径的拥堵程度、所述路径的长度及预设的拥堵阈值参数计算智能体在执行每个动作的奖励值。
在本发明的一些实施方式中，在基于所述路径的长度和路径上车辆的总长度计算该路径的拥堵程度的步骤中，基于如下公式计算路径的拥堵程度：
其中，D表示路径的长度，Z表示路径上车辆的总长度，Y表示路径的拥堵程度。
采用上述方案，能够通过目标检测算法得到每条路径上车辆的区域，并进一步根据车辆的总长度计算路径的拥挤程度，将拥挤程度融入模型训练算法中，提高模型对于实时路况的判断精准度。
在本发明的一些实施方式中，在基于所述路径的长度和路径上车辆的总长度计算该路径的拥堵程度的步骤中，获取历史时刻中原始的卫星遥感图像，并标记历史时刻中每张原始的卫星遥感图像中道路区域的位置，对于同一路径获取在历史时刻中每张原始的卫星遥感图像中道路区域的拥堵程度，并计算拥堵程度的平均值作为该路径的拥堵程度。
采用上述方案，本发明进行实时的路网映射，将道路网络映射到计算机可识别的图网络上，路网映射将以路径交汇点或路径终点作为图网络的顶点，路径本身作为图网络的边，每条边的权值记录由提取得到的拥挤程度确定，预测一条从起点到终点位置之间道路状况较好的路径。
在具体实施过程中，所述历史时刻中原始的卫星遥感图像可以为前30天，在每天同一时间点获得的原始的卫星遥感图像。
在具体实施过程中，对历史时刻中原始的卫星遥感图像计算拥挤程度的步骤为，将获得的道路区域的位置在历史时刻中每张原始的卫星遥感图像中进行标记，并采用步骤S300的方法，基于目标检测算法从历史时刻中原始的卫星遥感图像的所述道路区域中获取车辆的位置，并进一步计算每条路径中车辆的总长度，基于所述路径的长度和路径上车辆的总长度计算该路径的拥堵程度。
采用上述方案，通过历史时刻计算拥挤程度的平均值，提高拥挤程度计算的准确性。
在本发明的一些实施方式中，在基于路径的拥堵程度、所述路径的长度及预设的拥堵阈值参数计算智能体在执行每个动作的奖励值的步骤中，基于如下公式计算奖励值：
其中，R(s,a,s′)表示智能体有起始状态s执行动作a到达状态s′得到的奖励值，E表示若s′为训练路径的终点对应的状态，即s′为最终状态时的奖励值，Y表示拥堵程度，ε表示预设的拥堵阈值参数，D表示路径的长度。
具体的，拥堵阈值参数可以设置为0.8，考虑到路径规划的最终目标是到达目标顶点，因而应当在到达目标顶点时给予较多的奖励，而在到达目标顶点之间，智能体的每一次行为，即移动到下一个顶点的过程，都会浪费一定的时间，因此，应当在每次移动时候基于道路的长度和拥堵程度，给予智能体负面的反馈。
采用上述方案，所述最终状态对应训练路径的终点，本方案通过设置拥堵阈值参数，将当前的路径拥挤度与拥堵阈值参数比较，得到适用于当前动作的奖励值计算方法，并且对于当动作的目的状态为最终状态时设置奖励值，在本方案中智能体若不能到达终点，则不能获得奖励值，则当整体路径的奖励值获得奖励值越高，则更为优秀，本方案在考虑了拥挤程度的前提下，能够获得适用于实时情况的模型，提高判断的实时性和可靠性，且本方案完全不需要统计接入本系统的用户，传统方法当接入系统的用户较少时则统计的实际值与实际拥挤程度相差较大，本方案能够单独依靠图像即可实现拥挤程度的获取，降低方法对于用户的依赖性，提高方法真实性。
如图5所示，在本发明的一些实施方式中，在对原始的所述卫星遥感图像进行预处理的步骤中进行初步滤波处理的步骤为通过八邻域滤波方法对卫星遥感图像进行平滑处理。
在具体实施过程中，将每个像素点作为中心像素，计算每个像素点相邻的像素点的平均值，将该平均值对应的像素值赋予至中心像素，完成对卫星遥感图像的平滑处理。
采用上述方案，八邻域滤波可以通过像素与其相邻像素的比较，分析它们之间的连通性，在路径提取中，可以利用该滤波结果分析像素的连通情况，找到路径的起点和终点，或者检测路径中的断点和断开的部分。由于路径通常在地物之间形成线条，八邻域滤波还可以通过边缘检测或边缘增强，使得路径的边界更加明显。这有助于将路径与其他地物区分开来，进一步提高路径的提取质量。
如图2所示，在本发明的一些实施方式中，将预处理后原始的卫星遥感图像进行自适应阈值分割，得到分割图像的步骤包括：
步骤S210，逐个计算卫星遥感图像中每个像素点，对于每个像素点计算该像素点周围的像素点的像素值的平均值，将该平均值为比对阈值与该像素点的像素值进行比较，并进行二值化处理；
具体的，周围的像素点即为与该像素点相邻的像素点。
步骤S220，完成卫星遥感图像中全部像素点的计算，得到分割图像。
在本发明的一些实施方式中，在将该平均值为比对阈值与该像素点的像素值进行比较，并进行二值化处理的步骤中，若该像素点的像素值与所述比对阈值的差值的绝对值小于预设的差异阈值，则将该像素点渲染为第一灰度值，若该像素点的像素值与所述比对阈值的差值的绝对值不小于预设的差异阈值，则将该像素点渲染为第二灰度值。
采用上述方案，在对图像进行预处理后，可以使用自适应阈值分割方法来提取遥感图像中的路径，自适应阈值分割是一种基于局部像素灰度特性的图像分割方法，能够根据图像中道路的局部像素灰度特征选择最佳的阈值进行分割。
如图5所示，在本发明的一些实施方式中，完成卫星遥感图像中全部像素点的计算，得到分割图像的步骤还包括，计算所述分割图像中每个由连续第一灰度值的像素点构成的区域大小，若区域大小小于预设的区域阈值，则将该区域的像素值修改为第二灰度值，得到最终的分割图像。
采用上述方案，由于连续道路的整体面积较大，可以通过滤清除面积较小的色块，从而避免较小的楼房或者地理元素干扰从遥感影像中提取道路的效果，在本方案中当白色区域的面积不超过一个面积下限时，本方案认为其并非道路，而为其他干扰因素，因此，过滤掉该干扰因素。
在具体实施过程中，路径规划是指规划一个道路网络中两个顶点之间的最短路径或者从一个节点到另一个节点的最优路径。在本发明能够解决城市中的交通拥堵、优化城市交通规划、提高交通效率等问题。通过预测路径，可以帮助人们更好地避免可能的拥堵情况，也能帮助优化道路网络可能出现的交通拥塞问题。在本发明的问题场景下，路径规划基于从卫星遥感影像提取出的道路网络拓扑进行分析和计算的。现有网络拓扑结构包括道路网络的连通性、邻接的道路交汇顶点和当前的拥塞情况等，通过分析这些网络拓扑结构可以帮助确定最优路径。常见的路径预测方法包括最短路径算法(如Dijkstra算法、A*算法等)、而本发明使用强化学习的思想，并兼顾道路的拥堵情况和实际距离，提供本发明的路径预测方案。强化学习是机器学习的一种方法，主要用于让一个智能体通过与环境的互动学习来获取最优的行为策略。在强化学习中，智能体通过观察环境的状态，采取相应的动作，根据环境反馈的奖励信号更新自己的策略，从而不断优化自己的行为，得到较为优秀的模型。
本发明实施例还提供一种基于遥感影像道路提取的路径预测系统，该系统包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如前所述方法所实现的步骤。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述基于遥感影像道路提取的路径预测方法所实现的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，做出各种改变、修改和添加，或者改变步骤之间的顺序。
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于遥感影像道路提取的路径预测方法，其特征在于，所述方法的步骤包括：
获取原始的卫星遥感图像，对原始的所述卫星遥感图像进行预处理，所述预处理的步骤包括初步滤波处理；
将预处理后原始的卫星遥感图像进行自适应阈值分割，得到分割图像，所述分割图像中包括用于标记道路区域的第一灰度值和用于标记非道路区域的第二灰度值；
提取所述分割图像中目标的第一灰度值的道路区域，所述道路区域包括多条路径和多个顶点，在原始的卫星遥感图像中标记所述道路区域的位置，基于目标检测算法从所述道路区域中获取车辆的位置，并进一步计算每条路径中车辆的总长度；
将智能体在顶点向各个路径行进作为智能体的动作，将智能体处于的顶点位置作为状态，并基于执行动作后的路径上车辆的总长度计算智能体在执行每个动作的奖励值，基于所述奖励值训练预设的强化学习模型；
将起点位置和终点位置输入到完成训练的强化学习模型中，所述强化学习模型输出规划的路径。
2.根据权利要求1所述的基于遥感影像道路提取的路径预测方法，其特征在于，将所述道路区域中每个路径的两端作为两个顶点，在基于执行动作后的路径上车辆的总长度计算智能体在执行每个动作的奖励值的步骤包括：
基于所述路径的长度和路径上车辆的总长度计算该路径的拥堵程度；
基于路径的拥堵程度、所述路径的长度及预设的拥堵阈值参数计算智能体在执行每个动作的奖励值。
3.根据权利要求2所述的基于遥感影像道路提取的路径预测方法，其特征在于，在基于所述路径的长度和路径上车辆的总长度计算该路径的拥堵程度的步骤中，基于如下公式计算路径的拥堵程度：
其中，D表示路径的长度，Z表示路径上车辆的总长度，Y表示路径的拥堵程度。
4.根据权利要求2所述的基于遥感影像道路提取的路径预测方法，其特征在于，在基于所述路径的长度和路径上车辆的总长度计算该路径的拥堵程度的步骤中，获取历史时刻中原始的卫星遥感图像，并标记历史时刻中每张原始的卫星遥感图像中道路区域的位置，对于同一路径获取在历史时刻中每张原始的卫星遥感图像中道路区域的拥堵程度，并计算拥堵程度的平均值作为该路径的拥堵程度。
5.根据权利要求2所述的基于遥感影像道路提取的路径预测方法，其特征在于，在基于路径的拥堵程度、所述路径的长度及预设的拥堵阈值参数计算智能体在执行每个动作的奖励值的步骤中，基于如下公式计算奖励值：
其中，R(s,a,s′)表示智能体有起始状态s执行动作a到达状态s′得到的奖励值，E表示若s′为训练路径的终点对应的状态，即s′为最终状态时的奖励值，Y表示拥堵程度，ε表示预设的拥堵阈值参数，D表示路径的长度。
6.根据权利要求1～5任一项所述的基于遥感影像道路提取的路径预测方法，其特征在于，在对原始的所述卫星遥感图像进行预处理的步骤中进行初步滤波处理的步骤为通过八邻域滤波方法对卫星遥感图像进行平滑处理。
7.根据权利要求6所述的基于遥感影像道路提取的路径预测方法，其特征在于，将预处理后原始的卫星遥感图像进行自适应阈值分割，得到分割图像的步骤包括：
逐个计算卫星遥感图像中每个像素点，对于每个像素点计算该像素点周围的像素点的像素值的平均值，将该平均值为比对阈值与该像素点的像素值进行比较，并进行二值化处理；
完成卫星遥感图像中全部像素点的计算，得到分割图像。
8.根据权利要求7所述的基于遥感影像道路提取的路径预测方法，其特征在于，在将该平均值为比对阈值与该像素点的像素值进行比较，并进行二值化处理的步骤中，若该像素点的像素值与所述比对阈值的差值的绝对值小于预设的差异阈值，则将该像素点渲染为第一灰度值，若该像素点的像素值与所述比对阈值的差值的绝对值不小于预设的差异阈值，则将该像素点渲染为第二灰度值。
9.根据权利要求7或8所述的基于遥感影像道路提取的路径预测方法，其特征在于，完成卫星遥感图像中全部像素点的计算，得到分割图像的步骤还包括，计算所述分割图像中每个由连续第一灰度值的像素点构成的区域大小，若区域大小小于预设的区域阈值，则将该区域的像素值修改为第二灰度值，得到最终的分割图像。
10.一种基于遥感影像道路提取的路径预测系统，其特征在于，该系统包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如权利要求1～9任一项所述方法所实现的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311587622.4A CN117612026A (zh) | 2023-11-24 | 2023-11-24 | 一种基于遥感影像道路提取的路径预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311587622.4A CN117612026A (zh) | 2023-11-24 | 2023-11-24 | 一种基于遥感影像道路提取的路径预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117612026A true CN117612026A (zh) | 2024-02-27 |
Family
ID=89943720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311587622.4A Pending CN117612026A (zh) | 2023-11-24 | 2023-11-24 | 一种基于遥感影像道路提取的路径预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117612026A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117870713A (zh) * | 2024-03-11 | 2024-04-12 | 武汉视普新科技有限公司 | 基于大数据车载影像的路径规划方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496077A (zh) * | 2011-12-06 | 2012-06-13 | 北京林业大学 | 林业有害生物灾害预测系统和方法 |
| CN113204236A (zh) * | 2021-04-14 | 2021-08-03 | 华中科技大学 | 一种智能体路径跟踪控制方法 |
| CN113298095A (zh) * | 2021-06-23 | 2021-08-24 | 成都天巡微小卫星科技有限责任公司 | 一种基于卫星遥感的高精度路网密度提取方法及系统 |
| CN113496182A (zh) * | 2020-04-08 | 2021-10-12 | 北京京东叁佰陆拾度电子商务有限公司 | 基于遥感影像的道路提取方法及装置、存储介质及设备 |
| US11188750B1 (en) * | 2020-05-05 | 2021-11-30 | National Technology & Engineering Solutions Of Sandia, Llc | Multi-frame moving object detection system |
| CN114283343A (zh) * | 2021-12-20 | 2022-04-05 | 北京百度网讯科技有限公司 | 基于遥感卫星图像的地图更新方法、训练方法和设备 |
| CN115641512A (zh) * | 2022-12-26 | 2023-01-24 | 成都国星宇航科技股份有限公司 | 一种卫星遥感影像道路识别方法、装置、设备及介质 |
| CN116030623A (zh) * | 2022-12-08 | 2023-04-28 | 北京邮电大学 | 认知车联网场景下基于区块链的协作路径规划和调度方法 |
| CN116645647A (zh) * | 2023-05-15 | 2023-08-25 | 贵州工业职业技术学院 | 一种基于人工智能的车辆监测方法及系统 |
| CN116793376A (zh) * | 2023-04-13 | 2023-09-22 | 北京邮电大学 | 一种基于最短路径和历史经验的路径预测方法、装置及存储介质 |
| CN116884216A (zh) * | 2023-07-17 | 2023-10-13 | 南京吉相传感成像技术研究院有限公司 | 一种基于卫星遥感影像的道路拥堵判断方法 |
-
2023
- 2023-11-24 CN CN202311587622.4A patent/CN117612026A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496077A (zh) * | 2011-12-06 | 2012-06-13 | 北京林业大学 | 林业有害生物灾害预测系统和方法 |
| CN113496182A (zh) * | 2020-04-08 | 2021-10-12 | 北京京东叁佰陆拾度电子商务有限公司 | 基于遥感影像的道路提取方法及装置、存储介质及设备 |
| US11188750B1 (en) * | 2020-05-05 | 2021-11-30 | National Technology & Engineering Solutions Of Sandia, Llc | Multi-frame moving object detection system |
| CN113204236A (zh) * | 2021-04-14 | 2021-08-03 | 华中科技大学 | 一种智能体路径跟踪控制方法 |
| CN113298095A (zh) * | 2021-06-23 | 2021-08-24 | 成都天巡微小卫星科技有限责任公司 | 一种基于卫星遥感的高精度路网密度提取方法及系统 |
| CN114283343A (zh) * | 2021-12-20 | 2022-04-05 | 北京百度网讯科技有限公司 | 基于遥感卫星图像的地图更新方法、训练方法和设备 |
| CN116030623A (zh) * | 2022-12-08 | 2023-04-28 | 北京邮电大学 | 认知车联网场景下基于区块链的协作路径规划和调度方法 |
| CN115641512A (zh) * | 2022-12-26 | 2023-01-24 | 成都国星宇航科技股份有限公司 | 一种卫星遥感影像道路识别方法、装置、设备及介质 |
| CN116793376A (zh) * | 2023-04-13 | 2023-09-22 | 北京邮电大学 | 一种基于最短路径和历史经验的路径预测方法、装置及存储介质 |
| CN116645647A (zh) * | 2023-05-15 | 2023-08-25 | 贵州工业职业技术学院 | 一种基于人工智能的车辆监测方法及系统 |
| CN116884216A (zh) * | 2023-07-17 | 2023-10-13 | 南京吉相传感成像技术研究院有限公司 | 一种基于卫星遥感影像的道路拥堵判断方法 |
Non-Patent Citations (4)
| Title |
|---|
| ROY, P (ROY, PRIYOM) ; MARTHA, TR (MARTHA, TAPAS R.) ; KHANNA, K (KHANNA, KIRTI); JAIN, N (JAIN, NIRMALA) ; KUMAR, KV (KUMAR, K. V: "Time and path prediction of landslides using InSAR and flow model", REMOTE SENSING OF ENVIRONMENT, 31 January 2022 (2022-01-31) * |
| YAN CHEN; ANMING DONG; YI SUN: "Road-Condition-Aware Dynamic Path Planning for Intelligent Vehicles", SCIENCEDIRECT, 30 June 2020 (2020-06-30) * |
| 方瑛;孙艺: "城市更新进程中若干问题及其解决路径", 城市, 25 July 2020 (2020-07-25) * |
| 李皓昱: "遥感影像道路自动提取系统组件化设计与实现", 中国优秀硕士学位论文全文数据库, 15 January 2020 (2020-01-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117870713A (zh) * | 2024-03-11 | 2024-04-12 | 武汉视普新科技有限公司 | 基于大数据车载影像的路径规划方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11657708B2 (en) | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM | |
| WO2020034903A1 (zh) | 一种基于拓扑图的智能导航的方法和系统 | |
| EP4152204A1 (en) | Lane line detection method, and related apparatus | |
| US20180300549A1 (en) | Road detecting method and apparatus | |
| WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
| US11718324B2 (en) | Instance segmentation imaging system | |
| KR20190024971A (ko) | 변화 검출 기반의 맵 인터페이스 업데이트 시스템 | |
| CN117612026A (zh) | 一种基于遥感影像道路提取的路径预测方法及系统 | |
| CN103389103A (zh) | 一种基于数据挖掘的地理环境特征地图构建与导航方法 | |
| JP6984350B2 (ja) | 下水道管渠内水位予測装置及び下水道管渠内水位予測プログラム | |
| US11164031B2 (en) | System and method for analyzing an image of a vehicle | |
| CN108898101B (zh) | 基于素描图和先验约束的高分辨sar图像路网检测方法 | |
| JP4292250B2 (ja) | 道路環境認識方法及び道路環境認識装置 | |
| CN114299457A (zh) | 积水深度检测方法及装置 | |
| CN112101310B (zh) | 基于上下文信息的道路提取方法、装置和计算机设备 | |
| CN113506049A (zh) | 基于人工智能的道路洒水车调度方法及系统 | |
| EP4273501A1 (en) | Method, apparatus, and computer program product for map data generation from probe data imagery | |
| CN116737857A (zh) | 道路数据处理方法、相关装置和介质 | |
| CN115909241A (zh) | 一种车道线检测方法、系统、电子设备和存储介质 | |
| CN111767357B (zh) | 区域采全评估方法和设备、电子设备和存储介质 | |
| JP6997664B2 (ja) | 状態判定装置 | |
| CN117705140B (zh) | 基于多时相可通过性的动态路径规划方法、装置及设备 | |
| CN112733782A (zh) | 基于道路网的城市功能区识别方法、存储介质和电子设备 | |
| CN113762021A (zh) | 一种基于循环神经网络和注意力引导机制的复杂路面裂缝检测方法 | |
| US20230358561A1 (en) | Method, apparatus, and computer program product for lane geometry generation based on graph estimation |
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 |