CN109558801B - 道路网络提取方法、介质、计算机设备及*** - Google Patents
道路网络提取方法、介质、计算机设备及*** Download PDFInfo
- Publication number
- CN109558801B CN109558801B CN201811281849.5A CN201811281849A CN109558801B CN 109558801 B CN109558801 B CN 109558801B CN 201811281849 A CN201811281849 A CN 201811281849A CN 109558801 B CN109558801 B CN 109558801B
- Authority
- CN
- China
- Prior art keywords
- road
- road network
- local
- discriminator
- training
- 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
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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种道路网络提取方法、介质、计算机设备及***,包括:获取原始图像;对原始图像进行处理以提取多个候选样本,并选取局部斑块;计算每个局部斑块的置信评分,并计算所有局部斑块的置信评分均值,以及将均值作为对应的候选样本的置信度,并将置信度小于预设置信阈值的候选样本选取为训练样本以生成训练样本集;分别构造生成器、第一判别器、第二判别器和VGG网络以进行道路网络提取模型的训练,以生成道路网络提取模型;将待测试的道路源图像输入道路网络提取模型,以生成路网地图;从而使得使用者可以通过简单地交互获取大量的训练样本,节约人力和物力资源;同时,可以获取异常的道路区域,增强道路网络的最终提取效果。
Description
技术领域
本发明涉及遥感图像处理技术领域,特别涉及一种道路网络提取方法、介质、计算机设备及***。
背景技术
道路提取,是遥感图像处理中的重要环节,通过从卫星图像中提取鲁棒性的道路可以为道路规划或勘测提供重要参考,同时,也为车辆、建筑物或者其他物体的检测和识别提供有价值的先验知识;道路网络提取模型因此而诞生。
道路网络提取模型的训练过程中,需要搜集大量的样本数据;然而,现有的样本数据获取方式多通过人工进行标记获取,导致人力物力的极大浪费;并且,现有的道路网络提取模型难以找出异常的道路区域(例如:图像阴影部分或遮挡部分)。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本发明的一个目的在于提出一种道路网络提取方法,根据候选样本的置信度进行训练样本的选取,从而使用者可以通过简单地交互获取大量的训练样本,极大地节约了人力和物力资源;同时,通过多条件监督,以获取异常的道路区域,增强道路网络的最终提取效果。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种道路网络提取***。
为达到上述目的,本发明第一方面实施例提出了一种道路网络提取方法,包括以下步骤:获取原始图像,其中,所述原始图像包括道路源图像、对应所述道路源图像的道路区域地图和道路中心线地图;对所述原始图像进行处理以提取多个候选样本,并根据所述道路中心线地图中的道路中心线从每个候选样本中选取局部斑块;计算每个局部斑块的置信评分,并计算每个候选样本中所有局部斑块对应的置信评分的均值,以及将每个候选样本中局部斑块的置信评分的均值作为对应的候选样本的置信度,并将所述置信度小于预设置信阈值的候选样本选取为训练样本以生成训练样本集;分别构造生成器、第一判别器、第二判别器和VGG网络,根据所述生成器、第一判别器、第二判别器、VGG网络和所述训练样本集进行道路网络提取模型的训练,以生成道路网络提取模型;获取待测试的道路源图像,并将所述待测试的道路源图像输入所述道路网络提取模型,以生成路网地图。
根据本发明实施例的道路网络提取方法,首先,获取原始图像,其中,所述原始图像包括道路源图像、对应所述道路源图像的道路区域地图和道路中心线地图;接着,对所述原始图像进行处理以提取多个候选样本,并根据所述道路中心线地图中的道路中心线从每个候选样本中选取局部斑块;然后,计算每个局部斑块的置信评分,并计算每个候选样本中所有局部斑块对应的置信评分的均值,以及将每个候选样本中局部斑块的置信评分的均值作为对应的候选样本的置信度,并将所述置信度小于预设置信阈值的候选样本选取为训练样本以生成训练样本集;接着,分别构造生成器、第一判别器、第二判别器和VGG网络,根据所述生成器、第一判别器、第二判别器、VGG网络和所述训练样本集进行道路网络提取模型的训练,以生成道路网络提取模型;然后,获取待测试的道路源图像,并将所述待测试的道路源图像输入所述道路网络提取模型,以生成路网地图;从而根据候选样本的置信度进行训练样本的选取,使得使用者可以通过简单地交互获取大量的训练样本,极大地节约了人力和物力资源;同时,通过多条件监督,以获取异常的道路区域,增强道路网络的最终提取效果。
另外,根据本发明上述实施例提出的道路网络提取方法还可以具有如下附加的技术特征:
可选地,所述计算每个局部斑块的置信评分,具体包括:获取所述局部斑块中道路中心线上每个道路像素p,以生成像素集Ap,并根据所述每个道路像素p的坐标和所述像素集Ap的大小获取目标直线lt:y=ax+b,以使所述每个道路像素p到所述目标直线lt的距离之和最小,其中,所述局部斑块的置信评分由以下公式计算获得:
其中,Sk为局部斑块的置信评分,(xi,yi)为像素pi的坐标,n为像素集Ap的大小。
可选地,所述生成器由第一生成单元和第二生成单元构成,其中,所述第一生成单元包括四个残差块、四个卷积层和两个反卷积层,所述第二生成单元包括三个残差块、三个卷积层和两个反卷积层。
可选地,所述第一生成单元与所述第二生成单元之间采用跳跃式连接,以便在扩大特征图分辨率时保留低层次的特征。
可选地,所述构造生成器,具体包括:对所述道路区域地图进行描边,以生成对应所述道路区域地图的道路边地图;将所述道路源图像和所述边地图作为输入进行生成器的训练,以构造生成器。
可选地,所述第一判别器和所述第二判别器结构相同,其中,所述第一判别器以所述道路区域地图和所述生成器的输出作为输入进行训练获得,所述第二判别器以所述道路中心线地图作为输入进行训练获得。
为达到上述目的,本发明第二方面实施例提出了一种计算机可读存储介质,计算机可读存储介质上存储有道路网络提取程序,所述道路网络提取程序在被执行时实现如上述的道路网络提取方法中的步骤。
为达到上述目的,本发明第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现如上述的道路网络提取方法。
为达到上述目的,本发明第四方面实施例提出了一种道路网络提取***,包括:图像获取单元,用于获取原始图像,其中,所述原始图像包括道路源图像、对应所述道路源图像的道路区域地图和道路中心线地图;样本预选单元,用于对所述原始图像进行处理以提取多个候选样本,并根据所述道路中心线地图中的道路中心线从每个候选样本中选取局部斑块;样本选取单元,用于计算每个局部斑块的置信评分,并计算每个候选样本中所有局部斑块对应的置信评分的均值,以及将每个候选样本中局部斑块的置信评分的均值作为对应的候选样本的置信度,并将所述置信度小于预设置信阈值的候选样本选取为训练样本以生成训练样本集;模型训练单元,用于分别构造生成器、第一判别器、第二判别器和VGG网络,根据所述生成器、第一判别器、第二判别器、VGG网络和所述训练样本集进行道路网络提取模型的训练,以生成道路网络提取模型;模型测试单元,用于获取待测试的道路源图像,并将所述待测试的道路源图像输入所述道路网络提取模型,以生成路网地图。
根据本发明实施例提出的道路网络提取***,包括:图像获取单元,用于获取原始图像,其中,原始图像包括道路源图像、对应道路源图像的道路区域地图和道路中心线地图;样本预选单元,用于对原始图像进行处理以提取多个候选样本,并根据道路中心线地图中的道路中心线从每个候选样本中选取局部斑块;样本选取单元,用于计算每个局部斑块的置信评分,并计算每个候选样本中所有局部斑块对应的置信评分的均值,以及将每个候选样本中局部斑块的置信评分的均值作为对应的候选样本的置信度,并将置信度小于预设置信阈值的候选样本选取为训练样本以生成训练样本集;模型训练单元,用于分别构造生成器、第一判别器、第二判别器和VGG网络,根据生成器、第一判别器、第二判别器、VGG网络和训练样本集进行道路网络提取模型的训练,以生成道路网络提取模型;模型测试单元,用于获取待测试的道路源图像,并将待测试的道路源图像输入道路网络提取模型,以生成路网地图;从而根据候选样本的置信度进行训练样本的选取,使得使用者可以通过简单地交互获取大量的训练样本,极大地节约了人力和物力资源;同时,通过多条件监督,以获取异常的道路区域,增强道路网络的最终提取效果。
另外,根据本发明上述实施例提出的道路网络提取***还可以具有如下附加的技术特征:
可选地,样本选取单元计算每个局部斑块的置信评分,具体包括:获取局部斑块中道路中心线上每个道路像素p,以生成像素集Ap,并根据每个道路像素p的坐标和像素集Ap的大小获取目标直线lt:y=ax+b,以使每个道路像素p到目标直线lt的距离之和最小,其中,局部斑块的置信评分由以下公式计算获得:
其中,Sk为局部斑块的置信评分,(xi,yi)为像素pi的坐标,n为像素集Ap的大小。
附图说明
图1为根据本发明实施例的道路网络提取方法的流程示意图;
图2为根据本发明实施例的道路网络提取模型的结构示意图;
图3为根据本发明实施例的道路网络提取模型与传统生成对抗网络在公开的数据集上的提取性能对比图;
图4为根据本发明实施例的道路网络提取模型与传统生成对抗网络在不同epoch数时的提取效果比较图;
图5为根据本发明实施例的道路网络提取***的方框示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
现有的道路网络提取模型中,对于样本数据的搜集多采用通过人工对样本进行标记的方式,费时费力,并且训练出的道路网络提取模型难以找出异常的道路区域;根据本发明实施例的道路网络提取方法,首先,获取原始图像,其中,所述原始图像包括道路源图像、对应所述道路源图像的道路区域地图和道路中心线地图;接着,对所述原始图像进行处理以提取多个候选样本,并根据所述道路中心线地图中的道路中心线从每个候选样本中选取局部斑块;然后,计算每个局部斑块的置信评分,并计算每个候选样本中所有局部斑块对应的置信评分的均值,以及将每个候选样本中局部斑块的置信评分的均值作为对应的候选样本的置信度,并将所述置信度小于预设置信阈值的候选样本选取为训练样本以生成训练样本集;接着,分别构造生成器、第一判别器、第二判别器和VGG网络,根据所述生成器、第一判别器、第二判别器、VGG网络和所述训练样本集进行道路网络提取模型的训练,以生成道路网络提取模型;然后,获取待测试的道路源图像,并将所述待测试的道路源图像输入所述道路网络提取模型,以生成路网地图;从而根据候选样本的置信度进行训练样本的选取,使得使用者可以通过简单地交互获取大量的训练样本,极大地节约了人力和物力资源;同时,通过多条件监督,以获取异常的道路区域,增强道路网络的最终提取效果。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例提出的道路网络提取方法的流程示意图,如图1所示,该道路网络提取方法包括以下步骤:
S101,获取原始图像,其中,所述原始图像包括道路源图像、对应所述道路源图像的道路区域地图和道路中心线地图。
其中,道路源图像指的是通过遥感技术获取到的道路原始记录图像,道路区域地图指的是标注有道路源图像中道路所在区域的地图,道路中心线地图指的是以中心线对道路源图像中道路进行示意的地图。
需要说明的是,道路区域地图和道路中心线图均可由现有技术进行提取,因此在此不对道路区域地图和道路中心线图的提取过程进行赘述。
S102,对所述原始图像进行处理以提取多个候选样本,并根据所述道路中心线地图中的道路中心线从每个候选样本中选取局部斑块。
作为一种示例,对原始图像进行处理以提取多个候选样本的方式具体为:使用预设大小的滑动窗口以指定的步长在原始图像上进行候选样本的选取,以提取多个候选样本;其中,可以预设原始图像中的道路源图像、对应道路源图像的道路区域地图和道路中心线地图具有一致的坐标标示(例如,三份图像中同一位置对应的坐标相同),如此,在原始图像上进行候选样本的选取时,该候选样本可包含同一位置的道路源图像、对应该位置的道路区域地图和道路中心线地图。
作为另一种示例,我们使用大小为1024×1024的滑动窗口以256像素的步长在原始图像上进行候选样本的选取,然后,在选取的候选样本中,沿着道路中心线地图中的道路中心线以20像素的步长创建大小为64×64的局部斑块。
S103,计算每个局部斑块的置信评分,并计算每个候选样本中所有局部斑块对应的置信评分的均值,以及将每个候选样本中局部斑块的置信评分的均值作为对应的候选样本的置信度,并将所述置信度小于预设置信阈值的候选样本选取为训练样本以生成训练样本集。
也就是说,对选取的每个局部斑块进行置信评分的计算,然后,在每个局部斑块的置信评分计算完毕之后,根据每个候选样本中包含的局部斑块对应的置信评分,进行每个候选样本的置信度的计算;其中,该置信度为对应每个候选样本包含的局部斑块的置信评分的均值;接着,判断候选样本的置信度是否小于预设的置信阈值,如果候选样本的置信度小于预设的置信阈值,则将该候选样本选取为训练样本,以根据选取的训练样本生成训练样本集。
作为一种示例,计算每个局部斑块的置信评分具体包括:获取局部斑块中道路中心线上每个道路像素p,以生成像素集Ap,并根据每个道路像素p的坐标和像素集Ap的大小获取目标直线lt:y=ax+b,以使每个道路像素p到目标直线lt的距离之和最小,其中,局部斑块的置信评分由以下公式计算获得:其中,Sk为局部斑块的置信评分,(xi,yi)为像素pi的坐标,n为像素集Ap的大小。
也就是说,对于道路中心线L而言,有每个道路像素p∈L,然后,用Ap表示在一个局部区域中以p为中心的道路像素集,我们的目的在于找到一条目标直线lt:y=ax+b,其中,所有道路像素p到直线lt的距离之和最小,并且,局部斑块的置信评分由以下公式计算获得:
然后,公式在经过变化之后得到(M-F(a,b))a2+Na+T-F(a,b)=0;为了保证有解,则有N2-4(M-F(a,b))(T-F(a,b))≥0,代入后变为:-4F(a,b)2+a(M+T)F(a,b)+N2-aMT≥0。
需要说明的是,上述等式必须与直线y=0有一个或两个交叉点,将解写作s1和s2,两者中的最小值便是F(a,b)的期望值,通过求解(M-F(a,b))a2+Na+T-F(a,b)=0,能得到由于能得出问题的解
作为另一种示例,当每个局部斑块的置信评分计算完毕之后,通过计算每个候选样本中包含的所有局部斑块置信评分的均值,以将该均值作为候选样本的置信度;其中,置信度Sc由以下式计算获得:
S104,分别构造生成器、第一判别器、第二判别器和VGG网络,根据所述生成器、第一判别器、第二判别器、VGG网络和所述训练样本集进行道路网络提取模型的训练,以生成道路网络提取模型。
也就是说,在训练样本集搜集完毕之后,开始进行道路网络提取模型的训练,在训练的过程中,分别构造生成器、两个判别器和VGG网络,并根据生成器、两个判别器、VGG网络以及之前训练好的训练样本集进行道路网络提取模型的训练,以生成最终的道路网络提取模型。
作为一种示例,该道路网络提取模型为多监督对抗生成网络。
如图2所示,作为一种示例,上述生成器包括第一生成单元和第二生成单元,其中,第一生成单元包含四个残差块、四个卷积层和两个反卷积层,并且,每个残差块包括两个卷积层、两个InstanceNorm层和一个ReLU层;与第一生成单元类似,第二生成单元包含三个残差块、三个卷积层和两个反卷积层;需要说明的是,为了在扩大特征图分辨率时保留低层次的特征,上述第一生成单元和第二生成单元之间采用跳跃式连接。
作为一种示例,在生成器构成的过程中,还对道路区域地图进行描边,以生成对应道路区域地图的边地图;然后,将道路源图像和边地图作为输入进行生成器的训练,以构造生成器。
如图2所示,作为一种示例,两个判别器的结构相同,两个判别器都包含五个卷积层,其中,第一判别器由区域地图和生成器的输出作为输入进行训练获得,第二判别器由中心线地图作为输入进行训练获得。需要说明的是,通常,判别器的输出是0和1,但我们假设图像是由N个像素块组成的马尔可夫随机场,超过这个像素图像就是独立的,然后,我们将N的大小设置为70,则判别器以四比例输入用于覆盖各种尺寸的道路特征。
需要说明的是,在道路网络提取模型的训练过程中,还包括网络中的损失函数的设计,该损失函数包括四个部分:多监督对抗损失、感知损失、分层每像素损失和目标损失。损失函数由以下公式计算,
LcGAN(G,D)=Ex,y∈Pdata(x,y)[logD(x,y)]+Ex∈pdata(x)[log(1-D(x,G(x)))]
其中,x和y分别代表不同的输入值,G(x)代表生成器,D(x)代表判别器,Pdata(x)表示数据的分布,G试图最小化它,D试图最大化它;接着,总目标函数如下所示:
Ltotal=LM+LH+LG+LT
其中,LM代表多监督对抗损失,LH代表分层每像素损失,LG代表感知损失,LT代表目标损失;LM由以下公式计算获得:
LH由以下公式计算获得:
LG由以下公式计算获得:
LT由以下公式计算获得:
S105,获取待测试的道路源图像,并将所述待测试的道路源图像输入所述道路网络提取模型,以生成路网地图。
需要说明的是,该步骤为测试步骤,即言,在道路网络提取模型训练完毕之后,将待测试的道路源图像输入到道路网络提取模型中,以通过该道路网络提取模型生成路网地图,并根据生成的路网地图对道路网络提取模型进行评价,以确定最终的道路网络提取模型。
如图3所示,该图为本发明实施例提出的道路网络提取模型与传统生成对抗网络在公开的数据集上的提取性能对比,如图3所示,a列为输入的道路源图像,b列为真实数据样本,c列为本发明实施例提出的道路网络提取模型的提取结果,d列为传统生成对抗网络的提取结果。
图4为本发明提出的道路网络提取模型与传统生成对抗网络在不同epoch数时的提取效果比较图。如图4所示,其中,a列中a1和a3为输入的道路源图像,a2和a4为标定好的真实数据,其中,除a列之外,图中第一行和第三行所示为本发明实施例提出的道路网络提取模型的提取结果,图中第二行和第四行所示为传统生成对抗网络的提取结果;并且,b列为本发明提出的道路网络提取模型与传统生成对抗网络在epoch数为3时的提取结果;c列为本发明提出的道路网络提取模型与传统生成对抗网络在epoch数为10时的提取结果;d列为本发明提出的道路网络提取模型与传统生成对抗网络在epoch数为100时的提取结果。
综上,本发明实施例提出的道路网络提取方法,与传统的生成对抗网络相比,能够直接在道路区域地图和道路中心线地图的监督下提取道路中心线。通过引入额外的监督,不仅考虑了道路区域的光谱特征,还考虑了道路网络拓扑结构,因此,能够直接从输入的数据中获得具有完整拓扑结构的道路中心线,
综上所述,根据本发明实施例的道路网络提取方法,首先,获取原始图像,其中,所述原始图像包括道路源图像、对应所述道路源图像的道路区域地图和道路中心线地图;接着,对所述原始图像进行处理以提取多个候选样本,并根据所述道路中心线地图中的道路中心线从每个候选样本中选取局部斑块;然后,计算每个局部斑块的置信评分,并计算每个候选样本中所有局部斑块对应的置信评分的均值,以及将每个候选样本中局部斑块的置信评分的均值作为对应的候选样本的置信度,并将所述置信度小于预设置信阈值的候选样本选取为训练样本以生成训练样本集;接着,分别构造生成器、第一判别器、第二判别器和VGG网络,根据所述生成器、第一判别器、第二判别器、VGG网络和所述训练样本集进行道路网络提取模型的训练,以生成道路网络提取模型;然后,获取待测试的道路源图像,并将所述待测试的道路源图像输入所述道路网络提取模型,以生成路网地图;从而根据候选样本的置信度进行训练样本的选取,使得使用者可以通过简单地交互获取大量的训练样本,极大地节约了人力和物力资源;同时,通过多条件监督,以获取异常的道路区域,增强道路网络的最终提取效果。
为了实现上述实施例,本发明实施例还提出了一种计算机可读存储介质,计算机可读存储介质上存储有道路网络提取程序,道路网络提取程序在被执行时实现如上述的道路网络提取方法中的步骤。
为了实现上述实施例,本发明实施例还提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,处理器执行程序时,实现如上述的道路网络提取方法。
为了实现上述实施例,本发明实施例还提出了一种道路网络提取***,如图5所示,包括:图像获取单元10、样本预选单元20、样本选取单元30、模型训练单元40和模型测试单元50。
其中,图像获取单元10,用于获取原始图像,其中,所述原始图像包括道路源图像、对应所述道路源图像的道路区域地图和道路中心线地图。
样本预选单元20,用于对所述原始图像进行处理以提取多个候选样本,并根据所述道路中心线地图中的道路中心线从每个候选样本中选取局部斑块。
样本选取单元30,用于计算每个局部斑块的置信评分,并计算每个候选样本中所有局部斑块对应的置信评分的均值,以及将每个候选样本中局部斑块的置信评分的均值作为对应的候选样本的置信度,并将所述置信度小于预设置信阈值的候选样本选取为训练样本以生成训练样本集。
模型训练单元40,用于分别构造生成器、第一判别器、第二判别器和VGG网络,根据所述生成器、第一判别器、第二判别器、VGG网络和所述训练样本集进行道路网络提取模型的训练,以生成道路网络提取模型。
模型测试单元50,用于获取待测试的道路源图像,并将所述待测试的道路源图像输入所述道路网络提取模型,以生成路网地图。
需要说明的是,上述关于图1中道路网络提取方法的描述同样适用于该道路网络提取***,在此不做赘述。
在一些实施例中,样本选取单元30计算每个局部斑块的置信评分,具体包括:获取局部斑块中道路中心线上每个道路像素p,以生成像素集Ap,并根据每个道路像素p的坐标和像素集Ap的大小获取目标直线lt:y=ax+b,以使每个道路像素p到目标直线lt的距离之和最小,其中,局部斑块的置信评分由以下公式计算获得:
其中,Sk为局部斑块的置信评分,(xi,yi)为像素pi的坐标,n为像素集Ap的大小。
综上所述,根据本发明实施例提出的道路网络提取***,包括:图像获取单元,用于获取原始图像,其中,原始图像包括道路源图像、对应道路源图像的道路区域地图和道路中心线地图;样本预选单元,用于对原始图像进行处理以提取多个候选样本,并根据道路中心线地图中的道路中心线从每个候选样本中选取局部斑块;样本选取单元,用于计算每个局部斑块的置信评分,并计算每个候选样本中所有局部斑块对应的置信评分的均值,以及将每个候选样本中局部斑块的置信评分的均值作为对应的候选样本的置信度,并将置信度小于预设置信阈值的候选样本选取为训练样本以生成训练样本集;模型训练单元,用于分别构造生成器、第一判别器、第二判别器和VGG网络,根据生成器、第一判别器、第二判别器、VGG网络和训练样本集进行道路网络提取模型的训练,以生成道路网络提取模型;模型测试单元,用于获取待测试的道路源图像,并将待测试的道路源图像输入道路网络提取模型,以生成路网地图;从而根据候选样本的置信度进行训练样本的选取,使得使用者可以通过简单地交互获取大量的训练样本,极大地节约了人力和物力资源;同时,通过多条件监督,以获取异常的道路区域,增强道路网络的最终提取效果。
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、***、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、CD-ROM、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(***)、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。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种道路网络提取方法,其特征在于,包括以下步骤:
获取原始图像,其中,所述原始图像包括道路源图像、对应所述道路源图像的道路区域地图和道路中心线地图;
对所述原始图像进行处理以提取多个候选样本,并根据所述道路中心线地图中的道路中心线从每个候选样本中选取局部斑块;
计算每个局部斑块的置信评分,并计算每个候选样本中所有局部斑块对应的置信评分的均值,以及将每个候选样本中局部斑块的置信评分的均值作为对应的候选样本的置信度,并将所述置信度小于预设置信阈值的候选样本选取为训练样本以生成训练样本集;
分别构造生成器、第一判别器、第二判别器和VGG网络,根据所述生成器、第一判别器、第二判别器、VGG网络和所述训练样本集进行道路网络提取模型的训练,以生成道路网络提取模型,其中,所述第一判别器由区域地图和所述生成器的输出作为输入进行训练获得,所述第二判别器由所述道路中心线地图作为输入进行训练获得;
获取待测试的道路源图像,并将所述待测试的道路源图像输入所述道路网络提取模型,以生成路网地图。
3.如权利要求1所述的道路网络提取方法,其特征在于,所述生成器由第一生成单元和第二生成单元构成,其中,所述第一生成单元包括四个残差块、四个卷积层和两个反卷积层,所述第二生成单元包括三个残差块、三个卷积层和两个反卷积层。
4.如权利要求3所述的道路网络提取方法,其特征在于,所述第一生成单元与所述第二生成单元之间采用跳跃式连接,以便在扩大特征图分辨率时保留低层次的特征。
5.如权利要求1所述的道路网络提取方法,其特征在于,所述构造生成器,具体包括:
对所述道路区域地图进行描边,以生成对应所述道路区域地图的边地图;
将所述道路源图像和所述边地图作为输入进行生成器的训练,以构造生成器。
6.如权利要求1所述的道路网络提取方法,其特征在于,所述第一判别器和所述第二判别器结构相同,其中,所述第一判别器以所述道路区域地图和所述生成器的输出作为输入进行训练获得,所述第二判别器以所述道路中心线地图作为输入进行训练获得。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有道路网络提取程序,所述道路网络提取程序在被执行时实现如权利要求1至6任一项所述的道路网络提取方法中的步骤。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现如权利要求1-6中任一项所述的道路网络提取方法。
9.一种道路网络提取***,其特征在于,包括:
图像获取单元,用于获取原始图像,其中,所述原始图像包括道路源图像、对应所述道路源图像的道路区域地图和道路中心线地图;
样本预选单元,用于对所述原始图像进行处理以提取多个候选样本,并根据所述道路中心线地图中的道路中心线从每个候选样本中选取局部斑块;
样本选取单元,用于计算每个局部斑块的置信评分,并计算每个候选样本中所有局部斑块对应的置信评分的均值,以及将每个候选样本中局部斑块的置信评分的均值作为对应的候选样本的置信度,并将所述置信度小于预设置信阈值的候选样本选取为训练样本以生成训练样本集;
模型训练单元,用于分别构造生成器、第一判别器、第二判别器和VGG网络,根据所述生成器、第一判别器、第二判别器、VGG网络和所述训练样本集进行道路网络提取模型的训练,以生成道路网络提取模型;
模型测试单元,用于获取待测试的道路源图像,并将所述待测试的道路源图像输入所述道路网络提取模型,以生成路网地图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811281849.5A CN109558801B (zh) | 2018-10-31 | 2018-10-31 | 道路网络提取方法、介质、计算机设备及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811281849.5A CN109558801B (zh) | 2018-10-31 | 2018-10-31 | 道路网络提取方法、介质、计算机设备及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109558801A CN109558801A (zh) | 2019-04-02 |
CN109558801B true CN109558801B (zh) | 2020-08-07 |
Family
ID=65865716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811281849.5A Active CN109558801B (zh) | 2018-10-31 | 2018-10-31 | 道路网络提取方法、介质、计算机设备及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109558801B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008604A (zh) * | 2019-12-09 | 2020-04-14 | 上海眼控科技股份有限公司 | 预测图像获取方法、装置、计算机设备和存储介质 |
CN111123927A (zh) * | 2019-12-20 | 2020-05-08 | 北京三快在线科技有限公司 | 轨迹规划方法、装置、自动驾驶设备和存储介质 |
CN111539897A (zh) * | 2020-05-09 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于生成图像转换模型的方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7400770B2 (en) * | 2002-11-06 | 2008-07-15 | Hrl Laboratories | Method and apparatus for automatically extracting geospatial features from multispectral imagery suitable for fast and robust extraction of landmarks |
CN101726309A (zh) * | 2009-12-18 | 2010-06-09 | 吉林大学 | 基于道路数据增量更新的导航电子地图动态拓扑重建***方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110364B (zh) * | 2009-12-28 | 2013-12-11 | 日电(中国)有限公司 | 基于路口和路段的交通信息处理方法和装置 |
CN101976335A (zh) * | 2010-09-03 | 2011-02-16 | 浙江大学 | 基于改进c-v模型的遥感图路网提取方法 |
CN106778605B (zh) * | 2016-12-14 | 2020-05-05 | 武汉大学 | 导航数据辅助下的遥感影像道路网自动提取方法 |
CN107203761B (zh) * | 2017-06-15 | 2019-09-17 | 厦门大学 | 基于高分辨率卫星影像的道路宽度估计方法 |
CN107704837A (zh) * | 2017-10-19 | 2018-02-16 | 千寻位置网络有限公司 | 道路网拓扑和几何信息的提取方法 |
-
2018
- 2018-10-31 CN CN201811281849.5A patent/CN109558801B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7400770B2 (en) * | 2002-11-06 | 2008-07-15 | Hrl Laboratories | Method and apparatus for automatically extracting geospatial features from multispectral imagery suitable for fast and robust extraction of landmarks |
CN101726309A (zh) * | 2009-12-18 | 2010-06-09 | 吉林大学 | 基于道路数据增量更新的导航电子地图动态拓扑重建***方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109558801A (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及*** | |
CN109447994B (zh) | 结合完全残差与特征融合的遥感图像分割方法 | |
CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
CN108492281B (zh) | 一种基于生成式对抗网络的桥梁裂缝图像障碍物检测与去除的方法 | |
CN109493320B (zh) | 基于深度学习的遥感影像道路提取方法及***、存储介质、电子设备 | |
CN109934154B (zh) | 一种遥感影像变化检测方法及检测装置 | |
Chen et al. | A spectral gradient difference based approach for land cover change detection | |
CN110599537A (zh) | 基于Mask R-CNN的无人机图像建筑物面积计算方法及*** | |
CN109558801B (zh) | 道路网络提取方法、介质、计算机设备及*** | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
CN108052909B (zh) | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 | |
CN115409069A (zh) | 村镇建筑的识别方法、分类方法、装置、电子设备和介质 | |
CN115223054A (zh) | 一种基于分区聚类与卷积的遥感影像变化检测方法 | |
CN115272860B (zh) | 一种水稻种植区的确定方法、***、电子设备及存储介质 | |
Zou et al. | Individual vacant house detection in very-high-resolution remote sensing images | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN112418632A (zh) | 一种生态修复关键区域识别方法及*** | |
CN113505670A (zh) | 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法 | |
CN112004078A (zh) | 基于生成对抗网络的虚拟现实视频质量评价方法及*** | |
CN103544695A (zh) | 一种高效的基于博弈框架的医学图像分割方法 | |
CN105631849B (zh) | 多边形目标的变化检测方法及装置 | |
CN117422619A (zh) | 图像重建模型的训练方法、图像重建方法、装置及设备 | |
CN109583626B (zh) | 路网拓扑重建方法、介质及*** |
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 |