CN109697425A - 一种公路威胁信息识别方法 - Google Patents

Abstract

本发明涉及一种公路威胁信息识别方法，其步骤为：1)依据照片或航片构建地物样本集，选择典型区域建立样本子集及标签集；2)对样本数据标准化，然后综合红、绿、蓝波段标准化像素值集，将样本集分为训练集和测试集，构建威胁识别模型，计算误差率；3)将待提取信息的图片或航片数字化，并进行标准化处理，再将标准化结果带入威胁识别模型，实现威胁信息提取。本发明是考虑到应用威胁识别模型对彩色照片或航片的威胁信息识别问题，其算例结果表明，提供的威胁信息够为评估受灾程度、确定救援工作筹备和制定应急救援预案等提供指导，对遥感影像等数据不足情况下的有利补充，能够提高威胁识别的效率，在应急救援决策快速实施中具有重要作用。

Description

一种公路威胁信息识别方法

技术领域

本发明属于威胁源辨识与应急管理领域，涉及到使用高分辨率遥感影像、航空相片或高清晰图片等信息识别出滑坡发生地点或堰塞湖出现地点的一种公路威胁信息识别方法。

背景技术

到目前为止，国内外在滑坡等威胁识别的遥感解译主要靠目视解译进行，这需要根据图像的几何特征、纹理特征和上下文关系等内容建立解译标志，且由经验丰富的专业人员进行判读，尚没有形成完整而***的威胁识别的知识库，而解译标志的建立又具有区域特性，推广性受限；如何不依赖于专业解译人员，实现解译知识的迁移，而不必每一地区的解译重新建立解译标志，以及实现基于通用彩色照片等非专业影像数据的威胁快速识别是亟待解决的问题，此问题的解决无论对威胁识别的方法还是指导应急救援的进行都具有极其重要的应用价值。

发明内容

本发明的目的是提供一种能克服上述缺陷、利用采样相机彩色照片或航片即可识别滑坡、堰塞湖等公路威胁的公路威胁信息识别方法。其技术方案为采用以下步骤：

1)建立训练、测试集：

(1)对公路进行拍照，在拍得的照片或航片上采集地物样本点，构建地物样本集：

其中，公式(1)中n是航路中的各子集的总数，S表示总样本集合，S₁、S₂、S_i、S_n分别为第1、2、i和n个样本子集；

(2)选择典型区域建立样本子集：为各样本子集选择典型的区域，并在典型区域内进行样本点采集，其数学描述如下：

S_i＝{x_j|x_j∈(z₁，z₂，...z_m)}，x_j＝{x_jr，x_jg，x_jb} (2)

x_j表示样本子集S_i的第j个采样点，m是选出的典型采样区域个数，z₁、z₂、z_m分别为第1、2和m个典型采样区域，x_jr、x_jg、x_jb分别表示第j个采样点对应的红、绿、蓝波段采集的像素值；

(3)样本集S的标签集LB赋值，其数学描述如下：

其中，LB为样本集对应的标签集，LB₁、LB₂、LB_n分别为样本子集S₁、样本子集S₂、样本子集S_n的第1、2和n个标签子集；

2)典型地物信息提取，包括以下步骤：

(1)样本集S数据的标准化：

公式(4)、(5)和(6)中zx_jr、zx_jg、zx_jb分别表示标准化后的红、绿、蓝波段采集的像素值，min()和max()表示求取最小值和最大值函数；

(2)红、绿、蓝波段标准化像素值集及其标签集的综合：

S_j＝[zx_jr，zx_jg，zx_jb] (7)

公式(8)中LB_jr，LB_jg和LB_jb分别表示zx_jr、zx_jg和zx_jb所对应的标签值，中括号[]表示矩阵，矩阵内的逗号用于列与列之间的分割；

(3)将样本集S分为训练集S_tr和测试集S_te，将标签集LB分为训练集LB_tr和测试集LB_te：

NS_tr≥NS_te，NLB_tr≥NLB_te，NS_tr+NS_te＝n，NLB_tr+NLB_te＝n (11)

公式(9)～(11)中NS_tr、NS_te分别表示训练集的样本数、测试集的样本数，NLB_tr、NLB_te分别表示训练集的标签集样本数和测试集的标签集样本数；

(4)构建威胁识别模型：

LModel＝{Weight，error，ThrV} (12)

Weight＝log₁₀(1-error)/error) (13)

ThrV＝min(sum(LB_tr-LB_trf)) (14)

公式(12)、(13)和(14)中，Weight为预测样本的权重，error为预测样本的误差和，ThrV为标签赋值的阈值，sum()为求和函数，LB_trf为预测的训练样本标签值；

分类器个数范围1～20，根据构建的威胁识别模型，从第一个分类器开始对步骤(1)～(3)获取的训练集、测试集及其标签集进行训练，并按照公式(15)计算训练集的分类器误差率，直至分类器误差率不大于ThrV，停止训练：

E_tri＝(NS_tr-R_tr)/NS_tr (15)

公式(15)中E_tri为训练集第i个分类器得到的分类误差率，R_tr为分类的正确个数；

(5)将测试数据集及其标签集代入威胁识别模型，并计算模型误差率：

E_tei＝(NS_te-R_te)/NS_te (16)

公式(16)中E_tei为测试集第i个分类器得到的分类误差率，R_te为分类的正确个数；

3)公路威胁信息识别：

(1)将待提取信息的图片航片数字化；

(2)对数字化后的图片航片进行标准化处理；

(3)将照片或航片的标准化结果代入威胁识别模型公式(12)～(14)，实现威胁信息识别。

本发明与现有技术相比，优点为：

a.本方法具有处理滑坡和堰塞湖等公路威胁信息识别的能力，为发生类似情景的紧急救援提供事故处理模板和指导；同时，将不同照片或航片的红、绿、蓝颜色的像素数据标准化构建的威胁识别能够提高威胁的识别效率，为解决该公路威胁识别提供了一种有效的方法；

b.通过航片或彩色照片即可快速识别威胁信息的位置及范围，该方法是对遥感影像数据不足情况下的有利补充，能够提高威胁识别的效率，在应急救援决策快速实施中具有重要作用。

具体实施方式

下面结合实施例对本发明技术方案做进一步介绍。具体步骤为：

1)建立训练、测试集：

(1)选择一张包含道路的彩色照片，构建地物样本集S，样本集S包括道路样本子集S₁和非道路样本子集S₂，且

(2)为样本子集S₁、样本子集S₂各选择5个典型的区域z₁～z₅，并在样本子集S₁、样本子集S₂的典型区域内各采集100个样本点，x_jr、x_jg、x_jb分别表示第j个采样点对应的红、绿、蓝波段采集的像素值：

x_1r＝[134 114 147 111 112 108 104 122 112 134 132 114 117 115 115 129112 138 113 120 142 151 124 130 130 130 121 123 121 125 122 119 161 147 126123 131 140 153 113 127 121 129 122 133 125 130 131 126 119 108 152 136 118129 127 129 130 138 152 120 151 147 150 150 141 145 148 147 145 154 154 165158 162 163 162 159 165 153 147 148 149 136 149 147 138 106 126 144 88 93 100102 94 96 97 81 98 104 99 89 100 92 122 95 98 95 84 87 104 95 91 99 88 103 9680 89 97 94 104 85 88 104 95 91 99 88 103 95 81 88 98 94 104 86 88]

x_1g＝[96 76 77 69 72 76 69 81 77 90 85 70 71 74 81 88 73 88 68 87 8094 84 89 89 82 81 89 77 94 81 79 100 84 86 85 86 85 86 69 75 82 80 78 84 8077 81 93 77 69 83 92 77 88 75 88 82 75 8681 81 126 131 129 119 125 126 130127 134 133 148 143 141 142 137 137 146 131 125 131 129 117 126 126 117 92108 116 78 81 90 86 82 86 87 70 84 90 89 78 86 82 103 83 82 84 84 79 92 89 8185 77 91 86 74 77 82 84 92 79 76 92 89 81 85 77 91 87 74 78 82 84 93 79 76]

x_1b＝[87 73 67 70 64 77 67 75 71 81 77 67 73 72 79 84 68 81 65 78 6987 82 85 85 82 79 80 74 92 75 77 81 79 84 84 83 78 78 69 77 75 83 75 80 77 6980 86 78 64 76 89 73 82 77 84 82 66 70 76 71 107 114 108 106 100 103 104 103109 112 122 122 114 115 115 114 131 108 102 105 105 103 110 109 100 92 104105 77 83 89 86 84 87 86 76 84 89 90 86 86 81 99 83 79 82 85 77 92 89 82 8583 95 87 74 79 79 83 92 79 78 92 89 82 85 83 95 88 75 79 79 84 92 77 78]

x_2r＝[85 83 80 78 79 56 49 76 56 51 73 65 67 67 61 48 65 57 66 54 6523 67 66 59 45 60 49 37 57 57 63 69 58 53 65 50 62 43 62 75 73 66 64 64 64 7552 59 55 60 56 41 49 72 45 70 65 58 53 43 30]

x_2g＝[72 68 68 66 68 52 44 68 57 50 70 61 59 57 58 43 57 51 58 47 6223 57 59 56 39 59 43 36 51 47 64 63 53 49 64 49 56 41 59 64 63 58 64 64 66 6148 55 46 55 50 40 45 61 42 71 62 51 52 41 30]

x_2b＝[66 63 68 66 66 51 38 66 49 45 63 58 56 56 53 39 54 51 56 39 5723 55 53 49 39 54 45 32 51 46 59 63 49 48 60 45 56 44 54 60 61 56 62 62 65 6045 52 39 52 50 35 42 59 37 65 57 52 48 44 28]

(3)对样本子集S₁的标签集LB₁、样本子集S₂的标签集LB₂赋值，其数学描述如下：

LB₁＝1，LB₂＝2 (3)

2)典型地物信息识别，具体步骤如下：

(1)样本集S数据的标准化：

公式(4)、(5)和(6)中zx_jr、zx_jg、zx_jb分别表示标准化后的红、绿、蓝波段采集的像素值，min()和max()表示求取最小值和最大值函数；

(2)红、绿、蓝波段标准化像素值集及其标签集的综合：

S_j＝[zx_jr，zx_jg，zx_jb] (7)

公式(8)中LB_jr、LB_jg和LB_jb分别表示zx_jr、zx_jg和zx_jb所对应的标签值，中括号[]表示矩阵，矩阵内的逗号用于列与列之间的分割；

(3)将样本集S分为训练集S_tr和测试集S_te，将标签集LB分为训练集LB_tr和测试集LB_te，n值为200，NS_tr、NS_te分别表示训练集的样本数、测试集的样本数，NLB_tr、NLB_te分别表示训练集的标签集样本数和测试集的标签集样本数，均为100：

(4)构建威胁识别模型，设定分类器数20，将步骤(1)～(3)获取的训练集、测试集及其标签集代入威胁识别模型，并计算20个训练集分类器误差率：

LModel＝{Weight，error，ThrV} (12)

Weight＝log₁₀(1-error)/error) (13)

ThrV＝min(sum(LB_tr-LB_trf)) (14)

E_tri＝(100-R_tr)/100 (15)

(5)实施例的实验场景为4个：第一个实验场景为住宅小区的高分辨率遥感影像，第二个环境为网络上下载的滑坡影像图片，第三个环境同样为网络上下载的高分辨率的堰塞湖图片，第四个救援的场景为网络上下载的泥石流照片。将4个实验场景彩色照片的测试数据集及其标签集分别代入威胁识别模型，计算其误差率：

E_tei＝(100-R_te)/100 (16)

3)公路威胁信息识别：

(1)实现待提取信息的图片航片的数字化；

(2)对数字化的图片航片进行标准化处理；

(3)将照片的标准化结果代入威胁识别模型公式(12)～(14)，实现威胁信息识别。

实施例的识别结果如表1所示：

表1 威胁信息提取结果及评价

表1显示了4个实验的场景，第一个实验场景由于小区内小的人行道较多，影响了识别的精度93.75，第二个实验场景采用第一个实验的威胁识别模型进行威胁识别，规划时间也减少近一半，识别正确率为100％，第三个实验场景通过该模型发生堰塞湖区域也完全被提取出来；第四个实验场景的泥石流发生范围同样提取出来，通过以上实验可以看到通过迁移计算模型能够完成威胁的识别，威胁识别时间也远小于实验一实验场景，由此可得本方法为紧急事故救援提供了安全保障。

Claims (1)

1.一种公路威胁信息识别方法，其特征包括以下实现步骤：

1)建立训练、测试集：

(1)对公路进行拍照，在拍得的照片或航片上采集地物样本点，构建地物样本集：

其中，公式(1)中n是航路中的各子集的总数，S表示总样本集合，S₁、S₂、S_i、S_n分别为第1、2、i和n个样本子集；

(2)选择典型区域建立样本子集：为各样本子集选择典型的区域，并在典型区域内进行样本点采集，其数学描述如下：

S_i＝{x_j|x_j∈(z₁，z₂，...z_m)}，x_j＝{x_jr，x_jg，x_jb} (2)

x_j表示样本子集S_i的第j个采样点，m是选出的典型采样区域个数，z₁、z₂、z_m分别为第1、2和m个典型采样区域，x_jr、x_jg、x_jb分别表示第j个采样点对应的红、绿、蓝波段采集的像素值；

(3)样本集S的标签集LB赋值，其数学描述如下：

其中，LB为样本集对应的标签集，LB₁、LB₂、LB_n分别为样本子集S₁、样本子集S₂、样本子集S_n的第1、2和n个标签子集；

2)典型地物信息提取，包括以下步骤：

(1)样本集S数据的标准化：

公式(4)、(5)和(6)中zx_jr、zx_jg、zx_jb分别表示标准化后的红、绿、蓝波段采集的像素值，min()和max()表示求取最小值和最大值函数；

(2)红、绿、蓝波段标准化像素值集及其标签集的综合：

S_j＝[zx_jr，zx_jg，zx_jb] (7)

公式(8)中LB_jr，LB_jg和LB_jb分别表示zx_jr、zx_jg和zx_jb所对应的标签值，中括号[]表示矩阵，矩阵内的逗号用于列与列之间的分割；

(3)将样本集S分为训练集S_tr和测试集S_te，将标签集LB分为训练集LB_tr和测试集LB_te：

NS_tr≥NS_te，NLB_tr≥NLB_te，NS_tr+NS_te＝n，NLB_tr+NLB_te＝n (11)

公式(9)～(11)中NS_tr、NS_te分别表示训练集的样本数、测试集的样本数，NLB_tr、NLB_te分别表示训练集的标签集样本数和测试集的标签集样本数；

(4)构建威胁识别模型：

LModel＝{Weight，error，ThrV} (12)

Weight＝log₁₀(1-error)/error) (13)

ThrV＝min(sum(LR_tr-LB_trf) (14)

公式(12)、(13)和(14)中，Weight为预测样本的权重，error为预测样本的误差和，ThrV为标签赋值的阈值，sum()为求和函数，LB_trf为预测的训练样本标签值；

分类器个数范围1～20，根据构建的威胁识别模型，从第一个分类器开始对步骤(1)～(3)获取的训练集、测试集及其标签集进行训练，并按照公式(15)计算训练集的分类器误差率，直至分类器误差率不大于ThrV，停止训练：

E_tri＝(NS_tr-R_tr)/NS_tr (15)

公式(15)中E_tri为训练集第i个分类器得到的分类误差率，R_tr为分类的正确个数；

(5)将测试数据集及其标签集代入威胁识别模型，并计算模型误差率：

E_tei＝(NS_te-R_te)/NS_te (16)

公式(16)中E_tei为测试集第i个分类器得到的分类误差率，R_te为分类的正确个数；

3)公路威胁信息识别：

(1)将待提取信息的图片航片数字化；

(2)对数字化后的图片航片进行标准化处理；

(3)将照片或航片的标准化结果代入威胁识别模型公式(12)～(14)，实现威胁信息识别。