CN112115817B - 基于深度学习的遥感影像道路轨迹正确性核查方法及装置 - Google Patents
基于深度学习的遥感影像道路轨迹正确性核查方法及装置 Download PDFInfo
- Publication number
- CN112115817B CN112115817B CN202010904124.8A CN202010904124A CN112115817B CN 112115817 B CN112115817 B CN 112115817B CN 202010904124 A CN202010904124 A CN 202010904124A CN 112115817 B CN112115817 B CN 112115817B
- Authority
- CN
- China
- Prior art keywords
- road
- checked
- remote sensing
- data
- vector data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000003860 storage Methods 0.000 claims abstract description 11
- 238000005452 bending Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims 1
- 238000012795 verification Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012550 audit Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution 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
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例提供了基于深度学习的遥感影像道路轨迹正确性核查方法、装置、设备和计算机可读存储介质。所述方法包括获取道路核查参考遥感影像数据;将所述参考影像输入预先训练得到的道路识别模型中,得到对应的道路识别结果;根据待核查道路矢量数据与所述道路识别结果进行核查。以此方式,可以快速定位到道路错误轨迹,特别适合于山区等偏远地区、现场核查作业条件艰苦的环境。
Description
技术领域
本公开的实施例一般涉及图像处理技术领域,并且更具体地,涉及基于 深度学习的遥感影像道路轨迹正确性核查方法、装置、设备和计算机可读存 储介质。
背景技术
公路是经济发展的动脉,而对公路基础数据进行的轨迹正确性核查是交 通行业的重要工作之一,其道路核查的准确性直接关系到道路工程进度监管、 路线规划等实施的情况,在交通管理、城市规划以及大众出行等方面均具有 重要意义和价值。无论是公路的建设、管理,还是养护和运营,以及提出的 建设“四好农村路”,都需要精准、真实的公路数据,为做出下一步建多少、在哪儿建、怎么建等决策提供支撑。公路具有分布广、里程长的特点,靠传 统手段获取数据不仅费时费力,且其精准度和科学性更是难以得到满足。尤 其是精确掌握农村公路数据对于经济建设发展起到重大作用。
传统道路轨迹正确性核查的方法全部依赖人工,这种方法耗时耗力,虽 然可得到道路的真实信息,但道路信息更新速度慢、成本高,无法实现新增 或变化道路的快速监测,进而影响交通、公路建设情况的分析判断。
遥感影像因其自身的成像范围广和真实性特征而渐渐被应用在交通领 域,可充分体现影像中地物的几何特征,从而能够实现对于新旧道路的比较 分析,为于道路数据的检查和管理更新提供了新的技术手段。与依靠人力进 行道路核查相比,通过遥感影像进行分析计算节省了很大的人力物力的投入,保障了结果的真实有效性,道路数据检查更新的速度也随之增加。但是目前, 通过遥感影像进行道路数据质量的检查与更新工作,仍依赖于人工目视解译 工作,个人的主观差异性问题难以避免。且实际生产中对于更新检查的速度 要求越来越高,人工的方法显然不足以满足这一要求。遥感影像的应用虽然 正在发展,但基于影像的道路提取方法仍然难以适用于对于道路数据的更新 和自动化核查,且影像处理工作量巨大,传统方法难以满意实际应用需求。
发明内容
根据本公开的实施例,提供了一种基于深度学习的遥感影像道路轨迹正 确性核查方案。
在本公开的第一方面,提供了一种基于深度学习的遥感影像道路轨迹正 确性核查方法。该方法包括:获取道路核查参考遥感影像数据;将所述参考 影像输入预先训练得到的道路识别模型中,得到对应的道路识别结果;根据 待核查道路矢量数据与所述道路识别结果进行核查。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所 述预处理为对所述参考遥感影像进行裁剪,得到多个标准尺寸的遥感影像; 所述道路识别结果为对识别得到的道路影像进行拼接得到的。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所 述预先训练得到的道路识别模型是通过以下步骤训练得到的:获取遥感影像 及对应的道路矢量;根据所述遥感影像及对应的道路矢量数据生成训练样本; 将所述训练样本输入预设的神经网络模型进行训练;其中,所述神经网络模 型为Unet网络模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,根 据所述遥感影像及对应的道路矢量数据生成训练样本包括:根据对应的道路 矢量数据构建缓冲区,将遥感影像作为底图,按照道路与矢量的地理对应关 系,对所述遥感影像中除道路以外的其他部分进行掩模处理;对掩膜处理后 的影像进行行列等分裁剪,形成标准尺寸的正方形二值图像块作为样本。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,根 据待核查道路矢量数据与所述道路识别结果进行核查包括:加载待核查道路 矢量数据,在道路数据的特征点处进行打断,形成多个简单路段数据;对所 述多个简单路段数据进行扩张,生成所述待核查道路矢量数据的缓冲区;根 据所述道路识别结果在所述待核查道路矢量数据的缓冲区的占比,判断待核查道路的正误情况。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,加 载待核查道路矢量数据,在道路数据的特征点处进行打断,形成多个简单路 段数据包括:加载所述待核查道路矢量数据后,根据预设判断规则,确定特 征点,在所述特征点处对所述待核查道路矢量数据进行打断,形成多个简单 路段数据;所述预设判断规则包括弯曲角度、弯曲趋势和最小路段长度规则。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,根 据所述道路识别结果在所述待核查道路矢量数据的缓冲区的占比,判断待核 查道路的正误情况包括:根据所述占比与预设阈值的关系,判断待核查道路 的正误情况。
在本公开的第二方面,提供了一种基于深度学习的遥感影像道路轨迹核 查装置。该装置包括:获取模块,用于获取道路核查参考遥感影像数据;识 别模块,用于将所述参考影像输入预先训练得到的道路识别模型中,得到对 应的道路识别结果;核查模块,用于根据待核查道路矢量数据与所述道路识别结果进行核查。
在本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器 和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实 现如以上所述的方法。
在本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算 机程序,所述程序被处理器执行时实现如根据本公开的第一方面的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的 关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下 的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优 点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相 似的元素,其中:
图1示出了能够在其中实现本公开的实施例的示例性运行环境的示意 图;
图2示出了根据本公开的实施例的基于深度学习的遥感影像道路轨迹正 确性核查方法的流程图;
图3a示出了本公开的实施例中道路核查参考影像数据;图3b示出了本 公开的实施例中完整道路识别信息的影像。
图4示出了根据本公开的实施例的道路识别模型的训练方法的流程图;
图5a示出了本公开的实施例中道路矢量结构的示意图;图5b示出了本 公开的实施例中将道路矢量打断生成简单路段的示意图;
图6a示出了本公开的实施例中待核查道路矢量数据及其对应影像的示 意图;图6b示出了本公开的实施例中待核查道路矢量数据生成的缓冲区的示 意图;
图7a示出了本公开的实施例中显示核查结果为“错误轨迹”的道路的示 意图;图7b示出了本公开的实施例中显示核查结果为“正确轨迹”的道路的 示意图;
图8示出了根据本公开的实施例的基于深度学习的遥感影像道路核查装 置的方框图;
图9示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公 开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述, 显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于 本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获 得的全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示 可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A 和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对 象是一种“或”的关系。
图1示出了能够在其中实现本公开的实施例的示例性运行环境100的示 意图。在运行环境100中包括核查客户端102、核查服务器104。
在一些实施例中,基于深度学习的遥感影像道路轨迹正确性核查的请求 可以由核查客户端102发送给核查服务器104,由核查服务器104根据所述 请求进行道路核查。
其中,遥感影像可以由核查客户端102与所述请求一并发送给核查服务 器104,也可以是预先存储在核查服务器104中的遥感影像。
图2示出了根据本公开实施例的基于深度学习的遥感影像道路轨迹正确 性核查方法200的流程图。方法200可以由图1中的核查服务器104执行。
在框210,获取道路核查参考遥感影像数据;
在一些实施例中,所述参考影像为分辨率在1m以内的卫星遥感影像, 如图3a所示。以高分二号卫星遥感影像为例,高分二号卫星是我国常用的民 用陆地观测卫星,搭载两台高分辨率1米全色、4米多光谱相机。
对于卫星遥感影像,需要经过几何校正、影像增强、影像融合等一系列 的预处理后,作为待核查数据影像使用。
在一些实施例中,对所述参考影像进行预处理。所述预处理包括:对所述 参考影像进行裁剪,得到多个标准尺寸的遥感影像。所述标准尺寸与训练道 路识别模型采用的训练样本尺寸相同。通过将所述参考影像裁剪成标准尺寸 的遥感影像,能够有效控制由道路识别模型识别道路的时间,并且保证道路 识别模型识别道路的精确性。
在框220,将所述参考遥感影像输入预先训练得到的道路识别模型中, 得到对应的道路识别结果;
在一些实施例中,将所述多个标准尺寸的遥感图像依次输入预先训练得 到的道路识别模型中,得到所述多个标准尺寸的遥感图像对应的道路识别结 果。
在一些实施例中,根据识别得到的道路影像的原始地理信息对其进行拼 接,如图3b所示例,从而能够准确地生成完整的道路识别信息,作为所述道 路识别结果。
在一些实施例中,所述预先训练得到的道路识别模型是通过以下步骤训 练得到的:
在框410,获取遥感影像及对应的道路矢量数据;
在一些实施例中,所述遥感影像为分辨率在1m以内的卫星遥感影像。 以高分二号卫星遥感影像为例,高分二号卫星是我国常用的民用陆地观测卫 星,搭载两台高分辨率1米全色、4米多光谱相机。对于卫星遥感影像,需 要经过几何校正、影像增强、影像融合等一系列的预处理。
在框420,根据所述遥感影像及对应的道路矢量数据生成训练样本;
在一些实施例中,根据对应的道路矢量数据构建缓冲区,将遥感影像作 为底图,按照道路与矢量的地理对应关系,对所述遥感影像中除道路以外的 其他部分进行掩模处理;对掩膜处理后的影像进行行列等分裁剪,形成标准 尺寸的正方形二值图像块作为样本,图像块为样本为d*d大小的正方形 (d=1024);将遍历得到的所有样本作为样本库。在一些实施例中,将样本库中3/4的样本为训练集,剩余的1/4生成为测试集。
在一些实施例中,可以对样本库中的样本进行旋转、缩放、镜面翻转等 操作生成更多的样本
在框430,将所述训练样本输入预设的神经网络模型进行训练。
在一些实施例中,所述神经网络模型为Unet网络模型。所述Unet网络 模型的搭建中,整体结构是先下采样进行编码,再进行上采样解码,返回跟 原始图像大小相同像素点的分类图像结果。多次重复下采样,通过激活函数 最大池化,每次采样之间有两个卷积层。上采样是通过相对应的反卷积完成, 每次进行上采样的结果与左侧结构中对应步骤的特征图拼接起来,使当前的 特征图具有更多的细节特征。多次重复上采样和反卷积处理得到与原始影像大小相同的分类结果,实现道路与非道路的分割,完成道路提取实现道路与 非道路的分割。
利用训练集数据所对应的道路二值图构建道路提取网络的损失函数,在 本实施方式中将交叉熵损失函数设定为Unet网络的损失函数:
其中,y(i)指影像中像素点i的真实的类别,若i点对应道路,则取y(i)=1, 若i点对应背景,则取y(i)=0;表示Unet网络对输入图像在像素点i的 输出结果,表示Unet网络预测像素点i为道路的概率。/>表示像素点i 为背景的概率。交叉熵损失如下式示:
其中,为将像素点i预测为道路的概率,pi表示候选框的真实类别,若 为道路则为1,否则为0。
在一些实施例中,采用VGG进行预训练,以及随机梯度下降的方法对网络参数进行优化调节;训练的每一步进行损失函数的计算,对每一次的参 数生成对应的损失函数,重复采用随机梯度下降的方法来优化网络的参数; 当损失函数的值在设置的最小误差值δ(δ=1e-5)范围内停止网络的训练并保 存此时的参数值作为网络结构。
在一些实施例中,将测试集输入到已训练的道路提取网络中,提取道路 进行验证,并且回调网络使其达到更好的实验结果。
具体为,将测试集数据输入至已训练的网络进行实验,以检验该训练的 网络的性能;根据测试集的结果微调网络的相关参数值并计算损失函数 LossUnet来调整网络;保存调整好的网络。
在框230,根据待核查道路矢量数据与所述道路识别结果进行核查;
在一些实施例中,加载待核查道路矢量数据,如图6a所示,在道路数据 的特征点处进行打断,形成多个简单路段数据;对所述多个简单路段数据进 行扩张,生成所述待核查道路矢量数据的缓冲区;进行道路占比的匹配。
在一些实施例中,加载所述待核查道路矢量数据后,根据预设判断规则, 确定特征点,在所述特征点处对所述待核查道路矢量数据进行打断,形成多 个简单路段数据;
在一些实施例中,所述预设判断规则如下:
对于一条核查道路轨迹数据,用P0P1...Pi...Pn表示这组轨迹,如图5a所示, 若其中的点Pi符合以下任一条件,便在此点进行打断处理,形成多个简单的 路段,如图5b所示:
(1)道路转折弯曲角度小于预设弯曲角度阈值θ,即 ∠(Pi-1Pi,PiPi+1)≤θ,其中θ为弯曲角度阈值;
(2)弯曲趋势与轨迹整体弯曲方向不同,即判断向量与向量/>之 间的弯曲角度是锐角还是钝角,进而判断其与同路段结构中所有路段的弯曲 趋势是否相同,即θ≥90°时,方向不同,同理θ<90°时,方向相同;
(3)其中ThLength为组成单元长度阈值,该阈值代 表道路核查的最小路段长度。
通过将待核查道路矢量数据打断成多个简单路段,所得到的各简单路段 具有单独的特征,在与所述完整道路识别信息进行核查时,能够更加准确地 定位各个简单路段的情况。
在一些实施例中,对所述多个简单路段数据进行扩张,生成所述待核查 道路矢量数据的缓冲区,如图6b所示;通过在所述多个简单路段数据周围以 规定的宽度(如道路宽度信息)扩展,生成各简单路段的缓冲区。
在一些实施例中,判断所述待核查道路矢量数据的缓冲区是否包含所述 完整道路识别信息,并计算所述完整道路识别信息在所述待核查道路矢量数 据的缓冲区的占比,根据所述占比与预设阈值的大小判断所述待核查道路的 正误情况。
在本实施中,将待核查路段的矢量分割为多个简单路段,因此在核查道 路正确与否时,可以根据每个简单路段分别进行上述的定量的分析和计算, 通过计算“正确轨迹”的简单路段占据整条路段的比例,可对整个待核查道 路进行判断。
在一些实施例中,首先查看设置的缓冲区中是否含有提取出的道路,并 计算提取到的道路的面积占据缓冲区面积的大小比率Rs=Sextraction/Stotal来判断 这条路段是否正确,设定为阈值;当判断每条路段的正确错误之后 还要计算正确的路段占据整条道路的比率RR=Roadright/Road,通过设定路段比 率的一个阈值,此处设定ThR=0.6,当占比大于阈值时认为待核查道路准确, 反之错误,并进行明显的标记以便修改。显示核查结果为“错误轨迹”的道 路的例子如图7a所示;显示核查结果为“正确轨迹”的道路的例子如图7b 所示。
根据本公开的实施例,实现了以下技术效果:由除了能够在快速定位到 道路错误轨迹外,还能够使整条道路的评价具有更高的执行效率。特别适合 于山区等偏远地区、现场核查作业条件艰苦的环境。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表 述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描 述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同 时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属 于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方 案进行进一步说明。
图8示出了根据本公开的实施例的基于深度学习的遥感影像道路轨迹核 查装置800的方框图。装置800可以被包括在图1的核查服务器104中或者 被实现为核查服务器104。如图8所示,装置800包括:
获取模块810,用于获取道路核查参考遥感影像数据;
识别模块820,用于将所述参考影像输入预先训练得到的道路识别模型 中,得到对应的道路识别结果;
核查模块830,用于根据待核查道路矢量数据与所述道路识别结果进行核 查。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描 述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不 再赘述。
图9示出了可以用来实施本公开的实施例的电子设备900的示意性框图。 设备900可以用于实现图1的消核查客户端102、核查服务器104中的至少一 个。如图所示,设备900包括中央处理单元(CPU)901,其可以根据存储在 只读存储器(ROM)902中的计算机程序指令或者从存储单元908加载到随 机访问存储器(RAM)903中的计算机程序指令,来执行各种适当的动作和处理。在RAM 903中,还可以存储设备900操作所需的各种程序和数据。CPU901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口 905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如 键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元 908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线 通信收发机等。通信单元909允许设备900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。
处理单元901执行上文所描述的各个方法和处理,例如方法200、400。 例如,在一些实施例中,方法200、400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908。在一些实施例中,计算机程序 的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到 设备900上。当计算机程序加载到RAM 903并由CPU 901执行时,可以执行 上文描述的方法200、400的一个或多个步骤。备选地,在其他实施例中,CPU 901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200、400。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执 行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括: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***的***(SOC)、负载可编程逻辑设备(CPLD)等等。
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***、装置或设备使用或与指令执行***、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***、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。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操 作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执 行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同 样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释 为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特 征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题, 但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特 征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (8)
1.一种基于深度学习的遥感影像道路轨迹正确性核查方法,其特征在于,包括:
获取道路核查参考遥感影像数据;
将所述参考影像经预处理后输入预先训练得到的道路识别模型中,得到对应的道路识别结果;所述道路识别结果为:根据识别得到的道路影像的原始地理信息对其进行拼接,生成的完整的道路识别信息;
根据待核查道路矢量数据与所述道路识别结果进行核查;根据待核查道路矢量数据与所述道路识别结果进行核查包括:加载待核查道路矢量数据,在道路数据的特征点处进行打断,形成多个简单路段数据;对所述多个简单路段数据进行扩张,生成所述待核查道路矢量数据的缓冲区;根据所述道路识别结果在所述待核查道路矢量数据的缓冲区的占比,判断待核查道路的正误情况;根据所述道路识别结果在所述待核查道路矢量数据的缓冲区的占比,判断待核查道路的正误情况包括:根据所述占比与预设阈值的关系,判断待核查道路的正误情况,首先查看设置的缓冲区中是否含有提取出的道路,并计算提取到的道路的面积占据缓冲区面积的大小比率Rs=Sextraction/Stotal来判断这条路段是否正确,设定ThRs=0.7为阈值;当判断每条路段的正确错误之后,还要计算正确的路段占据整条道路的比率RR=Roadright/Road,通过设定路段比率的一个阈值,设定ThR=0.6,当占比大于阈值时认为待核查道路准确,反之错误。
2.根据权利要求1所述的方法,其特征在于,
所述预处理为对所述参考影像进行裁剪,得到多个标准尺寸的遥感影像;
所述道路识别结果为对识别得到的道路影像进行拼接得到的。
3.根据权利要求1所述的方法,其特征在于,所述预先训练得到的道路识别模型是通过以下步骤训练得到的:
获取训练集遥感影像及对应的道路矢量数据;
根据所述遥感影像及对应的道路矢量数据生成训练样本;
将所述训练样本输入预设的神经网络模型进行训练;其中,所述神经网络模型为Unet网络模型。
4.根据权利要求3所述的方法,其特征在于,根据所述遥感影像及对应的道路数据生成训练样本包括:
根据对应的道路矢量数据构建缓冲区,将遥感影像作为底图,按照道路与矢量的地理对应关系,对所述遥感影像中除道路以外的其他部分进行掩模处理;对掩膜处理后的影像进行行列等分裁剪,形成标准尺寸的正方形二值图像块作为样本。
5.根据权利要求1所述的方法,其特征在于,加载待核查道路矢量数据,在道路数据的特征点处进行打断,形成多个简单路段数据包括:
加载所述待核查道路矢量数据后,根据预设判断规则,确定特征点,在所述特征点处对所述待核查道路矢量数据进行打断,形成多个简单路段数据;所述预设判断规则包括弯曲角度、弯曲趋势和最小路段长度规则。
6.一种基于深度学习的遥感影像道路轨迹正确性核查装置,其特征在于,包括:
获取模块,用于获取道路核查参考遥感影像数据;
识别模块,用于将所述参考遥感影像输入预先训练得到的道路识别模型中,得到对应的道路识别结果;所述道路识别结果为:根据识别得到的道路影像的原始地理信息对其进行拼接,生成的完整的道路识别信息;
核查模块,用于根据待核查道路矢量数据与所述道路识别结果进行核查;根据待核查道路矢量数据与所述道路识别结果进行核查包括:加载待核查道路矢量数据,在道路数据的特征点处进行打断,形成多个简单路段数据;对所述多个简单路段数据进行扩张,生成所述待核查道路矢量数据的缓冲区;根据所述道路识别结果在所述待核查道路矢量数据的缓冲区的占比,判断待核查道路的正误情况;根据所述道路识别结果在所述待核查道路矢量数据的缓冲区的占比,判断待核查道路的正误情况包括:根据所述占比与预设阈值的关系,判断待核查道路的正误情况,首先查看设置的缓冲区中是否含有提取出的道路,并计算提取到的道路的面积占据缓冲区面积的大小比率Rs=Sextraction/Stotal来判断这条路段是否正确,设定ThRs=0.7为阈值;当判断每条路段的正确错误之后,还要计算正确的路段占据整条道路的比率RR=Roadright/Road,通过设定路段比率的一个阈值,设定ThR=0.6,当占比大于阈值时认为待核查道路准确,反之错误。
7.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~5中任一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010904124.8A CN112115817B (zh) | 2020-09-01 | 2020-09-01 | 基于深度学习的遥感影像道路轨迹正确性核查方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010904124.8A CN112115817B (zh) | 2020-09-01 | 2020-09-01 | 基于深度学习的遥感影像道路轨迹正确性核查方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112115817A CN112115817A (zh) | 2020-12-22 |
CN112115817B true CN112115817B (zh) | 2024-06-07 |
Family
ID=73804533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010904124.8A Active CN112115817B (zh) | 2020-09-01 | 2020-09-01 | 基于深度学习的遥感影像道路轨迹正确性核查方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115817B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112732860B (zh) * | 2021-01-26 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 道路提取方法、装置、可读存储介质及设备 |
CN113139454B (zh) * | 2021-04-19 | 2024-04-23 | 国交空间信息技术(北京)有限公司 | 基于单张图像的道路宽度提取方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7653218B1 (en) * | 2006-05-02 | 2010-01-26 | Orbimage Si Opco, Inc. | Semi-automatic extraction of linear features from image data |
CN105957342A (zh) * | 2016-05-30 | 2016-09-21 | 武汉大学 | 基于众包时空大数据的车道级道路测图方法及*** |
KR101839599B1 (ko) * | 2017-05-31 | 2018-03-16 | (주)지트 | 드론을 이용한 도로시설물 측량 조사 시스템 |
CN108256424A (zh) * | 2017-12-11 | 2018-07-06 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的高分辨率遥感图像道路提取方法 |
CN108645342A (zh) * | 2018-04-25 | 2018-10-12 | 国交空间信息技术(北京)有限公司 | 一种基于道路轨迹和高分辨率影像的道路宽度提取方法 |
CN109165598A (zh) * | 2018-08-24 | 2019-01-08 | 中国电建集团华东勘测设计研究院有限公司 | 一种野外核查验证方法及装置 |
CN109271928A (zh) * | 2018-09-14 | 2019-01-25 | 武汉大学 | 一种基于矢量路网融合与高分遥感影像验证的道路网自动更新方法 |
CN109426773A (zh) * | 2017-08-24 | 2019-03-05 | 浙江宇视科技有限公司 | 一种道路识别方法和装置 |
CN110619258A (zh) * | 2018-10-26 | 2019-12-27 | 国交空间信息技术(北京)有限公司 | 一种基于高分辨率遥感影像的道路轨迹核查方法 |
CN110633633A (zh) * | 2019-08-08 | 2019-12-31 | 北京工业大学 | 一种基于自适应阈值的遥感影像道路提取方法 |
CN110781756A (zh) * | 2019-09-29 | 2020-02-11 | 北京化工大学 | 基于遥感图像的城市道路提取方法及装置 |
CN111127891A (zh) * | 2019-12-27 | 2020-05-08 | 中国交通通信信息中心 | 一种基于浮动车轨迹大数据的路网核查方法 |
CN111145157A (zh) * | 2019-12-27 | 2020-05-12 | 国交空间信息技术(北京)有限公司 | 基于高分辨率遥感影像的路网数据自动化质量检查方法 |
CN111241994A (zh) * | 2020-01-09 | 2020-06-05 | 中国交通通信信息中心 | 一种深度学习的遥感影像农村公路砂化路段的提取方法 |
CN111274968A (zh) * | 2020-01-20 | 2020-06-12 | 广州市城市规划自动化中心 | 面向对象的道路信息提取方法、装置及电子设备 |
-
2020
- 2020-09-01 CN CN202010904124.8A patent/CN112115817B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7653218B1 (en) * | 2006-05-02 | 2010-01-26 | Orbimage Si Opco, Inc. | Semi-automatic extraction of linear features from image data |
CN105957342A (zh) * | 2016-05-30 | 2016-09-21 | 武汉大学 | 基于众包时空大数据的车道级道路测图方法及*** |
KR101839599B1 (ko) * | 2017-05-31 | 2018-03-16 | (주)지트 | 드론을 이용한 도로시설물 측량 조사 시스템 |
CN109426773A (zh) * | 2017-08-24 | 2019-03-05 | 浙江宇视科技有限公司 | 一种道路识别方法和装置 |
CN108256424A (zh) * | 2017-12-11 | 2018-07-06 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的高分辨率遥感图像道路提取方法 |
CN108645342A (zh) * | 2018-04-25 | 2018-10-12 | 国交空间信息技术(北京)有限公司 | 一种基于道路轨迹和高分辨率影像的道路宽度提取方法 |
CN109165598A (zh) * | 2018-08-24 | 2019-01-08 | 中国电建集团华东勘测设计研究院有限公司 | 一种野外核查验证方法及装置 |
CN109271928A (zh) * | 2018-09-14 | 2019-01-25 | 武汉大学 | 一种基于矢量路网融合与高分遥感影像验证的道路网自动更新方法 |
CN110619258A (zh) * | 2018-10-26 | 2019-12-27 | 国交空间信息技术(北京)有限公司 | 一种基于高分辨率遥感影像的道路轨迹核查方法 |
CN110633633A (zh) * | 2019-08-08 | 2019-12-31 | 北京工业大学 | 一种基于自适应阈值的遥感影像道路提取方法 |
CN110781756A (zh) * | 2019-09-29 | 2020-02-11 | 北京化工大学 | 基于遥感图像的城市道路提取方法及装置 |
CN111127891A (zh) * | 2019-12-27 | 2020-05-08 | 中国交通通信信息中心 | 一种基于浮动车轨迹大数据的路网核查方法 |
CN111145157A (zh) * | 2019-12-27 | 2020-05-12 | 国交空间信息技术(北京)有限公司 | 基于高分辨率遥感影像的路网数据自动化质量检查方法 |
CN111241994A (zh) * | 2020-01-09 | 2020-06-05 | 中国交通通信信息中心 | 一种深度学习的遥感影像农村公路砂化路段的提取方法 |
CN111274968A (zh) * | 2020-01-20 | 2020-06-12 | 广州市城市规划自动化中心 | 面向对象的道路信息提取方法、装置及电子设备 |
Non-Patent Citations (8)
Title |
---|
Road Extraction by Deep Residual U-Net;Zhengxin Zhang 等;《arXiv》;1-5 * |
Road Extraction from Unmanned Aerial Vehicle Remote Sensing Images Based on Improved Neural Networks;Yuxia Li 等;《sensors》;1-19 * |
Road Extraction of High-Resolution Remote Sensing Images Derived from DenseUNet;Jiang Xin 等;《remote sensing》;1-18 * |
Yuxia Li 等.Road Extraction from Unmanned Aerial Vehicle Remote Sensing Images Based on Improved Neural Networks.《sensors》.2019,1-19. * |
一种双 U- Net 的遥感影像道路提取方法;金飞 等;《测绘科学技术学报》;第36卷(第4期);377-381、387 * |
利用模拟退火算法的VGI道路数据匹配方法;郦春峰 等;《测绘地理信息》;20170629;39-42 * |
国产高分辨率遥感影像农村公路核查方法及其应用;蔡红玥 等;《测绘通报》(第2020年3期);91-95 * |
遥感技术在农村公路核查中的应用研究;李程 等;《测绘与空间地理信息》;第48-49、52卷(第5期);48- * |
Also Published As
Publication number | Publication date |
---|---|
CN112115817A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ukhwah et al. | Asphalt pavement pothole detection using deep learning method based on YOLO neural network | |
CN110188765B (zh) | 图像语义分割模型生成方法、装置、设备及存储介质 | |
Li et al. | Automatic crack recognition for concrete bridges using a fully convolutional neural network and naive Bayes data fusion based on a visual detection system | |
CN111241994B (zh) | 一种深度学习的遥感影像农村公路砂化路段的提取方法 | |
CN110910343A (zh) | 路面裂缝检测的方法、装置及计算机设备 | |
CN113780296A (zh) | 基于多尺度信息融合的遥感图像语义分割方法及*** | |
CN112115817B (zh) | 基于深度学习的遥感影像道路轨迹正确性核查方法及装置 | |
CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
CN111178206A (zh) | 一种基于改进yolo的建筑预埋件检测方法及*** | |
Alzraiee et al. | Detecting of pavement marking defects using faster R-CNN | |
CN110798805B (zh) | 基于gps轨迹的数据处理方法、装置及存储介质 | |
CN111814597A (zh) | 一种耦合多标签分类网络和yolo的城市功能分区方法 | |
CN113554643B (zh) | 一种目标检测方法、装置、电子设备及存储介质 | |
CN113962960A (zh) | 基于深度学习的路面病害检测方法 | |
CN114898097B (zh) | 图像识别方法及*** | |
CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
CN111046950A (zh) | 一种图像处理方法、装置、存储介质和电子装置 | |
CN111667461B (zh) | 一种输电线路异常目标检测方法 | |
CN115223054A (zh) | 一种基于分区聚类与卷积的遥感影像变化检测方法 | |
CN116778137A (zh) | 一种基于深度学习的字轮式水表读数的识别方法及装置 | |
Li et al. | Pixel‐Level Recognition of Pavement Distresses Based on U‐Net | |
CN114037836A (zh) | 一种将人工智能识别技术应用于三维输变电工程测算的方法 | |
CN114972268A (zh) | 一种缺陷图像的生成方法、装置、电子设备及存储介质 | |
CN113902793A (zh) | 基于单视觉遥感影像端到端建筑物高度预测方法、***和电子设备 | |
CN113742440A (zh) | 道路图像数据处理方法、装置、电子设备及云计算平台 |
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 |