[发明专利]基于遥感图像的人行道检测方法、装置、设备及存储介质

说明书

本发明提供基于遥感图像的人行道检测方法、装置、设备和存储介，方法包括质获取训练集样本，并对训练集样本的道路区域和人行道区域都进行标记；利用道路区域的标记信息训练道路分割提取模型，获得一个训练后的道路分割提取模型；利用训练后的道路分割提取模型进行道路提取，以获得潜在道路提取结果；利用人行道区域的标记信息训练深度卷积神经网络模型，获得一个训练后的深度卷积神经网络模型；利用训练后的深度卷积神经网络模型进行人行道的检测，以获得初次人行道检测结果；利用混合分类的算法，融合潜在道路提取结果和初次人行道检测结果，以获得最终的人行道检测结果。本发明考虑到人行道和道路之间的相互依存关系，提高人行道检测精度。

技术领域

本发明涉人行道检测领域，具体而言，涉及基于遥感图像的人行道检测方法、装置、设备及存储介质。

背景技术

当前基于深度学习模型的遥感图像人行道检测算法，主要过程包含两部分：训练和检测。在训练阶段，需要准备大量带有标记的训练样本集，包括正样本和负样本。正样本为人行道区域或者包含人行道的图像块，负样本为非任意非人行道区域的图像块。准备好训练数据集后，开始训练深度学习模型。模型训练的输入为原始图像，模型的输出为检测或判断结果。给定训练图像集(X，Y)，X为原始图像，Y为对应的标记，则深度学习的模型训练可以表示如下：

其中n表示样本个数，W为深度学习模型的参数，τ表示误差函数。在深度学习模型中，常见的误差函数可以是交叉熵，均方误差等。通过训练后得到深度学习的网络模型参数W，那么给定一个图像判断是否为人行道图像块的过程可以表示如下：

L(t_i)＝t_i*W

当前方法通过大量数据集的训练，可以得到一个比较满意的人行道检测精度。但由于遥感图像背景过于复杂，覆盖范围过于广泛，地面相似目标较多，导致误检仍较为常见。其中一个主要原因是当前的方法，普遍直接使用训练好的检测模型进行检测，而没有考虑到人行道和道路之间的相互依存关系。

发明内容

本发明的目的在于提供基于遥感图像的人行道检测方法、装置、设备及存储介质，以解决上述存在的问题。

获取训练集样本，并对所述训练集样本的道路区域和人行道区域都进行标记；

利用所述道路区域的标记信息训练道路分割提取模型，获得一个训练后的道路分割提取模型；

利用训练后的道路分割提取模型进行道路提取，以获得潜在道路提取结果；

利用所述人行道区域的标记信息训练深度卷积神经网络模型，获得一个训练后的深度卷积神经网络模型；

利用所述训练后的深度卷积神经网络模型进行人行道的检测，以获得初次人行道检测结果；

利用混合分类的算法，融合所述潜在道路提取结果和初次人行道检测结果，以获得最终的人行道检测结果。

进一步的，所述道路分割提取模型是基于U-Net的道路分割提取模型。

进一步的，所述利用混合分类的算法，融合所述潜在道路提取结果和初次人行道检测结果，以获得最终的人行道检测结果具体为：

过滤初次人行道检测置信度低于第一阈值的人行道区域；

过滤初次人行道检测高置信度区域与潜在道路重叠比例低于第二阈值的检测结果。

进一步的，所述对训练集的道路区域和人行道区域都进行标记具体是通过人工标记。

本发明还提供一种基于遥感图像的人行道检测装置，包括

标记模块，用于对训练集的道路区域和人行道区域都进行标记；