[发明专利]基于高分辨率遥感影像与深度学习方法的路网核查技术

说明书

本发明公开了基于高分辨率遥感影像与深度学习方法的路网核查技术，属于路网核查技术领域，包括样本集制作、模型训练、路网提取和路网核查四个步骤；所述样本集制作使用的数据集来源于高分二号卫星影像；所述模型训练包括设置目标函数、目标函数优化和迭代训练；所述路网提取出路网栅格二值化图像，并对其进行矢量化，输出路网矢量结果；所述路网核查利用缓冲区分析方法对二者的空间匹配关系进行判定。本发明极大程度上降低了人力物力成本，并且在提取效率、提取精度和普适性上更具优势，且适用于多种地形地貌环境。

技术领域

本发明属于路网核查技术领域，具体是基于高分辨率遥感影像与深度学习方法的路网核查技术。

背景技术

路网的大规模建设与升级改造已经极大促进了我国交通事业和经济的发展，但同时也对路网的综合监管提出了更高的要求。尤其对于路网核查来说，传统的人工外业核查费时费力，且数据采集周期过长，无法满足当下的实际工作需要，因此亟需更加智能化与自动化的技术手段。

路网核查的基础是路网提取。高分辨率(高分)遥感作为一种先进的对地观测手段，可全面、快速、准确、客观地获取大范围地面目标的影像，非常适合于路网提取工作。国内外学者提出了各类基于高分遥感的路网自动提取算法，大幅节省人力物力，但仍存在准确率不高，提取效率低、泛化能力弱等问题。近年来飞速发展的人工智能技术，使得深度学习方法在图像识别、检测及追踪等领域取得了显著的成绩，为路网提取提供了新的思路与灵感。

基于高分遥感的路网提取方法有多种。传统上应用较多的为人工解译方法，即通过人工目视在高分遥感影像上勾画出道路轮廓。人工解译虽然提取精度高，技术难度小，但在面对大范围的路网提取任务时，具有高成本、低效率的劣势。随着计算设备的性能提升和路网提取算法的深入研究，国内外学者又提出了多种基于高分遥感的路网自动提取算法。这些方法大多基于分类模型，因此可以将它们大体上分为监督分类方法与无监督分类方法。其中，监督分类方法是目前较为主流的方法，包括Mnih and Hinton(2010)的人工神经网络方法，Huang et al.(2009)的基于支持向量机的面向对象方法以及Zhu et al.(2011)的马尔可夫随机场方法等。无监督分类方法包括Maurya et al.(2011)的k-means聚类方法，Miao et al.(2014)的mean shift聚类方法以及Unsalan and Sirmacek(2012)的概率论和图论方法。其他经典的方法还包括Laptev et al.(2000)的snake方法和Wegner etal.(2015)的高阶CRF方法。这些方法相比人工解译方法均大幅节省了人力物力，同时保持较高的准确率，使得路网提取的自动化成为了可能。

目前较为主流的基于高分遥感影像的路网提取方法包括人工解译和监督分类方法。人工解译的精度高，但是提取效率很低。传统的监督分类方法能够初步实现自动化提取。但其提取准确率较低，并且提取前期的需要大量的特征工程工作，而且受提取准确率较低的影响，人工后处理工作较多，导致整体提取过程速率较慢。此外在大范围、地形地貌情况复杂地区的迁移效果不佳。

现有的监督分类路网提取方法虽然有效地降低了人工提取的成本并保持较高的提取准确率，但仍存在以下不足之处：

1)受到树木、阴影等路面遮挡的影响，路网提取准确率仍不能达到实际应用的要求。

2)路网提取工作的前期需要大量的特征工程工作，并且由于提取准确率较低，需要大量的人工后处理工作，导致整体提取过程速率较慢，自动化程度偏低。

3)现在的方法在小范围、特定区域内提取效果较好，但在大范围、地形地貌情况复杂地区的迁移效果不佳。

实用新型内容

本发明的目的在于提供基于高分辨率遥感影像与深度学习方法的路网核查技术，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：