[发明专利]道路网变化检测方法、模型训练方法、装置、设备及介质

说明书

本发明提供了一种道路网变化检测方法，包括以下步骤：获取待检测的两个时相遥感图像，将所述时相遥感图像分割为多个预设大小的图像块，分别得到对应的时相遥感分割图。将两个所述时相遥感分割图输入第一卷积神经网络中，输出对应的第一特征图。将两个所述第一特征图输入第二卷积神经网络中，输出所述时相遥感图像对应的第二特征图。将每个所述时相遥感图像对应的第一特征图和第二特征图进行特征融合，获取对应的融合特征图。根据融合特征识别每个图像块是否发生变化。还提供一种道路网变化检测模型的训练方法、道路网变化检测装置及电子设备。本发明的道路网变化检测方法、模型的训练方法、装置及电子设备，能够提高道路网检测的效率及精准度。

技术领域

本发明涉及道路网信息技术领域，特别是涉及一种道路网变化检测方法、模型训练方法、装置、设备及介质。

背景技术

随着经济的迅速发展，基础设施建设也得到了飞速发展，截至到2018年，我国高速公路里程已达13.6万公里，位列世界第一。道路网络的及时更新对于交通导航、自然资源保护与监测都具有非常重要的意义。目前道路网络的施工建设监测主要依靠人工解译高分辨率遥感影像，结合实地调查的方式，对于山区等困难地区需要耗费大量的人力和物力，其准确率及效率都非常低下。

对于道路变化检测，传统方法大多针对特定场景进行设计，如城市郊区道路网、平原地区道路网，对于城区、山区容易出现遮挡、大小差异较大的道路网，则难以自动处理，其精度也无法满足实际工程需求。我国幅员辽阔，地貌类型差异极大，如西北的山区道路与南方山区道路网，无论是光谱信息、几何特征信息，两者均有较大的差异，因此传统的道路网变化检测方法普适性较低，迫切需要一种高精度、泛化能力更强的道路网变化检测方法，在保持工程要求精度的同时，提高道路变化检测自动化的效率。

发明内容

本发明的目的在于克服现有技术中存在的不足，并提供一种道路网变化检测方法、模型训练方法、装置、设备及介质，以提高道路网检测的效率及精准度，为交通及车辆导航等相关领域提供技术支持。

为实现上述目的，本发明采用的技术方案为：

一种道路网变化检测方法，包括以下步骤：

获取待检测的两个时相遥感图像，将所述时相遥感图像分割为多个预设大小的图像块，分别得到对应的时相遥感分割图；

将两个所述时相遥感分割图输入第一卷积神经网络中，对所述时相遥感分割图中每个图像块进行特征提取，输出所述时相遥感图像对应的第一特征图；

将两个所述第一特征图输入第二卷积神经网络中，对所述第一特征图中每个图像块进行上下文特征提取，输出所述时相遥感图像对应的第二特征图；

将每个所述时相遥感图像对应的第一特征图和第二特征图进行特征融合，获取所述时相遥感图像对应的融合特征图，其中，所述融合特征图包括每个所述图像块的融合特征；

根据两个所述融合特征图中相同图像块的融合特征识别两个所述时相遥感图像中每个图像块所在区域是否发生变化。

对上述技术方案的进一步改进是：

所述第一卷积神经网络包括维度依次降低的多个特征提取层。

所述第二卷积神经网络包括位于第一分支的卷积核大小为3x3且膨胀系数为1的卷积层、批量归一化层及修正线性激活层；位于第二分支的卷积核大小为3x3且膨胀系数为3的卷积层、批量归一化层及修正线性激活层；位于第三分支的卷积核大小为3x3且膨胀系数为6的卷积层、批量归一化层及修正线性激活层；位于第四分支的卷积核大小为3x3且膨胀系数为9的卷积层、批量归一化层及修正线性激活层；位于第五分支的平均池化层、卷积核大小为1x1且膨胀系数为9的卷积层以及批量归一化层；分别将第一分支至第五分支的输出在通道维度上进行拼接的拼接层以及将第一分支至第五分支的输出在通道维度上进行重组的通道混合层。