道路智能提取方法和装置、提取模型构建方法及混合导航系统制造方法及图纸

一种基于深度学习的卫星影像道路智能提取方法及装置，方法为：选择部分卫星影像图片，将图片中的道路用特定颜色进行标注，构建标注数据库；采用卷积神经网络进行自主学习，构建并利用学习模型对于新输入的卫星影像图像进行道路提取；对道路提取的结果进行判断，如果是正确，则进行道路栅格矢量化，否则返回标注数据库进行重新标注和学习；对提取出来的道路，遍历每条道路进行道路中心线提取，串联中心坐标形成矢量道路线。本发明专利技术通过提供大量的标注数据进行自主学习，然后对于新输入的卫星影像图片提取道路，并判断提取的结果，不断矫正错误，提高遥感影像道路提取的正确率和召回率。

Road intelligent extraction method and device, extraction model construction method and hybrid navigation system

A method and device for road intelligent extraction of satellite image based on depth learning is made. The method is to select some satellite image pictures, mark the road in the picture, construct the tagging database, use the convolution neural network to study independently, construct and use the learning model for the new input satellite image. The image carries on the road extraction; the result of the road extraction is judged, if it is correct, the road grid vectorization is carried out, otherwise the tagged database is returned to be annotated and studied; the road center line is traversed to the extracted road, and the central coordinates of the series center form the vector route. The invention provides autonomous learning by providing a large number of tagged data, then extracts the road for the new input satellite image pictures, and judges the results of the extraction, corrections the errors constantly, and improves the accuracy and recall of the road extraction of remote sensing images.

【技术实现步骤摘要】
道路智能提取方法和装置、提取模型构建方法及混合导航系统
本专利技术涉及图像识别领域，具体的，涉及利用基于深度学习的方法对卫星影像进行道路提取的方法和装置。
技术介绍
现有技术中对于道路识别，可以采用基于图像分割的方法，或者有限元方法。对于基于图像分割的方法，是根据一定的算法，比如K均值聚类算法、模糊C均值聚类算法等，将图像分割成有意义的斑块，根据斑块的特征进行道路的识别，提取道路片段或者道路种子点。但是该方法依赖于高分辨率的遥感影像，计算量大，自动分类困难。而有限元方法，大多集中在利用道路的几何特征性上，在低(边缘探测和纹理分析)、中(对低层次结果分析、选择和综合)进行，其中部分研究结合道路模型、道路有关的知识和规则进行，但总体效果不明显。上述算法存在通用性不强，对于不同分辨率或者不同季节的遥感影像存在很大的提取偏差的缺陷。因此，如何能够克服现有技术的缺陷，提高遥感影像道路自动提取的效率，成为现有技术亟需解决的技术问题。
技术实现思路
有鉴于此，本专利技术提供一种基于深度学习的卫星影像道路智能提取方法和装置，不依赖于传统的图像分割边缘提取等算法，通过提供大量的标注数据，让程序自主学习，不断矫正错误，提高遥感影像道路提取的正确率和召回率其中，本专利技术公开的一种基于深度学习的卫星影像道路智能提取方法包括如下步骤：选择部分卫星影像图片，将图片中的道路用特定颜色进行标注，从而得到训练样本，并构建标注数据库；利用对于训练样本，采用卷积神经网络的方法进行自主学习，并构建学习模型，并利用所述学习模型对于新输入的卫星影像图像进行道路提取；对于提取出来的道路，遍历每条道路进行道路中心线提取，即提取每条道路取宽度的中值，将中值像素点坐标作为矢量化后道路线的节点坐标，串联所述节点坐标形成矢量道路线。可选的，基于上述技术方案，将待训练图片中的道路用特定颜色进行标注，从而得到训练样本，包括：将待训练图片中的道路用特定颜色进行面状覆盖，其它则覆盖成半透明的颜色。可选的，采用卷积神经网络的方法进行自主学习，并构建学习模型，包括：首先自下而上进行非监督学习，在学习得到第n-1层后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数；然后再自上向下进行监督学习，基于第一步得到的各层参数进一步优化整个多层模型的参数。可选的，基于上述技术方案，学习及提取道路步骤之后，对道路栅格矢量化步骤之前，还需要对提取出来的道路进行判断，包括：对道路提取的结果进行判断，如果是正确，则进行道路栅格矢量化，否则返回标注数据库构建步骤，将该提取结果错误的原始卫星影像图片作为训练样本重新进行标注，以对提取模型进行训练。本专利技术还公开了一种基于深度学习的卫星影像道路智能提取装置，该装置包括如下单元：训练样本标注单元：用于选择部分卫星影像图片，将图片中的道路用特定颜色进行标注，从而得到训练样本，并构建标注数据库；自主训练学习及提取单元，用于利用对于训练样本，采用卷积神经网络的方法进行自主学习，并构建学习模型，并利用所述学习模型对于新输入的卫星影像图像进行道路提取；道路栅格矢量化单元，用于对于提取出来的道路，遍历每条道路进行道路中心线提取，即提取每条道路取宽度的中值，将中值像素点坐标作为矢量化后道路线的节点坐标，串联所述节点坐标形成矢量道路线。可选的，基于上述技术方案，在训练样本标注单元中，将待训练图片中的道路用特定颜色进行标注，从而得到训练样本，包括：将待训练图片中的道路用特定颜色进行面状覆盖，其它则覆盖成半透明的颜色。可选的，基于上述技术方案，所述自主训练学习及提取单元采用卷积神经网络的方法进行自主学习，并构建学习模型，包括：首先自下而上进行非监督学习，在学习得到第n-1层后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数；然后再自上向下进行监督学习，基于第一步得到的各层参数进一步优化整个多层模型的参数。可选的，基于上述技术方案，上述装置还具有道路提取判断单元，用于对所述自主训练学习及提取单元提取的结果进行判断，如果是正确，则利用道路栅格矢量化单元进行道路栅格矢量化，否则，将该提取结果错误的原始卫星影像图片返回标注数据库构建单元，作为训练样本重新进行标注，以对提取模型进行训练。本专利技术还公开了一种地图数据智能更新装置，其特征在于：利用上述的卫星影像道路智能提取装置进行道路的提取，从而对地图的数据进行智能更新。因此，本专利技术不依赖于传统的图像分割边缘提取等算法，通过提供大量的标注数据，采用卷积神经网络的方法进行自主学习，并构建学习模型，然后对于新输入的卫星影像图片提取道路，并判断提取的结果，不断矫正错误，提高遥感影像道路提取的正确率和召回率。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术实施例提供的卫星影像道路智能提取方法的流程示意图；图2为本专利技术实施例中标注之前的卫星影像图；图3为本专利技术实施例中标注处理后的卫星影像图；图4为本专利技术实施例中的道路提取的结果图；图5为本专利技术实施例提供的卫星影像道路智能提取装置的组成框图；图6为本专利技术实施例提供的混合导航系统的组成框图。具体实施方式如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。说明书后续描述为实施本专利技术的较佳实施方式，然所述描述乃以说明本专利技术的一般原则为目的，并非用以限定本专利技术的范围。本专利技术的保护范围当视所附权利要求所界定者为准。本专利技术采用深度学习(DeepLearning)的方法进行影像道路识别，深度学习能够自主地从标注数据库上学到有用的特征，特别是对于道路这样不好用统一的特征描述的对象。参见图1，示出了本专利技术实施例公开的基于深度学习的卫星影像道路智能提取方法，该方法包括如下步骤：标注数据库构建步骤S110：选择部分卫星影像图片，将待训练图片中的道路用特定颜色进行标注，从而得到训练样本，并构建标注数据库。例如，在一个特定的实施例中，可以将待训练图片中的道路用特定颜色进行面状覆盖，其它则覆盖成半透明的颜色，以提高提取模型学习的效率。参见图2，可以采用谷歌地球遥感影像作为训练样本，分辨率约为1米，样本图片和测试图片均为1024*1024，选择标注图片路径，通过人工目视的方式将图片中的道路用特定颜色，例如红色，进行面状覆盖，其他则覆盖成半透明灰色。图3是标注处理后的卫星影像图。学习及提取步骤S120：利用对于训练样本，采用卷积神经网络的方法进行自主学习，并构建学习模型，并利用所述学习模型对于新输入的卫星影像图像进行道路提取。卷积神经网络(ConvolutionalNeuralNetworks,CNN)是第一个真正成功训练多层网络结构的学习算法，它属于区分性训练算法。卷积神经网络通过结合局部感知、共享权值、本文档来自技高网...

【技术保护点】
1.一种卫星影像道路智能提取方法，其特征在于，包括如下步骤：采用预先构建的标注数据库及学习模型，对新输入的卫星影像图像进行道路提取；对于提取出来的道路，遍历每条道路的道路中心线，提取每条道路取宽度的中值，将中值像素点坐标作为矢量化后道路线的节点坐标，串联所述节点坐标形成矢量道路线。

【技术特征摘要】
1.一种卫星影像道路智能提取方法，其特征在于，包括如下步骤：采用预先构建的标注数据库及学习模型，对新输入的卫星影像图像进行道路提取；对于提取出来的道路，遍历每条道路的道路中心线，提取每条道路取宽度的中值，将中值像素点坐标作为矢量化后道路线的节点坐标，串联所述节点坐标形成矢量道路线。2.根据权利要求1所述的卫星影像道路智能提取方法，其特征在于，所述学习及提取道路步骤之后，对道路栅格矢量化步骤之前，还包括：对道路提取的结果进行判断，如果所述道路提取的结果正确，则进行道路栅格矢量化；否则，将所述道路提取的结果反馈给所述标注数据库。3.根据权利要求1或2所述的卫星影像道路智能提取方法，其特征在于，还包括：根据所述矢量道路线，更新地图数据。4.一种卫星影像道路智能提取模型的构建方法，其特征在于，包括：预先根据目标卫星影像图片，获取训练样本，并构建标注数据库；利用所述训练样本，采用卷积神经网络的方法进行自主学习，并构建学习模型；根据训练反馈及实际作业的记录，将利用提取模型得到的错误提取结果对应的原始卫星影像图片作为训练样本重新进行标注，对提取模型进行训练。5.根据权利要求4所述的卫星影像道路智能提取模型的构建方法，其特征在于，所述获取训练样本进一步包括：将待训练图片中的道路用特定颜色进行面状覆盖，其它则覆盖成半透明的颜色，生成取训练样本。6.根据权利要求4或5所述的卫星影像道路智能提取方法，其特征在于，所述采用卷积神经网络的方法进行自主学习，并构建学习模型，进一步包括：自下而上进行非监督学习，在学习得到第n-1层后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数；再自上向下进行监督学习，基于第一步得到的各层参数进一步优化整个多层模型的参数。7.一种卫星影像道路智能提取装置，包括如下单元：提取单元，用于采用预先构建的标注数据库及学习模型，对新输入的卫星影像图像进行道路提取；道路栅格矢量化单元，用于对于提取出来的...

【专利技术属性】
技术研发人员：史川，
申请(专利权)人：北京四维图新科技股份有限公司，
类型：发明
国别省市：北京,11