一种遥感影像的道路识别方法及其系统技术方案

本发明专利技术公开了一种遥感影像的道路识别方法及其系统，该方法包括以下步骤：以滑动窗口的方式扫描遥感影像；使用第一深度学习网络判断滑动窗口中的图像块是否属于道路，其中所述滑动窗口中的图像块包含多个像素；对所述遥感影像中被所述第一深度学习网络判定为道路的图像块的边缘部分，使用第二深度学习网络逐像素地判断各像素是否属于道路。本发明专利技术的道路识别方法及其系统可以达到既快又准地提取航拍遥感数据。

Road recognition method and system based on remote sensing image

The invention discloses a road recognition method and a system for remote sensing images, which comprises the following steps: scanning remote sensing images by sliding windows; judging whether an image block in a sliding window belongs to a road by using a first depth learning network, wherein an image block in a sliding window contains a plurality of pixels; and The edge portion of an image block determined by the first depth learning network as a road in a remote sensing image is described, and a second depth learning network is used to determine pixel by pixel whether each pixel belongs to a road. The road recognition method and system of the invention can achieve fast and accurate extraction of aerial remote sensing data.

【技术实现步骤摘要】
一种遥感影像的道路识别方法及其系统
本专利技术涉及遥感信息处理
，特别涉及一种遥感影像的道路识别技术。
技术介绍
随着无人机技术的快速发展，无人机航拍遥感具有影像实时传输、高危地区探测、成本低、高分辨率、机动灵活等优点，兼具卫星影像的价格和航空影像的快速采集优势，可以通过不同航高可实现高空间、大面积监测，也可以实现低空间较小范围精确监测，因此在国内外已得到广泛应用。随着无人机航拍遥感数据的大量获取，当前的应用瓶颈在于如何高性能地自动处理所获取的影像，而如何从海量的无人机航拍高分辨率遥感数据中提取目标有效特征就成为其中的关键技术。传统的道路提取方法是手工提取。尽管手工提取准确鲁棒，这种方法耗时且低效，而且不能满足越来越需要大量影像的实时处理需求。虽然完全自动化的方法已经研发了几十年，道路网络自动化提取仍然是一个开放和富有挑战性的问题。现有的道路检测识别方法常常通过人工设计特征表达，难以应用于海量数据，而且其过程强烈依赖于专业知识和数据本身的特征，很难从海量的数据中学习出一个有效的分类器以充分挖掘数据的内在本质，所以亟需一种能够自动从大量数据中学习特征的方法，获取数据中最有效的特征表征，实现信息的自动提取。近年来，自动提取目标特征往往采用深度学习(deeplearning)技术框架。该框架通过建立相对复杂的网络结构，充分挖掘数据的内在本质，取得了良好的效果。然而，解决光照变化、遮挡、阴影和运动模糊等传统难题依然是深度学习方法取得进一步成功的关键之一，也是高分辨率遥感影像智能解译技术的难点之一。高分辨率遥感影像虽然能够提供较多的细节信息，却同时放大了噪声，其分类和检测极易受外部环境的影响。例如，道路上的阴影混淆了道路的边界。更严重的是，道路的遮挡引入了道路提取的歧义性。例如，道路上汽车的遮挡而且从影像像素级别上看，被汽车遮挡的部分道路如果被分类为非道路是正确的；从影像语义信息(即从人感知的角度)看，被汽车遮挡的部分被分类为道路才是正确的。这种分类的歧义性也导致难以准确提取道路。
技术实现思路
本专利技术的目的在于提供一种遥感影像的道路识别方法及其系统，以解决目前无法准确提取航拍遥感数据的问题。在本专利技术中，第一方面提供了一种遥感影像的道路识别方法，包括以下步骤：以滑动窗口的方式扫描遥感影像；使用第一深度学习网络判断滑动窗口中的图像块是否属于道路，其中所述滑动窗口中的图像块包含多个像素；对所述遥感影像中被所述第一深度学习网络判定为道路的图像块的边缘部分，使用第二深度学习网络逐像素地判断各像素是否属于道路。本专利技术第二方面提供了一种遥感影像的道路识别系统，包括：滑动窗口模块，用于以滑动窗口的方式扫描遥感影像；第一深度学习网络，用于判断所述滑动窗口模块中的图像块是否属于道路，其中所述图像块包含多个像素；第二深度学习网络，用于对所述滑动窗口模块中被所述第一深度学习网络判定为道路的图像块的边缘部分，逐像素地判断各像素是否属于道路。本专利技术实施方式与现有技术相比，主要区别及其效果在于：使用不同训练方式的两个深度学习网络，先用一个深度学习网络以滑动窗口的方式进行图像块级别的识别，判断每一个图像块是否属于道路，再对遥感影像中属于道路的图像块的边缘部分使用另一个深度学习网络进行逐像素的识别，可以在确保道路识别准确度的前提下大大提高识别的效率，大大减少识别的计算量，加快识别的速度。大部分情况下，道路在整个遥感图像中所占的面积比例并不大，被第一深度学习网络判别为非道路的图像块的数目众多，这些图像块不再需要第二深度学习网络进行精细的识别，所以节约了大量的计算量。第一深度学习网络识别更为快速(但不够精细)，第二深度学习网络识别得更为准确和精细(运算量大，速度慢)，本申请通过这两种深度学习网络的有机结合，达到了既快又准的效果。进一步地，以半个车道宽度为步长，以一个车道宽度为滑动窗口大小，可以一方面可以有较快的识别速度，另一方面不会漏检车道。进一步地，采用多尺度输入的深度学习网络，能够大大提高道路识别的准确度。进一步地，滑动窗口模块包括控制滑动子模块，可以以步长为半个车道宽度的滑动窗口方式扫描遥感影像。进一步地，第二深度学习网络包括至少两个不同尺度的输入窗口模块，可以逐像素地判断各像素是否属于道路。进一步地，输入窗口模块包括：第一输入窗口子模块，可以输入原始尺度图像；采样子模块，可以对所述原始尺度图像进行不同级别下的采样；其他输入窗口子模块，可以输入对所述原始尺度图像进行不同级别下采样后得到的图像，逐像素地判断各像素是否属于道路。应理解，在本专利技术范围内中，本专利技术的上述各技术特征和在下文(如实施例)中具体描述的各技术特征之间都可以互相组合，从而构成新的或优选的技术方案。限于篇幅，在此不再一一赘述。附图说明图1是本专利技术第一实施方式中遥感影像的道路识别方法的流程示意图。图2是本专利技术第一实施方式中基于深度学习的高分辨率无人机航拍遥感影像道路检测框架图。图3是本专利技术第二实施方式中遥感影像的道路识别方法的流程示意图。图4是本专利技术第二实施方式中第二深度学习网络的框架图。图5是本专利技术第三实施方式中遥感影像的道路识别方法的流程示意图。图6是本专利技术第三实施方式中航拍遥感影像的局部场景图。图7是本专利技术第三实施方式中道路检测结果图。图8是本专利技术第四实施方式中遥感影像的道路识别系统的结构示意图。图9是本专利技术第五实施方式中遥感影像的道路识别系统的结构示意图。图10是本专利技术第六实施方式中遥感影像的道路识别系统的结构示意图。具体实施方式在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的实施方式作进一步地详细描述。本专利技术第一实施方式涉及一种遥感影像的道路识别方法，图1是该方法的流程示意图，图2是基于深度学习的高分辨率无人机航拍遥感影像道路检测框架图。如图1所示，一种遥感影像的道路识别方法，包括以下步骤：步骤101：以滑动窗口的方式扫描遥感影像。转入步骤102：使用第一深度学习网络判断滑动窗口中的图像块是否属于道路，其中所述滑动窗口中的图像块包含多个像素，如果判定滑动窗口中的图像块属于道路，则执行步骤103，否则执行步骤101。在步骤103中，对所述遥感影像中被所述第一深度学习网络判定为道路的图像块的边缘部分，使用第二深度学习网络逐像素地判断各像素是否属于道路。如图2所示，使用本实施方式中的识别方法来识别道路，图中e为由无人机拍摄的周围环境，a、b、c、d为遥感影像上各个类别对象分别为：道路、林地、草地和汽车，通过f(第一深度学习网络)和g(第二深度学习网络)训练后得到h(识别结果)。本实施方式中，使用不同训练方式的两个深度学习网络，先用一个深度学习网络以滑动窗口的方式进行图像块级别的识别，判断每一个图像块是否属于道路，再对遥感影像中属于道路的图像块的边缘部分使用另一个深度学习网络进行逐像素的识别，可以在确保道路识别准确度的前提下大大提高识别的效率，大大减少识别的计算量，加快识别的速度。大部情况下，道路在整个遥感图像中所占的面积比例并不大，被第一深度学习网络判别本文档来自技高网...

【技术保护点】
1.一种遥感影像的道路识别方法，其特征在于，包括以下步骤：以滑动窗口的方式扫描遥感影像；使用第一深度学习网络判断滑动窗口中的图像块是否属于道路，其中所述滑动窗口中的图像块包含多个像素；对所述遥感影像中被所述第一深度学习网络判定为道路的图像块的边缘部分，使用第二深度学习网络逐像素地判断各像素是否属于道路。

【技术特征摘要】
1.一种遥感影像的道路识别方法，其特征在于，包括以下步骤：以滑动窗口的方式扫描遥感影像；使用第一深度学习网络判断滑动窗口中的图像块是否属于道路，其中所述滑动窗口中的图像块包含多个像素；对所述遥感影像中被所述第一深度学习网络判定为道路的图像块的边缘部分，使用第二深度学习网络逐像素地判断各像素是否属于道路。2.根据权利要求1所述的遥感影像的道路识别方法，其特征在于，所述步骤“以滑动窗口的方式扫描遥感影像”包括以下子步骤：以步长为半个车道宽度的滑动窗口方式扫描遥感影像，其中所述滑动窗口的长和宽分别为一个车道宽度。3.根据权利要求1所述的遥感影像的道路识别方法，其特征在于，所述步骤“使用第二深度学习网络逐像素地判断各像素是否属于道路”包括以下子步骤：所述第二深度学习网络采用至少两个不同尺度的输入窗口来逐像素地判断各像素是否属于道路。4.根据权利要求3所述的遥感影像的道路识别方法，其特征在于，所述步骤“所述第二深度学习网络采用至少两个不同尺度的输入窗口来逐像素地判断各像素是否属于道路”包括以下子步骤：所述第二深度学习网络采用其中一个输入窗口输入原始尺度图像；对所述原始尺度图像进行不同级别下的采样；所述第二深度学习网络采用其他输入窗口输入对所述原始尺度图像进行不同级别下采样后得到的图像，逐像素地判断各像素是否属于道路。5.根据权利要求3所述的遥感影像的道路识别方法，其特征在于，所述第二深度学习网络的损失函数为：其中，是损失函数，θ是模型参数，是待分析的像素集，P是概率，Y是标记变量，y∈{0,1}为Y标记变量的取值，q是对应的像素索引，y(q)是第q个标记变量，xs是第q个像素，xs(q)是像素，s是类别索引，y(q)|xs(q)，θ，s是条件概率的变量，是像素集大小，S是类别数量。6.根据权利要求1至5中任一项所述的遥感影像的道路识别方法，其特征在于，所述第一深度学习网络为卷积神经网络，该卷积神经网络至少包括卷积层和池化层，该卷积神经网络的卷积层的特征映射为：其中，是第k个卷积核对应的特征映射，f...

【专利技术属性】
技术研发人员：陈曦，
申请(专利权)人：千寻位置网络有限公司，
类型：发明
国别省市：上海,31