一种公路威胁信息识别方法技术

本发明专利技术涉及一种公路威胁信息识别方法，其步骤为：1)依据照片或航片构建地物样本集，选择典型区域建立样本子集及标签集；2)对样本数据标准化，然后综合红、绿、蓝波段标准化像素值集，将样本集分为训练集和测试集，构建威胁识别模型，计算误差率；3)将待提取信息的图片或航片数字化，并进行标准化处理，再将标准化结果带入威胁识别模型，实现威胁信息提取。本发明专利技术是考虑到应用威胁识别模型对彩色照片或航片的威胁信息识别问题，其算例结果表明，提供的威胁信息够为评估受灾程度、确定救援工作筹备和制定应急救援预案等提供指导，对遥感影像等数据不足情况下的有利补充，能够提高威胁识别的效率，在应急救援决策快速实施中具有重要作用。

【技术实现步骤摘要】
一种公路威胁信息识别方法
本专利技术属于威胁源辨识与应急管理领域，涉及到使用高分辨率遥感影像、航空相片或高清晰图片等信息识别出滑坡发生地点或堰塞湖出现地点的一种公路威胁信息识别方法。
技术介绍
到目前为止，国内外在滑坡等威胁识别的遥感解译主要靠目视解译进行，这需要根据图像的几何特征、纹理特征和上下文关系等内容建立解译标志，且由经验丰富的专业人员进行判读，尚没有形成完整而系统的威胁识别的知识库，而解译标志的建立又具有区域特性，推广性受限；如何不依赖于专业解译人员，实现解译知识的迁移，而不必每一地区的解译重新建立解译标志，以及实现基于通用彩色照片等非专业影像数据的威胁快速识别是亟待解决的问题，此问题的解决无论对威胁识别的方法还是指导应急救援的进行都具有极其重要的应用价值。
技术实现思路
本专利技术的目的是提供一种能克服上述缺陷、利用采样相机彩色照片或航片即可识别滑坡、堰塞湖等公路威胁的公路威胁信息识别方法。其技术方案为采用以下步骤：1)建立训练、测试集：(1)对公路进行拍照，在拍得的照片或航片上采集地物样本点，构建地物样本集：其中，公式(1)中n是航路中的各子集的总数，S表示总样本集合，S1、S2、Si、Sn分别为第1、2、i和n个样本子集；(2)选择典型区域建立样本子集：为各样本子集选择典型的区域，并在典型区域内进行样本点采集，其数学描述如下：Si＝{xj|xj∈(z1，z2，...zm)}，xj＝{xjr，xjg，xjb}(2)xj表示样本子集Si的第j个采样点，m是选出的典型采样区域个数，z1、z2、zm分别为第1、2和m个典型采样区域，xjr、xjg、xjb分别表示第j个采样点对应的红、绿、蓝波段采集的像素值；(3)样本集S的标签集LB赋值，其数学描述如下：其中，LB为样本集对应的标签集，LB1、LB2、LBn分别为样本子集S1、样本子集S2、样本子集Sn的第1、2和n个标签子集；2)典型地物信息提取，包括以下步骤：(1)样本集S数据的标准化：公式(4)、(5)和(6)中zxjr、zxjg、zxjb分别表示标准化后的红、绿、蓝波段采集的像素值，min()和max()表示求取最小值和最大值函数；(2)红、绿、蓝波段标准化像素值集及其标签集的综合：Sj＝[zxjr，zxjg，zxjb](7)公式(8)中LBjr，LBjg和LBjb分别表示zxjr、zxjg和zxjb所对应的标签值，中括号[]表示矩阵，矩阵内的逗号用于列与列之间的分割；(3)将样本集S分为训练集Str和测试集Ste，将标签集LB分为训练集LBtr和测试集LBte：NStr≥NSte，NLBtr≥NLBte，NStr+NSte＝n，NLBtr+NLBte＝n(11)公式(9)～(11)中NStr、NSte分别表示训练集的样本数、测试集的样本数，NLBtr、NLBte分别表示训练集的标签集样本数和测试集的标签集样本数；(4)构建威胁识别模型：LModel＝{Weight，error，ThrV}(12)Weight＝log10(1-error)/error)(13)ThrV＝min(sum(LBtr-LBtrf))(14)公式(12)、(13)和(14)中，Weight为预测样本的权重，error为预测样本的误差和，ThrV为标签赋值的阈值，sum()为求和函数，LBtrf为预测的训练样本标签值；分类器个数范围1～20，根据构建的威胁识别模型，从第一个分类器开始对步骤(1)～(3)获取的训练集、测试集及其标签集进行训练，并按照公式(15)计算训练集的分类器误差率，直至分类器误差率不大于ThrV，停止训练：Etri＝(NStr-Rtr)/NStr(15)公式(15)中Etri为训练集第i个分类器得到的分类误差率，Rtr为分类的正确个数；(5)将测试数据集及其标签集代入威胁识别模型，并计算模型误差率：Etei＝(NSte-Rte)/NSte(16)公式(16)中Etei为测试集第i个分类器得到的分类误差率，Rte为分类的正确个数；3)公路威胁信息识别：(1)将待提取信息的图片航片数字化；(2)对数字化后的图片航片进行标准化处理；(3)将照片或航片的标准化结果代入威胁识别模型公式(12)～(14)，实现威胁信息识别。本专利技术与现有技术相比，优点为：a.本方法具有处理滑坡和堰塞湖等公路威胁信息识别的能力，为发生类似情景的紧急救援提供事故处理模板和指导；同时，将不同照片或航片的红、绿、蓝颜色的像素数据标准化构建的威胁识别能够提高威胁的识别效率，为解决该公路威胁识别提供了一种有效的方法；b.通过航片或彩色照片即可快速识别威胁信息的位置及范围，该方法是对遥感影像数据不足情况下的有利补充，能够提高威胁识别的效率，在应急救援决策快速实施中具有重要作用。具体实施方式下面结合实施例对本专利技术技术方案做进一步介绍。具体步骤为：1)建立训练、测试集：(1)选择一张包含道路的彩色照片，构建地物样本集S，样本集S包括道路样本子集S1和非道路样本子集S2，且(2)为样本子集S1、样本子集S2各选择5个典型的区域z1～z5，并在样本子集S1、样本子集S2的典型区域内各采集100个样本点，xjr、xjg、xjb分别表示第j个采样点对应的红、绿、蓝波段采集的像素值：x1r＝[13411414711111210810412211213413211411711511512911213811312014215112413013013012112312112512211916114712612313114015311312712112912213312513013112611910815213611812912712913013815212015114715015014114514814714515415416515816216316215916515314714814913614914713810612614488931001029496978198104998910092122959895848710495919988103968089979410485881049591998810395818898941048688]x1g＝[96767769727669817790857071748188738868878094848989828189779481791008486858685866975828078848077819377698392778875888275868181126131129119125126130127134133148143141142137137146131125131129117126126117921081167881908682868770849089788682103838284847992898185779186747782849279769289818577918774788284937976]x1b＝[87736770647767757181776773727984688165786987828585827980749275778179848483787869777583758077698086786476897382778482667076711本文档来自技高网...

【技术保护点】
1.一种公路威胁信息识别方法，其特征包括以下实现步骤：1)建立训练、测试集：(1)对公路进行拍照，在拍得的照片或航片上采集地物样本点，构建地物样本集：

【技术特征摘要】
1.一种公路威胁信息识别方法，其特征包括以下实现步骤：1)建立训练、测试集：(1)对公路进行拍照，在拍得的照片或航片上采集地物样本点，构建地物样本集：其中，公式(1)中n是航路中的各子集的总数，S表示总样本集合，S1、S2、Si、Sn分别为第1、2、i和n个样本子集；(2)选择典型区域建立样本子集：为各样本子集选择典型的区域，并在典型区域内进行样本点采集，其数学描述如下：Si＝{xj|xj∈(z1，z2，...zm)}，xj＝{xjr，xjg，xjb}(2)xj表示样本子集Si的第j个采样点，m是选出的典型采样区域个数，z1、z2、zm分别为第1、2和m个典型采样区域，xjr、xjg、xjb分别表示第j个采样点对应的红、绿、蓝波段采集的像素值；(3)样本集S的标签集LB赋值，其数学描述如下：其中，LB为样本集对应的标签集，LB1、LB2、LBn分别为样本子集S1、样本子集S2、样本子集Sn的第1、2和n个标签子集；2)典型地物信息提取，包括以下步骤：(1)样本集S数据的标准化：公式(4)、(5)和(6)中zxjr、zxjg、zxjb分别表示标准化后的红、绿、蓝波段采集的像素值，min()和max()表示求取最小值和最大值函数；(2)红、绿、蓝波段标准化像素值集及其标签集的综合：Sj＝[zxjr，zxjg，zxjb](7)公式(8)中LBjr，LBjg和LBjb分别表示zxjr、zxjg和zxjb所对应的标签值，中括号[]表示矩阵，矩阵内的逗号用于列与列之间的分割；(3)将样本集S分为训练集Str和测试集Ste，将标签集LB分为训练集LBtr和测试集L...

【专利技术属性】
技术研发人员：杨飞，刘丽峰，贾致荣，王一鹤，杨朝斌，范学忠，王志勇，郭宝云，王殷行，
申请(专利权)人：中国科学院地理科学与资源研究所，山东理工大学，
类型：发明
国别省市：北京,11