一种农村道路景观视觉评价分析方法技术

本发明专利技术公开了一种农村道路景观视觉评价分析方法，属于视觉识别领域，使用图像采集装置对农村道路两边景物进行图像采集；人工建筑物标记，识别建筑物特征点，收集训练图片；将训练图片输入神经网络中进行训练得到深度学习模型；采用视频采集装置采集农村道路两边视频并转为图像输入深度学习模型及进行训练；识别出含有建筑物的图像，并计算建筑物所占图像的大小权重和路边景物建筑物所占权重；根据路边景物建筑物所占权重进行评价路边视觉效果。本发明专利技术具有识别率高，响应速度快等优点，能够快速的对长距离的道路景观进行评价。使得处理速度快，可使识别率可以达到98%以上，并使识别时间在50毫秒左右，大大提高道路景观的视觉效果的评价速度。

A visual evaluation and analysis method of rural road landscape

【技术实现步骤摘要】
一种农村道路景观视觉评价分析方法
本专利技术涉及装修设计领领域，尤其涉及一种农村道路景观视觉评价分析方法。
技术介绍
农村道路景观是道路与其周围环境的一个综合景观体系，是由道路两侧的垂直景观(绿化、建筑、农田、山体等)和水平景观(路面、边坡等)所构成。农村景观视觉质量评价是农村景观规划开发的科学基础和依据。视觉景观评价，侧重于分析景观要素及特征对视觉感知的影响，以心理物理学方法占据主导地位。近年来学界关于景观质量的研究尚未形成新的评价方法，仍沿用美景度评估法、SD语义差异法等，多种方法的结合使用已经成为一种共同的趋势。但是上述的道路评价方法只是在评价方面进行详细的确定归类分析，在前期的道路路边的建筑类别的识别方面做得比较的粗糙，使得影响了后面的评价，并且上述的评价方法中效率比较低，不能快速的对道路两边的视觉进行评价，因此，需要设计出以后总能够快速评价的方法。
技术实现思路
本专利技术的目的在于提供一种农村道路景观视觉评价分析方法，以解决现有道路视觉评价效率低，不能满足道路视觉快速评价的技术问题。一种农村道路景观视觉评价分析方法，所述方法包括如下步骤：所述方法包括如下步骤：步骤1：使用图像采集装置对农村道路两边景物进行图像采集；步骤2：人工建筑物标记，识别建筑物特征点，收集训练图片；步骤3：将训练图片输入神经网络中进行训练得到深度学习模型；步骤4：采用视频采集装置采集农村道路两边视频并转为图像输入深度学习模型及进行训练；步骤5：识别出含有建筑物的图像，并计算建筑物所占图像的大小权重和路边景物建筑物所占权重；步骤6：根据路边景物建筑物所占权重进行评价路边视觉效果。进一步地，所述步骤1的具体过程为：使用摄像装置对农村道路两边景物进行视频采样，得到农村道路两边景物采样视频，对采样视频进行帧处理得到采样图像，并设置图片尺寸，其中采样的农村道路两边景物为不同地段，不同时间段分别进行采集。进一步地，所述步骤2的具体过程为：使用标注工具对农村道路两边景物图片进行建筑物标记，识别建筑物特征，制作训练集，训练集包括输入照片以及对应的建筑物特征分类标签；标记关键特征点，即识别整个图片的特征，通过关键特征点定位，特征点的特性必须在所有图片中保持一致，并且所有标签在所有图片中必须保持一致，之后生成标记文件，文件内含农村道路两边景物建筑物位置像素点坐标以及建筑物特征的分类标签，即包含神经网络要预测的对象分类标签与表示边界框的四个数字，分别为中心点坐标以及边界框的宽与高。进一步地，所述步骤3的具体过程为：将训练集输入卷积神经网络中，使用改进的卷积神经网络进行训练，训练迭代学习输出最优深度学习模型，得到权重参数文件；卷积神经网络中的网络参数初始化，加载设置好的超参数与模型配置文件，将制作好的数据集，将训练集数据输入卷积神经网络中，其中，输入图片的结构是4通道520*520像素尺寸的图片，通过传入输入层图片数据、每层的边界框数和类别数，调用网络核心方法，构建网络模块，网络为全卷积层，含有残差网络结构，通过正向传播训练输出最优损失函数，并使用随机梯度下降方法优化反向传播过程，更新权重偏置等参数，训练迭代学习输出深度学习模型，得到权重参数文件分批次训练数据；网络由卷积层以不同形式链接形成的残差网络结构，是一种组合形式的卷积操作以不同组合构成，这种组合由一个卷积层，一个批正则化层与一个以带泄露的线性修正函数为激活函数的网络层的结合构成，组合包括卷积操作，卷积操作之后的数据批正则化操作以及对数据进行输入到激活函数中的操作，整个网络将这种组合形式的卷积结构两个或多个相连构成一个小型结构，这种小型结构中的前后两个卷积层使用的卷积核维度不同，使用1*1的卷积层与3*3卷积层交替组成，达到神经网络深度的增加，之后将这种小型结构的输出结果与前层小型网络或者卷积结构输出相加，构成残差网络结构short连接形式，并输入线性单元激活函数，最后图像信息数据经过1*1卷积核的卷积层输入线性激活函数，将输出结果输出，网络共由22部分构成，每一部分中包含的卷积核的数量以及结构不同，在网络模型中，最后建筑物信息由一个输出值得到，由三个主要输出值通过重合度计算得到，三个输出值均由卷积操作后输入激活函数输出得到，每个输出值包含10种预测框对应值，输出值的过程中使用非极大值抑制保证对每个对象只检测一次，找出概率最大的边界框，通过维度聚类方法来预测边界框并用逻辑回归预测对象分数，每个边界框对应四个数据，分别为中心点坐标以及边界框的宽度与高度，训练中使用二元交叉熵对生成的边界框在进行分类预测，确定边界框中物体类别，最后输出值为建筑物预测框坐标值。进一步地，所述步骤4中，对摄像头采集的视频进行处理，保存为图片，按照5帧一次的对照片进行读取，对图片进行识别处理，输出建筑物特征数据，包括建筑物边框像素点坐标。进一步地，所述步骤5中，根据边界框的宽度与高度进行计算建筑物的面积在图像中权重，同时标注建筑物的坐标点，坐标点算出建筑物离路边的距离，然后根据所有图像进行计算整个农村道路路边景物中建筑物所占权重。进一步地，所述步骤6中评价的具体过程为：道路景观评价分数=（1-建筑物权重）*70*0.85+（建筑物与路边距离/基准距离）*30*0.98，分数越高，农村道路景观越好。本专利技术采用了上述技术方案，本专利技术具有以下技术效果：本专利技术具有识别率高，响应速度快等优点，能够快速的对长距离的道路景观进行评价。使得处理速度快，可使识别率可以达到98%以上，并使识别时间在50毫秒左右，大大提高道路景观的视觉效果的评价速度，与现有的就似乎相比具有速度快，识别率高，在后期评价汇总放弃道路的坡度等因素，可以更好考虑农村丘陵的情况，主要结合了路边的景物进行评价，使得评价的效率高，速度快，符合现有评价工作的需求。附图说明图1为本专利技术流程图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本专利技术进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本专利技术的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本专利技术的这些方面。请参阅图1，本专利技术提供一种农村道路景观视觉评价分析方法，所述方法包括如下步骤：步骤1：使用图像采集装置对农村道路两边景物进行图像采集。使用摄像装置对农村道路两边景物进行视频采样，得到农村道路两边景物采样视频，对采样视频进行帧处理得到采样图像，并设置图片尺寸，其中采样的农村道路两边景物为不同地段，不同时间段分别进行采集。通过不同时间段的采集，可以大大的提高训练集的精度，使得在后期不同时间段进行识别时，均能有较好的适应能力。步骤2：人工建筑物标记，识别建筑物特征点，收集训练图片。使用标注工具对农村道路两边景物图片进行建筑物标记，识别建筑物特征，制作训练集，训练集包括输入照片以及对应的建筑物特征分类标签。标记关键特征点，即识别整个图片的特征，通过关键特征点定位，特征点的特性必须在所有图片中保持一致，并且所有标签在所有图片中必须保持一致，之后生成标记文件，文件内含农村道路两边景物建筑物位置像素点坐标以及建筑物特征的分类标签，即包含神经网络要预测的对象分类标签与表示边界框的四个数字，分别为中心点坐标以及边界框的宽与高。人工通过软件本文档来自技高网...

【技术保护点】
1.一种农村道路景观视觉评价分析方法，其特征在于，所述方法包括如下步骤：步骤1：使用图像采集装置对农村道路两边景物进行图像采集；步骤2： 人工建筑物标记，识别建筑物特征点，收集训练图片；步骤3： 将训练图片输入神经网络中进行训练得到深度学习模型；步骤4： 采用视频采集装置采集农村道路两边视频并转为图像输入深度学习模型及进行训练；步骤5： 识别出含有建筑物的图像，并计算建筑物所占图像的大小权重和路边景物建筑物所占权重；步骤6：根据路边景物建筑物所占权重进行评价路边视觉效果。

【技术特征摘要】
1.一种农村道路景观视觉评价分析方法，其特征在于，所述方法包括如下步骤：步骤1：使用图像采集装置对农村道路两边景物进行图像采集；步骤2：人工建筑物标记，识别建筑物特征点，收集训练图片；步骤3：将训练图片输入神经网络中进行训练得到深度学习模型；步骤4：采用视频采集装置采集农村道路两边视频并转为图像输入深度学习模型及进行训练；步骤5：识别出含有建筑物的图像，并计算建筑物所占图像的大小权重和路边景物建筑物所占权重；步骤6：根据路边景物建筑物所占权重进行评价路边视觉效果。2.根据权利要求1所述的一种农村道路景观视觉评价分析方法，其特征在于：所述步骤1的具体过程为：使用摄像装置对农村道路两边景物进行视频采样，得到农村道路两边景物采样视频，对采样视频进行帧处理得到采样图像，并设置图片尺寸，其中采样的农村道路两边景物为不同地段，不同时间段分别进行采集。3.根据权利要求1所述的一种农村道路景观视觉评价分析方法，其特征在于：所述步骤2的具体过程为：使用标注工具对农村道路两边景物图片进行建筑物标记，识别建筑物特征，制作训练集，训练集包括输入照片以及对应的建筑物特征分类标签；标记关键特征点，即识别整个图片的特征，通过关键特征点定位，特征点的特性必须在所有图片中保持一致，并且所有标签在所有图片中必须保持一致，之后生成标记文件，文件内含农村道路两边景物建筑物位置像素点坐标以及建筑物特征的分类标签，即包含神经网络要预测的对象分类标签与表示边界框的四个数字，分别为中心点坐标以及边界框的宽与高。4.根据权利要求1所述的一种农村道路景观视觉评价分析方法，其特征在于：所述步骤3的具体过程为：将训练集输入卷积神经网络中，使用改进的卷积神经网络进行训练，训练迭代学习输出最优深度学习模型，得到权重参数文件；卷积神经网络中的网络参数初始化，加载设置好的超参数与模型配置文件，将制作好的数据集，将训练集数据输入卷积神经网络中，其中，输入图片的结构是4通道520*520像素尺寸的图片，通过传入输入层图片数据、每层的边界框数和类别数，调用网络核心方法，构建网络模块，网络为全卷积层，含有残差网络结构，通过正向传播训练输出最优损失函数，并使用随机梯度下降方法优化反向传播过程，更新权重偏置等参数，训练迭代学习输出深度学习模型，得到...

【专利技术属性】
技术研发人员：毛攀云，
申请(专利权)人：湖南人文科技学院，
类型：发明
国别省市：湖南,43