基于位置数据融合的道路提取方法和系统技术方案

本发明专利技术公开了基于位置数据融合的道路提取方法，包括以下步骤：数据增强处理；生成融合位置数据的原始输入影像；生成多层卷积数据；生成第一输入数据和第二输入数据；生成预测特征图，并将预测特征图作为新的第二输入数据后重复执行直至多层预测模型的层数全部执行完毕生成道路预测数据。本发明专利技术还公开了基于位置数据融合的道路提取系统。本发明专利技术基于位置数据融合的道路提取方法和系统，充分发挥数据的预处理和数据的后处理优势，提高道路语义分割精度，改善道路连通性问题。

【技术实现步骤摘要】
基于位置数据融合的道路提取方法和系统
本专利技术涉及图像处理技术，具体涉及基于位置数据融合的道路提取方法和系统。
技术介绍
基于遥感影像的道路区域分割数字化地图、道路网络更新、城市规划、自动驾驶、路径规划、道路导航、道路破损检测、应急救援等领域有广泛的应用场景。道路的语义分割有其独特性和困难性，具体表现：(1)道路细长，虽占据整张影像比例偏小，但往往整体跨度覆盖整张影像；(2)拓扑关系复杂，体现在多条道路相互交叉连通的情况；(3)纹理特征容易混淆于周边背景环境；(4)因树木、阴影、建筑物等遮挡造成提取的道路不连通；(5)几何特征与河流、铁路、沟壑等相似，专业人员也难以判别。后面三点(3)-(5)可以统一为道路特征和非道路特征可区分性差的问题，是影响道路提取精度提高的几个主要问题。本申请直面上述问题给道路对象提取带来的困难性，期望改善道路的连通性道路特征可区分性对提高道路区域分割的影响，全面提高道路提取的精度。
技术实现思路
本专利技术所要解决的技术问题是现有技术中对于道路的语义分割存在很多困难，目的在于提供基于位置数据融合的道路提取方法和系统，解决上述问题。本专利技术通过下述技术方案实现：基于位置数据融合的道路提取方法，包括以下步骤：S1：使用直方图均衡化对原始遥感影像数据进行加强处理；S2：将GNSS位置数据和经加强处理的遥感影像在通道方向进行叠加生成通道数加一的输入数据M1；S3：将所述输入数据M1输入神经网络，进行多层卷积编解码学习并在网络倒数第二层输出多维度数据F10；S4：将所述神经网络倒数第二层的多通道输出数据F10与所述原始输入图像M1沿通道拼接生成第一输入数据F20；将所述网络输出的最后一层数据作为第二输入数据F30；S5：将所述第一输入数据F20和第二输入数据F30输入迭代强化模块IteRe(IteRe具有t层基础块)生成第一次预测特征图，并将经迭代强化模块输出的所述预测数据进行sigmoid非线性变换层后生成道路预测数据pred1；将所述上一个基础块生成的第一次预测特征图作为下一个基础块的输入数据，反复迭代执行，直至所述t层基础块全部执行完毕；S6：将每次经迭代强化基础块输出的所述道路预测数据predt与原始标签数据计算损失值losst，并计算t个losst的和loss；直到收敛，结束训练。本专利技术应用时，首先本专利技术创造性的使用了GNSS数据和遥感图像数据叠加的方式进行道路预测，解决了因树木、阴影、建筑物等遮挡造成提取的道路不连通的问题；然后进行正常的卷积处理，卷积处理本身会生成多层的特征输出数据，而本专利技术在主干网络后加入了一个通用的多层预测模型就是迭代强化模块，该迭代强化模块的第一层输入的两个数据第一输入数据和第二输入数据由主干网络输出获得，主干网络最后一层输出的数据则作为下一层多层预测模型的第二输入数据。本专利技术通过设置上述步骤，充分发挥其在捕获结构依赖性方面的作用，为空间信息上下文语义推理提供了另一种方法。进一步的，步骤S5包括以下子步骤：根据下式获取第t层basicblock的输入数据：所述F3t为所述多层预测模型第t层的第二输入数据；F5t-1为所述多层预测模型第t-1层输出的所述预测特征图，t表示所述多层预测模型的索引。进一步的，步骤S5还包括以下子步骤：所述多层预测模型中根据下式获取预测特征图：F4t＝conc(F20,F3t)F5t＝conv(F4t)predt＝sigmoid(F5t)所述conc为沿通道拼接，conv为卷积操作，predt为经过sigmoid非线性变换层处理的第t层输出的预测特征图，t＝1,…,n。进一步的，步骤S6包括以下步骤：所述含n个基础块的迭代加强模块，每一个基础块均生成一个损失函数losst，将每一个基础块所述损失函数叠加后生成总的损失函数loss：losst＝BCELoss(predt，label)所述BCELoss(predt，label)为predt与标签label的损失值；t表示所述多层预测模型的索引，n为所述多层预测模型基础块的层数。基于位置数据融合的道路提取系统，包括：预处理单元：用于使用直方图均衡化对原始遥感影像数据进行加强处理；叠加单元：用于GNSS位置数据和经加强处理的遥感影像在通道方向进行叠加生成通道数加一的输入数据M1；卷积学习单元：用于将所述输入数据M1输入神经网络，进行多层卷积编解码学习并在网络倒数第二层输出多维度数据F10；拼接单元：用于将所述神经网络倒数第二层的多通道输出数据F10与所述原始输入图像M1沿通道拼接生成第一输入数据F20；将所述网络输出的最后一层数据作为第二输入数据F30；迭代强化模块IteRe：用于输入所述第一输入数据F20和第二输入数据F30生成第一次预测特征图，并将经迭代强化模块输出的所述预测数据进行sigmoid非线性变换层后生成道路预测数据pred1；将所述上一个基础块生成的第一次预测特征图作为下一个基础块的输入数据，反复迭代执行，直至所述t层基础块全部执行完毕；损失计算单元：用于将每次经迭代强化基础块输出的所述道路预测数据predt与原始标签数据计算损失值losst，并计算t个losst的和loss；直到收敛，结束训练。进一步的，根据下式获取第t层basicblock的输入数据：所述F3t为所述多层预测模型第t层的第二输入数据；F5t-1为所述多层预测模型第t-1层输出的所述预测特征图，t表示所述多层预测模型的索引。进一步的，所述多层预测模型中根据下式获取预测特征图：F4t＝conc(F20,F3t)F5t＝conv(F4t)predt＝sigmoid(F5t)所述conc为沿通道拼接，conv为卷积操作，predt为经过sigmoid非线性变换层处理的第t层输出的预测特征图，t＝1,…,n。进一步的，所述含n个基础块的迭代加强模块，每一个基础块均生成一个损失函数losst，将每一个基础块所述损失函数叠加后生成总的损失函数loss：losst＝BCELoss(predt，label)所述BCELoss(predt，label)为predt与标签label的损失值；t表示所述多层预测模型的索引，n为所述多层预测模型基础块的层数。本专利技术与现有技术相比，具有如下的优点和有益效果：本专利技术基于位置数据融合的道路提取方法和系统，在主干网络输出末端加入具备后处理功能的迭代加强模块(IterationReinforcement,IteRe)，将原始输入数据的全部信息和网络输出结果拼接融合再训练。专利技术的迭代加强模块IteRe由n个基础块(basicblock)组成。通过引入多次迭代调优技术，使得预测结果在经过多次调优后，能够达到一个最优的稳定结果，在提升模型道路整体识别率的情况下也本文档来自技高网...

【技术保护点】
1.基于位置数据融合的道路提取方法，其特征在于，包括以下步骤：/nS1：使用直方图均衡化对原始遥感影像数据进行加强处理；/nS2：将GNSS位置数据和经加强处理的遥感影像在通道方向进行叠加生成通道数加一的输入数据M1；/nS3：将所述输入数据M1输入神经网络，进行多层卷积编解码学习并在网络倒数第二层输出多维度数据F1

【技术特征摘要】
1.基于位置数据融合的道路提取方法，其特征在于，包括以下步骤：
S1：使用直方图均衡化对原始遥感影像数据进行加强处理；
S2：将GNSS位置数据和经加强处理的遥感影像在通道方向进行叠加生成通道数加一的输入数据M1；
S3：将所述输入数据M1输入神经网络，进行多层卷积编解码学习并在网络倒数第二层输出多维度数据F10；
S4：将所述神经网络倒数第二层的多通道输出数据F10与所述原始输入图像M1沿通道拼接生成第一输入数据F20；将所述网络输出的最后一层数据作为第二输入数据F30；
S5：将所述第一输入数据F20和第二输入数据F30输入迭代强化模块IteRe(IteRe具有t层基础块)生成第一次预测特征图，并将经迭代强化模块输出的所述预测数据进行sigmoid非线性变换层后生成道路预测数据pred1；将所述上一个基础块生成的第一次预测特征图作为下一个基础块的输入数据，反复迭代执行，直至所述t层基础块全部执行完毕；
S6：将每次经迭代强化基础块输出的所述道路预测数据predt与原始标签数据计算损失值losst，并计算t个losst的总和loss；直到收敛，结束训练。


2.根据权利要求1所述的基于位置数据融合的道路提取方法，其特征在于，步骤S5包括以下子步骤：
根据下式获取第t层basicblock的输入数据：



所述F3t为所述多层预测模型第t层的第二输入数据；F5t-1为所述多层预测模型第t-1层输出的所述预测特征图，t表示所述多层预测模型的索引。


3.根据权利要求2所述的基于位置数据融合的道路提取方法，其特征在于，步骤S5还包括以下子步骤：
所述多层预测模型中根据下式获取预测特征图：
F4t＝conc(F20,F3t)
F5t＝conv(F4t)
predt＝sigmoid(F5t)
所述conc为沿通道拼接，conv为卷积操作，predt为经过sigmoid非线性变换层处理的第t层输出的预测特征图，t＝1,…,n。


4.根据权利要求1所述的基于位置数据融合的道路提取方法，其特征在于，步骤S6包括以下步骤：
所述含n个基础块的迭代加强模块，每一个基础块均生成一个损失函数losst，将每一个基础块所述损失函数叠加后生成总的损失函数loss：
losst＝BCELoss(predt，label)



所述BCELoss(predt，label)为predt与标签label的损失值；t表示所述多层预测模型的索引，n为...

【专利技术属性】
技术研发人员：周凯，解岩，高展，苗放，刘力，罗曦，钟波，
申请(专利权)人：成都大成均图科技有限公司，
类型：发明
国别省市：四川;51