一种基于无人机影像的宅基地房屋识别方法技术

本发明专利技术构建了一种基于无人机影像的宅基地房屋识别方法，具体包括如下步骤：步骤1)样本标注。查看影像中的房屋特征，选区进行房屋样本标注。步骤2)数据集处理；将步骤1)中的标注数据随机分为训练集、验证集以及测试集；步骤3)训练集处理。将标注样本和对应的底图按照一定的图幅大小进行裁剪；步骤4)模型框架构建。基于深度学习算法，搭建主体结构以Unet++为backbone的Deeplabv3+分类模型；步骤5)预训练模型构建。基于该模型分批次提取训练集特征，并对特征进行映射，按照优化策略最小化损失函数，不断迭代更新模型权重；步骤6)精度评价。将训练完成的模型用于测试数据集，使用IOU作为评价标准；步骤7)模型迁移。将分类模型泛化至其他影像/区域。

【技术实现步骤摘要】
一种基于无人机影像的宅基地房屋识别方法
本专利技术属于高分辨率卫星遥感建模领域，涉及一种基于无人机影像的宅基地房屋识别方法。
技术介绍
目前在农村宅基地丈量、确权等工作中，一般都采用传统人力进行建筑物信息的实地采集，这种手段得到的结果精度较高，但在采集过程中要耗费巨大的人力物力，并且提取周期过长、效率极其低下，尤其农村房屋的分布相对较为广泛且分散，因此在大量数据的生产过程中无法满足实际要求。随着遥感技术日新月异，研究者们越发看重高分辨率影像的使用，对于高分辨率影像的应用进行了可行性、前瞻性、时效性等多方面的实验研究，利用高分辨率遥感影像结合遥感提取技术来识别地面的信息已经成为一种非常常见的方法手段，尤其是使用面向对象的分类方法显著地减少了局部光谱变化，概括空间邻域的光谱信息，增强光谱相似对象之间的光谱差异。使用基于特征面向对象的方法来提取影像中的地物，正逐渐成为近年来遥感领域研究的热点之一。例如，乔程、骆剑承、吴泉源等人基于高分辨率遥感影像的特点，利用面向对象的方法提出了多尺度分割，在掩膜基础上基于IKONOS影像进行了建筑物提取试验，结果表明相对于传统的自上而下的尺度分割方法，多尺度分割的精度改善效果更加明显，分类结果形状比较规整，更接近地物；陶超等人提出了一种自动提取高空间分辨率遥感影像城区建筑物方法，把面向对象的思想与基于邻域总变分的建筑物分割方法相融合；樊舒迪等人对于面向对象的方法进行了改进，以广州市白云区榕溪街区为研究区建立了规则数据库进行建筑物提取。但是，由于我国地域辽阔，房屋特征以及分布特点存在区域差异性，前述学者构建的各类模型在大数据量以及大范围区域内的分类效果不显著；同时，已有研究多基于卫星影像进行识别，数据获取易受天气状况等因素影响，应用性较弱，而无人机影像获取相对灵活便捷，能够提取的特征更丰富，基于此构建的模型更具普适性。因此，本专利技术提出一种推广性较强的基于无人机影像的宅基地房屋识别方法。
技术实现思路
针对现有技术中存在的问题，本专利技术的目的在于提出一种宅基地房屋识别方法，用于准确识别农村宅基地中的房屋分布和占地面积计算。为了实现上述目的，本专利技术构建了一种基于无人机影像的宅基地房屋识别方法，具体包括如下步骤：步骤1)样本标注。查看影像中的房屋特征，选区进行房屋样本标注。步骤2)数据集处理。按照一定的比例，将标注数据随机分为训练集、验证集以及测试集。步骤3)训练集处理。将标注样本和对应的底图按照一定的图幅大小进行裁剪。步骤4)模型框架构建。基于深度学习算法，搭建分类模型。步骤5)预训练模型构建。基于该模型分批次提取训练集特征，并对特征进行映射，按照优化策略最小化损失函数，不断迭代更新模型权重。步骤6)精度评价。将训练完成的模型用于测试数据集，使用IOU作为评价标准。步骤7)模型迁移。将分类模型泛化至其他影像/区域。进一步，所述步骤3)训练集处理具体方法为，根据房屋分布情况，将标注矢量数据和栅格底图按照256*256的图幅大小进行裁切。进一步，所述步骤4)模型框架构建的具体方法为，搭建一个主体结构以Unet++为backbone的Deeplabv3+分类模型，在特认证学习过程中，不同层次的特征对于大小不一的目标对象的敏感度是不同的，相比传统的Unet网络，Unet++网络可以抓取不同层次的特征，将它们通过特征叠加的方式整合，相对于原本作为Deeplabv3+模型backbone的Inception分类器，Unet++分割效果更好，目标对象的边缘信息以及纹理特征提取更为完整。进一步，所述步骤5)预训练模型构建，其具体方法为，综合Unet++的skipconnection特征融合保存细节信息与Deeplabv3+的aspp保存全局信息，基于步骤4)中构建的Deeplabv3+框架分批次进行提取训练集特征，并对特征进行映射，按照优化策略最小化损失函数，断迭代更新模型权重，最终得到训练分类模型。进一步，所述步骤6)精度评价，其具体方法为，在训练模型中引入测试底图，并将分类结果与标注样本进行对比，采用IOU评价标准进行模型精度评价。进一步，所述步骤7)模型迁移，其具体方法为将该模型泛化至其他影像和区域的房屋识别中，以验证其应用性，该步骤需要根据应用区域的房屋特征追加少量样本，实现模型权重迭代，以适应该区域的房屋识别。附图说明图1为样本标注数据示例图2为分类模型结构图图3为无人机测试集原图示例图4为无人机分类结果图示例图5为模型迁移结构图图6为谷歌影像原图示例图7为谷歌测试结果图示例具体实施方式下面结合附图对本专利技术“一种基于无人机影像的宅基地房屋识别方法”作进一步阐述说明。如图1-图7所示，本专利技术所涉及的“基于无人机影像的房屋识别方法”，可以自动识别出房屋边缘轮廓。该方法基于高分辨率的无人机影像，但不局限于无人机影像，其灵活的模型迁移结构，可以使其适用于相近分辨率的多源数据房屋识别，且只需追加少量的房屋标注样本便可推广至其他区域。(一)模型构建本专利技术中的模型构建主要采用了图像分割算法，图像分割的主要功能是将输入图片的每个像素都分好类别，也相当于分类过程。举例来说就是将大小为[h,w,c]的图像输出成[h,w,1]，每个像素值代表一个类别。DeepLabv3+是语义分割系列网络的最新作，通过encoder-decoder进行多尺度信息的融合，同时保留了原来的空洞卷积和ASSP层，其骨干网络使用了Xception模型，提高了语义分割的健壮性和运行速率。Deeplab系列在影像分割上表现优异，特别在全局信息方面。该模型属于encoder-decoder模型，Deeplabv3+是将encoder-decoder和ASPP相结合，encoder-decoder会获取更多边界信息，ASPP可获取更多特征信息。Unet++因为其mixedskipconnection，其能保留细节信息。为了能为Deeplabv3+提供更好的特征描述，使用Unet++作为特征提取器，Unet++提供两种输出特征，即低层特征和高层特征，底层特征为aspp服务，高层信息和aspp输出融合，使得细节和全局兼顾。(1)基于宁夏自治区平罗县渠口乡的无人机影像，进行了房屋样本标注(图1)，然后将标注数据随机分为训练集、验证集和测试集，训练集和验证集用于训练模型，测试集用来评价模型；(2)构建了使用主体结构以unet++为backbone的Deeplabv3+分类模型(图2)，并综合unet++的skipconnection特征融合保存细节信息与Deeplabv3+的aspp保存全局信息；(3)基于该模型分批次提取训练集特征，并对特征进行映射，按照优化策略最小化损失函数，不断迭代更新模型权重，完成模型构建；(4)将训练完成的模型用于测试数据集，使用IOU作为评价标准，图3和图4分别为测试集原图以及基于该模本文档来自技高网...

【技术保护点】
1.一种基于无人机影像的宅基地房屋识别方法，其特征在于，该识别方法包括如下几个步骤：/n步骤1)样本标注：查看影像中的房屋特征，选区进行房屋样本标注；步骤2)数据集处理：按照一定的比例，将标注数据随机分为训练集、验证集以及测试集；/n步骤3)训练集处理：将标注样本和对应的底图按照一定的图幅大小进行裁剪；/n步骤4)模型框架构建：基于深度学习算法，搭建分类模型；/n步骤5)预训练模型构建：基于该模型分批次提取训练集特征，并对特征进行映射，按照优化策略最小化损失函数，不断迭代更新模型权重；/n步骤6)精度评价：将训练完成的模型用于测试数据集，使用IOU作为评价标准；/n步骤7)模型迁移：将分类模型泛化至其他影像/区域。/n

【技术特征摘要】
1.一种基于无人机影像的宅基地房屋识别方法，其特征在于，该识别方法包括如下几个步骤：
步骤1)样本标注：查看影像中的房屋特征，选区进行房屋样本标注；步骤2)数据集处理：按照一定的比例，将标注数据随机分为训练集、验证集以及测试集；
步骤3)训练集处理：将标注样本和对应的底图按照一定的图幅大小进行裁剪；
步骤4)模型框架构建：基于深度学习算法，搭建分类模型；
步骤5)预训练模型构建：基于该模型分批次提取训练集特征，并对特征进行映射，按照优化策略最小化损失函数，不断迭代更新模型权重；
步骤6)精度评价：将训练完成的模型用于测试数据集，使用IOU作为评价标准；
步骤7)模型迁移：将分类模型泛化至其他影像/区域。


2.根据权利要求1所述的一种基于无人机影像的宅基地房屋识别方法，其特征在于，所述步骤3)训练集处理具体方法为，根据房屋分布情况，将标注矢量数据和栅格底图按照256*256的图幅大小进行裁切。


3.根据权利要求1所述的一种基于无人机影像的宅基地房屋识别方法，其特征在于，所述步骤4)模型框架构建的具体方法为，搭建一个主体结构以Unet++为backbone的Deeplabv3+分类模型，在特认证学习过程中，不同层次的特征对于...

【专利技术属性】
技术研发人员：黄先梅，王文哲，郎彦，
申请(专利权)人：北京星衡科技有限公司，
类型：发明
国别省市：北京;11