一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法技术

本发明专利技术公开了一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法，基本步骤为：在真彩色高分辨率遥感影像合成图下制作遥感图像样本集和标定样本集；接下来利用U

【技术实现步骤摘要】
一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法


[0001]本专利技术属于遥感目标识别与匹配领域，特别涉及一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法。

技术介绍

[0002]遥感技术作为一种大范围、远距离感知的对地观测技术，通过获取研究区域的影像实现对地理信息的快速收集，结合相关遥感数据处理技术对这些信息进行定性或定量的分析，为经济社会发展和国家重大战略实施提供有力的数据和技术支持。高分辨率遥感影像为道路信息提取提供了丰富的细节信息和纹理信息，对道路提取提供了强大的数据支撑。但由于道路具有高度多样性的特点，如道路材料、结构和联通性等，一般仅仅依赖光谱信息不易获得很高的识别精度。
[0003]大件货物由于其体积和重量都很大，在构建大件运输通行路径的时候需要综合考虑关键道路几何信息与大件车辆本身的物理信息，有利于后续的大件运输车辆的路径规划。在现代化的城市中，转盘环路和立交桥的地位十分重要，对转盘环路和立交桥路面等大件运输关键道路进行自动识别与提取，对于研究大件运输关键道路空间通行性判定有重要意义。随着中国经济和基础建设的快速发展，许多道路面临修建、改建和拓宽等建设，同时路网数据更新不及时，对于大件运输空间通行性判断带来一定的制约。因此本专利技术给出了一种自动化从遥感影像中提取道路并进行大件运输车辆空间通行性的判断方法。传统的分类算法提取道路边缘较为模糊、提取范围不完整，无法自动获得较为规则和连通的道路信息。区别于遥感影像上其他地物，道路是具有复杂拓扑关系的典型地物要素，本专利技术给出一种基于深度卷积网络与图卷积神经网络相结合的方法，在顾及高分辨率遥感影像的高级特征的同时结合图卷积神经网络，以像素为单位考虑像素间的拓扑关系实现遥感图像上大件运输关键道路的自动提取。同时引入Hausdorff距离，通过计算扫空路径和提取出的关键道路的Hausdorff距离进行匹配判定，简化了大件运输过程中关键道路空间通行性的判定过程。
[0004]有益效果
[0005]与现有的技术相比，本专利技术具有如下有益效果：本专利技术给出了一种基于卫星高分辨率影像深度学习的大件运输关键道路空间通行性判定方法，在传统语义分割网络U
‑
Net上加上图卷积神经网络以增强道路之间的纹理以及拓扑信息。相比于深度卷积模型把输入数据表示为网格结构，图模型具备更灵活的跳跃连接，因此它可以探索图中像素节点之间的拓扑关系，更有效的提取道路信息；在此基础上引入Hausdorff距离，通过计算扫空路径和提取出的关键道路的Hausdorff距离简化了判断大件运输关键道路空间通行性的方法。

技术实现思路

[0006]为解决上述问题，本专利技术给出了一种基于Hausdorff距离的大件运输关键道路空
间通行性判定方法，其特征在于包括以下步骤：
[0007]一、预处理
[0008]步骤1：选择带有大件运输关键道路(如转盘环路和立交桥)的高分辨率卫星遥感影像的红波段、绿波段和蓝波段合成真彩色图像；在真彩色图像上进行目视解译并在影像上标记某一类关键道路，得到该类关键道路和背景(图像中非道路的其他信息)这两类待识别的目标物的标记结果；
[0009]步骤2：将步骤1中的真彩色图像和步骤2中的标记结果裁剪至256*256大小，得到高分辨率卫星遥感影像样本集和标记样本集；
[0010]二、构建关键道路提取模型
[0011]步骤3：采用U
‑
Net网络对步骤2得到的高分辨率卫星遥感影像样本集和标记样本集进行训练得到训练后的U
‑
Net模型，而后利用训练后的U
‑
Net模型提取关键道路的通过卷积和不同尺度特征融合之后能表征道路更深层次信息的高级特征；利用步骤1中获得的高分辨率卫星遥感影像样本集通过K
‑
means聚类算法将遥感影像上的地物聚类为不同的部分(如直线道路与弯曲道路)；根据K
‑
means聚类结果构建关系图网络中的节点和边；
[0012]步骤4：将步骤3中构建的关系图网络每个节点的特征用N
×
D维特征矩阵X表示(N代表节点数，D代表输入特征数)作为图卷积神经网络(Graph Convolutional Network，GCN)的输入，利用步骤三通过训练后的U
‑
Net模型提取出的高级特征初始化GCN中的隐藏层并进行训练，得到训练后的GCN模型，并使用训练后的GCN模型对关系图网络中的节点进行分类；步骤5：将每个节点的类别分配给节点中的像素，每个节点都对应于图像上的一个区域，令该区域内所有像素的类别与对应节点的类别相同，进而从高分辨率卫星影像中提取出关键道路；
[0013]三、车辆扫空路径的计算
[0014]步骤6：计算转弯状态下的扫空路径，分别计算大件运输车辆行驶过程中最小转弯内半径、最小转弯外半径、最大内扫半径和最大外扫半径，由最小转弯内半径、最小转弯外半径、最大内扫半径和最大外扫半径构成的闭合区域即为转弯状态下的扫空路径；
[0015]四、大件运输关键道路空间通行性判定
[0016]步骤7：将步骤5关键道路识别提取结果和步骤6中扫空路径进行匹配判断，判断车辆能否通行；
[0017]2.根据权利要求1所述的一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法，其特征在于，步骤7大件运输关键道路空间通行性判定方式如下：
[0018](1)二维扫空路径和提取的关键道路的内径和外径是由有限点组成；二维扫空路径均匀提取n个点，分别表示为P＝{p1，p2…
p
n
}，Q＝{q1，q2…
q
n
}，P为二维扫空路径的内径，Q为二维扫空路径的外径，n为采样点数量；
[0019](2)对二维扫空路径的内外半径计算Hausdorff距离，Hausdorff距离公式为：
[0020][0021]计算二维扫空路径的Hausdorff距离h1，其中p
i
为P中的任意一点，q
i
为Q中的任意一点，d(p
i
，q
i
)为p
i
到Q中任意一点的距离，共有n个值；
[0022][0023][0024]其中表示二维扫空路径的内径上任意一点外径上任意一点的距离最小值，进而为二维扫空路径的内径上任意一点外径上任意一点的距离最小值的最大值，即为h1。
[0025](3)将提取遥感影像的道路长边并拆分为有限点；
[0026]由步骤5中提取出的关键道路，经过Canny边缘检测和形态学膨胀腐蚀操作提取道路轮廓信息，基于道路轮廓信息建立道路的图像坐标系，获取每个像元的图像坐标，从左上角依次遍历每行的像元，当遍历到某像元为道路轮廓像元时，记录该像元的图像坐标z1(x1，y1)，并建立索引，同时检索该像元周围8邻域是否为道路像元，若不是道路轮廓像元则继续按行遍历。若存在道路本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法，其特征在于，包括以下步骤：一、预处理步骤1：选择带有大件运输关键道路(如转盘环路和立交桥)的高分辨率卫星遥感影像的红波段、绿波段和蓝波段合成真彩色图像；在真彩色图像上进行目视解译并在影像上标记某一类关键道路，得到该类关键道路和背景(图像中非道路的其他信息)这两类待识别的目标物的标记结果；步骤2：将步骤1中的真彩色图像和步骤2中的标记结果裁剪至256*256大小，得到高分辨率卫星遥感影像样本集和标记样本集；二、构建关键道路提取模型步骤3：采用U
‑
Net网络对步骤2得到的高分辨率卫星遥感影像样本集和标记样本集进行训练得到训练后的U
‑
Net模型，而后利用训练后的U
‑
Net模型提取关键道路的通过卷积和不同尺度特征融合之后能表征道路更深层次信息的高级特征；利用步骤1中获得的高分辨率卫星遥感影像样本集通过K
‑
means聚类算法将遥感影像上的地物聚类为不同的部分(如直线道路与弯曲道路)；根据K
‑
means聚类结果构建关系图网络中的节点和边；步骤4：将步骤3中构建的关系图网络的每个节点v
i
的特征描述为e'
ij
，用N
×
D维特征矩阵概括(N代表节点数，D代表输入特征数)作为图卷积神经网络(Graph Convolutional Network，GCN)的输入，利用步骤三通过训练后的U
‑
Net模型提取出的高级特征初始化GCN中的隐藏层并进行训练，得到训练后的GCN模型，并使用训练后的GCN模型对关系图网络中的节点进行分类；步骤5：将每个节点的类别分配给节点中的像素，每个节点都对应于图像上的一个区域，令该区域内所有像素的类别与对应节点的类别相同，进而从高分辨率卫星影像中提取出关键道路；三、车辆扫空路径的计算步骤6：计算转弯状态下的扫空路径，分别计算大件运输车辆行驶过程中最小转弯内半径、最小转弯外半径、最大内扫半径和最大外扫半径，由最小转弯内半径、最小转弯外半径、最大内扫半径和最大外扫半径构成的闭合区域即为转弯状态下的扫空路径；四、大件运输关键道路空间通行性判定步骤7：将步骤5关键道路识别提取结果和步骤6中扫空路径进行匹配判断，判断车辆能否通行。2.根据权利要求1所述的一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法，其特征在于，步骤7大件运输关键道路空间通行性判定方式如下：(1)二维扫空路径和提取的关键道路的内径和外径是由有限点组成；二维扫空路径均匀提取n个点，分别表示为P＝{p1，p2…
p
n
}，Q＝{q1，q2…
q
n
}，P为二维扫空路径的内径，Q为二维扫空路径的外径，n为采样点数量；(2)对二维扫空路径的内外半径计算Hausdorff距离，Hausdorff距离公式为：计算二维扫空路径的Hausdorff距离h1，其中p
i
为P中的任意一点，q
i
...

【专利技术属性】
技术研发人员：曾喆，沈永田，黄松，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：