遥感影像道路提取方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110705381A(43)申请公布日2020.01.17(21)申请号201910863459.7(22)申请日2019.09.09(71)申请人北京工业大学地址100022北京市朝阳区平乐园100号(72)发明人王金王铎陈艳艳司琦(74)专利代理机构北京路浩知识产权代理有限公司11002代理人程琛(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)权利要求书1页说明书6页附图1页(54)发明名称遥感影像道路提取方法及装置(57)摘要本发明实施例提供一种遥感影像道路提取方法及装置，所述方法包括：获取目标遥感影像；将所述目标遥感影像输入至训练好的深度学习网络，输出所述目标遥感影像中不同类型的道路，其中，所述深度学习网络基于恒等映射和空洞卷积构建而成。本发明实施例提供一种遥感影像道路提取方法及装置，基于恒等映射和空洞卷积，提出两个分支的编码网络分别学习，在反卷积层联结对应的高维和低维特征。保留不同尺度全局信息的同时，可学习出更多的局部信息，有利于提取不同种类的道路。CN110705381ACN110705381A权利要求书1/1页1.一种遥感影像道路提取方法，其特征在于，包括：获取目标遥感影像；将所述目标遥感影像输入至训练好的深度学习网络，输出所述目标遥感影像中不同类型的道路，其中，所述深度学习网络基于恒等映射和空洞卷积构建而成。2.根据权利要求1所述的遥感影像道路提取方法，其特征在于，训练所述深度学习网络的具体步骤如下：将遥感影像样本统一分割成预设大小的子样本，并对每一子样本进行道路标定；对于每一子样本，利用编码网络提取高维特征；再利用解码网络提取低维特征，并将所述高维特征和所述低维特征进行联结。3.根据权利要求2所述的遥感影像道路提取方法，其特征在于，所述利用编码网络提取高维特征，具体包括：利用三组卷积块提取基本特征；再基于所述基本特征，利用第一分支编码网络提取第一分辨率的全局特征；利用第二分支编码网提取第二分辨率的局部特征，其中，所述编码网络包括所述三组卷积块、所述第一分支编码网络和所述第二分支编码网，所述第一分支编码网络包括两个瓶颈块和一个带有四个分支的空洞卷积，所述第二分支编码网络使用空洞卷积代替池化操作，所述高维特征包括所述第一分辨率的全局特征和所述第二分辨率的局部特征。4.根据权利要求2所述的遥感影像道路提取方法，其特征在于，所述再利用解码网络提取低维特征，并将所述高维特征和所述低维特征进行联结，具体包括：利用一个反卷积层和三个卷积层复原特征影像细节；使用残差网络的前两个积块用来提取所述低维特征；再使用一个卷积层将所述低维特征和所述高维特征进行联结。5.根据权利要求2所述的遥感影像道路提取方法，其特征在于，还包括：使用二元交叉熵代替损失函数来训练所述解码网络。6.根据权利要求1所述的遥感影像道路提取方法，其特征在于，输出的道路的类型至少包括城市道路、乡村道路和小区道路。7.一种遥感影像道路提取装置，其特征在于，包括：获取模块，用于获取目标遥感影像；提取模块，用于将所述目标遥感影像输入至训练好的深度学习网络，输出所述目标遥感影像中不同类型的道路，其中，所述深度学习网络基于恒等映射和空洞卷积构建而成。8.根据权利要求7所述的遥感影像道路提取装置，其特征在于，还包括训练模块，用于：将遥感影像样本统一分割成预设大小的子样本，并对每一子样本进行道路标定；对于每一子样本，利用编码网络提取高维特征；再利用解码网络提取低维特征，并将所述高维特征和所述低维特征进行联结。9.一种电子设备，包括存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至6任一项所述遥感影像道路提取方法的步骤。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至6任一所述遥感影像道路提取方法的步骤。2CN110705381A说明书1/6页遥感影像道路提取方法及装置技术领域[0001]本发明涉及测绘科学技术领域，尤其涉及一种遥感影像道路提取方法及装置。背景技术[0002]道路变化，包括新增道路里程，是道路资产管理和养护中非常重要的基础数据；同时，无人驾驶高精地图也需要快速更新地图信息。因此，利用新技术，快速、客观感知道路现状，有很重要的现实意义和研究价值。[0003]利用传统的测量手段，比如全站仪，在正常运行的道路上采集数据，容易造成交通拥堵，也危害测量人员的安全。GPS数据只能提供有限的轨迹数据，无法全面展示道路全貌。街景数据虽然提供了清晰的道路影像，但是受采集视角影响，极易被遮挡。车载激光扫描技术