[发明专利]一种基于无人机影像的宅基地房屋识别方法

说明书

本发明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。

技术领域

本发明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。

背景技术

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，本发明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。

发明内容

针对现有技术中存在的问题，本发明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，本发明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。