[发明专利]道路特征提取方法、装置、设备及存储介质

说明书

本发明提供了一种道路特征提取方法、装置、设备及存储介质。该方法的主要步骤包括：通过道路特征提取模型对训练数据集进行特征提取，依次获得初始特征映射、全局上下文依赖关系特征映射、高层语义特征映射、多尺度上下文特征映射、解码器后的特征映射；通过后向传播算法对所述解码器后的特征映射进行训练，获得训练后的道路特征提取模型；通过所述训练后的道路特征提取模型对待分类的影像进行道路特征分类，获得每张所述影像的道路特征分类结果。本发明提供了一种全局上下文感知和批次不依赖的道路特征提取方法，能充分各种复杂场景下道路特定的上下文信息，并使模型训练不受批次大小的影像，具有较强的鲁棒性和泛化性。

技术领域

本发明涉及深度学习与遥感影像处理技术领域，具体涉及一种道路特征提取方法、装置、设备及存储介质。

背景技术

道路是城市的骨架，准确实时的路线图对于地理信息系统更新、人道主义救援、自动驾驶、城市规划等领域是必不可少的。特别是发展中国家部分地区缺乏好的地图，导致城市规划、灾难应对行动、疫苗接种等公共运动的资源分配效率低下。高分辨率遥感影像是探测和绘制道路、建筑物等地物的重要数据来源，卫星的周期性运转有助于捕捉和记录在重大事件或长期发展之后发生的突然变化。然而，这些地物的标签仍主要依靠手工标记和验证，如OpenStreetMap(OSM)平台会定期从全球用户那里收集标签，但单独的众包数据是不可扩展的。世界上仍有数百万公里的道路仍然没有被绘制成，而且手工绘制需要大量的时间与劳动力，无法实际应用于灾害救援等实时性的道路提取任务。因此，一种实时、通用的模型或系统实现从高分辨率遥感影像中自动提取道路的建立，是学术界和工业界研究热点。

在传统的道路提取方法中，主要有基于像素的方法和面向对象方法。基于像元的方法包括光谱分析、阈值分割和边缘检测等，这些方法可以充分利用灰度值，在道路清晰、背景简单的遥感图像中取得良好的效果。但是容易产生“椒盐”噪声，并且很难分辨道路旁的树木和建筑物造成的阴影，因此，损失了高光谱影像中部分信息。面向对象的方法包括区域法、知识模型法、纹理分析法等，这些方法将道路对象作为一个整体进行识别，具有良好的抗噪性和适用性。但是这些方法依赖于中间分割结果，容易将相邻形状相似的地物混合在一起。

因此，针对背景复杂、图像特征相似、道路类型多变的道路场景，实现从其高分辨率遥感影像中自动提取高精度的道路特征是亟待解决的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明提出了一种道路特征提取方法、装置、设备及存储介质，旨在解决从高分辨率遥感影像中自动提取高精度的道路特征的问题。

一种道路特征提取方法，包括以下步骤：

选取训练数据集和测试数据集；其中，训练数据集用于训练道路特征提取模型，测试数据集用于对训练后的道路特征提取模型进行精度测试；

通过道路特征提取模型对训练数据集进行特征提取，依次获得初始特征映射、全局上下文依赖关系特征映射、高层语义特征映射、多尺度上下文特征映射、解码器后的特征映射；

通过后向传播算法对所述解码器后的特征映射进行训练，获得训练后的道路特征提取模型；

通过所述训练后的道路特征提取模型对待分类的影像进行道路特征分类，获得每张所述影像的道路特征分类结果。

优选地，所述通过道路特征提取模型对训练数据集进行特征提取，依次获得初始特征映射、全局上下文依赖关系特征映射、高层语义特征映射、多尺度上下文特征映射、解码器后的特征映射，具体步骤为：

通过所述道路特征提取模型中编码器的残差模块对所述训练数据集进行卷积和池化处理，获得所述训练数据集的初始特征映射，具体为：