[发明专利]基于深度学习的建筑物矢量轮廓化简方法、模型及模型建立方法

权利要求书

1.基于深度学习的建筑物矢量轮廓化简模型建立方法，其特征在于，包括以下步骤：

步骤1、从现有的化简前的建筑物矢量轮廓数据集中提取一条化简前的建筑物轮廓数据，从化简后的建筑物矢量轮廓数据集中选取对应的化简后的建筑物轮廓数据，利用化简前建筑物轮廓数据生成栅格数据和外包矩形数据，利用对应的化简后建筑物轮廓数据构建标签数据；

重复进行上述步骤，直到遍历处理完化简前的建筑物矢量轮廓数据集中所有化简前的建筑物矢量轮廓数据，数据集中所有单条化简前的建筑物轮廓数据对应的栅格数据共同组成化简前的建筑物矢量轮廓数据集栅格化后的大图，所有化简前的建筑物的外包矩形数据构成外包矩形数据集，所有的标签数据组成标签数据集；

步骤2、用预设像素大小的裁剪框对化简前的建筑物矢量轮廓数据集栅格化后的大图、外包矩形数据集和标签数据集进行滑动窗口框切割，将完全包含在框内的建筑物及对应的外包矩形数据和标签数据保留，将不完整的建筑物舍去，得到切割后的建筑物栅格数据，对应的外包矩形数据和建筑物轮廓标签数据，将切割后的栅格数据、对应的建筑物外包矩形数据和切割后的建筑物轮廓标签数据作为一个训练样本存储到建筑物训练集中；

根据切割后的建筑物轮廓标签数据中每个建筑物所包含的坐标点的个数，将标签数据中的每个建筑物分为小规模建筑物、中等规模建筑物和大规模建筑物三类，将小规模建筑物存储到小规模建筑物回归训练集中，将中等规模建筑物存储到中等规模建筑物回归训练集中，将大规模建筑物存储到大规模建筑物回归训练集中；

步骤3、用裁剪框对化简前的建筑物矢量轮廓数据集栅格化后的大图、化简前的建筑物的外包矩形数据集和标签数据集全部切割完毕后，得到建筑物栅格训练集、小规模建筑物回归训练集、中等规模建筑物回归训练集和大规模建筑物回归训练集；

步骤4、从建筑物栅格训练集中提取一个训练样本，对训练样本中的栅格数据进行建筑物要素特征提取，得到栅格建筑物要素的特征图数据；使用训练样本中对应的外包矩形数据从栅格建筑物要素的特征图数据中裁剪出对应独栋建筑物的卷积特征图；

分别利用小规模建筑物训练集、中等规模建筑物训练集和大规模建筑物训练集训练回归模型，训练完毕后得到不同规模建筑物对应的三个回归模型；

步骤5、将步骤4得到的卷积特征图执行ROI Pooling操作，得到统一大小的特征图；

步骤6、利用步骤4的不同规模建筑物对应的三个回归模型对步骤5中得到的统一大小的特征图进行分类，每个特征图得到三个回归分支，利用IOU指标对三个回归分支进行打分，将得分最高的回归分支作为每个特征图对应的建筑物化简结果；

步骤7、判断当前迭代次数是否大于最高迭代次数，若是，则转到步骤8，若否，则利用损失函数对步骤6生成的化简结果与训练样本中对应同一建筑物的化简后建筑物轮廓标签数据进行损失值计算，判断损失函数是否收敛，若是，则转到步骤8，若否，则通过Adam优化器更新权重矩阵和偏置向量后，迭代次数加1，转到步骤4；

步骤8、保存最后一次迭代的权重矩阵和偏置向量参数，得到基于深度学习的建筑物轮廓化简模型。

2.根据权利要求1所述的基于深度学习的建筑物矢量轮廓化简模型建立方法，其特征在于，所述步骤1中利用化简前建筑物集合矢量轮廓数据生成栅格数据的方法包括以下步骤：

对建筑物要素进行栅格化，并记录其每个坐标点栅格化后的行列值及对应的原始坐标值,栅格化时图片分辨率根据Li-Openshaw最小可分辨率理论计算公式Fc＝D/S来计算，其中，Fc为栅格图像的像素大小，S为要素比例尺，D为最小可分辨对象。

3.根据权利要求1所述的基于深度学习的建筑物矢量轮廓化简模型建立方法，其特征在于，步骤2中，用裁剪框进行切割的方法为，利用预设像素大小的裁剪框作为滑动窗口对待切割的数据从上到下，从左到右依次按照重合度为50％的形式进行连续分割，直到滑动窗口完全覆盖整个化简前的建筑物矢量轮廓数据集栅格化后的大图的范围后停止滑动裁剪，保留滑动的裁剪框中的完整建筑物，舍弃不完整建筑物，窗口滑动时，相邻左右或上下两个框有50％的部分重叠，重叠部分的建筑物同时作为两个框内的数据。