[发明专利]一种基于卷积和图神经元网络的规则化道路提取方法

说明书

本发明公开了一种基于卷积和图神经元网络的规则化道路提取方法。通过采用卷积神经元网络和图神经元网络的组合结构，将道路提取问题转化为已知中心线情况下的规则化宽度回归问题，解决了道路提取目前主流方法存在的不完整、不规则、不连续的问题，实现了规则化道路路面提取和偏移中心线的纠正。本发明具有如下优点：能够从遥感影像中自动提取提取规则化的道路路面，具有拓扑性强、形状规则的特点，接近人工绘制的水平；能够将偏移的中心线纠正到道路中心位置；可以应用于地理信息更新、城市规划、自动驾驶等领域。

技术领域

本发明涉及一种基于卷积和图神经元网络的规则化道路提取方法，可实现规则化道路路面的自动化提取，有效提高道路提取结果的完整性和规则性，能够部分代替道路路面的生产工作，可应用于地理信息更新、城市规划、自动驾驶等领域。

背景技术

道路路面作为一种基础地理数据，规则的道路路面图在城市规划、地理信息更新、汽车导航和自动驾驶等领域都有着重要且广泛的应用。然而，尽管近年来对地观测技术和深度学习技术取得了飞速的发展，目前道路路面图的构建和更新仍然是一件依赖于人工操作的工作。

近年来，许多基于高分辨率遥感影像的深度学习道路路面提取方法被提出，这些方法大多是语义分割方法，虽然取得了显著的成效，但是在复杂的场景中，由于光照的影响，遥感影像中的树木、建筑物和阴影会对道路造成遮挡，它们通常产生连通性差、不完整、不规则的提取结果，远低于人类绘制水平。目前，还没有方法能够实现提取规则的、完整的、接近人类绘制水平的道路路面。

发明内容

为了解决目前道路提取问题所遇到的瓶颈，实现全自动提取接近手工绘制的道路路面，一方面可以收集和利用一些容易获取的道路相关数据作为补充，另一方面需要应用一种有效的正则化方法。OpenStreetMap等开源道路中心线数据和图神经元网络的发展为解决上述问题带来了可能。

因此，为了解决道路提取中目前主流分割方法提取结果的不完整、不规则问题，就需要结合开源数据和正则化方法，研究一种全新的道路提取框架结构，实现全自动提取接近人类绘制水平的道路路面。

本发明针对现有技术的不足，提供了一种基于卷积神经元网络和图神经元网络的遥感影像规则路面提取框架，通过充分利用开源的道路中心线数据，并将图神经元网络引入规则化的道路宽度回归中，将道路路面提取问题转化为中心线节点的规则化宽度预测问题，首次实现了端到端提取达到人类绘制水平的规则化道路路面，并能够同时纠正偏移的中心线位置。

实现本发明目的采用的技术方案是，一种基于卷积和图神经元网络的规则化道路提取方法，包括如下步骤：

步骤1，根据给定影像和对应路面的中心线标注文件，生成等距的矢量型道路中心线图结构，并计算道路节点的宽度信息；

步骤2，利用步骤1构建的道路宽度样本和中心线矢量信息(即中心线图结构)，将影像整体区域分成子图分批训练卷积神经元网络和图神经元网络组成的规则化宽度预测网络，预测中心线每一道路节点的左右宽度信息。其中，卷积神经元网络提取每一节点的高级抽象特征和道路边界特征，并与节点位置特征串联组成每一节点的特征向量，作为图神经元网络的输入；图神经元网络通过在中心线图结构中传播、聚合节点特征信息，整体优化节点特征，最终预测得到每一节点的左右规则化宽度信息；

步骤3，利用步骤2中得到的道路节点左右宽度信息和中心线图结构，生成规则道路路面，并将偏移的中心线纠正到中心位置。

进一步的，步骤1的具体实现包括如下子步骤：

步骤1.1，中心线矢量化：将遥感影像所对应的道路中心线标注矢量化为由节点和线构成的矢量型中心线图结构，并将节点重采样为等距；