[发明专利]基于多特征融合深度学习的无人机遥感建筑物提取方法

说明书

本发明公开了摄影测量处理技术领域的基于多特征融合深度学习模型的无人机遥感建筑物智能提取方法，以“如何利用深度学习，模拟人眼立体视觉中建筑物多特征表达形式”为核心，研究基于孪生网络的DSM(数字表面模型)与DOM(数字正射影像)的多特征融合方法，设计建筑物多特征的特征抽取、分析能力，通过密集注意力机制进一步增强建筑物的特征传递和累积整合特性，将原来使用的单网络结构变为使用对称网络结构，并且两个对称网络结构完全相同，并结合注意力机制，构建混合模型，深度挖掘无人机遥感建筑物的多层次、多维度的特征和空间关系，实现顾及建筑物多层次特征的无人机遥感建筑物自动提取新方法。

技术领域

本发明涉及摄影测量数据处理技术领域，具体涉及基于多特征融合的无人机遥感建筑物提取方法。

背景技术

无人机遥感技术因其自动化、智能化、专业化快速获取国土、资源、环境、事件等空间遥感信息，并具有实时处理、建模和分析的能力，目前已被广泛应用于大比例尺地形图测绘、城市空间数据基础设施建设、城市快速真三维建模等。无人机遥感信息提取的自动化程度直接影响着大规模的数据生产、广泛的行业应用、以及数据的充分利用。目前，无人机遥感数据经过“外业采集、影像预处理、内业加密、产品生产”等步骤，便可快速高效、全自动化地获得区域空间信息，并能够生成具备三维信息的DSM，以及正射纹理信息的DOM。然而，这种全自动获得三维信息和纹理信息的产品其实质是一张整体相连接的不规则三角网，这使得无人机遥感应用普遍面临着“只能看、不能算”的瓶颈问题，无人机遥感地物目标识别与分类自动化研究远远落后于无人机遥感硬件和处理系统的快速发展，难以满足人员对其应用的要求。

深度学习作为促进无人机遥感技术发展的重要驱动力，已得到该领域学者们的普遍关注，但现有研究主要聚焦于无人机影像目标识别与语义分割，将影像自动识别纳入无人机系统以实现智能控制，无人机导航控制、DTM提取、以及无人机其他传感器的目标识别等，对于无人机建筑物提取的深度学习方法研究较少，仍主要停留传统方法上，如面向对象、基于建筑物指数、支持向量机等。虽然，近年来，深度学习研究已涌现出一些优秀成果，但无人机遥感数据在成像系统、采集方式、数据源等方面具有自身特点，迫切必要研究适用于无人机遥感数据的建筑物深度学习提取方法。

在当前技术条件下，基于深度学习的建筑物提取方法，主要面临如下挑战：1）建筑物形态结构复杂，多样性较强，且易受遮挡，在无人机遥感影像中，建筑物空间结构、地物类别差异等复杂背景问题突出，难以顾及建筑物形态特征的完整性，进而无法精确计算和判定建筑物信息；2）一直以来，无人机遥感信息提取大都围绕“人工立体测图”模式展开，其生产和应用流程大多缺乏建筑物智能提取这一环节，造成深度学习训练样本难以获取，缺乏公开数据集等问题；3）虽然当前研究呈现出人工特征先验知识与深度学习模型相结合的技术发展方向，但在无人机遥感数据多特征利用方面仍缺乏研究。因此，研究能到到立体测图下的人工识别效果的无人机遥感建筑物深度学习方法是一项极具挑战性的任务，要求方法在鲁棒性、小样本、精度、普适性等方面要有很大提升。基于此，本发明涉及了基于多特征融合的无人机遥感建筑物提取方法，以解决上述问题。

发明内容

（一）解决的技术问题

本发明的目的在于解决背景技术的问题，而提出一种基于多特征融合深度学习的无人机遥感建筑物提取方法。

（二）技术方案

基于多特征融合深度学习的无人机遥感建筑物提取方法，包括以下步骤：

步骤一、顾及视觉注意力机制的建筑物提取优化流程，在复杂场景的时候，模拟人类视觉系统中能够快速、有效的注意到重点目标的特性，忽略其他可见信息，并对目标进行处理，该机制被称为注意力机制，该过程可以抽象为：

其中，表示对输入特征进行处理并产生注意力的过程，表示结合注意力对输入数据进行处理的过程；视觉注意力机制采用短路连接的方式来避免梯度消失，从而可以增加网络深层次和优化训练效果。有两个全卷积层、一个池化层和两个激活函数组成的模块，用以学习到不同层次特征；