基于高分影像与深度学习方法的路网提取技术研究与应用

基于高分辨率二号遥感影像数据与Wasserstein生成对抗网络深度学习模型,依据样本集制作、模型训练、路网提取的技术路线,研发面向公路管理者实际业务应用的路网提取技术。其提取精度可达70%,提取速率达2.4s/km²,大大降低了人力物力成本,相较于传统方法更具优势和普适性。将该路网提取技术应用于甘肃省白银市会宁县,通过对提取路网结果与已有路网数据的空间匹配关系进行判定,可初步实现已有路网线型错误、偏移、改道以及新增路网线型的核查,从而为道路资产核查提供坚实的技术保障,也为深度学习方法与高分辨率遥感影像在交通行业的应用提供新的思路。     

基于高分辨率遥感影像的高寒山区公路积雪提取方法

积雪遥感解译为高寒山区的道路选线提供重要的参考资料。以新疆独山子-库车高速公路走廊内的高寒山区为研究区,利用高分辨率WorldView-2卫星影像,采用面向对象的深度置信网络模型(Deep Belief Network,DBN)提取积雪区。该方法先利用分形网络演化分割方法(Fractal Network Evolution Algorithm,FNEA)生成最优尺度的影像对象,构建影像对象的光谱、纹理及形状特征图,在此基础上利用训练好的深度置信网络模型提取出积雪区域。结果表明,该方法能快速准确地提取出积雪区,有效节约人力物力。     

多源遥感数据融合的道路材质精细识别

针对当前道路识别方法对道路材质识别精度不高的问题,提出了一种融合多源遥感影像进行城市道路材质高精度识别的方法。首先,对高光谱遥感影像中的地物光谱曲线进行分析,在保留地物光谱分离度较大的波段的基础上提升计算效率;通过分步融合的策略对多源遥感影像进行融合,提升高光谱影像的空间分辨率,为后续道路材质识别提供高质量的数据保障。其次,通过使用不同的指数对融合影像进行掩膜,提取城市建筑物,并在此基础上提取建筑物纹理信息与光谱信息,进行多特征融合并分类;最后,通过影像后处理对提取的道路进一步进行规范,得到最终高质量的道路材质识别结果。通过使用高分五号高光谱影像、高分二号全色/多光谱影像、高分一号多光谱影像对提出的方法进行实验验证,试验结果表明,本文方法可取得较高精度的道路材质识别效果,具有较好的应用价值。     

基于改进深度卷积生成对抗网络的路面指示标志识别方法

针对道路交通环境中路面标志识别涉及的数据集较少和识别准确率不足的问题,研究了基于深度卷积生成对抗网络的道路表面指示标志的识别方法.在深度卷积生成对抗网络的结构基础上,根据具体应用修改生成网络和判别网络的损失函数,并用随机梯度下降算法替代原始的优化器,对指示标志的原始样本集进行样本生成,以增加样本数据量.基于Faster R-CNN算法进行路面标志的特征提取,实现路面指示标志的识别,并基于迁移学习对识别模型进行微调,将目标识别效果应用于实际道路环境中.实验结果表明,通过深度卷积生成对抗网络生成的样本图像有效地扩增了路面标志的数据集,增广后的多类目标识别的mAP提高了17.1%,小样本情况下的识别准确率随着样本量的增加和样本质量的改善而得到了明显的提高.     

基于面向对象随机森林分类模型的滑坡遥感解译

滑坡遥感解译可为复杂艰险山区的道路选线提供重要的参考资料。以青海省沿黄公路共和至大河家段公路为研究区,利用高分辨率QuickBird卫星影像,采用面向对象的随机森林分类模型提取滑坡区域。该方法先利用多尺度分割方法生成滑坡对象,构建滑坡对象的光谱、纹理及形状特征图,在此基础上利用训练好的随机森林模型提取出疑似滑坡区,最后结合目视解译,得到准确的滑坡区。结果表明:该方法能快速准确地提取出道路沿线的滑坡区,有效节约人力物力,为后续的道路选线提供准确信息。     

基于序列影像种子跟踪的道路线自动提取算法

为快速建立道路精确的几何模型,利用车载移动测量系统获取的序列影像开展了道路边线自动提取方法研究.针对不同类型道路边线的特征,提出了一种基于序列影像种子跟踪的道路线自动算法.首先,对不同质量道路影像分别采用基于灰度信息和梯度信息的道路边线边缘检测方法;其次,采用线性回归模型拟合道路边线,以当前帧拟合直线为种子点,提出了基于种子直线的序列影像感兴趣预测方法,在此基础上对下一帧影像道路边线进行跟踪;最后,以高速公路和城市街区道路序列影像为例,开展了道路边线自动跟踪提取试验,结果表明此方法可以达到优于20 cm的精度,具有很好的鲁棒性.     

结合深度神经网络的高分辨遥感影像滑坡检测

利用遥感影像快速、高效地检测滑坡区域在抢险救援、风险评估等方面发挥着重要的作用。提出了多尺度特征融合的深度神经网络框架用于高分辨遥感影像滑坡自动检测。首先,该框架利用ResNet网络对遥感影像进行筛选,选出具有滑坡区域的候选影像。接着将含有滑坡区域的候选遥感影像输入到多尺度神经网络中对滑坡区域进行分割,从而精准地定位滑坡位置。利用开源数据集和自制数据集对模型进行了训练,并在都香高速公路沿线正射遥感影像上测试。结果表明,该方法在测试区域的滑坡检测总体精度为88.55%,召回率为85.52%。提出的深度神经网络框架能够提取不同尺度的滑坡区域,削弱了与滑坡无关因素的影响,有效提高了高分辨遥感影像滑坡检测的精度。     

基于CNN和LSTM融合特征提取的车内声品质评价模型研究

基于深度学习方法建立的车内声品质评价模型不需要高度依赖声学理论和经验知识,可以有效提取深层次特征,客观高效地获得符合主观感受的评价结果。为获取噪声中符合人耳对声音感受的频率信息,便于在深度学习中进行特征提取,采用对数梅尔频谱和时频遮掩相结合的方法对采集到的噪声样本进行预处理。为有效提取车内噪声深层次特征,融合卷积神经网络（Convolution Neural Network,CNN）和长短时记忆网络（Long Short-Term Memory Network,LSTM）各自的优点,建立了融合特征提取层。使用全连接和Softmax输出单元组合构建了分类器模块。在合适的超参数下,模型通过充足的训练获得了96.88%的训练准确度。使用大量样本对模型进行验证,得到93.69%的验证准确度;采用混淆矩阵对模型进一步验证,总体的预测评价等级与真实评价等级偏差不大,证明模型的预测结果与主观评价结果具有很好的一致性。     

面向自动驾驶的遥感影像路网检测方法

针对高分辨率遥感影像道路提取难度大、提取精度低的问题，提出了一种基于VGGU-Net++的遥感影像路网检测方法。首先基于VGGU-Net框架构建了编码器-解码器网络；其次，设计了一系列嵌套、密集的卷积块，用以缩小编码器与解码器特征映射之间的语义差距。节点之间利用跳跃连接填充了具有多个卷积层的密集卷积块，其层数取决于金字塔等级；并在2个卷积块之间设置1个串联层，该层将同一密集块前一个卷积层的输出和浅层的上采样输出进行特征图融合。同时，使用深监督策略保证网络模型的修剪程度和速度增益。在网络训练过程中，这种相似语义特征图的跳转连接可以简化优化操作，提高网络训练性能。最后，利用遥感影像开源数据集——马萨诸塞州数据集进行算法的测试与验证。结果表明，提出的VGGU-Net++网络与现有同类方法相比，获得了更好的性能表现，在精确率、召回率、F₁-score和I_oU方面分别达到了88.1%、87.1%、88.5%和77.9%，能够实现城市、山区、直线、弯曲道路场景高维、复杂、抽象特征的自动提取；此外，检测结果能够减少干扰，降低误检，保留更多道路细节信息，得到更加完整、清晰的路网检测效果。     

"道路指纹"关键技术及其在智能车路系统中的应用

针对智能网联汽车与车路协同系统中的高精度定位核心技术问题,提出了"道路指纹"的概念与表征模型,并在"道路指纹"的基础上提出了面向智能车路系统的高精度定位方法."道路指纹"是通过车载传感器数据提取的高稳定性与高辨识度的道路场景特征信息.在"道路指纹"表征模型中,分别从表征的唯一性、计算的快速性、特征的稳定性以及表征的精准性等4个方面完成建模工作.其中,针对表征唯一性需求,提出基于多视角(包括俯视、前视、侧视等)与多传感器的表征方法;针对计算快速性要求,提出了全局特征与语义特征的表征方法;还提出基于深度卷积神经网络(D-CNN)的深度学习特征提取方法,大幅度提高特征表征的鲁棒性;最后,通过提取路面的局部特征,实现特征的精准性(亚像素精度)表征.通过对上述特征进行层次化组织,完成"道路指纹"的表征建模.通过对道路上各个节点进行"道路指纹"计算与建模,并同步获取节点的传感器位姿、场景结构信息,完成道路指纹库构建工作.在定位过程中,首先通过车载传感器获取的数据实时完成"道路指纹"计算,然后通过匹配道路指纹库,完成车辆的高精度位置计算.在开发的"道路指纹"技术基础上,分别从视觉道路指纹定位、LiDAR道路指纹定位以及道路资产管理等3个应用案例给出了该技术的应用前景.所提出的"道路指纹"技术,为解决智能车路系统中的高精度定位问题,特别是卫星信号盲区下的高精度定位问题,提供了一种新的解决思路.      

基于K-L变换遥感融合影像的道路信息提取

该文应用K-L变换将SPOT-5多光谱与全色遥感影像数据融合,并将预处理后的影像采用基于监督分类的方法进行道路信息提取。试验结果表明:K-L变换法在消除模式特征间的相关性以及突出差异性方面具有很好的效果,基于K-L变换遥感融合影像的道路信息识别效果良好,与实际相符。     

基于深度学习模型的疲劳驾驶行为识别算法

为降低道路交通事故发生率,提出了一种基于深度学习模型的疲劳驾驶行为识别算法。采用照度增强和反射分量均衡化的方法,以提高视频图像质量。将机器视觉工具箱软件用于提取疲劳驾驶人脸行为特征,并通过双流网络构建和训练深度学习模型,实现对疲劳驾驶行为识别。选择了不同睡眠时间段参与者在全封闭路段内的驾驶行为图像,作为实验测试目标。结果表明：用该算法测试1 000张疲劳驾驶行为图像时,识别时间为89 ms,精准度为97.6%,召回率为97.0%;算力需求（每秒所执行的浮点运算次数,FLOPS）≤88;该算法能够提高疲劳驾驶行为的识别精度,有助于降低道路交通事故的发生率。     

区域卷积神经网络用于遥感影像车辆检测

针对大范围快速的车辆检测与计数,利用高分辨率卫星影像数据,提出了一种基于区域卷积神经网络的车辆检测算法。区域卷积神经网络是深度卷积神经网络和区域建议网络二者的结合。首先利用深度卷积神经网络自动提取各个层的特征,为了减少检测窗口的数量,提出区域建议网络,对下采样后的每个位置考虑3种窗口和对应的3种比例,这样大大减少了检测窗口的数量。再根据分类器对目标进行分类。这样将特征、检测窗口和分类器有效地结合在一起。在对遥感影像车辆检测试验中,通过对手工标注的车辆样本数据多次迭代来训练卷积神经网络和区域建议网络获取车辆检测的先验模型,再由先验模型检测出测试影像中车辆目标。与传统的基于梯度方向直方图(HOG)特征和支持向量机(SVM)车辆检测算法进行比较,在检测率方面,区域卷积神经网络算法明显高于HOG+SVM算法;在误检率方面,区域卷积神经网络检测明显小于HOG+SVM算法;在检测时间方面,同样的一张图像,区域卷积神经网络检测速度比HOG+SVM算法提升近800倍。试验结果表明:利用区域卷积神经网络方法进行大范围车辆检测,在精度和速度方面都有显著提升。     

基于近邻目标区域表征与CVAE的智能汽车测试场景生成方法

基于场景的虚拟测试是研发高安全、高可靠智能汽车的必要手段,场景自动生成技术对于智能汽车测试场景库的构建具有重要意义。为此,针对多车动态测试场景,提出一种基于近邻目标区域表征(NORR)和条件变分自编码器(CVAE)的场景生成方法,实现复杂测试场景的快速生成以及对生成场景类型的控制。首先,针对高速公路场景特征,提出应用NORR方法对场景情境进行描述,将测试场景中关键车辆目标信息转化为尺度统一的灰度图像。接着,利用HighD自然车辆轨迹数据集提取大量场景片段,经过数据规范化处理后构建出真实场景库。在此基础上,以场景中车辆目标数量为条件参数,训练基于条件变分自编码器的生成模型,能够生成包含8条车辆轨迹的动态测试场景。通过计算生成样本集的匹配误差、覆盖度和不合理性3个指标,检验生成模型在样本真实性、多样性和合理性方面的表现。验证结果显示：(1)相比随机轨迹采样方法和基于GAN的生成模型,VAE模型生成的样本质量最好,其生成样本集的平均匹配误差小于5.22,覆盖度能达到57.2%,不合理样本比例仅为1.7%;(2)所提出的NORR方法有助于提高生成模型的场景生成效果;(3)CVAE模型能够在条件...     

基于亮度特性的高空间分辨率遥感影像阴影处理研究

在高密度的城市环境中,建筑物产生的阴影遮挡了许多重要信息,导致车辆信息提取不准确甚至无法提取,因此对阴影的处理显得尤为重要.利用遥感影像阴影的几何特征和光谱特征,采用基于亮度的阴影检测方法,通过双峰曲线选取合适的亮度阈值把阴影和光照区进行分割;并用灰度线性映射的阴影补偿方法,通过线性映射对阴影区域进行信息补偿,对高空间分辨率遥感影像的样本数据中的阴影进行试验处理和结果分析,结果证明这一方法是行之有效的.     

基于深度学习的动车组运行安全图像异物检测

动车组在运行过程中容易附着塑料袋等异物,影响动车组的运行安全.针对动车组运行安全图像异物自动检测的问题,研究基于卷积神经网络的动车组异物检测与分割模型,该模型采用特征金字塔网络提取异物的多尺度融合特征,通过区域提议网络生成未知类别的候选区域,通过预测网络对候选区域进行分类和位置回归,并通过分割网络生成预测区域的蒙版.针对异物形态变化多样,采用可变形卷积改变感受野适应异物形态的变化.针对异物检测任务中异物数量远小于背景零部件的数量,采用在线困难样本挖掘筛选出困难样本重新输入预测网络以平衡正负样本的比例.实验分析表明,通过优化方法使得最终模型检测精度达到了90.35%,提升了4.03%;召回率达到94.85%,提升了8.1%.     

多线索融合的结构化道路检测算法研究

为实现结构化道路的检测，提出了一种用于道路检测的激光雷达和视觉融合法，通过提取激光雷达在道路边缘的三维点云信息，将其投影到视觉图像上，形成激光点云与图像的映射关系，生成激光雷达似然图。通过改进提取道路的颜色、纹理、水平线等特征的方法，生成相对应的视觉似然图。在贝叶斯框架下将激光雷达和视觉生成的似然图进行融合。在KITTI数据集上测试可知，精度达到94%，准确率达到86%，表明该道路检测法具有较好的道路检测果。     

基于GF-2遥感影像的典型道路路面类型识别

随着社会经济的快速发展,道路的交通量也呈现日益增长的趋势,基于遥感影像的路面健康检测和识别工作尤为重要。试验基于GF-2遥感影像数据,构建光谱指数和灰度共生矩阵,增加路面材质类型识别的波段因子,结合BP神经网络筛选最佳波段组合,利用SVM分类方法实现道路路面材质类型的识别。结果表明,基于最佳波段组合的道路路面材质识别结果均优于基于原始影像和主成分分析影像的识别结果,识别精度满足要求。该方法可快速、高效识别大区域的道路路面材质类型,为道路的路面健康检查和评价提供数据支撑。     

人工神经网络在道路交通安全评价中的应用研究

为了提高道路交通安全评价的准确性,采用人工神经网络技术,建立了基于BP神经网络的道路交通安全综合评价模型。通过有效样本的学习,应用该模型,实现了对道路交通安全专家知识与经验的提取和存储,对提高交通管理部门的管理和决策水平具有指导作用。文中以已完成的道路交通安全评价案例为学习样本,说明了该模型的应用效果。     

基于3D空间球面的车载全景快速生成方法

为了高效生成具有低失真度的车载全景,以保证基于此影像信息的辅助驾驶系统的实时性,提出针对运算效率进行优化的车载全景生成方法。首先,利用多扫描线趋近、圆拟合的方法实现鱼眼成像有效区域的准确自动提取,并对参数进行优化以提升算法鲁棒性。基于鱼眼成像有效区域轮廓,计算得到有效区域半径以及圆心。以圆心为原点,半径为单位长度重构笛卡尔坐标系。再基于此坐标系,将鱼眼成像通过经纬映射投射至3D空间球面并在球心建立虚拟相机,利用梯度下降获取视锥体最优旋转角后进行视角重构并成像,直接获取该方向鸟瞰图,实现通过一步变换完成鱼眼校正与逆透视变换,达到提升车载全景影像生成速率与减少图像失真的效果。最后,对图像位置进行配准,使虚拟相机直接成像在指定位置,并对4幅图像进行融合,从而降低由于拼接缝带来的图像信息损失,保证生成的车载全景影像最大程度保留道路信息。研究结果表明:使用该方法在同等硬件平台下,基于标定参数计算生成车载全景影像速率提升接近1倍,从视觉上图像失真程度明显降低;该算法可以提升车载全景生成速率,减少计算资源占用,降低图像失真,从而提升基于车载全景影像的辅助驾驶系统的实时性与可靠性。