一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质技术方案

本发明专利技术提供一种基于深度学习的城中村识别和人口估计方法、系统级计算机可存储介质，其中方法包括城中村识别阶段和城中村人口估计阶段，所述城中村识别阶段：提取城市路网图，使用opencv python包在路网图上提取路网轮廓，在遥感卫星图像上切割出图像块；对切割出的图像块进行城中村标注，选取样本构成训练样本集，使用Mask‑RCNN模型进行训练和预测，获取城市遥感卫星图像上的城中村分布图；所述城中村人口估计阶段：在城市遥感卫星图像上的城中村分布图中切割出每一个城中村遥感卫星图像，计算得到房屋容量特征、人群移动特征和区域功能特征；将三者作为输入，利用残差网络模型训练和预测城中村人口数量。本发明专利技术提供的方法，具有高效、低耗的优点，同时也达到了较高的识别和估计准确率。

【技术实现步骤摘要】
一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质
本专利技术涉及城市计算领域领域，特别是指一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质。
技术介绍
城中村出现在许多发展中国家的快速的城市化进程中，它们是滞后于城市发展步伐、游离于现代城市管理之外、生活水平低下的居民区。它们给城市发展带来了严重的社会和经济挑战。定位和划分城中村区域并统计其中人口数量对于政府进行翻新规划城中村非常重要。传统的城中村识别和人口估计的方法主要依靠城市管理人员的实地调查和人口普查，为了对城中村边界进行清晰划分还必须保证调查人员对城中村具有综合认识。该传统方法的缺陷在于调查过程造成大量时间成本和人力财力成本的消耗。
技术实现思路
本专利技术的主要目的在于克服现有技术中的上述缺陷，提出一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质，基于目标检测与实例分割技术的城中村识别方法和基于异构数据融合的人口估计方法，具有高效、低耗的优点，同时也达到了较高的识别和估计准确率。本专利技术采用如下技术方案：一种基于深度学习的城中村识别和人口估计方法，包括城中村识别阶段和城中村人口估计阶段，具体步骤包括：所述城中村识别阶段：提取城市路网图，使用opencvpython包在路网图上提取路网轮廓，在遥感卫星图像上切割出图像块；对切割出的图像块进行城中村标注，选取样本构成训练样本集，使用Mask-RCNN模型进行训练和预测，获取城市遥感卫星图像上的城中村分布图；所述城中村人口估计阶段：使用opencvpython包在获取的城市遥感卫星图像上的城中村分布图中切割出每一个城中村遥感卫星图像；对城中村遥感卫星图像，利用Mask-RCNN模型训练预测房屋类型，计算得到房屋容量特征；将出租车和共享单车的GPS经纬度坐标映射到城中村遥感卫星图像，统计计算得到人群移动特征；统计各类别的POI数量与城中村真实人口数量，计算两者的斯皮尔曼相关系数，根据计算的斯皮尔曼相关系数选取POI类别，统计各类别的POI数量作为各城中村的区域功能特征；将房屋容量特征、人群移动特征和区域功能特征作为输入，利用残差网络模型训练和预测城中村人口数量。具体地，所述提取城市路网图，使用opencvpython包在路网图上提取路网轮廓，具体包括：按照遥感卫星图像的像素比例，定义同样大小的网格；将每个出租车的GPS坐标映射到对应的网格内，累加每个网格内的出租车数量；设定适当的阈值，将超过阈值的网格置为白色，低于阈值的网格置为黑色，得到与卫星遥感图像同样大小的二值路网图；使用opencvpython包在路网二值图像上提取路网轮廓。具体地，所述对切割出的图像块进行城中村标注，选取样本构成训练样本集，使用Mask-RCNN模型进行训练和预测，获取城市遥感卫星图像上的城中村分布图，具体包括：使用labelme图像标注工具对图像块进行城中村标注；将标注的图像块按大小分为三类，在每类中选取样本构成训练样本集；将在图像训练集上已经预训练好的权重数据加载到Mask-RCNN模型中，再使用构建好的城中村训练集在模型中继续训练；将训练好的模型在每个图像块中识别城中村，同时将每个图像块中识别的城中村区域按照坐标映射回原图，获得在城市遥感卫星图像上的城中村分布图。具体地，对城中村遥感卫星图像，利用Mask-RCNN模型训练预测房屋类型，计算得到房屋容量特征，具体包括：使用labelme图像标注工具对切割的每一个城中村遥感卫星图像，并按照根据房屋类型对房屋进行房屋标注，选择标注图像构建训练样本集；将训练样本集输入Mask-RCNN模型进行训练至收敛；将训练后的模型对每一个城中村遥感卫星图像房屋类型进行预测，将预测的房屋类型mask映射回原图得到城中村的房屋类型识别结果，同时统计不同类型房屋的数量；将城中村各类型房屋数量带入城中村人口容量经验公式，得到房屋容量特征。具体地，所述选取POI类别包括：购物、生活服务、医疗、餐饮、交通设施、休闲娱乐、地产小区、公司企业、汽车服务和政府机构。具体地，将房屋容量特征、人群移动特征和区域功能特征作为输入，利用残差网络模型训练和预测城中村人口数量，具体包括：提取每个城中村的房屋容量特征、人群移动特征和区域功能特征和真实人口数据，构建训练集；构建残差网络模型，在训练集上进行训练至收敛；在训练好的模型上，将房屋容量特征、人群移动特征和区域功能特征作为输入，预测出城中村人口数量。本专利技术另一方面提供一种基于深度学习的城中村识别和人口估计系统，包括城中村识别单元和城中村人口估计单元，具体包括：所述城中村识别单元：提取路网模块：提取城市路网图，使用opencvpython包在路网图上提取路网轮廓，在遥感卫星图像上切割出图像块；获取城中村分布图模块：对切割出的图像块进行城中村标注，选取样本构成训练样本集，使用Mask-RCNN模型进行训练和预测，获取城市遥感卫星图像上的城中村分布图；所述城中村人口估计单元：切割城中村遥感卫星图像模块：使用opencvpython包在获取的城市遥感卫星图像上的城中村分布图中切割出每一个城中村遥感卫星图像；房屋容量特征获取模块：对城中村遥感卫星图像，利用Mask-RCNN模型训练预测房屋类型，计算得到房屋容量特征；人群移动特征获取模块：将出租车和共享单车的GPS经纬度坐标映射到城中村遥感卫星图像，统计计算得到人群移动特征；区域功能特征获取模块：统计各类别的POI数量与城中村真实人口数量，计算两者的斯皮尔曼相关系数，根据计算的斯皮尔曼相关系数选取POI类别，统计各类别的POI数量作为各城中村的区域功能特征；预测城中村人口数量模块：将房屋容量特征、人群移动特征和区域功能特征作为输入，利用残差网络模型训练和预测城中村人口数量。本专利技术再一方面提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于执行权利要求上述的基于深度学习的城中村识别和人口估计方法。由上述对本专利技术的描述可知，与现有技术相比，本专利技术具有如下有益效果：(1)本专利技术提出的基于深度学习的城中村识别和人口估计方法，包括对城中村的识别和对城中村人口的估计；在城中村识别阶段，采用在目标检测和实例分割上具有很好效果的Mask-RCNN模型，输入城市遥感卫星图像得到城市中的城中村分布图；在城中村人口估计阶段，从遥感卫星图像、出租车和共享单车轨迹数据、城市POI数据中提取房屋容量特征、人群移动特征、区域功能特征这三类特征，训练残差网络模型，从而估计每个城中村的人口数量；具有高效、低耗的优点，同时也达到了较高的识别和估计准确率，解决了目前城中村识别和人口估计较为困难的问题，对于政府根据定位和划分城中村区域以及其中人口数量进行翻新规划城中村具有非常重要的意义。(2)提取城市路网图，使用opencvpython包在路网图上提取路网轮廓，在遥感卫星图像本文档来自技高网...

【技术保护点】
1.一种基于深度学习的城中村识别和人口估计方法，其特征在于，包括城中村识别阶段和城中村人口估计阶段，具体步骤包括：/n所述城中村识别阶段：提取城市路网图，使用opencv python包在路网图上提取路网轮廓，在遥感卫星图像上切割出图像块；对切割出的图像块进行城中村标注，选取样本构成训练样本集，使用Mask-RCNN模型进行训练和预测，获取城市遥感卫星图像上的城中村分布图；/n所述城中村人口估计阶段：使用opencv python包在获取的城市遥感卫星图像上的城中村分布图中切割出每一个城中村遥感卫星图像；对城中村遥感卫星图像，利用Mask-RCNN模型训练预测房屋类型，计算得到房屋容量特征；将出租车和共享单车的GPS经纬度坐标映射到城中村遥感卫星图像，统计计算得到人群移动特征；统计各类别的POI数量与城中村真实人口数量，计算两者的斯皮尔曼相关系数，根据计算的斯皮尔曼相关系数选取POI类别，统计各类别的POI数量作为各城中村的区域功能特征；将房屋容量特征、人群移动特征和区域功能特征作为输入，利用残差网络模型训练和预测城中村人口数量。/n

【技术特征摘要】
1.一种基于深度学习的城中村识别和人口估计方法，其特征在于，包括城中村识别阶段和城中村人口估计阶段，具体步骤包括：
所述城中村识别阶段：提取城市路网图，使用opencvpython包在路网图上提取路网轮廓，在遥感卫星图像上切割出图像块；对切割出的图像块进行城中村标注，选取样本构成训练样本集，使用Mask-RCNN模型进行训练和预测，获取城市遥感卫星图像上的城中村分布图；
所述城中村人口估计阶段：使用opencvpython包在获取的城市遥感卫星图像上的城中村分布图中切割出每一个城中村遥感卫星图像；对城中村遥感卫星图像，利用Mask-RCNN模型训练预测房屋类型，计算得到房屋容量特征；将出租车和共享单车的GPS经纬度坐标映射到城中村遥感卫星图像，统计计算得到人群移动特征；统计各类别的POI数量与城中村真实人口数量，计算两者的斯皮尔曼相关系数，根据计算的斯皮尔曼相关系数选取POI类别，统计各类别的POI数量作为各城中村的区域功能特征；将房屋容量特征、人群移动特征和区域功能特征作为输入，利用残差网络模型训练和预测城中村人口数量。


2.根据权利要求1所述的一种基于深度学习的城中村识别和人口估计方法，其特征在于，所述提取城市路网图，使用opencvpython包在路网图上提取路网轮廓，具体包括：
按照遥感卫星图像的像素比例，定义同样大小的网格；
将每个出租车的GPS坐标映射到对应的网格内，累加每个网格内的出租车数量；
设定适当的阈值，将超过阈值的网格置为白色，低于阈值的网格置为黑色，得到与卫星遥感图像同样大小的二值路网图；
使用opencvpython包在路网二值图像上提取路网轮廓。


3.根据权利要求1所述的一种基于深度学习的城中村识别和人口估计方法，其特征在于，所述对切割出的图像块进行城中村标注，选取样本构成训练样本集，使用Mask-RCNN模型进行训练和预测，获取城市遥感卫星图像上的城中村分布图，具体包括：
使用labelme图像标注工具对图像块进行城中村标注；
将标注的图像块按大小分为三类，在每类中选取样本构成训练样本集；
将在图像训练集上已经预训练好的权重数据加载到Mask-RCNN模型中，再使用构建好的城中村训练集在模型中继续训练；
将训练好的模型在每个图像块中识别城中村，同时将每个图像块中识别的城中村区域按照坐标映射回原图，获得在城市遥感卫星图像上的城中村分布图。


4.根据权利要求1所述的一种基于深度学习的城中村识别和人口估计方法，其特征在于，对城中村遥感卫星图像，利用Mask-RCNN模型训练预测房屋类型，计算得到房屋容量特征，具体包括：
使用labelme图像...

【专利技术属性】
技术研发人员：陈龙彪，陆晨晖，袁方旭，王程，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35