一种道路地物识别的方法以及相关装置制造方法及图纸

本申请实施例公开了一种道路地物识别的方法以及相关装置，用于多光谱遥感图像中的道路地物的识别场景中，利于遥感影像行业的应用落地，而且降低应用成本，并极大地提升识别过程中的分类精度。该方法可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。该方法包括：获取待识别的多光谱遥感图像；对待识别的多光谱遥感图像进行预处理，得到第一图像；将第一图像作为N个目标基分类模型的输入，以获取N个目标基分类模型针对第一图像进行预测得到的N个第一分类结果；将N个第一分类结果作为目标集成分类模型的输入，得到目标分类结果，目标分类结果用于指示所述待识别的多光谱遥感图像中道路地物的分类情况。感图像中道路地物的分类情况。感图像中道路地物的分类情况。

【技术实现步骤摘要】
一种道路地物识别的方法以及相关装置


[0001]本申请实施例涉及地图领域，具体涉及一种道路地物识别的方法以及相关装置。

技术介绍

[0002]遥感图像的地物(比如：道路的道路面、车道线)识别是自动目标识别理论中的关键技术之一。城市道路作为地理信息库的重要组成部分，如何准确地从遥感图像中识别城市道路的地物目标对地表检测、城市结构描述以及道路更新等都具有重要意义。
[0003]遥感图像背景复杂、且易受到周围地物阴影以及道路与房屋光谱近似等问题的影响，难以保证识别精度。图1示出了相关方案中识别道路地物的示意图。如图1所示，针对遥感图像的道路地物识别，相关方案中主要是通过主成分分析对原始高光谱遥感影像进行处理，即将高光谱遥感影像的多个波段(往往数十个)降维到少数几个波段，然后将所获得到该高光谱遥感影像的第一主成分作为训练样本，利用该训练样本通过残差网络以及特征融合模块来构建网络模型进行训练，并通过训练得到的网络模型来识别该高光谱遥感影像的分类结果。
[0004]然而，相关方案中对高光谱遥感影像中地物识别的方式，仅采用主成分分析对高光谱遥感影像进行数据预处理，但是对于例如部分云层遮挡、像素级的遥感检测正负样本不均衡等遥感图像这类复杂的应用场景，仅依赖于主成分分析无法较好地对高光谱遥感影像进行数据理解和预处理，极大地影响了后续模型识别过程中的分类精度。另外，主成分分析的过程本身就是一个极大的计算开销，实际应用中高光谱遥感影像的获取成本也较大，而且相关方案中仅适用于高光谱遥感影像的应用场景中，这些因素使得相关方案无法适用于对其他遥感影像中的道路地物进行识别，极大地限制了遥感影像行业的应用落地。

技术实现思路

[0005]本申请实施例提供了一种道路地物识别的方法以及相关装置，能够用于多光谱遥感图像中的道路地物的识别场景中，利于遥感影像行业的应用落地，而且还可以降低应用成本。另外，在目标基分类模型的预测基础上，结合目标集成分类模型实现对多光谱遥感图像中道路地物的识别，而不是仅依赖于主成分分析，极大地提升了识别过程中的分类精度。
[0006]第一方面，本申请实施例提供了一种道路地物识别方法。该方法包括：获取待识别的多光谱遥感图像；对待识别的多光谱遥感图像进行预处理，得到第一图像；将第一图像作为N个目标基分类模型的输入，以获取N个目标基分类模型针对第一图像进行预测得到的N个第一分类结果，其中，N个目标基分类模型中的每个目标基分类模型分别以获取图像样本的预测分类结果为训练目标，以预设图像尺寸的图像样本为训练数据进行迭代训练处理后得到的机器学习模型，N≥2、且N为整数；将N个第一分类结果作为目标集成分类模型的输入，得到目标分类结果，所述目标分类结果用于指示所述待识别的多光谱遥感图像中道路地物的分类情况，目标集成分类模型是以N个目标基分类模型对图像样本进行预测后得到的N个分类结果为训练数据进行迭代训练处理后得到的机器学习模型。
[0007]第二方面，本申请实施例提供一种道路地物识别装置。该道路地物识别装置包括但不限于终端设备、服务器等。该道路地物识别装置包括获取单元和处理单元。其中，获取单元用于获取待识别的多光谱遥感图像；处理单元，用于对待识别的多光谱遥感图像进行预处理，得到第一图像；处理单元，用于将第一图像作为N个目标基分类模型的输入，以获取N个目标基分类模型针对第一图像进行预测得到的N个第一分类结果，其中，N个目标基分类模型中的每个目标基分类模型分别以获取图像样本的预测分类结果为训练目标，以预设图像尺寸的图像样本为训练数据进行迭代训练处理后得到的机器学习模型，N≥2、且N为整数；处理单元，用于将N个第一分类结果作为目标集成分类模型的输入，得到目标分类结果，所述目标分类结果用于指示所述待识别的多光谱遥感图像中道路地物的分类情况，目标集成分类模型是以N个目标基分类模型对图像样本进行预测后得到的N个分类结果、以及图像样本的标注标签为训练数据进行迭代训练处理后得到的机器学习模型。
[0008]在一些可选的示例中，处理单元用于：根据预设图像尺寸对待识别的多光谱遥感图像进行图像切割处理，得到N个切割图像集，N个切割图像集中的任意两个切割图像集中的切割图像互不重叠；根据每个切割图像集中的正负切割图像样本的比例对对应的切割图像集进行采样处理，得到采样后的切割图像集；对采样后的切割图像集进行主成分分析PCA处理，得到第一图像。
[0009]在另一些可选的示例中，获取单元用于获取采样后的切割图像集对应的图像矩阵，图像矩阵用于指示采样后的切割图像集中的切割图像的排列情况；处理单元用于：计算图像矩阵对应的均值向量和协方差矩阵，以及与协方差矩阵对应的正交矩阵；基于均值向量以及正交矩阵对采样后的切割图像集进行主分量变换处理，得到主分量变换图像；对主分量变换图像进行主分量逆变换处理，得到采样后的切割图像集中切割图像的目标主成分，以得到第一图像。
[0010]在另一些可选的示例中，处理单元用于：在对采样后的切割图像集进行主成分分析PCA处理，得到第一图像之前，基于预设去噪模型对采样后的切割图像集中的每个切割图像进行去噪处理，得到去噪处理后的切割图像；对去噪处理后的切割图像进行主成分分析PCA处理，得到第一图像。
[0011]在另一些可选的示例中，获取单元还用于：获取N个分类结果以及图像样本的标注标签，N个分类结果为N个目标基分类模型对图像样本分别进行预测后得到的分类结果；处理单元还用于：基于预设逻辑回归模型对N个分类结果以及图像样本的标注标签进行处理，得到N个目标权重，其中，每个目标权重用于指示对应的分类结果的贡献程度；基于N个目标权重对初始集成分类模型进行迭代训练处理，得到目标集成分类模型。
[0012]在另一些可选的示例中，获取单元还用于：获取预设图像尺寸的图像样本；处理单元还用于：基于预设处理模型对预设图像尺寸的图像样本进行处理，得到图像样本的预测分类结果；获取图像样本的预测分类结果和预设标签之间的差异，得到目标损失值；基于目标损失值对初始基分类模型进行迭代训练，得到目标基分类模型。
[0013]本申请实施例第三方面提供了一种道路地物识别装置，包括：存储器、输入/输出(I/O)接口和存储器。存储器用于存储程序指令。处理器用于执行存储器中的程序指令，以执行上述第一方面的实施方式对应的道路地物识别的方法。
[0014]本申请实施例第四方面提供了一种计算机可读存储介质，计算机可读存储介质中
存储有指令，当其在计算机上运行时，使得计算机执行以执行上述第一方面的实施方式对应的方法。
[0015]本申请实施例第五方面提供了一种包含指令的计算机程序产品，当其在计算机或者处理器上运行时，使得计算机或者处理器执行上述以执行上述第一方面的实施方式对应的方法。
[0016]从以上技术方案可以看出，本申请实施例具有以下优点：
[0017]本申请实施例中，由于N个目标基分类模型中的每个目标基分类模型分别以获取图像样本的预测分类结果为训练目标，以预设图像尺寸的图像样本为训练数据进行迭代训练处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种道路地物识别的方法，其特征在于，包括：获取待识别的多光谱遥感图像；对所述待识别的多光谱遥感图像进行预处理，得到第一图像；将所述第一图像作为N个目标基分类模型的输入，以获取所述N个目标基分类模型针对所述第一图像进行预测得到的N个第一分类结果，其中，所述N个目标基分类模型中的每个目标基分类模型分别以获取图像样本的预测分类结果为训练目标，以预设图像尺寸的图像样本为训练数据进行迭代训练处理后得到的机器学习模型，N≥2、且N为整数；将所述N个第一分类结果作为目标集成分类模型的输入，得到目标分类结果，所述目标分类结果用于指示所述待识别的多光谱遥感图像中道路地物的分类情况，所述目标集成分类模型是以所述N个目标基分类模型对所述图像样本进行预测后得到的N个分类结果为训练数据进行迭代训练处理后得到的机器学习模型。2.根据权利要求1所述的方法，其特征在于，所述对所述待识别的多光谱遥感图像进行预处理，得到第一图像，包括：根据预设图像尺寸对所述待识别的多光谱遥感图像进行图像切割处理，得到N个切割图像集，所述N个切割图像集中的任意两个切割图像集中的切割图像互不重叠；根据每个所述切割图像集中的正负切割图像样本的比例对对应的切割图像集进行采样处理，得到采样后的切割图像集；对所述采样后的切割图像集进行主成分分析PCA处理，得到所述第一图像。3.根据权利要求2所述的方法，其特征在于，所述对所述采样后的切割图像集进行主成分分析PCA处理，得到所述第一图像，包括：获取所述采样后的切割图像集对应的图像矩阵，所述图像矩阵用于指示所述采样后的切割图像集中的切割图像的排列情况；计算所述图像矩阵对应的均值向量和协方差矩阵，以及与所述协方差矩阵对应的正交矩阵；基于所述均值向量以及所述正交矩阵对所述采样后的切割图像集进行主分量变换处理，得到主分量变换图像；对所述主分量变换图像进行主分量逆变换处理，得到所述采样后的切割图像集中切割图像的目标主成分，以得到所述第一图像。4.根据权利要求2或3所述的方法，其特征在于，在所述对所述采样后的切割图像集进行主成分分析PCA处理，得到所述第一图像之前，所述方法还包括：基于预设去噪模型对所述采样后的切割图像集中的每个切割图像进行去噪处理，得到去噪处理后的切割图像；对所述采样后的切割图像集进行主成分分析PCA处理，得到所述第一图像，包括：对所述去噪处理后的切割图像进行主成分分析PCA处理，得到所述第一图像。5.根据权利要求1至4中任一项所...

【专利技术属性】
技术研发人员：申炎仃，刘亮，史中强，胡敬良，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：