结合卷积神经网络和张量投票的道路提取方法

发布时间：2021-11-15 01:22

　　深度学习通过训练样本进行特征识别,已经被广泛应用于道路提取领域。该方法不局限于特定类型的影像,但是受训练样本数量和计算机硬件的限制,所提取的道路会有断裂和噪声。针对上述问题,使用VGG卷积神经网络对道路进行初步提取后引入张量投票方法进行优化处理。首先通过影像变换、随机裁剪、过采样等方法对样本进行多模式扩充,进而训练VGG卷积神经网络模型;其次利用该网络从原始影像中初步分割道路面,接着对道路面的二值影像进行张量投票获取道路的显著性信息;最后在特征提取时针对显著性信息加入阈值获取道路面。实验结果表明,所提方法提取道路的召回率与正确率均达90%以上,与其他传统方法相比具有更高的精度,验证了所提方法的有效性。 

【文章来源】：激光与光电子学进展. 2020,57(20)北大核心CSCD

【文章页数】：8 页

【部分图文】：

技术路线图

图1 技术路线图卷积是相邻两个平面的映射关系[13]，通过卷积运算增加影像的某些特征，同时降低噪声，达到特征提取的目的。卷积神经网络的一大优势为局部连接和权值共享，研究人员发现猫在感知外界过程中只有部分神经元会有作用，局部感知受到启发后提出局部连接。以图2过程为例，第一个卷积层的输入影像的大小为96×96，将输入层的3×3个像素与卷积核相乘后获取下一隐藏层的单个神经元，在输入影像上以一个步长为单位按照从左到右、从上到下的顺序移动卷积核，对边缘区域采取补零的措施，进而得到大小不变的卷积层。一个卷积层通常包含多个特征图，每张特征图上权值相同，也就是权值共享，通过权值共享降低了网络模型的复杂度[14]，通过不断地卷积获取的特征层次将越来越高。卷积处理时从输入到输出遵循的公式为

投票完成后，通过（3）式对所有张量进行特征分解，可以获取道路点与交叉口的显著性信息。张量投票特征提取的过程就是求取显著性信息局部极大值的过程，因此提取出的结果为道路中心线。由于前期卷积处理结果存在断裂和孔洞，因此原始张量投票提取中心线的过程经常发生偏移甚至断裂。有鉴于此，在对显著性信息进行特征提取时使用阈值参考代替极值线，获取有宽度的道路面。（λN1-λN2）代表特征分解时N点的棒张量显著性，显示了曲线特征，与阈值相乘后可进一步将道路面和非道路面区分开，表达式为

【参考文献】：
期刊论文
[1]基于改进最大期望聚类的遥感影像道路提取算法[J]. 张宗军,杨风暴.  激光与光电子学进展. 2020(06)
[2]基于卷积神经网络的孤立词语音识别[J]. 侯一民,李永平.  计算机工程与设计. 2019(06)
[3]高速铁路场景的分割与识别算法[J]. 王洋,朱力强,余祖俊,郭保青.  光学学报. 2019(06)
[4]一种高分辨率遥感图像道路自动提取方法[J]. 魏清,艾玲梅,叶雪娜.  计算机技术与发展. 2019(06)
[5]结合全卷积神经网络与条件随机场的资源3号遥感影像云检测[J]. 裴亮,刘阳,高琳.  激光与光电子学进展. 2019(10)
[6]多特征约束的高分辨率光学遥感影像道路提取[J]. 戴激光,杜阳,方鑫鑫,王杨,苗志鹏.  遥感学报. 2018(05)
[7]基于画作线条结构分解的高清古画修复[J]. 马伟,龙晴晴,秦悦,徐士彪,张晓鹏.  计算机辅助设计与图形学学报. 2018(09)
[8]基于全卷积神经网络的多源高分辨率遥感道路提取[J]. 张永宏,夏广浩,阚希,何静,葛涛涛,王剑庚.  计算机应用. 2018(07)
[9]城市道路的多特征多核SVM提取方法[J]. 李洪川,楚恒,霍英海.  测绘通报. 2018(02)
[10]基于双重阈值和张量投票的表面裂纹检测算法[J]. 李慧娴,张斌,刘丹,杨腾达,宋文豪,李峰宇.  激光与光电子学进展. 2018(05)

硕士论文
[1]基于卷积神经网络的卫星影像道路网自动提取方法研究[D]. 粟佩康.厦门大学 2017
[2]张量投票算法及其应用[D]. 秦菁.华东师范大学 2008



本文编号：3495741