[发明专利]一种基于深度学习的正射影像高层建筑基底矢量提取方法

说明书

本发明公开了一种基于深度学习的正射影像高层建筑基底矢量提取方法，首先采用一个卷积神经网络从遥感影像中提取建筑物的深度特征，并将候选区域生成网络模型确定的建筑物整体目标的框选范围进行抽取和重采样，生成特征图；采用Faster‑RCNN模型，对候选区特征图进行全连接，对候选区内建筑物的存在概率及其外包矩形参数进行预测；对候选区特征图进行全卷积处理，生成屋顶轮廓矢量；最后根据三类分割结果进行特征池化，对建筑物投影差偏移向量进行预测，并基于偏移向量估计值将屋顶矢量移动至建筑基底区域。本发明能够自适应地对正射影像中高层建筑屋顶轮廓和基底矢量之间存在的投影差进行补偿，进而提升高层建筑物单像自动测图结果的精度与应用价值。

技术领域

本发明涉及测绘科学与技术领域，具体涉及一种基于深度学习的正射影像高层建筑基底矢量提取方法。

背景技术

在自动立体测图相关关键技术尚未取得明显突破的情况下，现有基于深度学习的建筑物检测方法主要专注于从单幅影像中识别屋顶，将其轮廓作为目标位置的近似表示；然而因为投影差的存在，正射影像中建筑物基底相比屋顶轮廓更能精确表示其位置，二者之间的偏差往往在高层建筑中表现得尤为明显。虽然采用无投影差的真正射影像理论上可解决该问题，但前提是获取到高质量数字表面模型用于真正射制作，目前这对于许多应用场景(尤其是在处理卫星影像数据时)仍十分困难。考虑到高层建筑在中国等国家的普遍存在，有必要在现有深度学习方案中纳入对投影差的考量，明确以建筑物基底矢量为提取目标，进而改善正射影像单像测图应用中大投影差高层建筑的矢量提取精度。

目前大多数遥感影像建筑物检测深度学习方案之所以专注于屋顶像元或轮廓的提取，其中一个重要原因在于机器视觉系统难以直接识别建筑物基底。由于存在遮挡，即使是人类也很难跳过屋顶轮廓的测量直接标绘其基底矢量；当直接采用基底矢量作为参考样本对模型进行训练时，模型的预测结果通常无法精确还原矢量轮廓细节。相较而言，可行性更高的方式则是首先提取屋顶轮廓，然后再通过偏移校正的方式对可能存在的投影差进行补偿。近年来部分研究在基于CNN影像特征的建筑物矢量偏移校正方面已取得较好的效果，但这些研究的主要目的是提高开源矢量数据与影像中屋顶(而非基底)矢量的配准精度，如何在深度学习框架中解决投影差导致的屋顶/基底偏移问题目前尚无明确解决方案。

发明内容

本发明要解决的技术问题在于，针对现有技术忽略正射影像中的投影差以及难以得到精确的高层建筑物基底轮廓矢量结果的缺陷，提供一种基于深度学习的正射影像高层建筑基底矢量提取方法，具体包括以下步骤：

S1、构建遥感影像建筑物样本集；

S2、利用建筑物样本集，以ResNet为骨架构建多任务CNN模型，输入正射影像和范围一致的建筑物屋顶和墙面标签影像、建筑物整体外接矩形坐标以及投影差偏移向量，通过一系列的卷积、池化操作，提取遥感影像中建筑物的特征；

S3、使用候选区域生成网络RPN模块确定建筑物包括屋顶和墙面的整体目标框选范围，得到建筑物整体外接矩形参数，并基于RPN模型预测的候选区域，对全卷积网络骨架的输出特征进行抽取和重采样，为每个候选区生成特征图；

S4、采用Faster-RCNN模型结构，对候选区特征图进行全连接加密，并对候选区内建筑物的存在概率进行预测；

S5、对建筑物存在概率高的候选区特征图进行全卷积处理，生成区域内建筑物屋顶、墙面、背景三个类别的语义分割结果，并对屋顶的分割结果进行轮廓提取与规则化处理，生成屋顶轮廓矢量；

S6、根据三类分割结果进行特征池化，将三类特征图级联，进行多次卷积和全连接操作，对建筑物投影差偏移向量进行预测，并基于偏移向量估计值将屋顶轮廓矢量移动至建筑基底区域。

进一步地，所述感影像建筑物样本集中包括多张高分遥感影像；其中，针对每张高分遥感影像，所述建筑样本集还包括与高分遥感影像范围一致的建筑物屋顶和墙面矢量、建筑物整体外接矩形范围以及投影差偏移向量实际计算值。