基于深度学习的道路提取与变化

基于深度学习的道路提取与变化

魏孔亮 孙忠诚

航天宏图信息技术股份有限公司 北京 100000

摘要：深度学习技术作为直接从数据中学习特征表示的有效方法,近年来启发信息提取领域取得了显著的突破。本文基于2014年、2017年、2018年三期高分一号遥感影像，选取北京市石景山区西部道路为试验区域，针对其变化特征，开展基于深度学习算法的道路自动提取与变化图斑自动发现。论文首先基于地理要素智能训练平台对道路进行样本采集及训练，形成深度学习道路提取模型，之后采用“自动化的线索检测+交互式异常问题判读+野外现场环境取证”的遥感监测技术路线，该流程转变从被动式道路变化发现到主动式道路问题发现与预警，可实现对典型道路的实时、动态及持续的遥感监测。本文选取典型道路样本进行分析、训练，不断优化深度学习卷积神经网络道路提取模型。通过对影像预处理、自动道路监测、交互式异常问题判读、变化图斑自动发现、野外现场环境取证与信息汇交各环节的分析验证发现，基于深度学习道路提取模型自动提取的道路准确率高于80%，可用于城市道路的自动提取和变化发现。

关键词：深度学习；遥感影像；道路提取；变化检测；高分一号

【中图分类号】P 【文献标识码】A 【文章编号】1009-2307（20 ）0 - -

0引言

随着石景山区工业化和城镇化的快速发展，石景山区发展建设脚步不断加快，道路新增、房屋新建等现象层出不迭，公路网愈加复杂。公路路网是我国路网的重要组成部分，对促进经济的迅速发展具有非常重要的作用，有必要开展城乡区域道路异常监测业务，实现重点监测区域的全覆盖、准实时监测，全方位提升道路异常监测能力和水平。

本文结合石景山地区生态环境遥感监测需求，依托深度学习技术手段，采用疑似变化区域自动发现与人工交互确认相结合的遥感监测技术路线，开展城乡道路智能提取与变化监测试验。试验基于多时相国产高分辨率卫星遥感影像，结合城乡道路几何信息、纹理信息、光谱信息等特征，参照城乡生态环境综合监测业务技术模式，采用深度学习的智能化道路信息提取方法进行开展。最终通过对监测成果的统计分析与精度评价，汇总出多期影像的道路变化信息，及时、准确地获取城乡区域内道路变化情况，为相关环境管理部门和技术部门提供道路监测新途径。

深度学习技术作为直接从数据中学习特征表示的有效方法,近年来启发轮廓检测领域取得了显著的突破^[1]。自2006年Hinton^{Error: Reference source not foundError: Reference source not found}等首次提出深度学习方法，利用该方法进行分类的研究一直在进行。基于深度学习的方法结合多种常用方法，取长补短，克服单一方法的局限性，提高识别精度。论文以GF1卫星数据为数据源，利用基于深度学习的道路自动提取与变化图斑自动发现方法进行石景山区西部山区道路变化的监查分析，表明基于深度学习道路提取模型自动提取的道路准确率高于80%，验证基于深度学习与变化图斑自动发现的道路自动提取与变化监测方法的可行性，说明该方法对于道路提取及变化监测方面的研究具有重要意义和研究价值。

1 深度学习算法介绍

深度学习算法结合多种常用方法，取长补短，克服单一方法的局限，提高识别精度。深度学习方法常用模型有格式自动编码器网络(stacked auto-encoder network，SAE)^{Error: Reference source not found}、深度置信网络(Deep Belief Networks，DBN) ^{Error: Reference source not found}、稀疏编码(Sparse Coding)、限制波尔兹曼机(Restricted Boltzmann Machine)、卷积神经网络(Convolutional Neural Networks，CNN)^{Error: Reference source not found}。图 1所示为深度学习结构图。

图 1 深度学习结构图

卷积神经网络模型常用于图像处理与语音识别等领域，是图像识别与分析领域、语音识别等领域的研究热点。卷积神经网络(CNN)是一种前馈神经网络，其中神经元之间的连接模式来源于动物视觉皮层的组织方式。动物视觉皮层组织方式是将神经元在区域平铺重叠排列。CNN已经广泛应用于图像和视频识别。对正射校正后的影像进行深度卷积神经网络模型训练。基于深度学习的典型地物自动信息提取主要分为两个阶段：训练阶段和预测阶段。

2.1训练阶段

深度学习构建多层神经网络来抽取目标特征，能从高分辨率遥感影像中自动进行特征学习，通过多层非线性网络逼近复杂遥感分类问题，从海量的大数据里寻找和发现图像目标的内部结构和关系，建立训练模型。卷积神经网络是实现深度学习的核心算法，通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练，提升特征表示与分类器的联合协作性能，提高神经网络的精度，形成面向遥感影像的高适应性地形要素快速识别算子集。

深度学习构建多层神经网络来抽取目标特征，能从高分辨率遥感影像中自动进行特征学习，通过多层非线性网络逼近复杂遥感分类问题，从海量的大数据里寻找和发现图像目标的内部结构和关系，建立训练模型。卷积神经网络（CNN）是实现深度学习的核心算法，通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练，提升特征表示与分类器的联合协作性能，提高神经网络的精度，形成面向遥感影像的高适应性地形要素快速识别算子集。系统使用卷积神经网络结构如图 2所示。

图 2 卷积神经网络结构图

卷积神经网络训练过程与传统BP算法类似，主要包括前传播阶段和后传播阶段，总计4个步骤：

a. 向前传播阶段1：从样本集中取一个样本 ，将 输入网络；

b. 向前传播阶段2：计算相应的实际输出 ；

_（式1）

c. 向后传播阶段1：计算实际输出 相应的理想输出 之间的差；

d. 向后传播阶段2：通过极小化误差的方式反向传播调整权矩阵。

权矩阵公式如下：

（式2）

卷积层的计算公式如下：

（式3）

其中 为卷积层层数， 为卷积核， 是偏置参数， 为激活函数， 是上层输入特征图。

卷积计算完成后要进行池化得到降采样层。池化计算形式如下：

（式4）

其中： 是子采样函数， 是子采样系数， 是偏置参数， 是激活函数。图片直接作为输入层导入卷积网络结构中，进行卷积运算和子采样池化过程，最后全连接层对提取的特征分类输出，这是一次正向的学习传播过程。

综上所述，该阶段利用训练模型对待预测数据进行自动化信息提取；利用多源地理信息辅助，通过语义信息嵌入、后处理约束、地理信息先验模型等方式，增强跨域、跨境的机器学习模型精度和可靠性。

2.2预测阶段

利用训练模型对待预测数据进行自动化信息提取；利用多源地理信息辅助，通过语义信息嵌入、后处理约束、地理信息先验模型等方式，增强跨域、跨境的机器学习模型精度和可靠性。

2 研究区域与数据

2.1研究区域与数据

2.1.1研究区域

本论文试验区域为北京市石景山区西部区域公路。“十三五”期间，加快完善城市主干路网，继续建设长安街西延、永引渠南路、北辛安路北段，全力推进古城南街、西北热电中心规划一路、北辛安路南段、杨庄大街二期、锅炉厂南路、京西高标准城市主干路和特钢中街等城市主干路建设。预计新增道路长度约6公里，新增道路面积约41万平方米。

此外，109高速化和M11号线石景山区段已开始进入规划阶段，石景山区道路与北京其他地区联系将更加紧密。如今，石景山西部道路也在建设中，对西部地区道路、尤其是山区道路进行范围和变化监测意义重大。山区路网是我国公路路网的重要组成部分，对促进山区经济的迅速发展具有非常重要的作用。山区路网不仅是当地经济高速发展的保障，也是灾害条件下进行紧急救援、物资抢运的生命线。因此，有必要对山区公路网基础设施及运行状态进行实时监测，提高山区公路网的安全运营与应急管理水平。

2.1.2数据

使用GF1数据作为数据源，GF1卫星搭载分辨率为2m的全色相机和分辨率为8m的多光谱相机，重访周期优于5天，可应用于生态环境长期重复监测。对于多期卫星影像的道路自动提取，选择2014年5月5日、2017年4月22日和2018年4月17日的数据进行对比研究。

2.2技术路线

道路生态环境监测应用示范总体技术路线包括三个部分：首先，收集该地区近几年GF1 8米分辨率多光谱卫星影像，开展针对多期GF1 8米多光谱正射影像的道路自动提取与变化图斑自动发现的监查分析，识别疑似人类活动影响区域；然后，获取该区域2018年2米更高分辨率GF1融合影像，结合监查结果数据，通过人机交互判读的方式对监查阶段成果进行确认和补充，识别出道路变化的区域及其变化趋势；最后，通过实地核查的方式，对详查仍然无法识别的变化区域进行最终确认，并生成道路变化遥感监测成果报告。

应用示范过程主要分为以下六个步骤：数据收集、影像预处理，自动化的道路检测、交互式异常问题判读、野外现场环境取证与信息汇交及成果检验成果分析与精度评价。

具体技术路线如图 3所示。

图 3道路提取与监测技术路线

2.3试验过程

2.3.1研究区影像预处理

为尽量减少卫星影像本身误差对道路检测的影响，首先进行研究区影像的预处理。基准网平差方法较传统基于参考DOM或控制点进行区域网平差在相对精度可靠性及绝对精度继承性方面表现出更高的优势，使用已有2m分辨率的基准网作为平差基准，对影像进行一键式卫星影像基准网平差处理。经计算，点位中误差小于1像素，能够保证为亚像素级。具体点位误差统计结果如表 1所示。为了避免因地形起伏和传感器误差引起的像点位移造成道路提取结果错误，对影像进行正射校正。

表 1 点位误差统计表

2.3.2自动化道路检测

论文面向GF1数据利用样本标注软件进行道路的标注，共标注584景，并通过样本分析功能进行样本优选，最终将道路的标注录入样本库，基于样本库的数据支撑，在训练平台下开展设定学习网络模型构建，通过迭代训练得到普适性较强的深度学习解译模型，将训练后的模型用于道路自动提取。道路范围及道路中心线自动提取结果如图 4所示。

图 4基于深度学习自动提取的西部公路道路矢量

2.3.3交互式异常问题判读

对于部分由于云、阴影及分辨率影响导致影像质量不高的区域及边界，自动化道路提取方法识别精度较差，容易发生道路的错分、混分。为了令自动化提取方法得到的道路范围更加合理，需要使用辅助数据进行交互式异常问题判读，对道路提取结果进行确认和补充，识别道路范围及变化区域。

图 5西部公路道路局部矢量（左：自动提取；右：交互式判读）

经过交互式判读的西部公路道路边界矢量边界与真实道路边界位置更加贴近，对自动提取与交互式判读道路区域进行比较，有效解决了自动提取方法对质量不高的区域及边界识别精度较差而发生道路的错分、混分的情况，进一步提高了道路检测的准确性。

2.3.4变化图斑自动发现

基于人工精编的道路矢量进行不同时间序列的道路范围检测，对2014年、2017年、2018年获取的三幅影像分别进行差分处理，提取年份间道路范围变化区域。

根据图斑面积发现，2017年较2014年变化程度较大，2018年较2017年变化程度较小。该功能可以为道路变化范围提供定量化结果，为后续分析提供数据支持。

表 2 道路变化统计

统计结果显示：2017年较2014年变化长度为25323.86米，2018年较2017年变化长度为4520.11米；2018年较2014年变化长度为29843.97米。2014年、2017年以及2018年西部公路道路长度直方图统计见图 6：

图 6 西部公路道路长度统计图

2017年较2014年变化长度比2018年较2017年变化长度大，与实际情况相符：一方面，2017年至2014年较2018年至2017年时间基线更长，由于国家号召城市发展下，道路建设必不可少，道路修整工期本身较长，因此时间跨度越大，变化道路越多；另一方面，近几年石景山区域地面道路趋向饱和，地铁等地下道路修整无法体现在卫星影像中，因此不再统计范围内。2018年较2014年变化面积比2017年较2014年变化面积略大，说明近年来，石景山区从未停止发展的步伐。

针对各个图斑进行细节分析，可以发现，由于道路扩宽、新增道路等造成的道路区域变化都被准确提取，如图 7所示。

图 7 多期道路变化图斑

对于上图中的区域，可以发现，许多道路在2014年后新增，无道路消失等情况发生。

2.3.5野外现场环境取证与信息汇交

野外现场环境取证是在实地核查数据的基础上对仍不确定的详查结果进行最终确认和补充完善，形成最终的监测成果，并基于监测成果进行监测报告的制作。

图 8现场取证发生变化的西部公路部分路段

2.4试验结果及精度分析

统计不同年份的道路图斑提取结果，对基于深度学习算法的自动提取道路图斑面积进行精度评价。

表 3多期道路图斑统计信息

由表 3及提取结果矢量图可知，基于深度学习道路提取模型的道路自动提取算法对于道路长度提取的准确率根据图像质量的不同而有所差异，但是总体而言提取精度较高，均高于80%。

图 9 2017年较2014年及2018年较2017年西部公路道路变化示例

3 结 论

随着国家建设的发展，道路的布设在经济的发展中起着越来越重要的作用。如今，为了达成通达便捷、安全经济、实现城乡共发展的目标，城乡道路的建设正向着创新、协调、绿色、开放、共享的方向进行。我国公路的总里程数在逐年增加的同时，确定道路范围和变化已经成为确保道路交通安全、维护周边环境和掌握城乡发展情况的重要手段。本论文将石景山区西部区域公路作为试验区域，使用基于深度学习的道路自动提取与变化图斑自动发现的监测方法进行西部区域公路道路变化范围提取。验证了基于城乡区域生态环境遥感监测系统的道路自动提取与变化图斑自动发现监查方法的可行性，为道路变化范围提取和监测的研究提供了新思路，具有重要应用价值。

参考文献

1. 林川,曹以隽.基于深度学习的轮廓检测算法:综述[J/OL].广西科技大学学报,2019(02):1-12[2019-04-28].https://doi.org/10.16375/j.cnki.cn45-1395/t.2019.02.001.

作者信息

作者简介：魏孔亮（1986—），男（汉族），甘肃白银人，硕士研究生，中级工程师，研究方向为遥感应用、地理信息系统应用。

-11-