高精道路地图制作方法及关键技术

本文提出一种基于车载移动测量、倾斜摄影等多源数据成果的高精道路地图互补采集方法,并对其关键技术进行了深入研究。首先以国内第一条基于自动驾驶的智能网联高速公路测试路段——淄博智能网联测试基地为例,开展了激光点云、全景照片、倾斜影像等多源数据获取及高精道路地图要素采集。然后以道路三维矢量要素自动提取为基础,辅以人工采编,并在数据差分解算中测试了我国北斗数据。实例表明,本文方法切实可行、精度可靠,有效改善了高精道路地图采集模式,降低了劳动强度,保障了人身安全,提高了作业效率,对于高精道路地图制作具有借鉴价值。     

基于多源数据的高精地图生产技术及三维可视化表达

随着自动驾驶汽车的量产及逐步普及,对高精地图的需求也越来越高,汽车通过高精地图实现驾驶环境的精确感知,从而提升驾驶的安全性和可靠性。本文提出了综合利用倾斜模型和车载移动扫描点云等多源异构数据提取高精地图道路要素矢量线划的方法,分析不同源数据对数据提取精度的影响因素,探讨高精地图数据模型的空间表达、属性分层及关联规则,研究构建高精地图三维可视化的实现方式,并提出了可行的技术方法,为高精地图的生产提供可借鉴的参考价值。     

基于双目视觉的车道级高精地图制作

自动驾驶汽车工业对促进国际经济、社会、科技、安全发展,带动制造业转型升级及产业发展具有重要意义。高精地图作为实现汽车自动驾驶的关键基础设施,是交通资源全时空实时感知的载体和交通工具全过程运行管控的基础。项目利用配备双目视觉设备的移动测量车采集数据,通过基于神经网络的自动识别算法提取要素,使用DMI平台处理和检查数据,实现了低成本的车道级高精地图制作。文章重点说明了基于双目视觉的高精地图制作的技术流程以及各环节的技术要求,提供了在车联网示范项目应用实例,并指出面向大规模商业应用需要进一步研究的方向。     

高精地图道路矢量化模型表达规则探讨

随着高精地图伴随自动驾驶技术出现，近些年来其生产技术日趋成熟。外业生产依托于三维激光扫描技术的广泛应用，高精度的基础数据的快速获取已实现。在高精地图内业生产端，其表现形式及表达规则由行业特定需求决定。高精地图的生产原理及应用大同小异，但无统一规则，使得高精地图的使用范围过小，不能一测多用。本文以道路要素的通用化表达为目的，分解出道路要素的道路模型、车道模型、地物模型，讨论各类模型的表达规则，以道路向量及车道向量及其拓扑关系建立表达粒度为车道级的路网关系。通过上述表达讨论使得高精地图的表达层次更加清晰，生产过程中依据性更强，统一规则表达的高精地图应用范围更广。     

基于高分辨率遥感影像的车道线提取

车道线是自动驾驶高精度地图的组成部分，利用车载摄像头和激光雷达提取车道线的研究已经比较深入。本文探讨了利用高分辨率遥感影像提取车道线的方法。首先依据直方图原则选取合适的阈值进行二值化分割，其次利用道路中线形成的缓冲区去除道路范围外的要素，然后利用形态学算子去除噪声，最后利用方向和面积因子提取不同的车道线。该方法可以降低数据采集的成本，提高采集效率。     

基于高分辨率遥感影像分类的地图更新方法

提出了一种在对遥感影像分类的基础上进行地图更新的方法，讨论了利用高分辨率遥感影像，通过不同空间分辨率和光谱分辨率的影像进行融合，利用合适的高通滤波对影像进行边缘检测．构建一个三层的MLP分类器对影像进行分类，提取城市建筑物与道路信息．并在此分类基础上通过对现有地图的叠加来实现地图的更新。实验结果表明，基于影像融合，利用较少数量的训练样本也能生成具有较高精度的分类图，利用分类结果图进行地图更新能取得令人满意的效果。     

通用化高精地图数据模型

高精地图逐渐成为自动驾驶不可或缺的组成部分,但是其数据模型和表达方式尚未形成统一标准,特别是在生产制作和数据交换阶段,缺乏具备通用性和大规模应用能力的数据模型.针对这一问题,本文分析了当前主流高精地图数据模型NDS、OpenDRIVE和l anel et的优缺点,提出了一种通用化的高精地图数据模型Whu map model.车道模型方面,采用车道组为数据管理单元,由同一路段上的一个或者多个车道组成.车道由车道的左边界线、右边界线、车道中心线、车道属性构成.通过多种常见车道数变化场景下的车道拓扑构建,验证了该模型在表达上的有效性和稳健性.交通标志物模型方面,定义了地面标志物和交通标志牌,分别表达形状、类型、语义以及与道路、车道的关联关系等内容.通过大规模数据制作、NDS和OpenDRIVE格式编译,以及基于ADASIS V3协议的电子地平线应用试验,验证了Whu map model模型的实用性和有效性.Whu map model可以作为通用的交换规格,也可以应用到高精地图生产制作的各个阶段,同时向下兼容、易于扩展,有助于实现高精地图数据模型标准化,从而推进高精地图的规模化生产和应用.     

高空间分辨率遥感影像建筑物提取方法综述

高空间分辨率光学遥感影像中建筑物的提取对城市空间数据库的更新、城市动态监测以及建设"智慧城市"等方面具有极其重要的意义。本文首先介绍了高空间分辨率遥感影像中建筑物的特点,然后介绍了基于高空间分辨率遥感影像中建筑物自动提取的四种主要方法,即多尺度分割提取方法;基于边缘和角点检测与匹配的提取方法;基于区域分割的提取方法和基于数学工具;新理论以及多种方法结合的提取方法,分析讨论了各种方法的研究进展以及各方法的优缺点,同时对建筑物提取研究中需要解决的问题和研究趋势进行了总结。最后对高空间分辨率遥感影像建筑物提取研究前景进行了展望,认为可以从多源或多时相数据、边缘检测以及阴影辅助作用等方面提取建筑物,提高建筑物提取精度和高分遥感影像的利用率。     

一种基于高分辨率遥感影像的建筑物提取方法

在总结各种传统基于像素统计特征建筑物提取方法优缺点的基础上,本文结合高分辨率遥感影像的特点,通过对高分辨率遥感影像房屋的光谱特征和几何特征的分析,提出了一种基于高分辨率遥感影像的建筑物提取方法;并采用ERDAS,PCI等遥感软件,结合VC编程工具对该方法的可行性和有效性进行了实验分析与验证。     

基于最优尺度的高分辨率遥感影像道路提取

遥感影像道路提取一直是遥感应用的重点研究方向之一.传统的基于像素级的道路提取方法侧重于考虑影像的像素信息,并没有考虑到地物目标之间的空间依赖性.本文针对高分辨率遥感影像,提出了一种新的面向对象的道路提取方法,其基本思想是利用道路的多尺度特性,将不同尺度的道路提取结果进行集成,得到最终的道路提取结果.方法的主要过程是首先建立不同的图像尺度层,根据道路对象内部的同质性和道路与背景间的异质性给出道路提取的最优尺度层;其次,在道路的最优尺度上提取道路的主干道;最后依次在各小尺度层上通过道路生长的方法实现道路的完整提取.试验结果表明本文所提方法能明显提高道路的提取精度.     

增强型DeepLab算法和自适应损失函数的高分辨率遥感影像分类

高分辨率遥感影像地物复杂,分类难度大,而深度学习方法可以提取地物更多更深层次的特征信息,适用于高分辨率遥感影像的地物分类。本文研究对高分辨率影像中不透水地面、建筑、低矮植被、树、车辆等地物的高精度分类。结合遥感多地物分类的特点,以DeepLab v3+网络模型为基础,提出E-DeepLab网络模型。主要改进为：（1）改进编码器和解码器的结合方式,使用简洁有效的加成连接方式。（2）缩小单次上采样倍数,增加上采样层,提高编码器与解码器连接的紧密性。（3）使用改进的自适应权重损失函数,自动调节地物损失权重。同时根据数据特点,提出结合DSM、NDVI数据等多通道训练方式。使用两个地区数据进行实验,结果表明,两地区精度均明显优于原始DeepLab v3+模型和其他相关模型,Potsdam地区总体提取精度达到93.2%,建筑物提取精度达到97.8%,Vaihingen地区总体提取精度达到90.7%,建筑物提取精度达到96.3%。目视对比分类图和标准标记图,两者具有高度的一致性。本文所提出的E-DeepLab网络在高分辨率遥感影像地物高精度提取和分类中有较好的应用价值。     

地形图要素辅助下的影像面状地物提取

针对遥感影像与地形图变化检测中影像面状地物的提取问题,该文提出了一种地形图要素辅助下的影像面状地物提取方法。该方法首先利用配准后落在影像面状地物内的地形图面状要素中心进行区域生长,然后以人工选取的各类地物的初始样本和上述区域生长出影像上的各类地物作为训练样区进行监督分类,最终实现影像面状地物提取。实验结果表明,该方法能够有效地提取影像面状地物,并且自动化程度较高。     

一种利用Mask R-CNN的遥感影像与矢量数据配准方法

遥感影像数据与地理信息系统（geographic information system,GIS）矢量数据的配准是遥感与GIS集成的基础。目前遥感影像与矢量数据的配准关键在于遥感影像特征的提取,而现有遥感影像特征提取方法存在特征提取不完整、配准失败和精度不高等问题。由此提出了一种基于Mask R-CNN（region-based convolutional neural network）的遥感影像与矢量数据配准方法,首先,利用Mask R-CNN模型提取影像的道路交叉口作为影像控制点; 然后,依据几何拓扑关系筛选矢量数据道路交叉口作为矢量控制点,再根据遥感影像与矢量数据控制点的欧氏距离确定同名控制点;最后,以同名控制点为基础实现遥感影像与矢量数据的配准。选取上海市矢量数据和高分二号影像数据进行配准实验,实验结果表明, 所提方法鲁棒性强、精度高。     

利用矢量影像法进行土地利用变化自动检测

为解决土地利用矢量图与遥感影像的变化检测问题,提出了一种基于类别的矢量图与遥感影像变化检测方法。在矢量图约束下,对遥感影像进行影像分割获取像斑;提取像斑在遥感影像上的直方图特征,采用G统计量度量像斑之间的特征距离;利用像斑与其他相同类别像斑之间的特征距离,构建单波段上像斑的类别异质度,自适应加权组合各波段上像斑的类别异质度构建像斑的类别异质度;依据最大熵方法获取各地物类别对应的异质度阈值,以类别为单位对各像斑进行变化判别,获取变化检测结果。在QuickBird遥感影像上的试验验证了本文方法的有效性,实现了矢量图与遥感影像的自动变化检测。     

结合规划矢量的高分辨率遥感道路施工进度监测

为了有效监测道路修建项目的工程进度,提出了一种结合规划矢量的高分辨率遥感道路施工进度监测方案。首先,将矢量与高分遥感影像配准,建立道路规划缓冲区;然后,使用双边滤波增强道路信息,基于图割理论从缓冲区中提取出道路区域;最后,使用k-mean++算法得到道路分类图,并和规划矢量叠置分析,获得道路施工进度图。实验结果表明,所提方案充分结合了矢量数据和遥感影像,有效地监测道路项目的施工进度。     

兼顾连通性的U-Net网络高分辨率遥感影像道路提取

遥感影像道路提取结果中的断线一方面降低了提取精度，另一方面影响了道路形态完整性，使得提取结果不能直接应用于空间决策与分析。本文基于U-Net网络在高分辨率遥感影像道路提取时全局特征表达的优势，提出一种兼顾连通性的道路断线修复方法完善U-Net网络局部特征表达的劣势。首先，利用数据增强和扩充数据量后的样本数据作为U-Net网络的输入以此训练模型并进行最优模型的道路提取；然后，对提取结果中出现的道路断线以三次多项式曲线拟合的形式进行优化处理。实验表明，与相近网络比较，本文道路提取的精度和形态完整性有了明显的提高，查准率为86.25%，查全率为85.50%，F1-score达到了85.87%。其成果数据能直接地应用于地理决策分析，特别有利于灾后的路径规划，本文提出的方法对道路、电网、轨道、河流等线性地物分类结果中出现类似断线问题具有一定的参考意义。     

可变形网络与迁移学习相结合的电力塔遥感影像目标检测法

电力塔是电力基础设施的重要组成部分,对其进行检测是必不可少的工作。针对当前遥感影像电力塔检测算法精度低,效果差的问题,本文基于可变形网络和迁移学习对Faster R-CNN进行改进,提出一种基于遥感影像的电力塔检测框架。该框架主要分为两个部分:①特征提取子网络,即利用可变形网络模型改进卷积层,来提高模型对于电力塔几何形变的特征提取能力;②目标检测子网络,即通过模型迁移,将由特征提取子网络训练获得的模型参数迁移至此子网络,由RPN网络和可变形区域池化结合非极大值抑制(NMS)精确获取电力塔位置,利用Fine-tuning技术快速训练此子网络,最终实现高精度的遥感影像电力塔检测。本文算法在测试集中对电力塔检测结果为AP_(0.5) 0.886 1,AP_(0.6) 0.839 6,ACC 0.894 8,与SSD、YOLOv3、Faster R-CNN等相比,各检测指标至少高0.2。由对比试验可以看出,该框架对电力塔遥感影像可以实现较高精度检测,表明该方法在电力塔检测上拥有较大应用潜力。     

高分辨率光学遥感卫星反射点源像点提取方法

像点提取精度是高分辨光学遥感卫星几何定标精度的关键因素之一。本文提出一种基于轻小型、自动化反射点源的像点提取方法,以参数化高斯模型拟合获取点源影像的像点坐标。在轨试验结果初步表明,反射点源法所提取的像点坐标的共线误差小于0.001像素,比例常量的相对标准偏差优于5‰,与质心法等常用方法提取的点源像点坐标相比较,精度优于0.05像素。反射点源不仅能够实现高精度的像点提取,而且还能够实现高分辨率光学遥感卫星的高精度几何定标与像质评价,对提高我国航天遥感立体测绘精度具有重要意义。