电子地图中识别过期建筑的方法和系统与流程

本发明属于图像处理技术领域，尤其涉及一种基于深度卷积神经网络卫星图像分割的电子地图过期建筑处理方法，具体涉及一种电子地图中识别过期建筑的方法和系统。

背景技术：

高精度电子地图是无人驾驶系统的基础数据之一，面向无人驾驶系统的数据必须具有及时更新的能力。现有的消费级电子地图由于普遍采用地图作业员手动删除过期数据，导致电子地图的更新速度在3个月至1年之间，无法满足无人驾驶系统对电子地图的数据需求。而且，现有的消费级电子地图由于作业员的熟练程度、作业风格等不一致，导致地图作业后期质检的效率低。

另一方面，目前卫星图片实时更新较快，但是现有技术是用人工去描这些卫星图片上的要素，包括建筑，人工操作的方法不能够适应快速更新的卫星图片。

因此，现在迫切需要研究出一种新型的电子地图处理方法，通过这种新型电子地图处理方法，改善或解决上述由作业员人工更新和质检电子地图所产生的技术问题，并适应快速更新的卫星图片。

技术实现要素：

鉴于现有技术存在的上述缺陷或不足，本发明的目的在于提供一种电子地图中识别过期建筑的方法和系统。本发明提供的电子地图中识别过期建筑的方法和系统，可以解决目前人工更新、质检电子地图所产生的技术问题，通过模型自动判断，适应快速更新的卫星图片。

为实现上述目的，本发明一方面，提供一种电子地图中识别过期建筑的方法，其中包括：

获取训练数据集和标签数据集；

预处理所述训练数据集和标签数据集，获得训练图片集和标签图片集；

根据所述训练图片集和标签图片集，训练深度卷积神经网络图像分割模型并获得模型参数；

将目标区图片集输入训练好的深度卷积神经网络图像分割模型，通过训练好的模型参数进行建筑识别，将s形生长曲线函数作为输出层，获得目标区建筑概率影像图；

处理所述目标区建筑概率影像图，通过预设值阈值对所述目标区建筑概率影像图中的概率值进行筛选，识别过期建筑。

进一步的，所述训练数据集为卫星图片和/或所述标签数据集为城市建筑数据，所述建筑数据至少包括建筑轮廓图片和建筑轮廓矢量边界数据。

进一步的，所述预处理所述训练数据集和标签数据集，得到训练图片集和标签图片集，包括：

将所述卫星图片的投影坐标和所述建筑轮廓矢量边界的投影坐标相统一；

将所述建筑轮廓图片按卫星图片的分辨率转化为栅格；

按统一框架剪裁所述卫星图片的边界和所述建筑轮廓图片的边界；

按统一地理网格分别剪裁所述卫星图片和所述建筑轮廓图片，获得训练图片集和标签图片集。

进一步的，所述深度卷积神经网络图像分割模型采用医学图像分割模型。

进一步的，通过预设值阈值对所述目标区建筑概率影像图中的概率值进行筛选，识别过期建筑后，还包括删除所述过期建筑。

进一步的，通过训练好的模型参数进行建筑识别，将s形生长曲线函数作为输出层，获得目标区建筑概率影像图，包括：

分割所述目标区图片集，获得若干子区域图片集；

聚合所述若干子区域图片集；

通过训练好的深度卷积神经网络图像分割模型，分别处理所述子区域图像集，获得若干子区域建筑概率影像图；

拼接所述子区域建筑概率影像图，获得目标区建筑概率影像图。

本发明另一方面，还提供一种电子地图中识别过期建筑的系统，其中包括：

数据获取单元，配置用于获取训练数据集和标签数据集；

图片获取单元，配置用于预处理所述训练数据集和标签数据集，获得训练图片集和标签图片集；

模型训练单元，配置用于根据所述训练图片集和所述标签图片集，训练深度卷积神经网络图像分割模型并获得模型参数；

建筑概率影像图获取单元，配置用于将目标区图片集输入训练好的深度卷积神经网络图像分割模型，通过训练好的模型参数进行建筑识别，将s形生长曲线函数作为输出层，获得目标区建筑概率影像图；

过期建筑处理单元，配置用于处理所述目标区建筑概率图，通过预设置阈值对所述目标区建筑概率影像图中的概率值进行筛选，识别过期建筑。

进一步的，所述训练数据集为卫星图片和/或所述标签数据集为城市建筑数据，所述建筑数据至少包括建筑轮廓图片和建筑轮廓矢量边界数据。

进一步的，所述图片获取单元，包括：

投影坐标统一子单元，配置用于将所述卫星图片的投影坐标和所述建筑轮廓矢量边界的投影坐标相统一；

图片栅格化子单元，配置用于将所述建筑轮廓图片按卫星图片的分辨率转化为栅格；

图片边界剪裁子单元，配置用于按统一框架剪裁所述卫星图片的边界和所述建筑轮廓图片的边界；

图片网格剪裁子单元，配置用于按统一地理网格分别剪裁所述卫星图片和所述建筑轮廓图片，获得训练图片集和标签图片集。

进一步的，所述深度卷积神经网络图像分割模型采用医学图像分割模型。

进一步的，过期建筑处理单元，还配置用于通过预设值阈值对所述目标区建筑概率影像图中的概率值进行筛选，识别过期建筑后删除所述过期建筑。

进一步的，所述建筑概率影像图获取单元，包括：

目标区图片集分割子单元，配置用于分割所述目标区图片集，获得若干子区域图片集；

子区域图片集聚合子单元，配置用于聚合所述若干子区域图片集；

子区域建筑概率影像图获取子单元，配置用于通过训练好的深度卷积神经网络图像分割模型，分别处理所述子区域图像集，获得若干子区域建筑概率影像图；

目标区建筑概率影像图获取子单元，配置用于拼接所述子区域建筑概率影像图，获得目标区建筑概率影像图。

本发明另一方面，还提供一种电子地图中识别过期建筑的设备，所述设备包括：

一个或多个处理器；

数据存储器，用于存储数据以及一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上述任一项所述的方法。

本发明另一方面，还提供一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现如上述任一项所述的方法。

与现有技术相比，本发明的有益效果是：

1、本发明公开的电子地图中识别过期建筑的方法提高了电子导航地图的更新速度，相较于现有的手工处理方式，深度卷积神经网络模型识别建筑的速度和精度更高，可以控制修改电子地图的作业风格和作业质量，降低手工处理过期建筑的数量减少人工成本。

2、本发明公开的电子地图中识别过期建筑的系统，通过设置图片获取单元、模型训练单元、建筑概率影像图获取单元、过期建筑处理单元等单元提高了电子导航地图的更新速度，相较于现有的手工处理方式，深度卷积神经网络模型识别建筑的速度和精度更高，可以控制修改电子地图的作业风格和作业质量，降低手工处理过期建筑的数量减少人工成本。

3、本实施例提供的电子地图中识别过期建筑的设备、通过存储有计算机程序的计算机可读介质,便于电子地图中识别过期建筑的技术的推广。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例一示例的电子地图中识别过期建筑的方法的流程示意图；

图2为本发明实施例一示例的电子地图中识别过期建筑的方法中的一张自然的影像图片；

图3为本发明实施例一示例的电子地图中识别过期建筑的方法中由自然影像图片通过训练好的深度卷积神经网络图像分割模型获得的一张概率图；

图4为本发明实施例二示例的电子地图中识别过期建筑的方法中的一张概率图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

如图1所示，本实施例提供了一种电子地图中识别过期建筑的方法，包括以下步骤：

s1：获取训练数据集和标签数据集，所述训练数据集为卫星图片、所述标签数据集为城市建筑数据，所述建筑数据至少包括建筑轮廓图片和建筑轮廓矢量边界数据。

s2：预处理训练数据集和标签数据集，获得训练图片集和标签图片集，作为深度卷积神经网络图像分割模型的训练输入，具体为：

s2-1：将卫星图片的投影坐标与建筑轮廓矢量边界的投影坐标相统一；

s2-2：将所述建筑轮廓图片按卫星图片的分辨率转化为栅格；

s2-3：按统一框架剪裁所述卫星图片的边界和所述建筑轮廓图片的边界；

s2-4：按统一地理网格分别剪裁所述卫星图片和所述建筑轮廓图片，获得训练图片集和标签图片集。

s3：根据训练图片集和标签图片集，训练深度卷积神经网络图像分割模型并获得模型参数，所述深度卷积神经网络图像分割模型采用医学图像分割模型。

s4：将目标区图片集输入训练好的深度卷积神经网络图像分割模型，通过训练好的模型参数进行建筑识别，将s形生长曲线函数(sigmoid函数)作为输出层，获得目标区建筑概率影像图；

s4-1：分割所述目标区图片集，获得若干子区域图片集；

s4-2：聚合所述若干子区域图片集；

s4-3：通过训练好的深度卷积神经网络图像分割模型，分别处理所述子区域图像集，获得若干子区域建筑概率影像图；

s4-4：拼接所述子区域建筑概率影像图，获得目标区建筑概率影像图。

s5、处理所述目标区建筑概率影像图，通过预设置阈值对所述目标区建筑概率影像图中的概率值进行筛选，删除所述过期建筑。

在本实施例中，获取的训练数据集为卫星图片，标签数据集为城市建筑数据，其中，建筑数据至少包括建筑轮廓图片和建筑轮廓矢量边界数据。

在本实施例中，预处理训练数据集和标签数据集，得到训练图片集和标签图片集，包括以下步骤：

将卫星图片的投影坐标和建筑轮廓矢量边界的投影坐标相统一；

将建筑轮廓图片按卫星图片的分辨率转化为栅格；

按统一框架剪裁卫星图片的边界和建筑轮廓图片的边界；

按统一地理网格分别剪裁卫星图片和建筑轮廓图片，获得训练图片集和标签图片集。

在本实施例中，采用医学图像分割模型(convolutionalnetworksforbiomedicalimagesegmentation)作为深度卷积神经网络图像分割模型，深度卷积神经网络图像(cnn)分割模型拥有出色的自动提取特征能力，因此基于cnn的语义分割模型比传统的图像分割方法准确度高20％-30％。医学图像分割模型(convolutionalnetworksforbiomedicalimagesegmentation)是一种应用于细胞图像分割的cnn分割网络架构，比其他模型架构的优势在于信息从低特征层可以跳过中间的全连接层直接连接到高特征层，避免了采样带来结果的不确定性，最终达到高质量的像素级分割效果。

在本实施例中，预设置阈值为50％，识别目标区建筑概率影像图中概率值低于50％的标记为过期建筑，删除过期建筑。理论上可以将阈值预设置为50％，也就是说在这个建筑的范围内，有至少一半的像素代表了它不是建筑的概率。但是在实际生产中由于需要，应该尽量避免误删，因此可以预设置一个更严格的阈值范围，这个阈值范围可以为20-50％。

为了便于对本发明的理解，下面以本发明电子地图中识别过期建筑的方法的原理，对本实施例提供的电子地图中识别过期建筑的方法做进一步的描述：

第一步：获取训练数据集和标签数据集

获取训练数据集和标签数据集，作为可选方案训练数据集由googleearth提供的公开亚米级卫星图片数据，图片数量根据训练需求制定一般需要数千张卫星图片，标签数据集下载已有的地图开发接口提供的城市建筑楼块的矢量边界数据。

第二步：数据预处理

通过数据预处理将第一步获取的卫星图片和地图建筑在空间位置上对齐，并剪裁成模型需要的输入数据集，具体包括以下步骤：

步骤1：将卫星图片的投影坐标与建筑轮廓矢量边界的投影坐标相统一。

步骤2、将矢量建筑轮廓图片按卫星图片的分辨率转化为栅格。

步骤3、按统一框架裁剪卫星图片边界与建筑轮廓图片边界。

步骤4、按统一的地理网格裁剪卫星图片和建筑轮廓图片，得到训练图片集与标签图片集，将其作为深度卷积神经网络图像分割模型的训练输入。

第三步：训练深度卷积神经网络图像分割模型并获得模型参数

将医学图像分割模型应用到卫星图像分割中，由于图像处理技术中模型的应用场景不同，不可直接应用构建医学图像分割模型时使用的参数，需要使用第一步获取的数据集重新训练模型的参数，即将第二步获得的训练图片集和标签图片集输入深度卷积神经网络图像分割模型，训练模型获得模型参数。

第四步：识别卫星影像中的建筑

如图2和图3所示，将目标作业区的卫星图片按步骤一中卫星图片预处理的方式进行切分后，通过已训练好的模型参数进行建筑识别，使用s形生长曲线函数(sigmoid函数)作为输出层，得到目标作业区中各区域的建筑概率影像图。图2为一张自然的影像图片，将图2所示的自然影像图片放到模型中通过训练好的深度卷积神经网络图像分割模型之后，得到如图3所示的一张目标区建筑概率影像图。概率影像图通过模型识别概率，受到之前训练样本中特征的区分程度影响。将目标区图片集输入训练好的深度卷积神经网络图像分割模型中，模型也会提取目标区图片集的相应特征，并且将这些特征和之前的训练数据作比较，比如训练数据有99％的图片中有阴影的地方都是建筑，而在目标区图片集的某张图片中提取到了阴影的特征，那么模型就会判断出这一区域是一栋建筑的概率较大，从而赋予一个较高的概率值，获得目标区建筑概率影像图。

本实施例提供的电子地图中识别过期建筑的方法，通过将训练图片集和标签图片集输入深度卷积神经网络图像分割模型，模型可以从这些训练数据中统计出图片中建筑的一些共同特征，比如屋顶的材质和土地的区别，比如说伴随着建筑会有一定量的阴影等等。通过深度卷积神经网络图像分割模型进行深度学习的优势在于它可以提取很多很多这样的特征，多到其中有些是无法直观的感受到的。通过这些特征，模型可以将卫星图片的像素值0-255映射到的概率0-1中，形成像素值与概率的对应，例如像素值为128灰度对应的概率值为0.5。

第五步：筛选并删除所述过期建筑

通过模型识别出建筑后得到的是一张整个目标区的高分辨率建筑概率影像图。建筑概率影像图无法直接应用于处理地图中的矢量过期建筑，因此需要对建筑概率影像图进行进一步的处理，处理步骤如下：

作为可选方案，预设置阈值为45％，识别目标区建筑概率影像图中概率值低于45％的标记为过期建筑，并删除这些过期建筑。

本实施例提供的电子地图中识别过期建筑的方法，提高了电子导航地图的更新速度，相较于现有的手工处理方式，深度卷积神经网络模型识别建筑的速度和精度更高，可以控制修改电子地图的作业风格和作业质量，降低手工处理过期建筑的数量减少人工成本。

本实施例还提供了一种电子地图中识别过期建筑的系统，其中包括：

数据获取单元，配置用于获取训练数据集和标签数据集；在本实施例中获取的训练数据集为卫星图片，标签数据集为城市建筑数据，其中，建筑数据至少包括建筑轮廓图片和建筑轮廓矢量边界数据。

图片获取单元，配置用于预处理训练数据集和标签数据集，获得训练图片集和标签图片集；具体的包括：

投影坐标统一子单元，配置用于将卫星图片的投影坐标和建筑轮廓矢量边界的投影坐标相统一；

图片栅格化子单元，配置用于将建筑轮廓图片按卫星图片的分辨率转化为栅格；

图片边界剪裁子单元，配置用于按统一框架剪裁卫星图片的边界和建筑轮廓图片的边界；

图片网格剪裁子单元，配置用于按统一地理网格分别剪裁卫星图片和建筑轮廓图片，获得训练图片集和标签图片集。

其中，采用医学图像分割模型(convolutionalnetworksforbiomedicalimagesegmentation，简称u-net)作为深度卷积神经网络图像分割模型。

模型训练单元，配置用于根据训练图片集和所述标签图片集，训练深度卷积神经网络图像分割模型并获得模型参数；

建筑概率影像图获取单元，配置用于将目标区图片集输入训练好的深度卷积神经网络图像分割模型，通过训练好的模型参数进行建筑识别，将s形生长曲线函数作为输出层，获得目标区建筑概率影像图；

过期建筑处理单元，配置用于处理目标区建筑概率图，通过预设置阈值对目标区建筑概率影像图中的概率值进行筛选，删除过期建筑。具体的包括：

阈值设置子单元，配置用于预设置阈值；

过期建筑识别子单元，配置用于识别目标区建筑概率影像图中的概率值低于预设置阈值的标记为过期建筑；

过期建筑删除子单元，配置用于删除过期建筑。

应当理解，上述电子地图中识别过期建筑的方法中各步骤与电子地图中识别过期建筑的系统中记载的诸子单元相对应。由此，上文针对系统及其中包含的单元描述的操作和特征同样适用于上述方法，在此不再赘述。

本实施例提供的电子地图中识别过期建筑的系统，通过设置图片获取单元、模型训练单元、建筑概率影像图获取单元、过期建筑处理单元等单元提高了电子导航地图的更新速度，相较于现有的手工处理方式，深度卷积神经网络模型识别建筑的速度和精度更高，可以控制修改电子地图的作业风格和作业质量，降低手工处理过期建筑的数量减少人工成本。

本实施例还提供了一种电子地图中识别过期建筑的设备，所述设备包括：

一个或多个处理器；

数据存储器，用于存储数据以及一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上述任一项所述的方法。

本实施例还提供了一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现如上述任一项所述的方法。

本实施例提供的电子地图中识别过期建筑的设备、通过存储有计算机程序的计算机可读介质,便于电子地图中识别过期建筑的技术的推广。

实施例二：

本实施例与实施例一相同的特征不再赘述，本实施例与实施例一不同的特征在于：

本实施例提供的电子地图中识别过期建筑的方法，还包括：

分割目标区图片集，获得若干子区域图片集；

聚合若干子区域图片集；

通过训练好的深度卷积神经网络图像分割模型，分别处理子区域图像集，获得若干子区域建筑概率影像图；

拼接子区域建筑概率影像图，获得目标区建筑概率影像图。

为了便于对本发明的理解，下面以本发明电子地图中识别过期建筑的方法的原理，对本实施例提供的电子地图中识别过期建筑的方法做进一步的描述：

一、图片切分

如果目标区为城市的话，由于单个城市的范围可能会超出了可计算的图像尺寸，因此使用map-reduce方法将单个城市的建筑概率影像图识别结果分成若干个子区域，进行并行处理，即使用map-reduce方法将概率影像图识别工作分发成为计算机能够处理的几部分数据，然后分别处理，最后合成结果；比如，一个地级市的尺度大概是50km-500km，识别用的卫星图片是0.5m分辨率的影像，如果整体处理，识别是有可能是100000*100000像素的一张图，很容易超过软件载入尺寸，采用map-reduce方法将单个城市的识别结果分成若干个子区域并行处理，最后合成结果。

二、聚合影像

按照子区域范围切分区域内建筑轮廓，并将已识别的图片切片按地理位置聚合。

切分时，理论上200-1000像素都可以，但是200像素对应的地理长度是100米，很可能会小于一栋建筑，那么提取出的特征会不完整，1000像素会导致模型运行非常缓慢。作为可选方案将图片切片为400*400像素一张图(200m*200m的地理区域)。

三、获取子区域建筑概率影像图

如图4所示，对子区域内的识别影像进行区域统计其平均值，得到该栋建筑被识别为建筑的概率。假设原本的电子地图上有5栋建筑，标记为1-5。需要根据识别的结果来判断这5栋建筑是否已经是过期建筑，统计每一栋建筑对应的识别结果，然后将它做平均，当做这栋建筑还是建筑的概率。也就是用已有的建筑范围内的识别结果来作为判断这栋建筑是否存在的证据。最后得到的结果就是1-4号建筑对应的概率值可能在0.8以上，第5栋建筑对应的概率值可能为0.1，那么就直接通过这个概率值的将第5栋建筑识别为过期建筑。

四、拼接子区域建筑概率影像图

在所有子区域处理完成后，将所有子区域中的矢量建筑轮廓融合成为一个图层。

五、处理过期建筑

理论上可以将阈值预设置为50％，也就是说在这个建筑的范围内，有至少一半的像素代表了它不是建筑的概率。但是在实际生产中由于需要，应该尽量避免误删，因此可以预设置一个更严格的阈值范围，这个阈值范围可以为20-50％。作为可选方案，预设置阈值为50％，识别目标区建筑概率影像图中概率值低于50％的标记为过期建筑，并删除这些过期建筑。

本实施例还提供了一种电子地图中识别过期建筑的系统，具体的包括：

目标区图片集分割子单元，配置用于分割所述目标区图片集，获得若干子区域图片集；

子区域图片集聚合子单元，配置用于聚合所述若干子区域图片集；

子区域建筑概率影像图获取子单元，配置用于通过训练好的深度卷积神经网络图像分割模型，分别处理所述子区域图像集，获得若干子区域建筑概率影像图；

目标区建筑概率影像图获取子单元，配置用于拼接所述子区域建筑概率影像图，获得目标区建筑概率影像图。

本实施例提供的电子地图中识别过期建筑的方法和系统，通过将目标区图片分割、聚合然后再分别通过训练好的深度卷积神经网络图像分割模型处理子区域图像，最后拼接所有子区域建筑概率影像图，删除其中的过期建筑，可以对城市级或者区域更大的目标区进行电子地图中过期建筑的处理，更加便于电子地图中识别过期建筑的技术的推广。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。