申请/专利权人：中国石油大学(华东)

申请日：2022-04-22

公开（公告）日：2022-09-06

公开（公告）号：CN115019191A

主分类号：G06V20/13

分类号：G06V20/13;G06V20/54;G06V10/762;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G06T7/13;G06T7/155;G06T7/62

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.09.23#实质审查的生效;2022.09.06#公开

摘要：本发明公开了一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法，基本步骤为：在真彩色高分辨率遥感影像合成图下制作遥感图像样本集和标定样本集；接下来利用U‑Net网络提取道路的高级特征初始化所构建的图卷积神经网络各节点的隐藏信息并训练模型，接着用训练后模型对遥感图像进行预测，从遥感图像中提取出关键道路；最后基于Hausdorff距离对大件运输关键道路空间通行性进行判定。本发明在使用图卷积神经网络提取大件运输关键道路的基础上，根据大件运输车辆的相关物理参数计算大件车辆的扫空空间，同时引入Hausdorff距离，实现了对大件运输关键道路的空间通行性进行判定。

主权项：1.一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法，其特征在于，包括以下步骤：一、预处理步骤1：选择带有大件运输关键道路如转盘环路和立交桥的高分辨率卫星遥感影像的红波段、绿波段和蓝波段合成真彩色图像；在真彩色图像上进行目视解译并在影像上标记某一类关键道路，得到该类关键道路和背景图像中非道路的其他信息这两类待识别的目标物的标记结果；步骤2：将步骤1中的真彩色图像和步骤2中的标记结果裁剪至256*256大小，得到高分辨率卫星遥感影像样本集和标记样本集；二、构建关键道路提取模型步骤3：采用U-Net网络对步骤2得到的高分辨率卫星遥感影像样本集和标记样本集进行训练得到训练后的U-Net模型，而后利用训练后的U-Net模型提取关键道路的通过卷积和不同尺度特征融合之后能表征道路更深层次信息的高级特征；利用步骤1中获得的高分辨率卫星遥感影像样本集通过K-means聚类算法将遥感影像上的地物聚类为不同的部分如直线道路与弯曲道路；根据K-means聚类结果构建关系图网络中的节点和边；步骤4：将步骤3中构建的关系图网络的每个节点vi的特征描述为e'ij，用N×D维特征矩阵概括N代表节点数，D代表输入特征数作为图卷积神经网络GraphConvolutionalNetwork，GCN的输入，利用步骤三通过训练后的U-Net模型提取出的高级特征初始化GCN中的隐藏层并进行训练，得到训练后的GCN模型，并使用训练后的GCN模型对关系图网络中的节点进行分类；步骤5：将每个节点的类别分配给节点中的像素，每个节点都对应于图像上的一个区域，令该区域内所有像素的类别与对应节点的类别相同，进而从高分辨率卫星影像中提取出关键道路；三、车辆扫空路径的计算步骤6：计算转弯状态下的扫空路径，分别计算大件运输车辆行驶过程中最小转弯内半径、最小转弯外半径、最大内扫半径和最大外扫半径，由最小转弯内半径、最小转弯外半径、最大内扫半径和最大外扫半径构成的闭合区域即为转弯状态下的扫空路径；四、大件运输关键道路空间通行性判定步骤7：将步骤5关键道路识别提取结果和步骤6中扫空路径进行匹配判断，判断车辆能否通行。

全文数据：

权利要求：

百度查询： 中国石油大学(华东) 一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD