一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取的方法
【專利摘要】本發(fā)明提供一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取的方法，包括已提取路段矢量的連接構(gòu)網(wǎng)，新增路段檢測與提??；道路提取結(jié)果的推理驗(yàn)證三方面內(nèi)容。路段連接構(gòu)網(wǎng)過程綜合考慮了道路的幾何特征和已檢測的道路交叉結(jié)構(gòu)約束，從而保證路段連接結(jié)果的合理性。新增道路自動提取是道路提取研究領(lǐng)域的難點(diǎn)，在已有道路矢量語義標(biāo)記的前提下，依然需要解決高分遙感影像道路特征異質(zhì)性和多樣性的問題。從樣本自適應(yīng)聚類與多分類器道路樣本分類結(jié)果融合作為新增道路提取的研究思路。最后，從道路提取結(jié)果的正確性要求出發(fā)，引入D?S證據(jù)理論對道路提取結(jié)果進(jìn)行驗(yàn)證，并根據(jù)各類特征與道路的關(guān)系定義相應(yīng)的驗(yàn)證概率分布函數(shù)。
【專利說明】
一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取的方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及遙感影像應(yīng)用技術(shù)領(lǐng)域，尤其是涉及一種基于自適應(yīng)聚類學(xué)習(xí)的道路 網(wǎng)提取的方法。
【背景技術(shù)】
[0002] 道路網(wǎng)是相互連通的網(wǎng)狀對象，對其提取的完整性和正確性是路網(wǎng)更新的基本要 求。基于導(dǎo)航數(shù)據(jù)引導(dǎo)下的路段提取以及交叉口提取為針對各路段的獨(dú)立提取過程，因而 導(dǎo)致路段之間存在斷裂。從道路網(wǎng)的完整性來看，已有的路段提取結(jié)果并未覆蓋新增路段， 需要根據(jù)已知道路特征來檢測新增道路對象。準(zhǔn)確的提取新增道路需要正確而全面的樣本 特征支撐。手工樣本標(biāo)記工作量大且難以覆蓋所有的道路特征，利用已有道路提取結(jié)果能 夠?yàn)樾略龅缆诽崛√峁?zhǔn)確的語義化樣本標(biāo)記信息。
[0003]尚分遙感影像道路網(wǎng)提取任務(wù)具有其特殊性，基于樣本學(xué)習(xí)的提取方法在處理尚 分影像數(shù)據(jù)時(shí)主要存在兩方面的問題：（1)道路在不同場景中表現(xiàn)多樣;在不同源影像上也 存在特征差異，難以用固定的特征和規(guī)則來實(shí)現(xiàn)普適的道路提取任務(wù)；（2)基于有監(jiān)督的道 路提取，依賴于采樣的絕對隨機(jī)性，但是實(shí)現(xiàn)采樣的隨機(jī)性非常困難，一旦采樣過程中存在 任何偏見，提取結(jié)果就會存在差異。
[0004] 基于樣本訓(xùn)練分類的新增道路提取方法通常解決的是道路網(wǎng)的"量測"問題，即， 對道路對象的定位而道路"識別"，即確定特征是否為道路對象，才是道路提取所面臨的最 大問題，合理的道路驗(yàn)證過程將有助于提高道路網(wǎng)提取結(jié)果的正確性。本發(fā)明從路網(wǎng)連接、 新增道路提取、道路驗(yàn)證三個方面進(jìn)行道路網(wǎng)提取研究。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的技術(shù)方案為一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取的方法，包括以下步 驟：
[0006] 步驟一，路段連接幾何特征。導(dǎo)航矢量引導(dǎo)下的路段提取過程是對各路段分別進(jìn) 行提取，其間并未考慮路段之間的連接關(guān)系，因此提取結(jié)果路段在道路交叉位置并未連接， 端點(diǎn)之間存在斷裂。從道路網(wǎng)結(jié)構(gòu)的完整性考慮，有必要對已提取路段進(jìn)行連接處理。
[0007] 步驟二，交叉結(jié)構(gòu)約束下的路段連接修正?；趲缀翁卣髂軌蛲瓿啥鄶?shù)路段斷裂 的連接任務(wù)。然而，復(fù)雜的道路網(wǎng)中也存在歧義結(jié)構(gòu)導(dǎo)致錯誤的連接。因此，根據(jù)幾何特征 完成路段連接后，需要利用已知的交叉結(jié)構(gòu)作為約束，對不合適的路段連接結(jié)果進(jìn)行修正。
[0008] 步驟三，基于樣本學(xué)習(xí)的新增道路提取。通過對已知路段的網(wǎng)絡(luò)化連接，得到矢量 路網(wǎng)對影像中相應(yīng)道路對象的標(biāo)記。對于現(xiàn)有路網(wǎng)以外的新增路段，需要根據(jù)已標(biāo)記的道 路特征，對其進(jìn)行分類預(yù)測和提取。
[0009] 步驟四，基于多特征證據(jù)模糊推理的道路驗(yàn)證。
[0010] 所述步驟一，路段連接的幾何特征包括端點(diǎn)距離，連接段方向與已有路段方向差； 根據(jù)距離約束以及角度閾值對路段進(jìn)行連接。
[0011] 所述步驟二的具體過程如下；
[0012] 基于幾何特征完成多數(shù)路段斷裂的連接任務(wù)，利用已提取的交叉口路段連接進(jìn)行 驗(yàn)證，對錯誤連接的路段進(jìn)行修正。
[0013] 所述步驟三的具體過程如下；
[0014] (1)道路樣本自動化獲??；
[0015] (2)歸一化紋理樣本特征；
[0016] 首先檢測灰度共生矩陣來反映不同方向的紋理特征，在提取紋理特征的過程中， 選擇具有旋轉(zhuǎn)不變形的特征，且對于方向敏感的紋理特征，預(yù)先進(jìn)行方向歸一化處理，對于 空間尺度，選擇多尺度分別進(jìn)行測度提取和分析;利用多方向Gabor濾波特征的檢測樣本影 像的主方向；
[0017] ⑶自適應(yīng)道路樣本聚類；
[0018] 采用一套道路樣本自適應(yīng)聚類策略，使道路樣本能夠根據(jù)集合內(nèi)特征分布情況進(jìn) 行重組，使得聚類后各組樣本在特征空間中呈聚集分布趨勢；
[0019] (4)非道路對象粗剔除。
[0020] 所述步驟三中（1)的具體過程如下；
[0021] (a)影像對象化分割；
[0022]使用SLIC作為影像對象化分割方法，并將分割結(jié)果對象作為樣本特征提取單元； [0023] (b)基于已知路段的樣本自動標(biāo)注；
[0024]已知路段提取結(jié)果中包含豐富的道路語義信息，將遠(yuǎn)離道路矢量所在位置的區(qū)域 作為背景地物；由此根據(jù)已有道路提取結(jié)果生成道路樣本集和背景樣本集。
[0025]所述步驟三中（3)的具體過程如下；
[0026]首先，對特征進(jìn)行降維:樣本特征包括光譜、紋理以及對應(yīng)的統(tǒng)計(jì)測度信息，通過 特征降維，消除無關(guān)和冗余的樣本特征；
[0027]然后，利用高斯混合模型GMM執(zhí)行自適應(yīng)道路樣本聚類：由于類別數(shù)K是未知的，在 實(shí)際數(shù)據(jù)處理中，需要通過多次測試、比較多個成分的擬合結(jié)果來決定K值;為了能夠自適 應(yīng)地獲得類別數(shù)K，本步驟提出兩個度量指標(biāo):分裂指數(shù)和合并指數(shù)；
[0028] (a)設(shè)定初始K值，對原始樣本執(zhí)行GMM聚類處理，得到K個高斯分布模型；
[0029] (b)構(gòu)建K個高斯分布模型中心兩兩之間的連線集合L，并計(jì)算連線中各位置的概 率值P丨姆，如式(8)所示：
[0030]
(8)
[0031] 其中，j，keK，pj(x)，pk(x)，為對應(yīng)高斯模型在位置X的概率值，max為取極大值函 數(shù)；
[0032] (c)定義合并指數(shù)(Merge Index,MI)定義如式(9)所示：
[0033]
(9)
[0034] 若MI>TMI，則認(rèn)為連線h所連接的兩個高斯模型具有較大的重疊度，需要進(jìn)行合 并，即將總的類別數(shù)降為K-1;
[0035] (d)將屬于第k類別的樣本集作為全集，進(jìn)行獨(dú)立的二分GMM聚類處理;計(jì)算當(dāng)前樣 本集對應(yīng)高斯模型的分裂指數(shù)Split Index-SI，有S/fc=l_M412;當(dāng)SI>Tsdt，認(rèn)為需要對當(dāng) 前樣本集進(jìn)行分裂，即將總的聚類類別數(shù)增加為κ+1;
[0036] (e)重復(fù)執(zhí)行上述操作，直至沒有符合分裂和合并條件的高斯模型，得到最終的樣 本聚類數(shù)K;
[0037]最后，根據(jù)聚類結(jié)果將導(dǎo)航路網(wǎng)標(biāo)注的正樣本集合分為多個集合，負(fù)樣本保持不 變;將每組正樣本與負(fù)樣本組合訓(xùn)練一個分類器，實(shí)現(xiàn)對特定類別道路的提取;多組道路提 取結(jié)果的融合結(jié)果將作為候選道路對象進(jìn)行進(jìn)一步的驗(yàn)證。
[0038]所述步驟三中（4)的具體過程如下；
[0039] 引入矩形度Rrect和寬長比Rwl，具體定義如下：
[0040] 設(shè)，則有下式。
[0041] Rrect=mean (A/ Amer) (10)
[0042] Rwi=ff/L (11)
[0043 ]其中，A為對象的面積，Amer為對象對應(yīng)最小外接矩形的面積;W和L分別為對象最小 外接矩形的寬度和長度;Rrd反映了對象對最小外接矩形的填充程度，由于建筑物通常為 獨(dú)立的規(guī)則對象，其對應(yīng)的Rmt較大，Rwi較長條狀路段偏大；
[0044] 根據(jù)以上分析，定義剔除對象的判別函數(shù)如下：
[0045]
[0046]其中，Trect，Twi為判別閾值，當(dāng)分類結(jié)果二值圖像中的獨(dú)立連通對象對應(yīng)的幾何特 征符合閾值約束條件，則認(rèn)為該對象為非道路對象，需要剔除;反之則為道路對象。
[0047]所述步驟四的具體過程如下；
[0048] 本步驟以D-S證據(jù)理論作為道路驗(yàn)證推理基礎(chǔ)，不同于傳統(tǒng)的基于D-S證據(jù)理論的 道路提取方法使用的道路幾何與光譜特征，在道路驗(yàn)證模型中融入了道路上下文特征證 據(jù)；
[0049] (a)D-S證據(jù)理論基礎(chǔ)
[0050] 作為D-S證據(jù)理論的底層概念，首先將待驗(yàn)證對象所有可能結(jié)果的集合所構(gòu)成的 空間進(jìn)行劃分，定義為驗(yàn)證框架，記作Θ，并把Θ中所有子集組成的集合記作2 Θ，對于2Θ中 任何假設(shè)集合Α，有m(A) e [0, 1]，并且
[0051]
[0052]
[0053] 其中，m稱為2Θ上的概率分配函數(shù)(BPAF)，m(A)稱為Α的基本概率函數(shù)；[0054] D-S證據(jù)理論定義了信任函數(shù)Bel和似然函數(shù)P1來表示問題的不確定性，即：
[0055]
[0056]
[0057] 信任函數(shù)Bel(A)表示對A為真的信任程度，也稱為下限函數(shù);似然函數(shù)P1(A)表示 對A為非假的信任程度，則[Bel(A)，Pl(A)]為A的一個信任區(qū)間，信任區(qū)間刻畫了對A所持信 任度的上下限在有多個證據(jù)存在的情況下，可以使用Dempster合成法則對多個BPAF進(jìn)行合 成，即
[0058]
[0059]
[0060] (b)道路驗(yàn)證D-S證據(jù)模型；
[0061]由于道路驗(yàn)證只需要根據(jù)遙感影像中觀察到的道路場景特征來驗(yàn)證道路身份，根 據(jù)D-S證據(jù)理論，取辨識框架Θ為{Y，N}，Y為表示非道路對象，N為道路對象，則有 = 0 ;定義信度分配函數(shù)m:P({Y，N})4[O，l]，w:(0) = O,m({Y，N}+nKY)+m(N)) = lA 中m(N)表示當(dāng)前特征支持道路對象的信度，m(Y)則表示支持非道路對象的信度，而m({Y， N}) = l-m(Y)-m(N)表示根據(jù)該證據(jù)不能確定對象道路身份的信度，即支持未知的信度； [0062] (c)道路多特征證據(jù)模型
[0063] 選取與道路密切相關(guān)的邊緣特征、光譜特征、上下文地物特征，并對這些特征進(jìn)行 適合道路驗(yàn)證的模型化處理；
[0064] (d)通過對道路驗(yàn)證相關(guān)特征的分析與對應(yīng)概率分配函數(shù)的定義，對導(dǎo)航數(shù)據(jù)中 各路段分別進(jìn)行處理，根據(jù)導(dǎo)航路段內(nèi)特征檢測結(jié)果得到特征對應(yīng)的概率分配函數(shù)，然后， 利用D-S證據(jù)理論的證據(jù)合成法則(式（16))對特征對應(yīng)的BPAF進(jìn)行合成，得到綜合多特征 證據(jù)的概率分配函數(shù)；
[0065]根據(jù)D-S證據(jù)理論對信任函數(shù)Bel的定義(式（14))，可以計(jì)算得到路段消失與存在 狀態(tài)下對應(yīng)的信任概率Bel^YhBeMN);按照最大概率分配原則，定義道路驗(yàn)證判定準(zhǔn)則 如下:對于路段i，若則認(rèn)為對象不是道路;反之，認(rèn)為當(dāng)前對象是道路。 [0066]所述步驟四中，（c)道路多特征證據(jù)模型包括邊緣證據(jù)模型、光譜證據(jù)模型、植被 證據(jù)模型、陰影證據(jù)模型、車輛證據(jù)模型、拓?fù)渥C據(jù)模型。
[0067]本發(fā)明在已有路段提取和道路交叉口提取結(jié)果的基礎(chǔ)上，進(jìn)行路段矢量的連接構(gòu) 網(wǎng)，新增道路的檢測與提取，道路提取結(jié)果的推理驗(yàn)證，特點(diǎn)是：
[0068] (1)路段連接構(gòu)網(wǎng)過程綜合考慮了道路的幾何特征和已檢測的道路交叉結(jié)構(gòu)約 束，從而保證路段連接結(jié)果的合理性。
[0069] (2)從道路提取結(jié)果的正確性要求出發(fā)，引入D-S證據(jù)理論對道路提取結(jié)果進(jìn)行驗(yàn) 證，驗(yàn)證模型中綜合考慮了包括邊緣、光譜、上下文及拓?fù)涮卣鞯淖C據(jù)，并根據(jù)各類特征與 道路的關(guān)系定義相應(yīng)的驗(yàn)證概率分布函數(shù)。
[0070] (3)提出基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取方法，能夠克服傳統(tǒng)方法難以適應(yīng)道 路多樣化的缺點(diǎn)，具有較好的提取效果。
[0071] (4)從正確性來看，本研究方法提取結(jié)果中包含的非道路對象較少，提取結(jié)果的整 體質(zhì)量較高。
【附圖說明】
[0072]圖1是一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取方法的處理流程圖。
[0073]圖2是幾何特征路段連接示意圖。
[0074]圖3是蒙版影像生成示意圖。
【具體實(shí)施方式】
[0075] 本發(fā)明的技術(shù)方案為一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取的方法，包括以下步 驟：
[0076] 步驟一，路段連接幾何特征。提取結(jié)果路段斷裂主要發(fā)生在源導(dǎo)航路網(wǎng)的道路交 會處，斷裂處路段端點(diǎn)與待連接的路段節(jié)點(diǎn)相互鄰近。根據(jù)常識可知，同一路段走向通常呈 漸變趨勢，因此，路段連接后需要保持路段方向連續(xù)的特性。根據(jù)以上分析得出，約束路段 連接的幾何特征主要包括:端點(diǎn)距離，連接段方向與已有路段方向差。
[0077]基于幾何特征的路段連接示意圖如附圖2所示。圖中分支路段EnE1:^PE21E 22為斷裂 路段，需要與主路段CiC2進(jìn)行連接。根據(jù)距離約束，以端點(diǎn)E12為中心，R為半徑進(jìn)行檢測得到 候選連接節(jié)點(diǎn)Cl和C2 ;將中心點(diǎn)El2與候選連接節(jié)點(diǎn)Cl和C2分別連接，并計(jì)算連接段的方向角 度θΕ?2Q和0_E: 12,C2 ;當(dāng)0??與路段方向角ΘΕ1ΖEl"的差值小于角度閾值，并且在所有候選連接段 中取得最小夾角時(shí)，則選擇該節(jié)點(diǎn)作為連接節(jié)點(diǎn)并進(jìn)行連接。
[0078] 將上述連接過程和約束信息形式化表示，如式(1)所示：
[0079]
[0080] 其中，為端點(diǎn)Ε12，Ρ%為第i個候選節(jié)點(diǎn)A12Q為端點(diǎn)El2與第i個候選節(jié)點(diǎn)之間 的夾角，Τθ為角度閾值，mod為求余操作符，以兼容[-180,180]角度區(qū)間的方向角差值計(jì)算； η為符合當(dāng)前節(jié)點(diǎn)距離約束的候選連接節(jié)點(diǎn)數(shù)量。
[0081] 步驟二，交叉結(jié)構(gòu)約束下的路段連接修正?；趲缀翁卣髂軌蛲瓿啥鄶?shù)路段斷裂 的連接任務(wù)。然而，復(fù)雜的道路網(wǎng)中也存在歧義結(jié)構(gòu)導(dǎo)致錯誤的連接。因此，根據(jù)幾何特征 完成路段連接后，需要利用已知的交叉結(jié)構(gòu)作為約束，對不合適的路段連接結(jié)果進(jìn)行修正， 使之更符合實(shí)際情況，提高準(zhǔn)確性。
[0082]步驟三，基于樣本學(xué)習(xí)的新增道路提取。通過對已知路段的網(wǎng)絡(luò)化連接，得到矢量 路網(wǎng)對影像中相應(yīng)道路對象的標(biāo)記。對于現(xiàn)有路網(wǎng)以外的新增路段，需要根據(jù)已標(biāo)記的道 路特征，對其進(jìn)行分類預(yù)測和提取。具體步驟如下：
[0083] (1)道路樣本自動化獲取。
[0084] (a)影像對象化分割。使用SLIC作為影像對象化分割方法，并將分割結(jié)果對象作為 樣本特征提取單元。
[0085] (b)基于已知路段的樣本自動標(biāo)注。具體流程如下：
[0086] 柵格化道路矢量數(shù)據(jù)，以半徑rrciad生成結(jié)構(gòu)元素5"^并執(zhí)行形態(tài)學(xué)膨脹運(yùn)算，生成 道路樣本蒙版影像，如式(2);以半徑 rgap，rgap>rrciad生成結(jié)構(gòu)元素 Sgap，并執(zhí)行形態(tài)學(xué)膨 脹運(yùn)算，生成蒙版影像Xgap，輔助背景樣本蒙版樣本的生成，如式(3);以半徑r bg，ng>rgap生 成結(jié)構(gòu)元素 Sbg，并執(zhí)行形態(tài)學(xué)膨脹運(yùn)算，將運(yùn)算結(jié)果與Xgap邏輯取反后的影像按位執(zhí)行邏輯 與運(yùn)算，得到背景樣本蒙版影像如式(4);
[0087]
[0088]
[0089]
[0090]其中，X為待處理影像，?為形態(tài)學(xué)膨脹運(yùn)算符號。結(jié)構(gòu)元素半徑rrciad，rgap，n g需要 根據(jù)導(dǎo)航路網(wǎng)矢量線對應(yīng)的寬度信息和影像分辨率設(shè)置，蒙版影像生成示意圖如附圖3所 不。
[0091 ]分別將道路樣本蒙版影像和背景樣本蒙版影像與道路對象化分割結(jié)果疊加，統(tǒng)計(jì) 每個分割對象內(nèi)部屬于道路蒙版的像素?cái)?shù)量nrcmd和屬于背景蒙版像素的數(shù)量nbg，根據(jù)式 (5)判定對象屬于道路對象還是背景對象。
[0092] .、 ^ f ^6 1" r u
[0093] 其中，Ob ji為第i個樣本對象，1標(biāo)識對象為道路樣本，-1標(biāo)識對象為背景樣本，0標(biāo) 識非樣本對象;N為對象總數(shù)，Tare3a為有效面積比閾值。
[0094] (2)歸一化紋理樣本特征。在提取紋理特征的過程中，一方面盡量選擇具有旋轉(zhuǎn)不 變形的特征，另外，對于方向敏感的紋理特征，可以預(yù)先進(jìn)行方向歸一化處理。對于空間尺 度，則需要選擇多尺度分別進(jìn)行測度提取和分析。
[0095] 灰度共生矩陣(Gray-Level Co-occurrence Matrix，GLCM)被定義為從灰度級為i 的點(diǎn)離開某個固定位置關(guān)系d=(Dx，Dy)達(dá)到灰度為j的概率。由GLCM的定義可知，根據(jù)輸入 的位置關(guān)系參數(shù)d=(D x，Dy)達(dá)的不同，檢測結(jié)果反映出了不同方向的紋理特征。現(xiàn)實(shí)世界反 映在影像中的紋理方向各不相同，因此有必要在生成GLCM之前確定當(dāng)前樣本影像的主方向 Θ，然后根據(jù)主方向確定位置關(guān)系參數(shù)，保證紋理檢測結(jié)果的方向歸一化，從而不同樣本之 間的紋理特征具有可比性。根據(jù)影像主方向確定位置關(guān)系參數(shù)如式(6)所示：
[0096]
[0097]其中，D為像素偏移距離。
[0098] Gabor濾波變換是一種加窗傅立葉變換，它可以在頻域不同尺度、不同方向上提取 影像相關(guān)的特征。本發(fā)明利用多方向Gabor濾波特征的檢測樣本影像的主方向。Gabor特征 提取過程：固定濾波器參數(shù)，根據(jù)不同的Θ得到一系列濾波器模板;基于各濾波器模板對樣 本影像執(zhí)行卷積運(yùn)算，得到多個濾波結(jié)果影像;統(tǒng)計(jì)各濾波結(jié)果影像的灰度值之和，將灰度 累加值最大的濾波影像對應(yīng)的方向參數(shù)作為當(dāng)前影像塊的主方向。
[0099]
[0100] 其中，i為當(dāng)前濾波器的序號，η為濾波器的數(shù)量，81為基于第i個濾波器的濾波后 影像，濾波器i對應(yīng)的角度，Θ:為影像的主方向。
[0101] (3)自適應(yīng)道路樣本聚類。本發(fā)明設(shè)計(jì)一套道路樣本自適應(yīng)聚類策略，使得道路樣 本能夠根據(jù)集合內(nèi)特征分布情況進(jìn)行重組，使得聚類后各組樣本在特征空間中呈聚集分布 趨勢。
[0102]首先，需要對特征進(jìn)行降維。本研究提取的樣本特征包括光譜、紋理以及對應(yīng)的統(tǒng) 計(jì)測度信息，考慮到影像的波段數(shù)、紋理特征的尺度等，最終樣本特征向量必然是一個高維 的特征向量。然而，在樣本數(shù)相對較少的情況下，高維特征使得樣本在統(tǒng)計(jì)上的漸近性質(zhì)受 到破壞，因此需要通過特征降維，消除無關(guān)和冗余的樣本特征。本發(fā)明利用提出的向量相似 性指數(shù)，按照黃昕提出的特征選擇方法進(jìn)行降維處理。
[0103]然后，利用高斯混合模型(GMM)執(zhí)行自適應(yīng)道路樣本聚類。由于類別數(shù)K是未知的， 在實(shí)際數(shù)據(jù)處理中，需要通過多次測試、比較多個成分的擬合結(jié)果來決定K值。為了能夠自 適應(yīng)地獲得類別數(shù)K，本節(jié)提出兩個度量指標(biāo):分裂指數(shù)和合并指數(shù)。
[0104] (a)設(shè)定初始K值，對原始樣本執(zhí)行GMM聚類處理，得到K個高斯分布模型；
[0105] (b)構(gòu)建K個高斯分布模型中心兩兩之間的連線集合L，并計(jì)算連線中各位置的概 率值W 0)，如式(8)所示：
[0106]
[0107]其中，j，keK，pj(x)，pk(x)，為對應(yīng)高斯模型在位置X的概率值，max為取極大值函 數(shù)。
[0108] (c)定義合并指數(shù)(Merge Index,MI)定義如式(9)所示：
[0109]
[0110] 其中，Mli為連線li所連接的兩個高斯模型的合并指數(shù)，Tmi為合并閾值，若MIi>TMi， 則認(rèn)為連線h所連接的兩個高斯模型具有較大的重疊度，需要進(jìn)行合并，即將總的類別數(shù) 降為K-1。
[0111] (d)將屬于第k類別的樣本集作為全集，進(jìn)行獨(dú)立的二分GMM聚類處理;計(jì)算當(dāng)前樣 本集對應(yīng)高斯模型的分裂指數(shù)(Split Index，SI)，有SIk=l_MIk，當(dāng)SIk>TsI時(shí)，認(rèn)為需要對 當(dāng)前樣本集進(jìn)行分裂，即將總的聚類類別數(shù)增加為K+1。其中SI k為第k個樣本的分裂指數(shù)， MIk為第k個樣本的合并指數(shù)，Tsi為分裂閾值。
[0112] (e)重復(fù)執(zhí)行上述操作，直至沒有符合分裂和合并條件的高斯模型，得到最終的樣 本聚類數(shù)K。
[0113]最后，根據(jù)聚類結(jié)果將導(dǎo)航路網(wǎng)標(biāo)注的正樣本集合分為多個集合，負(fù)樣本保持不 變。將每組正樣本與負(fù)樣本組合訓(xùn)練一個分類器，實(shí)現(xiàn)對特定類別道路的提取。多組道路提 取結(jié)果的融合結(jié)果將作為候選道路對象進(jìn)行進(jìn)一步的驗(yàn)證。
[0114] (4)非道路對象粗剔除。需要承認(rèn)的是，影像中存在與道路特征類似的建筑物對 象，其對應(yīng)的SLIC分割圖斑與道路圖斑具有極為相似的形狀、光譜、紋理特征，上述分類過 程無法避免此類非道路對象的誤提，需要對分類結(jié)果進(jìn)行相應(yīng)的非道路對象剔除操作。
[0115] 由于道路對象的連通特性，其呈現(xiàn)出特殊的幾何形態(tài)，并且難以用固定的、定量的 幾何特征進(jìn)行描述，反觀混入道路提取結(jié)果的非道路對象則通常具有可量化的幾何特征， 引入矩形度Rrect和寬長比Rwl，具體定義如下：
[0116] 設(shè)，則有下式。
[0117] Rrect=mean (A/ Amer) (10)
[0118] Rwi=ff/L (11)
[0119] 其中，A為對象的面積，Ame3r為對象對應(yīng)最小外接矩形的面積;W和L分別為對象最小 外接矩形的寬度和長度。Rrd反映了對象對最小外接矩形的填充程度，由于建筑物通常為 獨(dú)立的規(guī)則對象，其對應(yīng)的Rmt較大，Rwi較長條狀路段偏大。
[0120] 根據(jù)以上分析，定義剔除對象的判別函數(shù)如下：
[0121]
[0122]其中，Trect，Twi為判別閾值，當(dāng)分類結(jié)果二值圖像中的獨(dú)立連通對象對應(yīng)的幾何特 征符合閾值約束條件，則認(rèn)為該對象為非道路對象，需要剔除;反之則為道路對象；
[0123]步驟四，基于多特征證據(jù)模糊推理的道路驗(yàn)證。道路提取過程完成了對影像中道 路特征對象的定位，需要承認(rèn)的是，影像中常存在一些與道路特征相近的對象，導(dǎo)致錯誤的 提取結(jié)果。因此需要引入道路驗(yàn)證過程來剔除非道路對象。本發(fā)明以D-S證據(jù)理論作為道路 驗(yàn)證推理基礎(chǔ)，不同于傳統(tǒng)的基于D-S證據(jù)理論的道路提取方法使用的道路幾何與光譜特 征，本發(fā)明在道路驗(yàn)證模型中創(chuàng)新地融入了道路上下文特征證據(jù)。
[0124] (a)D-S證據(jù)理論基礎(chǔ)。
[0125] 作為D-S證據(jù)理論的底層概念，首先將待驗(yàn)證對象所有可能結(jié)果的集合所構(gòu)成的 空間進(jìn)行劃分，定義為驗(yàn)證框架，記作Θ，并把Θ中所有子集組成的集合記作2 Θ，對于2Θ中 任何假設(shè)集合Α，有m(A) e [0, 1]，并且
[0126]
[0127]
[0128] 其中，m稱為2Θ上的概率分配函數(shù)(BPAF)，m(A)稱為A的基本概率函數(shù)。[0129] D-S證據(jù)理論定義了信任函數(shù)Bel和似然函數(shù)P1來表示問題的不確定性，即：
[0130]
[0131]
[0132] 信任函數(shù)Bel(A)表示對A為真的信任程度，也稱為下限函數(shù);似然函數(shù)P1(A)表示 對A為非假的信任程度，則[Bel(A)，Pl(A)]為A的一個信任區(qū)間，信任區(qū)間刻畫了對A所持信 任度的上下限在有多個證據(jù)存在的情況下，可以使用Dempster合成法則對多個BPAF進(jìn)行合 成，即
[0133]
[0134]
[0135] (b)道路驗(yàn)證D-S證據(jù)模型。由于道路驗(yàn)證只需要根據(jù)遙感影像中觀察到的道路場 景特征來驗(yàn)證道路身份，根據(jù)D-S證據(jù)理論，取辨識框架Θ為{Y，N}，Y為表示非道路對象，N 為道路對象，則有；TniV = 0。定義信度分配函數(shù)m:P({Y，N}) - [O，l]，m(0> = O，m({Y，N}+m (Y)+m(N)) = l。其中m(N)表示當(dāng)前特征支持道路對象的信度，m(Y)則表示支持非道路對象 的信度，而111({￥少}) = 1-111(￥)-1110)表示根據(jù)該證據(jù)不能確定對象道路身份的信度，即支持 未知的信度。
[0136] (c)道路多特征證據(jù)模型。道路驗(yàn)證的證據(jù)，即是遙感道路特征，是道路驗(yàn)證的基 礎(chǔ)。特征通常具有兼容性和不確定性，即某一特征可以隸屬于多個目標(biāo)且這些特征可以衍 生出多種形式。為保證道路對象驗(yàn)證結(jié)果的可靠性，本發(fā)明選取與道路密切相關(guān)的邊緣特 征、光譜特征、上下文地物特征，并對這些特征進(jìn)行適合道路驗(yàn)證的模型化處理。
[0137] (I)邊緣證據(jù)模型。
[0138] 在無遮擋情況下，道路通常具有顯著的雙邊緣特征，因而，雙邊緣特征可以作為道 路驗(yàn)證的有力證據(jù)。然而，道路常常會被陰影、行道樹遮擋，影像質(zhì)量差異也會造成影像上 道路兩側(cè)邊緣特征的缺失，因而，雙邊緣的特征的缺失不能證明道路消失，但是可以作為道 路存在的證據(jù)。
[0139] 設(shè)導(dǎo)航數(shù)據(jù)中某路段的長度為L，存在雙邊緣特征的路段長度為Udg(3，則利用Red% 表達(dá)當(dāng)前路段的邊緣特征，如（18)所示；
[0140] Redge = Ledge/L (18)
[0141] 設(shè)Tedge為有效邊緣特征閾值，若Redge<Tedge，則道路存在的概率與邊緣特征值呈正 線性相關(guān)，對應(yīng)的概率分配函數(shù)如下：
[0142]
[0143] 當(dāng)Redge>Tedge，則認(rèn)為道路存在，需要賦予較大的概率：
[0144]
[0145] 其中，mi (Y)表示邊緣特征對非道路對象的支持概率;mi (N)表示邊緣特征對道路對 象的支持概率;nu(Y，N)表示邊緣特征無法確定是否為道路的概率;αι為邊緣特征對應(yīng)的概 率權(quán)重;ε為預(yù)定義的小概率值。
[0146] (II)光譜證據(jù)模型。
[0147] 理想的道路表面光譜特征變化較小，并且與鄰近非道路背景存在較大的灰度差 異。然而，道路受其他背景地物遮擋或自身因素導(dǎo)致路段內(nèi)光譜差異較大的情況普遍存在， 因而光譜特征無法作為道路消失的證據(jù)。但是，當(dāng)導(dǎo)航數(shù)據(jù)對應(yīng)路段內(nèi)光譜特征差異較小 時(shí)，光譜特征可作為道路存在的有力證據(jù)。
[0148]設(shè)置導(dǎo)航路段緩沖區(qū)范圍內(nèi)像素在各波段的灰度值標(biāo)準(zhǔn)差為std(DNseg)，T spectra 為有效光譜特征閾值，則光譜特征Rst^tra如式(21)所示：
[0149] Rspectra= Std(DNseg)/Tspectra (21)
[0150] 若Rspec；tra<l，則認(rèn)為道路存在的概率與Rspec；tra呈負(fù)線性相關(guān)，對應(yīng)的概率分配函 數(shù)如下：
[0151]
[0152] 若Rspe3C；tra>l，則認(rèn)為道路表面光譜差異較大，無法證明道路是否存在，對應(yīng)概率 分配函數(shù)如下：
[0153]
[0154] 其中，m2(Y)表示光譜特征對非道路對象的支持概率;m2(N)表示光譜特征對道路對 象的支持概率;m 2(Y，N)表示光譜特征無法確定是否為道路的概率;α2為邊緣特征對應(yīng)的概 率權(quán)重。
[0155] (III)植被證據(jù)模型。
[0156] 道路植被是道路場景中常見的地物，其在現(xiàn)實(shí)中由行道樹、綠化帶和綠地構(gòu)成;從 幾何形態(tài)來看，道路植被通常緊鄰道路，其中道路綠帶通常沿道路連續(xù)分布，并且具有與道 路走向一致的方向特征，綠地則由道路包圍而形成規(guī)則的幾何形態(tài);在影像上，道路植被則 反映了特殊的光譜曲線。通過以上分析發(fā)現(xiàn)，道路場景中植被對象的方向特征可以作為檢 驗(yàn)道路存在與否的證據(jù)。本發(fā)明將獨(dú)立植被對象的主軸方向，即對象最小外接矩形的長邊 方向作為植被對象的方向。設(shè)D Piant為導(dǎo)航路段緩沖區(qū)內(nèi)植被對象對應(yīng)的方向角度集合， Dmd為當(dāng)前導(dǎo)航路段主方向?qū)?yīng)角度，TPiant為方向角度差閾值，RPi ant為歸一化后的植被特 征。
[0157] Rplant = std (Dplant-Droad) /Tplant (24)
[0158] 當(dāng)Rplant< 1時(shí)，道路存在的概率與Rplant呈負(fù)線性相關(guān)，相應(yīng)的，非道路對象的概率 與RPi ant呈正線性相關(guān)，植被對象方向角度與道路主方向角度差異越大，則非道路對象的概 率越大，道路對象的概率越小。對應(yīng)的概率分配函數(shù)如下：
[0159]
[0160] 反之，當(dāng)Rpiant>l時(shí)，認(rèn)為植被對象方向特征與道路走向無關(guān)，此時(shí)為非道路對象 的概率較大，對應(yīng)的概率分配函數(shù)如下：
[0161]
[0162] 若導(dǎo)航路段緩沖區(qū)內(nèi)沒有植被對象，則植被特征無法作為道路的驗(yàn)證證據(jù)，則對 應(yīng)的概率分配函數(shù)如下：
[0163]
[0164] 其中，m3(Y)表示植被特征對非道路對象的支持概率;m3(N)表示植被特征對道路對 象的支持概率;m 3(Y，N)表示植被特征無法確定道路是否存在的概率;α3為植被特征對應(yīng)的 概率權(quán)重。
[0165] (IV)陰影證據(jù)模型。
[0166] 受太陽高度角和道路周邊建筑物高度的影響，道路表面會被投射下來的陰影所遮 蓋。道路通常為較為平坦的開闊區(qū)域，因而投射在道路表面的陰影的形狀特征與建筑物相 關(guān)，并且相對規(guī)整;而在地物場景復(fù)雜的區(qū)域，陰影通常較為破碎。因此，陰影的形狀特征可 以作為道路驗(yàn)證證據(jù)。設(shè)Α為對象的面積，A mer為對象對應(yīng)最小外接矩形的面積，Rrect為陰影 對象的平均矩形度，則有下式。
[0167] Rrect=mean (A/ Amer) (28)
[0168] 它反映了物體對最小外接矩形的填充程度，對象形狀越規(guī)整（像矩形），對應(yīng)的 R^t越高，相應(yīng)的道路對象概率也越大，對應(yīng)的概率分配函數(shù)如下：
[0169]
[0170]若導(dǎo)航路段緩沖區(qū)內(nèi)沒有陰影對象，此特征無法作為道路的驗(yàn)證證據(jù)，則對應(yīng)的 概率分配函數(shù)如下：
[0171]
[0172] 其中，m4(Y)表示陰影特征對非道路對象的支持概率;m4(N)表示陰影特征對道路對 象的支持概率;m 4(Y，N)表示陰影特征無法確定道路是否存在的概率;α4為陰影特征對應(yīng)的 概率權(quán)重。
[0173] (V)車輛證據(jù)模型。
[0174] 車輛是道路對象的最有利證據(jù)，遙感影像中，存在車輛的位置通常為道路或者露 天停車場。停車場中，車輛密集整齊停放;而路面的車輛則稍顯雜亂，但總體排列方向與道 路走向一致，且在道路交叉口附近存在車輛聚集的情況。應(yīng)用車輛檢測結(jié)果作為道路對象 的證據(jù)，若導(dǎo)航路段緩沖區(qū)內(nèi)存在車輛，則對應(yīng)的概率分配函數(shù)如下：
[0175]
[0176]反之，若導(dǎo)航路段緩沖區(qū)內(nèi)沒有車輛對象，則車輛特征無法給道路驗(yàn)證提供證據(jù)， 因而，對應(yīng)的概率分配函數(shù)如下：
[0177]
[0178] 其中，m5(Y)表不車輛特祉對非道路對家的支持概率;m5(N)表不車輛特征對道路對 象的支持概率;m 5(Y，N)表示車輛特征無法確定道路是否存在的概率;α5為車輛特征對應(yīng)的 概率權(quán)重。
[0179] (VI)拓?fù)渥C據(jù)模型。
[0180]道路在現(xiàn)實(shí)中的功能決定了其相互連通的拓?fù)涮卣?，新增道路通常是對已有道?的擴(kuò)展延長，或者與已有道路相互連通構(gòu)成道路交叉口。因此，新增道路提取結(jié)果與已有道 路矢量之間的位置關(guān)系可以作為道路身份驗(yàn)證的證據(jù)。
[0181] 設(shè)Lnew為新增道路提取線對象，Lexist為已有道路對象集合，則有新增道路與已有道 路的位置點(diǎn)交集?_^@，定義如式(3 2)所示：
[0182] P overlap = Lnew Π Lexist (33)
[0183] 如果PQverlap為非空集合，則認(rèn)為新增道路與已知道路相交，此時(shí)認(rèn)為當(dāng)前道路段 是道路的可能性較大。
[0184] 當(dāng)然，不可否認(rèn)，在道路分類提取過程中，真實(shí)道路對應(yīng)的提取結(jié)果也可能由于地 物遮擋而中斷，從而導(dǎo)致孤立的道路對象存在，因此，新增路段與已知路段之間的鄰近關(guān)系 也可作為道路拓?fù)渥C據(jù)的一部分，設(shè)新增路段與已知道路之間的距離為d(L new，Lexlst)，定義 如下：
[0185] d(Lnew,Lexist)=min[dist(pti,Lexist)]ptieLnew i = l ,2,. . . ,n (34)
[0186] 其中，pti為新增路段Lne3W中的第i個節(jié)點(diǎn)，η為路段。沖的節(jié)點(diǎn)數(shù)量，dist為節(jié)點(diǎn) 到線的距離函數(shù)。則對應(yīng)的概率分配函數(shù)如下：
[0187]
[0188] 其中，m6(Y)表示路段與已知道路的拓?fù)渥C據(jù)對非道路對象的支持概率;m6(N)表示 拓?fù)渥C據(jù)對道路對象的支持概率;m 6(Y，N)表示當(dāng)前證據(jù)無法確定對象是否為道路的概率； 為拓?fù)渥C據(jù)對應(yīng)的概率權(quán)重。
[0189] (d)通過上面對道路驗(yàn)證相關(guān)特征的分析與對應(yīng)概率分配函數(shù)的定義，對導(dǎo)航數(shù) 據(jù)中各路段分別進(jìn)行處理，根據(jù)導(dǎo)航路段內(nèi)特征檢測結(jié)果得到特征對應(yīng)的概率分配函數(shù)， 然后，利用D-S證據(jù)理論的證據(jù)合成法則(式（16))對特征對應(yīng)的BPAF進(jìn)行合成，得到綜合多 特征證據(jù)的概率分配函數(shù)。
[0190]根據(jù)D-S證據(jù)理論對信任函數(shù)Bel的定義(式（14))，可以計(jì)算得到路段消失與存在 狀態(tài)下對應(yīng)的信任概率Bel^YhBeMN)。按照最大概率分配原則，定義道路驗(yàn)證判定準(zhǔn)則 如下:對于路段i，若則認(rèn)為對象不是道路;反之，認(rèn)為當(dāng)前對象是道路。
【主權(quán)項(xiàng)】
1. 一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取的方法，其特征在于:包括W下步驟； 步驟一，基于路段連接的幾何特征，對已提取路段進(jìn)行連接處理； 步驟二，交叉結(jié)構(gòu)約束下的路段連接修正； 根據(jù)幾何特征完成路段連接后，利用已知的交叉結(jié)構(gòu)作為約束，對不合適的路段連接 結(jié)果進(jìn)行修正； 步驟Ξ，基于樣本學(xué)習(xí)的新增道路提??； 通過對已知路段的網(wǎng)絡(luò)化連接，得到矢量路網(wǎng)對影像中相應(yīng)道路對象的標(biāo)記，對于現(xiàn) 有路網(wǎng)W外的新增路段，需要根據(jù)已標(biāo)記的道路特征，對其進(jìn)行分類預(yù)測和提?。? 步驟四，基于多特征證據(jù)模糊推理的道路驗(yàn)證。2. 根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取的方法，其特征在于： 所述步驟一，路段連接的幾何特征包括端點(diǎn)距離，連接段方向與已有路段方向差;根據(jù)距離 約束W及角度闊值對路段進(jìn)行連接。3. 根據(jù)權(quán)利要求2所述的一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取的方法，其特征在于： 所述步驟二的具體過程如下； 基于幾何特征完成多數(shù)路段斷裂的連接任務(wù)，利用已提取的交叉口路段連接進(jìn)行驗(yàn) 證，對錯誤連接的路段進(jìn)行修正。4. 根據(jù)權(quán)利要求3所述的一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取的方法，其特征在于： 所述步驟Ξ的具體過程如下； (1) 道路樣本自動化獲??； (2) 歸一化紋理樣本特征； 首先檢測灰度共生矩陣來反映不同方向的紋理特征，在提取紋理特征的過程中，選擇 具有旋轉(zhuǎn)不變形的特征，且對于方向敏感的紋理特征，預(yù)先進(jìn)行方向歸一化處理，對于空間 尺度，選擇多尺度分別進(jìn)行測度提取和分析;利用多方向Gabor濾波特征的檢測樣本影像的 主方向； (3) 自適應(yīng)道路樣本聚類； 采用一套道路樣本自適應(yīng)聚類策略，使道路樣本能夠根據(jù)集合內(nèi)特征分布情況進(jìn)行重 組，使得聚類后各組樣本在特征空間中呈聚集分布趨勢； (4) 非道路對象粗剔除。5. 根據(jù)權(quán)利要求4所述的一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取的方法，其特征在于： 所述步驟Ξ中（1)的具體過程如下； (a) 影像對象化分割； 使用SLIC作為影像對象化分割方法，并將分割結(jié)果對象作為樣本特征提取單元； (b) 基于已知路段的樣本自動標(biāo)注； 已知路段提取結(jié)果中包含豐富的道路語義信息，將遠(yuǎn)離道路矢量所在位置的區(qū)域作為 背景地物；由此根據(jù)已有道路提取結(jié)果生成道路樣本集和背景樣本集。6. 根據(jù)權(quán)利要求5所述的一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取的方法，其特征在于： 所述步驟Ξ中（3)的具體過程如下； 首先，對特征進(jìn)行降維:樣本特征包括光譜、紋理W及對應(yīng)的統(tǒng)計(jì)測度信息，通過特征 降維，消除無關(guān)和冗余的樣本特征； 然后，利用高斯混合模型GMM執(zhí)行自適應(yīng)道路樣本聚類：由于類別數(shù)Κ是未知的，在實(shí)際 數(shù)據(jù)處理中，需要通過多次測試、比較多個成分的擬合結(jié)果來決定Κ值;為了能夠自適應(yīng)地 獲得類別數(shù)Κ，本步驟提出兩個度量指標(biāo):分裂指數(shù)和合并指數(shù)； (a) 設(shè)定初始Κ值，對原始樣本執(zhí)行GMM聚類處理，得到Κ個高斯分布模型； (b) 構(gòu)建K個高斯分布模型中屯、兩兩之間的連線集合L，并計(jì)算連線中各位置的概率值 站樹，如式(8)所示：(斯 其中，^'，4￡1(，^^)，91^^)，為對應(yīng)高斯模型在位置如勺概率值，1113^為取極大值函數(shù)； (C)定義合并指數(shù)(Merge Index,MI)定義如式(9)所示：m 其中，MI功連線li所連接的兩個高斯模型的合并指數(shù)，Tmi為合并闊值，若MI〉Tmi，則認(rèn) 為連線h所連接的兩個高斯模型具有較大的重疊度，需要進(jìn)行合并，即將總的類別數(shù)降為 K-1; (d) 將屬于第k類別的樣本集作為全集，進(jìn)行獨(dú)立的二分GMM聚類處理;計(jì)算當(dāng)前樣本集 對應(yīng)高斯模型的分裂指數(shù)Split Index-SI，有釘巧2;當(dāng)SI〉Ts耐，認(rèn)為需要對當(dāng)前樣 本集進(jìn)行分裂，即將總的聚類類別數(shù)增加為K+1; (e) 重復(fù)執(zhí)行上述操作，直至沒有符合分裂和合并條件的高斯模型，得到最終的樣本聚 類數(shù)K; 最后，根據(jù)聚類結(jié)果將導(dǎo)航路網(wǎng)標(biāo)注的正樣本集合分為多個集合，負(fù)樣本保持不變;將 每組正樣本與負(fù)樣本組合訓(xùn)練一個分類器，實(shí)現(xiàn)對特定類別道路的提取;多組道路提取結(jié) 果的融合結(jié)果將作為候選道路對象進(jìn)行進(jìn)一步的驗(yàn)證。7. 根據(jù)權(quán)利要求6所述的一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取的方法，其特征在于： 所述步驟Ξ中（4)的具體過程如下； 引入矩形度Rrect和寬長比Rwl，具體定義如下： 設(shè)，則有下式。 Rrect - me 曰n(A/Amer) ( 10 ) Rwi = W/L (11) 其中，A為對象的面積，Amer為對象對應(yīng)最小外接矩形的面積;W和L分別為對象最小外接 矩形的寬度和長度;Rrect反映了對象對最小外接矩形的填充程度，由于建筑物通常為獨(dú)立 的規(guī)則對象，其對應(yīng)的Rreet較大，Rwl較長條狀路段偏大； 根據(jù)W上分析，定義剔除對象的判別函數(shù)如下：(12) 其中，Trwt，Twl為判別闊值，當(dāng)分類結(jié)果二值圖像中的獨(dú)立連通對象對應(yīng)的幾何特征符 合闊值約束條件，則認(rèn)為該對象為非道路對象，需要剔除;反之則為道路對象。8. 根據(jù)權(quán)利要求7所述的一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取的方法，其特征在于： 所述步驟四的具體過程如下； 本步驟WD-S證據(jù)理論作為道路驗(yàn)證推理基礎(chǔ)，不同于傳統(tǒng)的基于D-S證據(jù)理論的道路 提取方法使用的道路幾何與光譜特征，在道路驗(yàn)證模型中融入了道路上下文特征證據(jù)； (a) D-S證據(jù)理論基礎(chǔ) 作為D-S證據(jù)理論的底層概念，首先將待驗(yàn)證對象所有可能結(jié)果的集合所構(gòu) 成的空間進(jìn)行劃分，定義為驗(yàn)證框架，記作Θ，并把Θ中所有子集組成的集合記作2@， 對于2?中任何假設(shè)集合A，有m(A) e [0,1]，并且其中，m稱為2?上的概率分配函數(shù)(BPAF)，m(A)稱為A的基本概率函數(shù)； D-S證據(jù)理論定義了信任函數(shù)Bel和似然函數(shù)P1來表示問題的不確定性，即：信任函數(shù)Bel(A)表示對A為真的信任程度，也稱為下限函數(shù);似然函數(shù)PKA)表示對A為 非假的信任程度，則[Bel(A)，Pl(A)]為A的一個信任區(qū)間，信任區(qū)間刻畫了對A所持信任度 的上下限在有多個證據(jù)存在的情況下，可W使用Dempster合成法則對多個BPAF進(jìn)行合成， 即(b) 道路驗(yàn)證D-S證據(jù)模型； 由于道路驗(yàn)證只需要根據(jù)遙感影像中觀察到的道路場景特征來驗(yàn)證道路身份，根據(jù)D- S證據(jù)理論，取辨識框架Θ為{Y，N}，Y為表示非道路對象，N為道路對象，則有rniV = 0 ;定 義信度分配函數(shù)m:P( {Y，N})一[0，1 ]，= 0 皿（{Y，N}+m(Y)+m(N)) = 1;其中m(N)表示當(dāng) 前特征支持道路對象的信度，m(Y)則表示支持非道路對象的信度，而m( {Y，N}) = l-m(Y)-m (N)表示根據(jù)該證據(jù)不能確定對象道路身份的信度，即支持未知的信度； (C)道路多特征證據(jù)模型 選取與道路密切相關(guān)的邊緣特征、光譜特征、上下文地物特征，并對運(yùn)些特征進(jìn)行適合 道路驗(yàn)證的模型化處理； (d)通過對道路驗(yàn)證相關(guān)特征的分析與對應(yīng)概率分配函數(shù)的定義，對導(dǎo)航數(shù)據(jù)中各路 段分別進(jìn)行處理，根據(jù)導(dǎo)航路段內(nèi)特征檢測結(jié)果得到特征對應(yīng)的概率分配函數(shù)，然后，利用 D-S證據(jù)理論的證據(jù)合成法則（式（16))對特征對應(yīng)的BPAF進(jìn)行合成，得到綜合多特征證據(jù) 的概率分配函數(shù)； 根據(jù)D-S證據(jù)理論對信任函數(shù)Bel的定義(式（14))，可W計(jì)算得到路段消失與存在狀態(tài) 下對應(yīng)的信任概率Beli(Y)，Beli(N);按照最大概率分配原則，定義道路驗(yàn)證判定準(zhǔn)則如下： 對于路段i，若Beli(Y)>Beli(N)，則認(rèn)為對象不是道路;反之，認(rèn)為當(dāng)前對象是道路。9.根據(jù)權(quán)利要求8所述的一種基于自適應(yīng)聚類學(xué)習(xí)的道路網(wǎng)提取的方法，其特征在于： 所述步驟四中，（C)道路多特征證據(jù)模型包括邊緣證據(jù)模型、光譜證據(jù)模型、植被證據(jù)模型、 陰影證據(jù)模型、車輛證據(jù)模型、拓?fù)渥C據(jù)模型。
【文檔編號】G06K9/00GK105975913SQ201610273017
【公開日】2016年9月28日
【申請日】2016年4月28日
【發(fā)明人】眭海剛, 陳 光, 馮文卿, 程效猛, 涂繼輝
【申請人】武漢大學(xué)