陳若男，彭玲，劉玉菲，衛(wèi)志超，呂蓓茹，陳德躍

(1 中國科學(xué)院空天信息創(chuàng)新研究院， 北京 100094；2 中國科學(xué)院大學(xué)， 北京 100049；3 北京工業(yè)大學(xué)信息學(xué)部， 北京 100124)

近些年來，隨著中國新型城鎮(zhèn)化建設(shè)蓬勃發(fā)展，城鎮(zhèn)化趨勢迅速向城郊區(qū)擴(kuò)張，大片林地、山地被開發(fā)，成為農(nóng)業(yè)、旅游、休閑圣地；與此同時，人民生活水平不斷提高，對于郊野生活的向往也日益增長，城郊森林景區(qū)成為大眾休閑放松消遣新興高地。城郊景區(qū)往往依山而建，枝葉茂密，道路蜿蜒，在被賦予大自然迤邐景色的同時，也成為森林火災(zāi)風(fēng)險(xiǎn)集散地。為保證游客和景區(qū)內(nèi)外原住民人身安全，開發(fā)智慧景區(qū)和做好林火安全防范成為新時期剛需。山間道路信息完備是應(yīng)急決策、林火救援核心要素之一。城郊山區(qū)道路信息往往比城區(qū)情況復(fù)雜，具有坡高、路陡、人煙稀少等特點(diǎn)，測繪成本和制作難度高、商業(yè)價(jià)值較低，鮮有城郊山區(qū)具有高精度電子路網(wǎng)信息。

遙感影像有高空間分辨率、高時間分辨率明顯優(yōu)勢[1]，近年來許多學(xué)者對遙感影像道路信息提取進(jìn)行了研究，包含傳統(tǒng)方法、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等。在傳統(tǒng)方法上，Hu等[2]基于形狀特征檢測出道路交叉口，利用尋趾算法尋找優(yōu)勢方向來跟蹤路段；左娟和李勇軍[3]提出利用數(shù)學(xué)形態(tài)學(xué)對道路目標(biāo)進(jìn)行提??；Singh和Gary[4]在形態(tài)學(xué)操作基礎(chǔ)上結(jié)合自適應(yīng)全局閾值設(shè)定；勞小敏等[5]及李書曉和常紅星[6]提出結(jié)合鄰域總變分分割方法和基于邊緣檢測、變分幾何準(zhǔn)則的形態(tài)學(xué)分析遙感影像道路提取方法。在機(jī)器學(xué)習(xí)方法上，曹婷和王歡[7]提出基于改進(jìn)的空間線模型，利用基礎(chǔ)分類器得到置信度圖提取二值 SPRAY 特征，引入幀間信息復(fù)用機(jī)制提高道路寬度檢測精度；朱恩澤等[8]運(yùn)用支持向量機(jī)將不同類別像素分為道路類和非道路類，同時采用形態(tài)學(xué)進(jìn)行后處理得到精確道路網(wǎng)信息。在深度學(xué)習(xí)方法上，Mnih[9]設(shè)計(jì)了一種有效的深度神經(jīng)網(wǎng)絡(luò)從航空影像中自動提取道路，是最早嘗試之一；Zhang等[10]提出一種用于道路提取的深度殘差U-Net，并在Massachusetts道路數(shù)據(jù)集上展示其優(yōu)越性能；Zhou等[11]提出使用膨脹卷積來擴(kuò)大感受野以獲取更豐富的空間信息；Xu等[12]通過引入局部和全局的 attention 單元，并基于DenseNet網(wǎng)絡(luò)構(gòu)建新的道路提取方法，能有效地從具有局部和全局信息的遙感圖像中提取道路網(wǎng)絡(luò)；Kestur等[13]提出UFCN模型以實(shí)現(xiàn)無人機(jī)低空遙感圖像道路提取，該模型由一組卷積堆棧和相應(yīng)的鏡像反卷積堆疊組成，在這些卷積層與反卷積層之間使用跳躍連接來保存特征局部信息。

現(xiàn)有研究表明，與傳統(tǒng)方法相比，深度學(xué)習(xí)技術(shù)在遙感影像地物提取上具有明顯優(yōu)勢。雖然許多學(xué)者對道路信息進(jìn)行了大量研究，但研究對象多是針對城區(qū)規(guī)整道路；而城郊山區(qū)道路往往具有背景復(fù)雜、道路遮擋多、路寬窄等特點(diǎn)，因此城區(qū)道路提取模型在城郊山區(qū)適用性較差，不可直接遷移；且目前多數(shù)研究停留在城區(qū)道路像級提取階段，缺少進(jìn)一步后處理研究。

本文針對城郊山區(qū)高遮擋場景，構(gòu)建道路深度學(xué)習(xí)語義分割模型，在此基礎(chǔ)上提出一種增強(qiáng)道路提取結(jié)果在連續(xù)性方面表達(dá)能力的模型訓(xùn)練方法，并在本課題研制城郊山區(qū)Yajishan道路數(shù)據(jù)集和Massachusetts公開道路數(shù)據(jù)集上進(jìn)行了效果評估；此外，還驗(yàn)證了該訓(xùn)練方法在其他常用語義分割模型上同樣有效。最后，基于模型提取結(jié)果進(jìn)行后處理，形成一套后處理流程，將提取成果轉(zhuǎn)化為包含道路寬度信息的道路中心線和道路面兩種可視化、可分析矢量數(shù)據(jù)格式。

1 研究方法

本文研究主要包括兩部分，整體流程如圖1所示。第一部分基于遙感影像提出適用于城郊山區(qū)的道路面提取方法，第二部分基于提取結(jié)果進(jìn)行后處理得到帶有寬度信息的道路中心線矢量數(shù)據(jù)與道路面矢量數(shù)據(jù)。

圖1 本文工作概覽圖Fig.1 The overview of the work flow chart

1.1 道路面提取方法

在遙感影像上，城郊山區(qū)道路存在嚴(yán)重遮擋現(xiàn)象，容易造成自動提取結(jié)果不理想，突出表現(xiàn)為道路不連續(xù)性和破碎的問題相對嚴(yán)重。針對上述問題，基于深度學(xué)習(xí)語義分割模型，提出一種通過樣本變換，將道路二類問題轉(zhuǎn)化為多分類問題的模型訓(xùn)練方法。在樣本變換中引入連續(xù)距離變化信息，迫使模型強(qiáng)化學(xué)習(xí)道路空間距離特征，緩解因遮擋問題造成的道路連續(xù)性破碎問題。該訓(xùn)練方法具有可遷移性，可適用于其他常規(guī)語義分割模型。同時，還提出一種基于ResNet骨架網(wǎng)絡(luò)的道路語義分割模型。

1.1.1 樣本變換

為強(qiáng)化模型學(xué)習(xí)道路空間連續(xù)特性，需要細(xì)化樣本特征表達(dá)粒度，二類樣本僅區(qū)分道路和非道路，本節(jié)引入每個像素與最近道路邊緣像素間距離信息，突出空間距離信息連續(xù)性變化特征以最終達(dá)到學(xué)習(xí)道路連續(xù)性特征的目的。

為得到各像素空間距離分布特征，引入符號距離變換(signed euclidean distance transform，SDT)[14]概念，將二類樣本映射到距離空間，SDT定義如下所示

(1)

式中：符號距離值SDTi表示當(dāng)前像素xi到其最接近的不同類別像素xj的距離；DE為歐幾里得距離；F和B分別為前景(道路像素)和背景區(qū)域(非道路像素)，這里的符號標(biāo)識像素是屬于前景區(qū)域(+)，還是背景區(qū)域(-)。

本節(jié)將對SDT變換方式進(jìn)行調(diào)整使其更適合道路提取模型，并命名為邊緣符號距離變換，邊緣符號距離 BSDi值定義如下所示

(2)

其中:對于每個像素位置xi，距離值Di被定義為xi到位于道路邊緣上的最近點(diǎn)xj的距離。然后將距離Di通過對數(shù)映射方式實(shí)現(xiàn)縮放。使其對距離變化的敏感度隨著與道路邊緣距離的增大而降低，即在道路邊緣及其附近信息粒度更細(xì)，而在距離道路邊緣遠(yuǎn)的背景區(qū)域信息粒度更粗，以達(dá)到促使模型進(jìn)行特征學(xué)習(xí)時將注意力集中在道路邊緣及鄰近區(qū)域，而對距離道路邊緣很遠(yuǎn)的背景區(qū)域的特征注意力小。此外，同樣賦予道路和非道路像素符號為正、負(fù)，道路邊界像素的BSDi值為零。

然后對BSDi值根據(jù)先驗(yàn)知識，進(jìn)行歸類得到多類道路樣本。在閾值設(shè)定時，類別細(xì)分程度遵循以下規(guī)則：首先是距離道路邊緣近的道路區(qū)域細(xì)化程度最高，其次是距離道路邊緣近的非道路區(qū)域細(xì)化程度較高，最后是距離道路邊緣越遠(yuǎn)的非道路區(qū)域細(xì)化程度越低。相比直接采用連續(xù)變量BSDi的距離表達(dá)方式，進(jìn)行分段歸類后的多類表達(dá)方式計(jì)算量更少，在加快模型訓(xùn)練速度的同時，由于遠(yuǎn)離道路的背景區(qū)域標(biāo)簽粒度很低，能進(jìn)一步削弱對遠(yuǎn)離道路的背景像素值變化的注意力，從而起到一定的噪聲過濾作用。

圖2中將上述3種樣本表達(dá)方式進(jìn)行了可視化，包括二類特征表達(dá)、符號距離特征表達(dá)、多類特征表達(dá)，從可視化效果可以看出，與道路/非道路二類標(biāo)記特征表達(dá)不同，距離變換后的特征表示可以更好地實(shí)現(xiàn)細(xì)粒度邊界信息表達(dá)。實(shí)值距離信息促使模型更好地識別道路邊界，通過學(xué)習(xí)與邊界間距離特征，更好地進(jìn)行道路像素提取，而不僅限于光譜特征學(xué)習(xí)。因?yàn)槎囝惖缆窐颖緦⑵仁鼓Ｐ驮趨?shù)訓(xùn)練過程中，在光譜特性因遮擋易錯分的像素進(jìn)行判別分類時，學(xué)習(xí)其BSDi距離值與其附近易判別像素的BSDi距離值之間的相關(guān)性來輔助分類判斷，以達(dá)到修正形狀畸形或破碎不連續(xù)道路目的。

圖2 不同樣本特征表達(dá)方式Fig.2 Different expressions of road features

1.1.2 模型構(gòu)建

在經(jīng)典的ResNet骨架網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行道路提取模型構(gòu)建。圖3概述了本文道路語義分割模型框架，如圖所示該模型由編碼模塊、分類模塊、損失計(jì)算3部分組成。

圖3 道路語義分割模型框架圖Fig.3 The framework of road semantic segmentation model

編碼模塊用于對輸入影像進(jìn)行多次卷積和池化操作，從而抽象出深層次特征圖，以便更好地捕捉上下文信息；選取ResNet作為骨架網(wǎng)絡(luò)進(jìn)行特征提取，它由5組卷積構(gòu)成，且每組輸出均為輸入的1/2，最終得到的特征圖是輸入圖像的1/32?？紤]到城郊山區(qū)道路通常寬度小，像素少，故模型需要保持輸入圖像的高頻細(xì)節(jié)信息。為此，修改最后2個卷積組步長，在最后2組卷積操作中不再縮小特征圖，最終得到的特征圖是輸入圖像的1/8。同時使用擴(kuò)張卷積來增大卷積層感受野，進(jìn)一步豐富空間上下文信息。

在分類模塊中，對編碼器輸出的初步特征圖進(jìn)行降維，獲得更深層次特征。其中采用批歸一化層將每個小批量上輸入分布?xì)w一化為標(biāo)準(zhǔn)正態(tài)分布，減少內(nèi)部協(xié)變量偏移以加速學(xué)習(xí)過程[15]。通過1×1卷積層獲得多類分類概率圖，即每個像素值為該像素屬于各類別的概率。最后通過上采樣得到與輸入圖像大小一致的多類分類概率圖。

在損失計(jì)算中，針對每個像素取預(yù)測概率最大值對應(yīng)類別作為最終預(yù)測類別，再采用交叉熵?fù)p失函數(shù)計(jì)算預(yù)測結(jié)果與多類真實(shí)標(biāo)簽之間的分類損失。同時采用反向傳播算法進(jìn)行模型訓(xùn)練直至損失收斂。

(3)

式中：N為樣本總數(shù)；M為類別總數(shù)；pi,m為第i個樣本屬于m類的概率；yi,m為指示變量，當(dāng)?shù)趇個樣本的真實(shí)標(biāo)簽值與m類別值一致時為1，否則為0。

1.1.3 評價(jià)指標(biāo)

在模型測試階段，將最終輸出的10類重新合并為2類，即道路和非道路，然后計(jì)算F1指標(biāo)定量評定模型效果。其中F1是評價(jià)分類模型的常用指標(biāo)，是精度(precision)和召回率(recall)的調(diào)和平均值，能綜合考慮錯分和漏分兩方面的誤差以合理評估模型效果。故本文采用F1值作為評價(jià)指標(biāo)對模型效果進(jìn)行評估，具體計(jì)算方式如下所示:

(4)

(5)

(6)

其中:TP(true positive)表示標(biāo)注為道路且模型分類結(jié)果為道路(正樣本)的像素總數(shù)量；FP(false positive) 表示標(biāo)注為非道路但模型分類結(jié)果為道路(正樣本)的像素總數(shù)量；FN(false negative)表示標(biāo)注為道路但模型分類結(jié)果為非道路(負(fù)樣本)的像素總數(shù)量。

1.2 后處理方法

1.2.1 道路面矢量化

為了提高模型提取結(jié)果的應(yīng)用價(jià)值，對上述模型提取結(jié)果進(jìn)行自動拼接和地理位置信息復(fù)原操作(圖4)。在對測試區(qū)域進(jìn)行道路提取時，往往考慮GPU容量會對其進(jìn)行分割，分割時規(guī)范化子圖命名為image_A、B，其中A、B分別為子圖左上角像素在原測試區(qū)域行號和列號，對模型輸出結(jié)果子圖進(jìn)行拼接。這里模型輸出結(jié)果指將模型預(yù)測得到的多類道路合并為二類(道路和非道路)后的結(jié)果。需要以ASCII碼作為中間轉(zhuǎn)換介質(zhì)，將原測試區(qū)域影像中含有的地理坐標(biāo)信息賦給由于切割拼接而丟失地理坐標(biāo)信息路網(wǎng)提取結(jié)果圖像。最后再通過柵格轉(zhuǎn)矢量操作，實(shí)現(xiàn)將模型道路面提取成果以矢量shapefile格式輸出，方便后處理及各類應(yīng)用級空間分析。

圖4 結(jié)果矢量化流程Fig.4 Vectorization process of results

1.2.2 中心線提取

在路網(wǎng)數(shù)據(jù)應(yīng)用路徑規(guī)劃時，往往會采用線數(shù)據(jù)而非面數(shù)據(jù)，因此道路中心線是路網(wǎng)的一種重要應(yīng)用級格式。本節(jié)基于2.2.1中獲取的道路面polygon數(shù)據(jù)，通過幾何計(jì)算生成中心線polyline數(shù)據(jù),并基于voronoi圖思想進(jìn)行道路中心線提取。主要通過以下3個步驟完成：對道路多邊形邊界加密；構(gòu)建voronoi圖；根據(jù)所構(gòu)建的votonoi圖進(jìn)行道路中心線提取。

第1步：加密多邊形邊界。

取0.5 m為間距加密邊界點(diǎn)，循環(huán)至總距離等于多邊形周長時停止。

第2步：根據(jù)加密邊界生成voronoi圖。

首先采用Bowyer-Watson算法[16]生成Delaunay三角網(wǎng)：

1) 構(gòu)造一個超級三角形，包含所有散點(diǎn)，放入三角形鏈表。

2) 將點(diǎn)集合中的散點(diǎn)依次插入，在三角形鏈表中找出所有其外接圓包含插入點(diǎn)的三角形(稱為影響三角形)，刪除這些影響三角形的公共邊形成空腔，然后將插入點(diǎn)同空腔全部頂點(diǎn)連接起來，完成一個點(diǎn)在Delaunay三角形鏈表中的插入。循環(huán)執(zhí)行，直到所有散點(diǎn)插入完畢。

在三角網(wǎng)基礎(chǔ)上生成voronoi圖：

3) 離散點(diǎn)自動構(gòu)建三角網(wǎng)，即構(gòu)建Delaunay三角網(wǎng)。對離散點(diǎn)和形成的三角形編號，記錄每個三角形是由哪3個離散點(diǎn)構(gòu)成。

4) 對與每個離散點(diǎn)相鄰的三角形按順時針或逆時針方向排序，以便下一步連接生成泰森多邊形。計(jì)算每個三角形外接圓圓心并記錄。

5) 根據(jù)每個離散點(diǎn)相鄰三角形，依次連接這些相鄰三角形外接圓圓心得到泰森多邊形。對于三角網(wǎng)邊緣，作垂直平分線與全圖輪廓相交，與圖廓一起構(gòu)成泰森多邊形。遍歷結(jié)束后，所有voronoi邊被找到，畫出voronoi圖。

第3步：提取voronoi圖的脊生成道路中心線。

1) 獲取voronoi圖中所有的節(jié)點(diǎn)，將所有處于原始道路坐標(biāo)輪廓之外的點(diǎn)ID命名為-1，其他ID保持不變。

2) 獲取所有voronoi邊，若voronoi邊中兩個節(jié)點(diǎn)ID均不為-1，且voronoi邊在道路要素內(nèi)部，則將這條邊保存到結(jié)果集合中。

3) 將結(jié)果集合轉(zhuǎn)換為矢量格式polyline輸出。

1.2.3 寬度計(jì)算

提取林區(qū)道路寬度信息可以在林火應(yīng)急救援時為消防應(yīng)急救援部隊(duì)提供道路通行方案，為林火救援爭取寶貴時間，因此本文將通過計(jì)算挖掘道路面中隱含的道路寬度信息。

目前道路寬度提取方法主要有[17]：細(xì)化方法道路寬度提取、利用邊緣信息的寬度提取[18-19]、基于 Hough 變換的道路寬度提取[20]、基于多方向結(jié)構(gòu)的道路寬度提取[21]、基于模板匹配的道路寬度提取。其中用 Hough[20]變換檢測主要道路寬度的方法使用較多, Hough變換是以構(gòu)造相應(yīng)的數(shù)學(xué)形態(tài)學(xué)線性結(jié)構(gòu)元素進(jìn)行寬度計(jì)算，但規(guī)則化道路場景效果較好，在城郊山區(qū)道路狹窄、遮擋場景下難以設(shè)計(jì)線性結(jié)構(gòu)，幾乎無法復(fù)用。故基于上一節(jié)從遙感影像中提取的道路矢量成果提出更適合于工程化的道路寬度計(jì)算方法，使得道路場景魯棒性更好。該方法在前文獲取道路面和道路中心線矢量數(shù)據(jù)基礎(chǔ)上進(jìn)行計(jì)算。如圖5所示，具體思路是通過遍歷道路中心線上各點(diǎn)Ci，依次取臨近2個點(diǎn)，計(jì)算微小線段CiCi+1斜率，通過幾何關(guān)系獲得微小線段垂線與道路面邊線2個交點(diǎn)Ai,Bi，這2個交點(diǎn)間距離即為微小線段處道路寬度信息。

圖5 道路寬度計(jì)算示意圖Fig.5 Schematic diagram of road width calculation

具體步驟如下：

1)在已知道路中心線和道路polygon的矢量數(shù)據(jù)后，通過取道路中心線的2點(diǎn)Ci、Ci+1，獲取其地理坐標(biāo)，從而計(jì)算得到CiCi+1的斜率。

2)計(jì)算得到CiCi+1的垂直平分線，其將與道路邊線相交于點(diǎn)Ai、Bi，并計(jì)算線AiBi的長度Li。

3)剔除Li中的異常點(diǎn)，然后計(jì)算Lmax、Lmin和Lmean，即道路寬度的最大值、最小值和平均值，在笛卡爾坐標(biāo)系下，就能得到道路的寬度值，單位為m。

(7)

得到每段道路寬度信息后，為后續(xù)應(yīng)用提供重要決策支撐：如作用于林火應(yīng)急救援消防車車輛通達(dá)性分析。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 精度分析

2.1.1 實(shí)驗(yàn)數(shù)據(jù)

為使本文實(shí)驗(yàn)更具科學(xué)性，將在自制Yajishan城郊山區(qū)道路數(shù)據(jù)集和Massachusetts公開道路數(shù)據(jù)集上分別進(jìn)行實(shí)驗(yàn)。為了更好地研究城郊山區(qū)道路提取問題，課題組研制了一個專門面向城郊山區(qū)的道路樣本集，命名為Yajishan道路數(shù)據(jù)集。數(shù)據(jù)選址為北京劉家店鎮(zhèn)丫髻山及附近村莊范圍，包含冬季(33平)和夏季(25平)該地區(qū)跨時相兩季的山區(qū)和農(nóng)村道路，它們通常比城市道路窄，背景更為復(fù)雜，存在較多樹木或陰影遮擋，具有較大挑戰(zhàn)性。數(shù)據(jù)源為高景一號(0.5 m分辨率)，共1 906個樣本，單個樣本大小為512像素×512像素，其中1 818用于訓(xùn)練集(重疊比例為256像素)，88張作為測試集(重疊比例為0像素)。對應(yīng)標(biāo)簽是通過人工目視解譯對遙感影像進(jìn)行矢量化得到。制作過程選擇適當(dāng)縮放比例，較準(zhǔn)確地沿著邊緣像素繪制生成shapefile格式矢量文件，通過矢量轉(zhuǎn)柵格，獲得二值化柵格影像(0為背景，1為道路)，是嚴(yán)格意義上像素級語義分割道路面樣本。

為了實(shí)驗(yàn)的可對比性和科學(xué)性，還采用了公開道路數(shù)據(jù)集Massachusetts[9]，其數(shù)據(jù)源選址為美國馬薩諸塞州，共覆蓋2 600 km2，包含城市、郊區(qū)和農(nóng)村多種場景。共1 171張航拍圖像，影像分辨率為1.2 m，單個樣本大小為1 500像素×1 500像素，其中1 108張用于訓(xùn)練集，14張用于驗(yàn)證集，49張作為測試集。另外對應(yīng)樣本標(biāo)簽是通過對從OpenStreetMap獲得的道路中心線矢量數(shù)據(jù)做柵格化處理，且統(tǒng)一規(guī)定線寬為7個像素，因此并非嚴(yán)格意義上的像素級語義分割道路面樣本。

下文實(shí)驗(yàn)將根據(jù)2.1.1節(jié)邊緣符號樣本變換對Yajishan和Massachusetts 道路數(shù)據(jù)集二類樣本進(jìn)行距離變換，基于表1 BSDi值分類閾值設(shè)定規(guī)則，得到道路多類樣本(10類)，其中標(biāo)簽0～4為道路，5～9為非道路。

表1 分類閾值表Table 1 Distance threshold table

2.1.2 實(shí)驗(yàn)參數(shù)

采用4塊NVIDIA Titan XP GPU進(jìn)行模型測試實(shí)驗(yàn)，內(nèi)存為12 GB。對于Yajishan數(shù)據(jù)集學(xué)習(xí)率初始值設(shè)為0.01，batchsize設(shè)置為16，epoch為100個。對于Massachusetts數(shù)據(jù)集學(xué)習(xí)率初始值設(shè)為0.01，batchsize設(shè)置為8，epoch為150個。在數(shù)據(jù)增強(qiáng)方面，對訓(xùn)練集采用隨機(jī)左右翻轉(zhuǎn)。在模型預(yù)測結(jié)果上，利用Multi-Scale策略融合多分辨率預(yù)測結(jié)果。

2.1.3 結(jié)果分析

1)實(shí)驗(yàn)1 不同數(shù)據(jù)集上多類樣本訓(xùn)練效果測試

基于2.1.2中構(gòu)建的模型，分別在Yajishan道路數(shù)據(jù)集和Massachusetts道路數(shù)據(jù)集上進(jìn)行訓(xùn)練，并在測試集上定量評估道路面提取能力，并進(jìn)行可視化定性評估道路連續(xù)性方面的提升效果。

分析表2可知在城郊山區(qū)場景Yajishan道路數(shù)據(jù)集上，以F1為評估標(biāo)準(zhǔn)，使用多類距離樣本訓(xùn)練本文模型最終測試精度可達(dá)81.02%，比單獨(dú)使用二類樣本提高2.88%。在覆蓋城市、郊區(qū)、農(nóng)村場景的Massachusetts道路數(shù)據(jù)集上，同樣以F1為評估標(biāo)準(zhǔn)，使用多類距離樣本訓(xùn)練本文模型比單獨(dú)使用二類樣本提高2.89%，F(xiàn)1可達(dá)77.85%。需要說明的是由于Massachusetts道路樣本標(biāo)注是由寬度為7個像素的擴(kuò)展中心線生成，故真值本身存在誤差，所以以像素級評估精度時F1值會比較低。

表2 引入多類樣本訓(xùn)練本文模型的性能提升效果Table 2 The performance improvement of introducing multi-class samples to train proposed model

分析圖6和圖7，可以看出在兩個數(shù)據(jù)集上，使用二類樣本訓(xùn)練本文模型得到的結(jié)果在連續(xù)性上存在明顯道路連續(xù)性問題。說明引入距離多級樣本迫使模型學(xué)習(xí)道路像素間位置聚類關(guān)系，使得因遮擋而光譜特征接近非道路地物的像素，在充分考慮距離特征后被正確分類，能夠克服大部分遮擋問題。這是因?yàn)閺木嚯x特征角度，這些被遮擋的道路像素與臨近未遮擋部分道路像素間，在垂直道路方向有明顯相似距離連續(xù)變化特征，在平行道路方向有明顯距離相似特征。綜上，使用多類樣本訓(xùn)練本文模型能夠生成語義更為精準(zhǔn)、連續(xù)性表達(dá)能力更好的道路面數(shù)據(jù)。

圖6 基于Massachusetts道路數(shù)據(jù)集引入距離多類樣本的本文模型提取結(jié)果Fig.6 Extraction results of introducing multi-class samples to train proposed model based on Massachusetts road dataset

圖7 基于Yajishan道路數(shù)據(jù)集引入距離多類樣本的本文模型提取結(jié)果Fig.7 Extraction results of introducing multi-class samples to train proposed model based on Yajishan road dataset

2)實(shí)驗(yàn)2 不同模型上的多類樣本訓(xùn)練效果測試

為了驗(yàn)證本文提出的引入距離信息將二類樣本轉(zhuǎn)換為多類樣本訓(xùn)練方法，不僅在本文模型上具有提升模型道路提取能力效果，在常用語義分割模型上也同樣適用。本實(shí)驗(yàn)基于Yajishan道路數(shù)據(jù)集，構(gòu)建常用語義分割模型DeepLabV3[22]和U-Net[23]，并分別進(jìn)行引入多類樣本前和后的提取效果對比實(shí)驗(yàn)。

分析表3可知，DeepLabV3模型采用多級樣本進(jìn)行訓(xùn)練最終在Yajishan測試集上的F1指標(biāo)可達(dá)79.8%，相比采用二類樣本訓(xùn)練的方式提高5.98%。同樣U-Net模型采用多級樣本的訓(xùn)練方式也提高了2.59%，F(xiàn)1指標(biāo)達(dá)79.3%。實(shí)驗(yàn)結(jié)果表明，引入距離信息，強(qiáng)迫模型學(xué)習(xí)距離信息在道路對象的垂直和水平方向的連續(xù)變化特征，有助于提高模型精度。

表3 采用多類樣本訓(xùn)練常用語義分割模型的性能提升效果Table 3 Performance improvement effect of introducing multi-class samples to train proposed model based on Yajishan road dataset

3)實(shí)驗(yàn)3 本文方法與常見模型效果對比

最后在Yajishan道路數(shù)據(jù)集、Massachusetts道路數(shù)據(jù)集上分別對比了本文方法與常用語義分割模型道路提取效果。由表4可見本文提出的城郊山區(qū)道路提取模型及訓(xùn)練方法在兩個數(shù)據(jù)集上表現(xiàn)均比常用語義分割模型DeepLabV3、U-Net要好，驗(yàn)證了本文工作的有效性。

表4 本文方法與常見模型精度對比Table 4 Comparison of proposed model with other common used semantic segmentation models

2.2 應(yīng)用分析

利用3.1在城郊山區(qū)Yajishan道路數(shù)據(jù)集上訓(xùn)練的模型，在測試集上進(jìn)行道路面信息提取，并在此基礎(chǔ)上通過2.2節(jié)系列后處理，包含道路面矢量化、中心線提取、寬度計(jì)算。然后結(jié)合消防應(yīng)急車輛車寬尺寸數(shù)據(jù)，對該區(qū)域進(jìn)行消防車通達(dá)度空間分析。

根據(jù)《建筑設(shè)計(jì)防火規(guī)范(GB 50016—2014)》[24]，目前國內(nèi)消防車寬度大都為3.5 m，消防車道凈寬和凈空高度均不應(yīng)小于4.0 m。故制定如下規(guī)則：道路寬度不小于4.0 m，能走消防車，但僅能單向通行，即只允許同向單輛消防車通過，不能同時有上山車和下山車；雙行道按照平均寬度計(jì)算，至少道路寬度不能低于8.0 m，支持雙向通行，即2輛消防車行駛方向可相反，上山車、下山車互不影響，同時進(jìn)行。對丫髻山試驗(yàn)區(qū)道路寬度進(jìn)行空間分析，結(jié)果如圖8和表5所示。

圖8 測試區(qū)消防車通達(dá)度分析Fig.8 Analysis of fire truck accessibility in test area

表5 道路寬度分級情況Table 5 Road width classification

3 結(jié)論

針對城郊山區(qū)道路，基于深度學(xué)習(xí)技術(shù)，本文提出一種道路提取語義分割模型，以及一種將道路二類問題轉(zhuǎn)化為多分類問題的道路語義分割模型訓(xùn)練方法，迫使模型側(cè)重學(xué)習(xí)道路像素間空間位置特征，緩解因遮擋問題造成的道路不連續(xù)性問題，分別從定性和定量角度在Yajishan數(shù)據(jù)集和Massachusetts數(shù)據(jù)集上證明該方法的有效性，且實(shí)驗(yàn)表明該訓(xùn)練方法同樣適用于其他語義分割模型如U-Net、DeepLabV3。最后以城郊丫髻山風(fēng)景區(qū)(Yajishan數(shù)據(jù)集測試集)為例，實(shí)現(xiàn)了基于語義分割模型提取結(jié)果進(jìn)行帶寬度信息的矢量道路中心線數(shù)據(jù)的生成，并結(jié)合消防車道規(guī)范要求進(jìn)行道路通達(dá)度空間分析。實(shí)驗(yàn)證明，本文提出的道路語義分割模型、訓(xùn)練方法及后處理應(yīng)用方法，能有效緩解目前商業(yè)電子地圖山區(qū)道路信息不足問題。