場景解譯框架下的高速鐵路沿線建筑物隱患自動識別.pdf

1、高速鐵路沿線地理環(huán)境復雜，存在諸多安全隱患，尤其是沿線的房屋、工廠等非法建筑嚴重影響到高鐵的安全運營。因此，必須及時對高鐵沿線建筑隱患進行排查。傳統(tǒng)的人工實地勘察檢測建筑隱患的方法費時費力、效率低下，難以對整個高鐵網(wǎng)絡進行有效的監(jiān)控。高分辨率遙感技術具有實時性、周期性等技術優(yōu)勢，為快速、客觀、動態(tài)地監(jiān)測高鐵沿線建筑隱患提供了有效的技術手段。
　　高分辨率遙感影像地物細節(jié)信息十分豐富，但是也存在大量“同物異譜”和“異物同譜”的現(xiàn)象，

2、導致傳統(tǒng)的基于像素提取建筑方法精度較低。面向?qū)ο蠓椒ㄓ捎陬櫦傲讼袼刂g的空間關系，在一定程度上提高了高分辨率遙感影像建筑物識別的精度，但是確定最優(yōu)分割尺度往往比較困難。此外，這兩種方法提取建筑時往往基于圖像的底層視覺特征分析，并沒有建立在圖像所描述的高層次語義特征之上，因此，存在明顯的語義鴻溝，影響建筑物識別的精度。為了突破這一限制，需要從更高層次的場景層次去理解高分辨率遙感影像。
　　本文選取京滬高鐵宿州-蚌埠某段的Google

3、 Earth影像作為研究數(shù)據(jù)。在場景解譯框架下，本文首先建立高鐵沿線影像塊樣本庫，然后將高鐵沿線影像劃分為重疊的影像塊。將影像塊看作文檔，通過視覺詞袋模型和潛在狄利克雷分布主題模型分別得到影像塊的視覺單詞直方圖表示和潛在的語義主題混合比例信息，輸入到SVM分類器得到影像塊的類別，最后通過類別投票法確定每個像素的類別，從而實現(xiàn)建筑物隱患的自動識別;將影像塊輸入到經(jīng)過訓練的卷積神經(jīng)網(wǎng)絡，通過卷積、池化、全連接操作得到全連接層，輸入到Soft

4、max得到每個影像塊的類別概率分布，最后通過等權(quán)平均的方式得到每個像素的類別概率分布，取概率最大所屬類別作為該像素的類別，從而實現(xiàn)建筑物隱患的提取。經(jīng)過實驗分析，得到以下結(jié)論:
　　經(jīng)過實驗分析，得到以下結(jié)論:
　　(1)相比于傳統(tǒng)的基于像素和面向?qū)ο笫褂玫讓犹卣鞯慕ㄖ[患識別方法，基于場景解譯方法能夠顯著提升結(jié)果緊湊性和完整性，總體精度和生產(chǎn)者精度最高均可達91％，kappa系數(shù)可達0.71，與地面真實值較為接近;