基于深度学习的城市道路变化检测开题报告

全文总字数：7150字

1. 研究目的与意义（文献综述）

1.1研究目的

本文基于改进的u-net深度神经网络，对高分辨率遥感影像中的城市道路信息进行提取，并通过对多时相遥感影像数据提取，进行城市道路变化检测和分析。采用python语言中的keras框架构建神经网络实现对上海市多年份的高分辨率遥感影像数据的道路网提取，并对提取精度进行定量评价。对提取到的道路网制定城市道路分类标准，将不同年份的道路网进行变化分析，得到城市道路网的变化结果，以揭示上海市的道路网的状况与城市整体发展的联系，综合对上海市未来城市道路网发展提出科学建议。

1.2研究意义

道路信息在国民经济和人民生活，交通产业中占据着重要地位，在城市道路规划、道路拥堵检测及gps导航系统中也有着巨大的作用^[1]。随着高速发展的遥感科学与计算机技术、电子通信、信息科学、通讯技术紧密连接，道路交通的研究愈加趋向自动智能化。作为空间数据库的重要元素，道路也是数据库中对变化最敏感和最需及时更新的内容，道路目标的识别与提取水平是其中的识别热点和研究主体，在一定程度上决定着地物测绘的智能化水准，对地物的准确定位与判别，对特征挖掘、配准及图像分析及相关应用有着深远意义，对国民经济生产也存在着非常深远的理论和现实价值^[2]。但是，对于持续发生变化的道路信息，传统人工处理效率低下，利用遥感影像，基于深度学习的技术手段，开展智能高效的遥感影像道路信息提取以及变化检测研究，对于交通管理、城市规划、道路监控以及地理信息数据库的更新等具有十分重要的意义^[3]。

2. 研究的基本内容与方案

2.1研究内容

首先，获取上海多年份的高分辨率的遥感影像数据，对遥感影像进行预处理，特别是将不同年份的影像特征调整一致。制作训练样本，选取大量200m*200m的矩形框，矩形框内应包含有道路样本。利用随机数，以样本数为上限，对适配样本进行随机编号并，矢量化样本数据标签。按照7:2:1的比例，将样本划分为训练集、验证集和测试集，将样本数据进行旋转、镜像、倒置等操作来增强训练样本。

运用构建的改进的u-net深度神经网络对道路网提取，利用样本训练u-net网络，重复调整权重参数，输入验证集的数据到训练好的模型进行验证，根据效果对网络进行必要修改，采用形态学方法对道路网进行优化并进行矢量化操作。验证从交并比、准确率、召回率、f1值、kappa系数等对提取精度进行定量评价，并与传统的遥感监督分类如支持向量机等方法进行精度比较。

在此基础上，根据对提取到的道路网的宽度制定城市道路分类标准，将不同年份的道路网进行差值变化分析，得到城市道路网的变化结果。最后结合收集的上海市各方面的发展状况对城市道路变化情况进行综合分析，得出结论。

2.2研究目标

（1）利用深度神经网络提取上海市多年份高分辨率遥感影像的道路信息，得到多年份的上海道路网，并对其提取精度进行定量评价。

（2）根据上海多年提取的道路网，进行逐年的道路变化分析。

（3）结合上海市城市规划和发展情况与城市道路变化情况，揭示两者内在的联系。

2.3技术方案及措施

技术路线如图1：

图1 研究技术路线

3. 研究计划与安排

第1-3周 查阅相关文献资料，明确研究内容；分析国内外研究现状，学习深度神经网络的基本理论；

第4周阅读相关文献资料，整理技术方案，撰写开题报告，完成英文文献翻译；

第5周 遥感影像获取，收集研究区多年遥感影像，进行预处理；

第6-7周 制作训练样本，确定研究区域和样本区域，并增强训练样本数据；

4. 参考文献（12篇以上）

[1]项皓东,从高分辨率遥感影像中提取道路信息的方法综述及展望. 测绘与空间地理信息, 2013. 36(8): 第202-206页.

[2]李德仁,眭海刚,单杰.论地理国情监测的技术支撑[j].武汉大学学报(信息科学版),2012,37(05):505-512 502.

[3]罗扬理,高分辨率遥感影像道路网提取及变化检测,2017,哈尔滨工程大学.第64页.

[4]石林山，黄河，史杨，等. 基于u-net的多时相高分遥感影像耕地语义分割研究[j]. 仪表技术, 2019, (09): 23-27.