基于街景影像的无人机航线规划飞行高度控制方法及系统与流程

1.本发明属于无人机航线规划技术领域，具体涉及一种基于街景影像的无人机航线规划飞行高度控制方法及系统。


背景技术：

2.在城市中进行无人机航线规划的过程中，平面数据可以从地图中直接获取，而高度数据需要技术人员进行实地调绘，数据获取周期长，工作量巨大，效率低下，严重影响了无人机航线规划的效率。


技术实现要素：

3.为解决现有技术中的不足，本发明提供一种基于街景影像的无人机航线规划飞行高度控制方法及系统，能够快速获取无人机航线规划中所需的高度数据，减轻实地调绘的工作量，提高调绘工作和无人机航线规划的效率。
4.为达到上述目的，本发明所采用的技术方案是：第一方面，提供一种无人机航线规划飞行高度控制方法，包括：采集城市街景影像；将采集的城市街景影像输入训练好的用于预测建筑物高度的神经网络模型，输出城市街景影像中建筑物的高度，用于无人机航线规划中的高度控制。
5.进一步地，所述采集城市街景影像的方法基于网络爬虫技术，具体包括：获取城市的道路网络数据；将道路网络数据的地理坐标系转换为平面坐标系；以递归重复调用python开源库shapely的cut函数的方式将城市道路切割为具有固定平面间隔l的采样点；运用坐标纠偏技术，将采样点的坐标进行从平面坐标系到地理坐标系的转换；在得到采样点地理坐标的基础上，进行街景影像的采集。
6.进一步地，所述用于预测建筑物高度的神经网络模型的构建方法，包括以在imagenet数据集上预训练的vgg16模型为基础，采用迁移学习方式，构建神经网络模型；所述神经网络模型的输入是街景影像，输出是建筑物的高度。
7.进一步地，所述用于预测建筑物高度的神经网络模型的训练方法，包括：基于采集的城市的街景影像，构建基于街景影像的建筑物高度识别样本库；利用深度学习技术，以基于街景影像的建筑物高度识别样本库为数据源，训练用于预测建筑物高度的神经网络模型。
8.进一步地，在训练中，以平均绝对误差为目标损失函数和精度评价指标，以rmsprop为模型优化器，经过多次迭代计算，得到平均绝对误差满足设定条件的最优模型。
9.第二方面，提供一种无人机航线规划飞行高度控制系统，包括：图像采集模块，用于采集城市街景影像；高度控制模块，用于将采集的城市街景影像输入训练好的用于预测建筑物高度的神经网络模型，输出城市街景影像中建筑物的高度，用于无人机航线规划中的高度控制。
10.与现有技术相比，本发明所达到的有益效果：本发明通过将采集的街景影像输入
训练好的用于预测建筑物高度的神经网络模型，输出街景影像中建筑物的高度，用于无人机航线规划中的高度控制，能够快速获取无人机航线规划中所需的高度数据，减轻了实地调绘的工作量，提高了调绘的工作效率和无人机航线规划的效率。
附图说明
11.图1是本发明实施例提供的一种基于街景影像的无人机航线规划飞行高度控制方法的流程示意图。
具体实施方式
12.下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
13.实施例一：
14.一种基于街景影像的无人机航线规划飞行高度控制方法，包括：采集城市街景影像；将采集的城市街景影像输入训练好的用于预测建筑物高度的神经网络模型，输出城市街景影像中建筑物的高度，用于无人机航线规划中的高度控制。
15.本实施例综合利用城市街景影像和深度学习技术，快速自动地识别区域的建/构筑物高度。如图1所示，主要包括以下步骤。
16.步骤一：采集城市街景影像。
17.基于网络爬虫技术采集城市地区的街景影像。首先，在geopandas(用于地理空间数据处理)、shapely(用于操作和分析空间几何对象)、requests(用于处理爬虫请求)等python开源库的支持下，实现城市区域的道路网络数据获取，并以json和shapefile的数据形式进行存储。其次，在geopandas、pyproj(用于空间投影转换)、shapely等python库的支持下，采用多进程处理手段，对采集的城市道路网络进行等间距采样，得到一系列街景采样点。具体操作如下：
18.1)考虑到采样点之间的间距以米为单位，基于pyproj定义的投影参数，将城市路网数据进行从地理坐标系(以经纬度表示坐标)到平面坐标系(以xy表示坐标)的坐标转换；
19.2)以递归重复调用python开源库shapely的cut函数的方式将城市道路切割为具有固定平面间隔l的采样点；
20.3)运用坐标纠偏技术，将采样点的坐标进行从平面坐标系到地理坐标系(wgs84)的转变，以便构建适用于从互联网下载街景影像的通用接口；
21.然后，在得到街景采样点的地理坐标的基础上，进行街景影像的采集。包括如下操作：
22.4)将经纬度表示的街景采样点转换为百度墨卡托坐标下的平面坐标xy，并将其嵌入到url1:https://mapsv0.bdimg.com/？qt＝qsdata&x＝x&y＝y中；
23.5)在浏览器中输入url1，在返回的数据中找到当前街景采样点的id，并将其嵌入到url2:https://mapsv0.bdimg.com/？qt＝sdata&sid＝id中；
24.6)在浏览器中输入url2，在返回的数据中历史年份街景数据的pid，并将其嵌入到url3：https://mapsv0.bdimg.com/？qt＝pr3d&fovy＝120&quality＝100&panoid＝pid&heading＝0&pitch＝0&width＝1024&height＝512中。在浏览器中输入url3，即可下载到指
定位置、指定年份的街景影像数据。
25.步骤二：基于采集的城市街景影像，构建基于城市街景影像的建筑物高度识别样本库。
26.利用labelme软件，通过人工识别街景中建筑层数的方式，来赋予街景图像对应的标签。考虑到无人机航线规划中着重关注区域中最高建筑的特点，在样本库的构建过程中，以街景中占据视野比例较大且层数最多的建筑作为标准，来赋予街景图像标签。在实施过程中，为确保标签赋予规则的一致性，首先从街景数据集中随机抽取200张街景，由多名标注者同时对其进行赋值评价，随后筛选出不同标注者给出的评价差异较大的街景，再通过讨论统一不同标注者的评判标准，最后重新对样本数据集中的所有街景进行标签赋予操作。在标签数据集构建完毕后，由同一名标注者检验标签赋予的合理性，剔除标签所反映的高度信息与街景中实际的建筑高度出现明显不对应问题的样本。
27.步骤三：利用深度学习技术，以基于城市街景影像的建筑物高度识别样本库为数据源，训练用于预测建筑物高度的神经网络模型，进而藉此对目标区域的建筑物高度进行预测，为无人机航线规划的高度控制提供参考。
28.以经过微调的在imagenet数据集上预训练的vgg16模型为基础，采用迁移学习方式，构建用于预测建筑物高度的神经网络模型。用于预测建筑物高度的神经网络模型的输入是街景影像，输出是建筑物的高度。模型构建完毕，以tensorflow-gpu为计算后端，以keras为前端，在pycharm代码编辑器中使用python语言编写程序，实现模型训练过程。
29.在训练中，以平均绝对误差(mae)为训练网络的目标损失函数和精度评价指标，以rmsprop为模型优化器，经过多次迭代计算，得到mae最小的最优模型。模型训练完毕，以mae为评价指标检验模型在新的街景测试集上的表现。在确定模型预测结果与建筑实际高度误差小于5m的基础上，以目标区域的街景影像为输入，通过模型计算区域建筑物的层数，获得区域中最高建筑的大致高度，进而为无人机航测中的高度控制提供有效参考，避免繁琐的实地调绘工作。
30.本发明利用网络爬虫技术采集城市地区的街景影像，构建基于街景影像的建筑高度识别样本库，以深度学习技术为核心训练街景影像与街景所在地建筑高度之间的非线性关联，得到预测模型，最后根据预测模型实现目标区域最高建筑的高度预测，从而为无人机航线规划的飞行高度参数设计提供指导。本发明可用于智能分析无人机航线规划区域的高度控制，普遍适用于城市区域的无人机航测需求，可快速自动地分析目标区域中的建筑最高值，为智能化无人机航线规划提供新的方法。
31.实施例二：
32.基于实施例一所述的一种基于街景影像的无人机航线规划飞行高度控制方法，本实施例提供一种基于街景影像的无人机航线规划飞行高度控制系统，包括：图像采集模块，用于采集城市街景影像；高度控制模块，用于将采集的城市街景影像输入训练好的用于预测建筑物高度的神经网络模型，输出城市街景影像中建筑物的高度，用于无人机航线规划中的高度控制。
33.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。