基于改进卷积神经网络的山顶点识别研究

来源：计算机测量与控制杂志2021年第11期北京时间：

作者：李凯明,孔月萍,张跃鹏,朱旭东,高凯

单位：西安建筑科技大学信息与控制工程学院

摘要：针对传统山顶点识别方法中特征选择困难等问题，借助深度卷积神经网络特征自学习的优势，将格网DEM数据中的山顶点提取转换为数字图像中的目标检测问题，提出一种基于改进Faster R-CNN的山顶点识别方法。将DEM数据处理为等高线图与灰度图叠加的形式，采用基于Faster R-CNN的目标识别框架，以ResNet-101替代原始的VGG16作为山顶识别模型的特征提取网络，并在RPN锚框尺寸设置中引入K-Means聚类算法，实现适用于自建山顶样本集PEAK-100的锚框参数设定。利用改进后的Faster R-CNN自动提取山顶的深度特征，生成高质量的山顶区域，并结合高程标识出最终的山顶点坐标。实验结果表明，新方法的山顶点识别准确率为94.82%，相比于传统方法漏提率减少约60%，在一定程度上避免了山顶识别效果易受人工选择特征的影响。

关键词：DEM;山顶点;Faster R-CNN;图像叠加;目标检测;K-Means

基金资助：陕西省自然科学(2019JM-183);地理信息工程国家重点实验室开放基金(SKLGIE2018-Z-4-1);国家重点研发计划项目(2019YFD1100901)