植被密集区航线规划方法、系统及存储介质、电子设备

1.本发明涉及执行导航计算的仪器技术领域，具体涉及一种植被密集区航线规划方法、系统及存储介质、电子设备。


背景技术：

2.无人机三维激光扫描技术是地灾防治中获取精确地形信息的重要手段。然而，目前的无人机航迹规划通常仅考虑作业时间、平面及高程精度等因素，难以解决植被覆盖区域的地面激光脚点稀疏给后期精细地形提取产生的不利影响。因此，现在亟需一种能够提高无人机三维激光扫描系统在植被密集区域对地采集的激光脚点数量的技术。


技术实现要素：

3.针对现有技术存在的不足，本发明提出一种植被密集区航线规划方法、系统及存储介质、电子设备。可以规划出一条能够提高无人机三维激光扫描系统获取地面点的概率的航线，从而提高无人机三维激光扫描系统在植被密集区域对地采集的激光脚点数量。具体技术方案如下：
4.第一方面，提供了一种植被密集区航线规划方法，包括：
5.获取植被密集区域的遥感图像；
6.对所述遥感图像进行分类，确定遥感图像中的植被像元和非植被像元；
7.将所述遥感图像划分成多个大小相同的位置节点，并根据位置节点覆盖区域的植被像元和非植被像元计算各个位置节点的植被覆盖度；
8.基于所述植被覆盖度，采用蚁群算法从所有位置节点中搜寻出航线节点；
9.根据搜寻出的航线节点规划植被密集区的无人机航线。
10.结合第一方面，在第一方面的第一种可实现方式中，采用随机森林算法对所述遥感图像进行分类。
11.结合第一方面，在第一方面的第二种可实现方式中，在搜寻所述航线节点时，根据所述植被覆盖度计算两个位置节点之间的转移概率。
12.结合第一方面，在第一方面的第三种可实现方式中，采用最小二乘曲线拟合方法对所有的航线节点进行曲线拟合，得到植被密集区的无人机航线。
13.第二方面，提供了一种植被密集区无人机航线规划系统，包括：
14.获取模块，配置为获取植被密集区域的遥感图像；
15.分类模块，配置为对所述遥感图像进行分类，确定遥感图像中的植被像元和非植被像元；
16.计算模块，配置为将所述遥感图像划分成多个位置节点，并根据位置节点覆盖区域的植被像元和非植被像元计算各个位置节点的植被覆盖度；
17.搜寻模块，配置为基于所述植被覆盖度，采用蚁群算法从所有位置节点中搜寻出所有的航线节点；
18.规划模块，配置为根据所有的航线节点规划植被密集区的无人机航线。
19.结合第二方面，在第二方面的第一种可实现方式中，所述分类模块采用随机森林算法对所述遥感图像进行分类。
20.结合第二方面，在第二方面的第二种可实现方式中，所述搜寻模块根据所述植被覆盖度计算两个位置节点之间的转移概率。
21.结合第二方面，在第二方面的第三种可实现方式中，所述规划模块采用最小二乘曲线拟合方法对所有的航线节点进行曲线拟合，得到植被密集区的无人机航线。
22.第三方面，提供了一种存储介质，存储有计算机程序，其特征在于，该计算机程序执行第一方面、第一方面的第一至三中任一所述的植被密集区航线规划方法。
23.第四方面，提供了一种电子设备，包括：
24.一个或多个处理器；
25.存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得电子设备实现第一方面、第一方面的第一至三中任一所述的植被密集区航线规划方法。
26.有益效果：采用本发明的植被密集区航线规划方法、系统及存储介质、电子设备，以高分辨率的遥感影像为基础，提取出植被覆盖度作为影响系数引入蚁群算法的转移概率计算中，优化了无人机航点的状态转移规则，从而得到植被密集区域的无人机飞行路线。运用本文方法得到的优化后的航线相较现有常规航线规划，能够自主避让测区内植被覆盖度较高的地面环境，提升获取地面点的概率。
附图说明
27.为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍。在所有附图中，各元件或部分并不一定按照实际的比例绘制。
28.图1为本发明一实施例提供的种植被密集区航线规划方法的流程图；
29.图2为本发明一实施例提供的遥感图像分类方法的流程图；
30.图3为本发明一实施例提供的蚁群优化算法的流程图；
31.图4为采集的植被密集区的遥感图像；
32.图5为遥感图像的分类结果示意图；
33.图6为样本划分示意图；
34.图7为样本植物覆盖度计算示意图；
35.图8为基于样本植物覆盖点构建的位置节点示意图；
36.图9为采用本发明的路径规划方法得出的优化路径与采用普通蚁群算法得出的普通路径的对比图；
37.图10为采用最小二乘法进行曲线拟合得到的飞行轨迹；
38.图11为本发明一实施例提供的分类系统的系统框图。
具体实施方式
39.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范
围。
40.如图1所示的种植被密集区航线规划方法的流程图，该规划方法包括：
41.步骤1、获取植被密集区域的遥感图像；
42.步骤2、对所述遥感图像进行分类，确定遥感图像中的植被像元和非植被像元；
43.步骤3、将所述遥感图像划分成多个大小相同的位置节点，并根据位置节点覆盖区域的植被像元和非植被像元计算各个位置节点的植被覆盖度；
44.步骤4、基于所述植被覆盖度，采用蚁群算法从所有位置节点中搜寻出航线节点；
45.步骤5、根据搜寻出的航线节点规划植被密集区的无人机航线。
46.具体而言，首先，可以通过卫星遥感图像获取待测区域的高分辨率遥感图像，采集到的遥感图像如图4所示。然后，对获取到的遥感图像中的各个像元进行分类，确定遥感图像中的植被像元和非植被像元。之后，再根据遥感图像的大小和形状，将遥感图像划分成多个大小、形状相同的位置节点，并根据位置节点覆盖区域的植被像元和非植被像元计算各个位置节点的植被覆盖度。之后，将植被覆盖度作为影响系数引入蚁群算法的转移概率计算中，优化了无人机航点的状态转移规则，从而搜寻出植被密集区域的无人机航线节点。最后，基于搜寻出的航线节点即可规划出植被密集区域的无人机飞行路线。运用本文方法得到的优化后的航线相较现有常规航线规划，能够自主避让测区内植被覆盖度较高的地面环境，提升获取地面点的概率。
47.下文将结合图2对步骤2中遥感图像的分类进行详细说明。
48.在本实施例中，可以采用随机森林算法对遥感图像进行分类，具体包括：
49.步骤2-1、绘制分类样本。在遥感影像处理软件中根据遥感图像中的对象建立分类样本，分别为植被样本与非植被样本。
50.步骤2-2、创建样本数据集。以遥感图像与上述分类样本为数据基础，创建随机森林分类所需的样本数据集。
51.步骤2-3、随机森林分类器训练与分类模型保存。以上述样本数据集为分类器训练数据。其中，像元的rgb值为像元的分类特征值。随机森林分类器的参数设置为：决策树个数为100，寻找最佳分割时，需要考虑的特征数量为特征数量的平方根。其次训练集与测试集分别占样本数据集的90％与10％。
52.步骤2-4、将获取到的待测区域的遥感图像输入训练好的随机森林分类模型，得到的分类结果数据可以以栅格数据的格式保存，其中植被像元的属性值为255，非植被像元的属性值为0。
53.采用以上分类方法，通过对样本的多次调整及反复实验，分类训练集与测试集的准确率分别达到了95.38％与95.05％，分类精度可用于影像整体分类，分类情况如图5所示：
54.下文将结合图6、图7对步骤3中位置节点的划分进行详细说明。
55.在本实施例中，可以根据所述遥感图像的大小和形状，将遥感图像划分成多个大小、形状相同的矩形样本，如图6所示。将每个矩形样本作为一个位置节点，如图7所示，并根据矩形样本覆盖区域的植被像元、非植被像元的数量可以计算出矩形样本覆盖区域中非植被区域的面积和植被区域的面积，再通过矩形样本覆盖区域中非植被区域的面积和植被区域的面积即可计算出各个样本的植被覆盖度。由于矩形样本中包含的像元较多，采用植被
覆盖度来设置位置节点可以减少数据量，缩短蚁群算法所需的收敛时间。基于每个样本建立起位置节点，建立起的位置节点如图8所示。
56.下文将结合图3对步骤4中航线节点的搜寻进行详细说明。
57.在本实施例中，可以采用蚁群算法从所有位置节点中搜寻出航线节点，具体包括：
58.首先，初始化各个参数，如蚁群数量、信息素挥发因子、信息素常数、启发函数因子等。然后，将各个蚂蚁放置在不同的位置节点处，并确定每个蚂蚁访问的下一个位置节点，直至每个蚂蚁访问完所有的位置节点。在蚂蚁访问过程中，可以采用轮盘赌法选择下一个将要访问的位置节点，并可以根据植被覆盖度计算蚂蚁从当前位置节点转移到下一个位置节点的转移概率，转移概率的计算式如下：
[0059][0060]
其中，coverage为植被覆盖度，coverage+1是为了避免为0时出现计算错误。为t时刻蚂蚁k从位置节点i转移到位置节点j的转移概率。τ
ij
(t)是t时刻航线(i，j)上信息素量；ηij(t)是启发函数，表示蚂蚁从位置节点i转移到位置节点j的期望程度。
[0061]
τ
is
(t)是t时刻位置节点i到位置节点s的信息素量；η
is
(t)是t时刻位置节点i到位置节点s的期望程度。α是信息素启发因子，α的值越大，则蚂蚁选择之前走过的航线的可能性越大，反之，则蚁群的搜索范围就会减小，容易陷入局部最优，一般的取值范围为[1，4]。β是启发函数因子，β的值越大，蚁群越就容易选择局部较短航线，算法收敛速度会加快，一般取[0，5]；alloweddk是蚂蚁k允许前进航线节点的集合。
[0062]
启发函数的计算公式如下：
[0063][0064]dij
式中是位置节点i与位置节点j之间的距离，d
ij
越小，则转移概率pikj(t)越大。由上述计算式可以看出，植被覆盖度越小，转移概率越大。最终，蚂蚁会选择一条植被覆度最小，即受到植被遮挡最小的路径到达目标点，沿选择的路径进行飞行能够避让测区内植被覆盖度较高的地面环境，提升获取地面点的概率。
[0065]
在本实施例中，信息素量可以采用以下计算式进行计算：
[0066]
τ
ij
(t+n)＝(1-ρ)*τ
ij
(t)+δτ
ij
(t)，ρ∈(0，1)
[0067][0068]
其中，δτ
ij
(t)是全部蚂蚁完成一次遍历后，航线(i，j)上的信息素总和，ρ是信息素挥发因子，m为蚂蚁数量，τ
ij
(0)的值为c，c为常数值，δτ
ij
(0)的值为0。
[0069]
在本实施例中，采用蚁群周期模型作为本实施例的信息素更新策略，蚁群周期模型具体为：
[0070]
[0071]
其中q为每一只蚂蚁携带的信息素常量，lk为每一次蚂蚁搜索航线的长度。
[0072]
在本实施例中，采用蚁群算法搜寻得到的结果分别为离散的航线节点，不适用于无人机的飞行。因此，可以采用最小二乘法进行曲线拟合，用连续的曲线去拟合这些搜寻到的航线节点，拟合效果最佳的曲线即为最终的植被密集区无人机航线。
[0073]
图9中的两条路径分别采用经典蚁群算法和本实施例所提供的蚁群优化算法进行航迹规划的实验结果。完成航线节点搜寻后后，根据航线节点进行曲线拟合，得到了适宜无人机飞行的航迹。图10则为拟合后的飞行航迹。分别对两次路径节点的属性值进行统计，普通航线构建节点对应样本内的植被覆盖度为31.07％，优化航线下对应的植被覆盖度为12.94％，同比下降约18％。
[0074]
从航线搜索的可视化结果可以看出，采用本实施例的针对植被密集区的蚁群优化算法能够有效解决无人机对地观测的航迹规划问题，从局部细节可以看出，算法能够有效的选择植被覆盖度较低的地区，使得无人机能够在完成起点到终点的对地观测时，获取更多的地面信息。
[0075]
如图11所示植被密集区无人机航线规划系统的系统框图，该规划系统包括：
[0076]
获取模块，配置为获取植被密集区域的遥感图像；
[0077]
分类模块，配置为对所述遥感图像进行分类，确定遥感图像中的植被像元和非植被像元；
[0078]
计算模块，配置为将所述遥感图像划分成多个位置节点，并根据位置节点覆盖区域的植被像元和非植被像元计算各个位置节点的植被覆盖度；
[0079]
搜寻模块，配置为基于所述植被覆盖度，采用蚁群算法从所有位置节点中搜寻出所有的航线节点；
[0080]
规划模块，配置为根据所有的航线节点规划植被密集区的无人机航线。
[0081]
具体而言，获取模块可以通过....获取待测区域的高分辨率遥感图像。分类模块对获取到的遥感图像中的各个像元进行分类，确定遥感图像中的植被像元和非植被像元。计算模块可以根据遥感图像的大小和形状，将遥感图像划分成多个大小、形状相同的位置节点，并根据位置节点覆盖区域的植被像元和非植被像元计算各个位置节点的植被覆盖度。搜寻模块可以将植被覆盖度作为影响系数引入蚁群算法的转移概率计算中，优化了无人机航点的状态转移规则，从而搜寻出植被密集区域的无人机航线节点。规划模块可以基于搜寻出的航线节点即可规划出植被密集区域的无人机飞行路线。运用本文方法得到的优化后的航线相较现有常规航线规划，能够自主避让测区内植被覆盖度较高的地面环境，提升获取地面点的概率。
[0082]
在本实施例中，所述分类模块采用随机森林算法对所述遥感图像进行分类，具体的，分类模块包括模型构建单元和图像分类单元。其中，模型构建单元可以利用遥感影像处理软件根据影像中的对象建立分类样本，分别为植被样本与非植被样本。并以遥感影像与上述分类样本为数据基础，创建随机森林分类所需的样本数据集。模型构建单元以上述样本数据集为分类器训练数据，对随机森林模型进行训练。图像分类单元可以将获取到的待测区域的遥感图像输入训练好的随机森林分类模型，得到的分类结果数据可以以栅格数据的格式保存。
[0083]
在本实施例中，所述搜寻模块根据所述植被覆盖度计算两个位置节点之间的转移
概率。
[0084]
具体的，搜寻模块可以采用蚁群算法从所有位置节点中搜寻出植被覆盖度最小的位置节点作为航线节点，如此就可以提高无人机三维激光扫描系统获取地面点的概率，从而提高无人机三维激光扫描系统在植被密集区域对地采集的激光脚点数量。
[0085]
搜寻模块包括初始化单元、节点搜寻单元和信息素更新单元。其中，初始化单元可以对蚁群算法的各个参数进行初始化，如蚁群数量、信息素挥发因子、信息素常数、启发函数因子等。
[0086]
节点搜寻单元可以将各个蚂蚁放置在不同的位置节点处，并确定每个蚂蚁访问的下一个位置节点，直至每个蚂蚁访问完所有的位置节点。在蚂蚁访问过程中，可以采用轮盘赌法选择下一个将要访问的位置节点，并可以根据植被覆盖度计算蚂蚁从当前位置节点转移到下一个位置节点的转移概率，转移概率的计算式如下：
[0087][0088]
其中，coverage为植被覆盖度，coverage+1是为了避免为0时出现计算错误。为t时刻蚂蚁k从位置节点i转移到位置节点j的转移概率。τ
ij
(t)是t时刻航线(i，j)上信息素量；η
ij
(t)是启发函数，表示蚂蚁从位置节点i转移到位置节点j的期望程度。
[0089]
τ
is
(t)是t时刻位置节点i到位置节点s的信息素量；η
is
(t)是t时刻位置节点i到位置节点s的期望程度。α是信息素启发因子，α的值越大，则蚂蚁选择之前走过的航线的可能性越大，反之，则蚁群的搜索范围就会减小，容易陷入局部最优，一般的取值范围为[1，4]。β是启发函数因子，β的值越大，蚁群越就容易选择局部较短航线，算法收敛速度会加快，一般取[0，5]；alloweddk是蚂蚁k允许前进航线节点的集合。
[0090]
启发函数的计算公式如下：
[0091][0092]dij
式中是位置节点i与位置节点j之间的距离，d
ij
越小，则转移概率越大。由上述计算式可以看出，植被覆盖度越小，转移概率越大。最终，蚂蚁会选择一条植被覆度最小，即受到植被遮挡最小的路径到达目标点，沿选择的路径进行飞行能够避让测区内植被覆盖度较高的地面环境，提升获取地面点的概率。
[0093]
信息素更新单元可以采用以下计算式进行计算：
[0094]
τ
ij
(t+n)＝(1-ρ)*τij(t)+δτ
ij
(t)，p∈(0，1)
[0095][0096]
其中，δτij(t)是全部蚂蚁完成一次遍历后，航线(i，j)上的信息素总和，ρ是信息素挥发因子，m为蚂蚁数量，τ
ij
(0)的值为c，c为常数值，δτ
ij
(0)的值为0。并采用蚁群周期模型作为本实施例的信息素更新策略，蚁群周期模型具体为：
[0097][0098]
其中q为每一只蚂蚁携带的信息素常量，lk为每一次蚂蚁搜索航线的长度。
[0099]
在本实施例中，所述规划模块采用最小二乘曲线拟合方法对所有的航线节点进行曲线拟合，得到植被密集区的无人机航线。搜寻模块搜寻得到的结果分别为离散的航线节点，不适用于无人机的飞行。因此，规划模块可以采用最小二乘法进行曲线拟合，用连续的曲线去拟合搜寻模块搜寻到的航线节点，拟合效果最佳的曲线即为最终的植被密集区无人机航线。
[0100]
一种存储介质，存储有计算机程序，该计算机程序执行上述的植被密集区航线规划方法。
[0101]
一种电子设备，包括：
[0102]
一个或多个处理器；
[0103]
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得电子设备实现上述的植被密集区航线规划方法。
[0104]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。