人工智能的發展給測繪遙感帶來怎樣的新機遇？

發布日期：2018-12-25 00:00 瀏覽量：19684

無論在學術界、產業界或是公眾生活中，人工智能都稱得上當前最熱門的一個話題，也是目前發展最快的一個領域。自2013年始，以深度學習為代表的神經網絡算法為核心，在大數據和圖形處理器(gra- phics processing unit, GPU)大規模應用的推動下，在語音識別、圖像識別領域達到甚至超過了人類平均水平，迎來了人工智能研究的第三次高潮。

人工智能的迅速發展對各行各業將造成巨大沖擊，許多行業可能在這場變革中消失，一些行業將獲得大發展。測繪遙感是一個與人工智能關聯密切的領域，在這樣的背景下既有發展的機遇，也面臨很大的危機。

人工智能可以分成6個研究方向：

①機器視覺，包括三維重建、模式識別、圖像理解等;

②語言理解與交流，包括語音識別、合成，人機對話交流，機器翻譯等;

③機器人學，包括機械、控制、設計、運動規劃、任務規劃等;

④認知與推理，包含各種物理和社會常識的認知與推理;

⑤博弈與倫理，包括多代理人(agents)的交互、對抗與合作，機器人與社會融合等;

⑥機器學習，包括各種統計的建模、分析工具和計算方法等。

當一個智能體具備以上6個方面的智能時，就可能進入到強智能時代。人工智能的發展過程中許多衍生的技術是可以用于其他領域的，并且有可能推動其他領域的技術變革。

測繪遙感是一個與人工智能密切相關的學科領域。攝影測量與遙感和機器視覺有許多概念、原理、理論、方法與技術上的重疊，它們都是用來感知環境的技術;其區別是攝影測量與遙感主要是感知地球和自然環境，而機器視覺主要是感知智能體關注的目標和環境，但是它們在數學和物理上的原理基本相同。機器學習，特別是最近幾年快速發展的深度學習方法，在機器視覺、模式識別、語音理解等方面得到廣泛有效的應用，可說是一個革命性的技術，在攝影測量與遙感領域也得到廣泛應用。認知與推理是一種更廣義的智能，在時空大數據挖掘和智慧城市等方面將大有用武之地。

機器視覺在攝影測量與遙感領域的應用

機器視覺或者稱計算機視覺，是一門研究用攝影機和電腦代替人眼對目標進行識別、跟蹤和測量等的學科。與計算機視覺相似，攝影測量學是一門利用光學像片研究被攝物體的形狀、位置、大小、特性及相互位置關系的學科，簡而言之，攝影測量學是以攝影為工具，以測量為目的。事實上，攝影測量學的歷史遠早于計算機視覺。

攝影測量與計算機視覺在原理、方法和應用上都有很多相通的地方。在進入21世紀后，兩者的融合速度又得到進一步提升，它們之間的技術交叉點是無人機和車載移動平臺。攝影測量的一個重要發展方向是地面移動測量系統，它可以用來采集道路和街景;而計算機視覺同樣關注道路信息的提取與重建，并應用于機器人、城市地圖、智能交通和自動駕駛汽車中。同時，無人機航攝技術除了是攝影測量中的一個方便快捷的測量技術，也是計算機視覺所關注的未來焦點。

　　由于計算機視覺領域研究學者云集，應用領域又很廣泛，發展了大量新理論和新方法。攝影測量工作者應在這場技術變革中擁抱新技術，學會跨界融合，并發揮自己的優勢，貢獻自己的智慧，方能使自己的學科立于不敗之地，同時與其他學科一起推動智能科學的發展。

　　為了促進測繪遙感學科與計算機視覺的交叉融合，緊跟人工智能領域的技術潮流，國內學者組織了專門的人工智能研究團隊，積極行動。

機器學習及其在攝影測量與遙感領域的應用

當前人工智能發展的一個重要方向是機器學習。從1955年John McCarthy提出人工智能的概念以來，機器學習就作為人工智能的一個重要方向。基于統計學習的思想不僅長期應用于機器學習，在攝影測量與遙感領域也得到廣泛應用，如監督和非監督目標識別與分類方法。基于傳統統計學習的遙感影像的監督與非監督分類以及經典的神經元網絡方法的研究進展一直很慢，目標識別的準確度和分類精度難以大幅提高，機器學習有效地改變了這一現狀。

隨后的大量實驗表明，無論在圖像分類、物體識別、語音識別、遙感應用等關于學習和語義的研究領域，深度學習都占據上風，深度學習的時代由此開啟。深度學習在計算機視覺領域得到廣泛應用，推動了人臉識別、機器人和無人駕駛車等相關技術的蓬勃發展。由于攝影測量的研究對象也是視覺圖像，因此攝影測量也成為深度學習發展最受益的學科之一。

攝影測量的兩個主要任務是目標幾何定位和屬性的提取，包括從二維像片重建三維幾何以及地物要素分類。將深度學習應用于幾何定位目前還未進入攝影測量研究領域，但已經出現在密切相關的計算機視覺領域，如SfM與SLAM。然而，深度學習方法的定位精度目前尚不能同傳統的方法相比，約相差一個數量級。對于三維重建中的關鍵技術——密集匹配，深度學習已經取得很好的應用效果。如在KITTI等標準數據集上，前10名的方法都是深度學習方法，展現了深度學習方法的應用潛力。

深度學習在攝影測量領域的另一個主要任務，即影像的語義提取方面，則取得了重要進展，并開始普及應用。基于圖像的建筑、道路網等地物的提取數十年來一直是熱門課題。雖然經典方法取得一定的效果，但距離實用、市場、商業軟件尚有一定的距離。卷積神經網絡(convolutional neural network, CNN)目前已成為道路網提取的主流方法。通過級聯式端到端CNN同時實現了道路網提取及道路中心線提取，與其他方法比較，分類精度更高。通過CNN結合線積分卷積克服了樹木遮蔽、房屋陰影造成的道路網殘缺問題。通過非監督學習預處理和空間相關性的應用，利用深度學習極大地提高了復雜城市場景的道路提取精度。采用CNN實現了高分辨率多光譜衛星影像的建筑物提取。在影像平面上進行二維卷積，在光譜方向上進行一維卷積，分別提取出影像空間特征和光譜特征，取得了比隨機森林和全連接NLP更好的作物分類精度。肖志鋒等使用深度學習方法對天地圖上的高分辨率遙感影像進行語義檢索，能夠檢索37類地物目標，準確率達90%以上。目前，深度學習已經廣泛用于遙感圖像的分類、識別、檢索和提取，在語義上基本全面碾壓了傳統的方法。

基于深度學習的方法除了可有效地用于遙感影像的地物分類與目標檢索以外，在其他攝影測量與遙感數據處理方面也有廣泛用途。例如，胡翔云等采用深度學習方法進行激光雷達(light detection and ranging, LiDAR)點云數據處理。山地林區的點云數據濾波，從點云數據提取數字高程模型，自動化很難實現，一般需要人機交互作業，耗費大量人力物力。

圖所示為廣東某地的點云提取的地形斷面，可以看出，該地區相當復雜，但是用深度學習獲取的地面模型斷面還是相當準確的(紅色曲線)。這說明深度學習方法在點云數據自動處理方面有很好的應用前景。同理，深度學習方法在測繪領域的其他方面，特別是需要人機交互數據處理等方面，如影像變化檢測、地圖綜合，也將發揮重要作用，使之更加智能化和自動化。

點云數據提取的地形斷面.png

基于時空大數據認知與推理

經過幾十年的發展，地理信息系統已經有了比較完善的空間分析理論與方法體系。但是，加入了傳感網和社會感知設備的時空數據分析與挖掘的理論與方法還不夠成熟，目前正處于快速發展之中。

時空數據可分為兩類不同類型，一類來自測繪遙感及地面傳感網的反映地球表層及環境特征的時空數據;另一類是來自社會感知設備，包括互聯網、智能手機、導航設備、可穿戴設備、視頻監控設備以及社會調查獲取的時空數據，它主要反映人為活動及社會經濟形態特征。

第一類數據比較規范，適于數值分析與計算，所以通常采用數學模型來進行模擬及預測分析。例如，陳能成等采用航空航天遙感與傳感網集成技術建立了長江流域對地觀測傳感網系統，該系統除包含航空航天遙感數據、基礎地理信息數據以外，還包含了氣象、水文、航標、土壤濕度等32種共上萬個地面傳感網實時數據。通過這些實時動態數據，能對流域內的水庫和河流的水位、水量、泥沙、河道進行分析和預測，實現水利的智能調度，為蓄水發電和防洪抗旱等提供決策支持。

來自社會感知設備的時空數據是一種新型數據，它的結構和形式更加多樣。例如互聯網數據主要以多媒體的文本數據為主，導航軌跡數據是流式的點坐標數據，視頻監控數據是圖像數據，而智能手機數據則有文本、點坐標和圖像等多種數據。這些數據復雜多樣，有些時空標簽明顯，有些則需要經過分析處理才能添加時空標簽。目前多個領域的學者，包括計算機應用、測繪遙感、地理信息科學、城市規劃與管理等，都對社會感知的時空數據感興趣，認為該數據是社會科學與信息領域交叉的新興學科，是建設智能城市和智慧社區的有效手段。

人工智能正在掀起一場技術革命和產業革命，測繪遙感既是人工智能技術的受益者，又是人工智能技術的貢獻者。攝影測量從靜態走向動態與實時，并將與計算機視覺深度融合;遙感應用人工智能技術解決影像解譯、信息自動提取問題;互聯網、物聯網、傳感網獲取的海量時空數據是人工智能的血液，為機器學習、智能抉擇與服務提供支撐。

面對人工智能的迅猛發展，攝影測量工作者是僅跟蹤應用計算機視覺成果，還是主動作為;是僅應用現有的深度學習方法，還是構建新的遙感深度學習網絡;社會感知信息如何與測繪遙感信息融合用于揭示自然物理空間發展和人類社會行為及活動規律，發展更高級更復雜的人工智能;這些是測繪遙感工作者面臨的新任務和新挑戰。