随着航空技术的发展,无人机的使用得到人们越来越多的青睐,其中利用无人机获取地物信息成为目前的主流手段,如何从这些海量航拍图像中高效地识别有用信息,成为目前研究热点。在近几十年中,道路识别一直是众多学者研究的热点方向。道路不仅在智能交通系统、地质灾害分析和城乡规划等领域应用广泛,而且为国家军事作战提供重大帮助。虽然航拍图像道路识别近些年取得了一些进展,但其道路识别精度受到一些因素的影响,其主要因素如下:(1)无人机飞行高度较高,其拍摄的地物信息面积较大,图像的地面分辨率降低,道路信息的边缘和纹理特征相应下降,例如,无人机飞行高度分别为200米和100米时,拍摄的地物信息面积比是4:1,其道路信息的面积比是4:1,因此,200米道路识别的精度可能低于100米道路识别的精度;(2)网络训练时,数据集的归一化导致道路边缘和纹理缺失;(3)道路背景复杂,其道路两旁的建筑物、土地等事物和道路特征相似。以上问题为航拍图像道路识别的精度带来极大的挑战,因此,本文主要研究无人机航拍图像道路识别率,研究内容如下:1.基于现有网络,通过优化网络实现航拍图像道路识别。基于UNet网络模型,利用Mobile Net深度可分离卷积特点优化UNet,构成M-UNet网络;Seg Net网络将预训练网络Res Net50替代原始的VGG16实现道路图像特征提取,并加入长跳层结构进行编解码间的特征融合,重构为S-Seg Net网络。通过与不同深度的D-Link Net网络分析对比,S-Seg Net网络分割效果最优,不仅能够提取到道路的高级特征,而且对道路的边缘细节特征能较好的提取;M-UNet网络不仅适用于配置较低的计算机,且分割效果较好。2.针对无人机飞行高度较高使图像地面分辨率降低、网络训练时数据集的归一化导致目标特征纹理和边缘损失等问题,本文提出了在网络训练前图像超分辨率重建的预处理方法。基于CNN网络,通过对此网络微调实现网络训练数据集的超分辨率重建。将超分辨率重建后的数据集在D-Link Net101网络进行实验验证。通过与原始数据集实验分析对比,超分后的数据集通过提高道路的边缘和纹理特征,提高了道路识别的精准度,其平均交并比和平均精度分别提高了2.85%和2.34%。3.围绕D-Link Net101网络收敛速度问题,通过对loss函数加入参数,使网络的收敛速度稍有提高,并在超分后的数据集进行实验验证,实验表明通过此方法提高了道路识别的精度,即使MIOU和MA只提高了1.28%和1.26%。