行道树是城市部件管理中的重要组成部分,在进行行道树绿化调查时,行道树的识别与提取是一项繁琐的任务。对行道树进行识别与提取时,往往是依靠目视判读的方式来完成的,这种作业模式费时费力,极大地增加了行道树绿化调查的成本。因此,探索使用深度学习的新技术进行行道树的自动识别与提取对于绿化调查的时效性和成本控制都有着积极而深远的意义。本文基于深度学习技术,采用车载移动测量系统外业采集的全景影像数据,针对行道树自动化识别与提取的需求,进行相关的研究工作。本文的主要工作内容以及研究成果包括以下几个方面:(1)首先简要介绍了道路绿化中行道树识别与提取的意义与重要性,系统地介绍了深度学习相关的理论知识,重点介绍了卷积神经网络的原理和网络结构,分析了四种基于深度学习的目标检测算法,并进行性能对比分析。(2)利用车载移动测量系统外业采集的全景影像数据,构建行道树数据集。使用建立的行道树数据集进行深度卷积神经网络模型的训练,直至该深度网络模型收敛,然后使用测试数据集来检验构建的深度卷积网络模型的泛化能力。本文实验结果表明,该深度卷积网络模型的召回率(Recall)、均值平均精度(MAP)、平均交并比(Region Avg IOU)等评价指标分别为82.2%、83.6%、81.7%,说明基于深度学习技术进行行道树影像的自动识别与提取是切实可行的。(3)使用ArcObjects组件以及C#语言开发基于深度学习的行道树自动识别与提取插件,实现了以下功能:(1)实现六面体裁切功能,对车载移动测量系统外业采集的球形全景影像数据进行处理,获取左右视图,将其作为行道树的识别与提取的数据源;(2)利用OpenCV中的DNN模块,调用训练好的深度网络模型,来实现行道树的自动识别与提取。(4)在ArcMap中,基于车载移动测量系统采集的数据,使用本文开发的基于深度学习的行道树自动识别与提取插件,实现基于影像数据的行道树的自动识别与提取。与纯手工提取方法相比,其内业处理效率能提高40%以上。