齊俊

(濟(jì)南市勘察測(cè)繪研究院,山東濟(jì)南 250013)

基于高分辨率遙感影像的車(chē)輛信息提取方法研究

齊俊?

(濟(jì)南市勘察測(cè)繪研究院,山東濟(jì)南 250013)

從高分辨率遙感影像上進(jìn)行車(chē)輛信息提取可以作為地面車(chē)輛分布信息監(jiān)測(cè)的一種全新的方式。文章采用Adaboost算法和多尺度影像分割,結(jié)合城市地區(qū)地籍資料等現(xiàn)有的資料,分別對(duì)大飛機(jī)DMC航攝影像和Quickbird-2衛(wèi)星影像進(jìn)行了車(chē)輛信息提取試驗(yàn),總結(jié)出可以有效地從高分辨率遙感影像上提取車(chē)輛對(duì)象的方法流程,并對(duì)提取正確率等試驗(yàn)結(jié)果進(jìn)行了分析。

多尺度分割;Adaboost算法;信息提取;車(chē)輛;高分辨率遙感影像

1　引 言

遙感的根本目標(biāo)是為了從影像上獲取所需要的信息。遙感影像目標(biāo)識(shí)別一般是針對(duì)人工地物進(jìn)行的,依據(jù)的是目標(biāo)的光譜特征、空間幾何特性、紋理特性等,比如提取建筑物、橋梁、道路、機(jī)場(chǎng)等人工地物[1]。近些年來(lái),隨著遙感手段的不斷豐富,無(wú)人機(jī)影像、商業(yè)化應(yīng)用衛(wèi)星影像分辨率的不斷提高,使基于遙感影像來(lái)提取小尺寸的目標(biāo)變得可能,比如影像上面的車(chē)輛目標(biāo)[2]。利用高分辨率遙感影像進(jìn)行車(chē)輛目標(biāo)識(shí)別與提取是智能交通領(lǐng)域重要的交通信息采集技術(shù)之一,對(duì)城市地區(qū)擁堵、違章停車(chē)等問(wèn)題都具有實(shí)際應(yīng)用價(jià)值。把遙感技術(shù)應(yīng)用于交通檢測(cè)是近年來(lái)遙感應(yīng)用研究的一個(gè)新方向[3]?；诟叻直媛市l(wèi)星遙感影像對(duì)車(chē)輛進(jìn)行檢測(cè)已經(jīng)成為新的研究熱點(diǎn)。相比于傳統(tǒng)的地面車(chē)輛檢測(cè),遙感影像不僅可以顯示特定時(shí)刻特定范圍內(nèi)的車(chē)輛信息分布,對(duì)露天地段和街道的車(chē)輛數(shù)量和空間分布也有直觀的反映。

2　原 理

本文主要是基于高分辨率遙感影像進(jìn)行車(chē)輛信息的提取[1],由于車(chē)輛目標(biāo)主要集中在道路、室外公共停車(chē)場(chǎng)等區(qū)域,因此文章采用多尺度影像分割算法[4],先進(jìn)行影像粗分割結(jié)合人工判讀以限定道路、停車(chē)場(chǎng)等區(qū)域,再結(jié)合城市地籍?dāng)?shù)據(jù),可以更加準(zhǔn)確地確定車(chē)輛目標(biāo)提取的搜索范圍。粗分割結(jié)束后,在限定的區(qū)域內(nèi)進(jìn)行小尺度分割,綜合調(diào)整分割尺度,形狀因子,顏色因子,緊湊度,光滑度等參數(shù),生成車(chē)輛信息的影像對(duì)象。

小尺度分割下形成的影像對(duì)象圖斑具有各自的特征信息,包括光譜信息、紋理信息、空間幾何信息等,這就構(gòu)成的不同的特征空間[5]。文章中車(chē)輛信息的識(shí)別提取,就是利用Adaboost算法對(duì)這些特征空間的光譜特征(亮度等)、紋理特征(形狀、大小等)等特征訓(xùn)練車(chē)輛信息分類器,從而可以有效地提取車(chē)輛目標(biāo)。下面主要講述Adaboost算法[6]和多尺度影像分割的原理。

2．1Adaboost算法

Adaboost算法[6]的核心思想是先對(duì)一個(gè)訓(xùn)練集訓(xùn)練多個(gè)初等分類器,然后把這些初等分類器集合起來(lái),構(gòu)成最終分類器。

首輪調(diào)用初等分類器時(shí),按均勻分布從樣本集中選取子集作為該次訓(xùn)練集,以后每輪對(duì)前一輪訓(xùn)練失敗的樣本,賦予較大的分布權(quán)值(Dt(i)為第i輪各個(gè)樣本在樣本集中參與訓(xùn)練的概率),使其在這一輪訓(xùn)練出現(xiàn)的概率增加,即在后面的訓(xùn)練學(xué)習(xí)中集中對(duì)比較難訓(xùn)練的樣本進(jìn)行學(xué)習(xí),經(jīng)過(guò)T論的迭代,從而得到T個(gè)弱的基分類器(h1,h2,…,ht)。其中ht相應(yīng)的權(quán)值αt的大小根據(jù)該分類器的效果而定。最后的最終分類器由生成的多個(gè)初等分類器加權(quán)聯(lián)合產(chǎn)生。具體算法如下:

(1)設(shè)定初始分類器權(quán)值D1(i)=1/M,其中i=1, 2,…,M(M為樣本總數(shù))。

(2)針對(duì)t=1,2,…,T:

①在每一輪迭代中尋找總錯(cuò)誤ε最小的分類器ht,當(dāng)yi≠ht(xi)時(shí),ε=∑Ti=1D1(i),如果最小錯(cuò)誤滿足ε＜0．5,則迭代繼續(xù);否則說(shuō)明需要更好的特征,結(jié)束迭代。

②設(shè)置初等分類器ht的權(quán)重αt=log[(1-ε)/ε],ε即上步驟中最小錯(cuò)誤。

③更新樣本分布權(quán)值:

Dt+1(i)={D1(i)exp[-αtyiht(xi)]}/Zt,Zt將樣本權(quán)重歸一化。

(3)所有初等分類器的加權(quán)和組成最終分類器, H(x)=sign[∑Ti=1αtht(x)]。

2．2多尺度影像分割

影像分割就是把影像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過(guò)程。本文采用多尺度分割[4]的方式對(duì)影像進(jìn)行分割,多尺度分割能最大限度保存影像信息,將高分辨率象元信息保留到低分辨率影像上,生成有意義的影像多邊形。

多尺度影像分割采用的算法是一種自下向上的基于異質(zhì)性最小[4]的區(qū)域合并算法。分割中主要進(jìn)行的工作是像元與像元的合并以及像元與影像對(duì)象的合并。步驟如下:首先以任一像元作為起點(diǎn);接著將起點(diǎn)像元周?chē)木哂泻推瘘c(diǎn)像元相似性質(zhì)即異質(zhì)性最小的像元合并在同一區(qū)域內(nèi);然后以合并進(jìn)區(qū)域的像元作為起點(diǎn)像元,重復(fù)之前起點(diǎn)像元的工作;最后,當(dāng)所有滿足條件的像元合并進(jìn)區(qū)域內(nèi)時(shí),分割結(jié)束,區(qū)域多邊形就此形成。圖1所示為多尺度分割原理示意圖。本文進(jìn)行多尺度分割的影像是除去房屋等不可能存在車(chē)輛的區(qū)域后的影像(主要為道路區(qū)域的影像),通過(guò)eCognition軟件來(lái)實(shí)現(xiàn)的。

圖1　多尺度分割原理圖

3　試驗(yàn)流程與精度評(píng)價(jià)

如圖2所示,本次試驗(yàn)先對(duì)原始影像進(jìn)行預(yù)處理,預(yù)處理的目的是為了得到紋理清晰、色彩均勻、有地理參考系的影像,包括圖像增強(qiáng)、圖像平滑、幾何校正、影像融合(衛(wèi)星影像需要,大飛機(jī)影像不需要)、正射糾正等步驟[7](即得到正射影像圖)。然后將預(yù)處理后的影像和2011年城市地籍?dāng)?shù)據(jù)疊加,除去房屋建筑區(qū)等不可能存在車(chē)輛的區(qū)域,以排除背景干擾,提高提取精度。接下來(lái)對(duì)影像進(jìn)行多尺度分割,先通過(guò)大尺度分割結(jié)合人工判讀將道路區(qū)域和可能存在車(chē)輛的區(qū)域限定出來(lái),然后再對(duì)道路等區(qū)域進(jìn)行小尺度分割以生成目標(biāo)車(chē)輛的影像對(duì)象圖斑。最后利用Adaboost算法所訓(xùn)練的分類器對(duì)分割后的影像進(jìn)行車(chē)輛目標(biāo)識(shí)別提取。

車(chē)輛目標(biāo)提取完成后即可統(tǒng)計(jì)提取的精度,由于整幅影像上的汽車(chē)數(shù)量較大,不便于統(tǒng)計(jì)識(shí)別率等數(shù)據(jù),因此在影像上選擇特定感興趣區(qū)域,利用分類器進(jìn)行車(chē)輛信息檢測(cè),檢測(cè)完成后通過(guò)人工判讀[7]的方法判斷檢測(cè)的結(jié)果是否正確。為評(píng)價(jià)分類器識(shí)別精度定義識(shí)別率(A)、漏識(shí)率(B)、正確率(C),他們的關(guān)系為:

圖2　車(chē)輛信息識(shí)別提取流程圖

式中,a為正確識(shí)別的汽車(chē)數(shù)量;b為影像上未被檢測(cè)出的汽車(chē)數(shù)量;c為其他地物被誤判成汽車(chē)的數(shù)量;m為影像上的實(shí)際汽車(chē)數(shù)量。

4　試驗(yàn)結(jié)果與分析

試驗(yàn)數(shù)據(jù)部分如圖3所示,一種是大飛機(jī)DMC航空影像,空間分辨率0．2 m;另一種是Quickbird-2衛(wèi)星影像,空間分辨率0．5 m;兩種影像均為2011年獲取的濟(jì)南市主城區(qū)影像。

圖3　試驗(yàn)數(shù)據(jù)(航空影像和衛(wèi)星影像)

參見(jiàn)第3節(jié)把試驗(yàn)數(shù)據(jù)預(yù)處理后與城市地籍資料疊加,得到排除背景干擾后的影像。接下來(lái)對(duì)影像進(jìn)行多尺度分割,先通過(guò)大尺度分割結(jié)合人工判讀將道路區(qū)域和可能存在車(chē)輛的區(qū)域限定出來(lái),試驗(yàn)采用eCognition軟件來(lái)進(jìn)行多尺度的影像分割,經(jīng)過(guò)多次試驗(yàn)分析和比較,大尺度分割利用尺度230,shape=0．4,compactness=0．3,如圖4所示為大尺度分割后的影像。然后再對(duì)道路等區(qū)域進(jìn)行小尺度分割以生成目標(biāo)車(chē)輛的影像對(duì)象圖斑,小尺度分割利用尺度50,shape=0．4,compactness=0．2,color =0．6,如圖5所示為小尺度分割后的影像。

圖4　大尺度分割后的影像

圖5　小尺度分割后的影像

在影像上選取一定量的樣本數(shù)據(jù),如圖6所示為部分樣本數(shù)據(jù),利用Adaboost算法訓(xùn)練分類器,對(duì)小尺度分割[4]后的影像進(jìn)行車(chē)輛目標(biāo)識(shí)別提取。

圖6　部分樣本數(shù)據(jù)

利用分類器對(duì)預(yù)處理后的影像進(jìn)行檢測(cè),程序進(jìn)行后,識(shí)別的車(chē)輛會(huì)被檢測(cè)出來(lái),生成識(shí)別效果圖,圖7所示為在航空影像上的識(shí)別效果;圖8所示為在衛(wèi)星影像上的識(shí)別效果(圖中紅斑表示從影像上識(shí)別出來(lái)的車(chē)輛信息,一個(gè)紅斑代表識(shí)別出的一個(gè)車(chē)輛信息)。

圖7　航空影像上車(chē)輛識(shí)別結(jié)果

圖8　衛(wèi)星影像上車(chē)輛識(shí)別結(jié)果

由于整幅影像上的汽車(chē)數(shù)量較大,不便于統(tǒng)計(jì)識(shí)別的數(shù)據(jù),因此在影像上隨機(jī)選擇一定區(qū)域進(jìn)行精度統(tǒng)計(jì),統(tǒng)計(jì)結(jié)果如表1和表2所示。

大飛機(jī)航攝影像上車(chē)輛提取統(tǒng)計(jì)結(jié)果　表1

衛(wèi)星影像上車(chē)輛信息統(tǒng)計(jì)結(jié)果　表2

從統(tǒng)計(jì)結(jié)果可以看出,本文的研究方法流程可以有效從高分辨率遙感影像上提取車(chē)輛對(duì)象。在航空影像上,車(chē)輛的提取識(shí)別率到達(dá)77%,正確率高達(dá)88．6%,這是由于本文采用了城市地籍?dāng)?shù)據(jù)去除了不可能存在車(chē)輛的區(qū)域,從而排除了干擾信息,大大提高了識(shí)別的正確率。對(duì)于衛(wèi)星影像來(lái)說(shuō),車(chē)輛的提取識(shí)別率也達(dá)到了71%左右,由于衛(wèi)星影像的分辨率比航空影像低,加之車(chē)輛對(duì)象分散和相似對(duì)象較多,所以整體的識(shí)別率和提取正確率都比航空影像的要低。

5　結(jié) 語(yǔ)

本文總結(jié)了基于高分辨率遙感影像和城市地籍?dāng)?shù)據(jù),采用Adaboost算法和多尺度分割方法進(jìn)行車(chē)輛信息提取流程。從試驗(yàn)結(jié)果看,采用多尺度分割結(jié)合Adaboost算法能有效的從高分辨率遙感影像上提取車(chē)輛信息,特別是將影像數(shù)據(jù)和城市地籍?dāng)?shù)據(jù)疊加,排除背景干擾后,試驗(yàn)結(jié)果的正確率和識(shí)別率都有明顯的提高。現(xiàn)階段,在高分辨率遙感影像上提取車(chē)輛信息,還面臨很多問(wèn)題,其中一個(gè)很重要的問(wèn)題就是,在樹(shù)蔭、涵洞、立交橋和有遮蓋的停車(chē)場(chǎng)上車(chē)量信息在影像上是看不見(jiàn)的,在某些對(duì)比度很高的影像上,如果車(chē)輛正好處于房屋的陰影區(qū),也是很難被檢測(cè)到的。所以在這些方面,還需要某些特定的算法對(duì)影像對(duì)象的特征進(jìn)一步的試驗(yàn)和總結(jié)。

本文方法是對(duì)一定范圍內(nèi)、特定時(shí)刻的車(chē)輛分布信息進(jìn)行提取,要想達(dá)到監(jiān)測(cè)地面交通流量的目標(biāo),需要改變獲取影像的方式,比如采用無(wú)人機(jī)每隔半個(gè)小時(shí)對(duì)地面某一路段或停車(chē)區(qū)域進(jìn)行航拍,然后再對(duì)獲取的無(wú)人機(jī)遙感影像進(jìn)行車(chē)輛信息提取,即可監(jiān)測(cè)到某一路段或停車(chē)區(qū)域特定時(shí)段內(nèi)的交通流量信息。

[1] 明冬萍,駱劍承,沈占鋒等．高分辨率遙感影像信息提取與目標(biāo)識(shí)別技術(shù)研究[J]．測(cè)繪科學(xué),2005,30(3):18～20．

[2] 王巍,袁濤,周偉等．一種高分辨率遙感影像汽車(chē)識(shí)別檢測(cè)方法[J]．測(cè)繪通報(bào),2013(10):87～90．

[3] 王浩．基于面向?qū)ο蟮母叻直媛蔬b感影像車(chē)輛提取方法研究[D]．北京:北京交通大學(xué),2012．

[4] 蔡華杰,田金文．一種高分辨率遙感影像多尺度分割新算法[J]．武漢理工大學(xué)學(xué)報(bào),2009,31(11):97～101．

[5] 李龍飛．衛(wèi)星圖像中車(chē)輛目標(biāo)提取方法優(yōu)化與精度評(píng)價(jià)[D]．北京:北京交通大學(xué),2012．

[6] 魏武,張亞楠,武林林．基于遺傳算法的改進(jìn)AdaBoost算法在汽車(chē)識(shí)別中的應(yīng)用[J]．公路交通科技,2010,27( 2):114～118．

[7] 孫家抦．遙感原理與應(yīng)用[M]．武漢:武漢大學(xué)出版社, 2009．

Study on Method of Vehicle Extraction in High Resolution Remote Sensing Image

Qi Jun

(Ji’nan Geotechnical Investigation and Surveying Research Institute,Ji’nan 250013,China)

Vehicle Information extraction from high resolution remote sensing image can be used as a ground vehicle information distribution monitoring in a whole new way．The Adaboost algorithm and multi-scale image segmentation was used for vehicle information extraction test with large aircraft DMC aerial image and Quickbird-2 satellite image respectively combined with the existing data,such as the urban cadastral data．It summarized the effective method for vehicle information extraction process in urban areas,and the extraction accuracy and other test results were also analyzed．

multi-scale image segmentation;adaboost algorithm;information extraction;vehicle;high resolution remote sensing image

1672-8262(2016)01-43-05

P237,TP751

B

?2015—11—03

齊俊(1987—),男,工程師,碩士,主要從事攝影測(cè)量與遙感應(yīng)用方向的工作與研究。