郭杜杜, 逯國(guó)生

(1. 新疆大學(xué) 交通工程系, 新疆 烏魯木齊 830047； 2. 武漢理工大學(xué) 交通學(xué)院,湖北 武漢 430046；3. 69243部隊(duì), 新疆 烏魯木齊 830000)

基于eCognition的高分辨率衛(wèi)星影像的車輛檢測(cè)實(shí)驗(yàn)設(shè)計(jì)

郭杜杜1,2, 逯國(guó)生3

(1. 新疆大學(xué) 交通工程系, 新疆 烏魯木齊 830047； 2. 武漢理工大學(xué) 交通學(xué)院,湖北 武漢 430046；3. 69243部隊(duì), 新疆 烏魯木齊 830000)

設(shè)計(jì)了利用eCognition進(jìn)行高分辨率衛(wèi)星影像的車輛檢測(cè)實(shí)驗(yàn)的步驟,首先對(duì)目標(biāo)影像選取關(guān)鍵參數(shù)進(jìn)行多尺度分割；其次利用最小距離分類器進(jìn)行分類,實(shí)驗(yàn)設(shè)計(jì)中將目標(biāo)對(duì)象主要分為3類,即道路、汽車及其他類；最后以Worldview-1高分辨率衛(wèi)星影像進(jìn)行了車輛檢測(cè)的實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,所設(shè)計(jì)的實(shí)驗(yàn)過(guò)程能達(dá)到車輛檢測(cè)的目的并且精度較高,實(shí)驗(yàn)過(guò)程的簡(jiǎn)單直觀,可用于交通信息技術(shù)及應(yīng)用專業(yè)本科實(shí)驗(yàn)教學(xué)課程。

衛(wèi)星影像； 車輛檢測(cè)實(shí)驗(yàn)； eCognition； 多尺度分割

交通信息技術(shù)及應(yīng)用課程是一門實(shí)用性較強(qiáng)、涉及面較廣的專業(yè)限選課程。該課程的基本方法和理論大量應(yīng)用于先進(jìn)的交通管理、交通控制特別是智能交通的各個(gè)領(lǐng)域。傳統(tǒng)的教學(xué)大部分是較為繁瑣的理論分析和公式推導(dǎo),物理概念抽象,因此容易使學(xué)生感到乏味和難以接受,尤其是交通信息采集技術(shù)部分,各項(xiàng)技術(shù)原理、技術(shù)關(guān)鍵和技術(shù)應(yīng)用晦澀難懂,特別是基于遙感影像的車輛檢測(cè)部分更讓學(xué)生覺(jué)得不可思議。因此利用eCognition平臺(tái)進(jìn)行遙感影像車輛目標(biāo)檢測(cè),可以使抽象的理論知識(shí)具體化,形象化,加深學(xué)生對(duì)課程內(nèi)容的理解及掌握,激發(fā)學(xué)生的學(xué)習(xí)興趣和提高課堂教學(xué)效果。

近年來(lái)衛(wèi)星遙感技術(shù)得到了快速發(fā)展,尤其是高分辨率衛(wèi)星遙感影像(簡(jiǎn)稱高分衛(wèi)星影像)能夠在更大范圍內(nèi)采集整個(gè)路網(wǎng)上的車輛檢測(cè)數(shù)據(jù),非常適合交通管理及監(jiān)控應(yīng)用[1]。與傳統(tǒng)的車輛檢測(cè)設(shè)備相比,基于高分衛(wèi)星影像的車輛檢測(cè)方法具有一次投入持久應(yīng)用、不破壞路面、不影響地面交通、覆蓋面積大、獲取的交通信息量豐富等諸多優(yōu)點(diǎn)[2],為交通管理與交通流監(jiān)測(cè)提供了新方法與數(shù)據(jù)源。隨著智能交通的快速發(fā)展,對(duì)交通信息數(shù)據(jù)的獲取提出了更高的要求,因此在交通信息采集的實(shí)驗(yàn)課程體系中,通過(guò)開(kāi)設(shè)高分辨率衛(wèi)星影像的車輛檢測(cè)實(shí)驗(yàn),在學(xué)生學(xué)習(xí)傳統(tǒng)車輛信息采集手段的基礎(chǔ)上,了解新型的車輛信息采集手段,利于開(kāi)拓學(xué)生思維,增廣學(xué)生眼界。

1 eCognition簡(jiǎn)介

eCognition是由德國(guó)Definiens Imaging公司開(kāi)發(fā)的智能化影像分析軟件,也是目前所有商用遙感軟件中比較成熟、廣泛應(yīng)用的基于目標(biāo)信息的遙感信息提取軟件[3]。它采用的是面向?qū)ο蟮男畔⑻崛》椒?針對(duì)的是對(duì)象，而不是傳統(tǒng)意義上的像素,充分利用了對(duì)象信息，包括色彩、形狀、層次、紋理,以及不同類之間信息，包括與鄰近對(duì)象、父對(duì)象、子對(duì)象的相關(guān)特征[4]。運(yùn)用eCognition可以成功提取小目標(biāo)地物如道路,車輛等。

2 車輛檢測(cè)實(shí)驗(yàn)方案設(shè)計(jì)

通過(guò)在開(kāi)展高分辨率衛(wèi)星影像的車輛檢測(cè)實(shí)驗(yàn),使學(xué)生初步了解遙感圖像交通信息采集的技術(shù)背景,認(rèn)識(shí)和甄別提取的基礎(chǔ)數(shù)據(jù)和要求,并掌握?qǐng)D像處理的實(shí)驗(yàn)操作步驟,探討影響車輛檢測(cè)精度的因素,最終達(dá)到能對(duì)給定影像進(jìn)行車輛檢測(cè)的實(shí)驗(yàn)教學(xué)目的。

2.1 實(shí)驗(yàn)的技術(shù)路線

基于eCognition的車輛檢測(cè)技術(shù)流程可歸結(jié)為：根據(jù)車輛信息提取的需求,選擇適當(dāng)?shù)母叻直媛市l(wèi)星遙感數(shù)據(jù),結(jié)合信息提取的需要進(jìn)行圖像各項(xiàng)處理,實(shí)現(xiàn)車輛信息的提取。技術(shù)流程見(jiàn)圖1。

圖1 車輛信息提取的技術(shù)流程圖

影像并非由單個(gè)像素來(lái)代表,而是由包含多組信息包括形狀特征、紋理特征、光譜特征等在內(nèi)的影像對(duì)象以及他們之間的關(guān)系(相鄰對(duì)象之間的關(guān)系,父子對(duì)象之間的關(guān)系)構(gòu)成[5]。

2.2 原理分析

2.2.1 多尺度分割

圖像分割是基于eCognition提取車輛信息的基礎(chǔ),它將遙感圖像分割成為空間連續(xù)、相互獨(dú)立并且保持相似性的區(qū)域,簡(jiǎn)單來(lái)講可以用以下公式表示分割算法的依據(jù)[6-8]：

(1)

式中,FP×Q表示一副數(shù)字圖像,P×Q為圖像像素點(diǎn)矩陣(行×列),f(x,y)∈GL={0,1,...,L-1}是圖像像素點(diǎn)灰度值集合,圖像分割是將FP×Q數(shù)據(jù)集中同質(zhì)性的區(qū)域劃分到一起,形成一個(gè)圖斑。分割過(guò)程按照選定的一致性屬性準(zhǔn)則P,將遙感圖像F正確劃分為空間連續(xù)、相互獨(dú)立并且保持相似性區(qū)域的過(guò)程。

eCognition的多尺度分割是基于區(qū)域融合技術(shù)的、始于一個(gè)像元的區(qū)域。它是一種自下而上的分割方式：通過(guò)識(shí)別像元的相似性,使相鄰、相似像元融合形成對(duì)象。分割尺度是一個(gè)抽象概念,無(wú)具體意義。但是宏觀上講：分割尺度越大,影像對(duì)象越大[9-10]。多尺度分割原理圖見(jiàn)圖2。

圖2 多尺度分割原理圖

2.2.2 最鄰近距離分類法

最鄰近距離分類法[11-12](minimum distance)是常用監(jiān)督分類方法之一。對(duì)于每一個(gè)影像對(duì)象,在特征空間中尋找最近的樣本對(duì)象,如果一個(gè)影像對(duì)象最近的樣本對(duì)象屬于A類,那么這個(gè)對(duì)象將被劃分為A類。分類步驟如下：

(1) 選用合適的樣本數(shù)據(jù)計(jì)算得到每一類別的均值向量及均方差向量；

(2) 統(tǒng)計(jì)每一類的均值向量,以均值向量作為該類別在特征空間中的中心位置,計(jì)算待分類圖像中每個(gè)像素點(diǎn)到各類地物中心的距離。

當(dāng)用距離作為相似度時(shí),距離越小,相似度越大；反之亦然。簡(jiǎn)單的最近鄰分類器是在n維特征空間中,計(jì)算待分類像元或圖像對(duì)象到訓(xùn)練數(shù)據(jù)中各個(gè)類樣本像元或圖像對(duì)象的歐氏距離,并將其劃分到最鄰近樣本所屬類中。

設(shè)n個(gè)像素單元中,第i個(gè)像素和第j個(gè)像素的特征向量為

(2)

這n個(gè)像素共分為p類,設(shè)各類的均值特征向量分別為M1,M2,…Mp

(3)

P類的均方差分別為σ1,σ2,…,σp

(4)

第j個(gè)對(duì)象到第L類的特征空間中心的歐氏距離Di和絕對(duì)距離Dl分別為：

顯然,若Di

3 車輛檢測(cè)實(shí)驗(yàn)的步驟設(shè)計(jì)

3.1 實(shí)驗(yàn)案例介紹

案例選用Iran Tehran azadi tower (伊朗德黑蘭解放碑)WorldView-1(視界1號(hào)衛(wèi)星)高分辨率衛(wèi)星影像。WorldView-1衛(wèi)星運(yùn)行在高度450 km、傾角98°、周期93.4 min的太陽(yáng)同步軌道上,平均重訪周期為1.7 d,星載大容量全色成像系統(tǒng)每天能夠拍攝多達(dá)50萬(wàn)km2的0.5 m分辨率圖像。截取的德黑蘭解放碑WorldView-1高分辨率衛(wèi)星影像截圖見(jiàn)圖3。

圖3 德黑蘭解放碑WorldView-1高分辨率衛(wèi)星影像截圖

3.2 實(shí)驗(yàn)關(guān)鍵參數(shù)設(shè)定

首先進(jìn)行多尺度分割,分析得出一個(gè)最佳尺度。多尺度分割算法的參數(shù)設(shè)置見(jiàn)圖4。

圖4 多尺度分割算法參數(shù)設(shè)置

設(shè)置參數(shù)不同可得到不同的影像對(duì)象。經(jīng)過(guò)對(duì)影像對(duì)象的深入分析,得到的較好的分割結(jié)果見(jiàn)圖5。度尺參數(shù)有：Scale parameter, Shape, Compactness。

圖5 不同尺度的分割結(jié)果

通過(guò)多次試分割,德黑蘭解放碑WorldView-1高分辨率衛(wèi)星影像的最佳分割參數(shù)：Scale parameter為35, Shape為0.5, Compactness為0.5。

接著執(zhí)行分類,定義使用標(biāo)準(zhǔn)最鄰近分類器的特征空間,并用最鄰近分離器聲明樣本對(duì)象。分類要素的主要設(shè)置如圖6所示。

3.3 實(shí)驗(yàn)結(jié)果及精度分析

通過(guò)分類篩選后,影像中車輛檢測(cè)結(jié)果以及特征值提取如圖7所示。

圖6 分類要素的設(shè)置

圖7 德黑蘭解放碑WorldView-1高分辨率衛(wèi)星影像車輛檢測(cè)結(jié)果及特征值的提取

結(jié)果精度評(píng)價(jià)主要對(duì)3個(gè)指標(biāo)進(jìn)行評(píng)價(jià),分別是正確檢車率、檢測(cè)完整性以及檢測(cè)質(zhì)量。通過(guò)與目視法結(jié)果對(duì)比分析可知車輛檢出精度各指標(biāo)計(jì)算如下：

正確檢出率=正確判斷/(正確判斷+錯(cuò)誤判斷)=200/(200+9)×100%=95.7%

檢測(cè)完整性=正確判斷/(正確判斷+漏判斷)=200/(200+0)×100%=100%

檢測(cè)質(zhì)量=正確判斷/(正確判斷+錯(cuò)誤判斷+漏判斷)=200/(200+9+0)×100%=95.7%

因此,德黑蘭解放碑WorldView-1高分辨率衛(wèi)星影像車輛檢測(cè)結(jié)果精度可以達(dá)到95%以上。

4 結(jié)語(yǔ)

交通信息檢測(cè)技術(shù)是交通工程專業(yè)本科教學(xué)的重要內(nèi)容,利用eCognition進(jìn)行高分辨率衛(wèi)星影像的車輛檢測(cè)實(shí)驗(yàn),有利于圖像類交通信息處理過(guò)程和規(guī)律的理解和掌握。對(duì)Worldview-1高分辨率衛(wèi)星影像的具體案例分析表明,利用eCognition進(jìn)行高分辨率衛(wèi)星影像的車輛檢測(cè)實(shí)驗(yàn),其結(jié)果能夠與目視結(jié)果相吻合,具有真實(shí)直觀性,且精度較高,有利于學(xué)生對(duì)圖像類交通信息采集技術(shù)處理過(guò)程分析和理解,能達(dá)到較好的實(shí)驗(yàn)教學(xué)效果。

References)

[1] 項(xiàng)皓東.從高分辨率遙感影像中提取道路信息的方法綜述及展望[J].測(cè)繪與空間地理信息,2013,36(8)：202-206.

[2] 袁金國(guó),遙感圖像數(shù)字處理[M].北京:中國(guó)環(huán)境科學(xué)出版社,2011.

[3] 劉珠妹,劉亞嵐,譚衢霖,等.高分辨率衛(wèi)星影像車輛檢測(cè)研究進(jìn)展[J].遙感技術(shù)與應(yīng)用,2012,27(1):8-14.

[4] Hinz S,Meyer F,Eineder M,et al. Traffic monitoring with spaceborne SAR—Theory,simulations,and experiments[J]. Computer Vision and Image Understanding,2007,106(2):231-244.

[5] 關(guān)元秀,程曉陽(yáng).高分辨率衛(wèi)星影像處理指南[M].北京:科學(xué)出版社,2008.

[6] 蘿博.高分辨率遙感圖像分割方法研究[D].成都：電子科技大學(xué),2013.

[7] 張冰,林嵐嵐,騰鵬飛.淺談遙感圖像增強(qiáng)的處理[J].防護(hù)林科技,2006(2):68-69.

[8] 王偉超,鄒維寶.高分辨率遙感影像信息提取方法綜述[J].北京測(cè)繪,2013,13(4):4-6.

[9] Jeon S H,Lee K,Kong B D. Application of Template Matching Method To Traffic Feature Detection KOMPSATEOC Imagery[J]. IEEE International,2005(1):441-443.

[10] Su M C,Hsinhung C. A neural-network-based approach to detecting rectangular objects[J]. Neurocomputing,2007,71(1): 270-283.

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

[12] 孫琪.基于高分辨率衛(wèi)星影像的交通流參數(shù)提取研究[D].北京：北京交通大學(xué),2010.

Design on experiment of vehicle detection with high resolution satellite images based on eCognition

Guo Dudu1,2, Lu Guosheng3

(1. Department of Traffic Engineering,Xinjiang University, Urumqi 830047， China； 2. School of Transportation,Wuhan University of Technology,Wuhan 430046, China；3. 69243 Troops,Urumqi 830000,China)

A procedure for the experiment of the vehicle detection with high resolution satellite images by using eCognition is designed. Firstly,the key parameters of target images are segmented by multiple scales. Secondly,the minimum distance classifier is used to classify the target,which can be divided into the following three kinds: road,automobile and other category. Finally,the experiment of the vehicle detection is conducted with Worldview-1 high resolution satellite images. The experimental results show that the experimental process can achieve the purpose of vehicle detection and get high precision,and the experimental process is simple and intuitive. This experiment can be used in the undergraduate course of experimental teaching of transportation information technology and application majors.

satellite images; vehicle detection experiment; eCognition; multiscale segmentation

10.16791/j.cnki.sjg.2017.07.012

2016-12-25

2017-03-16

新疆維吾爾自治區(qū)自然科學(xué)基金資助項(xiàng)目(2015211C282)

郭杜杜(1985—),女,湖北黃岡,博士研究生,講師,主要研究方向?yàn)榻煌ㄐ畔⒉杉蛯?shí)驗(yàn)教學(xué)管理.

E-mail：guodudu1122@126.com

TP753；U491

A

1002-4956(2017)07- 0042- 04