基于高分遙感影像的車輛信息提取技術(shù)

1、    基于高分遙感影像的車輛信息提取技術(shù)    段誠張歡摘要：近年來，利用高分辨率衛(wèi)星遙感影像對車輛目標(biāo)識別與提取技術(shù)的成熟使該方法應(yīng)用于交通檢測方向成為可能。本文通過低通濾波處理清除影像中的高頻噪聲點(diǎn)，再利用閾值分割濾除零散噪聲，最后，利用邊緣檢測算法提取得到高分遙感影像中的車輛信息。針對提取所得車輛信息展開分析，將目標(biāo)轉(zhuǎn)化為點(diǎn)要素，從而直觀反映道路擁堵情況。通過實(shí)驗(yàn)，該方法能有效提取各條道路上的車輛并顯示特定時(shí)刻特定范圍內(nèi)的車輛信息分布，為交通檢測和緩解擁堵創(chuàng)造有利條件。關(guān)鍵詞：遙感影像；車輛提??；交通檢測：tp751 ：a ：1009-3044（

2、2016）36-0173-021 前言當(dāng)前，遙感技術(shù)迅速發(fā)展，高分辨率遙感影像的研究工作更加廣泛且有效，由于其清晰度高、信息存儲豐富以及現(xiàn)實(shí)性強(qiáng)等特點(diǎn)，使得遙感影像已成為人類獲取地球空間信息的重要數(shù)據(jù)源。同時(shí)基于高分影像對小尺寸的目標(biāo)提取逐漸成為研究熱點(diǎn)，如對車輛目標(biāo)的識別，依據(jù)目標(biāo)的光譜特征、空間幾何特性等獲取道路車輛的點(diǎn)信息，從而利用一定范圍內(nèi)點(diǎn)密度信息的分析對城市地區(qū)擁堵問題具有實(shí)際應(yīng)用價(jià)值。但由于影像存在復(fù)雜的結(jié)構(gòu)使本身所包含自然特征和人工地物的關(guān)系繁瑣，提取信息會受到各類噪聲的影響，例如在本文針對北京城區(qū)交通道路上車輛提取的研究中，諸如路面上的交通線、建筑物、綠化樹木的陰影、行人等路

3、面噪聲變得不可忽視，因?yàn)檫@些噪聲所帶來的誤差使所提取的車輛信息不完整且存在個(gè)別錯(cuò)誤。2 技術(shù)原理車輛信息的提取工作主要是利用了遙感影像中車輛所具有的光譜特征和塊狀特征。塊狀特征即遙感影像中的車輛所表現(xiàn)出來的規(guī)則的大小方塊，車輛的形狀近似矩形，而且面積偏小且范圍集中，車頂?shù)募y理材質(zhì)也與周圍地物有所區(qū)別，故利用其矩形方塊特征能很好與道路分界護(hù)欄、交通車站站頂?shù)葏^(qū)分開。然而，在遙感影像的獲取和傳輸過程中，噪聲及光照等不可避免地會使影像丟失一些細(xì)節(jié)，從而造成了圖質(zhì)退化，對于后期圖像信息的提取和處理影響較大，故而對影像的增強(qiáng)處理必不可少。該操作可以有效改善影像質(zhì)量，對影像中某些特性的視覺增強(qiáng)效果顯著。然

4、后，經(jīng)過低通濾波處理，可以去掉影像中一些高頻的噪聲點(diǎn)，再恰當(dāng)?shù)厥褂娩J化高通濾波突出邊緣特征，更加方便后續(xù)車輛信息的提取工作。接著，對試驗(yàn)區(qū)域的車輛信息采用影像分割技術(shù)進(jìn)行提取，目前所知的圖像分割方法有基于區(qū)域分割方法、閾值的分割方法、邊緣檢測方法等，而本文基于envi的車輛提取研究主要采用基于邊緣的分割算法，這種算法計(jì)算效率高，而且要產(chǎn)生多尺度分割結(jié)果僅需一個(gè)輸入?yún)?shù)。在進(jìn)行分割操作時(shí)，首先要確定分割閾值，由于分割后的圖斑多少與尺度的選擇緊密相關(guān)，為了能盡量分出很少的圖斑通常選擇高尺度影像分割。分割效果的好壞一定程度決定了分類效果的精確度，通過不斷的試驗(yàn)選擇一個(gè)理想的分割閥值，通過選取合適的閾

5、值可以去除很多零散的噪聲點(diǎn)，盡量分割出較好、較完整的邊緣特征，其基本原理是通過不同閾值的設(shè)定，將影像的像素點(diǎn)拆分若干類。在整個(gè)過程中，較難處理的就是圖像平滑過程中會隱去一些邊緣信息，而銳化過程又會增加很多不必要的噪聲，在多次實(shí)驗(yàn)中發(fā)現(xiàn)依經(jīng)驗(yàn)手動選取閾值的效果往往比較好。最后，要提取出感興趣的車輛信息，使用邊緣提取算法效果不錯(cuò)。在基于envi的實(shí)驗(yàn)中采用了基于邊緣檢測分割，較完整的提取出道路中的車輛信息，包括其中較暗的一些車輛，可以達(dá)到最佳效果；而如果采用基于亮度的檢測算法則會漏掉許多光譜信息不滿足的車輛，造成實(shí)驗(yàn)效果的不準(zhǔn)確、不理想。3 技術(shù)流程對影像通過rpc矯正、配準(zhǔn)和融合后，即可通過特征

6、提取方法對高分遙感影像中較擁堵路段的車輛進(jìn)行提取。此部分選用2015年2月17日上午11時(shí)22分影像中崇文門內(nèi)大街路段作為試驗(yàn)對象，展開本文的研究。1）對影像中崇文門內(nèi)大街區(qū)域的車輛信息進(jìn)行增強(qiáng)操作。為減少錯(cuò)誤提取及漏檢率，提高車輛提取操作的準(zhǔn)確性，我們需要采用影像增強(qiáng)的辦法突出影像中一些較暗的車輛信息，并加強(qiáng)車輛與其他地物的差別。根據(jù)試驗(yàn)要求，我們采用了直方圖均衡化、線性濾波及同態(tài)濾波三種增強(qiáng)方法進(jìn)行試驗(yàn)比較，以選擇效果較好的一種作為試驗(yàn)依據(jù)。通過試驗(yàn)發(fā)現(xiàn)，利用直方圖均衡化方法處理影像后，影像的整體亮度增加，原本較暗的車輛信息變得明顯，但是由于直方圖處理是整體拉伸凸顯的灰度，所以在原本較亮的

7、車輛周圍的地物也變得比較亮；而同態(tài)濾波對影像的增強(qiáng)操作效果也不錯(cuò)，與直方圖處理相比，僅僅是車輛的信息更明顯，這主要是因?yàn)榉瓷淞吭诓煌匚锏慕唤缣幨羌眲∽兓?，但是在車輛周圍產(chǎn)生了許多細(xì)小的噪聲點(diǎn)，這些噪聲點(diǎn)對車輛的提取也會有一定程度的阻礙；線性濾波增強(qiáng)較之前兩種方法產(chǎn)生的噪聲點(diǎn)相對較少，并較好反映了車輛與地物的光譜差別，而車輛信息的顯示效果也有明顯的增強(qiáng)，故通過比較認(rèn)為，選用線性增強(qiáng)的方法更為適合。如下圖1、圖2所示，未經(jīng)線性增強(qiáng)和經(jīng)線性增強(qiáng)后的影像中的車輛信息明顯度差別較大：2）對所選影像區(qū)域進(jìn)行圖像分割。該實(shí)驗(yàn)根據(jù)臨近像素亮度、顏色、紋理等對影像進(jìn)行分割，通過基于邊緣檢測的算法較好完成了圖

8、像分割的操作，如圖3所示。3）在完成對影像的分割操作后，接著提取該影像的總車輛特征。在試驗(yàn)中，為提取得到車輛信息，主要利用了與幾何形狀、面積等相關(guān)的特征以及光譜、紋理特征。 在多次試驗(yàn)中，首先使用矩形度和面積等特征找出影像中與車輛面積和形狀相近的對象，再利用光譜特征進(jìn)一步優(yōu)化提取要素，發(fā)現(xiàn)一些前兩步?jīng)]有找出的對象，最終得到試驗(yàn)區(qū)域（崇文門內(nèi)大街）整體的車輛提取shp文件，如圖4所示。在特征規(guī)則的選取過程中，要達(dá)到較好的效果，一定需要反復(fù)多次細(xì)致地調(diào)節(jié)參數(shù)，得到信息提取效果圖如圖5所示。 通過基于規(guī)則的特征提取方法得到如上圖的提取結(jié)果后，接下來便是對車輛信息進(jìn)行量化分析，以判斷該條道路上的交通擁

9、堵級別。該部分試驗(yàn)主要基于arcgis的空間分析功能，載入對崇文門內(nèi)大街試驗(yàn)影像進(jìn)行提取操作后所得到的車輛信息shp文件，利用feature to point工具將車輛的面狀信息轉(zhuǎn)化為點(diǎn)信息，如圖6所示：4 結(jié)論本論文以高分二號遙感衛(wèi)星影像作為研究來源，采用邊緣檢測算法和規(guī)則分類辦法對道路車輛信息進(jìn)行提取，并利用該提取信息進(jìn)行空間分析得到道路交通擁堵狀況。從實(shí)驗(yàn)結(jié)果看，高分辨率遙感影像通過線性增強(qiáng)后排除了噪聲影響并強(qiáng)化了車輛與其他地物的灰度差別，后采用邊緣檢測算法分割影像能更有效地提取車輛信息，結(jié)果的正確率和識別率都保持在80%以上。但是，現(xiàn)階段在高分辨率遙感影像上提取車輛信息依舊面臨較多問題，試驗(yàn)中發(fā)現(xiàn)，在對一定范圍內(nèi)、特定時(shí)刻的車輛信息的提取過程中，在樹蔭、樓房陰影、立交橋上車量信息在影像上是看不見的，在某些對比度很高的影像上，如果車輛正好處于房屋的陰影區(qū)，也是很難被檢測到的。所以在這些方面，還需要某些特定的算法對影像對象的特征進(jìn)一