齐俊

(济南市勘察测绘研究院,山东济南 250013)

基于高分辨率遥感影像的车辆信息提取方法研究

齐俊∗

(济南市勘察测绘研究院,山东济南 250013)

从高分辨率遥感影像上进行车辆信息提取可以作为地面车辆分布信息监测的一种全新的方式。文章采用Adaboost算法和多尺度影像分割,结合城市地区地籍资料等现有的资料,分别对大飞机DMC航摄影像和Quickbird-2卫星影像进行了车辆信息提取试验,总结出可以有效地从高分辨率遥感影像上提取车辆对象的方法流程,并对提取正确率等试验结果进行了分析。

多尺度分割;Adaboost算法;信息提取;车辆;高分辨率遥感影像

1　引 言

遥感的根本目标是为了从影像上获取所需要的信息。遥感影像目标识别一般是针对人工地物进行的,依据的是目标的光谱特征、空间几何特性、纹理特性等,比如提取建筑物、桥梁、道路、机场等人工地物[1]。近些年来,随着遥感手段的不断丰富,无人机影像、商业化应用卫星影像分辨率的不断提高,使基于遥感影像来提取小尺寸的目标变得可能,比如影像上面的车辆目标[2]。利用高分辨率遥感影像进行车辆目标识别与提取是智能交通领域重要的交通信息采集技术之一,对城市地区拥堵、违章停车等问题都具有实际应用价值。把遥感技术应用于交通检测是近年来遥感应用研究的一个新方向[3]。基于高分辨率卫星遥感影像对车辆进行检测已经成为新的研究热点。相比于传统的地面车辆检测,遥感影像不仅可以显示特定时刻特定范围内的车辆信息分布,对露天地段和街道的车辆数量和空间分布也有直观的反映。

2　原 理

本文主要是基于高分辨率遥感影像进行车辆信息的提取[1],由于车辆目标主要集中在道路、室外公共停车场等区域,因此文章采用多尺度影像分割算法[4],先进行影像粗分割结合人工判读以限定道路、停车场等区域,再结合城市地籍数据,可以更加准确地确定车辆目标提取的搜索范围。粗分割结束后,在限定的区域内进行小尺度分割,综合调整分割尺度,形状因子,颜色因子,紧凑度,光滑度等参数,生成车辆信息的影像对象。

小尺度分割下形成的影像对象图斑具有各自的特征信息,包括光谱信息、纹理信息、空间几何信息等,这就构成的不同的特征空间[5]。文章中车辆信息的识别提取,就是利用Adaboost算法对这些特征空间的光谱特征(亮度等)、纹理特征(形状、大小等)等特征训练车辆信息分类器,从而可以有效地提取车辆目标。下面主要讲述Adaboost算法[6]和多尺度影像分割的原理。

2．1Adaboost算法

Adaboost算法[6]的核心思想是先对一个训练集训练多个初等分类器,然后把这些初等分类器集合起来,构成最终分类器。

首轮调用初等分类器时,按均匀分布从样本集中选取子集作为该次训练集,以后每轮对前一轮训练失败的样本,赋予较大的分布权值(Dt(i)为第i轮各个样本在样本集中参与训练的概率),使其在这一轮训练出现的概率增加,即在后面的训练学习中集中对比较难训练的样本进行学习,经过T论的迭代,从而得到T个弱的基分类器(h1,h2,…,ht)。其中ht相应的权值αt的大小根据该分类器的效果而定。最后的最终分类器由生成的多个初等分类器加权联合产生。具体算法如下:

(1)设定初始分类器权值D1(i)=1/M,其中i=1, 2,…,M(M为样本总数)。

(2)针对t=1,2,…,T:

①在每一轮迭代中寻找总错误ε最小的分类器ht,当yi≠ht(xi)时,ε=∑Ti=1D1(i),如果最小错误满足ε＜0．5,则迭代继续;否则说明需要更好的特征,结束迭代。

②设置初等分类器ht的权重αt=log[(1-ε)/ε],ε即上步骤中最小错误。

③更新样本分布权值:

Dt+1(i)={D1(i)exp[-αtyiht(xi)]}/Zt,Zt将样本权重归一化。

(3)所有初等分类器的加权和组成最终分类器, 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个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。本文采用多尺度分割[4]的方式对影像进行分割,多尺度分割能最大限度保存影像信息,将高分辨率象元信息保留到低分辨率影像上,生成有意义的影像多边形。

多尺度影像分割采用的算法是一种自下向上的基于异质性最小[4]的区域合并算法。分割中主要进行的工作是像元与像元的合并以及像元与影像对象的合并。步骤如下:首先以任一像元作为起点;接着将起点像元周围的具有和起点像元相似性质即异质性最小的像元合并在同一区域内;然后以合并进区域的像元作为起点像元,重复之前起点像元的工作;最后,当所有满足条件的像元合并进区域内时,分割结束,区域多边形就此形成。图1所示为多尺度分割原理示意图。本文进行多尺度分割的影像是除去房屋等不可能存在车辆的区域后的影像(主要为道路区域的影像),通过eCognition软件来实现的。

图1　多尺度分割原理图

3　试验流程与精度评价

如图2所示,本次试验先对原始影像进行预处理,预处理的目的是为了得到纹理清晰、色彩均匀、有地理参考系的影像,包括图像增强、图像平滑、几何校正、影像融合(卫星影像需要,大飞机影像不需要)、正射纠正等步骤[7](即得到正射影像图)。然后将预处理后的影像和2011年城市地籍数据叠加,除去房屋建筑区等不可能存在车辆的区域,以排除背景干扰,提高提取精度。接下来对影像进行多尺度分割,先通过大尺度分割结合人工判读将道路区域和可能存在车辆的区域限定出来,然后再对道路等区域进行小尺度分割以生成目标车辆的影像对象图斑。最后利用Adaboost算法所训练的分类器对分割后的影像进行车辆目标识别提取。

车辆目标提取完成后即可统计提取的精度,由于整幅影像上的汽车数量较大,不便于统计识别率等数据,因此在影像上选择特定感兴趣区域,利用分类器进行车辆信息检测,检测完成后通过人工判读[7]的方法判断检测的结果是否正确。为评价分类器识别精度定义识别率(A)、漏识率(B)、正确率(C),他们的关系为:

图2　车辆信息识别提取流程图

式中,a为正确识别的汽车数量;b为影像上未被检测出的汽车数量;c为其他地物被误判成汽车的数量;m为影像上的实际汽车数量。

4　试验结果与分析

试验数据部分如图3所示,一种是大飞机DMC航空影像,空间分辨率0．2 m;另一种是Quickbird-2卫星影像,空间分辨率0．5 m;两种影像均为2011年获取的济南市主城区影像。

图3　试验数据(航空影像和卫星影像)

参见第3节把试验数据预处理后与城市地籍资料叠加,得到排除背景干扰后的影像。接下来对影像进行多尺度分割,先通过大尺度分割结合人工判读将道路区域和可能存在车辆的区域限定出来,试验采用eCognition软件来进行多尺度的影像分割,经过多次试验分析和比较,大尺度分割利用尺度230,shape=0．4,compactness=0．3,如图4所示为大尺度分割后的影像。然后再对道路等区域进行小尺度分割以生成目标车辆的影像对象图斑,小尺度分割利用尺度50,shape=0．4,compactness=0．2,color =0．6,如图5所示为小尺度分割后的影像。

图4　大尺度分割后的影像

图5　小尺度分割后的影像

在影像上选取一定量的样本数据,如图6所示为部分样本数据,利用Adaboost算法训练分类器,对小尺度分割[4]后的影像进行车辆目标识别提取。

图6　部分样本数据

利用分类器对预处理后的影像进行检测,程序进行后,识别的车辆会被检测出来,生成识别效果图,图7所示为在航空影像上的识别效果;图8所示为在卫星影像上的识别效果(图中红斑表示从影像上识别出来的车辆信息,一个红斑代表识别出的一个车辆信息)。

图7　航空影像上车辆识别结果

图8　卫星影像上车辆识别结果

由于整幅影像上的汽车数量较大,不便于统计识别的数据,因此在影像上随机选择一定区域进行精度统计,统计结果如表1和表2所示。

大飞机航摄影像上车辆提取统计结果　表1

卫星影像上车辆信息统计结果　表2

从统计结果可以看出,本文的研究方法流程可以有效从高分辨率遥感影像上提取车辆对象。在航空影像上,车辆的提取识别率到达77%,正确率高达88．6%,这是由于本文采用了城市地籍数据去除了不可能存在车辆的区域,从而排除了干扰信息,大大提高了识别的正确率。对于卫星影像来说,车辆的提取识别率也达到了71%左右,由于卫星影像的分辨率比航空影像低,加之车辆对象分散和相似对象较多,所以整体的识别率和提取正确率都比航空影像的要低。

5　结 语

本文总结了基于高分辨率遥感影像和城市地籍数据,采用Adaboost算法和多尺度分割方法进行车辆信息提取流程。从试验结果看,采用多尺度分割结合Adaboost算法能有效的从高分辨率遥感影像上提取车辆信息,特别是将影像数据和城市地籍数据叠加,排除背景干扰后,试验结果的正确率和识别率都有明显的提高。现阶段,在高分辨率遥感影像上提取车辆信息,还面临很多问题,其中一个很重要的问题就是,在树荫、涵洞、立交桥和有遮盖的停车场上车量信息在影像上是看不见的,在某些对比度很高的影像上,如果车辆正好处于房屋的阴影区,也是很难被检测到的。所以在这些方面,还需要某些特定的算法对影像对象的特征进一步的试验和总结。

本文方法是对一定范围内、特定时刻的车辆分布信息进行提取,要想达到监测地面交通流量的目标,需要改变获取影像的方式,比如采用无人机每隔半个小时对地面某一路段或停车区域进行航拍,然后再对获取的无人机遥感影像进行车辆信息提取,即可监测到某一路段或停车区域特定时段内的交通流量信息。

[1] 明冬萍,骆剑承,沈占锋等．高分辨率遥感影像信息提取与目标识别技术研究[J]．测绘科学,2005,30(3):18～20．

[2] 王巍,袁涛,周伟等．一种高分辨率遥感影像汽车识别检测方法[J]．测绘通报,2013(10):87～90．

[3] 王浩．基于面向对象的高分辨率遥感影像车辆提取方法研究[D]．北京:北京交通大学,2012．

[4] 蔡华杰,田金文．一种高分辨率遥感影像多尺度分割新算法[J]．武汉理工大学学报,2009,31(11):97～101．

[5] 李龙飞．卫星图像中车辆目标提取方法优化与精度评价[D]．北京:北京交通大学,2012．

[6] 魏武,张亚楠,武林林．基于遗传算法的改进AdaBoost算法在汽车识别中的应用[J]．公路交通科技,2010,27( 2):114～118．

[7] 孙家抦．遥感原理与应用[M]．武汉:武汉大学出版社, 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

齐俊(1987—),男,工程师,硕士,主要从事摄影测量与遥感应用方向的工作与研究。