CN102855759B - 高分辨率卫星遥感交通流信息自动采集方法 - Google Patents

Abstract

本发明公开了一种高分辨率卫星遥感交通流信息自动采集方法，其步骤：A、预处理，包括全色影像与矢量路网及全色与多光谱影像的配准，道路区域分割与双边滤波增强。B、据对步骤A得到的道路区域影像目视判读获得车辆样本特征值，建立车辆遥感影像特征库。C、对步骤B所得全色影像进行神经网络车辆粗提取与面向对象车辆精提取。D、利用图像频率域相关匹配法，在多光谱影像中搜索对应步骤C精提取的车辆位置并进行匹配。E、据步骤C和步骤D得到的对应车辆位置，计算全色与多光谱影像中同一车辆的位移量，进而估算各交通流参数信息。F、通过精度评价加以验证。该方法能实现大范围系列静态和动态交通流信息自动化快速采集，效率更高，简单易行。

Description

高分辨率卫星遥感交通流信息自动采集方法

技术领域

本发明涉及卫星遥感在智能交通领域中的图像处理与分析技术，具体涉及一种高分辨率卫星遥感交通流信息自动采集方法，适应于对大范围路网的交通流监测，快速、自动获取系列静态和动态的交通流信息，可满足大范围宏观交通调查的需要，为城市与区域交通管理与交通规划提供服务。

背景技术

近几年来，私人轿车保有量飞速增长，我国越来越多的城市开始面临交通拥堵问题，不仅影响到公众出行、消耗大量的能源，造成环境污染，还影响到城市功能正常发挥和可持续发展。智能交通系统（ITS，Intelligent Transportation System）作为解决交通运输安全、效率和拥挤问题的有效工具应运而生。ITS包括交通信息采集、分析与发布三个阶段，其中交通流参数的采集是智能交通系统实施好坏与否的关键。交通流参数自动采集方式包括感应线圈、压电式检测器、视频检测器、微波检测器，以及基于有人机、无人机、飞艇等航空遥感与航天卫星遥感的检测，以及基于浮动车的动态采集方式。

传统的交通流参数采集设备（如电感线圈、视频检测器等）由于成本高、安装复杂、不易移动和维修，目前只在大中型城市监控主干道的交通信息，不适合大范围交通数据的采集。近几年发展起来且应用较多的浮动车采集技术，一般是将GPS安装在出租车上，要求车辆数量多，成本高，且由于车辆行经路线随机性大、不能保证路网全覆盖，所得到的数据只在一定情况下具有代表性。在实际应用中，通常只对主干道路上的数据进行采集，不能主动获取数据，且数据处理过程复杂。遥感技术具有宏观、快速、经济、覆盖范围大等独特的数据获取优势，并且由于传感器远离路面，与地面调查相比，既不会影响交通，也不会给地面调查人员带来危险，可大幅度降低实地调查的劳动强度和调查成本，提高交通流参数采集的广度和全局性，因而它在交通领域的应用得到国内外的广泛关注。卫星遥感与航空遥感手段相比，数据获取更加经济，数据处理流程更加成熟。因此，利用卫星遥感影像进行交通流信息采集具有较大的潜力与应用前景。尤其各种高分辨率遥感数据的不断涌现，为实现卫星遥感交通流信息的自动采集带来了更多的机遇。随着我国高分对地观测计划的实施，将有效缓解对国外高分辨率卫星遥感数据获取的依赖程度，为基于我国自主高分辨率卫星的交通流信息采集创造了良好的条件。

目前遥感交通监测需要解决车辆识别和运动车辆在不同遥感图像上位置匹配两个主要问题。利用高分辨率卫星遥感技术进行交通监测管理方面的研究还不多见，且大多为车辆目标的识别，识别精度和自动化程度均不高；对车辆目标的匹配方法，虽有研究涉及到，但是采用人工目视方法来实现的。因此，如何充分利用高分辨率卫星遥感技术的优势，提高现有的车辆检测方法的精度和自动化程度，实现车辆目标的自动匹配，形成一套系统的交通流信息的自动化采集技术方法，以满足交通管理与规划对交通参数采集的实际需求，具有非常重要的实用价值，尤其是对促进我国智能交通系统技术的发展和城市交通管理与规划的水平的提升具有重要的意义。

与本发明直接相关的技术方案：

本发明中涉及车辆检测和车辆匹配两个方面的关键技术。与此相关的技术方案分别说明如下。

1.车辆检测方面

“利用遥感影像探测和计数城市道路车辆的方法”（专利公开号：101404119）与本发明的其中一个步骤相关。

利用遥感采集交通流信息，首先需得到道路中运行车辆个体信息。谭衢霖等人提出了一种利用遥感影像探测和计数城市道路车辆的方法，其主要步骤如下：

第一步，基于道路中心线生成城区道路掩膜，限制车辆探测在道路区域进行；

第二步，对在步骤一中生成的城区道路掩膜的影像进行二次不同尺度的影像分割获得道路车道条带目标层和车辆探测对象基本层。其中，为获得道路车道条带目标层所使用的分割尺寸大于为获得车辆探测对象基本层所使用的分割尺寸；

第三步，在车辆探测对象基本层构建面向对象的模糊分类器对该层的对象进行车辆对象和非车辆对象分类；

第四步，在被分类的车辆探测对象基本层上，融合相邻的同类对象生成车辆探测融合对象层，在该层上分类车辆，最终获得完成车辆探测的影像。

本发明与之相比，有以下三点：

1.不仅实用于大范围、快速、自动化采集，而且采集的交通流信息更广泛，不仅能获得车辆数量、类型、分布等静态参数，还可以在车辆匹配的基础上获得交通流速度、流量等其他系列动态交通流参数。

2.将神经网络与面向对象分类方法相结合，实现了高分辨率遥感影像的自动化分割，避免了人工处理需要反复选择分割尺度的局限。

3.引入了车辆遥感影像特征库，实现了车辆目标分类器的阈值自动化选择，从而避免了人工干预阈值选择的主观性和阈值反复调整的复杂性。

以上三点优势，有利于提高卫星遥感交通流信息的自动化采集能力，使其更适合大范围路网、更全面的交通流信息的采集。

2.车辆匹配方面:

为了利用高分辨率卫星遥感影像进行包括车速等在内的诸多交通流信息（如交通流量、车头距离等）的采集，需要从同一遥感平台获取的具有拍摄时间差的全色影像和多光谱影像中得到车辆目标的位移信息。由于同一遥感平台中多光谱影像空间分辨率较全色影像的空间分辨率低，仅依靠影像分类的方法很难精确提取多光谱影像中的车辆目标信息。因此，本发明提出采用图像频率域相关匹配法进行车辆匹配，即根据由全色影像分类得到的已知车辆目标区域来搜索多光谱影像中同一车辆的位置，从而实现两种遥感影像中相同车辆目标的匹配。

目前，传统的图像匹配方法是以互相关函数作为匹配准则，以相关系数的大小评价影像匹配位置与模板的相似度程度，从而确定最大相关位置，即最佳匹配位置的过程，即：

${\mathrm{\ρ}}_{u,v}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}[f(i+u,j+v)-\stackrel{\‾}{f(u,v)}]\×[g(i,j)-\stackrel{\‾}{g}]}{\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{[f(i+u,j+v)-\stackrel{\‾}{f(u,v)}]}^2}\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{[g(i,j)-\stackrel{\‾}{g}]}^2}}$

该方法计算复杂，时间效率较低。

发明内容

鉴于上述存在的不足，针对现有的交通监测中存在的问题与缺陷，本发明提供了一种高分辨率卫星遥感交通流信息自动采集方法，方法易行，操作简便。它不仅可用于大范围、快速、自动化采集道路网中车辆数量分布等静态交通流参数，还能够采集交通流速度、交通流量等动态参数。并且由于卫星数据覆盖范围大（如QuickBird高分辨率卫星影像的幅宽达16.5km），而本发明充分考虑了大数据量处理的时间效率与自动化程度，提出的图像频率域相关匹配法与传统的空间域相关系数匹配法相比，时间效率提高了1.6倍。

为了实现上述目的，本发明采用以下技术措施:

其构思是:

1.本发明利用结合神经网络与面向对象分类方法对高分辨率卫星遥感影像进行道路区域内的车辆目标提取。

神经网络是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

与传统遥感分类方法相比，神经网络分类方法具有自学习、自组织的能力，能最大限度地利用高分辨率卫星遥感影像中车辆样本集的先验知识，在无模型假设的前提下自动提取识别规则，从而提高了算法自动化处理能力。但其对光谱相似的车辆与阴影、路面标记之间的区分尚未达到最佳的效果。

面向对象遥感图像分类方法是以影像分割后若干像素组成的对象为基本操作单元，而非以灰度像元为单位。由于对象比单个像元更有实际意义，因此更能体现出高分辨率遥感影像与物理世界的联系，可以借此挖掘出更多的隐含信息；可以依据车辆对象的形状、面积等属性，将光谱相近的车辆目标与阴影、路面标记等区分开来。

2.本发明利用图像频域率相关理论计算两幅影像的相关性。计算公式如下：

其中，f与h为需要计算相关性的两幅影像，x、y分别为影像的行、列。F（u，v）和H（u，v）分别表示f（x,y）和h（x,y）的傅里叶变换（u,v分别为影像行、列）；F*是F的复共轭。

根据图像处理的相关理论，空间域的相关性可由F*（u,v）H（u,v）的傅里叶反变换得到，而频域率中的计算可以大大减少计算的时间消耗，对同一遥感平台获取的具有拍摄时间差的全色和多光谱影像实现高效率的车辆匹配。本发明通过试验表明：采用不同的匹配方法对同一遥感图像进行匹配运算时，频率域相关匹配与空间域相关系数匹配法相比，时间效率提高了1.6倍。

一种高分辨率卫星遥感交通流信息自动采集方法，包括以下步骤：

步骤一，包含道路的高分辨率卫星影像预处理，包括全色影像与矢量路网及全色与多光谱影像配准，道路区域分割和双边滤波增强。配准包括矢量路网与全色遥感影像（即矢量与影像）以及同一卫星遥感平台同时获取的全色影像与多光谱影像（即影像与影像）的配准两个步骤。全色影像与多光谱影像的配准精度一般应高于0.5个像素，矢量路网与遥感影像的配准精度不低于二个像素。道路区域分割即利用现有道路网的矢量数据（即矢量路网数据），以1/2的道路宽度为缓冲区半径，生成道路缓冲区；再以该缓冲区为模板对影像进行分割。另外，对多光谱近红外波段选择合适的阈值进行影像分割，以去除带状植被区域，形成最终的道路影像以便下步进行车辆提取。此外，本发明采用了双边滤波方法对影像进行增强，在保证车辆边缘信息不丢失的情况下，可以尽可能地对道路面进行平滑，从而提高车辆分类的效率和效果。

步骤二，利用经过步骤一处理生成的道路区域遥感影像建立车辆遥感影像特征库。首先选取该影像中的小汽车、面包车、公交车等几种类型的典型车辆进行目视判读，计算其面积、长宽比、方向、矩形相似度等特征值，以此为样本，将这些特征值存入到数据库中，为后续车辆提取中目标阈值设定的依据。

步骤三，对经过步骤一处理生成的道路区域全色影像进行结合神经网络与面向对象方法的车辆目标提取。首先，选择典型的车辆样本（正样本）、非车辆样本（负样本）进行径向基神经网络训练，并利用训练好的网络进行车辆目标分类；随后对分类结果利用形态学闭运算进行车体的连接，以保证车辆目标对象特征的完整性，实现对候选车辆目标的粗略提取（称为“车辆粗提取”）。其次，将车辆粗提取结果影像分割为候选车辆对象和背景对象，并提取各对象特征（包括面积、长宽比、方向、矩形相似度等）；接下来以车辆遥感影像特征库中的特征值作为车辆目标判定阈值，对上述候选车辆对象进一步进行自动筛选，去除相关干扰的地物（其中的方法包括利用宽度特征剔除道路标准线、利用方向特征剔除横跨道路的标志牌、利用面积特征剔除噪声点、利用矩形相似度排除其他地物等），从而得到精确的车辆目标（称为“车辆精提取”）；最后输出车辆的总数量，单个车辆的重心坐标、面积、长度等属性信息。

步骤四，在完成对步骤三中全色影像车辆检测及车辆目标提取的基础上，利用图像频率域相关匹配法，在多光谱影像中搜索对应车辆的具体位置。为了提高搜索效率。本发明设定在较小的搜索窗口内进行图像匹配。根据车辆运动的特点，该搜索窗口要比全色影像中的车辆位置在车辆行驶方向上扩大一定的搜索范围，便于同一车辆的精确匹配。

步骤五，根据步骤三和步骤四得到的同一车辆的位置坐标，计算同一遥感平台中的全色与多光谱影像中同一车辆的位移量，再与这两种影像的拍摄时间差相除，即可计算出该车辆的行驶速度；根据车辆数量与交通流密度等参数的相关关系，根据步骤三得到的车辆数量与大小信息，计算道路区域的交通流密度，同时可统计出车辆类型；根据单个车辆的速度与交通流量、路段交通流速度等参数的关系，在以上参数获取的基础上，进一步计算出交通流量、交通流速度、道路占有率、车头距离等其他交通流参数。

步骤六，利用人工识别的数据或者地面实测数据验证以上步骤得到的交通流参数，对该方法提取交通流信息进行精度评估。当所测路段被地面交通监测设备所覆盖时，可选择地面实测数据对同时期同路段的交通流参数进行对比验证；否则，可利用人工目视判读的方法，识别卫星影像中的车辆个数与车辆位移，计算人工识别的交通流参数，与本方法的结果进行对比验证。

在上述自动采集交通流信息的方法中，所采用的卫星遥感影像是同一遥感平台在一定时间差（大于0.2秒）获取的全色与多光谱影像。全色波段影像地面分辨率优于0.61m，多光谱波段影像的地面分辨率优于2.44m。

本发明与现有技术相比，具有以下优点。

1、与传统的感应线圈、视频检测器采集交通流信息相比，本发明提出的利用卫星影像进行交通流信息采集流程方法可以应用于范围更大的道路网。

2、与现有的遥感车辆检测技术方法相比，本发明实现了车辆目标分类器的阈值自动化选择，从而避免了人工干预阈值选择的主观性和阈值反复调整的复杂性，自动化程度更高，且能够自动、快速采集系列静态与动态的交通流信息。

3、与传统的空间域相关系数匹配法相比，本发明采用的图像频率域相关匹配法在车辆匹配的时间效率上提高了1.6倍。

4、本发明基于高分辨率卫星影像建立的自动化、高效率的交通流信息采集流程方法，可以实现车辆检测与计数、连续影像上（本说明中指一定拍摄时间间隔的全色与多光谱影像）的同一车辆目标的快速匹配，并进而获取交通流量、交通流速度、交通流密度、道路占有率、车头距离等静态和动态系列交通流信息，为交通信息自动采集提供了新的技术方法。

本发明在某城市区域5km*5km范围的美国QuickBird（快鸟）卫星影像上进行了交通流信息的提取实验，证明了该发明的有效性。

附图说明

图1为一种高分辨率卫星遥感交通流信息自动采集方法流程示意图。

图2为一种神经网络与面向对象相结合的遥感影像车辆检测流程示意图。

图3为一种车辆匹配的流程示意图。

图4为实验区域某路段的影像预处理结果示意图。

其中4（a）为全色影像，4（b）为多光谱影像。

图5为实验区域某路段的车辆粗提取结果示意图。

图6为实验区域某路段的车辆精提取示意图。

其中，图6(a)为车辆粗提取结果中待剔除目标，6(b)为车辆精提取结果，6(c)为叠加全色影像后的车辆目标范围。

图7为实验区域中某路段局部的车辆匹配结果示意图。

7（a）中方框为全色影像中车辆，图7（b）方框为通过匹配搜索到的多光谱影像中的对应车辆。

图8为实验区域全部路段的车辆检测结果示意图。

图9为采用本发明方案采集的实验区域各交通流参数信息示意图。

其中，图9（a），9（b），9（c），9（d），9（e）和9（f）分别为路段车辆数目、交通流密度、车头距离、道路占有率、平均速度以及交通流量。

具体实施方式

实施例1：

下面结合附图和具体实施案例对本发明做进一步详细描述（如图1所示）。

一种高分辨率卫星遥感交通流信息自动采集方法，包含以下步骤。

1.预处理101:

为了提取卫星遥感影像中的有用信息，需要对输入的高分辨率卫星影像1进行预处理工作。本发明所包含的预处理包括：全色影像与矢量路网以及全色与多光谱影像的配准1011、道路区域分割1012、双边滤波影像增强1013。这三项工作处理对象为同一高分辨率遥感卫星平台在一定时间差（大于0.2秒）获取的高分辨率全色影像和多光谱影像（如Quickbird）。

利用相同区域中同一遥感平台获取的具有拍摄时间差的高分辨率卫星影像1，进行全色影像与矢量路网及全色与多光谱影像的配准1011，即先在路网矢量数据的支持下，对全色影像进行位置配准，再以其中的全色影像为参考，对多光谱影像进行配准，以使两幅影像中的同名点具有相同的地理坐标。前者是为道路区域分割做准备；后者是为了保证车辆在图像上的偏移是由其自身的运动而不是影像的错位而引起的，以此来提高车辆位移计算的准确性。其方法是分别在两种数据上选择同一地物的特征点（如道路中心线的拐点、端点、交叉点等），然后利用这些特征点建立两种数据之间的几何畸变模型（如多项式模型）；利用该几何畸变模型进行几何校正，达到精确配准的目的。

道路区域分割1012是利用已知矢量路网数据2，以1/2的道路宽度为缓冲半径，生成道路缓冲区，再以缓冲区为模板对道路影像进行分割。此外，由于植被在近红外波段高反射，因此对多光谱影像的近红外波段选择合适的阈值进行影像分割，去除道路中的绿化带，形成最终的道路区域影像。

由于路面油污造成路面光谱不均匀，影响车辆与路面的分割，因此本发明采用双边滤波影像增强1013方法对影像进行增强处理，在保证车辆边缘信息不丢失的情况下，尽可能平滑道路面，提高车辆分类的效率和效果。

该步骤的结果如图4所示，其中，4a为预处理后的全色影像，4b为预处理后的多光谱影像。

2.车辆遥感影像特征库102:

首先利用经过图像预处理生成的道路区域全色遥感影像，对不同类型的典型车辆进行目视判读，再计算其面积、长宽比、方向、矩形相似度等特征值，以此为样本，将这些特征值存入到数据库中，为后续车辆提取中目标阈值设定的依据。车辆遥感影像特征库102是由微型车（长度<3.5m）、轻型车（长度3.5～7m）、中型车（长度7-10m，如）、大型车（>10m，如公交车、卡车）等不同类型车辆的长、宽、面积、长宽比、方向、矩形相似度等特征值及其属性名称与代码构成。

3.车辆提取103:

车辆提取包括神经网络车辆粗提取1031与面向对象车辆精提取1032两个阶段。在面向对象车辆精提取中，需要根据事先通过目视判读高分辨率遥感影像建立的车辆遥感影像特征库102，利用其中的特征值作为阈值，参与面向对象车辆精提取。

具体步骤如图2所示：

（1）神经网络车辆粗提取A:

对步骤预处理101处理后的道路区域全色影像，选择一定数量（3-10个或10个以上）的正负样本A1进行神经网络训练A2，其中，正样本指车辆样本，负样本指非车辆样本。由于车辆目标光谱特征明显，因此样本数量不需要选择太多，本实验各选取三个正负样本，即可训练得到分类效果较好的网络。再利用训练好的网络进行神经网络分类A3，分类得到车辆目标。本发明采用收敛性好、自学习能力强的径向基（RBF）神经网络进行车辆目标分类。但该过程有可能造成不匀质的车体被分为几个部分，如拖车的车头与车厢相分离，光谱特征不同的车窗与车体相分离。对此，分类后利用形态学运算A4进行车辆的合并，以保证对象特征的完整性。

对实验区域的其中一个道路区域进行神经网络车辆粗提取的结果，如图5所示，其中白色斑块为提取出的车体，黑色为背景。

（2）面向对象车辆精提取B:

对神经网络车辆粗提取A结果进行影像分割B1，即将分类结果影像分割为候选车辆对象和背景对象，并进行对象特征提取B2。需要提取的特征包括对象面积、长宽比、方向、矩形相似度等。根据车辆遥感影像特征库102中的车辆特征（如车辆对象面积、长宽比、方向、矩形相似度等），分别利用这些特征值作为综合判定候选车辆目标的阈值，对候选车辆对象进一步筛选，去除干扰的地物，包括利用宽度特征剔除道路标准线、利用方向特征剔除横跨道路的标志牌、利用面积特征剔除噪声点、利用矩形相似度排除其他地物等，从而完成车辆对象识别B3；最后输出车辆对象参数4，包括车辆的总数量，单个车辆的重心坐标、面积、长度等属性信息。

对实验区域中某个道路区域进行面向对象车辆精提取的过程如图6所示，利用不同的对象特征，去除粗分类结果中的非车辆对象（如图6a中各框内的白色斑块）。

采用本发明提出的车辆提取方法，比单纯采用采用面向对象的方法（谭衢霖等2008年专利中所提的方法），大大减少了对人工参数选择的依赖性。具体表现为两点：一是以径向基（RBF）神经网络的分类结果（二值分割图像）作为面向对象分类的数据输入，不需要再人工反复选择合适的尺度分割影像；二是以车辆遥感影像特征库中的特征阈值作为参考，进行车辆精提取，避免了人工调整参数阈值的主观性与复杂性。

因此，本发明提出的车辆提取方法提高了大范围路网遥感影像中车辆提取的自动化程度和时间效率。

4.车辆匹配104:

该步骤目的为根据全色影像中提取的车辆目标，利用图像频率域相关匹配方法，通过在多光谱影像中设定合适的搜索窗口搜索对应车辆的具体位置。由于多光谱影像和全色影像经过了精确配准，同一车辆在传感器短暂的拍摄延迟内，只移动了很小的距离（例如，车辆行驶速度为100km/h，则在0.2s的拍摄延迟内，只移动了5.6m，表现在0.61m分辨率的卫星影像上，为9个像素），因此，为提高搜索效率，本发明设定在较小的搜索窗口内进行图像匹配。根据车辆运动的特点，该搜索窗口要比全色影像中的车辆位置在车辆行驶方向上扩大一定的搜索范围，便于同一车辆的精确匹配。通过试验，一般应使该窗口在车辆行驶方向上扩大六m（地面距离）。

车辆匹配104的具体步骤如图3所示。

(1)将车辆提取103中的车辆区域作为模板影像f(x,y)6，以多光谱影像中对应的搜索窗口作为目标影像h(x，y)9分别进行傅里叶变换，转化到频率域，得到对应的频率域图像F(x，y)7和频率域图像H(x，y)10。

(2)将频率域图像F(x，y)7的复共轭图像F*(x,y)8与频率域图像H(x,y)10相乘，得到乘积图像11。

(3)对乘积图像11进行傅里叶逆变换，得到模板影像与目标影像的相关图像g(x,y)12，相关图像中的最大值所在的行列值，即模板影像与目标影像达到最佳匹配时的位置。

利用上述方法对实验区域的中一个路段行车辆匹配，结果如图7所示。其中，图7a中方框为全色影像中的车辆，图7b方框为通过车辆匹配搜索到的多光谱影像中的对应车辆。对于实验区域的车辆匹配，车辆定位误差平均约为2m，标准方差约为2m。其中约有18%的匹配点误差超过5m，约68%的匹配点误差在三m以内。该精度可以满足大范围宏观交通调查的需要。

5.交通流参数估算105:

在车辆提取103和车辆匹配104的基础上，估算单个车辆行驶速度、路段交通流速度、交通流密度、道路空间占有率、车头距离等交通流参数，从而实现交通流信息的自动采集。各参数的具体计算方法如下。

（1）单个车辆行驶速度计算:

道路上行驶的单个车辆的行驶速度（v）可由下列公式进行计算，单位m/s（或km/h）。

$v=\frac{\sqrt{{(x_p-x_m)}^2+{(y_p-y_m)}^2}\&times;r}{t}$

其中，（x_p,y_p）与(x_m,y_m)分别为全色与多光谱影像上对应车辆重心的像素行列值，由步骤车辆提取103和步骤车辆匹配104分别得出；r为影像地面分辨率（全色与多光谱影像均采样为同一分辨率），单位为m（或km）；t为全色与多光谱拍摄时间间隔，单位为s（或h）。

(2)路段交通流速度计算:

在连续的自由车流条件下,路段交通流速度可用区间平均速度u来表示，单位m/s（或km/h）：

$u=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{v}_i$

其中M为路段车辆数量（veh），由步骤车辆提取1032得到；v_i指第i车观测时的瞬时速度（m/s或km/h）。

（3）交通流密度计算:

交通流密度（k）表示交通流的疏密程度，即一定单位长度的道路上所有车辆的数量，单位为(veh/km)，可表示为：

$k=\frac{M}{S}$

S为测量道路段的长度（km），根据已有的路网矢量数据获得；M为道路段中的车辆数量(veh），由步骤车辆提取103得到。

（4）交通流量计算:

在已知交通流速度与交通密度的前提下，交通流量q可表示为：

q＝k×u

即交通流量（q）等于交通密度（k）与区间平均速度（u）的乘积，单位为veh/h（或veh/s）。

（5）道路空间占有率计算:

道路空间占有率（Rs）表示单车道上车辆总长度和路段总长度之比（%）：

$\mathrm{Rs}=\frac{1}{S}\underset{i=0}{\overset{n}{\mathrm{\&Sigma;}}}{s}_i\&times;100\%$

其中S为观测路段长度，根据已有的路网矢量数据获得；Si表示第i辆车的长度，由步骤车辆提取103获得。

（6）车头距离计算:

车头距离包括空间与时间上的两种形式—车头间距与车头时距。车头间距表示在同向行驶的一列车队中，相邻两辆车的车头之间的距离；车头时距表示在同向行驶的一列车队中，相邻两辆车驶过同一个断面的时间差。路段中所有车头间距的平均值为平均车头间距（H_S），单位（m/veh），表示为：

$H_s=\frac{1000}{K_{\sin \mathrm{gle}}}$

式中：K_single为单车道交通流密度（veh/km）。同理，平均车头时距（H_T）与交通量的关系用如下公式表示，单位（s/veh）：

$H_T=\frac{3600}{Q_{\sin \mathrm{gle}}}$

其中，Q_single为交通流量（veh/h）。

图8中方框为实验区域内八个路段的车辆检测结果。其车辆检出率均达到90%以上。图9为采用本发明方案采集的实验区域内的各交通流参数信息。

6.精度评估106:

由于目前从卫星遥感数据自动获得的交通流信息难免存在误差，因此，利用人工识别或地面监测获得的数据3对结果进行精度评估当所测路段被地感线圈、摄像头等地面交通监测设备所覆盖时，可利用这些设备获取的车辆计数、车辆行驶速度以及整路段的交通流参数数据，与同时期同路段的卫星影像获取的交通流参数进行对比验证；否则，可利用人工目视判读的方法，识别卫星影像中的车辆个数与车辆位移，计算人工识别的交通流参数，与本方法的结果进行对比验证。

以上所述，为本发明的具体实施方案。根据本发明，可以从高分辨率（全色波段分辨率优于0.61m）卫星影像中，通过神经网络与面向对象相结合的方法自动提取全色影像道路中行驶的车辆目标；再利用图像频率域相关匹配法，实现全色与多光谱影像中相对应的车辆匹配定位，得到车辆数量、长度以及这两种影像中的车辆重心坐标等信息，最后根据此计算出道路区域的交通流速度、密度、交通流量、道路空间占有率、车头距离等交通参数。

本发明所用方法具有大范围、快速、自动化采集交通流信息的优势，且与现有遥感交通流信息采集方法相比，采集的交通流信息覆盖范围更广，数据处理的自动化程度和处理效率也得到提高。本发明技术实用性强，可在宏观交通监测和管理中推广应用。

以上实施方案可以使本领域技术人员更全面理解本发明，但本发明的保护范围并不局限于此，一切不脱离本发明的精神和技术实质的技术方案及其改进，均应涵盖在本发明专利的保护范围之内。

Claims (1)

1.一种高分辨率卫星遥感交通流信息自动采集方法，其步骤是:

A、预处理（101）:

为了提取卫星遥感影像中的有用信息，对输入的高分辨率卫星影像（1）进行预处理，包含的影像预处理（101）工作包括：全色与多光谱影像以及影像与矢量路网的配准（1011）、道路区域分割（1012）、双边滤波影像增强（1013），这三项工作处理对象为同一传感器的高分辨率全色和多光谱影像；

全色与多光谱影像以及影像与矢量路网的配准是将已知的矢量路网数据（2）与高分辨率卫星影像（1）进行匹配，并将同一传感器获取的全色与多光谱影像进行匹配，前者是为了车辆在图像上的偏移是由其自身的影像的错位引起，来提高车辆位移计算的准确性；后者是为下步的道路区域分割做准备，其方法是分别在两种数据上选择同一地物的特征点：道路中心线的拐点、端点、交叉点，然后利用特征点建立两种数据之间的几何畸变模型；利用几何畸变模型进行几何校正，达到精配准；

道路区域分割（1012）是利用已知道路矢量路网数据，以1/2的道路宽度为缓冲半径，生成道路缓冲区，再以缓冲区为模板对影像进行分割，植被在近红外波段高反射，对多光谱影像的近红外波段选择阈值进行影像分割，去除道路中的绿化带，形成最终的道路影像以便下步进行车辆提取；

B、车辆提取（103）:

车辆提取包括神经网络车辆粗提取（1031）与面向对象车辆精提取（1032）两个阶段，在面向对象车辆精提取中，根据车辆遥感影像特征库（102），利用其中的特征值作为阈值，进行面向对象车辆精提取；

（1）利用神经网络方法进行车辆粗提取（A）:

对步骤预处理(101)处理后的道路段全色影像，选择3-10个的正负样本（A1）进行神经网络训练（A2），其中，正样本指车辆样本，负样本指非车辆样本，再利用训练好的网络进行神经网络分类（A3），分类得到车辆目标，采用收敛性好、自学习能力强的径向基神经网络进行车辆目标分类，分类后利用形态学运算（A4）进行车辆的合并，以保证对象特征的完整性；

（2）利用面向对象方法进行车辆精提取（B）:

对利用神经网络方法进行车辆粗提取(A)结果进行影像分割（B1），将分类结果影像分割为候选车辆对象和背景对象，并进行对象特征提取（B2），提取的特征包括对象面积、长宽比、方向、矩形相似度；根据目视判读的车辆影像特征:车辆对象面积、长宽比、方向、矩形相似度,所建立的车辆遥感影像特征库（102），分别利用其中的特征值作为综合判定车辆的值域，对候选车辆对象进一步筛选，并去除干扰的地物，完成车辆对象识别（B3）；最后输出车辆对象参数（4），包括车辆的总数量，单个车辆的重心坐标、面积、长度属性信息；C、车辆匹配（104）:

该步骤目的为根据全色影像中提取的车辆目标，利用图像频率域相关匹配方法，通过在多光谱影像中设定搜索窗口搜索对应车辆的具体位置，多光谱影像和全色影像经过了精确配准，同一车辆在传感器短暂的拍摄延迟内，只移动了很小的距离，为提高搜索效率，设定在搜索窗口内进行图像匹配,根据车辆运动的特点，该搜索窗口要比全色影像中的车辆位置在车辆行驶方向上扩大搜索范围，便于同一车辆的精确匹配,通过试验，窗口在车辆行驶方向上扩大六米，具体步骤如下：

（1）将车辆提取（103）中的车辆区域作为模板影像f(x,y)(6),以多光谱影像中对应的搜索窗口作为目标影像h(x，y)(9)分别进行傅里叶变换，转化到频率域，得到对应的频率域图像F(x，y)(7)和频率域图像H(x，y)(10)；

(2)将频率域图像F(x，y)(7)的复共轭图像F*(x,y)(8)与频率域图像H(x,y)(10)相乘，得到乘积图像(11)；

(3)对乘积图像(11)进行傅里叶逆变换，得到模板影像与目标影像的相关图像g(x,y)(12)，相关图像中的最大值所在的行列值，即模板影像与目标影像达到匹配时的位置；D、交通流参数估算（105）:

在车辆提取(103)和车辆匹配(104)的基础上，估算单个车辆行驶速度、路段交通流速度、交通流密度、道路空间占有率、车头距离交通流参数，具体的计算方法如下:

（1）单个车辆行驶速度计算:

道路上行驶的单个车辆的行驶速度（v）由下列公式进行计算，单位m/s或km/h：

$v=\frac{\sqrt{{(x_p-x_m)}^2+{(y_p-y_m)}^2}\&times;r}{t}$

其中，（x_p,y_p）与(x_m,y_m)分别为全色与多光谱影像上对应车辆重心的像素行列值，由步骤车辆提取103和车辆匹配104分别得出；r为影像地面分辨率，单位为m；t为全色与多光谱拍摄时间间隔，单位为s；

（2）路段交通流速度计算:

在连续的自由车流条件下,路段交通流速度用区间平均速度u来表示，单位m/s或km/h：

$u=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{v}_i$

其中M为路段车辆数量，单位为veh，由车辆提取(103)得到；v_i指第i车观测时的瞬时速度；

（3）交通流密度计算:

交通流密度k表示交通流的疏密程度，一定单位长度的道路上所有车辆的数量，单位为veh/km，表示为：

$k=\frac{M}{S}$

S为测量道路段的长度，单位为km，根据已有的路网矢量数据获得；M为道路段中的车辆数量，单位为veh，由车辆提取(103)得到；

（4）交通流量计算:

在已知交通流速度与交通密度的前提下，交通流量q表示为：

q＝k×u

交通流量（q）等于交通密度（k）与区间平均速度（u）的乘积，单位为veh/h；

（5）道路空间占有率计算:

道路空间占有率（Rs）表示单车道上车辆总长度和路段总长度之比%：

$\mathrm{Rs}=\frac{1}{S}\underset{i=0}{\overset{n}{\mathrm{\&Sigma;}}}{s}_i\&times;100\%$

其中S为观测路段长度，根据已有的路网矢量数据获得；Si表示第i辆车的长度，由车辆提取(103)获得；

（6）车头距离计算:

车头距离包括空间与时间上的两种形式—车头间距与车头时距，车头间距表示在同向行驶的一列车队中，相邻两辆车的车头之间的距离；车头时距表示在同向行驶的一列车队中，相邻两辆车驶过同一个断面的时间差，路段中所有车头间距的平均值为平均车头间距H_S，单位为m/veh，表示为：

$H_s=\frac{1000}{K_{\sin \mathrm{gle}}}$

式中：K_single为单车道交通流密度，单位是veh/km；平均车头时距H_T与交通量的关系用如下公式表示，平均车头时距H_T的单位为s/veh：

$H_T=\frac{3600}{Q_{\sin \mathrm{gle}}}$

其中，Q_single为交通流量，单位为veh/h；

通过神经网络与面向对象相结合的方法从高分辨率卫星影像中自动提取全色影像道路中行驶的车辆目标；再利用图像频率域相关匹配法，实现全色与多光谱影像中相对应的车辆匹配定位，获得车辆数量、长度以及这两种影像中的车辆重心坐标等信息，最后据此计算出路段乃至区域交通流速度、密度、交通流量、道路空间占有率、车头距离交通流参数，再将这些交通流信息与人工识别或地面监测数据（3）进行对比验证，以检验自动获取数据。

Images