CN103310199B - 基于高分辨率遥感数据的车辆型号识别方法 - Google Patents

Abstract

一种基于高分辨率遥感数据的车辆型号识别方法，包括获取包含有车辆的感兴趣区域的栅格遥感数据及包含感兴趣区域的地图矢量数据，进行栅格遥感数据和地图矢量数据的粗对齐并确定待分析区域，进行中央分隔线的自动提取、车道或车位空区域识别、检测车辆区域、车辆型号识别并输出。可以基于不同的高分辨率遥感数据分别分析，进行多源数据融合与交叉验证后输出。本发明利用道路中央或停车场的分隔短线所提供的先验知识，在车辆所在的道路或停车场的上下文环境中，综合多种高分辨率遥感数据所提供的有关车辆独有信息，实现车辆型号的自动识别，为交通量调查、交通规划等提供基础数据。

Description

基于高分辨率遥感数据的车辆型号识别方法

技术领域

本方法属于图像处理与识别技术领域，特别是涉及一种新的基于高分辨率遥感数据的车辆型号识别方法。

背景技术

随着全世界各国空间技术的飞速发展，各种高空间分辨率遥感数据越来越多，其中包括国外DigitalGlobe公司的QuickBird，WorldView-2，以及我国的资源序列、高分序列、环境序列卫星数据等。高分辨率遥感数据为我们提供了地面物体的高精度空间几何信息、丰富的纹理信息以及多光谱信息，为地面物体的精细识别奠定了基础。利用遥感高分辨率数据进行地物（如车辆）的精细识别，具有方便快捷、覆盖范围广、地物上下文信息丰富、受地面干扰小、可与地面数据配准集成等特点，能在道路交通量统计、区域停车场规划、交通路网规划等领域中提供宏观且精细的车辆数目及分类、型号信息。伴随着各种高分遥感数据时相间的互补性及时相的缩短，基于高分辨率遥感数据的车辆型号自动识别可作为地面交通量调查的一种有力补充或替代。

高空遥感影像是对地物的综合反映，从中检测车辆、识别其类型及转向信息的本质在于从高分影像上提炼出车辆知识和获取交通数据，服务于交通规划、分析和决策。近几年，从航空航天影像中进行交通数据采集、交通流状况描述的应用逐渐增多，尤其是在米级光学卫星系统的发射成功之后，如IKONOS,QuickBird,Orbview,Worldview卫星。PeterReinartz等分析了利用航空时序图像提取交通参数的潜能，研究了从序列图像自动跟踪单车辆并估计车辆队列的交通参数的方法，将自动车辆追踪结果和目视判读结果进行了比较，最后探讨了进行大面积交通监控的可能性。Baumgartner介绍了一种单镜头大范围航空机载影像自动车辆检测方法。该方法通过一种层次模型，来提取处于不同细节水平的当前车辆特征。除对称属性之外，该模型也包含了车辆与其他邻近对象之间、车辆阴影之间的上下文关系特征。S.Hinz等在预先知道道路位置和方向的情况下，基于上下文知识从城市道路区域的卫星图像中探测车辆，并对潜在车辆目标进行差分斑点探测。国内刘建鑫使用了一种纹理分析结合神经网络的方法来对QuickBird图像进行分类探测车辆，运用径向基神经网络(RBF)和概率神经网络两种常用的神经网络模型对图像中道路和车辆等物质进行训练和识别。余勇和郑宏等提出一种从高分辨率全色卫星图像中探测车辆目标的形态神经网络方法，采用0.61m分辨率的QuickBird全色数据进行了实验，实验结果表明提出的方法具有较好的检测性能。除检测车辆外，索明亮公开了一种利用卫星影像和多光谱图像的成像时间差异，提取车辆的速度的方法。谭衢霖公开了一种利用遥感影像探测和计数城市道路车辆的方法。

综上所述，目前基于高分遥感数据的车辆提取算法具有如下特点：

1）大部分算法都集中在车辆检测，研究精细车辆型号识别的文献很少，导致算法结果对交通规划的指导意义有限，不能够针对不同的车辆占有率情况给出更有针对性的规划及政策指导；

2）现有文献算法对车辆上下文信息的利用还不够充分。相比于车辆本身，车辆所处的宏观道路、道路标线、道路指示标识对车辆检测的作用也不可忽视，如何在车型识别过程中有效集成车辆所处的上下文环境，是提高车型识别鲁棒性的关键；

3）现有文献算法对车辆提取检测主要使用可见光影像数据，对于其他光谱（如红外）高分数据利用不够，但不同光谱数据有利于区分车辆及其周围地物的不同方面的差异性。

发明内容

为充分利用好不断涌现的各种高分辨率遥感数据，使其有效服务于交通行业，本发明公开了一种基于高分辨率遥感数据的车辆型号识别方法。

本发明的技术方案包括一种基于高分辨率遥感数据的车辆型号识别方法，根据一种或多种高分辨率遥感数据进行车辆型号识别，采用一种高分辨率遥感数据时依次执行步骤1、2、3、4、5、6、8；采用多种高分辨率遥感数据时首先对不同的高分辨率遥感数据分别执行以下步骤1至6，然后执行步骤7和8，

步骤1，获取包含有车辆的感兴趣区域的栅格遥感数据及包含感兴趣区域的地图矢量数据，栅格遥感数据是以像素形式表示的高分辨率遥感影像；

步骤2，进行栅格遥感数据和地图矢量数据的粗对齐，然后根据地图矢量数据确定对应栅格遥感数据中车辆型号识别的待分析区域；待分析区域为道路或停车场；

步骤3，针对步骤2所得栅格遥感数据中的待分析区域，进行中央分隔线的自动提取；

步骤4，针对道路或停车场，根据步骤3所得中央分隔线进行车道或车位空区域识别；

步骤5，根据两条中央分隔短线之间所夹全车道或车位区域与步骤4所得车道或车位空区域的差集，得到车辆区域；

步骤6，车辆型号识别，包括对步骤5检测到的车辆区域进行边缘检测和线特征提取得到车辆的轮廓区域，与预存在数据库中的不同车型的纹理模板进行匹配，识别出相应车辆的型号，得到待分析区域内的型号车辆分布图；

步骤7，根据基于不同的高分辨率遥感数据分别执行步骤1至6后所得待分析区域内的不同型号车辆分布图，进行多源数据融合与交叉验证，得到最终识别出的型号车辆分布图；

步骤8，根据型号车辆分布图进行专题图输出。

而且，步骤3针对栅格遥感数据中的待分析区域进行中央分隔线的自动提取时，实现方式如下，

步骤3.1，根据待分析区域内中央分隔线的亮度和光谱进行分割，然后基于分割结果利用中央分隔线的形状特征，判断出待分析区域的中央分隔线；

步骤3.2，利用道路或停车场的短线分布规律，对中央分隔线进行编组；

步骤3.3，通过验证去掉步骤3.1所得判断结果中的误检测结果；

步骤3.4，基于中央分隔短线的总体分布规律，补齐漏检导致缺失的中央分隔线，得到待分析区域内完整准确的中央分隔线。

而且，步骤3.1基于分割结果利用中央分隔线的形状特征判断出待分析区域的中央分隔线，根据以下公式实现，

$L=2\×\sqrt{2(({\mathrm{\μ}}_{\mathrm{xx}}+{\mathrm{\μ}}_{\mathrm{yy}})+\mathrm{\Δ})}$

$S=2\×\sqrt{2(({\mathrm{\μ}}_{\mathrm{xx}}+{\mathrm{\μ}}_{\mathrm{yy}})-\mathrm{\Δ})}$

${\mathrm{\μ}}_{\mathrm{xx}}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i^2}{N},{\mathrm{\μ}}_{\mathrm{yy}}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i^2}{N},{\mathrm{\μ}}_{\mathrm{xy}}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i{y}_i}{N}$

$\mathrm{\Δ}=\sqrt{({({\mathrm{\μ}}_{\mathrm{xx}}-{\mathrm{\μ}}_{\mathrm{yy}})}^2-4{\mathrm{\μ}}_{\mathrm{xy}}^2)}$

其中，N为分割后保留的连通像素区域中某线状区域的总像素数目，x_i、y_i为线状区域中第i个像素的横、纵坐标，μ_xx、μ_xx、μ_xy、Δ为中间变量，L为线状区域的长，S为线状区域的宽；

计算长宽比L/S，线状区域的L/S大于某个预设阈值时，判断该线性区域为中央分隔线；步骤3.2利用道路或停车场的短线分布规律对中央分隔线进行编组，实现方式为，根据下式计算中央分隔线的方向O，统计直方图分布，

$O=\left\{\begin{array}{cc}\frac{180}{\mathrm{\&pi;}}{\tan }^{-1}\left(\frac{{\mathrm{\&mu;}}_{\mathrm{xx}}+{\mathrm{\&mu;}}_{\mathrm{yy}}+\mathrm{\&Delta;}}{2{\mathrm{\&mu;}}_{\mathrm{xy}}}\right),& {\mathrm{\&mu;}}_{\mathrm{xx}}<{\mathrm{\&mu;}}_{\mathrm{yy}}\\ \frac{180}{\mathrm{\&pi;}}{\tan }^{-1}\left(\frac{2{\mathrm{\&mu;}}_{\mathrm{xy}}}{{\mathrm{\&mu;}}_{\mathrm{xx}}+{\mathrm{\&mu;}}_{\mathrm{yy}}+\mathrm{\&Delta;}}\right),& {\mathrm{\&mu;}}_{\mathrm{xx}}\&GreaterEqual;{\mathrm{\&mu;}}_{\mathrm{yy}}\end{array}\right.$

其中，中间变量μ_xx、μ_xx、μ_xy、Δ的值采用步骤3.1中的计算结果，

对于某个车道或停车场，所有方向接近直方图的峰值点所对应方向的直线段构成一短线族。

而且，步骤4根据步骤3所得中央分隔线进行车道或车位空区域识别时，实现方式如下，

在所提取的中央分割线的基础上，根据每条中央分割线的方向做方向直方图统计，峰值对应的位置为待分析区域内的车道或车位方向，通过旋转将车道或车位方向调整为竖直方向；根据中央分割线之间的遥感数据的纹理一致性特征，结合中央分割线的边缘限制和区域纹理生长，得到粗车道或车位空区域；基于粗车道或车位空区域，沿车道或车位方向上预定宽度内对遥感栅格数据进行形态学闭操作后，得到车道或车位空区域。

而且，步骤6中，检测提取得到的轮廓区域包括车体区域、前挡风玻璃区域、后挡风玻璃区域和阴影区域，预存在数据库中的不同车型的纹理模板相应包括车体区域、前挡风玻璃区域、后挡风玻璃区域和阴影区域。

本发明利用道路中央或停车场的分隔短线所提供的先验知识，在车辆所在的道路或停车场的上下文环境中，综合多种高分辨率遥感数据所提供的有关车辆独有信息，实现车辆型号的自动识别，为交通量调查、交通规划等提供基础数据。

附图说明

图1为本发明实施例的流程图。

图2为本发明实施例的基于中央分隔短线的车道识别示意图。

图3为本发明实施例的道路中央分隔短线分组示意图。

图4为本发明实施例的车辆检测示意图。

具体实施方式

以下结合附图和本发明的实施例，对本发明技术方案进行详细说明。具体实施时，可利用单独一种高分辨率遥感数据，也可以综合多种高分辨率遥感数据进行识别（包括不同卫星公司的同一种类数据，以及同一卫星公司的不同种类数据）。如图1所示，实施例根据多种高分辨率遥感数据进行处理的实现过程如下：

对任一种高分辨率遥感数据先执行步骤一至六：

步骤一、获取包含有车辆的感兴趣区域（如道路、停车场等）的栅格遥感数据及包含该区域的地图矢量数据。栅格遥感数据即以像素形式表示的高分辨率遥感影像，如可见光影像、红外等多光谱影像等。

步骤二、进行栅格遥感数据和地图矢量数据的粗对齐，然后根据地图矢量数据确定对应的栅格遥感数据中车辆型号识别待分析区域：对于带状的分析区域（如道路），可以根据线状道路中心线矢量数据周围一定距离缓冲区来确定；对于面状分析区域（如停车场），可以停车场兴趣点或面矢量边缘出发的一定距离内的区域作为待分析区域。

步骤三、针对栅格遥感数据中的待分析区域，进行中央分隔线的自动提取。无论是道路还是停车场，车辆之间都有一定的短线将彼此分隔开，而且这种中央分隔线在卫星数据上的表现是不受周围地物的遮挡，局部范围内短线本身的线状特征显著，为该范围内的车辆型号识别提供了有关亮度、光谱、形状信息参考。实施例称为中央分隔短线。

具体来说，对于多于一条车道的道路或多于一个车位的停车场，其中央一般都存在明显的中央分隔短线。这种分隔线颜色一致（一般为白色）且长度相同，两条中央分隔短线之间的间距也是固定的。从高空往下看，中央分隔线不易被遮挡，而车道两侧的车道线极易被道路两旁的树木、建筑物、桥梁、电力和交通等设施遮挡。因此，中央分隔短线是道路区别于其他地物的显著特征，易于提取且可靠性极高，如图2所示。与此类似，停车场的车位分割线也有利于更鲁棒地识别车辆。

从图2还可以看出，车道分隔线不仅可以作为道路、停车场检测的重要依据，还可以作为一种长度的参照单位，因为其长度一般是固定的。这种特性对于基于遥感影像的车型识别尤为重要。

为便于实施参考起见，提供实施例进行中央分隔短线的自动提取实现方式如下：

（1）根据步骤二中所获得的待分析区域内中央分隔短线的亮度和光谱进行分割，例如保留灰度值大于150且色彩饱和度为白色或黄色的像素。然后基于分割结果利用中央分隔短线的形状特征，判断待分析区域内哪些位置为中央分隔短线连通区域。例如，中央分隔短线的形状特征可采用中央分隔短线的长宽比来衡量，当分割后保留的连通像素区域中有满足长宽比大于某个预设阈值（如5）的线状区域时，判断该线性区域为中央分隔短线。阈值可根据具体实施时道路或停车场的情况预设，计算线状区域的长宽比可按以下公式进行：

$L=2\&times;\sqrt{2(({\mathrm{\&mu;}}_{\mathrm{xx}}+{\mathrm{\&mu;}}_{\mathrm{yy}})+\mathrm{\&Delta;})}$

$S=2\&times;\sqrt{2(({\mathrm{\&mu;}}_{\mathrm{xx}}+{\mathrm{\&mu;}}_{\mathrm{yy}})-\mathrm{\&Delta;})}$

${\mathrm{\&mu;}}_{\mathrm{xx}}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i^2}{N},{\mathrm{\&mu;}}_{\mathrm{yy}}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{y}_i^2}{N},{\mathrm{\&mu;}}_{\mathrm{xy}}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i{y}_i}{N}$

$\mathrm{\&Delta;}=\sqrt{({({\mathrm{\&mu;}}_{\mathrm{xx}}-{\mathrm{\&mu;}}_{\mathrm{yy}})}^2-4{\mathrm{\&mu;}}_{\mathrm{xy}}^2)}$

其中，N为线状区域的总像素数目，x_i、y_i为线状区域中第i个像素的横、纵坐标，μ_xx、μ_xx、μ_xy、Δ为中间变量，L为线状区域的长，S为线状区域的宽，长宽比为L/S。

（2）利用道路或停车场的短线分布规律，对中央分隔短线进行编组。编组过程为，根据中央分隔短线的方向O，统计其直方图分布，根据直方图分布找出其规律性。对于某个车道或停车场而言，所有方向接近直方图的峰值点所对应方向的直线段构成一短线族。一般可允许角度误差小于一定值，如15度。

$O=\left\{\begin{array}{cc}\frac{180}{\mathrm{\&pi;}}{\tan }^{-1}\left(\frac{{\mathrm{\&mu;}}_{\mathrm{xx}}+{\mathrm{\&mu;}}_{\mathrm{yy}}+\mathrm{\&Delta;}}{2{\mathrm{\&mu;}}_{\mathrm{xy}}}\right),& {\mathrm{\&mu;}}_{\mathrm{xx}}<{\mathrm{\&mu;}}_{\mathrm{yy}}\\ \frac{180}{\mathrm{\&pi;}}{\tan }^{-1}\left(\frac{2{\mathrm{\&mu;}}_{\mathrm{xy}}}{{\mathrm{\&mu;}}_{\mathrm{xx}}+{\mathrm{\&mu;}}_{\mathrm{yy}}+\mathrm{\&Delta;}}\right),& {\mathrm{\&mu;}}_{\mathrm{xx}}\&GreaterEqual;{\mathrm{\&mu;}}_{\mathrm{yy}}\end{array}\right.$ 中间变量μ_xx、μ_xx、μ_xy、Δ的值可采用（1）中的计算结果。

O代表中央分隔短线的方位角。如图3所示，对某车道编组找出了短线族。

（3）验证，具体实施时可通过统计一个短线族中相邻中央分隔短线之间的平均间距及一个短线族中各中央分隔短线的长宽比，剔除与相邻中央分隔短线间距过大或过小，长宽比过大过小，如平均值上下50%之外的误检测短线。

（4）基于中央分隔短线的总体分布规律，补齐因算法漏检导致的短线的缺失，得到区域内完整、准确的中央分隔短线。具体实施时，可根据车道或停车场的短线分布规律，如车道线方向上周期性短线段、停车场内等间距的短线段等，在算法漏检的地方补上短线。

在验证和补齐后可以重新编组，结果更准确。

步骤四、车道或车位空区域识别。利用步骤三所得中央分隔短线，本步骤得到两短线之间没有被车辆遮挡的车道或车位空区域，进而在下一步骤可于全车道或车位区域内识别出车辆。根据编组好的短线，可以确定短线之间的距离，即为车道和车位的宽度；根据短线之间的遥感数据的纹理一致性特征，结合短线的边缘限制和区域纹理生长，得到粗车道或车位空区域；沿车道方向上一定宽度内对遥感栅格数据进行形态学闭操作后，得到准确的车道或车位空区域。

在所提取的中央分割短线的基础上，根据每条短线段的方向，做方向直方图统计（短线族内各短线的方向基本相同，做方向的统计，峰值对应的位置就是短线族的方向，即待分析区域内的车道或车位方向。据此车道或车位方向，将高分辨率遥感数据旋转为如图3所示（即将短线族的方向旋转至短线族为竖直方向），以便于车道或车位分析。这种旋转可以是逐一像素的旋转映射变换，原始数据本身不变；也可以是将整个待分析区域的栅格遥感数据整体进行一次性旋转保存到一个新的临时数据上。后者相对耗时些。编组好的短线之间的距离，即为车道或车位的宽度；根据短线之间的遥感数据的纹理一致性特征，结合短线的边缘限制和区域纹理生长，得到粗车道或车位空区域；基于粗车道或车位空区域，沿车道方向上一定宽度内对栅格遥感进行形态学闭操作后，得到准确的车道或车位空区域。具体实现为现有技术，纹理增长采用RGB色彩空间上的欧氏颜色距离小于某一定值，如30为标准增长；形态学闭操作的宽度为短线宽度的两倍（也可为其他值，小于平均车宽的一半就行），长度为中央分割短线长度或是平均车长的一半，剔除区域增长没覆盖到的、车辆或地面标线之外的噪声区域。对于如图3所示的旋转后数据进行直方图进行形态学闭操作时，可以直接在统一短线族的相邻两条中央分割短线之间做局部范围内水平和垂直方向投影分析，计算量会减少。

步骤五、车辆区域检测。如图2所示，道路上两条中央分隔短线之间所夹全车道区域，包括车辆区域和车道空区域，停车场的情况类似。两条中央分隔短线之间所夹的是全车道或车位区域，但有车辆处于车道或车位上时，车辆区域遮挡了部分，未遮挡的称为车道或车位空区域。这样，编组好的两条中央间隔短线形成的高分遥感数据区域，扣除掉在步骤四所得两中央间隔短线之间没有被车辆遮挡的车道或车位空区域，得到候选的车辆区域，即相邻分割线组内区域与上述步骤四所得到的车道（车位）空区域的差集为候选的车辆区域。其中可能包括道路标线或地面/道路上其他干扰。不同遥感数据检测出的车辆结果可能有所不同。通过这种处理，本发明提供的是一种从道路平面来找寻车辆的逆向减法工程，其依据是高分遥感数据中道路或停车场的特征表现相比于不同车辆而言更稳定和显著，从而使得本发明所提方法更具鲁棒性。

步骤六、车辆型号识别，得到待分析区域内的型号车辆分布图。如图4所示，对步骤五检测到的车辆区域进行边缘检测和线特征提取，得到车辆的轮廓区域，包括车体区域、前挡风玻璃区域、后挡风玻璃区域和阴影区域（因为玻璃特征明显，将车辆中挡风玻璃以外所有其他部分划为车体区域）；以区域为单位，与预存在数据库中不同车型的纹理模板进行匹配，具体实施时纹理模板可采用每种车型的出厂俯视图，纹理模板中的轮廓区域相应包车体区域、前挡风玻璃区域、后挡风玻璃区域和阴影区域。具体实施中，对步骤五检测到的轮廓区域和纹理模板中的相应轮廓区域进行匹配，可由本领域人员指定实现方式，例如两个区域的亮度、纹理、集合特征相似性分别可用均值、方差、轮廓多边形的边数来衡量，区域匹配时要求两个区域的亮度均值、纹理特征方差、轮廓多边形的边数分别小于相应预设值，如50，20，5等，都满足时则步骤五检测到的轮廓区域和纹理模板中的相应轮廓区域匹配成功。在两两区域相似性匹配的基础上，可得到车辆整体的不同区域；根据数据库中的预存的不同车型的判别标准进行匹配（一般采用对应轮廓的形状和面积之间的相对关系，例如前后挡风玻璃之间的车顶区域与车后箱区域的面积比大于2等），即可识别出相应车辆的型号。

步骤七、多源数据融合与交叉验证。基于不同的高分辨率遥感数据，分别利用步骤一至六后，得到待分析区域内的不同型号车辆分布图，最后可以分析不同遥感数据的整体识别结果，匹配从各种不同数据识别得到的车型及其位置的车辆分布图，得到最终识别出的型号车辆分布图。若存在系统性的偏差（如位置偏移等），可予以对齐校正，相应位置识别出某类车型的置信度值加倍。具体匹配可由本领域人员根据现有技术指定实现方式，本发明不予赘述。

若只采用一种高分辨率遥感数据，只需执行步骤一至六即可进入步骤八，精度较低但执行过程简单。

步骤八、专题图输出。在矢量数据和栅格数据的基础上，将不同型号车辆的识别结果以专题图的方式输出，供交通、城管等不同政府决策部门使用。综合多源数据结果输出时可同时提供置信度。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (3)

1.一种基于高分辨率遥感数据的车辆型号识别方法，其特征在于：根据一种或多种高分辨率遥感数据进行车辆型号识别，采用一种高分辨率遥感数据时依次执行步骤1、2、3、4、5、6、8；采用多种高分辨率遥感数据时首先对不同的高分辨率遥感数据分别执行以下步骤1至6，然后执行步骤7和8，

步骤1，获取包含有车辆的感兴趣区域的栅格遥感数据及包含感兴趣区域的地图矢量数据，栅格遥感数据是以像素形式表示的高分辨率遥感影像；

步骤2，进行栅格遥感数据和地图矢量数据的粗对齐，然后根据地图矢量数据确定对应栅格遥感数据中车辆型号识别的待分析区域；待分析区域为道路或停车场；

步骤3，针对步骤2所得栅格遥感数据中的待分析区域，进行中央分隔线的自动提取；实现方式如下，

步骤3.1，根据待分析区域内中央分隔线的亮度和光谱进行分割，然后基于分割结果利用中央分隔线的形状特征，判断出待分析区域的中央分隔线；

所述基于分割结果利用中央分隔线的形状特征判断出待分析区域的中央分隔线，根据以下公式实现，

$L=2\&times;\sqrt{2\left(\right({\mathrm{\&mu;}}_{xx}+{\mathrm{\&mu;}}_{yy})+\mathrm{\&Delta;})}$

$S=2\&times;\sqrt{2\left(\right({\mathrm{\&mu;}}_{xx}+{\mathrm{\&mu;}}_{yy})-\mathrm{\&Delta;})}$

${\mathrm{\&mu;}}_{xx}=\frac{\underset{i=1}{\overset{N}{\&Sigma;}}{x}_i^2}{N},{\mathrm{\&mu;}}_{yy}=\frac{\underset{i=1}{\overset{N}{\&Sigma;}}{y}_i^2}{N},{\mathrm{\&mu;}}_{xy}=\frac{\underset{i=1}{\overset{N}{\&Sigma;}}{x}_i{y}_i}{N}$

$\mathrm{\&Delta;}=\sqrt{({({\mathrm{\&mu;}}_{xx}-{\mathrm{\&mu;}}_{yy})}^2-4{\mathrm{\&mu;}}_{xy}^2)}$

其中，N为分割后保留的连通像素区域中某线状区域的总像素数目，x_i、y_i为线状区域中第i个像素的横、纵坐标，μ_xx、μ_yy、μ_xy、Δ为中间变量，L为线状区域的长，S为线状区域的宽；

计算长宽比L/S，线状区域的L/S大于某个预设阈值时，判断该线状区域为中央分隔线；步骤3.2，利用道路或停车场的短线分布规律，对中央分隔线进行编组；实现方式为，根据下式计算中央分隔线的方向O，统计直方图分布，

$O=\left\{\begin{array}{cc}\frac{180}{\mathrm{\&pi;}}{\tan }^{-1}\left(\frac{{\mathrm{\&mu;}}_{xx}+{\mathrm{\&mu;}}_{yy}+\mathrm{\&Delta;}}{2{\mathrm{\&mu;}}_{xy}}\right),& {\mathrm{\&mu;}}_{xx}<{\mathrm{\&mu;}}_{yy}\\ \frac{180}{\mathrm{\&pi;}}{\tan }^{-1}\left(\frac{2{\mathrm{\&mu;}}_{xy}}{{\mathrm{\&mu;}}_{xx}+{\mathrm{\&mu;}}_{yy}+\mathrm{\&Delta;}}\right),& {\mathrm{\&mu;}}_{xx}\&GreaterEqual;{\mathrm{\&mu;}}_{yy}\end{array}\right.$

其中，中间变量μ_xx、μ_yy、μ_xy、Δ的值采用步骤3.1中的计算结果，

对于某个车道或停车场，所有方向接近直方图的峰值点所对应方向的直线段构成一短线族；

步骤3.3，通过验证去掉步骤3.1所得判断结果中的误检测结果；

步骤3.4，基于中央分隔短线的总体分布规律，补齐漏检导致缺失的中央分隔线，得到待分析区域内完整准确的中央分隔线；

步骤4，针对道路或停车场，根据步骤3所得中央分隔线进行车道或车位空区域识别；

步骤5，根据两条中央分隔短线之间所夹全车道或车位区域与步骤4所得车道或车位空区域的差集，得到车辆区域；

步骤6，车辆型号识别，包括对步骤5检测到的车辆区域进行边缘检测和线特征提取得到车辆的轮廓区域，与预存在数据库中的不同车型的纹理模板进行匹配，识别出相应车辆的型号，得到待分析区域内的型号车辆分布图；

步骤7，根据基于不同的高分辨率遥感数据分别执行步骤1至6后所得待分析区域内的不同型号车辆分布图，进行多源数据融合与交叉验证，得到最终识别出的型号车辆分布图；

步骤8，根据型号车辆分布图进行专题图输出。

2.根据权利要求1所述基于高分辨率遥感数据的车辆型号识别方法，其特征在于：步骤4根据步骤3所得中央分隔线进行车道或车位空区域识别时，实现方式如下，

在所提取的中央分割线的基础上，根据每条中央分割线的方向做方向直方图统计，峰值对应的位置为待分析区域内的车道或车位方向，通过旋转将车道或车位方向调整为竖直方向；根据中央分割线之间的遥感数据的纹理一致性特征，结合中央分割线的边缘限制和区域纹理生长，得到粗车道或车位空区域；基于粗车道或车位空区域，沿车道或车位方向上预定宽度内对遥感栅格数据进行形态学闭操作后，得到车道或车位空区域。

3.根据权利要求1或2所述基于高分辨率遥感数据的车辆型号识别方法，其特征在于：步骤6中，检测提取得到的轮廓区域包括车体区域、前挡风玻璃区域、后挡风玻璃区域和阴影区域，预存在数据库中的不同车型的纹理模板相应包括车体区域、前挡风玻璃区域、后挡风玻璃区域和阴影区域。