CN106373397B

CN106373397B - 基于模糊神经网络的遥感图像道路通行情况分析方法

Info

Publication number: CN106373397B
Application number: CN201610860300.6A
Authority: CN
Inventors: 陈浩; 张晔; 李冬青; 范婷婷
Original assignee: Harbin Institute of Technology
Current assignee: Harbin Institute of Technology
Priority date: 2016-09-28
Filing date: 2016-09-28
Publication date: 2018-10-02
Anticipated expiration: 2036-09-28
Also published as: CN106373397A

Abstract

基于模糊神经网络的遥感图像道路通行情况分析方法，本发明涉及遥感图像道路通行情况分析方法。本发明是为了解决现有的方法中人工干预过多造成的准确性下降及无法进行大范围区域内道路通行情况分析的问题。本发明步骤为：一：确定输入参数并对输入参数进行归一化处理；二：确定道路通行情况；三：确定输入参数与道路通行情况间的规则；四：构建用于道路通行情况分析的模糊神经网络系统；五、收集训练样本和测试样本，对所有训练样本进行聚类，对神经网络系统进行训练；六：获得所需要的道路属性信息；七：将道路属性信息输入网络进行通行情况分析，与图像中实际的通行情况比较，验证网络的可靠性。本发明应用于高分辨率遥感图像分析领域。

Description

基于模糊神经网络的遥感图像道路通行情况分析方法

技术领域

本发明涉及遥感图像道路通行情况分析方法。

背景技术

遥感技术作为获取地表信息的一个重要手段，因其可以实现大面积区域信息快速获取，并具有较大程度排除人为干扰，节省人力等优点，在很多领域得到了应用，如土地覆盖变化、灾害、环境、资源等监测。近年来，遥感技术快速发展，遥感图像的分辨率一直在提高。道路是遥感图像中一种重要的地理信息，它能够作为提取其他地面目标的线索和参考。所以，准确提取道路信息对遥感图像的进一步应用有着重要的意义。在实际的道路上，影响通行情况的因素众多，例如车道宽度、车道数目、车辆速度等，如果仅靠人工来采集这些数据，并进行理论的计算来判断某一路段或者路网的通行情况，过程非常的复杂且费时。假如能够从遥感图像上获取我们感兴趣的参数，并且建立合理的模型对道路的通行情况进行分析和预测，就能够省去很多人力物力，同时遥感图像获取的区域较大，为道路网通行情况的分析提供了极大的便利。

近年来，我们一直在研究利用遥感手段获取交通信息的方法。利用道路两旁架设的传感器收集信息是现在最普遍使用的方法，这种方法比较简单直观，获取的道路信息也比较清楚。但是这种获取信息的方式存在一定的缺点，当道路旁架设的传感器损坏，或者某些道路两旁并没有传感器的时候，我们就无法获取该路段的道路信息。为了克服现有方法的不足，人们提出了使用航空和卫星遥感图像来获取道路信息。这种方式可以避免传感器损坏造成的道路信息不完整问题，而且可以获取大范围区域的遥感图像，为整体城市道路网的通行情况分析提供了便利。而模糊神经网络是模糊技术和神经网络的有机结合，它具有较强的自我学习能力，能够在输入参数与输出结果之间的关系不确定的条件下通过网络内部的学习找到他们之间的对应规则，待网络训练稳定之后就可以进行实际测试。

发明内容

本发明是为了解决现有的方法中人工干预过多造成的准确性下降及无法进行大范围区域内道路通行情况分析的问题，而提出的基于模糊神经网络的遥感图像道路通行情况分析方法。

基于模糊神经网络的遥感图像道路通行情况分析方法按以下步骤实现：

步骤一：将输入参数为车道数目、车辆类型、车辆密度和车辆速度作为输入参数，并对输入参数进行归一化处理；

步骤二：将道路通行情况为畅通、轻度拥挤、拥挤和严重拥挤四种情况；

步骤三：确定输入参数与道路通行情况间的规则；

步骤四：构建用于道路通行情况分析的模糊神经网络系统；

步骤五、根据步骤一确定的输入参数，收集训练样本和测试样本，根据步骤二确定的道路通行情况对所有训练样本进行聚类，并用包含输入和输出数据的分类后的训练样本对神经网络进行训练；

步骤六：通过对路段的遥感图像进行道路信息提取和车辆检测，获得所需要的道路属性信息；

步骤七：将步骤六中的道路属性信息输入网络进行通行情况分析。

发明效果：

本发明研究运用模糊神经网络与高分辨率遥感图像道路信息结合的方法，建立了一个判断道路通行情况的智能网络，能够解决路面传感器信息缺失、范围小和人工判读的复杂性及准确性等问题，具有较好的前景。

本发明适用于对高分辨率遥感图像进行道路通行情况分析。可以避免传感器损坏造成的道路信息不完整问题，而且可以获取大范围区域的遥感图像，为整体城市道路网的通行情况分析提供了便利。

附图说明

图1为道路提取与分析流程图；

图2为QuickBird卫星获取的美国佛罗里达州98号公路路段遥感图像；

图3为Worldview2卫星获取的美国阿拉巴马州564公路路段一遥感图像；

图4为Worldview2卫星获取的美国阿拉巴马州564公路路段二遥感图像。

具体实施方式

具体实施方式一：如图1所示，基于模糊神经网络的遥感图像道路通行情况分析方法包括以下步骤：

步骤一：确定输入参数为车道数目、车辆类型、车辆密度和车辆速度，并对输入参数进行归一化处理；

确定因素：①比较容易从遥感图像中获取；②对于道路通行情况有着比较直接的关联和影响；③比较容易进行数学模型量化以便作为模糊神经网络系统输入。最终确定输入参数为：车辆类型，单方向车道数目，车流密度，车辆速度。

步骤二：确定道路通行情况为畅通、轻度拥挤、拥挤和严重拥挤四种情况；

步骤三：确定输入参数与道路通行情况间的规则；

步骤四：构建用于道路通行情况分析的模糊神经网络系统；

步骤七：将步骤六中的道路属性信息输入网络进行通行情况分析，并与图像中实际的通行情况进行比较，验证网络的可靠性。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中对输入参数进行归一化处理具体过程为：

采用的归一化方法为最大最小法：

其中所述x_min为训练样本数据中的最小值，x_max为训练样本数据中的最大值，x_k为归一化后的输入参数；

归一化后的输入参数作为模糊神经网络的输入量进入网络，形成网络的特征输入向量。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中确定道路通行情况为畅通、轻度拥挤、拥挤和严重拥挤四种情况具体为：

假设：严重拥挤值为为4，拥挤值为3，轻度拥挤值为2，畅通值为1。对于某一输入参数来说，最有可能的通行情况的权重设为2，再次可能性的通行情况的权重设为1，由此对各类输入参数最终确定的道路通行情况进行加权平均，最后求得目标道路可能的通行情况值。求出的值在1～4范围内，最终在下面的范围内确定道路的通行情况：

通行情况值在[1，1.5)范围内，通行情况为“畅通”；

通行情况值在[1.5，2.5)范围内，通行情况为“轻度拥挤”；

通行情况值在[2.5，3.5)范围内，通行情况为“拥挤”；

通行情况值在[3.5，4]范围内，通行情况为“严重拥挤”。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中确定输入参数与道路通行情况间的规则具体为：

车辆类型与通行情况的关系

车辆种类(小客车当量换算系数)与通行情况的关系

单方向车道数与通行情况的关系

单向车道数与道路通行情况的关系

车辆速度与通行情况的关系

车辆速度与道路通行情况的关系

车辆密度与通行情况的关系

车辆密度是指一条车道上某一瞬时的车辆密集程度，用K表示(单位为辆/km)，用公式表示为：

K＝N/L

式中：K-车流密度，单位：辆/km

N-观测路段内某瞬时的车辆数，单位：辆

L-观测路段长度，单位：km

车辆密度与通行情况的关系

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤四中构建用于道路通行情况分析的模糊神经网络系统具体为：

道路通行情况分析的模糊神经网络系统包含五个神经网络，每个神经网络均采用BP神经网络传递误差。其中NN_mf用于给出对应四类通行情况的模糊隶属度，因此有4个输出，而另外的4个BP神经网络NN₁、NN₂、NN₃、NN₄分别用来表示网络的四类输出结论“畅通”、“轻度拥挤”、“拥挤”、“严重拥挤”值。其每个网络上的输入层都含有相同的神经元，其隐层及其上神经元的数目都能够根据训练情况进行自适应的调整。

以高木-关野模型为基础，本发明建立另一种模型：

如果X∈R_j，

则y＝f_j(X)

其中，Rj为输入空间分割后的部分空间。根据上式，通过此模型我们能够通过一个神经网络来计算针对不同类型输出的输入变量隶属函数，同时，也可以利用神经网络表示结论部的fj(X)，以此构建模糊神经网络。模糊神经网络系统的输出为：

其中所述g_j为对应的BP网络NN₁、NN₂、NN₃、NN₄，NN₁、NN₂、NN₃、NN₄分别表示网络的四类输出结果，即畅通、轻度拥挤、拥挤、严重拥挤，μ_j为对应各条模糊规则的模糊隶属度。

模糊神经网络系统，主要工作包括：

①根据训练样本，决定系统的模糊规则条数m。根据本发明的需要，m＝4。

②建立和训练给出模糊隶属度的网络NNmf。

③建立和训练给出结论的神经网络NNj,(j＝1,2,3,4)。

模糊规则的个数可由通过聚类决定。神经网络均采用前向型的BP网络，隐层的神经节点采用Sigmoid函数和高斯径向基函数作为神经网络的传递函数，NNj的输出层则使用线性的函数，以保证能够得到大小任意的输出结果。

网络训练结果如下：

其中代表系统的输出结果，y代表期望值。

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤五中训练的方法为误差回传神经网络算法，具体过程为：

误差回传神经网络算法(BP)是被用于神经网络训练的一种比较基本而且常用的方法。方法步骤如下：

1、NN1～NN4和NNmf几个网络的学习过程都包括两部分：一部分是训练结果信息的正向传播，这每一层节点的输出都只会影响到下一个层次的节点。假设输出的信息没有满足训练的要求(即系统输出值和样本值之间的误差没有满足精度要求)，进入另一个部分，即误差的反向传播过程，将计算得到的误差按照原本的路径返还，并以此为依据修改各层节点的权值和判断阈值，到达输入层后再继续进行正向传播过程，最终使误差趋向于达到期望的最小值。

2、当误差的大小或者网络的训练次数满足要求时，网络的学习过程结束。在网络正常工作运算期间，只存在正向传播过程，因而期间的误差反向传播过程十分关键。通常采用系统的输出值与实际值的误差平方和来判断网络的学习是否达到要求，计算的收敛公式利用梯度下降法来得到。

3、BP算法训练过程。

以三层BP网络模式为例。首先网络初始化。根据确定的网络系统的输入和输出确定网络的输入神经元个数n和输出神经元个数m。，NN1～NN4四个网络的输入层包含有4个节点，输出层有1个节点，含有两个隐层，节点数为8；NNmf这个网络的输入层和输出层均含有4个节点。隐层的个数为2，节点数为7。隐层节点数应遵循的的选取原则为，已确定网络输入层和输出层的节点数m和n，那么隐层节点的个数l应满足：

式中，a为0～10的任意整数，可以根据实际运算情况进行适当调整最终确定。之后对每个网络的输入层、隐层、输出层节点之间的权值进行初始化，对隐层阈值a、输出层阈值b也进行初始化，同时确定网络的学习效率η和各节点激励函数的相关参数。然后计算隐层的输出H，采用高斯径向基基函数和Log–Sigmoid函数。接下来，根据隐层的输出H以及权值、阈值b等参数，运算神经网络的输出值O，网络的误差ek即为系统实际输出与期望输出的差值。将误差与精度要求比较，如果没有满足要求，则重新回到计算网络隐层输出的步骤，继续计算。

步骤五一：初始化网络的权值和阈值；

步骤五二：计算隐层的输出H，利用以下公式：

其中xi为输入向量中的参数，l为隐层的神经元数目，f为隐层的激励函数，w_ij为输入层到隐层的节点权值，a_j为隐层网络阈值，采用高斯径向基基函数和Log-Sigmoid函数(对数S形函数)；

步骤五三：计算输出层输出：

w_jk为隐层到输出层的节点权值，b_k为输出层网络阈值；

步骤五四：计算误差：

e_k＝Y_k-O_k k＝1，2，…，m

其中Y_k为实际输出值，O_k为期望输出值；

步骤五五：判断误差是否满足精度要求，若满足则训练结束，若不满足，则利用以下公式调整系统的权值：

w_jk＝w_jk+ηH_je_k j＝1，2，…，l；k＝1，2，…，m

其中e_k为误差值，x(i)为输入向量，η为权值更新效率。

进行网络阈值的调整：

b_k＝b_k+e_k k＝1，2，…，m

步骤五六：判断是否达到训练次数，若满足则训练结束，若不满足则重新执行步骤五二至步骤五六。

其它步骤及参数与具体实施方式一至五之一相同。

具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：所述步骤六中道路属性信息具体为：

道路长度、单向车道数、车辆类型和车辆速度。

其它步骤及参数与具体实施方式一至六之一相同。

实施例一：

实验数据使用QuickBird卫星获取的美国佛罗里达州98号公路沿线遥感图像中的一个路段(如图2所示，全色图分辨率为0.61m，多光谱图分辨率为2.44m，在此以全色图为示例)和Worldview2卫星获取的美国阿拉巴马州564公路沿线遥感图像中的两个路段(如图3和图4所示，全色图分辨率为0.5m，多光谱图分辨率为2m，在此以全色图为示例)，其三个路段分别如附图所示。本发明得到的道路通行情况如下表所示。

遥感图像的道路属性信息如下：

道路通行情况结果如下：

通过对比可得，道路通行情况结果的期望值和实际值之间的误差在允许范围内，即基于模糊神经网络的遥感图像道路通行情况分析方法可以对道路通行情况进行合理分析。

Claims

1.基于模糊神经网络的遥感图像道路通行情况分析方法，其特征在于，所述遥感图像道路通行情况分析方法包括以下步骤：

步骤三：确定输入参数与道路通行情况间的规则；

步骤四：构建用于道路通行情况分析的模糊神经网络系统；

步骤五、根据步骤一确定的输入参数，收集训练样本和测试样本，根据步骤二确定的道路通行情况对所有训练样本进行聚类，并用包含输入和输出数据的分类后的训练样本对神经网络系统进行训练；

步骤七：将步骤六中的道路属性信息输入网络进行通行情况分析，并与图像中实际的通行情况进行比较，验证网络的可靠性；

所述步骤二中确定道路通行情况为畅通、轻度拥挤、拥挤和严重拥挤四种情况具体为：

设严重拥挤值为为4，拥挤值为3，轻度拥挤值为2，畅通值为1；

通行情况值在[1，1.5)范围内，通行情况为畅通；

通行情况值在[1.5，2.5)范围内，通行情况为轻度拥挤；

通行情况值在[2.5，3.5)范围内，通行情况为拥挤；

通行情况值在[3.5，4]范围内，通行情况为严重拥挤；

所述步骤三中确定输入参数与道路通行情况间的规则具体为：

车辆类型与通行情况的关系为：

车辆类型换算系数为0～1时，通行情况为轻度拥挤或畅通；车辆类型换算系数为1～1.5时，通行情况为畅通或轻度拥挤；车辆类型换算系数为大于1.5时，通行情况为严重拥挤或拥挤；

单方向车道数与通行情况的关系为：

单车道时通行情况为严重拥挤或拥挤，双车道时通行情况为拥挤或轻度拥挤，三车道时通行情况为畅通或轻度拥挤；

车辆速度与通行情况的关系为：

车辆速度为0～20km/h时，通行情况为严重拥挤或拥挤；车辆速度为20～40km/h时，通行情况为轻度拥挤或拥挤；车辆速度为40～60km/h时，通行情况为畅通或轻度拥挤；

车辆密度与通行情况的关系为：

车辆密度是指一条道路上的车辆密集程度，用K表示，单位为辆/km，用公式表示为：

K＝N/L

式中N为观测路段内的车辆数，L为观测路段长度；

车辆密度为大于150辆/km时，通行情况为严重拥挤或拥挤；车辆密度为20～150辆/km时，通行情况为拥挤或轻度拥挤；车辆密度为0～20辆/km时，通行情况为畅通或轻度拥挤；

所述步骤四中构建用于道路通行情况分析的模糊神经网络系统具体为：

以高木—关野模型为基础，建立模型：

若X∈R_j，则y＝f_j(X)，其中R_j为输入空间分割后的空间，y为系统的输出，f_j(X)为高木关野模型的对应法则；

模糊神经网络系统的输出为：

其中所述g_j为对应的BP网络NN₁、NN₂、NN₃、NN₄的输出，NN₁、NN₂、NN₃、NN₄分别表示网络的四类输出结果，即畅通、轻度拥挤、拥挤、严重拥挤；μ_j为对应各条模糊规则的模糊隶属度。

2.根据权利要求1所述的基于模糊神经网络的遥感图像道路通行情况分析方法，其特征在于，所述步骤一中对输入参数进行归一化处理具体过程为：

采用的归一化方法为最大最小法：

3.根据权利要求2所述的基于模糊神经网络的遥感图像道路通行情况分析方法，其特征在于，所述步骤五中训练的方法为误差回传神经网络算法，具体过程为：

步骤五一：初始化网络的权值和阈值；

步骤五二：计算隐层的输出H，利用以下公式：

其中x_i为输入向量中的参数，l为隐层的神经元数目，f为隐层的激励函数，w_ij为输入层到隐层的节点权值，a_j为隐层网络阈值，j＝1,2,…,l，采用高斯径向基基函数和对数S形函数；

步骤五三：计算输出层输出：

其中w_jk为隐层到输出层的节点权值，b_k为输出层网络阈值，k＝1,2,…,m；

步骤五四：计算误差：

e_k＝Y_k-O_k

其中Y_k为实际输出值，O_k为期望输出值，k＝1,2,…,m；

w_jk＝w_jk+ηH_je_k

其中e_k为误差值，x(i)为输入向量，η为权值更新效率，i＝1,2,…,n；

进行网络阈值的调整：

b_k＝b_k+e_k

4.根据权利要求3所述的基于模糊神经网络的遥感图像道路通行情况分析方法，其特征在于，所述步骤六中道路属性信息具体为：

道路长度、单向车道数、车辆类型和车辆速度。