基于高分辨率遙感影像的車輛信息提取方法研究

齊俊

(濟南市勘察測繪研究院,山東濟南 250013)

基于高分辨率遙感影像的車輛信息提取方法研究

齊俊?

(濟南市勘察測繪研究院,山東濟南 250013)

從高分辨率遙感影像上進行車輛信息提取可以作為地面車輛分布信息監測的一種全新的方式。文章采用Adaboost算法和多尺度影像分割,結合城市地區地籍資料等現有的資料,分別對大飛機DMC航攝影像和Quickbird-2衛星影像進行了車輛信息提取試驗,總結出可以有效地從高分辨率遙感影像上提取車輛對象的方法流程,并對提取正確率等試驗結果進行了分析。

多尺度分割;Adaboost算法;信息提取;車輛;高分辨率遙感影像

1　引 言

遙感的根本目標是為了從影像上獲取所需要的信息。遙感影像目標識別一般是針對人工地物進行的,依據的是目標的光譜特征、空間幾何特性、紋理特性等,比如提取建筑物、橋梁、道路、機場等人工地物[1]。近些年來,隨著遙感手段的不斷豐富,無人機影像、商業化應用衛星影像分辨率的不斷提高,使基于遙感影像來提取小尺寸的目標變得可能,比如影像上面的車輛目標[2]。利用高分辨率遙感影像進行車輛目標識別與提取是智能交通領域重要的交通信息采集技術之一,對城市地區擁堵、違章停車等問題都具有實際應用價值。把遙感技術應用于交通檢測是近年來遙感應用研究的一個新方向[3]。基于高分辨率衛星遙感影像對車輛進行檢測已經成為新的研究熱點。相比于傳統的地面車輛檢測,遙感影像不僅可以顯示特定時刻特定范圍內的車輛信息分布,對露天地段和街道的車輛數量和空間分布也有直觀的反映。

2　原 理

本文主要是基于高分辨率遙感影像進行車輛信息的提取[1],由于車輛目標主要集中在道路、室外公共停車場等區域,因此文章采用多尺度影像分割算法[4],先進行影像粗分割結合人工判讀以限定道路、停車場等區域,再結合城市地籍數據,可以更加準確地確定車輛目標提取的搜索范圍。粗分割結束后,在限定的區域內進行小尺度分割,綜合調整分割尺度,形狀因子,顏色因子,緊湊度,光滑度等參數,生成車輛信息的影像對象。

小尺度分割下形成的影像對象圖斑具有各自的特征信息,包括光譜信息、紋理信息、空間幾何信息等,這就構成的不同的特征空間[5]。文章中車輛信息的識別提取,就是利用Adaboost算法對這些特征空間的光譜特征(亮度等)、紋理特征(形狀、大小等)等特征訓練車輛信息分類器,從而可以有效地提取車輛目標。下面主要講述Adaboost算法[6]和多尺度影像分割的原理。

2．1Adaboost算法

Adaboost算法[6]的核心思想是先對一個訓練集訓練多個初等分類器,然后把這些初等分類器集合起來,構成最終分類器。

首輪調用初等分類器時,按均勻分布從樣本集中選取子集作為該次訓練集,以后每輪對前一輪訓練失敗的樣本,賦予較大的分布權值(Dt(i)為第i輪各個樣本在樣本集中參與訓練的概率),使其在這一輪訓練出現的概率增加,即在后面的訓練學習中集中對比較難訓練的樣本進行學習,經過T論的迭代,從而得到T個弱的基分類器(h1,h2,…,ht)。其中ht相應的權值αt的大小根據該分類器的效果而定。最后的最終分類器由生成的多個初等分類器加權聯合產生。具體算法如下:

(1)設定初始分類器權值D1(i)=1/M,其中i=1, 2,…,M(M為樣本總數)。

(2)針對t=1,2,…,T:

①在每一輪迭代中尋找總錯誤ε最小的分類器ht,當yi≠ht(xi)時,ε=∑Ti=1D1(i),如果最小錯誤滿足ε＜0．5,則迭代繼續;否則說明需要更好的特征,結束迭代。

②設置初等分類器ht的權重αt=log[(1-ε)/ε],ε即上步驟中最小錯誤。

③更新樣本分布權值:

Dt+1(i)={D1(i)exp[-αtyiht(xi)]}/Zt,Zt將樣本權重歸一化。

(3)所有初等分類器的加權和組成最終分類器, 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個特定的、具有獨特性質的區域并提出感興趣目標的技術和過程。本文采用多尺度分割[4]的方式對影像進行分割,多尺度分割能最大限度保存影像信息,將高分辨率象元信息保留到低分辨率影像上,生成有意義的影像多邊形。

多尺度影像分割采用的算法是一種自下向上的基于異質性最小[4]的區域合并算法。分割中主要進行的工作是像元與像元的合并以及像元與影像對象的合并。步驟如下:首先以任一像元作為起點;接著將起點像元周圍的具有和起點像元相似性質即異質性最小的像元合并在同一區域內;然后以合并進區域的像元作為起點像元,重復之前起點像元的工作;最后,當所有滿足條件的像元合并進區域內時,分割結束,區域多邊形就此形成。圖1所示為多尺度分割原理示意圖。本文進行多尺度分割的影像是除去房屋等不可能存在車輛的區域后的影像(主要為道路區域的影像),通過eCognition軟件來實現的。

圖1　多尺度分割原理圖

3　試驗流程與精度評價

如圖2所示,本次試驗先對原始影像進行預處理,預處理的目的是為了得到紋理清晰、色彩均勻、有地理參考系的影像,包括圖像增強、圖像平滑、幾何校正、影像融合(衛星影像需要,大飛機影像不需要)、正射糾正等步驟[7](即得到正射影像圖)。然后將預處理后的影像和2011年城市地籍數據疊加,除去房屋建筑區等不可能存在車輛的區域,以排除背景干擾,提高提取精度。接下來對影像進行多尺度分割,先通過大尺度分割結合人工判讀將道路區域和可能存在車輛的區域限定出來,然后再對道路等區域進行小尺度分割以生成目標車輛的影像對象圖斑。最后利用Adaboost算法所訓練的分類器對分割后的影像進行車輛目標識別提取。

車輛目標提取完成后即可統計提取的精度,由于整幅影像上的汽車數量較大,不便于統計識別率等數據,因此在影像上選擇特定感興趣區域,利用分類器進行車輛信息檢測,檢測完成后通過人工判讀[7]的方法判斷檢測的結果是否正確。為評價分類器識別精度定義識別率(A)、漏識率(B)、正確率(C),他們的關系為:

圖2　車輛信息識別提取流程圖

式中,a為正確識別的汽車數量;b為影像上未被檢測出的汽車數量;c為其他地物被誤判成汽車的數量;m為影像上的實際汽車數量。

4　試驗結果與分析

試驗數據部分如圖3所示,一種是大飛機DMC航空影像,空間分辨率0．2 m;另一種是Quickbird-2衛星影像,空間分辨率0．5 m;兩種影像均為2011年獲取的濟南市主城區影像。

圖3　試驗數據(航空影像和衛星影像)

參見第3節把試驗數據預處理后與城市地籍資料疊加,得到排除背景干擾后的影像。接下來對影像進行多尺度分割,先通過大尺度分割結合人工判讀將道路區域和可能存在車輛的區域限定出來,試驗采用eCognition軟件來進行多尺度的影像分割,經過多次試驗分析和比較,大尺度分割利用尺度230,shape=0．4,compactness=0．3,如圖4所示為大尺度分割后的影像。然后再對道路等區域進行小尺度分割以生成目標車輛的影像對象圖斑,小尺度分割利用尺度50,shape=0．4,compactness=0．2,color =0．6,如圖5所示為小尺度分割后的影像。

圖4　大尺度分割后的影像

圖5　小尺度分割后的影像

在影像上選取一定量的樣本數據,如圖6所示為部分樣本數據,利用Adaboost算法訓練分類器,對小尺度分割[4]后的影像進行車輛目標識別提取。

圖6　部分樣本數據

利用分類器對預處理后的影像進行檢測,程序進行后,識別的車輛會被檢測出來,生成識別效果圖,圖7所示為在航空影像上的識別效果;圖8所示為在衛星影像上的識別效果(圖中紅斑表示從影像上識別出來的車輛信息,一個紅斑代表識別出的一個車輛信息)。

圖7　航空影像上車輛識別結果

圖8　衛星影像上車輛識別結果

由于整幅影像上的汽車數量較大,不便于統計識別的數據,因此在影像上隨機選擇一定區域進行精度統計,統計結果如表1和表2所示。

大飛機航攝影像上車輛提取統計結果　表1

衛星影像上車輛信息統計結果　表2

從統計結果可以看出,本文的研究方法流程可以有效從高分辨率遙感影像上提取車輛對象。在航空影像上,車輛的提取識別率到達77%,正確率高達88．6%,這是由于本文采用了城市地籍數據去除了不可能存在車輛的區域,從而排除了干擾信息,大大提高了識別的正確率。對于衛星影像來說,車輛的提取識別率也達到了71%左右,由于衛星影像的分辨率比航空影像低,加之車輛對象分散和相似對象較多,所以整體的識別率和提取正確率都比航空影像的要低。

5　結 語

本文總結了基于高分辨率遙感影像和城市地籍數據,采用Adaboost算法和多尺度分割方法進行車輛信息提取流程。從試驗結果看,采用多尺度分割結合Adaboost算法能有效的從高分辨率遙感影像上提取車輛信息,特別是將影像數據和城市地籍數據疊加,排除背景干擾后,試驗結果的正確率和識別率都有明顯的提高。現階段,在高分辨率遙感影像上提取車輛信息,還面臨很多問題,其中一個很重要的問題就是,在樹蔭、涵洞、立交橋和有遮蓋的停車場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,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一步的試驗和總結。

本文方法是對一定范圍內、特定時刻的車輛分布信息進行提取,要想達到監測地面交通流量的目標,需要改變獲取影像的方式,比如采用無人機每隔半個小時對地面某一路段或停車區域進行航拍,然后再對獲取的無人機遙感影像進行車輛信息提取,即可監測到某一路段或停車區域特定時段內的交通流量信息。

[1] 明冬萍,駱劍承,沈占鋒等．高分辨率遙感影像信息提取與目標識別技術研究[J]．測繪科學,2005,30(3):18～20．

[2] 王巍,袁濤,周偉等．一種高分辨率遙感影像汽車識別檢測方法[J]．測繪通報,2013(10):87～90．

[3] 王浩．基于面向對象的高分辨率遙感影像車輛提取方法研究[D]．北京:北京交通大學,2012．

[4] 蔡華杰,田金文．一種高分辨率遙感影像多尺度分割新算法[J]．武漢理工大學學報,2009,31(11):97～101．

[5] 李龍飛．衛星圖像中車輛目標提取方法優化與精度評價[D]．北京:北京交通大學,2012．

[6] 魏武,張亞楠,武林林．基于遺傳算法的改進AdaBoost算法在汽車識別中的應用[J]．公路交通科技,2010,27( 2):114～118．

[7] 孫家抦．遙感原理與應用[M]．武漢:武漢大學出版社, 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

齊俊(1987—),男,工程師,碩士,主要從事攝影測量與遙感應用方向的工作與研究。