基于eCognition的高分辨率衛星影像的車輛檢測實驗設計

郭杜杜, 逯國生

(1. 新疆大學 交通工程系, 新疆 烏魯木齊 830047； 2. 武漢理工大學 交通學院,湖北 武漢 430046；3. 69243部隊, 新疆 烏魯木齊 830000)

基于eCognition的高分辨率衛星影像的車輛檢測實驗設計

郭杜杜1,2, 逯國生3

(1. 新疆大學 交通工程系, 新疆 烏魯木齊 830047； 2. 武漢理工大學 交通學院,湖北 武漢 430046；3. 69243部隊, 新疆 烏魯木齊 830000)

設計了利用eCognition進行高分辨率衛星影像的車輛檢測實驗的步驟,首先對目標影像選取關鍵參數進行多尺度分割；其次利用最小距離分類器進行分類,實驗設計中將目標對象主要分為3類,即道路、汽車及其他類；最后以Worldview-1高分辨率衛星影像進行了車輛檢測的實驗。實驗結果表明,所設計的實驗過程能達到車輛檢測的目的并且精度較高,實驗過程的簡單直觀,可用于交通信息技術及應用專業本科實驗教學課程。

衛星影像； 車輛檢測實驗； eCognition； 多尺度分割

交通信息技術及應用課程是一門實用性較強、涉及面較廣的專業限選課程。該課程的基本方法和理論大量應用于先進的交通管理、交通控制特別是智能交通的各個領域。傳統的教學大部分是較為繁瑣的理論分析和公式推導,物理概念抽象,因此容易使學生感到乏味和難以接受,尤其是交通信息采集技術部分,各項技術原理、技術關鍵和技術應用晦澀難懂,特別是基于遙感影像的車輛檢測部分更讓學生覺得不可思議。因此利用eCognition平臺進行遙感影像車輛目標檢測,可以使抽象的理論知識具體化,形象化,加深學生對課程內容的理解及掌握,激發學生的學習興趣和提高課堂教學效果。

近年來衛星遙感技術得到了快速發展,尤其是高分辨率衛星遙感影像(簡稱高分衛星影像)能夠在更大范圍內采集整個路網上的車輛檢測數據,非常適合交通管理及監控應用[1]。與傳統的車輛檢測設備相比,基于高分衛星影像的車輛檢測方法具有一次投入持久應用、不破壞路面、不影響地面交通、覆蓋面積大、獲取的交通信息量豐富等諸多優點[2],為交通管理與交通流監測提供了新方法與數據源。隨著智能交通的快速發展,對交通信息數據的獲取提出了更高的要求,因此在交通信息采集的實驗課程體系中,通過開設高分辨率衛星影像的車輛檢測實驗,在學生學習傳統車輛信息采集手段的基礎上,了解新型的車輛信息采集手段,利于開拓學生思維,增廣學生眼界。

1 eCognition簡介

eCognition是由德國Definiens Imaging公司開發的智能化影像分析軟件,也是目前所有商用遙感軟件中比較成熟、廣泛應用的基于目標信息的遙感信息提取軟件[3]。它采用的是面向對象的信息提取方法,針對的是對象，而不是傳統意義上的像素,充分利用了對象信息，包括色彩、形狀、層次、紋理,以及不同類之間信息，包括與鄰近對象、父對象、子對象的相關特征[4]。運用eCognition可以成功提取小目標地物如道路,車輛等。

2 車輛檢測實驗方案設計

通過在開展高分辨率衛星影像的車輛檢測實驗,使學生初步了解遙感圖像交通信息采集的技術背景,認識和甄別提取的基礎數據和要求,并掌握圖像處理的實驗操作步驟,探討影響車輛檢測精度的因素,最終達到能對給定影像進行車輛檢測的實驗教學目的。

2.1 實驗的技術路線

基于eCognition的車輛檢測技術流程可歸結為：根據車輛信息提取的需求,選擇適當的高分辨率衛星遙感數據,結合信息提取的需要進行圖像各項處理,實現車輛信息的提取。技術流程見圖1。

圖1 車輛信息提取的技術流程圖

影像并非由單個像素來代表,而是由包含多組信息包括形狀特征、紋理特征、光譜特征等在內的影像對象以及他們之間的關系(相鄰對象之間的關系,父子對象之間的關系)構成[5]。

2.2 原理分析

2.2.1 多尺度分割

圖像分割是基于eCognition提取車輛信息的基礎,它將遙感圖像分割成為空間連續、相互獨立并且保持相似性的區域,簡單來講可以用以下公式表示分割算法的依據[6-8]：

(1)

式中,FP×Q表示一副數字圖像,P×Q為圖像像素點矩陣(行×列),f(x,y)∈GL={0,1,...,L-1}是圖像像素點灰度值集合,圖像分割是將FP×Q數據集中同質性的區域劃分到一起,形成一個圖斑。分割過程按照選定的一致性屬性準則P,將遙感圖像F正確劃分為空間連續、相互獨立并且保持相似性區域的過程。

eCognition的多尺度分割是基于區域融合技術的、始于一個像元的區域。它是一種自下而上的分割方式：通過識別像元的相似性,使相鄰、相似像元融合形成對象。分割尺度是一個抽象概念,無具體意義。但是宏觀上講：分割尺度越大,影像對象越大[9-10]。多尺度分割原理圖見圖2。

圖2 多尺度分割原理圖

2.2.2 最鄰近距離分類法

最鄰近距離分類法[11-12](minimum distance)是常用監督分類方法之一。對于每一個影像對象,在特征空間中尋找最近的樣本對象,如果一個影像對象最近的樣本對象屬于A類,那么這個對象將被劃分為A類。分類步驟如下：

(1) 選用合適的樣本數據計算得到每一類別的均值向量及均方差向量；

(2) 統計每一類的均值向量,以均值向量作為該類別在特征空間中的中心位置,計算待分類圖像中每個像素點到各類地物中心的距離。

當用距離作為相似度時,距離越小,相似度越大；反之亦然。簡單的最近鄰分類器是在n維特征空間中,計算待分類像元或圖像對象到訓練數據中各個類樣本像元或圖像對象的歐氏距離,并將其劃分到最鄰近樣本所屬類中。

設n個像素單元中,第i個像素和第j個像素的特征向量為

(2)

這n個像素共分為p類,設各類的均值特征向量分別為M1,M2,…Mp

(3)

P類的均方差分別為σ1,σ2,…,σp

(4)

第j個對象到第L類的特征空間中心的歐氏距離Di和絕對距離Dl分別為：

顯然,若Di

3 車輛檢測實驗的步驟設計

3.1 實驗案例介紹

案例選用Iran Tehran azadi tower (伊朗德黑蘭解放碑)WorldView-1(視界1號衛星)高分辨率衛星影像。WorldView-1衛星運行在高度450 km、傾角98°、周期93.4 min的太陽同步軌道上,平均重訪周期為1.7 d,星載大容量全色成像系統每天能夠拍攝多達50萬km2的0.5 m分辨率圖像。截取的德黑蘭解放碑WorldView-1高分辨率衛星影像截圖見圖3。

圖3 德黑蘭解放碑WorldView-1高分辨率衛星影像截圖

3.2 實驗關鍵參數設定

首先進行多尺度分割,分析得出一個最佳尺度。多尺度分割算法的參數設置見圖4。

圖4 多尺度分割算法參數設置

設置參數不同可得到不同的影像對象。經過對影像對象的深入分析,得到的較好的分割結果見圖5。度尺參數有：Scale parameter, Shape, Compactness。

圖5 不同尺度的分割結果

通過多次試分割,德黑蘭解放碑WorldView-1高分辨率衛星影像的最佳分割參數：Scale parameter為35, Shape為0.5, Compactness為0.5。

接著執行分類,定義使用標準最鄰近分類器的特征空間,并用最鄰近分離器聲明樣本對象。分類要素的主要設置如圖6所示。

3.3 實驗結果及精度分析

通過分類篩選后,影像中車輛檢測結果以及特征值提取如圖7所示。

圖6 分類要素的設置

圖7 德黑蘭解放碑WorldView-1高分辨率衛星影像車輛檢測結果及特征值的提取

結果精度評價主要對3個指標進行評價,分別是正確檢車率、檢測完整性以及檢測質量。通過與目視法結果對比分析可知車輛檢出精度各指標計算如下：

正確檢出率=正確判斷/(正確判斷+錯誤判斷)=200/(200+9)×100%=95.7%

檢測完整性=正確判斷/(正確判斷+漏判斷)=200/(200+0)×100%=100%

檢測質量=正確判斷/(正確判斷+錯誤判斷+漏判斷)=200/(200+9+0)×100%=95.7%

因此,德黑蘭解放碑WorldView-1高分辨率衛星影像車輛檢測結果精度可以達到95%以上。

4 結語

交通信息檢測技術是交通工程專業本科教學的重要內容,利用eCognition進行高分辨率衛星影像的車輛檢測實驗,有利于圖像類交通信息處理過程和規律的理解和掌握。對Worldview-1高分辨率衛星影像的具體案例分析表明,利用eCognition進行高分辨率衛星影像的車輛檢測實驗,其結果能夠與目視結果相吻合,具有真實直觀性,且精度較高,有利于學生對圖像類交通信息采集技術處理過程分析和理解,能達到較好的實驗教學效果。

References)

[1] 項皓東.從高分辨率遙感影像中提取道路信息的方法綜述及展望[J].測繪與空間地理信息,2013,36(8)：202-206.

[2] 袁金國,遙感圖像數字處理[M].北京:中國環境科學出版社,2011.

[3] 劉珠妹,劉亞嵐,譚衢霖,等.高分辨率衛星影像車輛檢測研究進展[J].遙感技術與應用,2012,27(1):8-14.

[4] Hinz S,Meyer F,Eineder M,et al. Traffic monitoring with spaceborne SAR—Theory,simulations,and experiments[J]. Computer Vision and Image Understanding,2007,106(2):231-244.

[5] 關元秀,程曉陽.高分辨率衛星影像處理指南[M].北京:科學出版社,2008.

[6] 蘿博.高分辨率遙感圖像分割方法研究[D].成都：電子科技大學,2013.

[7] 張冰,林嵐嵐,騰鵬飛.淺談遙感圖像增強的處理[J].防護林科技,2006(2):68-69.

[8] 王偉超,鄒維寶.高分辨率遙感影像信息提取方法綜述[J].北京測繪,2013,13(4):4-6.

[9] Jeon S H,Lee K,Kong B D. Application of Template Matching Method To Traffic Feature Detection KOMPSATEOC Imagery[J]. IEEE International,2005(1):441-443.

[10] Su M C,Hsinhung C. A neural-network-based approach to detecting rectangular objects[J]. Neurocomputing,2007,71(1): 270-283.

[11] 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.

[12] 孫琪.基于高分辨率衛星影像的交通流參數提取研究[D].北京：北京交通大學,2010.

Design on experiment of vehicle detection with high resolution satellite images based on eCognition

Guo Dudu1,2, Lu Guosheng3

(1. Department of Traffic Engineering,Xinjiang University, Urumqi 830047， China； 2. School of Transportation,Wuhan University of Technology,Wuhan 430046, China；3. 69243 Troops,Urumqi 830000,China)

A procedure for the experiment of the vehicle detection with high resolution satellite images by using eCognition is designed. Firstly,the key parameters of target images are segmented by multiple scales. Secondly,the minimum distance classifier is used to classify the target,which can be divided into the following three kinds: road,automobile and other category. Finally,the experiment of the vehicle detection is conducted with Worldview-1 high resolution satellite images. The experimental results show that the experimental process can achieve the purpose of vehicle detection and get high precision,and the experimental process is simple and intuitive. This experiment can be used in the undergraduate course of experimental teaching of transportation information technology and application majors.

satellite images; vehicle detection experiment; eCognition; multiscale segmentation

10.16791/j.cnki.sjg.2017.07.012

2016-12-25

2017-03-16

新疆維吾爾自治區自然科學基金資助項目(2015211C282)

郭杜杜(1985—),女,湖北黃岡,博士研究生,講師,主要研究方向為交通信息采集和實驗教學管理.

E-mail：guodudu1122@126.com

TP753；U491

A

1002-4956(2017)07- 0042- 04