基于高分辨率卫星图像的车辆检测外文翻译资料

英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

基于高分辨率卫星图像的车辆检测

A. Gerhardinger ^a*, D. Ehrlich ^a, , M. Pesaresi ^a

^a IPSC, Joint Research Centre, 21020 Ispra, Italy - andrea.gerhardinger@jrc.it

关键字：遥感，空间信息科学，城市，定标，检测，自动化，高分辨率

摘要：本文总结了一种基于归纳学习方法的分类技术，应用于高分辨率影像上车辆检测和枚举。该方法的预处理程序能够应用于不同大气环境下的各种影像，同时程序算法能够自动检测车辆和枚举目标。除此以外，这项工作在利用车辆数目等派生指标研究社会活动方面有更长远的应用，例如：冲突地区情况评估。本文利用Ikonos 、Quickbird卫星影像来收集2003伊拉克战争中巴格达战前形势。高分辨率图像是一个很好的检测车辆的信息源，可以利用影像判读技术枚举车辆目标，但是，该方法不具实际操作性并且相对代价昂贵。通过研究可知：车辆自动检测是具备可能性的，同时图像预处理是必要的。

1. 介绍

城市车流量持续增加，使得车流量的监控越来越必要。大量城市，特别是在发达国家，使用扫描设备如安装在固定位置的摄像机，或者人行道上的称重式运动传感器，来监测交通。最近视频成像和机载成像经验证，能够运用于车辆检测，特别是提供更多的综观交通状况和监测交通轨迹（Zhang et al.2003）。 航空摄影也有了一定运用（Hinz 2003，Schlosser et al. 2003）并且有的学者开始考虑使用全新可获取的高分辨率图像，这提供了一个新的研究途径（Rocio Alba Flores 2004）。 通过比较可见光，红外和SAR（合成孔径雷达）不同波段的数据（Stilla et al.2004）清晰地显示了它们各自的优点和局限性。例如SAR传感器不受光照和天气条件限制且全天时工作，但它的斜视图存在一定失真，建筑物的存在可能遮蔽一些道路，SAR影像分析很大程度上受到解译人员经验的影响（Lohmann et al. 2004）。

在发展中国家，车流量不断快速增长，并且由于现场观测设备的缺乏，车流量几乎难以测量。车辆枚举是非常必要的，交通管理，燃料需求评估，易积累空气污染物的大都市的交通排放量估计等都需要以车辆检测为基础。随着时间的推移，车辆枚举可用于估测未来车流量，因此对于交通基础设施规划有重要意义。在受灾区域，通过不同时刻的车辆枚举，人们可以了解灾情严重程度和一个地区如何受到影响以及恢复的状况。

卫星影像能够为地面测量提供补充信息。它是即时成像，并且覆盖了一个相对广阔的地区。这种测量方式具有稳定性，即使不能连续监测，也能多次重复观测。对于发展中国家的许多城市来说，卫星影像可能是给定时间和预算内可获得的唯一信息。卫星影像也不具备干预性，可以用来枚举车辆，以及估计那些未建立地面交通监控系统的国家或灾后无法接近，无法测量地区的车辆量。

基于卫星影像的车辆检测和枚举需要进行预处理。高分辨率卫星传感器能提供不同视角，不同大气条件下，受污染物和光照条件影响的城市地区的影像。此外，随着多时相影像的分解，景象光谱特征可能也会随之改变。

这项工作的目的：（1）评估基于高分辨率卫星影像车辆检测和枚举的可能性，以两种卫星影像 —— Ikonos和QuickBird为例，并比较两个数据源；（2）开发图像预处理的程序，以提高分类精确度；（3）测试巴格达地区两种卫星影像的特征自动提取程序。这项工作是一项旨在检测和列举大型城市车辆研究的一部分，继而按时间序列来比较它们社会活动指数。

1. 数据

研究区是巴格达市，下属8个行政区总面积719平方公里（如图1）。研究区域内有3幅可用影像：2000年和2003年Ikonos影像，2003年QuickBird影像，面积分别为637平方公里，330平方公里和417平方公里。分类程序是在图像内部一些选定的样本区内进行测试。

两幅Ikonos影像成像时间分别是2000年5月31日和2003年4月1日，全色波段分辨率为1 m，多光谱波段分辨率为4 m。QuickBird影像成像时间是2003年4月1日，全色波段分辨率为0.68 m，多光谱波段分辨率为2.56 m 。辅助数据有1：25.000和1：100,000比例尺的俄罗斯军事地形地图，以及1:25 000比例尺的NIMA城市地图，为研究提供相关资料。

Figure 1. Outline of Baghdad city border with the footprint of

the Ikonos and Quickbird imagery

伊拉克人道主义信息中心下属人道主义事物协调厅（OCHA）提供了两份数字矢量数据，当局政府的行政边界和道路网。

基于上述情况，只考虑使用相应的Ikonos和Quickbird影像的全色波段。

Figure 2. Ikonos image (31 May 2000)

按QuickBird的较高分辨率（0.68times;0.68m）对分辨率为1times;1m的 Ikonos影像进行重采样。 两幅2003年影像的大气条件非常特殊，大部分的城市被烟雾覆盖。事实上，在冲突期间点燃的明火产生的浓烟使得能见度降低，并降低了击中目标的能力。尽管羽毛状烟雾只是遮盖了非常小一部分的影像。

Figure 3. QuickBird image (01 April 2003) shows the smoke

plumes generated from the oils on fire in the city

多时相影像系列的预处理包括：影像校正、辐射增强。同理，道路网的矢量图层同样需要进行校正，进一步处理后得到道路表面的数字矢量图层。车辆检测和枚举的算法仅适用于影像内城市的主要道路。

1. 方法

3.1几何校正

为了获得均匀和可比较的图像，引用了三个数据库，来对整个城市的车辆数进行估计。以2000年的Ikonos影像为参考进行校正，同时在2003年影像上保留了大约200个地面控制点。2000年5月31日的Ikonos影像也以2003年4月3日QuickBird影像为基准，进行裁切、重采样，最后空间分辨率为0.68米。道路信息矢量数据层也按同样的方式处理。

3.2辐射增强

2003年图像中的烟羽状烟雾使得地面特征信息被掩盖，但是通过选择性地修改影像的动态范围，图像结构的检测仍然是可行的（如图4所示）。自动特征提取过程的困难之处在于，确定校正因子使得常规城市影像和受烟雾影响的影像都辐射均衡显示。

Figure 4: Radiometric enhancement. Original image,

enhancement based on bright, mid range and dark areas (from

top to bottom).

辐射增强最适合的方法是连续局部拉伸法。该程序主要是计算适当邻域中像元的平均值和变异值。为了提高运算效率，该程序在重采样的图像上运行。首先，我们使用像素聚合算法将原始全色波段数据重采样为10times;10米分辨率（输出值是输入像元的平均值）。

然后我们在重采样的图像上，计算焦点邻域内的平均值和标准差。因此，运行窗口的大小设为100米。

这些导出的数据重采样成0.68米分辨率，并代入（1）中计算，以便在原始图像上拉伸。

Figure 5: Image radiometrically adjusted using the continuous

local stretch

Figure 6: Subset image covered by the smoke plume before

(left) and after (right) the radiometric enhancement.

3.3地理处理

为了减少处理的数据量并提高分类效率，我们新建了部分城市区域的面状矢量图层，并相应地覆盖道路网。巴格达城市规划良好，具备较好的运输基础设施，包括大量高速公路。 第一种方法是以可作为矢量层的道路中心线创建12米标准缓冲区。该缓冲区能够覆盖绝大部分道路，但不适用于具有不同大小或车道数的所有道路，诸如广场和停车场的道路。

本文以Ikonos卫星影像为参考，直接创建一个数字化路面的面状矢量图层，该图层的表面属性要与选取的样本区域一致（如图8）。

分类试验仅仅适用于道路的有效表面。

Figure 7: Road center line and derived buffer (left) and

digitalized road surfaces (right).

3.4图像分析

通过目视解译和自动程序分析图像。本文对6个1平方公里样本区域进行分析（图8），按照目视判读和车辆枚举，将其编码为记录地面实况的独立数字矢量图层，并为每幅影像生成相应的矢量图层。

Figure 8: Vector layer of vehicles enumerated by image interpretation.

在巴格达的几个自治市内，随机选择6个1平方公里大小的网格区域作为样本区。这些样本区应具备以不同的道路特征（车道数，地理位置，车流密度），同时，2003年影像存在烟羽状浓雾的区域也应选取样本区。

Figure 9: Samples extracted for the test analysis over the

Quickbird image with smoke plumes

对于一些感兴趣的细小物体（本文研究目标为车辆），基于像素的图像分类技术和基于光谱特征分析的模式识别或空间分析技术，都不能准确识别。

为了解决这个问题，我们在传统方法的基础上总结了一种结合归纳学习的自动分类方法（Maloof et al.1998）。

归纳学习是一种从一系列观察对象中概括出一般原理的基于过程的学习。这种分类方法需要首先确定特定输入所属的类别。即使初始模型类不能被理解或它发生改变，造成定义描述不够充分，归纳学习系统也能够自我完善，自我补充。这种结构化分类的定义称为归纳或概念学习。

通过交互式和循序多步骤的过程，归纳学习技术能够改进提取特征的模型，以及增强系统的准确性和稳定性。

与传统的监督分类方法不同，归纳学习主要基于统计方法，但不需要统计模型（高斯模型）或进行光谱特征提取，来解决分类中小物体分类问题和边缘问题。归纳学习通过迭代应用，且允许有歧义的输入（正确和不正确的示例或训练样本）。

本文研究中，分类过程的主要输入信息是辐射度（滤波前后的影像），大小（面积、宽度），地理位置（道路掩膜）和空间信息（卷积邻域，窗口）。校正算法是针对道路掩膜范围内预设方向（自由旋转）的小目标对象（5 -20像素大小之间）。下图展示的是处理这些对象的窗口，其中白色方块表示被忽略的像素，而黑色方块是在分类中使用的像素。中心像素表示单个车辆，角落处的像素表示道路边界处的其他邻近车辆或其他物体。

Figure 10: Pixel pattern representation for small object extraction.

该过程首先要创建充分定义待检测样本的特征，然后学习算法利用初始定义信息，建立描述目标对象的模型。所有可用数据，如光谱数据，空间数据，时间信息以及矢量图等辅助数据，都有助于模型的建立。接下来自动提取影像与模型相符合的剩余特征。识别检测分析利用Arc/ Gis特征分析功能实现。

Figure 11: Iterative process; samples input (left) and first classification (right).

Figure 12: Iterative process; learning step (left) and second classification (right)

本文分类程序仅仅适用于由样本和路面掩膜限定的选定区域（如上图）和此类影像：2000年5月31日的Ikonos影像和2003年4月1日的两幅不同的Quickbird影像（原始含烟雾的影像和过滤处理后的影像）。

1. 结果和讨论

巴格达的Ikonos和Quickbird影像足以检测和枚举车辆，但2003年Quickbird影像中大气效应对车辆识别有一定限制，图像羽状浓雾最黑暗部分的检测识别则更加困难。车辆检测识别和计数是可行的，但如果在大面积的城市上则不具备实际操作性。

地理处理的目的是得到道路相关的专题图，这能够提高处理效率和减少分类过程中其他参数的影响。

如果用数字化矢量图层来代替道路中心线缓冲区得到的道路矢量图层，结果会更精确。事实上，根据每条道路的种类和大小建立选择性缓冲区，这样的精度还不够令人满意，因为可用道路网络矢量数据与遥感影像不匹配。

图像增强步骤是必要的，特别是2003年的影像，烟雾的存在会降低结果准确率。大气条件的影响不可避免地降低了自动检测车辆的能力水平，但是简单的图像拉伸无法产生均匀的结果。

基于连续局部拉伸的滤波方法，改进了辐射增强技术。局部拉伸是以模糊影像来获取结果的折衷方法。实验

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[26168]，资料为PDF文档或Word文档，PDF文档可免费转换为Word