基于全色高分遥感图像的路况快捷分析方法技术

本申请首先对遥感图像进行基于平行线对的道路提取，提取出遥感图像中的道路，对道路图像进行车辆提取，采用基于灰度取反融合大津二值优化法分离道路的前景与背景部分，采用数学形态学方法和基于形状识别的车辆提取方法对车辆区域与非车辆区域进行识别，计算出车辆区域的像素点和道路图像的总像素点，根据两者的像素点之比，进行路况分析。通过与人工处理的图像进行数据比较得到，本申请提出的路况分析方法，可以得到当前道路的像素点之比，即道路俯视图中车辆所占面积与道路面积之比，具有较高的准确度，同时具备在较短时间内快速获取较大范围内道路交通路况信息的优势，具有巨大的实际意义和广泛的应用前景。的实际意义和广泛的应用前景。的实际意义和广泛的应用前景。

【技术实现步骤摘要】
基于全色高分遥感图像的路况快捷分析方法


[0001]本申请涉及一种遥感图像的路况分析方法，特别涉及一种基于全色高分遥感图像的路况快捷分析方法，属于遥感图像路况分析方法


技术介绍

[0002]交通拥堵问题严重影响人们的日常生活，大量的时间浪费在了路上，也耗费了更多的燃油，污染和环境，提升了人们的生活成本，同时增大了交通管理的难度，在拥堵路段，更是交通事故频发。
[0003]随着现代社会LBS的快速发展，为了方便人们的出行，避开拥堵路段节省时间，越来越多的地图导航或者其它应用增加了路况信息这一功能，其一般采用以下几种方法来实现：一是GPS定位方法，二是地面传感器，三是路口的摄像头，四是交通台的路况播报，五是人工方式，传统的这些获取路况信息的方法往往需要很长的操作周期，而且它们覆盖的范围也小，如果要扩大检测面积，将会耗费很高的人力和物力成本，不利于进行大范围的交通数据采集。同时这些方法的采集周期长，精确度一般也不高，受到人为和环境因素的影响较大，随着交通建设的快速发展，传统方法已经无法满足要求，这就需要新的方法来解决这个问题。
[0004]高分辨率遥感图像能够获取大范围的交通信息，而且它的准确率也比传统的方法高，实时性好，随着数字地图的快速发展和广泛应用，遥感图像的应用的越来越广泛。高分辨率遥感图像的不断发展，促进了遥感图像的深入应用，有利于GIS数据的更新，有利于GIS的广泛应用发展。同时高分遥感图像的空间分辨率很高，本申请实施例所采用的WorldView
‑
2全色遥感图像的空间分辨率达到0.5m，可以比较清晰的分辨识别出道路上的车辆，具有较高的准确率。高分遥感图像可以提供更准确、全面、实时性高的路况信息，帮助人们进行路况导航，提高道路交通的运行效率。
[0005]现有技术最早使用的是飞机航拍的视频进行道路分析，通过对航拍视频的处理，成功的从中获取了交通信息数据，包括车辆速度分布、道路的密度等等，然后通过对遥感图像进行处理来检测道路的路况，该遥感图像的分辨率达到了2m，通过采用FFT方法分析该遥感图像的频率信号，据此来分析道路的交通密度，得到道路的路况情况。后来通过对分辨率为1m的全色遥感图像进行实验得到目标的交通流参数，该图像来源于IKONOS卫星影像，首先对遥感图像进行二值化处理，然后通过图像处理得到高速公路上的车辆数据，对该高速公路的车辆数据进行统计，得到该高速公路的日均交通量参数，年度交通量参数都可以通过这种方法获取。
[0006]思德等人通过对飞机航拍的遥感数据进行处理，通过影像处理可以得到车流数据，比如从图像序列中获取单个车辆的轨迹线，通过对图像中所有车辆轨迹的分析可以得到道路的拥挤状态，由此来得到道路的交通信息。雷杰夫采用图像处理方法，通过构建车辆队列模板，来提取车辆队列信息，在该方法中，要假定车辆队列是可以提取的线形，给定道路的方向和位置，通过这些特征来构建车辆的队列模型，主要是采用基于线状和重复模式
的方法来构建模型。
[0007]徐春等提出了两种车辆目标提取方法，分别是基于颜色信息的车辆目标提取方法，和基于形态学的车辆目标提取方法。采用快鸟卫星遥感图像进行两种方法的车辆目标提取研究，基于颜色信息的车辆目标提取方法要比基于形态学方法的效果好，但同时采用基于颜色信息的车辆目标提取方法，正确率比采用基于形态学车辆目标提取方法的正确率低。因为在采用颜色信息提取车辆时，会受很多因素的影响，提取的目标可能不是车辆，而采用基于形态学的车辆目标提取方法，提取出来的目标基本上都是车辆对象，但由于一部分车辆在检测过程中被遗漏了，所以车辆提取率要低一些。而基于颜色信息的车辆目标提取方法中，不同的颜色将会产生不同的提取效果，红色和蓝色系列车辆的提取效果不好，仅能提取出部分的车辆目标。
[0008]当前采用遥感图像进行路况分析还比较少，一是由于成本的限制，要获取高分辨率遥感图像，需要向提供商购买，提高了研发和应用成本，这个成本并不会比传统的路况分析的方法要低；二是由于数据质量的限制，在遥感图像上，道路及道路上的车辆对整个遥感图像来说很小，可能只占几个像素，低分辨率的遥感图像无法满足要求，只有高分辨率遥感图像才能进行特征提取和识别；三是方法的不成熟，无论是道路提取，还是车辆提取，都还没有足够成熟的方法，提取的效果和精度往往并不高，缺乏足够有力的方法与技术支撑，使得在实际应用中无法达到要求，主流的遥感图像分析软件也没有专门的车辆提取处理模块，路况分析中一般都要提取车辆目标，而车辆目标提取方法的不足，也相应的限制了路况分析。现在常采用的车辆提取方法，一般分为对单一车辆的提取和对整个车辆队列的提取。而利用高分遥感图像提取交通流参数，一般采用通过检测车辆速度的方式来实现，因为对于同一影像数据，全色图像与多光谱图像的成像时间之间存在一个微小的时间间隔，利用这个时间差，就可以计算出车辆目标移动的距离，根据时间和距离就可以计算出车辆目标的车速、车流密度等交通流参数。
[0009]现有技术的没有可靠的大范围路况快捷分析方法，本申请的难点和待解决的问题主要集中在以下方面：
[0010]第一，现有技术的路况信息采用以下方法来实现：一是GPS定位方法，二是地面传感器，三是路口的摄像头，四是交通台的路况播报，五是人工方式，传统的这些获取路况信息的方法往往需要很长的操作周期，而且它们覆盖的范围也小，如果要扩大检测面积，将会耗费很高的人力和物力成本，不利于进行大范围的交通数据采集。同时这些方法的采集周期长，精确度一般也不高，受到人为和环境因素的影响较大，随着交通建设的快速发展，传统方法已经无法满足要求，这就需要新的方法来实现可靠的大范围路况快捷分析；
[0011]第二，当前采用遥感图像进行路况分析还比较少，一是由于成本的限制，要获取高分辨率遥感图像，需要向提供商购买，提高了研发和应用成本，但实际上随着卫片价格的快速下降，大范围的遥感图像路况分析具有较大的性价比优势；二是由于早期数据质量的限制，在遥感图像上，道路及道路上的车辆对整个遥感图像来说很小，可能只占几个像素，低分辨率的遥感图像无法满足要求，只有高分辨率遥感图像才能进行特征提取和识别；三是方法的不成熟，无论是道路提取，还是车辆提取，都还没有足够成熟的方法，提取的效果和精度往往并不高，缺乏足够有力的方法与技术支撑，使得在实际应用中无法达到要求，主流的遥感图像分析软件也没有专门的车辆提取处理模块，路况分析中一般都要提取车辆目
标，而车辆目标提取方法的不足，也相应的限制了路况分析；
[0012]第三，现有技术无论是哪种方法都无法实现可靠的大范围路况快捷分析，如道路上设置传感器，路口摄像头等方法的局限性太大，需要花费很多人力物力来搭建设备平台，而且覆盖范围也很小，无法做到大范围的交通路况快捷分析，也无法一次性快速获取大范围的交通路况信息，无法达到工业化应用的标准；
[0013]第四，因为不同颜色的车辆对光照的反射不同，在全色高分遥感图像中，将车辆分为比道路亮的浅色车和比道路暗的深色车，将道路图像灰度化之后，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于全色高分遥感图像的路况快捷分析方法，其特征在于，通过对高分辨率遥感图像进行处理来快速获取较大范围内道路交通路况信息，包括对高分辨率遥感图像进行道路提取，再对道路图像进行车辆提取，识别出道路图像中的车辆区域与非车辆区域，分别计算道路图像车辆区域的像素点和道路图像的总像素点，计算出车辆区域像素点和道路图像总的像素点之比，据此来分析当前道路的路况信息；基于全色高分遥感图像的路况快捷分析方法的基本思路：对全色高分遥感图像进行基于平行线对的道路提取，对道路图像进行车辆提取，联合数学形态学方法和基于形状特征的识别将道路图像分为车辆区域与非车辆区域两部分，计算车辆区域的像素点数量与道路图像总的像素点数量，通过车辆区域与道路图像的像素点数量之比，分析得到该区域的交通路况；基于全色高分遥感图像的路况快捷分析方法流程为：第一步：采用基于平行线对的道路提取的方法对全色高分遥感图像进行处理；第二步：对道路图像进行车辆提取，采用基于直方图均衡化方法对道路图像进行图像增强，增强图像的对比度，使图像细节更加清晰；第三步：采用基于灰度取反融合大津二值优化法对图像进行处理，首先根据图像的灰度直方图，将图像的深色区域都转换为浅色区域，再进行临界值分割，根据得到的临界值进行二值化处理，将道路图像的前景和背景分割开；第四步：采用数学形态学方法对图像的目标区域进行第一次筛选，去除目标区域中很小的区域，方便对图像进行进一步处理；第五步：对图像进行边缘检测，检测出目标区域的边缘；第六步：采用基于形状特征的车辆识别对目标区域进行第二次筛选，根据车辆的长、宽、面积、长宽比这四个形状特征进行图像识别，将车辆区域与非车辆区域识别出来，将非车辆区域的灰度变换为0，车辆区域就是道路图像车辆提取的结果；第七步：基于像素比的路况分析，计算道路图像的车辆区域的像素点数量和道路图像的总像素点数量，通过计算车辆区域像素点数量与道路图像总的像素点数量之比，即一定面积的道路上车辆面积占道路总面积的比率，在较短时间内快速获取较大范围内道路交通路况信息。2.根据权利要求1所述的基于全色高分遥感图像的路况快捷分析方法，其特征在于，基于平行线对提取道路：如果有两条光滑曲线，且这两条曲线上的对应位置的局部密度相同，同时其上各点间都互相平行，那么这两条光滑曲线为一对非特殊平行线，在高分辨率的遥感图像中，道路两边的边缘线近乎于两条非特殊平行线，通过平行线对作为道路特征进行道路提取；生成平行线对时，首先选取空间差异较小的边缘段，限定差异要小于28度，计算边缘段的空间方向，边缘段两侧的平均密度之差决定边缘段的梯度方向，当差值为
‑
1时表示梯度方向向外，当差值为1时表示梯度方向向内，当平行线对生成之后，X1和X2分别代表两条边界的位置，根据X1和X2的长度、宽度、梯度方向、平均密度、以及终点的方向(a，b)计算两个边缘段之间的标准背离距离a；将断开的平行线对分组后，利用道路段的几何特征，两条平行线对只有满足宽度相同且两条边界之间的距离小于临界值，而且梯度相同，空间方向差异较小，才能判断这两条平
行线对确实是属于同一条道路的相邻部分，将分组平行线对的条件规范化成规则一：给定两个平行线对X和Y，平行线对的距离要小于Ra，平行线对的空间方向差异要小于Rb，平行线对的梯度差异要等于0；平行线对的宽度差异要小于Rk，Ra、Rb、Rk都是根据图像大小、精确度、道路的几何特性、地形特点设置的临界值，关系是一个结构，其中包括平行线对X和Y之间几何属性差异，将生成的所有平行线对按照规则一进行分组，将不符合规则的平行线对去掉，将符合规则的平行线对连接起来，得到道路的边缘特征；用已经得到道路段的道路特征去匹配知识库中的道路规则，对道路段进行识别，首先，将道路的几何属性和灰度属性进行基于知识库的分析，形成规则，然后将得到的道路段进行中层次的处理，得到结构和关联属性，最后采用规则判断是否匹配，当道路段的属性和结构与规则相匹配时，将该道路段判断为属于道路的一部分；道路段识别规则二：给定平行线对的点形成的链C1和C2，C1和C2的长度要大于R1，C1和C2之间的宽度要小于Ka与Ra之和，大于Ka与Ra之差；C1和C2的梯度设置为1；C1和C2的平均密度要大于F0与Ri之差，小于F0与Ri之和；在规则中把道路部分的梯度设为
‑
1，R1、Ka、Ra分别是指长度特征的临界值、道路宽度、道路宽度的临界值，R1和Ra分别由图像的窗口大小和图像的清晰程度来决定，通过对原图统计得到道路表面的标准平均密度F0；基于平行线对的道路提取采用自下而上的方法,首先进行低层次处理，对遥感图像进行边缘提取和连接，然后进行中层次对处理，将生成的平行线对进行分组，最后进行高层次的处理，基于知识对分组的平行线对进行特征识别，识别出道路段。3.根据权利要求1所述的基于全色高分遥感图像的路况快捷分析方法，其特征在于，道路提取的具体过程为：过程一：采用边缘检测算子对图像进行道路边缘提取，采用数学形态学腐蚀与膨胀对得到道路的边缘信息进行校正，连接边缘线段，合并较长的边缘线段，去掉较短的边缘线段；过程二：通过计算空间差异较小的边缘段，生成平行线对X1和X2，按照平行线对的分组规则，将X1和X2中符合规则的平行线对提取出来，去掉不符合规则的平行线对，最后将所有满足规则的平行线对连接起来形成两条链C1和C2；过程三：根据道路段识别规则和C1、C2的特征结构，对C1和C2进行道路段识别，如果符合规则，认定C1和C2为道路段的一部分。4.根据权利要求1所述的基于全色高分遥感图像的路况快捷分析方法，其特征在于，基于形状特征识别提取车辆：首先对道路图像进行基于直方图均衡化的图像增强，增加道路图像的对比度，然后采用基于灰度取反融合大津二值优化法对图像进行处理，将道路图像的前景与背景区域分割开；其次，采用数学形态学方法对道路图像的前景区域进行第一次筛选，去除很小目标区域，因为去除区域很小，不可能是车辆区域，对车辆提取结果不产生影响，同时也能简化接下来的处理过程，最后进行边缘检测，检测出目标区域的边缘，采用基于形...

【专利技术属性】
技术研发人员：王程，
申请(专利权)人：荆门汇易佳信息科技有限公司，
类型：发明
国别省市：