基于高分遥感影像的车辆信息提取技术

段诚　张欢

摘要：近年来，利用高分辨率卫星遥感影像对车辆目标识别与提取技术的成熟使该方法应用于交通检测方向成为可能。本文通过低通滤波处理清除影像中的高频噪声点，再利用阈值分割滤除零散噪声，最后，利用边缘检测算法提取得到高分遥感影像中的车辆信息。针对提取所得车辆信息展开分析，将目标转化为点要素，从而直观反映道路拥堵情况。通过实验，该方法能有效提取各条道路上的车辆并显示特定时刻特定范围内的车辆信息分布，为交通检测和缓解拥堵创造有利条件。

关键词：遥感影像；车辆提取；交通检测

中图分类号：TP751 文献标识码：A 文章编号：1009-3044（2016）36-0173-02

1 前言

当前，遥感技术迅速发展，高分辨率遥感影像的研究工作更加广泛且有效，由于其清晰度高、信息存储丰富以及现实性强等特点，使得遥感影像已成为人类获取地球空间信息的重要数据源。同时基于高分影像对小尺寸的目标提取逐渐成为研究热点，如对车辆目标的识别，依据目标的光谱特征、空间几何特性等获取道路车辆的点信息，从而利用一定范围内点密度信息的分析对城市地区拥堵问题具有实际应用价值。但由于影像存在复杂的结构使本身所包含自然特征和人工地物的关系繁琐，提取信息会受到各类噪声的影响，例如在本文针对北京城区交通道路上车辆提取的研究中，诸如路面上的交通线、建筑物、绿化树木的阴影、行人等路面噪声变得不可忽视，因为这些噪声所带来的误差使所提取的车辆信息不完整且存在个别错误。

2 技术原理

车辆信息的提取工作主要是利用了遥感影像中车辆所具有的光谱特征和块状特征。块状特征即遥感影像中的车辆所表现出来的规则的大小方块，车辆的形状近似矩形，而且面积偏小且范围集中，车顶的纹理材质也与周围地物有所区别，故利用其矩形方块特征能很好与道路分界护栏、交通车站站顶等区分开。然而，在遥感影像的获取和传输过程中，噪声及光照等不可避免地会使影像丢失一些细节，从而造成了图质退化，对于后期图像信息的提取和处理影响较大，故而对影像的增强处理必不可少。该操作可以有效改善影像质量，对影像中某些特性的视觉增强效果显著。然后，经过低通滤波处理，可以去掉影像中一些高频的噪声点，再恰当地使用锐化高通滤波突出边缘特征，更加方便后续车辆信息的提取工作。

接着，对试验区域的车辆信息采用影像分割技术进行提取，目前所知的图像分割方法有基于区域分割方法、阈值的分割方法、边缘检测方法等，而本文基于envi的车辆提取研究主要采用基于边缘的分割算法，这种算法计算效率高，而且要产生多尺度分割结果仅需一个输入参数。在进行分割操作时，首先要確定分割阈值，由于分割后的图斑多少与尺度的选择紧密相关，为了能尽量分出很少的图斑通常选择高尺度影像分割。分割效果的好坏一定程度决定了分类效果的精确度，通过不断的试验选择一个理想的分割阀值，通过选取合适的阈值可以去除很多零散的噪声点，尽量分割出较好、较完整的边缘特征，其基本原理是通过不同阈值的设定，将影像的像素点拆分若干类。在整个过程中，较难处理的就是图像平滑过程中会隐去一些边缘信息，而锐化过程又会增加很多不必要的噪声，在多次实验中发现依经验手动选取阈值的效果往往比较好。

最后，要提取出感兴趣的车辆信息，使用边缘提取算法效果不错。在基于envi的实验中采用了基于边缘检测分割，较完整的提取出道路中的车辆信息，包括其中较暗的一些车辆，可以达到最佳效果；而如果采用基于亮度的检测算法则会漏掉许多光谱信息不满足的车辆，造成实验效果的不准确、不理想。

3 技术流程

对影像通过rpc矫正、配准和融合后，即可通过特征提取方法对高分遥感影像中较拥堵路段的车辆进行提取。此部分选用2015年2月17日上午11时22分影像中崇文门内大街路段作为试验对象，展开本文的研究。

1）对影像中崇文门内大街区域的车辆信息进行增强操作。为减少错误提取及漏检率，提高车辆提取操作的准确性，我们需要采用影像增强的办法突出影像中一些较暗的车辆信息，并加强车辆与其他地物的差别。根据试验要求，我们采用了直方图均衡化、线性滤波及同态滤波三种增强方法进行试验比较，以选择效果较好的一种作为试验依据。通过试验发现，利用直方图均衡化方法处理影像后，影像的整体亮度增加，原本较暗的车辆信息变得明显，但是由于直方图处理是整体拉伸凸显的灰度，所以在原本较亮的车辆周围的地物也变得比较亮；而同态滤波对影像的增强操作效果也不错，与直方图处理相比，仅仅是车辆的信息更明显，这主要是因为反射量在不同地物的交界处是急剧变化的，但是在车辆周围产生了许多细小的噪声点，这些噪声点对车辆的提取也会有一定程度的阻碍；线性滤波增强较之前两种方法产生的噪声点相对较少，并较好反映了车辆与地物的光谱差别，而车辆信息的显示效果也有明显的增强，故通过比较认为，选用线性增强的方法更为适合。如下图1、图2所示，未经线性增强和经线性增强后的影像中的车辆信息明显度差别较大：

2）对所选影像区域进行图像分割。该实验根据临近像素亮度、颜色、纹理等对影像进行分割，通过基于边缘检测的算法较好完成了图像分割的操作，如图3所示。

3）在完成对影像的分割操作后，接着提取该影像的总车辆特征。在试验中，为提取得到车辆信息，主要利用了与几何形状、面积等相关的特征以及光谱、纹理特征。 在多次试验中，首先使用矩形度和面积等特征找出影像中与车辆面积和形状相近的对象，再利用光谱特征进一步优化提取要素，发现一些前两步没有找出的对象，最终得到试验区域（崇文门内大街）整体的车辆提取shp文件，如图4所示。

在特征规则的选取过程中，要达到较好的效果，一定需要反复多次细致地调节参数，得到信息提取效果图如图5所示。

通过基于规则的特征提取方法得到如上图的提取结果后，接下来便是对车辆信息进行量化分析，以判断该条道路上的交通拥堵级别。该部分试验主要基于arcgis的空间分析功能，载入对崇文门内大街试验影像进行提取操作后所得到的车辆信息shp文件，利用feature to point工具将车辆的面状信息转化为点信息，如图6所示：

4 结论

本论文以高分二号遥感卫星影像作为研究来源，采用边缘检测算法和规则分类办法对道路车辆信息进行提取，并利用该提取信息进行空间分析得到道路交通拥堵状况。从实验结果看，高分辨率遥感影像通过线性增强后排除了噪声影响并强化了车辆与其他地物的灰度差别，后采用边缘检测算法分割影像能更有效地提取车辆信息，结果的正确率和识别率都保持在80%以上。但是，现阶段在高分辨率遥感影像上提取车辆信息依旧面临较多问题，试验中发现，在对一定范围内、特定时刻的车辆信息的提取过程中，在树荫、楼房阴影、立交桥上车量信息在影像上是看不见的，在某些对比度很高的影像上，如果车辆正好处于房屋的阴影区，也是很难被检测到的。所以在这些方面，还需要某些特定的算法对影像对象的特征进一步的试验和总结。

参考文献：

[1] 张素兰.基于卫星遥感影像的交通状态判别研究[D].北京交通大学，2010.

[2] 索明亮.卫星图像中运动车辆探测和速度提取研究[D].北京交通大学，2011.

[3] 郭杜杜.基于高分辨率卫星影像的城市道路阴影区域车辆信息提取研究[D].北京交通大学，2011.