权利要求

利用遥感影像探测和计数城市道路车辆的方法技术领域本发明涉及一种利用遥感影像探测和计数城市道路车辆方法，属于 交通数据采集、交通流监测和遥感技术交通应用领域。背景技术众所周知城市道路车辆探测与计数对于城巿交通流监测、城市道路 交通规划与管理以及城市交通车辆噪声和尾气污染的监测极其重要。当 前，城市交通部门广泛应用的车辆探测与计数方法是采用地面定点固定 安装的感应线圈（地埋式、反射式）、各种摄像头和录像机等道路车辆视频检测系统，例如，中国专利申请03126152.3公开了一种由探测单元、 信号处理/传输单元和电源构成的车辆探测装置，探测单元由地磁映像探 测器、声/振动/压力、超声波、温度或微波探测装置组成，信号处理/传 输单元至少包括放大器，还可设置微处理器、输入/输出接口、无线电信 号和光纤信号传输装置微处理器，还可接驳子探测单元。此外，地埋式 车辆探测装置还包括中国专利申请200420010916.7所公开的地埋式多功 能车辆探测器以及中国专利申请200410010280.0所公开的地埋式集成车 辆探测器，在以上述现有技术为代表的所有这些传统的或已发展的地面 定点安装的车辆探测或交通流传感器都存在视域范围小、监测点分散和 无法提供大范围城市道路交通场景车辆交通参数的缺陷。发明内容鉴于上述技术问题，本发明的目的在于提供一种能够克服上述现有 技术缺陷的利用遥感影像探测和计数城市道路车辆的方法。根据本发明所述的利用遥感影像探测和计数城市道路车辆的方法， 包括以下步骤：步骤一，基于道路中心线生成城区道路掩膜，限制车辆探测在道路 区域进行； '歩骤二 ，对在所述歩骤一 中生成的所述城区道路掩膜的影像进行二 次不同尺度的影像分割获得道路车道条带目标层和车辆探测对象基本 层，其中，为获得所述道路车道条带目标层所使用的分割尺寸大于为获得所述车辆探测对象基本层所使用的分割尺寸；步骤三，在所述车辆探测对象基本层构建面向对象的模糊分类器对 所述车辆探测对象基本层的对象进行车辆对象和非车辆对象分类；以及步骤四，在被分类的所述车辆探测对象基本层上，融合相邻的同类 对象生成车辆探测融合对象层，在所述车辆探测融合对象层上分类车辆， 最终获得完成车辆探测的影像。在上述的利用遥感影像探测和计数城市道路车辆的方法中，所述遥 感影像的分辨率是小于等于0.6m的地面分辨率，尤其优选0.10-0.5m的 地面分辨率。在上述的利用遥感影像探测和计数城市道路车辆的方法中，所述的 步骤一包括以下过程：所述道路中心线采用地理信息系统技术的道路中 心线矢量层数据，以等于或略大于中心线到道路区域边线的长度为缓冲 区操作的距离值，生成道路缓冲区；以及利用生成的所述道路缓冲区与 城区道路遥感影像进行掩膜操作，得到只包含城区道路区域的遥感掩膜 影像。在上述的利用遥感影像探测和计数城市道路车辆的方法中，在所述 的步骤二中，用面向对象的可变尺度参数分割算法进行所述二次不同尺 度的影像分割，其中，所述面向对象的可变尺度参数分割算法包括易康 遥感影像分析软件中采用的多分辨率分割算法和均值漂移分割算法。在上述的利用遥感影像探测和计数城市道路车辆的方法中，所述的 歩骤三中，所利用的分类特征包括所述车辆探测对象基本层的对象与所 述道路车道条带目标层的对象的关系特征，利用所述关系特征，同时还 结合所述车辆探测对象基本层的对象的几何特征进行分类。其中，所述 关系特征包括在所述步骤二中生成的二次分割同一位置对象的波段亮度 数字平均值之差的绝对值，同时结合所述车辆探测对象基本层的对象的 集合特征进行分类。在上述的利用遥感影像探测和计数城市道路车辆的方法中，在所述 的步骤四中，在所述车辆探测融合对象层上按照所述车辆探测融合对象 层对象的辐射和几何特征分类车辆。根据本发明的利用遥感影像探测和计数城市道路车辆的方法克服了 传统的地面定点安装的交通流传感器存在的视域范围小、监测点分散和 无法提供大范围城市道路交通场景车辆交通参数的缺陷，具有空间大面 积连续覆盖城区地面道路交通场景的独特优势，是一种全新的交通数据 采集方式。本发明的有益效果是：1) 大面积连续覆盖城区地面道路交通场景；2) 可直接获得道路车辆数量、类型、分布和路段/路线/路网交通车 辆密度等交通参数，还可间接推求其它交通统计参数；3) 自动化程度高，节省人力，效率高。附图说明当结合附图考虑时，通过参照下面的详细描述，能够更完整更好地 理解本发明以及容易得知其中许多伴随的优点，但此处所说明的附图用 来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性 实施例及其说明用于解释本发明，并不构成对本发明的不当限定，其中：图1是本发明第一实施例的利用遥感映像探测和计数城市道路车辆 的方法的流程图；图2(a)为某局部城区高分辨率机载遥感影像交通道路场景，该影像 地面分辨率20cm;图2 (b)为经道路掩膜处理提取后仅包含道路区域的影 像；图3(a)为图2(b)中的道路掩膜处理后的某一路段影像；图3 (b)为分 割提取的道路车道条带层影像；图3 (c)为分割提取的道路车辆探测基本 层影像；图4(a)为模糊分类后的道路车辆探测基本层影像，其中红色所示为 探测的道路车辆；图4 (b)为道路车辆探测融合层影像；图4 (c)为分类后 的道路车辆探测融合层影像，其中红色为大型车辆，绿色为中等车辆， 蓝色为小型车辆；图5为最终的道路车辆探测与计数结果影像，其中红框所标示为小 型车辆，黄框所标示为中型车辆，蓝框所标示为大型车辆；以及图6为三个示例路段的道路车辆探测与计数结果影像。 具体实施方式下面结合附图和具体实施例对本发明作进一步详细描述。图1是本发明第一实施例的利用遥感映像探测和计数城市道路车辆 的方法的流程图。如图1所示，包括以下步骤：基于道路中心线生成城区道路掩膜影像，以限制车辆探测在道路区 域进行（SllO)。对在步骤S110中生成的道路掩膜影像进行二次不同尺度的影像分割获得两个分割图像对象层， 一次以较大尺度对影像进行分割提取道路 车道条带目标层，第二次以较小的合适尺度分割获得车辆探测对象基本层（S120)。在车辆探测对象基本层构建面向对象的模糊分类器对该层对象进行 车辆对象和非车辆对象分类（S130)。在被分类的车辆探测对象基本层上，融合相邻的同类对象生成车辆 探测融合对象层，在该层上分类车辆，最终获得完成车辆探测的影像 (S140)。在本发明中，所利用的遥感影像的地面分辨率以优于m级为原则， 建议选用小于等于0.6m地面分辨率影像，优选采用0.10-0.5m地面分辨 率影像。如图2(a)为某局部城区高分辨率机载遥感影像交通道路场景， 该影像地面分辨率20cm，为红、绿、蓝三波段合成彩色数字正射影像。 按照本发明的方法在所选择的城区高分辨率遥感影像上探测和计数道路 车辆。其中，步骤S110可以包括以下过程：采用已有的地理信息系统技术 (GIS)道路中心线矢量层数据，采用等于或略大于中心线到道路区域边 线的长度为缓冲区操作的距离值，生成道路缓冲区，当然道路中心线也 可以手动勾绘生成，但为了减少人工操作时间，提高效率，建议采用已 有的GIS道路中心线矢量层数据；然后利用生成的道路缓冲区与城区道 路高分辨率遥感影像进行掩膜操作，得到只包含城区道路区域的高分辨率遥感掩膜影像。图2 (b)为经道路掩膜处理提取后仅包含道路区域的影 像。在步骤S120中，采用的可变尺度参数的分割算法优选两种可变尺度 分割算法： 一种为易康遥感影像分析软件（eCognition)中采用的多分辨 率分割算法；另一种为均值漂移(Mean Shift)分割算法。当然本发明并不 限于上述两种可变尺度分割算法，本领域的普通技术人员也可选择分割 性能更好的可变尺度分割算法。在上述步骤中，当进行二次不同尺度下的影像分割时，其提取的目 标区域是不同的， 一次以提取道路车道条带为目的， 一次以提取路面车 辆为目的。因此，二次分割采用的尺度参数是不同的。图3(a)为图2(b)中的道路掩膜处理后的某一路段影像；图3 (b)为采 用均值漂移分割算法提取的道路车道条带层影像；图3(c)为采用均值漂 移分割算法提取的道路车辆探测基本层影像。在步骤S130中，在车辆探测对象基本层构建面向对象的模糊分类器 对该层对象进行车辆对象和非车辆对象分类。此步骤S130中构建模糊分 类器时，本发明选择了在步骤S120中生成的二次分割同一位置区域（对 象）的波段亮度数字平均值之差的绝对值为关键特征，差值绝对值越大， 归属为车辆对象类的成员函数值越高，反之越低。同时，结合该层对象 的长度、宽度、主方向等几何特征进行分类。图4(a)为模糊分类后的道 路车辆探测基本层影像，其中红色所示为探测的道路车辆。完成此处理 歩骤后，尽管道路车辆已经探测出来了，但尚不能由计算机自动完成计 数。因为，分类影像显示的每一探测出的车辆并不一定正好对应为一影 像对象区域。由于同一车辆的不同车体部分在影像上对比度不同，进行分割时难 以做到把属于同一车辆的车体部分全部合并为同一分割区域。尤其是大 型车辆，多数分割为分离的两个区域（一个为车头对应的小对象区域，另一为车头后部的较大对象区域）。为了能够进行车辆自动计数及探测不 同类型的车辆，需要继续进行处理。在步骤S140中，在车辆探测融合对象层上按对象的辐射和几何特征 分类车辆，最终获得完成车辆探测的影像。图4(b)为道路车辆探测融合层影像。相邻的同类对象融合后，除大 型车辆外，其余探测车辆在影像上皆一一对应为相应的分割目标区域。 在该层上按对象的辐射和几何特征分类车辆后，可获得大型、中型、小 型车辆分类图。但此时仍然无法由计算机完成自动计数，因为存在大型 车辆被分类为车头为小型车辆，车后部为大型车辆的情况。此时，利用 沿车道行进方向上最邻近大型车辆的直线方向上的小车辆为大型车辆车 头的知识，结合据此知识生成的关系特征，可把此类小车辆标识分类为 大型车辆车头，从而在车辆计数时不予计数在内。图4(c)为最终分类后的道路车辆探测融合层影像，其中红色为大型车辆，绿色为中等车辆， 蓝色为小型车辆；图5为最终的道路车辆探测与计数结果影像，其中红 框所标示为小型车辆（45辆），黄框所标示为中型车辆(5辆)，蓝框所标 示为大型车辆(4辆)。各种类型车辆数量由计算机分类的对象数量直接可 得。图6为三个示例路段的道路车辆探测与计数结果影像。完成上述车辆探测与计数后，可以根据道路段/路网的长度、面积等 数据直接获得道路车辆数量、类型、分布和路段/路线/路网交通车辆密度 等交通参数，还可间接推求其它交通统计参数。根据本发明，能够从高分辨率（S0.6m)航空机载或卫星遥感影像上 探测城市道路交通车辆小目标，从利用高分辨率遥感影像的车辆探测结 果可直接获得道路车辆数量、类型、分布和路段/路线/路网交通车辆密度 等交通参数，还可间接推求其它交通统计参数，如，年平均日交通量和 年车辆行驶距离等，从而可为交通监测、规划和管理提供更大范围的城 市交通场景信息和交通参数。该方法具有空间上大面积连续覆盖的独特 优势，这是当前任何其它的交通监测方式所不具备的。随着遥感影像地面分辨率的进一步提高及数据获取条件和数据成本的改善，以后有望作 为当前普遍应用的地面定点安装的小视域范围地面和低空交通监测方式 的一种极为有益的补充和新的交通数据采集方式。因此，具有较大的推 广应用和潜在商业价值。本发明的利用遥感影像探测和计数城市道路车辆的方法不仅是传统 的地面交通流监测的一种极为有益的补充，而且对于从空间全局角度进 行城市交通研究，为我国大城市有效组织交通运输，揭示城市交通规律 有重要的意义。此外，对于区域路网规划和管理、交通模型、交通出行 计划、智能交通系统和交通环境污染及控制等研究，也具有重要的应用 意义。应当指出，以上所述具体实施方式可以使本领域的技术人员更全面 地理解本发明，但不以任何方式限制本发明。因此，尽管本说明书参照 附图和实施方式对本发明己进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明进行修改或者等同替换；而一切不脱离本发明的精神和技术实质的技术方案及其改进，其均应涵盖在本发明专利 的保护范围当中。