基于eCognition的高分辨率卫星影像的车辆检测实验设计

郭杜杜, 逯国生

(1. 新疆大学 交通工程系, 新疆 乌鲁木齐 830047； 2. 武汉理工大学 交通学院,湖北 武汉 430046；3. 69243部队, 新疆 乌鲁木齐 830000)

基于eCognition的高分辨率卫星影像的车辆检测实验设计

郭杜杜1,2, 逯国生3

(1. 新疆大学 交通工程系, 新疆 乌鲁木齐 830047； 2. 武汉理工大学 交通学院,湖北 武汉 430046；3. 69243部队, 新疆 乌鲁木齐 830000)

设计了利用eCognition进行高分辨率卫星影像的车辆检测实验的步骤,首先对目标影像选取关键参数进行多尺度分割；其次利用最小距离分类器进行分类,实验设计中将目标对象主要分为3类,即道路、汽车及其他类；最后以Worldview-1高分辨率卫星影像进行了车辆检测的实验。实验结果表明,所设计的实验过程能达到车辆检测的目的并且精度较高,实验过程的简单直观,可用于交通信息技术及应用专业本科实验教学课程。

卫星影像； 车辆检测实验； eCognition； 多尺度分割

交通信息技术及应用课程是一门实用性较强、涉及面较广的专业限选课程。该课程的基本方法和理论大量应用于先进的交通管理、交通控制特别是智能交通的各个领域。传统的教学大部分是较为繁琐的理论分析和公式推导,物理概念抽象,因此容易使学生感到乏味和难以接受,尤其是交通信息采集技术部分,各项技术原理、技术关键和技术应用晦涩难懂,特别是基于遥感影像的车辆检测部分更让学生觉得不可思议。因此利用eCognition平台进行遥感影像车辆目标检测,可以使抽象的理论知识具体化,形象化,加深学生对课程内容的理解及掌握,激发学生的学习兴趣和提高课堂教学效果。

近年来卫星遥感技术得到了快速发展,尤其是高分辨率卫星遥感影像(简称高分卫星影像)能够在更大范围内采集整个路网上的车辆检测数据,非常适合交通管理及监控应用[1]。与传统的车辆检测设备相比,基于高分卫星影像的车辆检测方法具有一次投入持久应用、不破坏路面、不影响地面交通、覆盖面积大、获取的交通信息量丰富等诸多优点[2],为交通管理与交通流监测提供了新方法与数据源。随着智能交通的快速发展,对交通信息数据的获取提出了更高的要求,因此在交通信息采集的实验课程体系中,通过开设高分辨率卫星影像的车辆检测实验,在学生学习传统车辆信息采集手段的基础上,了解新型的车辆信息采集手段,利于开拓学生思维,增广学生眼界。

1 eCognition简介

eCognition是由德国Definiens Imaging公司开发的智能化影像分析软件,也是目前所有商用遥感软件中比较成熟、广泛应用的基于目标信息的遥感信息提取软件[3]。它采用的是面向对象的信息提取方法,针对的是对象，而不是传统意义上的像素,充分利用了对象信息，包括色彩、形状、层次、纹理,以及不同类之间信息，包括与邻近对象、父对象、子对象的相关特征[4]。运用eCognition可以成功提取小目标地物如道路,车辆等。

2 车辆检测实验方案设计

通过在开展高分辨率卫星影像的车辆检测实验,使学生初步了解遥感图像交通信息采集的技术背景,认识和甄别提取的基础数据和要求,并掌握图像处理的实验操作步骤,探讨影响车辆检测精度的因素,最终达到能对给定影像进行车辆检测的实验教学目的。

2.1 实验的技术路线

基于eCognition的车辆检测技术流程可归结为：根据车辆信息提取的需求,选择适当的高分辨率卫星遥感数据,结合信息提取的需要进行图像各项处理,实现车辆信息的提取。技术流程见图1。

图1 车辆信息提取的技术流程图

影像并非由单个像素来代表,而是由包含多组信息包括形状特征、纹理特征、光谱特征等在内的影像对象以及他们之间的关系(相邻对象之间的关系,父子对象之间的关系)构成[5]。

2.2 原理分析

2.2.1 多尺度分割

图像分割是基于eCognition提取车辆信息的基础,它将遥感图像分割成为空间连续、相互独立并且保持相似性的区域,简单来讲可以用以下公式表示分割算法的依据[6-8]：

(1)

式中,FP×Q表示一副数字图像,P×Q为图像像素点矩阵(行×列),f(x,y)∈GL={0,1,...,L-1}是图像像素点灰度值集合,图像分割是将FP×Q数据集中同质性的区域划分到一起,形成一个图斑。分割过程按照选定的一致性属性准则P,将遥感图像F正确划分为空间连续、相互独立并且保持相似性区域的过程。

eCognition的多尺度分割是基于区域融合技术的、始于一个像元的区域。它是一种自下而上的分割方式：通过识别像元的相似性,使相邻、相似像元融合形成对象。分割尺度是一个抽象概念,无具体意义。但是宏观上讲：分割尺度越大,影像对象越大[9-10]。多尺度分割原理图见图2。

图2 多尺度分割原理图

2.2.2 最邻近距离分类法

最邻近距离分类法[11-12](minimum distance)是常用监督分类方法之一。对于每一个影像对象,在特征空间中寻找最近的样本对象,如果一个影像对象最近的样本对象属于A类,那么这个对象将被划分为A类。分类步骤如下：

(1) 选用合适的样本数据计算得到每一类别的均值向量及均方差向量；

(2) 统计每一类的均值向量,以均值向量作为该类别在特征空间中的中心位置,计算待分类图像中每个像素点到各类地物中心的距离。

当用距离作为相似度时,距离越小,相似度越大；反之亦然。简单的最近邻分类器是在n维特征空间中,计算待分类像元或图像对象到训练数据中各个类样本像元或图像对象的欧氏距离,并将其划分到最邻近样本所属类中。

设n个像素单元中,第i个像素和第j个像素的特征向量为

(2)

这n个像素共分为p类,设各类的均值特征向量分别为M1,M2,…Mp

(3)

P类的均方差分别为σ1,σ2,…,σp

(4)

第j个对象到第L类的特征空间中心的欧氏距离Di和绝对距离Dl分别为：

显然,若Di

3 车辆检测实验的步骤设计

3.1 实验案例介绍

案例选用Iran Tehran azadi tower (伊朗德黑兰解放碑)WorldView-1(视界1号卫星)高分辨率卫星影像。WorldView-1卫星运行在高度450 km、倾角98°、周期93.4 min的太阳同步轨道上,平均重访周期为1.7 d,星载大容量全色成像系统每天能够拍摄多达50万km2的0.5 m分辨率图像。截取的德黑兰解放碑WorldView-1高分辨率卫星影像截图见图3。

图3 德黑兰解放碑WorldView-1高分辨率卫星影像截图

3.2 实验关键参数设定

首先进行多尺度分割,分析得出一个最佳尺度。多尺度分割算法的参数设置见图4。

图4 多尺度分割算法参数设置

设置参数不同可得到不同的影像对象。经过对影像对象的深入分析,得到的较好的分割结果见图5。度尺参数有：Scale parameter, Shape, Compactness。

图5 不同尺度的分割结果

通过多次试分割,德黑兰解放碑WorldView-1高分辨率卫星影像的最佳分割参数：Scale parameter为35, Shape为0.5, Compactness为0.5。

接着执行分类,定义使用标准最邻近分类器的特征空间,并用最邻近分离器声明样本对象。分类要素的主要设置如图6所示。

3.3 实验结果及精度分析

通过分类筛选后,影像中车辆检测结果以及特征值提取如图7所示。

图6 分类要素的设置

图7 德黑兰解放碑WorldView-1高分辨率卫星影像车辆检测结果及特征值的提取

结果精度评价主要对3个指标进行评价,分别是正确检车率、检测完整性以及检测质量。通过与目视法结果对比分析可知车辆检出精度各指标计算如下：

正确检出率=正确判断/(正确判断+错误判断)=200/(200+9)×100%=95.7%

检测完整性=正确判断/(正确判断+漏判断)=200/(200+0)×100%=100%

检测质量=正确判断/(正确判断+错误判断+漏判断)=200/(200+9+0)×100%=95.7%

因此,德黑兰解放碑WorldView-1高分辨率卫星影像车辆检测结果精度可以达到95%以上。

4 结语

交通信息检测技术是交通工程专业本科教学的重要内容,利用eCognition进行高分辨率卫星影像的车辆检测实验,有利于图像类交通信息处理过程和规律的理解和掌握。对Worldview-1高分辨率卫星影像的具体案例分析表明,利用eCognition进行高分辨率卫星影像的车辆检测实验,其结果能够与目视结果相吻合,具有真实直观性,且精度较高,有利于学生对图像类交通信息采集技术处理过程分析和理解,能达到较好的实验教学效果。

References)

[1] 项皓东.从高分辨率遥感影像中提取道路信息的方法综述及展望[J].测绘与空间地理信息,2013,36(8)：202-206.

[2] 袁金国,遥感图像数字处理[M].北京:中国环境科学出版社,2011.

[3] 刘珠妹,刘亚岚,谭衢霖,等.高分辨率卫星影像车辆检测研究进展[J].遥感技术与应用,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] 关元秀,程晓阳.高分辨率卫星影像处理指南[M].北京:科学出版社,2008.

[6] 萝博.高分辨率遥感图像分割方法研究[D].成都：电子科技大学,2013.

[7] 张冰,林岚岚,腾鹏飞.浅谈遥感图像增强的处理[J].防护林科技,2006(2):68-69.

[8] 王伟超,邹维宝.高分辨率遥感影像信息提取方法综述[J].北京测绘,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.基于面向对象的高分辨率遥感影像车辆提取方法研究[D].北京:北京交通大学,2012.

[12] 孙琪.基于高分辨率卫星影像的交通流参数提取研究[D].北京：北京交通大学,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

新疆维吾尔自治区自然科学基金资助项目(2015211C282)

郭杜杜(1985—),女,湖北黄冈,博士研究生,讲师,主要研究方向为交通信息采集和实验教学管理.

E-mail：guodudu1122@126.com

TP753；U491

A

1002-4956(2017)07- 0042- 04