基于遥感图像处理的交通量检测与分析
发布时间：2021-06-23 10:23
近年来,随着我国交通事业的不断发展,路网规模不断扩张,对交通管理的要求也越来越高,而交通量数据是交通管理的基础。传统的交通量采集方法存在成本高、安装部署及维护复杂、覆盖面积小等缺点。随着遥感图像分辨率的提高,其包含的地物特征更加丰富,而且遥感图像具有成本低、覆盖面积广等优点,为交通量检测提供了新的途径。但是目前的遥感图像处理方法存在一些问题亟待解决。首先,目前道路提取方法效率较低,耗时较长,且与道路具有相似特征的区域不易被区分,导致虚警的发生;其次,传统方法依赖于最佳阈值的选择,对于不同来源的遥感图像,车辆识别算法的准确率低,导致交通指标计算结果误差较大;最后,车速估算方法自动化程度不高,在图像处理过程中需要人工辅助,费时费力。针对上述问题,本文提出了基于遥感图像处理的交通量检测与分析方法。本文旨在从遥感图像中自动化提取交通量数据;通过超像素分割和特征提取方法构建超像素词袋,提取图像特征向量用于训练支持向量机,从而进行道路区域提取;基于深度学习方法结合公开数据集,识别图像中车辆;基于图像匹配进行全色图像与多光谱图像车辆模板匹配,计算位移和车速,进行交通量分析。本文的主要研究内容如下:（...
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
基于遥感图像处理的交通量检测与分析平台应用场景Fig.2-1Applicationsceneoftrafficdetectionandanalysisplatformbasedonremotesensingimageprocessing
基于遥感图像处理的交通量检测与分析-10-进行处理，采用特征提取和深度学习结合的方法，提取出目标区域，并自动化识别车辆目标，提出基于图像匹配的车速估算策略。本文方法有效的解决了上述存在的多个问题，帮助用户高效准确的获取流量、车速、车辆分布等基础道路信息，提升交通管理和服务质量。2.2基于遥感图像处理的交通量检测与分析方法框架基于2.1小节的应用场景，本文提出基于遥感图像处理的交通量检测与分析方法框架。图2-2基于遥感图像处理的交通量检测与分析方法框架Fig.2-2Frameworkoftrafficdetectionandanalysisplatformbasedonremotesensingimageprocessing如图2-2所示，方法分为三层，分别是道路提娶车辆识别、交通量计算与分析。（1）道路提取层道路提取层主要负责遥感图像的输入和道路区域的输出，对遥感图像进行预处理，并提取出感兴趣区域。本文目的是对交通量进行检测和分析，道路提取减少了遥感图像中其他区域的干扰，同时减少了图像大小，降低了图像处理的时间。首先对遥感图像进行预处理，
基于遥感图像处理的交通量检测与分析-16-图3-1LBP值计算方法Fig.3-1CalculationmethodofLBP如图3-1所示，所示的LBP算子定义在3×3的区域内，以中间点为基准，与其周围8个像素点进行比较，若周围像素点比中间点的值大，则标记位1，否则标记位0，最终会得到一个8位二进制数，将二进制转换为十进制即为中心像素点的LBP值，总共会有256种结果，由于是对比相对大小，因此其对亮度变化不敏感。LBP特征图谱通常不直接应用于分类识别，因为LBP特征与位置有关，直接采用LBP特征图谱会由于没有对准导致误差。本文采用LBP特征统计直方图来描述图像纹理特征，首先用超像素分割方法将图像划分为多个子区域，分别计算各子区域的LBP特征值，然后对每个子区域统计LBP特征值出现频率，并做归一化处理，这样每个子区域可以由一个统计直方图表示。除了纹理特征外，本文还考虑颜色特征作为道路提取的特征。颜色特征以直方图形式进行描述，颜色直方图采用HSV颜色空间，统计不同区间的颜色在图像中的出现频率，适合描述不考虑物体空间位置的图像。3.3SVM分类器训练本文提出一种基于超像素分割的改进算法，来提高道路区域提取的精确度和效率。算法分为两步，第一步是确定训练集图片的特征选择，即构造SVM分类器的输入，过程如下。
【参考文献】：
期刊论文
[1]遥感图像道路提取方法综述[J]. 张永宏,何静,阚希,夏广浩,朱灵龙,葛涛涛. 计算机工程与应用. 2018(13)
[2]基于手机信令的道路交通流量状态识别及预测[J]. 胡斌杰,詹益旺. 移动通信. 2015(10)
[3]一种高分辨率可见光遥感影像中车辆目标检测方法[J]. 谷正气,李健,张勇,夏威,罗伦. 测绘通报. 2015(01)
[4]基于视频检测技术的交通车流量研究[J]. 张虹波,匡银虎. 计算机与现代化. 2014(12)
[5]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]. 项皓东. 测绘与空间地理信息. 2013(08)
[6]纹理与几何特征在道路提取中的应用[J]. 马欢,楚恒,王汝言. 计算机与现代化. 2012(07)
[7]高分辨率卫星影像车辆检测研究进展[J]. 刘珠妹,刘亚岚,谭衢霖,任玉环. 遥感技术与应用. 2012(01)
硕士论文
[1]基于高分辨率遥感图像的车辆分类识别研究[D]. 杨强.北京交通大学 2017
[2]基于光学卫星影像的车辆识别和速度估算研究[D]. 刘超超.北京交通大学 2015
[3]基于SVM和均值平移的红外车辆目标跟踪算法研究[D]. 周燕.浙江师范大学 2012
本文编号：3244764
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
基于遥感图像处理的交通量检测与分析平台应用场景Fig.2-1Applicationsceneoftrafficdetectionandanalysisplatformbasedonremotesensingimageprocessing
基于遥感图像处理的交通量检测与分析-10-进行处理，采用特征提取和深度学习结合的方法，提取出目标区域，并自动化识别车辆目标，提出基于图像匹配的车速估算策略。本文方法有效的解决了上述存在的多个问题，帮助用户高效准确的获取流量、车速、车辆分布等基础道路信息，提升交通管理和服务质量。2.2基于遥感图像处理的交通量检测与分析方法框架基于2.1小节的应用场景，本文提出基于遥感图像处理的交通量检测与分析方法框架。图2-2基于遥感图像处理的交通量检测与分析方法框架Fig.2-2Frameworkoftrafficdetectionandanalysisplatformbasedonremotesensingimageprocessing如图2-2所示，方法分为三层，分别是道路提娶车辆识别、交通量计算与分析。（1）道路提取层道路提取层主要负责遥感图像的输入和道路区域的输出，对遥感图像进行预处理，并提取出感兴趣区域。本文目的是对交通量进行检测和分析，道路提取减少了遥感图像中其他区域的干扰，同时减少了图像大小，降低了图像处理的时间。首先对遥感图像进行预处理，
基于遥感图像处理的交通量检测与分析-16-图3-1LBP值计算方法Fig.3-1CalculationmethodofLBP如图3-1所示，所示的LBP算子定义在3×3的区域内，以中间点为基准，与其周围8个像素点进行比较，若周围像素点比中间点的值大，则标记位1，否则标记位0，最终会得到一个8位二进制数，将二进制转换为十进制即为中心像素点的LBP值，总共会有256种结果，由于是对比相对大小，因此其对亮度变化不敏感。LBP特征图谱通常不直接应用于分类识别，因为LBP特征与位置有关，直接采用LBP特征图谱会由于没有对准导致误差。本文采用LBP特征统计直方图来描述图像纹理特征，首先用超像素分割方法将图像划分为多个子区域，分别计算各子区域的LBP特征值，然后对每个子区域统计LBP特征值出现频率，并做归一化处理，这样每个子区域可以由一个统计直方图表示。除了纹理特征外，本文还考虑颜色特征作为道路提取的特征。颜色特征以直方图形式进行描述，颜色直方图采用HSV颜色空间，统计不同区间的颜色在图像中的出现频率，适合描述不考虑物体空间位置的图像。3.3SVM分类器训练本文提出一种基于超像素分割的改进算法，来提高道路区域提取的精确度和效率。算法分为两步，第一步是确定训练集图片的特征选择，即构造SVM分类器的输入，过程如下。
【参考文献】：
期刊论文
[1]遥感图像道路提取方法综述[J]. 张永宏,何静,阚希,夏广浩,朱灵龙,葛涛涛. 计算机工程与应用. 2018(13)
[2]基于手机信令的道路交通流量状态识别及预测[J]. 胡斌杰,詹益旺. 移动通信. 2015(10)
[3]一种高分辨率可见光遥感影像中车辆目标检测方法[J]. 谷正气,李健,张勇,夏威,罗伦. 测绘通报. 2015(01)
[4]基于视频检测技术的交通车流量研究[J]. 张虹波,匡银虎. 计算机与现代化. 2014(12)
[5]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]. 项皓东. 测绘与空间地理信息. 2013(08)
[6]纹理与几何特征在道路提取中的应用[J]. 马欢,楚恒,王汝言. 计算机与现代化. 2012(07)
[7]高分辨率卫星影像车辆检测研究进展[J]. 刘珠妹,刘亚岚,谭衢霖,任玉环. 遥感技术与应用. 2012(01)
硕士论文
[1]基于高分辨率遥感图像的车辆分类识别研究[D]. 杨强.北京交通大学 2017
[2]基于光学卫星影像的车辆识别和速度估算研究[D]. 刘超超.北京交通大学 2015
[3]基于SVM和均值平移的红外车辆目标跟踪算法研究[D]. 周燕.浙江师范大学 2012
本文编号：3244764
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3244764.html
