基于航空遙感的交通信息監(jiān)測(cè)關(guān)鍵技術(shù)研究.pdf

1、近年來(lái)國(guó)內(nèi)交通擁擠、交通事故頻繁等交通問(wèn)題日益突出，交通問(wèn)題已經(jīng)成為制約城市經(jīng)濟(jì)和社會(huì)發(fā)展的主要問(wèn)題之一，解決交通問(wèn)題已迫在眉睫。構(gòu)建智能交通系統(tǒng)(ITS)，運(yùn)用高新技術(shù)來(lái)改造和管理現(xiàn)有交通系統(tǒng)，建立高效、便捷的路網(wǎng)管理體系來(lái)滿(mǎn)足日益增長(zhǎng)的交通需求是解決交通問(wèn)題的公認(rèn)出路之一。交通信息采集作為ITS的基礎(chǔ)設(shè)施，是ITS實(shí)施的關(guān)鍵所在，考慮到當(dāng)前地面?zhèn)鞲衅鞅O(jiān)測(cè)成本高、交通信息監(jiān)測(cè)范圍有限等不足，迫切需要大范圍交通信息監(jiān)測(cè)技術(shù)手段，而遙感(

2、RS)對(duì)地觀測(cè)技術(shù)以其全天候、大范圍、無(wú)接觸等特點(diǎn)為交通信息監(jiān)測(cè)帶來(lái)了新思路、新手段，為大范圍交通信息監(jiān)測(cè)提供了可能性，特別是航空遙感，與航天遙感相比具有高機(jī)動(dòng)性、高分辨率等優(yōu)點(diǎn)，目前廣泛應(yīng)用于交通信息監(jiān)測(cè)研究。
　　為此本文針對(duì)航空遙感交通信息監(jiān)測(cè)應(yīng)用中的若干關(guān)鍵技術(shù)進(jìn)行了研究，首先研究了航空影像場(chǎng)景分類(lèi)問(wèn)題，場(chǎng)景分類(lèi)提供的語(yǔ)義約束是提高交通信息監(jiān)測(cè)效率的關(guān)鍵;其次為了保證航空影像車(chē)輛檢測(cè)結(jié)果的空間基準(zhǔn)一致以及交通信息監(jiān)測(cè)的準(zhǔn)確

3、性，研究了面向運(yùn)動(dòng)目標(biāo)監(jiān)測(cè)的航空影像配準(zhǔn)方法;然后采用梯度方向直方圖特征(HoG)+支持向量機(jī)方法(SVM)及深度學(xué)習(xí)方法，分別研究了航空影像車(chē)輛識(shí)別與定向技術(shù);最后引入多尺度影像分析技術(shù)，研究了航空影像車(chē)輛快速檢測(cè)方法，并基于帶權(quán)二分圖匹配方法研究了基于離散檢測(cè)的車(chē)輛連續(xù)追蹤技術(shù)。本論文的主要研究工作和創(chuàng)新性成果有以下幾方面:
　　1、針對(duì)手工設(shè)計(jì)特征的不足，研究了一種特征自學(xué)習(xí)的航空影像分類(lèi)方法，與手工設(shè)計(jì)特征不同，所提方法通

4、過(guò)無(wú)監(jiān)督自學(xué)習(xí)得到局部特征提取方法，不需要先驗(yàn)知識(shí)指導(dǎo);并基于圖像卷積特征提取實(shí)現(xiàn)了航空影像分類(lèi)，與基于手工設(shè)計(jì)特征的面向?qū)ο蠓椒ㄟM(jìn)行了比較，研究發(fā)現(xiàn)特征自學(xué)習(xí)方法訓(xùn)練過(guò)程簡(jiǎn)單，且復(fù)雜場(chǎng)景分類(lèi)結(jié)果的Kappa系數(shù)提高了6％，分類(lèi)精度優(yōu)于手工設(shè)計(jì)特征方法。
　　2、針對(duì)面向運(yùn)動(dòng)目標(biāo)監(jiān)測(cè)的航空影像配準(zhǔn)過(guò)程中像點(diǎn)投影差的影響，設(shè)計(jì)了一種基于貝葉斯決策理論的像點(diǎn)投影差消除方法。首先設(shè)置樣本區(qū)訓(xùn)練貝葉斯決策分類(lèi)器，用于消除地形起伏對(duì)特征點(diǎn)匹

5、配的影響，然后基于最小二乘方法估計(jì)影像變換矩陣;最后對(duì)比分析了像點(diǎn)投影差消除前后影像配準(zhǔn)差分視覺(jué)效果和信息熵的變化。研究發(fā)現(xiàn)同一視平面上像點(diǎn)投影差呈正態(tài)隨機(jī)分布，且所提方法可以有效剔除非基準(zhǔn)面匹配，投影差消除后影像配準(zhǔn)差分結(jié)果信息熵減小約10％，影像配準(zhǔn)效果改善。
　　3、改進(jìn)了一種基于道路約束的自適應(yīng)車(chē)輛檢測(cè)方法，通過(guò)將車(chē)輛檢測(cè)過(guò)程描述為多維空間（影像平面、尺度、角度）最佳響應(yīng)搜尋問(wèn)題，采用少量樣本構(gòu)建HoG+SVM車(chē)輛分類(lèi)器，

6、通過(guò)道路約束優(yōu)化多維待檢測(cè)空間，最后在多維空間中搜尋最佳響應(yīng)得到車(chē)輛識(shí)別與定向結(jié)果。研究發(fā)現(xiàn)基于機(jī)器學(xué)習(xí)的車(chē)輛檢測(cè)過(guò)程中好的檢測(cè)器與好的分類(lèi)器一樣重要;并且所提方法能夠檢測(cè)出航空影像中任意方向車(chē)輛，與非約束方法相比檢測(cè)效率更高。
　　4、研究了一種基于深度學(xué)習(xí)的車(chē)輛檢測(cè)方法，首先基于深度卷積網(wǎng)絡(luò)構(gòu)建車(chē)輛識(shí)別模型，以原始光譜值作為輸入，采用樣本訓(xùn)練方法學(xué)習(xí)網(wǎng)絡(luò)模型參數(shù)，得到車(chē)輛識(shí)別模型;其次將車(chē)輛定向描述為回歸問(wèn)題，引入遷移學(xué)習(xí)機(jī)制

7、，將車(chē)輛識(shí)別模型訓(xùn)練過(guò)程中得到的特征提取方法遷移到車(chē)輛定向模型中采用樣本訓(xùn)練得到車(chē)輛定向模型。研究發(fā)現(xiàn)所提方法車(chē)輛識(shí)別結(jié)果的ROC曲線(xiàn)下面積(AUC)達(dá)到0.99;車(chē)輛定向精度優(yōu)于基于HoG+SVM的多維空間檢測(cè)方法，且一次檢測(cè)即可定向，定向效率高。
　　5、改進(jìn)了一種基于多尺度影像分析的航空影像車(chē)輛快速檢測(cè)方法，采用多尺度圖像分割技術(shù)將航空影像劃分為若干有意義的圖斑，采用逐級(jí)細(xì)化的思想實(shí)現(xiàn)車(chē)輛的快速檢測(cè);然后將車(chē)輛追蹤描述為二分