基于高分辨率遙感影像的交通流參數(shù)提取

婁文,郭杜杜

摘 要：利用面向?qū)ο蠓椒ǎ芯苛巳绾翁崛≤囕v信息，并進一步提取交通流參數(shù)。首先，對圖像進行增強處理，其次選取合適的分割、合并閾值進行圖像分割，然后根據(jù)車輛的特征信息制定規(guī)則，依次提取車輛信息，最終獲取交通流參數(shù)。試驗證明利用面向?qū)ο蠓椒梢詫崿F(xiàn)對遙感圖像中的車輛信息的提取，并且能夠獲取交通密度、道路空間占有率、車速及交通量參數(shù)，是對高分辨率遙感影像提取交通信息的有益探索。

關(guān)鍵詞：高分辨率遙感;面向?qū)ο?車輛檢測;交通流參數(shù)

0 引言

隨著高分辨率影像的使用范圍越來越廣，高光譜影像使得定量分析地物成分成為可能，高分辨率影像則使得提取地物信息、制作大比例尺地圖成為可能[1]。遙感圖像質(zhì)量不斷提高、成像覆蓋面積擴大，可以大范圍地檢測路網(wǎng)信息和車輛信息，以解決出現(xiàn)的交通問題，評價道路規(guī)劃及安全情況等。

1 車輛信息提取

在進行車輛提取前，依然通過2%線性增強方法，提高車輛與道路的對比度，為車輛提取做準備。利用軟件完成車輛提取，首先，在選擇數(shù)據(jù)時，除了載入圖像數(shù)據(jù)，還需在掩膜文件選項中，選擇之前提取到的道路矢量數(shù)據(jù)，限制車輛提取的區(qū)域范圍，以便減少工作量和提高提取的精度。

1.1 圖像分割與合并

通過實時預(yù)覽觀察圖像分割與合并效果，選擇分割閾值為78，選擇合并閾值為45。

1.2 車輛特征提取

對車輛提取時，分別描述明車與暗車的特征，特征描述如下：

（1）對明車進行提取，主要利用光譜均值信息，設(shè)置光譜均值范圍為大于1 285，經(jīng)預(yù)覽可知，能夠提取出明色車輛。

（2）對暗車進行提取，主要利用光譜均值信息及面積。設(shè)置光譜均值范圍為小于1 000，同時限制面積范圍為5.6～35.0。

1.3 車輛特征提取

分別利用兩條規(guī)則對車輛進行提取，最終結(jié)果如圖1所示。

1.4 精度評價

經(jīng)目視判讀可得，該路段上車輛數(shù)為20，其中明色車輛數(shù)為12，暗色車輛數(shù)為8。將面向?qū)ο筌囕v提取結(jié)果與目視結(jié)果相對比，繪制了面向?qū)ο筌囕v提取結(jié)果精度評價表，如表1所示。由此可知，該試驗利用面向?qū)ο蟮能囕v提取方法，總體的正確率與檢測率較高，提取效果好。

2 交通流參數(shù)獲取

2.1 交通密度

本試驗中的道路共有兩條路段，即由南向北路段和由北向南路段。由道路信息及車輛數(shù)可計算得到試驗區(qū)的交通密度，如表2所示。

2.2 道路空間占有率

根據(jù)車輛檢測試驗結(jié)果，從中可以得到車輛的長度信息，相應(yīng)可以獲取道路空間占有率，如表3所示。由表可知，該試驗區(qū)道路空間占有率較小，說明道路上車輛較為稀疏。

2.3 車輛提取

在試驗區(qū)域內(nèi)，車輛總數(shù)為20，車輛總長度為103.84 m，經(jīng)計算可得平均車輛長度為5.192 m。在該道路阻塞路段，觀察到阻塞車輛間的距離，如表4所示，可知該道路上阻塞時的同車道車輛間的平均距離為1.373 m。由阻塞密度與平均車頭間距的關(guān)系式，計算得到道路的阻塞密度為152.3輛/km。

經(jīng)查閱資料，該道路暢行速度約為60 km/h。由格林希爾茲提出的速度-密度線性關(guān)系模型以及交通流三要素的基本關(guān)系，最后估算獲得的交通流參數(shù)如表5所示。

3 結(jié)束語

隨著高分辨率遙感圖像質(zhì)量的提高，利用遙感圖像提取道路和車輛信息，獲取交通流參數(shù)及其他交通信息，進而應(yīng)用于城市交通的合理規(guī)劃和評價變得越來越有可能。本文利用面向?qū)ο蟮膱D像信息提取方法，利用wordview-2衛(wèi)星數(shù)據(jù)進行試驗，從圖像中獲取了道路及車輛信息，然后通過計算獲取了交通密度、道路空間占有率且估算了車速及交通量參數(shù)，實現(xiàn)了利用高分辨率遙感影像對交通流參數(shù)提取。

參考文獻：

[1]韋玉春，湯國安，楊昕.遙感數(shù)字影像處理教程[M].北京：科學出版社，2013：8.

[2]鄧書斌，陳秋錦，杜會建，等.ENVI遙感圖像處理方法 第2版[M].北京：高等教育出版社，2014.10.