基于航空遙感的交通信息監(jiān)測關鍵技術研究.pdf

1、近年來國內交通擁擠、交通事故頻繁等交通問題日益突出，交通問題已經成為制約城市經濟和社會發(fā)展的主要問題之一，解決交通問題已迫在眉睫。構建智能交通系統(tǒng)(ITS)，運用高新技術來改造和管理現(xiàn)有交通系統(tǒng)，建立高效、便捷的路網管理體系來滿足日益增長的交通需求是解決交通問題的公認出路之一。交通信息采集作為ITS的基礎設施，是ITS實施的關鍵所在，考慮到當前地面?zhèn)鞲衅鞅O(jiān)測成本高、交通信息監(jiān)測范圍有限等不足，迫切需要大范圍交通信息監(jiān)測技術手段，而遙感(

2、RS)對地觀測技術以其全天候、大范圍、無接觸等特點為交通信息監(jiān)測帶來了新思路、新手段，為大范圍交通信息監(jiān)測提供了可能性，特別是航空遙感，與航天遙感相比具有高機動性、高分辨率等優(yōu)點，目前廣泛應用于交通信息監(jiān)測研究。
　　為此本文針對航空遙感交通信息監(jiān)測應用中的若干關鍵技術進行了研究，首先研究了航空影像場景分類問題，場景分類提供的語義約束是提高交通信息監(jiān)測效率的關鍵;其次為了保證航空影像車輛檢測結果的空間基準一致以及交通信息監(jiān)測的準確

3、性，研究了面向運動目標監(jiān)測的航空影像配準方法;然后采用梯度方向直方圖特征(HoG)+支持向量機方法(SVM)及深度學習方法，分別研究了航空影像車輛識別與定向技術;最后引入多尺度影像分析技術，研究了航空影像車輛快速檢測方法，并基于帶權二分圖匹配方法研究了基于離散檢測的車輛連續(xù)追蹤技術。本論文的主要研究工作和創(chuàng)新性成果有以下幾方面:
　　1、針對手工設計特征的不足，研究了一種特征自學習的航空影像分類方法，與手工設計特征不同，所提方法通

4、過無監(jiān)督自學習得到局部特征提取方法，不需要先驗知識指導;并基于圖像卷積特征提取實現(xiàn)了航空影像分類，與基于手工設計特征的面向對象方法進行了比較，研究發(fā)現(xiàn)特征自學習方法訓練過程簡單，且復雜場景分類結果的Kappa系數(shù)提高了6％，分類精度優(yōu)于手工設計特征方法。
　　2、針對面向運動目標監(jiān)測的航空影像配準過程中像點投影差的影響，設計了一種基于貝葉斯決策理論的像點投影差消除方法。首先設置樣本區(qū)訓練貝葉斯決策分類器，用于消除地形起伏對特征點匹

5、配的影響，然后基于最小二乘方法估計影像變換矩陣;最后對比分析了像點投影差消除前后影像配準差分視覺效果和信息熵的變化。研究發(fā)現(xiàn)同一視平面上像點投影差呈正態(tài)隨機分布，且所提方法可以有效剔除非基準面匹配，投影差消除后影像配準差分結果信息熵減小約10％，影像配準效果改善。
　　3、改進了一種基于道路約束的自適應車輛檢測方法，通過將車輛檢測過程描述為多維空間（影像平面、尺度、角度）最佳響應搜尋問題，采用少量樣本構建HoG+SVM車輛分類器，

6、通過道路約束優(yōu)化多維待檢測空間，最后在多維空間中搜尋最佳響應得到車輛識別與定向結果。研究發(fā)現(xiàn)基于機器學習的車輛檢測過程中好的檢測器與好的分類器一樣重要;并且所提方法能夠檢測出航空影像中任意方向車輛，與非約束方法相比檢測效率更高。
　　4、研究了一種基于深度學習的車輛檢測方法，首先基于深度卷積網絡構建車輛識別模型，以原始光譜值作為輸入，采用樣本訓練方法學習網絡模型參數(shù)，得到車輛識別模型;其次將車輛定向描述為回歸問題，引入遷移學習機制

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