基于模糊神经网络的遥感图像道路通行情况分析方法技术

基于模糊神经网络的遥感图像道路通行情况分析方法，本发明专利技术涉及遥感图像道路通行情况分析方法。本发明专利技术是为了解决现有的方法中人工干预过多造成的准确性下降及无法进行大范围区域内道路通行情况分析的问题。本发明专利技术步骤为：一：确定输入参数并对输入参数进行归一化处理；二：确定道路通行情况；三：确定输入参数与道路通行情况间的规则；四：构建用于道路通行情况分析的模糊神经网络系统；五、收集训练样本和测试样本，对所有训练样本进行聚类，对神经网络系统进行训练；六：获得所需要的道路属性信息；七：将道路属性信息输入网络进行通行情况分析，与图像中实际的通行情况比较，验证网络的可靠性。本发明专利技术应用于高分辨率遥感图像分析领域。

【技术实现步骤摘要】

本专利技术涉及遥感图像道路通行情况分析方法。
技术介绍
遥感技术作为获取地表信息的一个重要手段，因其可以实现大面积区域信息快速获取，并具有较大程度排除人为干扰，节省人力等优点，在很多领域得到了应用，如土地覆盖变化、灾害、环境、资源等监测。近年来，遥感技术快速发展，遥感图像的分辨率一直在提高。道路是遥感图像中一种重要的地理信息，它能够作为提取其他地面目标的线索和参考。所以，准确提取道路信息对遥感图像的进一步应用有着重要的意义。在实际的道路上，影响通行情况的因素众多，例如车道宽度、车道数目、车辆速度等，如果仅靠人工来采集这些数据，并进行理论的计算来判断某一路段或者路网的通行情况，过程非常的复杂且费时。假如能够从遥感图像上获取我们感兴趣的参数，并且建立合理的模型对道路的通行情况进行分析和预测，就能够省去很多人力物力，同时遥感图像获取的区域较大，为道路网通行情况的分析提供了极大的便利。近年来，我们一直在研究利用遥感手段获取交通信息的方法。利用道路两旁架设的传感器收集信息是现在最普遍使用的方法，这种方法比较简单直观，获取的道路信息也比较清楚。但是这种获取信息的方式存在一定的缺点，当道路旁架设的传感器损坏，或者某些道路两旁并没有传感器的时候，我们就无法获取该路段的道路信息。为了克服现有方法的不足，人们提出了使用航空和卫星遥感图像来获取道路信息。这种方式可以避免传感器损坏造成的道路信息不完整问题，而且可以获取大范围区域的遥感图像，为整体城市道路网的通行情况分析提供了便利。而模糊神经网络是模糊技术和神经网络的有机结合，它具有较强的自我学习能力，能够在输入参数与输出结果之间的关系不确定的条件下通过网络内部的学习找到他们之间的对应规则，待网络训练稳定之后就可以进行实际测试。
技术实现思路
本专利技术是为了解决现有的方法中人工干预过多造成的准确性下降及无法进行大范围区域内道路通行情况分析的问题，而提出的基于模糊神经网络的遥感图像道路通行情况分析方法。基于模糊神经网络的遥感图像道路通行情况分析方法按以下步骤实现：步骤一：将输入参数为车道数目、车辆类型、车辆密度和车辆速度作为输入参数，并对输入参数进行归一化处理；步骤二：将道路通行情况为畅通、轻度拥挤、拥挤和严重拥挤四种情况；步骤三：确定输入参数与道路通行情况间的规则；步骤四：构建用于道路通行情况分析的模糊神经网络系统；步骤五、根据步骤一确定的输入参数，收集训练样本和测试样本，根据步骤二确定的道路通行情况对所有训练样本进行聚类，并用包含输入和输出数据的分类后的训练样本对神经网络进行训练；步骤六：通过对路段的遥感图像进行道路信息提取和车辆检测，获得所需要的道路属性信息；步骤七：将步骤六中的道路属性信息输入网络进行通行情况分析。专利技术效果：本专利技术研究运用模糊神经网络与高分辨率遥感图像道路信息结合的方法，建立了一个判断道路通行情况的智能网络，能够解决路面传感器信息缺失、范围小和人工判读的复杂性及准确性等问题，具有较好的前景。本专利技术适用于对高分辨率遥感图像进行道路通行情况分析。可以避免传感器损坏造成的道路信息不完整问题，而且可以获取大范围区域的遥感图像，为整体城市道路网的通行情况分析提供了便利。附图说明图1为道路提取与分析流程图；图2为QuickBird卫星获取的美国佛罗里达州98号公路路段遥感图像；图3为Worldview2卫星获取的美国阿拉巴马州564公路路段一遥感图像；图4为Worldview2卫星获取的美国阿拉巴马州564公路路段二遥感图像。具体实施方式具体实施方式一：如图1所示，基于模糊神经网络的遥感图像道路通行情况分析方法包括以下步骤：步骤一：确定输入参数为车道数目、车辆类型、车辆密度和车辆速度，并对输入参数进行归一化处理；确定因素：①比较容易从遥感图像中获取；②对于道路通行情况有着比较直接的关联和影响；③比较容易进行数学模型量化以便作为模糊神经网络系统输入。最终确定输入参数为：车辆类型，单方向车道数目，车流密度，车辆速度。步骤二：确定道路通行情况为畅通、轻度拥挤、拥挤和严重拥挤四种情况；步骤三：确定输入参数与道路通行情况间的规则；步骤四：构建用于道路通行情况分析的模糊神经网络系统；步骤五、根据步骤一确定的输入参数，收集训练样本和测试样本，根据步骤二确定的道路通行情况对所有训练样本进行聚类，并用包含输入和输出数据的分类后的训练样本对神经网络进行训练；步骤六：通过对路段的遥感图像进行道路信息提取和车辆检测，获得所需要的道路属性信息；步骤七：将步骤六中的道路属性信息输入网络进行通行情况分析，并与图像中实际的通行情况进行比较，验证网络的可靠性。具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中对输入参数进行归一化处理具体过程为：采用的归一化方法为最大最小法：xk=xk-xminxmax-xmin]]>其中所述xmin为训练样本数据中的最小值，xmax为训练样本数据中的最大值，xk为归一化后的输入参数；归一化后的输入参数作为模糊神经网络的输入量进入网络，形成网络的特征输入向量。其它步骤及参数与具体实施方式一相同。具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中确定道路通行情况为畅通、轻度拥挤、拥挤和严重拥挤四种情况具体为：假设：严重拥挤值为为4，拥挤值为3，轻度拥挤值为2，畅通值为1。对于某一输入参数来说，最有可能的通行情况的权重设为2，再次可能性的通行情况的权重设为1，由此对各类输入参数最终确定的道路通行情况进行加权平均，最后求得目标道路可能的通行情况值。求出的值在1～4范围内，最终在下面的范围内确定道路的通行情况：通行情况值在[1，1.5)范围内，通行情况为“畅通”；通行情况值在[1.5，2.5)范围内，通行情况为“轻度拥挤”；通行情况值在[2.5，3.5)范围内，通行情况为“拥挤”；通行情况值在[3.5，4]范围内，通行情况为“严重拥挤”。其它步骤及参数与具体实施方式一或二相同。具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中确定输入参数与道路通行情况间的规则具体为：车辆种类与通行情况的关系车辆种类(小客车当量换算系数)与通行情况的关系单方向车道数与通行情况的关系单向车道数与道路通行情况的关系车辆速度与通行情况的关系车辆速度与道路通行情况的关系车辆密度与通行情况的关系车辆密度是指一条车道上某一瞬时的车辆密集程度，用K表示(单位为辆/km)，用公式表示为：K＝N/L式中：K—车流密度，单位：辆/kmN—观测路段内某瞬时的车辆数，单位：辆L—观测路段长度，单位：km车辆密度与通行情况的关系其它步骤及参数与具体实施方式一至三之一相同。具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤四中构建用于道路通行情况分析的模糊神经网络系统具体为：道路通行情况分析的模糊神经网络系统包含五个神经网络，每个神经网络均采用BP神经网络传递误差。其中NNmf用于给出对应四类通行情况的模糊隶属度，因此有4个输出，而另外的4个BP神经网络NN1、NN2、NN3、NN4分别用来表示网络的四类输出结论“畅通”、“轻度拥挤”、“拥挤”、“严重拥挤”值。其每个网络上的输入层都含有相同的神经元，其隐层及其上神经元的数目都能够根据训练本文档来自技高网...

【技术保护点】
基于模糊神经网络的遥感图像道路通行情况分析方法，其特征在于，所述遥感图像道路通行情况分析方法包括以下步骤：步骤一：确定输入参数为车道数目、车辆类型、车辆密度和车辆速度，并对输入参数进行归一化处理；步骤二：确定道路通行情况为畅通、轻度拥挤、拥挤和严重拥挤四种情况；步骤三：确定输入参数与道路通行情况间的规则；步骤四：构建用于道路通行情况分析的模糊神经网络系统；步骤五、根据步骤一确定的输入参数，收集训练样本和测试样本，根据步骤二确定的道路通行情况对所有训练样本进行聚类，并用包含输入和输出数据的分类后的训练样本对神经网络系统进行训练；步骤六：通过对路段的遥感图像进行道路信息提取和车辆检测，获得所需要的道路属性信息；步骤七：将步骤六中的道路属性信息输入网络进行通行情况分析，并与图像中实际的通行情况进行比较，验证网络的可靠性。

【技术特征摘要】
1.基于模糊神经网络的遥感图像道路通行情况分析方法，其特征在于，所述遥感图像道路通行情况分析方法包括以下步骤：步骤一：确定输入参数为车道数目、车辆类型、车辆密度和车辆速度，并对输入参数进行归一化处理；步骤二：确定道路通行情况为畅通、轻度拥挤、拥挤和严重拥挤四种情况；步骤三：确定输入参数与道路通行情况间的规则；步骤四：构建用于道路通行情况分析的模糊神经网络系统；步骤五、根据步骤一确定的输入参数，收集训练样本和测试样本，根据步骤二确定的道路通行情况对所有训练样本进行聚类，并用包含输入和输出数据的分类后的训练样本对神经网络系统进行训练；步骤六：通过对路段的遥感图像进行道路信息提取和车辆检测，获得所需要的道路属性信息；步骤七：将步骤六中的道路属性信息输入网络进行通行情况分析，并与图像中实际的通行情况进行比较，验证网络的可靠性。2.根据权利要求1所述的基于模糊神经网络的遥感图像道路通行情况分析方法，其特征在于，所述步骤一中对输入参数进行归一化处理具体过程为：采用的归一化方法为最大最小法：xk=xk-xminxmax-xmin]]>其中所述xmin为训练样本数据中的最小值，xmax为训练样本数据中的最大值，xk为归一化后的输入参数；归一化后的输入参数作为模糊神经网络的输入量进入网络，形成网络的特征输入向量。3.根据权利要求2所述的基于模糊神经网络的遥感图像道路通行情况分析方法，其特征在于，所述步骤二中确定道路通行情况为畅通、轻度拥挤、拥挤和严重拥挤四种情况具体为：设严重拥挤值为为4，拥挤值为3，轻度拥挤值为2，畅通值为1；通行情况值在[1，1.5)范围内，通行情况为畅通；通行情况值在[1.5，2.5)范围内，通行情况为轻度拥挤；通行情况值在[2.5，3.5)范围内，通行情况为拥挤；通行情况值在[3.5，4]范围内，通行情况为严重拥挤。4.根据权利要求3所述的基于模糊神经网络的遥感图像道路通行情况分析方法，其特征在于，所述步骤三中确定输入参数与道路通行情况间的规则具体为：车辆种类与通行情况的关系为：车辆种类换算系数为0～1时，通行情况为轻度拥挤或畅通；车辆种类换算系数为1～1.5时，通行情况为畅通或轻度拥挤；车辆种类换算系数为大于1.5时，通行情况为严重拥挤或拥挤；单方向车道数与通行情况的关系为：单车道时通行情况为严重拥挤或拥挤，双车道时通行情况为拥挤或轻度拥挤，三车道时通行情况为畅通或轻度拥挤；车辆速度与通行情况的关系为：车辆速度为0～20km/h时，通行情况为严重拥挤或拥挤；车辆速度为20～40km/h时，通行情况为轻度拥挤或拥挤；车辆速度为40～60km/h时，通行情况为畅通或轻度拥挤；车辆密度与通行情况的关系为...

【专利技术属性】
技术研发人员：陈浩，张晔，李冬青，范婷婷，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23