买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：吉林大学

摘要：本发明属于僵尸车预测领域，涉及一种基于多期卫星遥感图像信息的僵尸车统计识别方法，通过分析计算多期卫星图像的车辆位置、车辆尺寸和车顶颜色的差异，利用统计推断方法，计算相邻观测期车辆之间的相似度判断变量，以此判断相邻观测期的车辆与其最近邻车辆之间是否为同一车辆，并建立持续更新的可疑僵尸车数据库，对这些相邻期的同一车辆数据进行跟踪记录，从而达到动态识别和跟踪可疑僵尸车的目标；该方法相对于已有的僵尸车监测方法，大幅降低了人力和时间成本，简化了数据处理过程，提高了城市大范围的僵尸车识别效率。

主权项：1.基于多期卫星遥感图像信息的僵尸车统计识别方法，其特征在于，该方法包括如下步骤：步骤1.读取卫星遥感图像车辆识别数据和可疑僵尸车数据库初始化；步骤1.1.导入卫星遥感图像数据，对卫星遥感图像进行车辆识别，获得车辆数据，包括车辆长度、车辆宽度、车辆中心点经纬度坐标、车顶颜色；步骤1.2.定义车辆集合和车辆；卫星遥感图像观测范围内的车辆集合VcT={VT,1,VT,2,...,VT,i,...,VT,p}；VT,i=[T,i,L,Pc,Cr]；其中，T表示卫星遥感图像的观测期数，i表示车辆编号，p表示最大序号，VT,i表示第T期观测数据的第i辆车辆，L表示车辆长度，Pc=x,y表示车辆中心点经纬度坐标，Cr=l,a,b表示车顶颜色Lab值；步骤1.3.定义可疑僵尸车数据库和可疑僵尸车对象；可疑僵尸车数据库DBT=[CZ1,CZ2,…,CZk,…,CZm]；其中，k为可疑僵尸车对象CZk在数据库中的序号，表示第k个可疑僵尸车对象，k∈[1,m];T为可疑僵尸车数据库对应的卫星遥感图像期数,m表示数据库里一共有m个可疑僵尸车对象；可疑僵尸车对象CZk={cz1,cz2,...,czo,...,czn}；其中，o为可疑僵尸车对象CZk链表中的第o个可疑僵尸车，o∈[1,n]；n表示可疑僵尸车对象CZk里一共有n个可疑僵尸车，n也代表可疑僵尸车对象CZk数据链的长度；可疑僵尸车czo=VT,i；其中,czo为可疑僵尸车对象CZk中的第o个僵尸车；VT,i为第T期卫星遥感图像的第i辆车；等式表示第o个可疑僵尸车对应于第T期卫星遥感图像的第i辆车；步骤2.后期车辆与前期车辆的相似度计算；步骤2.1.定义相邻观测期的前期与后期车辆；前期车辆集合为VcT-1={VT-1,1,VT-1,2,...,VT-1,p1}，后期车辆集合为VcT={VT,1,VT,2,...,VT,p2}；其中，p1和p2分别表示前期和后期车辆集合对应的车辆总数，T-1表示前期，T表示后期，T-1期与T期为相邻观测期；步骤2.2.建立后期车辆的邻域对象；建立后期车辆的邻域对象，所述邻域对象由前期车辆构成；定义车辆周围等距离范围为其邻域，将车辆邻域范围半径设定为Nr米，对于VcT中的每一辆车辆VT,i=[T,i,L,Pc,Cr]，定义其邻域对象NvT,i为：NvT,i={VT-1,j|distPcT,i,PcT-1,jNr,i∈[1,p2],j∈[1,p1]}；其中，i表示后期车辆序号，j表示前期车辆序号，T和T-1为车辆所属遥感图像的期数，Nr为邻域半径，p1和p2分别为前期和后期车辆集合的车辆总数，dist表示距离函数，PcT,i表示后期车辆VT,i的坐标，PcT-1,j表示前期车辆VT-1,j的坐标；步骤2.3.确定车辆的最近邻居；在车辆VT,i的邻域对象NvT,i中寻找与其位置距离最近的前期车辆做为其最近邻居V’T-1,j；若车辆VT,i的邻域对象NvT,i为空集，则其最近邻居也为空；步骤2.4.位置差异与相似度计算；计算位置差异，对后期车辆集合VcT中的每一个车辆VT,i，计算其和最近邻居V’T-1,j之间的位置差异DistT,i,表示为：DistT,i=distPc1,Pc2；其中，dist为距离函数，Pc1表示车辆VT,i的中心位置坐标，Pc2表示车辆V’T-1,j的中心位置坐标，如果最近邻居为空集，则DistT,i=∞；计算位置相似度，位置相似度SimDisT,i为：SimDisT,i=∫|X|DistT,iƒdistxdx；其中，x为位置差异，符号∫为积分符号，ƒdistx为A类事件的位置随机误差的概率密度分布函数，ƒdistx=N0,Δ12，N表示为正态分布函数，Δ1为位置观测的随机误差标准差；|X|DistT,i表示ƒdistx函数的积分范围，当DistT,i=∞时，SimDisT,i=0；A类事件是指相邻观测期的最近邻车辆是同一辆且未经移动的事件；步骤2.5.尺寸差异与相似度计算；计算尺寸差异，对后期车辆集合VcT中的每一个车辆VT,i，计算其和最近邻居V’T-1,j之间的尺寸差SizeT,i，表示为：SizeT,i=distL1,L2；其中，L1为车辆VT,i的长度，L2为最近邻居V’T-1,j的长度，dist为距离函数，如果最近邻居V’T-1,j=Φ，则SizeT,i=∞；计算尺寸相似度，尺寸相似度SimSizT,i为：SimSizT,i=∫|X|SizeT,iƒsizexdx,其中，x为尺寸差异，ƒsizex为A类事件的尺寸随机误差的概率密度分布函数，ƒsizex=N0,Δ22,N表示为正态分布函数，Δ2为尺寸观测的随机误差标准差；|X|SizeT,i表示ƒsizex函数的积分范围，当SizeT,i=∞时，SimSizT,i=0；步骤2.6.颜色差异与相似度计算；计算颜色差异，对后期车辆集合VcT中的每一个车辆VT,i，计算其和最近邻居V’T-1,j之间的颜色差别ColoT,i，表示为：ColoT,i=dist[l1,a1,b1],[l2,a2,b2]；其中，[l1,a1,b1]表示后期车辆VT,i的颜色Lab值，[l2,a2,b2]表示前期最近邻居车辆V’T-1,j的颜色Lab值，dist为距离函数，如果最近邻居V’T-1,j=Φ，则ColoT,i=∞；计算颜色相似度，颜色相似度SimColT,i为：SimColT,i=∫|X|ColoT,iƒcoloxdx；其中，x为颜色差异，ƒcolox为A类事件的颜色随机误差的概率密度分布函数，ƒcolox=N0,Δ32,N表示为正态分布函数，Δ3为颜色观测的随机误差标准差；|X|ColoT,i表示ƒcolox函数的积分范围，当ColoT,i=∞时，令SimColT,i=0；步骤2.7.构建相似度判断变量并计算；相似度判断变量SimAllT,i为布尔型变量，计算式表示为：SimAllT,i={SimDisT,iK1}{SimSizT,iK2}{SimColT,iK3}；其中，SimAllT,i为后期车辆VT,i和其前期的最近邻居V’T-1,j之间相似度判断变量，符号表示逻辑“与”计算，K1、K2和K3分别为车辆属性位置、尺寸和颜色相似度对应的阈值；若满足上述条件，则SimAllT,i=1；反之，则SimAllT,i=0；步骤2.8.构建可疑僵尸车判断数组集合；判断数组集合CLT={cT,1,cT,2,...,cT,i,...cT,p2}；其中，可疑僵尸车判断数组cT,i=[VT,i,V’T-1,j,SimAllT,i]，T表示对应于卫星遥感图像第T期，i表示对应于后期车辆集合VcT中的第i辆车；p1表示前期VcT-1中共有p1辆车，p2表示后期车辆集合VcT总共有p2辆车，i∈[1,p2],j∈[1,p1]；步骤3.可疑僵尸车数据库的动态更新；步骤3.1.初始化可疑僵尸车数据库；步骤3.2.调用判断数组集合CLT和前期数据库，更新可疑僵尸车数据库；步骤3.2.1.根据判断数组集合CLT中存放的相似度判断变量SimAllT,i的值，确定后期车辆VT,i和前期最近邻居V’T-1,j是否为同一车辆，当SimAllT,i=1时，车辆VT,i和其最近邻居V’T-1,j判断为同一车辆，作为可疑僵尸车对象，执行步骤3.2.2；当SimAllT,i=0时，判断车辆VT,i和最近邻居V’T-1,j是不同车辆，删除数据；步骤3.2.2.遍历数据库中存储的第T-1期的可疑僵尸数据库DBT-1的数据，在前期数据库中寻找可疑僵尸车对象的最后一次记录的车辆信息；DBT-1=[CZ1,CZ2,…,CZk,…,CZm]；CZk={cz1,cz2,...,czo,...,czn}；其中，CZk表示在T-1期卫星遥感图像中的可疑僵尸车数据库DBT-1中的第k个可疑僵尸车对象CZk已经存在了n期，其中czn对应的是第T-1期的车辆；步骤3.2.3.将前期数据库中可疑僵尸车对象记录的最后一次车辆信息与判断数组中的前期车辆信息进行对比，判断是否是同一辆车；若是，则把相应的判断数组补充到数据库中该可疑僵尸车对象链表尾部；若否，则把该判断数组作为新生可疑僵尸车对象并入数据库中；步骤3.2.4.对DBT中的可疑僵尸车对象重新进行编号和排序，更新数据库；步骤4.可疑僵尸车数据库的数据查询与输出；当可疑僵尸车对象存在期数超出设定时间长度时，将被判断为僵尸车，输出僵尸车数据。

全文数据：

权利要求：

百度查询： 吉林大学 基于多期卫星遥感图像信息的僵尸车统计识别方法