GIS és Távérzékelés a közlekedési adatnyerésben

GIS és Távérzékelés a közlekedési adatnyerésben Lovas Tamás Fotogrammetria és Térinformatika Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem

2007.05.03.

Intelligens Közlekedési Rendszerek

Tartalom - Térinformatika Adatnyerés Távérzékelési technológiák • • • • • •

Légifényképezés Űrfelvételek Aktív szenzorok Hazai távérzékelési projektek Nemzetközi közlekedési, távérzékelési projekt Távérzékelt adatok a közlekedésben

Adattárolás Adatelemzés Térinformatikai elemzések GPS adatok térképezése

Adatmegjelenítés Tematikus térképek 2007.05.03.


Közlekedési adatok

Forgalom

Csoportos forgalomirányítás

Vészhelyzet

LiDAR RADAR

Mûholdképek

Infrastruktúra

Légifotók

Környezet

Individuális irányítás

Forgalmi irányítás, adatközlés

Statisztikai adatok

Útvonalajánlás

GIS Változtatható jelzésképû táblák

2007.05.03.

Rádió, RDS

Bemenõ adatok

Kamerák

Alkalmazások

Hurokdetektorok

Flotta menedzsment

Forgalom tervezés

Individuális navigációs rendszer


Megjelenítés

Manuális forgalom számlálás

Távérzékelési adatnyerési eljárások

Távérzékelés

Hagyományos adatnyerési eljárások

Adatnyerési eljárások Földi felmérés Szög és távolságmérés, tahimetria

GPS Távérzékelés Egyéb adatforrások Térképek Adatbázisok 2007.05.03.


Távérzékelés fogalma Adatnyerés közvetlen fizikai kapcsolat nélkül Távérzékelés – Fotogrammetria Fernerkundung – Photogrammetrie Remote Sensing – Photogrammetry • Airborne / spaceborne imagery

2007.05.03.


Távérzékelés csoportosítás Aktív-passzív szenzorok Optikai szenzorok; fotogrammetria, űrfelvételek Aktív szenzorok; RADAR, LiDAR

Platformok Földi; közelfotogrammetria, földi lézerszkenner Légi; légifelvételek, aktív szenzorok Űr; űrfelvételek, aktív szenzorok

Adatok Geometria; koordináták, alakok stb. Attribútumok; tulajdonságok, intenzitás stb. 2007.05.03.


Fotogrammetria ISPRS: „a tárgyak helyének és alakjának fényképek alapján történő meghatározására szolgáló művészet és tudomány”. Termékek: mérőszámok, pl. pontok koordinátái rajzok, pl. térképek képek, pl. átalakított képek, mint az ortofotó.

2007.05.03.


Fotogrammetria e/h Előnyök Nagy felbontás: 15-30 cm Magas fokú tervezhetőség 3D koordináták

Hátrányok Időjárás-függő Drága Relatíve bonyolult utófeldolgozás Szakember-igény 2007.05.03.


Űrfelvételek Tematikus térképező holdak, multispektrális rendszerek: Landsat TM, Spot, IRS

Nagyfelbontású űrfelvételek IKONOS QuickBIRD

2007.05.03.


Űrfelvételek e/h Előnyök Jó felbontás: 50-60 cm (autók, sávok…) Nagy területi lefedettség egy képpel (felesleges adatok…) Gazdag tematikus tartalom (ms képek)

Hátrányok Időjárás-függő Drága Visszatérési idő Szakember-igény 2007.05.03.


Űrfelvételek – multispektrális képek kiértékelésének alapelve

2007.05.03.


Radar Elektromágneses hullám; távolságmérés (idő), visszavert impulzus amplitúdója Doppler-hatás RAR, SAR, SLR, SRTM

2007.05.03.


Radar

2007.05.03.


Radar

2007.05.03.


Radar e/h Előnyök Nagy adatgyűjtési terület Jó pontosság Időjárás-független

Hátrányok Utófeldolgozás igénye Drága Szakember-igény 2007.05.03.


LiDAR Komponensek: Hordozó GPS/INS Földi GPS állomás Szenzor

2007.05.03.


LiDAR Lézerszkenner Légi: Optech, Toposys, LH systems Földi: Leica, Riegl

Működési módok Forgó/oszcilláló tükrös Fix érzékelő-soros

2007.05.03.


LiDAR

2007.05.03.


LiDAR

2007.05.03.


LiDAR e/h Előnyök Kiváló 3D pontosság Gyors adatnyerés és feldolgozás Adatfeldolgozás nem igényel szakembert

Hátrányok Drága szenzor Tipikusan DEM/DSM generálásra használják; kiegészítő információk hiánya miatt nem helyettesíti a képi távérzékelési technikákat 2007.05.03.


LiDAR – többszörös vissza-verődés

2007.05.03.


LiDAR intenzitás

2007.05.03.


Távérzékelés Magyarországon Űrfelvételek I. Landsat TM, SPOT

Teljes lefedettség Állandó frissítés Tematikus térképezés Növényzet állapot felmérés: NÖVMON Parcella-azonosítás: MePAR

2007.05.03.


Távérzékelés Magyarországon Űrfelvételek II. Kutatási célok Pilot projekt IKONOS képek alkalmazására a topográfiai térképek helyesbítésére

2007.05.03.


Budapest, Hungary, Quickbird, DigitalGlobe Inc.

Távérzékelés Magyarországon Projektek I. CORINE program – Coordination of Information on the Environment, EU projekt: Környezeti információk gyűjtése 28 ország felszínborítottsági információk (méretarány: 1:100 000, terület: 44 M km2) Landsat TM & SPOT képek 5 nagy csoport: mesterséges felszín, mezőgazdasági területek, erdészeti és fél-természetes területek, mocsarak és vizek

2007.05.03.


Távérzékelés Magyarországon Projektek II.

Nemzeti termény monitoring és előrejelzés program: Magyar mezőgazdasági távérzékelési program [The Hungarian Agricultural Remote Sensing Program (HARSP)] • 1980-ban indult • Landsat, IRS-1C/1D, SPOT adatok [Operational crop monitoring and production forecasting program (CROPMON)]

• 1997-ben indult • 9 megye (mezőgazdasági terület 54%-a); extrapolált adatok a többi területre

2007.05.03.


Távérzékelés Magyarországon Projektek III. K+F projekt az ERS-SAR radarképek alkalmazhatóságára Négy fő termés területi becslése egy mezőgazdasági teszt területen Időjárás-független radar (ERS SAR) adatok és optikai űrfelvételek (Landsat TM, IRS-1C) kombinációja 1997-re havonta ERS-SAR adatsor az ESA-tól (European Space Agency)

ERS-SAR képekkel árvíz monitoring

2007.05.03.


Távérzékelés Magyarországon Projektek IV. EUROSTAT projekt Budapest agglomerációjának térképezésére Nagyfelbontású űrfelvételek (IRS-1C and COSMOS KVR-1000 78 település digitális kataszteri térképe A CORINE felszínborítottsági technológia kiterjesztése

2007.05.03.


Közlekedési-távérzékelési projekt: NCRST National Consortium for Remote Sensing in Transportation DOT, NASA, Amerikai egyetemek India, Kína, Magyarország, Németország (DLR)

2007.05.03.


Magyar NCRST kapcsolat Évek óta tartó együttműködés az Ohio State University (OSU) és a BME között – kutatási együttműködés, cserediák program, ösztöndíjasok, vendégkutatók, stb. 2002 Szeptember 12-15: Workshop on Commercial Remote Sensing and Spatial Information Technology Applications to Transportation, BME, Budapest, Magyarország (20-25 idegen és 30-35 helyi résztvevő) 2003 Szeptember 11-13: Workshop on Transportation and Mobility: Strategic Initiatives using Remote Sensing and Geographic Information Systems, Hyderabad, India

2007.05.03.


Közlekedési alkalmazás - LiDAR 90-es években felgyorsult fejlődés, elterjedés Szenzor árak Navigációs rendszerek pontossága Nagy mennyiségű minőségi adatok Automatizált feldolgozás; leszálláskor koordináták Főleg DEM/DSM előállítás, erdészet, városmodellezés 2007.05.03.


2007.05.03.


LiDAR adatok Jellemzők 10-15 cm függőleges pontosság (1σ) 25-50 cm vízszintes pontosság 0.2 - 10 pont/m2 Intenzitás adatok Kiegészítő információk hiányában a LiDAR nem lehet 100%-os alternatívája a képi adatnyerésnek 2007.05.03.


Járművek szegmentálása Küszöbölés (Thresholding)

Élkeresés (Edge detection) 2007.05.03.


Járművek modellezése 4 - 6 paraméter 4 magassági érték, hosszúság, szélesség

2007.05.03.


Főkomponens analízis (Principal Component Analysis – PCA) A PCA segítségével összefüggő változókat lehet egymástól független változókba (főkomponensekbe) transzformálni. Cél az adathalmaz dimenziójának csökkentése (megjelenítés, számolás) Itt az input mátrix: kovariancia mátrix

2007.05.03.


PCA - input adatok Input mátrix

Kovariancia mátrix 2007.05.03.

Input vehicle 1 vehicle 2 vehicle 3 vehicle 4 vehicle 5 vehicle 6 vehicle 7 vehicle 8 vehicle 9 vehicle 10 . . .

width 11,593 5,6668 5,02204 5,06704 7,132 7,19549 6,24139 7,63799 7,33981 8,27906 . . .

Covariance 39,37538021 2,763549394 2,116438358 2,527591252 2,617724908 2,424561423

length height 1 height 2 height 3 1,86989 0,89778 1,015 1,311 2,06594 1,214 1,47167 1,28 1,52535 1,07 1,032 1,314 1,72203 1,0225 1,156 1,31 1,65917 0,908 0,95167 1,335 1,49809 0,88 1,022 1,18 1,4401 0,8925 1,048 1,218 1,71511 1,164 1,47 1,17 1,3761 0,8125 1,092 1,394 1,13185 0,66 1,042 1,26 . . . . . . . . . . . .

2,76355 0,37774 0,25459 0,30277 0,30101 0,30118

2,11644 0,25459 0,3955 0,41189 0,37508 0,35995


2,52759 0,30277 0,41189 0,5019 0,46588 0,44912

2,61772 0,30101 0,37508 0,46588 0,48967 0,46483

height 4 1 0,80667 1,01 1,15667 1,022 1,09333 0,855 0,8 1,05 0,868 . . .

2,42456 0,30118 0,35995 0,44912 0,46483 0,49256

PCA - számítás Sajátértékek, sajátvektorok Eigvals 0,017798 0,027119 0,092336 0,127612 1,176573 40,19131

eigvec 1 eigvec 2 eigvec 3 eigvec 4 eigvec 5 eigvec 6 0,98951 0,07052 0,05496 0,06563 0,06781 0,063

-0,1387 0,2222 0,42963 0,5107 0,48717 0,49865

-0,0395 0,003 -0,0058 -0,005 0,9642 -0,103 0,06519 0,03359 -0,1602 -0,7128 -0,4342 0,30016 -0,1578 -0,225 0,49749 -0,6418 -0,1345 0,33399 0,44533 0,65582 -0,0096 0,56494 -0,6011 -0,2584

40,1913 1,17657 0,12761 0,09234 0,02712

0,0178

Információtartalom 96,5377 2,82608 0,30652 0,22179 0,06514 0,04275 96,5377 99,3638 99,6703 99,8921 99,9573 100

2007.05.03.


PCA - transzformáció Főkomponens transzformáció Output=Sajátvektorok mátrixa * Input Results 11,8712 6,05398 5,35621 5,4291 7,44148 7,49 6,53177 7,96902 7,63687 8,51683 . . .

0,84885 1,972 1,77287 1,92443 1,41552 1,35487 1,39264 1,54138 1,39714 0,9655 . . .

=

2007.05.03.

eigvec 1 0,98951 0,07052 0,05496 0,06563 0,06781 0,063

eigvec 2 -0,1387 0,2222 0,42963 0,5107 0,48717 0,49865

*

Input vehicle 1 vehicle 2 vehicle 3 vehicle 4 vehicle 5 vehicle 6 vehicle 7 vehicle 8 vehicle 9 vehicle 10 . . .

width 11,593 5,6668 5,02204 5,06704 7,132 7,19549 6,24139 7,63799 7,33981 8,27906 . . .

length height 1 height 2 height 3 1,86989 0,89778 1,015 1,311 2,06594 1,214 1,47167 1,28 1,52535 1,07 1,032 1,314 1,72203 1,0225 1,156 1,31 1,65917 0,908 0,95167 1,335 1,49809 0,88 1,022 1,18 1,4401 0,8925 1,048 1,218 1,71511 1,164 1,47 1,17 1,3761 0,8125 1,092 1,394 1,13185 0,66 1,042 1,26 . . . . . . . . . . . .


height 4 1 0,80667 1,01 1,15667 1,022 1,09333 0,855 0,8 1,05 0,868 . . .

Jármű osztályozás

6 paraméter

2007.05.03.


4 paraméter

Alak modellezés Jármű profilok, mint új input adatok a PCA-hoz Profil meghatározás szempontjai Pontsűrűség Hossztengely menti felbontás Hibaszűrés Profil simítás 2007.05.03.


Profilok

Személyautó

MPV

kamion 2007.05.03.


Profil-simítás

2007.05.03.


Profil hibák Durva hibák Jármű oldaláról visszaverődött pontok Többutas terjedés Utófeldolgozási hibák

2007.05.03.


Profil korrekció Hibás korrekció

Jó korrekció

2007.05.03.


Profil alapú osztályozás

2007.05.03.


Jármű osztályozás

6 paraméter

2007.05.03.


4 paraméter

Osztályozási módszerek Szabály-alapú osztályozó Legrövidebb távolság módszere Neurális hálózat alapú osztályozó

Módszerek összehasonlítása

2007.05.03.


Jármű felismerés Szabály-alapú osztályozó

2007.05.03.


Jármű felismerés Szabály-alapú osztályozó ‘A’ egyenes: ‘C’ egyenes:

0.5 − 3 y = a A x + bA = x+3 15

x = 4.5

Szabály az osztályra (repülés irányában haladó személyautó):

2.5 (y < − x + 3) AND ( x > 4.5) AND ( y > 0) 15 2007.05.03.


Jármű felismerés Legrövidebb távolság módszere

2007.05.03.


Jármű felismerés Neurális hálózat

3-4-1-es szerkezet 1. 2007.05.03.

2.


3.

Eredmények Adatsor (járművek száma) Ohio (72 jármű) Ohio + Michigan (87) Ohio + Michigan + Ontario (102)

Szabályalapú

Legrövidebb távolság

Neurális hálózat

0 (0 %)

8 (11.1 %)

2 (2.8 %)

2 (2.3 %)

12 (13.8 %)

8 (9.2 %)

2 (2 %)

17 (16.7 %)

16 (15.7 %)

Hibásan osztályozott járművek (százalék) Adatsor (járművek száma)

Szabály-alapú

Legrövidebb távolság

Neurális hálózat

0 (0 %)

4 (5.6 %)

2 (2.8 %)

Ohio + Michigan (87)

2 (2.3 %)

8 (9.2 %)

8 (9.2 %)

Ohio + Michigan + Ontario (102)

2 (2.3 %)

10 (9.8 %)

14 (13.7 %)

Ohio (72 jármű)

Hibák száma a repülési irány figyelembe vétele nélkül 2007.05.03.


Osztályozás finomítása földi lézerszkennelés Főbb különbségek a légi alkalmazáshoz képest Pontsűrűség Pontosság Platform (statikus) Felhasználási terület

2007.05.03.


Osztályozás finomítása

2007.05.03.



2007.05.03.



2007.05.03.


Sebességbecslés – elméleti alapok Forgalom nagysága Φ xi (t i )-Φ x0 (t 0 ) M(x i ,t 0 ,∆t) q= = ∆t ∆t

Járműfolyam intenzitása lim

∆t →0

P [ M(x i ,t,∆t) ≥ 1] ∆t

2007.05.03.

=λxi (t)


Sebességbecslés - adatfúzió

m-s Vv = VL ⋅ cos θ m 2007.05.03.


Forgalomszámlálás - UAV

2007.05.03.


Egyéb távérzékelési módszerek a közlekedési adatnyerésben LiDAR – snapshot Dinamikus információk: digitális kamera +IR kamera 2007.05.03.


Közlekedési alkalmazások Osztályozás (járművek kategorizálása) Járműszámlálás Sebességbecslés Vészhelyzet és torlódás monitoring

2007.05.03.


Távérzékelési technológiák összehasonlítása Szenzor

LiDAR

Digitális kamera

Platform

Repülő

Repülő

Helikopter

Műhold

Területi lefedettség

Jó

Jó

Korlátozott

Kitűnő

Időbeni lefedettség

Korlátozott

Korlátozott

Kitűnő

Gyenge

Járművek leválogatása

Egyszerű

Nehéz

Nehéz

Nehéz

Járművek osztályozása

Egyszerű

Lehetséges

Lehetséges

Korlátozott

Nem lehetséges

Korlátozott

Jó

Nem lehetséges

Sebességbecslés

Korlátozott

Jó

Kitűnő

Nem lehetséges

Flow-paraméterek meghatározása

Lehetséges

Jó

Kitűnő

Nem lehetséges

Általános tulajdonságok

Számítás

Járművek követése

2007.05.03.


GIS - közlekedésbiztonság Közlekedési adatok tematikus térképezése Közlekedési szabályok Vészhelyzet térképezés Útviszonyok Időjárási viszonyok (ábra: Balaton környéki jeges utak)

2007.05.03.


GIS - közlekedésbiztonság Közlekedési korlátozások térképezése Súlykorlátozás Sebességkorlátozás Időtartam-korlátozás Stb.

2007.05.03.


GIS - közlekedésbiztonság Veszélyes helyek térképezése

2007.05.03.


GIS – GPS: adatok feldolgozása Pontok koordinátái, idő: φ, λ, h, t, Transzformáció (EOV): X, Y, Z, Levezetett adatok: sebesség, gyorsulás, oldalgyorsulás stb.

2007.05.03.


GIS – GPS: útvonal

2007.05.03.


GIS – GPS: elemzés

2007.05.03.


GIS – GPS: mérés városi környezetben

2007.05.03.


GIS – GPS: „kanyon effektus”

2007.05.03.


GIS – GPS pontosság, műholdak száma

2007.05.03.


GIS – GPS eltérő irányban lévő műholdak

2007.05.03.


GIS – GPS azonos útszakasz, más időpont

2007.05.03.


GIS – Fotogrammetria: városmodell

2007.05.03.


GIS – GPS: műhold árnyékolás

2007.05.03.


GIS – Járműdinamikai szenzorok Haszonjármű; MAN F2000 Szenzorok GPS Járműdinamikai szenzorok • ABS, ESP, ASR, EBD… • Fékek, motor-paraméterek, gázpedál-állás…

Célok költségek csökkentése (üzemanyag, abroncsok, fékek stb.) Biztonság növelése 2007.05.03.


GIS – Járműdinamikai szenzorok magassági térkép

2007.05.03.


GIS – Járműdinamikai szenzorok lejtéstérkép

2007.05.03.


GIS – Járműdinamikai szenzorok sebességtérkép

2007.05.03.


GIS – Járműdinamikai szenzorok gyorsulási térkép

2007.05.03.


GIS – Járműdinamikai szenzorok sofőr vezetési stílusa

2007.05.03.


GIS – Járműdinamikai szenzorok nyomaték-térkép

2007.05.03.


Összefoglalás Távérzékelési technológiákkal nagy mennyiségű, pontos közlekedési adat gyűjthető Az adatokat térinformációs rendszerben feldolgozva új információkat vezethetünk le, az eredményeket szemléletesen ábrázolhatjuk Újabb szenzorokkal és több adatgyűjtési technológia kombinálásával egyre több terület nyílhat meg a távérzékelés előtt 2007.05.03.


Köszönöm a figyelmet!

Lovas Tamás [email protected] 2007.05.03.


GIS és Távérzékelés a közlekedési adatnyerésben

Recommend Documents