近年来,随着我国交通事业的不断发展,路网规模不断扩张,对交通管理的要求也越来越高,而交通量数据是交通管理的基础。传统的交通量采集方法存在成本高、安装部署及维护复杂、覆盖面积小等缺点。随着遥感图像分辨率的提高,其包含的地物特征更加丰富,而且遥感图像具有成本低、覆盖面积广等优点,为交通量检测提供了新的途径。但是目前的遥感图像处理方法存在一些问题亟待解决。首先,目前道路提取方法效率较低,耗时较长,且与道路具有相似特征的区域不易被区分,导致虚警的发生;其次,传统方法依赖于最佳阈值的选择,对于不同来源的遥感图像,车辆识别算法的准确率低,导致交通指标计算结果误差较大;最后,车速估算方法自动化程度不高,在图像处理过程中需要人工辅助,费时费力。针对上述问题,本文提出了基于遥感图像处理的交通量检测与分析方法。本文旨在从遥感图像中自动化提取交通量数据;通过超像素分割和特征提取方法构建超像素词袋,提取图像特征向量用于训练支持向量机,从而进行道路区域提取;基于深度学习方法结合公开数据集,识别图像中车辆;基于图像匹配进行全色图像与多光谱图像车辆模板匹配,计算位移和车速,进行交通量分析。本文的主要研究内容如下:(1)提出基于遥感图像处理的交通量检测与分析框架本文提出了一套基于遥感图像处理的交通量检测与分析框架,旨在实现自动化的交通指标提取与分析。框架以遥感图像处理为核心,从道路提取、车辆识别和交通量计算与分析三个部分出发,结合传统图像处理和深度学习方法,构建了一套自动化提取道路交通指标的方法流程。(2)基于特征提取的道路区域提取本文提出了基于特征提取的道路区域提取方法。遥感图像覆盖面积广,包含的地物特征复杂,因此需要高效准确地将道路区域提取出来。本文方法利用超像素分割方法,结合超像素词袋思想,并结合图像的纹理和颜色特征训练支持向量机,高效地提取出图像中的道路区域。(3)基于深度学习的车辆识别本文提出了基于深度学习的车辆识别方法。车辆目标是交通量检测的重点,因此对车辆识别的准确率要求较高,本文以道路区域提取结果为输入,基于选择性搜索算法生成候选区域,输入到深度卷积神经网络进行分类,得到车辆位置,有效地提升了车辆识别算法的准确率。(4)基于图像匹配的交通量计算与分析本文提出基于图像匹配的交通量计算与分析方法。通过车辆位置确定车辆模板,与多光谱图像的目标图像进行匹配,通过预测移动区块提高匹配效率,得到相似度矩阵,从而计算位移和车速;通过车辆位置及车速等信息,分析路段交通运行情况。(5)设计并实现交通量检测与分析系统原型本文根据以上方法,设计并实现了原型系统,介绍了原型系统的整体架构,并分层阐述了系统详细设计方案,以模块为单位介绍了系统的实现过程以及系统原型示例,并与其他方法进行了对比分析。