一種高分辨率可見光遙感影像中車輛目標(biāo)檢測(cè)方法

谷正氣，李　健，張　勇，夏　威，羅　倫

(1. 湖南工業(yè)大學(xué)機(jī)械工程學(xué)院，湖南 株洲 412007； 2. 中國(guó)交通通信信息中心，北京 100011)

A Novel Method to Detect Vehicle Targets in High-resolution Remote

Sensing Images

GU Zhengqi，LI Jian，ZHANG Yong，XIA Wei，LUO Lun

?

一種高分辨率可見光遙感影像中車輛目標(biāo)檢測(cè)方法

谷正氣1，李健1，張勇1，夏威2，羅倫2

(1. 湖南工業(yè)大學(xué)機(jī)械工程學(xué)院，湖南 株洲 412007； 2. 中國(guó)交通通信信息中心，北京 100011)

A Novel Method to Detect Vehicle Targets in High-resolution Remote

Sensing Images

GU Zhengqi，LI Jian，ZHANG Yong，XIA Wei，LUO Lun

摘要：在高分辨率遙感影像中檢測(cè)車輛目標(biāo)是影像識(shí)別和檢測(cè)的重要研究方向，能夠?yàn)楹暧^交通狀態(tài)判別提供支撐。本文設(shè)計(jì)了一種基于高分衛(wèi)星影像的車輛目標(biāo)快速檢測(cè)方法。該方法首先將與遙感影像對(duì)應(yīng)區(qū)域的已有矢量面狀道路影像進(jìn)行掩膜處理，僅留下影像中道路部分，再采用Otsu雙閾值法分割道路中的暗色車目標(biāo)和亮色車目標(biāo)，最后利用車輛目標(biāo)的形態(tài)特征對(duì)其進(jìn)行檢索，以獲得車輛目標(biāo)的檢索結(jié)果。試驗(yàn)表明，本文方法具有較好的檢測(cè)效果。

關(guān)鍵詞：車輛檢測(cè)；高分辨率；遙感影像；二維雙閾值最大類間方差法

一、引言

隨著國(guó)民經(jīng)濟(jì)水平的不斷提高，我國(guó)汽車保有量不斷增加，其增長(zhǎng)速度遠(yuǎn)遠(yuǎn)高于道路面積的增加速度，導(dǎo)致交通擁堵問(wèn)題嚴(yán)峻，成為影響城市發(fā)展的重要因素。如何利用智能交通系統(tǒng)對(duì)交通擁堵問(wèn)題進(jìn)行緩解，已經(jīng)成為學(xué)術(shù)研究的熱點(diǎn)問(wèn)題[1]。

在智能交通系統(tǒng)中，交通信息傳感器作為其“眼睛”而存在，其重要性不言而喻。盡管在城市內(nèi)部及高等級(jí)路上安裝了眾多交通信息傳感器，但在低等級(jí)路及鄉(xiāng)鎮(zhèn)公路卻是信息獲取盲點(diǎn)。另外，目前常用的交通信息傳感器獲取的多為點(diǎn)源信息，包括車輛個(gè)數(shù)、車輛位置以及隊(duì)列長(zhǎng)度等，但其安裝復(fù)雜、不易維護(hù)、成本高、宏觀可視化程度低[2]。近年來(lái)，衛(wèi)星影像的時(shí)間和空間分辨率不斷提升，并具有覆蓋面廣、宏觀可視化程度高、價(jià)格低廉等特點(diǎn)，將其應(yīng)用于交通信息的獲取，將是對(duì)傳統(tǒng)方式的有益補(bǔ)充。

基于光學(xué)遙感的車輛提取方法較多，其中較典型的主要有以下幾種：文獻(xiàn)[3]針對(duì)IKONOS衛(wèi)星影像，提出了多閾值與Otsu閾值的車輛檢測(cè)方法，分別對(duì)暗色車和亮色車進(jìn)行提取。首先設(shè)置高中低3個(gè)閾值分別對(duì)原影像進(jìn)行二值分割，然后將分割后的影像兩兩求交集后再求并集得到不同灰度范圍的車輛目標(biāo)。文獻(xiàn)[4]采用QuickBird影像提取車輛隊(duì)列，然后對(duì)車隊(duì)中的單個(gè)車輛逐個(gè)找出。文獻(xiàn)[5]采用神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)對(duì)QuickBird影像進(jìn)行車輛提取，其漏檢多發(fā)生在車輛與道路表面對(duì)比度低或車輛擁擠的地方。文獻(xiàn)[6]對(duì)0.15 m分辨率的航空影像中高速公路汽車目標(biāo)進(jìn)行檢測(cè)，采用閾值分割、邊緣檢測(cè)、模板匹配和數(shù)學(xué)形態(tài)學(xué)等4種方法進(jìn)行檢測(cè)效果對(duì)比，提出將灰度數(shù)學(xué)形態(tài)學(xué)和二值數(shù)學(xué)形態(tài)學(xué)算法相結(jié)合適用于車輛目標(biāo)的檢測(cè)。文獻(xiàn)[7]對(duì)3種不同的高分影像進(jìn)行試驗(yàn)，并采用誤差矩陣及Kappa系數(shù)對(duì)結(jié)果進(jìn)行精度評(píng)價(jià)。文獻(xiàn)[8]采用面向?qū)ο蟮能囕v提取方法，實(shí)現(xiàn)了遙感影像中車輛信息的提取。在車輛目標(biāo)提取研究的前期，算法的精度不高，而近年的算法又往往過(guò)于復(fù)雜，故本文針對(duì)可見光遙感影像車輛目標(biāo)檢測(cè)的具體問(wèn)題，提出了一種全自動(dòng)的車輛目標(biāo)檢測(cè)算法。

二、主要研究?jī)?nèi)容與結(jié)果

本文采用某地區(qū)0.5 m分辨率的衛(wèi)星可見光影像進(jìn)行試驗(yàn)。將影像中比背景暗的車輛定義為暗色車，比背景亮的車輛定義為亮色車。

1. 影像掩膜處理

遙感影像的掩膜處理即利用已有GIS中的面狀道路信息與對(duì)應(yīng)區(qū)域的遙感影像進(jìn)行邏輯“與”處理[9]，處理效果如圖1所示，這樣處理后有助于去除路邊干擾信息。

2. 二維雙閾值Otsu法圖像分割

(1) Otsu單閾值圖像分割[3]

假設(shè)圖像有L個(gè)灰度等級(jí)，用閾值m將其分為2個(gè)區(qū)域A和B。Pi(i=0,1,…，L-1)表示灰度等級(jí)為i的像素的概率

σ2=PA(ωA-ω0)2+PB(ωB-ω0)2

可以看出，σ2是關(guān)于閾值m的函數(shù)，使得σ2為最大值的m，即是分割圖像的最佳閾值。

圖1　掩膜處理

對(duì)圖1(b)采用Otsu法獲得的閾值為0.675，采用該閾值二值化的影像如圖2(a)所示，去除背景后如圖2(b)所示，可以認(rèn)為影像中每個(gè)連通的區(qū)域即為單個(gè)汽車目標(biāo)。可以看出采用Otsu單閾值法可以實(shí)現(xiàn)全自動(dòng)的遙感影像中車輛信息的提取，但由于采用了單一閾值，因此只能提取出與道路背景灰度值差別很大的亮色車，而與影像中道路背景差別不大的暗色車提取卻不理想。

(2) Otsu雙閾值圖像分割

若將復(fù)雜的灰度圖像分為3個(gè)區(qū)域，則需要兩

圖2　背景去除

個(gè)閾值，分別設(shè)為k1和k2，并且k2>k1,3個(gè)區(qū)域分別為A、B、C,則各區(qū)域的概率為

灰度均值為

類內(nèi)方差為

類外方差為

式中，F(xiàn)是k1和k2的函數(shù)，使F取最大值的k1、k2的組合即可獲得最佳的分割效果。

采用Otsu雙閾值圖像分割法獲得的閾值為k1=0.221，k2=0.603，該方法進(jìn)行車輛信息提取的流程圖如圖3所示。

圖3　算法流程

在采用Otsu獲得雙閾值后，對(duì)影像進(jìn)行分割，

如圖4所示。

圖4　雙閾值分割

3. 試驗(yàn)結(jié)果分析

對(duì)于雙峰直方圖的圖像，Otsu單閾值分割即可達(dá)到較好的分割效果，然而，對(duì)于可見光遙感影像中車輛信息的提取這種需要進(jìn)行復(fù)雜分割的影像來(lái)說(shuō)，單閾值無(wú)法達(dá)到理想的閾值效果。如圖5(a)所示，采用Otsu單閾值法對(duì)車輛目標(biāo)進(jìn)行檢測(cè)時(shí)，暗色車的檢測(cè)效果不理想，而在5(b)中采用本文方法的暗色車則有較好的檢測(cè)效果。

圖5　效果對(duì)比

檢測(cè)結(jié)果采用漏檢率和誤檢率兩個(gè)指標(biāo)度量。如表1所示，影像中道路上的車輛實(shí)際數(shù)為98輛，采用方法1即傳統(tǒng)Otsu法[3]的漏檢率和誤檢率分別為21.4%和3.1%；采用方法2即本文方法的漏檢率降低為10.2%，而誤檢率為5.1%，由以上試驗(yàn)結(jié)果可知，相比文獻(xiàn)[3]中的傳統(tǒng)Otsu方法，本文中方法的誤檢率有明顯的降低。另外，盡管文獻(xiàn)[3]中也用到了雙閾值，但其雙閾值是憑借經(jīng)驗(yàn)獲得，而本文中方法為自動(dòng)獲取。

表1　遙感影像車輛檢測(cè)的統(tǒng)計(jì)結(jié)果

三、結(jié)論

本文提出了一種可見光遙感影像中車輛目標(biāo)檢測(cè)的新方法，該方法的創(chuàng)新點(diǎn)包括以下幾個(gè)方面：①利用雙閾值Otsu法自動(dòng)獲取影像中的雙閾值，以分別獲取亮色車目標(biāo)和暗色車目標(biāo)；②利用二值圖像中車輛的形態(tài)學(xué)特征將車輛與背景分離；③相比文獻(xiàn)[3],提高了高分影像中車輛目標(biāo)識(shí)別的準(zhǔn)確率。進(jìn)一步的工作包括：增加影像預(yù)處理環(huán)節(jié)，對(duì)影像進(jìn)行圖像增強(qiáng)和濾波；采用更好的方法去除背景中的干擾信息，降低誤檢率。

參考文獻(xiàn)：

[1]李德仁, 李清泉, 楊必勝, 等. 3S技術(shù)與智能交通[J]. 武漢大學(xué)學(xué)報(bào): 信息科學(xué)版, 2008, 33(4): 331-336.

[2]劉珠妹, 劉亞嵐, 譚衢霖, 等. 高分辨率衛(wèi)星影像車輛檢測(cè)研究進(jìn)展[J]. 遙感技術(shù)與應(yīng)用, 2012, 27(1): 8-14.

[3]ALBA-FLORES R. Evaluation of the Use of High-Resolution Satellite Imagery in Transportation Applications[R]. Minnesota: Department of Electrical and Computer Engineering University of Minnesota Duluth, 2005.

[4]LEITLOFF J, HINZ S, STILLA U， et al. Detection of Vehicle Queues in Quickbird Imagery of City[J]. Areas Photogrammetrie Fernerkundung Geoinformation, 2006, (4): 315-325.

[5]劉建鑫. 基于高分辨率衛(wèi)星影像的車輛檢測(cè)算法研究[D]. 大連: 大連海事大學(xué), 2008: 25-35.

[6]鄭澤忠. 基于高分辨率航空影像高速公路汽車目標(biāo)檢測(cè)算法研究[D]. 成都: 西南交通大學(xué), 2010: 21-94.

[7]李龍飛. 衛(wèi)星圖像中車輛目標(biāo)提取方法優(yōu)化與精度評(píng)價(jià)[D]. 北京: 北京交通大學(xué), 2012: 53-68.

[8]王浩. 基于面向?qū)ο蟮母叻直媛蔬b感影像車輛提取方法研究[D]. 北京: 北京交通大學(xué), 2012: 29-55.

[9]張勇，牛成磊，谷正氣，等.結(jié)合SURF與SVM的高分遙感影像車輛提取技術(shù)[J].湖南工業(yè)大學(xué)學(xué)報(bào)，2014，28(2):67-71.引文格式： 吳亮，雷斌，韓冰，等. 衛(wèi)星姿態(tài)誤差對(duì)多通道SAR成像質(zhì)量的影響[J].測(cè)繪通報(bào)，2015(1)：124-130.DOI:10.13474/j.cnki.11-2246.2015.0026

引文格式： 谷正氣，李健，張勇，等. 一種高分辨率可見光遙感影像中車輛目標(biāo)檢測(cè)方法[J].測(cè)繪通報(bào)，2015(1)：121-123.DOI:10.13474/j.cnki.11-2246.2015.0025

通信作者：張勇。E-mail：zhangyong7051678@163.com

作者簡(jiǎn)介：谷正氣(1963—),男，教授，主要從事交通工程及智能交通方面的工作。E-mail：Guzhengqi63@126.com

基金項(xiàng)目：交通運(yùn)輸部重點(diǎn)項(xiàng)目(2012-364-208-802-2)；中央財(cái)政支持地方高校專項(xiàng)資金項(xiàng)目-創(chuàng)新團(tuán)隊(duì)(0420036017)

收稿日期：2014-07-15

中圖分類號(hào)：P237

文獻(xiàn)標(biāo)識(shí)碼：B

文章編號(hào)：0494-0911(2015)01-0121-03