基于航拍影像的車輛檢測簡要綜述

栗佩康　田路強　寧君宇

摘 要：航拍影像為遠距離對地目標觀測提供了豐富的數(shù)據(jù)信息，尤其是隨著無人機的發(fā)展，越來越多的航拍影像數(shù)據(jù)可被獲取，為該場景下的目標檢測與識別提供了堅實的數(shù)據(jù)基礎(chǔ)。車輛識別作為航拍影像場景下的目標檢測研究的重要方向之一，是智能交通系統(tǒng)中的重要一環(huán)，為路況實時獲取、事故監(jiān)測、違章停車監(jiān)控等應(yīng)用場景提供技術(shù)支撐。該方向的研究在軍事、民用等領(lǐng)域發(fā)揮重要作用，在計算機視覺、遙感觀測等領(lǐng)域成為重要的研究方向。近年來，隨著機器學習的持續(xù)發(fā)展，特別是深度學習在計算機視覺及模式識別領(lǐng)域的大放異彩，與車輛目標檢測相關(guān)的方法也推陳出新。本文將基于有關(guān)車輛目標檢測的方法做一個綜述，以期能夠快速了解這個領(lǐng)域，并為后續(xù)工作做出一定指導。

關(guān)鍵詞：車輛檢測;航拍影像;目標識別;機器學習;深度神經(jīng)網(wǎng)絡(luò)

航拍影像包含豐富的地物信息，如道路、樓宇、車輛等，對這些信息進行有效處理，尤其對車輛信息的有效處理（以車輛為主體處理對象，道路、樓宇作為重要上下文信息），對城鄉(xiāng)道路的交通規(guī)劃、安全預(yù)警具有重要指導作用。

與傳統(tǒng)的人工方式統(tǒng)計交通信息數(shù)據(jù)相比，通過航拍影像檢測車輛信息具有如下優(yōu)點：

（1）不需要人工設(shè)卡來統(tǒng)計交通流量信息、發(fā)現(xiàn)交通事故及違章停車等。

（2）與監(jiān)控攝像互為補充，并能獲取監(jiān)控攝像未觸及區(qū)域的車輛信息。

（3）減少人工讀圖工作量，減少因人工失誤造成的誤檢、漏檢，提升效率和智能化水平。

目前，隨著計算機視覺領(lǐng)域的持續(xù)發(fā)展，在諸如手寫字符識別、車牌識別甚至人臉識別等應(yīng)用方向的算法已日臻成熟，但在航拍影像的車輛識別場景下，依然存在一些問題，如受道路環(huán)境及樓宇的遮擋、不同尺度下的車輛特征表現(xiàn)不一致、算法精度與實時性效率難以平衡等問題，故該方向仍需持續(xù)研究。近年來，國內(nèi)外學者對基于航拍影像的車輛檢測做了大量工作，大致可分為兩類：基于傳統(tǒng)機器學習的車輛檢測方法和基于深度神經(jīng)網(wǎng)絡(luò)的車輛檢測方法。

1 基于傳統(tǒng)機器學習的車輛檢測方法

在我們?nèi)粘Ｉ钪?，車輛一般在道路上或道路周邊，基于此，部分學者使用道路數(shù)據(jù)庫作為先驗知識來檢測車輛[2]，但這些方法一方面受限于獲取路網(wǎng)數(shù)據(jù)的質(zhì)量，另一方面造成不在路網(wǎng)周邊車輛的嚴重漏檢。

基于機器學習的車輛檢測方法可以簡單地描述為感興趣區(qū)域（ROI）的分類問題，即首先利用不同尺度的滑窗、超像素或顯著性檢測等方法找到類車輛區(qū)域，然后使用人工提取的特征輸入至SVM或AdaBoost分類器中進行車輛分類判別。

Shao[3]使用提取到的Harr特征和LBP特征輸入到SVM分類器中做車輛檢測。Moranduzzo[4]使用SIFTs特征以及Kluckner[5]使用HOG特征輸入到AdaBoost分類器做車輛檢測。特別地，Liu[7]提出一種基于通道特征聚合與AdaBoost級聯(lián)得快速二值檢測算子用于車輛位置的檢測，然后使用HOG特征和AdaBoost分類器來對車輛的方向進行分類，該方法能夠提取車輛方向，但由于該方法基于人工特征構(gòu)造，對車輛的提取不夠有效，而且基于滑窗的方法對計算資源開銷太大。在航拍影像中，由于車輛特征尺度不一，并且建筑、道路上的線和陰影等造成車輛的背景環(huán)境復(fù)雜，基于手工構(gòu)造的單一特征對于在復(fù)雜多樣的背景環(huán)境下進行車輛提取還不夠有效，使得利用多特征融合對車輛特征進行更準確的描述與表達成為車輛檢測研究方向和趨勢。

2 基于深度神經(jīng)網(wǎng)絡(luò)的車輛檢測方法

由于擅長特征表達，并且比傳統(tǒng)機器學習算法有更高的準確度與更快的速度，深度神經(jīng)網(wǎng)絡(luò)在目標檢測領(lǐng)域已處于主流地位。相關(guān)算法可分為兩個范疇：基于候選區(qū)域的神經(jīng)網(wǎng)絡(luò)如RCNN、Fast RCNN、Faster RCNN與基于回歸的神經(jīng)網(wǎng)絡(luò)如YOLO、YOLO2、SSD。

一些基于深度神經(jīng)網(wǎng)絡(luò)的車輛提取算法[7]仍沿用傳統(tǒng)算法框架，但在特征抽取與表達部分使用深度神經(jīng)網(wǎng)絡(luò)代替手工構(gòu)建特征，雖然能夠大大提高各項檢測指標，但時間開銷依舊很大。Deng[1]提出了一種基于候選區(qū)域的神經(jīng)網(wǎng)絡(luò)AVPN來提取車輛的位置，然后使用基于ZF模型分類的網(wǎng)絡(luò)來估計車輛的方向，雖然能夠有效提取車輛的方向，但這種復(fù)雜級聯(lián)系統(tǒng)時間開銷較大。Tang[8]提出了一種端到端的基于回歸的深度神經(jīng)網(wǎng)絡(luò)定向SSD，該方法可以一張航拍圖像為輸入可直接得到車輛的位置及方向，且時間開銷較小。

3 結(jié)語

本文作為一篇基于航拍影像下的車輛檢測的簡要綜述，首先介紹了該研究的背景、意義以及現(xiàn)有問題，然后介紹了該領(lǐng)域的研究現(xiàn)狀，分為基于人工構(gòu)造特征的傳統(tǒng)機器學習方法和擅于自動特征抽取與表達的深度神經(jīng)網(wǎng)絡(luò)的方法，現(xiàn)階段后者檢測效果的各項指標明顯高于前者，但后者也存在模型復(fù)雜、計算資源開銷大等問題。關(guān)于該方向的研究，檢測效果和模型運算開銷仍有優(yōu)化空間，該領(lǐng)域也仍有研究空間。

參考文獻：

[1]Deng，Z.;Sun，H.;Zhou，S.;Zhao，J.;Zou，H.Toward Fast and Accurate Vehicle Detection in Aerial Images Using Coupled Region-Based Convolutional Neural Networks.IEEE J.Sel.Top.Appl.Earth Obs.Remote Sens.2017，pp.1-13.

[2]Moranduzzo，T.;Melgani，F(xiàn).Automatic car counting method for unmanned aerial vehicle images.IEEE Trans.Geosci.Remote Sens.2014，52，1635-1647.

[3]Shao，W.;Yang，W.;Liu，G.;Liu，J.Car detection from high-resolution aerial imagery using multiple features.In Proceedings of the IEEE International Geoscience and Remote Sensing Symposium（IGARSS），Munich，Germany，22-27 July 2012;pp.4379-4382.

[4]Moranduzzo，T.;Melgani，F(xiàn).Automatic car counting method for unmanned aerial vehicle images.IEEE Trans.Geosci.Remote Sens.2014，52，1635-1647，

[5]Kluckner，S.;Pacher，G.;Grabner，H.;Bischof，H.;Bauer，J.A 3D teacher for car detection in aerial images.In Proceedings of the IEEE International Conference on Computer Vision，Rio de Janeiro，Brazil，14-21 October 2007;pp.1-8.

[6]evo，I.;Avramovi′c，A.Convolutional neural network based automatic object detection on aerial images.IEEE Geosci.Remote Sens.Lett.2016，13，740-744.

[7]Liu，K.;Mattyus，G.Fast multiclass vehicle detection on aerial images.IEEE Geosci.Remote Sens.Lett.2015，12，1938-1942.

[8]Tang T，Zhou S，Deng Z，et al.Arbitrary-Oriented Vehicle Detection in Aerial Imagery with Single Convolutional Neural Networks[J].Remote Sensing，2017，9（11）：1170.