遙感圖像車輛檢測(cè)方法綜述

鄒宗慶

摘 要：車輛檢測(cè)是遙感圖像分析領(lǐng)域的熱點(diǎn)研究?jī)?nèi)容之一，車輛目標(biāo)的智能提取和識(shí)別對(duì)于交通管理、智能交通、軍事目標(biāo)檢測(cè)具有廣闊的應(yīng)用前景。本文圍繞國(guó)內(nèi)外遙感圖像車輛檢測(cè)的發(fā)展現(xiàn)狀，分析車輛目標(biāo)檢測(cè)面臨的難點(diǎn)問題，討論了遙感圖像最重要和最新的車輛檢測(cè)算法，將現(xiàn)有車輛檢測(cè)方法分為傳統(tǒng)方法和機(jī)器學(xué)習(xí)兩大類，描述了兩類車輛檢測(cè)方法中的典型算法，并分析了它們的優(yōu)勢(shì)和不足，重點(diǎn)概述了深度學(xué)習(xí)算法在遙感圖像車輛檢測(cè)方面的重要作用。最后，結(jié)合當(dāng)下熱門的遙感大數(shù)據(jù)和人工智能相關(guān)理論，展望了未來遙感圖像車輛檢測(cè)方法的發(fā)展趨勢(shì)。

關(guān)鍵詞：遙感圖像;光譜特征

1引言

隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展，對(duì)城市交通運(yùn)輸能力的要求越來越高，對(duì)交通狀況信息的快速獲取也變得越來越重要。研究基于高分辨率光學(xué)遙感圖像的車輛目標(biāo)自動(dòng)檢測(cè)，對(duì)于智能交通、城市規(guī)劃、軍事目標(biāo)檢測(cè)與識(shí)別等都具有重要意義。國(guó)內(nèi)外對(duì)遙感影像車輛檢測(cè)的研究已有幾十年的歷史，眾多學(xué)者針對(duì)不同的應(yīng)用領(lǐng)域和數(shù)據(jù)源，提出了自己的方法和研究成果。

遙感圖像按其像素的空間分辨率大小可以分為低分辨率、中分辨率和高分辨率圖像。通常將地面空間分辨率為米級(jí)的遙感圖像定義為高分辨率，10米級(jí)的定義為中等分辨率，100米級(jí)的定義為低分辨率。早期的遙感影像車輛檢測(cè)研究集中利用高分辨率航空影像開展，衛(wèi)星影像相對(duì)較少，隨著高分辨率遙感衛(wèi)星技術(shù)的高速發(fā)展，利用米級(jí)遙感圖像來進(jìn)行車輛檢測(cè)已成為國(guó)內(nèi)外的研究趨勢(shì)，高分辨率遙感影像含有更豐富的空間信息，具有在更小空間尺度上對(duì)地表目標(biāo)檢測(cè)的能力，彌補(bǔ)了航空影像覆蓋范圍小、數(shù)據(jù)獲取受限等不足。

在高分辨率遙感圖像中車輛具有明顯的光譜特征和空間幾何特征。光譜特征是所有描述影像對(duì)象與像元灰度值相關(guān)特征的集合，光譜特征是區(qū)分不同地物的重要標(biāo)志，車輛目標(biāo)在遙感影像中反射光譜值分布范圍較廣，但大多分布在高亮和暗色兩個(gè)極端，所以在車輛檢測(cè)過程中，多將車輛目標(biāo)分為亮色車和暗色車兩種，亮色系車輛易與高亮的路面交通標(biāo)志標(biāo)線混淆，深色系車輛則易與瀝青等暗色材質(zhì)的路面混淆。遙感影像中的車輛表現(xiàn)出規(guī)則的矩形狀，面積較小且范圍集中，且具有左右對(duì)稱的特性，車身沿中軸線鏡像對(duì)稱，車輛對(duì)象的形狀特征包括面積、長(zhǎng)寬比、形狀指數(shù)、緊致度，不同的車輛影像特征在車輛檢測(cè)中作用不同，光譜和空間幾何特征直觀明顯，易于計(jì)算和建立模型，很多車輛檢測(cè)研究方法都利用了其中多個(gè)特征而不僅是簡(jiǎn)單的某一類。

本文在查閱大量文獻(xiàn)的基礎(chǔ)上，對(duì)高分辨率衛(wèi)星影像上車輛目標(biāo)的特征進(jìn)行了探討，分別從傳統(tǒng)方法和機(jī)器學(xué)習(xí)方法兩個(gè)層次方面詳細(xì)闡述了車輛目標(biāo)檢測(cè)的常用方法，并歸納總結(jié)其優(yōu)缺點(diǎn)，側(cè)重分析了深度學(xué)習(xí)方法在高分辨率遙感圖像車輛檢測(cè)方面的重要作用。最后總結(jié)和展望了高分辨率衛(wèi)星影像車輛檢測(cè)的發(fā)展趨勢(shì)。

2 傳統(tǒng)方法

2.1 閾值分割法

閾值分割法的基本思想是基于圖像的灰度特征來計(jì)算一個(gè)或多個(gè)灰度閾值，谷正氣等[1]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，僅留下影像中的道路部分，在采用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，獲得車輛目標(biāo)的檢索結(jié)果，該方法由于加入了道路的矢量圖，采用掩膜的方式進(jìn)行車輛提取，車輛檢測(cè)的精度得到了較大的提高。

2.2 形態(tài)學(xué)方法

陳光等[2]提出了一種基于多方向形態(tài)學(xué)變換的車輛檢測(cè)方法，方法的核心是提出了集成多方向線狀結(jié)構(gòu)元素的形態(tài)學(xué)頂帽（top-hat）變換和底帽（bottom-hat）變換，處理過程綜合利用了車輛對(duì)象的光譜特征和結(jié)構(gòu)特征，創(chuàng)新性地分別對(duì)亮色車輛和暗色車輛進(jìn)行增強(qiáng)和檢測(cè)，實(shí)現(xiàn)在抑制路面非車輛干擾對(duì)象的同時(shí)保留車輛對(duì)象。

3 ?機(jī)器學(xué)習(xí)方法

3.1 基于Haar-like特征的方法

Haar-like特征是一種矩形特征。陳任等[3]考慮到遙感圖像中車輛俯視圖像具有鏡像對(duì)稱的特點(diǎn)，為了減少圖像中的重復(fù)特征，提出了一種優(yōu)化選取Haar-like特征進(jìn)行車輛檢測(cè)的方法，在檢測(cè)窗口中選取兩類特征：在檢測(cè)窗口上半部分提取所有的矩形特征;在原檢測(cè)窗口中，只使用對(duì)稱于窗口對(duì)稱軸、且描述上下部分差異的矩形特征，該方法既能充分表達(dá)圖像的信息，又減少了重復(fù)的特征。

3.2 基于HOG特征的方法

HOG特征利用梯度的統(tǒng)計(jì)信息描述目標(biāo)的形狀和外觀，對(duì)輪廓信息描述較強(qiáng)，對(duì)光照、對(duì)比度變化以及輕微旋轉(zhuǎn)等具有不變性。Tuermer等[3]采用HOG特征并基于Adaboost算法訓(xùn)練車輛檢測(cè)分類器，在預(yù)處理步驟中利用兩個(gè)序列的影像、全局DEM和道路數(shù)據(jù)庫(kù)作為輸入，同時(shí)利用快速區(qū)域增長(zhǎng)算法分割出車輛潛在的目標(biāo)區(qū)域，提高檢測(cè)效率同時(shí)降低了車輛檢測(cè)的虛警率，車輛檢測(cè)精度能夠達(dá)到70%。

3.3 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)稱ANN，能夠?qū)W習(xí)目標(biāo)圖像的特征，是近年來人工智能領(lǐng)域興起的研究熱點(diǎn)。ANN模仿了人腦的神經(jīng)元，ANN由大量的節(jié)點(diǎn)（或稱神經(jīng)元）相互連接組成。每?jī)蓚€(gè)節(jié)點(diǎn)間的都有一個(gè)權(quán)重值用來模擬人腦神經(jīng)網(wǎng)絡(luò)中的記憶。陽理理等[4]提出利用人工設(shè)計(jì)的特征加BP網(wǎng)絡(luò)分類器實(shí)現(xiàn)車輛檢測(cè)的方法，BP網(wǎng)絡(luò)是一種多層的前饋祌經(jīng)網(wǎng)絡(luò)，誤差可以反向傳播是BP網(wǎng)絡(luò)最大的特點(diǎn)，利用LFP和RCD（G）算法提取車輛數(shù)據(jù)庫(kù)特征，并送到BP分類器進(jìn)行訓(xùn)練和測(cè)試，車輛檢測(cè)準(zhǔn)確率可達(dá)96.65%，提出的基于二值統(tǒng)計(jì)的局部特征模式（Local Feature Pattern， LFP）能夠克服原始區(qū)域協(xié)方差算子（Regional Covariance Descriptors， RCD）方法不能利用圖像二值信息的情況，同時(shí)提出了一種基于Gabor卷積核的RCD（G）的方法，克服了原始RCD方法中卷積核簡(jiǎn)單、方向單一的問題。

3.4 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）因?yàn)榭梢灾苯虞斎朐紙D像而避免了復(fù)雜的前期預(yù)處理。由多個(gè)卷積層和采樣層交替組成的卷積神經(jīng)網(wǎng)絡(luò)具有良好的目標(biāo)信息表達(dá)能力，能夠自動(dòng)提取車輛的特征加以學(xué)習(xí)，并且學(xué)習(xí)到的特征可以更好地反映原始圖像的特征，從而更有利于信息的提取。

因此，孫秉義等[5]首先采用速度較快的傳統(tǒng)特征提取方法對(duì)道路區(qū)域進(jìn)行提取，以減少其他區(qū)域的干擾，然后采用選擇性搜索算法得到候選區(qū)域，將這些候選區(qū)域輸入到訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)中，實(shí)現(xiàn)對(duì)道路區(qū)域車輛目標(biāo)的自動(dòng)化提取，有效地提高了識(shí)別的準(zhǔn)確率和速度，在不同來源的遙感圖像上都有著不錯(cuò)的效果，應(yīng)用范圍較廣泛。

高鑫等[6]提出了基于端到端的神經(jīng)網(wǎng)絡(luò)模型DF-RCNN以提高車輛密集區(qū)域的檢測(cè)精度，首先在特征提取階段，DF-RCNN模塊將深淺層特征圖的分辨率統(tǒng)一并融合，其次DF-RCNN模型結(jié)合可變形卷積和可變形感興趣區(qū)池化模塊，通過加入少量的參數(shù)和計(jì)算量以學(xué)習(xí)目標(biāo)的幾何形變。

項(xiàng)陽等[7]利用深度學(xué)習(xí)模型進(jìn)行車輛的檢測(cè)，利用RPN在樣本圖像中生成一系列候選區(qū)域，然后將生成的候選框與樣本圖像輸入到Fast R-CNN進(jìn)行分類得到物體類別和位置信息。將樣本數(shù)據(jù)輸入到模型后，首先對(duì)輸入圖像進(jìn)行卷積運(yùn)算得到該圖像全局卷積特征，然后由RPN在該特征圖上以滑動(dòng)窗口形式對(duì)圖像特征進(jìn)一步計(jì)算，并在窗口中心生成一系列包含目標(biāo)的候選框，再用Fast R-CNN對(duì)候選框中的特征分類，最終輸出包含目標(biāo)的候選框和置信度。

4、總結(jié)與展望

本文主要查閱了近幾年來有關(guān)遙感圖像車輛檢測(cè)方法的文獻(xiàn)，并對(duì)此從傳統(tǒng)檢測(cè)方法和機(jī)器學(xué)習(xí)方法兩個(gè)方面進(jìn)行了歸納總結(jié)，列舉了現(xiàn)有方法的思路、優(yōu)勢(shì)及其局限性，僅依賴車輛的光譜特征或空間幾何特征的傳統(tǒng)車輛檢測(cè)方法直觀簡(jiǎn)單，但僅適用于簡(jiǎn)單場(chǎng)景下車輛檢測(cè)，普適性不高。對(duì)于復(fù)雜環(huán)境下的車輛檢測(cè)仍需要結(jié)合多種車輛影像特征，利用深度學(xué)習(xí)檢測(cè)方法進(jìn)行目標(biāo)檢測(cè)。

遙感影像車輛目標(biāo)檢測(cè)對(duì)城市道路規(guī)劃、智能交通發(fā)展有著重要作用，它能從整體角度為交通管理部門提供道路車流信息，獲取道路交通狀況，是地面交通流監(jiān)測(cè)的一個(gè)重要補(bǔ)充。因此，遙感圖像中車輛檢測(cè)仍然是一個(gè)具有挑戰(zhàn)性和重要的研究課題，可以延伸到軍事運(yùn)動(dòng)車輛等運(yùn)動(dòng)目標(biāo)的預(yù)警探測(cè)，如飛機(jī)、坦克、艦船等的檢測(cè)。隨著各類機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，各種方法不斷涌現(xiàn)，但是不同方法利弊共存，利用其中某種方法已經(jīng)不能滿足高準(zhǔn)確率的要求，如何提升速度與精準(zhǔn)率，將是今后研究的重點(diǎn)之一。下一步的工作將嘗試采用不同的圖像分割算法，提高有樹木遮擋和深色車輛的檢測(cè)準(zhǔn)確率，嘗試更高效的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，以提高識(shí)別準(zhǔn)確率和處理速度。

參考文獻(xiàn)：

[1]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.

[2]陳光，門玉英，翟東宇. 一種高分辨率遙感影像車輛檢測(cè)方法[J]. 軟件導(dǎo)刊，2016，15（7）： 181～183.

[3]Sebastian Tuermer， Franz Kurz， Peter Reinartz et al. Airborne vehicle detection in dense urban areas using HOG features and disparity maps[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2013，6（6）：2327～2337.

[4]陽理理，陳雪云，陳家華. 基于LFP與RCD（G）特征的遙感圖像車輛檢測(cè)[J]. 廣西大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018，48（5）：1795～1802.

[5]孫秉義，文珊珊，吳昊. 基于深度學(xué)習(xí)的高分辨率遙感圖像車輛檢測(cè)[J]. 東華大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，44（4）：520～525.