基于ViBE與面向?qū)ο蠓诸惖囊曨l衛(wèi)星運(yùn)動(dòng)車輛檢測(cè)

鹿明，李峰,*，張南，楊雪，魯嘯天，辛蕾，劉洋

1. 中國(guó)空間技術(shù)研究院 錢學(xué)森空間技術(shù)實(shí)驗(yàn)室，北京 100094 2. 中國(guó)空間技術(shù)研究院西安分院，西安 710100

1 引言

高分辨率視頻衛(wèi)星，是近年來(lái)興起的一種新型對(duì)地觀測(cè)方式。超高的空間分辨率(通常在1m左右)和連續(xù)成像能力(通常在30 幀/s 左右)，實(shí)現(xiàn)了衛(wèi)星遙感從傳統(tǒng)的靜態(tài)觀測(cè)向動(dòng)態(tài)監(jiān)測(cè)的轉(zhuǎn)變，成為當(dāng)前空間科學(xué)技術(shù)發(fā)展的前沿[1]。

當(dāng)前國(guó)內(nèi)外基于衛(wèi)星視頻開(kāi)展的運(yùn)動(dòng)車輛檢測(cè)研究相對(duì)較少，其方法也多源于計(jì)算機(jī)視覺(jué)對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)方法，如幀間差分法、背景建模法和光流法等[2]。幀間差分是最常用也是最簡(jiǎn)單的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。它以當(dāng)前幀作為背景，與相鄰幀做像素的差分，通過(guò)閾值化來(lái)提取影像的前景目標(biāo)。該方法一般需要經(jīng)過(guò)幀間差分、閾值操作、形態(tài)學(xué)處理等過(guò)程[3]。幀間差分的問(wèn)題在于當(dāng)相鄰幀目標(biāo)同時(shí)出現(xiàn)在相同區(qū)域時(shí)，目標(biāo)在幀間差分時(shí)容易形成孔洞或殘缺現(xiàn)象，實(shí)際應(yīng)用中常用的是三幀差分法。光流法給圖像中的每個(gè)像元賦予一個(gè)速度矢量，形成一個(gè)圖像的運(yùn)動(dòng)場(chǎng)，如果圖像中沒(méi)有運(yùn)動(dòng)物體，光流矢量在整個(gè)圖像區(qū)域應(yīng)是連續(xù)變化的，當(dāng)圖像中有運(yùn)動(dòng)物體時(shí)，目標(biāo)和背景圖像存在相對(duì)運(yùn)動(dòng)，運(yùn)動(dòng)物體所形成的速度矢量和背景速度矢量不同，從而檢測(cè)出運(yùn)動(dòng)物體的位置。該算法能夠檢測(cè)出大量運(yùn)動(dòng)目標(biāo)，但在實(shí)際應(yīng)用中，由于遮擋性、多光源、透明性和噪聲等原因，使得光流場(chǎng)基本方程的灰度守恒假設(shè)難以得到滿足，無(wú)法求出正確的光流場(chǎng)，所以光流法在實(shí)際應(yīng)用中使用較少[4]。背景建模法是通過(guò)努力構(gòu)建一個(gè)不摻雜任何前景圖像和噪聲的背景圖像作為背景模型，然后對(duì)當(dāng)前幀圖像與背景模型進(jìn)行差分，檢測(cè)出運(yùn)動(dòng)目標(biāo)。背景建模法的關(guān)鍵在于構(gòu)建背景模型，比較典型的主要有均值背景建模法、中值背景建模法、高斯背景建模法(GMM)、視覺(jué)背景提取器(ViBE)等。背景建模法是當(dāng)前應(yīng)用最為廣泛的檢測(cè)方法[5]，其中ViBE算法采用了時(shí)空隨機(jī)采樣策略進(jìn)行背景更新，對(duì)視頻動(dòng)態(tài)背景具有一定的魯棒性，獲得了相對(duì)較好的檢測(cè)效果，成為當(dāng)前最受歡迎的運(yùn)動(dòng)目標(biāo)檢測(cè)方法之一[6]。

衛(wèi)星視頻與地面視頻有很大的不同，這種不同主要表現(xiàn)在衛(wèi)星平臺(tái)位置高，視野開(kāi)闊，造成視頻背景的地物類型復(fù)雜，運(yùn)動(dòng)目標(biāo)呈現(xiàn)出點(diǎn)狀的暗弱小目標(biāo)特征；衛(wèi)星平臺(tái)處于運(yùn)動(dòng)狀態(tài)，與地表之間存在復(fù)雜的相對(duì)運(yùn)動(dòng)，衛(wèi)星視頻呈現(xiàn)出整體運(yùn)動(dòng)狀態(tài)；對(duì)于地表較高地物，如鐵塔、高樓等，衛(wèi)星平臺(tái)觀測(cè)視角的改變，造成目標(biāo)在二維影像平面上呈現(xiàn)出運(yùn)動(dòng)狀態(tài)，稱為視差偽運(yùn)動(dòng)。傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法對(duì)這類視差偽運(yùn)動(dòng)目標(biāo)是難以辨別的，因?yàn)槟繕?biāo)在視頻中是真實(shí)運(yùn)動(dòng)的，這也是當(dāng)前視頻衛(wèi)星進(jìn)行運(yùn)動(dòng)目標(biāo)精準(zhǔn)檢測(cè)的難點(diǎn)。

當(dāng)前衛(wèi)星視頻對(duì)運(yùn)動(dòng)目標(biāo)的提取多是在傳統(tǒng)算法的基礎(chǔ)上，融入目標(biāo)運(yùn)動(dòng)區(qū)域提取[7]、目標(biāo)特征分析[8]、目標(biāo)跟蹤[9]等策略，進(jìn)一步進(jìn)行運(yùn)動(dòng)目標(biāo)的精提取。運(yùn)動(dòng)區(qū)域提取方面，文獻(xiàn)[10]通過(guò)使用運(yùn)動(dòng)熱力圖反演運(yùn)動(dòng)區(qū)域，熱力圖是根據(jù)提取的運(yùn)動(dòng)目標(biāo)的軌跡，按軌跡頻次形成的。文獻(xiàn)[11]通過(guò)將幀差法檢測(cè)的運(yùn)動(dòng)區(qū)域連通在一起形成該段視頻內(nèi)運(yùn)動(dòng)目標(biāo)總的運(yùn)動(dòng)區(qū)域，這類方法的不足是運(yùn)動(dòng)區(qū)域的生成需要前期的數(shù)據(jù)積累。文獻(xiàn)[12]提出使用GIS基礎(chǔ)地理信息的方式來(lái)獲取道路數(shù)據(jù)，這類方法的不足是GIS數(shù)據(jù)很難與視頻幀之間自動(dòng)而精準(zhǔn)地匹配在一起。衛(wèi)星視頻上的運(yùn)動(dòng)目標(biāo)主要是車輛、飛機(jī)、云目標(biāo)，其中小尺度的車輛目標(biāo)，其運(yùn)動(dòng)區(qū)域主要是道路區(qū)域。相對(duì)于熱力圖或者GIS基礎(chǔ)地理信息數(shù)據(jù)，遙感對(duì)于道路區(qū)域的方法和技術(shù)相對(duì)更加成熟。國(guó)際上，文獻(xiàn)[13]在航空影像中利用道路的光譜、空間幾何信息構(gòu)建模型，結(jié)合最大后驗(yàn)概率(MAP)，開(kāi)展了道路提取工作。文獻(xiàn)[14]引入了數(shù)學(xué)形態(tài)學(xué)算法，通過(guò)圖像二值化，實(shí)現(xiàn)道路的自動(dòng)化提取。文獻(xiàn)[15]基于人工神經(jīng)網(wǎng)絡(luò)開(kāi)展道路提取工作。國(guó)內(nèi)，文獻(xiàn)[16]提出了一種航空影像半自動(dòng)提取線狀地物的策略算法，該方法基于整體最小二乘模板匹配進(jìn)行道路識(shí)別，克服了線特征的對(duì)比度和線寬度的變化對(duì)定位帶來(lái)的影響。文獻(xiàn)[17]采用面向?qū)ο蠓诸惖姆椒ㄍㄟ^(guò)光譜、紋理、幾何形狀等特征開(kāi)展了道路提取工作，獲得較好的結(jié)果?？傮w來(lái)說(shuō)遙感影像的道路提取呈現(xiàn)出由基于像元、面向?qū)ο蠓诸?，向深度學(xué)習(xí)方向發(fā)展的趨勢(shì)，由半自動(dòng)化向全自動(dòng)化提取發(fā)展的趨勢(shì)，面向?qū)ο蟮娜詣?dòng)方法是當(dāng)前道路信息提取較為成熟的技術(shù)。因此，本項(xiàng)研究提出了一種將ViBE算法與面向?qū)ο蟮姆诸惙椒ㄏ嘟Y(jié)合的運(yùn)動(dòng)車輛檢測(cè)方法(ViBE and object-oriented for moving vehicles detection,VOMVD)，進(jìn)行運(yùn)動(dòng)目標(biāo)的精準(zhǔn)檢測(cè)。

通過(guò)在影像上進(jìn)行道路識(shí)別，能夠有效克服目標(biāo)運(yùn)動(dòng)區(qū)域生成受制于運(yùn)動(dòng)軌跡數(shù)量，以及視頻幀與GIS基礎(chǔ)地理信息數(shù)據(jù)不匹配等問(wèn)題，有利于實(shí)現(xiàn)對(duì)視頻衛(wèi)星運(yùn)動(dòng)目標(biāo)的精準(zhǔn)檢測(cè)。

2 數(shù)據(jù)與方法

本項(xiàng)研究中使用的數(shù)據(jù)是由中國(guó)長(zhǎng)光衛(wèi)星技術(shù)有限公司的吉林一號(hào)視頻03星于2017年5月拍攝的美國(guó)亞特蘭大地區(qū)的視頻影像。衛(wèi)星處于太陽(yáng)同步軌道，距地高度535 km，軌道傾角97.54°。衛(wèi)星有凝視視頻、夜光、立體、空間目標(biāo)成像等多種成像模式。數(shù)據(jù)是RGB彩色視頻，地面空間分辨率為0.92 m，標(biāo)準(zhǔn)景面積11 km×4.5 km，無(wú)控定位精度200 m。本研究裁切了亞特蘭大機(jī)場(chǎng)北部附近的1 024×1 024像素的公路范圍作為本項(xiàng)研究的研究區(qū)，如圖1所示。

研究的流程如圖2所示。首先對(duì)衛(wèi)星視頻數(shù)據(jù)進(jìn)行幀間配準(zhǔn)等圖像預(yù)處理；然后優(yōu)化ViBE參數(shù)，進(jìn)行運(yùn)動(dòng)目標(biāo)粗提取；繼而利用面向?qū)ο蟮姆诸惙椒ㄔ陉P(guān)鍵幀影像上對(duì)道路進(jìn)行提取；最后用道路掩膜ViBE的運(yùn)動(dòng)目標(biāo)，得到高精度的運(yùn)動(dòng)目標(biāo)檢測(cè)效果。

圖1 研究區(qū)的視頻影像Fig.1 Video image of the study area

圖2 VOMVD流程Fig.2 Flowchart of VOMVD

2.1 基于特征點(diǎn)匹配的幀間配準(zhǔn)方法

當(dāng)前遙感圖像配準(zhǔn)方法主要包括基于頻域傅里葉變換的配準(zhǔn)方法和基于空間域特征點(diǎn)匹配的配準(zhǔn)方法?；陬l域傅里葉變換的配準(zhǔn)方法，通常速度快、效率高，但是對(duì)于圖像的扭曲、拉伸等非剛性變換配準(zhǔn)效果通常不佳。相對(duì)而言，基于空間域特征點(diǎn)匹配方法在遙感圖像配準(zhǔn)中應(yīng)用較為廣泛。本項(xiàng)研究中即采用基于特征點(diǎn)的匹配方法進(jìn)行匹配。

基于特征點(diǎn)匹配方法通常包括3個(gè)主要步驟：特征點(diǎn)探測(cè)、特征匹配和圖像變換。特征點(diǎn)探測(cè)是通過(guò)SIFT,SURF,ORB,AKAZE等算法提取角點(diǎn)、邊緣點(diǎn)、交叉點(diǎn)等特征點(diǎn)，并對(duì)每個(gè)點(diǎn)進(jìn)行特點(diǎn)描述；特征匹配是在待配準(zhǔn)影像和參考影像提取的特征點(diǎn)基礎(chǔ)上，采用暴力匹配、交叉匹配、k近鄰匹配(KNN)等方式，將對(duì)應(yīng)的特征點(diǎn)聯(lián)系在一起，通過(guò)對(duì)應(yīng)的特征點(diǎn)求取變換的轉(zhuǎn)換系數(shù)；圖像變換是根據(jù)求取的變換系數(shù)將整幅圖像進(jìn)行變換。

2.2 基于ViBE的運(yùn)動(dòng)車輛粗檢測(cè)方法

ViBE算法是一種基于背景建模的運(yùn)動(dòng)目標(biāo)識(shí)別方法[6]。該方法通過(guò)對(duì)像元的空間與時(shí)間鄰域采樣，構(gòu)建像元背景樣本集合。像元的樣本集合可以表達(dá)為：

M(x)={v1,v2,…,vN}

(1)

式中：x為當(dāng)前像元；M(x)為x像元的背景樣本集合；v1,v2,vN分別為從第1幀，第2幀，第N幀獲取的像元值。其中初始背景值M0(x)通常對(duì)像元的空間8鄰域像元隨機(jī)采樣獲?。?/p>

M0(x)={v0[y|y∈NG(x)]}

(2)

式中：NG(x)為當(dāng)前像元x在空間鄰域上的集合；y為NG(x)集合中的任一像元；v0(y)為起始幀y像元的像素值。

一旦構(gòu)建起背景樣本集合M(x)，即可通過(guò)對(duì)比當(dāng)前幀與背景樣本集合，進(jìn)行運(yùn)動(dòng)目標(biāo)提取，提取規(guī)則如下：

s.t.vi∈M(x)

(3)

(4)

(5)

式中：v(x)為當(dāng)前幀像元x處的像元值；vi為該像元處樣本集合M(x)中的任意樣本；r為樣本值允許的波動(dòng)范圍。當(dāng)其差值|v(x)-vi|在波動(dòng)區(qū)間r內(nèi)，表示樣本vi贊成v(x)為背景，否則表示樣本vi贊成v(x)為目標(biāo)。S統(tǒng)計(jì)樣本集合中所有樣本贊成v(x)為目標(biāo)的數(shù)量，如果該數(shù)量大于設(shè)定的閾值T，即可確認(rèn)當(dāng)前像元為運(yùn)動(dòng)目標(biāo)，否則認(rèn)可其為背景。

當(dāng)前幀一像元被判定為背景目標(biāo)時(shí)，它將有一定的概率隨機(jī)更新其背景樣本集合中的任一樣本，并等概率隨機(jī)更新其空間鄰域中的某一像元的背景樣本集合。該過(guò)程體現(xiàn)了ViBE算法在時(shí)間和空間上的隨機(jī)性。通過(guò)優(yōu)化閾值T可以將運(yùn)動(dòng)目標(biāo)盡可能多檢測(cè)出來(lái)，同時(shí)也不可避免地引入了許多虛假目標(biāo)。

2.3 基于規(guī)則的面向?qū)ο蟮缆纷R(shí)別方法

為了抑制ViBE檢測(cè)的虛假運(yùn)動(dòng)目標(biāo)以及視差偽運(yùn)動(dòng)目標(biāo)，本項(xiàng)研究采用基于規(guī)則的面向?qū)ο蠓诸愃惴▽?duì)背景影像中的道路進(jìn)行識(shí)別，將道路信息作為掩膜，去除掉道路之外的部分偽運(yùn)動(dòng)目標(biāo)。

本項(xiàng)研究首先對(duì)圖像進(jìn)行預(yù)處理，預(yù)處理的過(guò)程主要包含中值濾波與直方圖均衡化。預(yù)處理的目的在于提高影像中不同要素的對(duì)比度，減少汽車等小斑點(diǎn)對(duì)道路提取的影響，提升圖像的分類效果。影像分割是影響分類結(jié)果的關(guān)鍵步驟，分割結(jié)果的好壞直接影響后續(xù)地物識(shí)別的精度。本項(xiàng)研究中采用了基于邊緣檢測(cè)的閾值分割方法，將影像分割為大大小小的圖斑，采用全局閾值法(full lambda schedule)進(jìn)行圖像合并。道路主要通過(guò)光譜、紋理和空間幾何屬性來(lái)進(jìn)行描述。

光譜屬性描述的是地物在光譜范圍上的敏感性，是地物最基本的特征信息，是目標(biāo)識(shí)別的基礎(chǔ)。道路路面平整，多是瀝青或者水泥材質(zhì)，較樹(shù)木、草坪、裸土等地表結(jié)構(gòu)呈現(xiàn)出高反射，但該方法不能夠有效區(qū)分出高亮的其他人工建造物。紋理屬性是影像中局部不規(guī)則但全局有規(guī)律的特性，可以反映出地物表面的粗糙性、方向性和規(guī)則性等特征，是遙感影像地物分類的重要依據(jù)。紋理特征對(duì)于去除樹(shù)木、農(nóng)田等具有規(guī)則紋理特征的地物非常有效?？臻g幾何特征主要是依據(jù)對(duì)象的形狀、大小、長(zhǎng)寬比等特征進(jìn)行地物識(shí)別，該方法對(duì)于諸如道路之類的人工建筑非常有效。本研究?jī)?yōu)選了3類屬性中的8個(gè)特征，共同用于進(jìn)行道路識(shí)別，如表1所示。

表1 面向?qū)ο蟮缆诽崛〉奶卣骷捌湔f(shuō)明

2.4 運(yùn)動(dòng)車輛檢測(cè)的精度評(píng)價(jià)方法

為了對(duì)檢測(cè)的精度進(jìn)行定量分析，并能夠與以往研究相互對(duì)照，研究中所采用的評(píng)價(jià)指標(biāo)是當(dāng)前目標(biāo)檢測(cè)領(lǐng)域常用到的準(zhǔn)確率P、召回率r和F值，來(lái)對(duì)結(jié)果進(jìn)行量化分析[18]。

(6)

(7)

(8)

式中：TP為算法正確檢測(cè)出來(lái)的運(yùn)動(dòng)車輛的數(shù)量； FP為被算法錯(cuò)誤識(shí)別為運(yùn)動(dòng)車輛的數(shù)量，即目標(biāo)是不動(dòng)的，但被識(shí)別為運(yùn)動(dòng)目標(biāo)；FN為沒(méi)有被算法檢測(cè)出來(lái)的運(yùn)動(dòng)車輛，即目標(biāo)是真實(shí)運(yùn)動(dòng)的，但算法沒(méi)有檢測(cè)出來(lái)的目標(biāo)。準(zhǔn)確率P也稱為正檢率，表示在方法檢測(cè)出來(lái)的運(yùn)動(dòng)目標(biāo)中，正確檢測(cè)的車輛所占的比例。召回率r也稱為漏檢率，表示在真實(shí)的運(yùn)動(dòng)目標(biāo)中，準(zhǔn)確檢測(cè)的目標(biāo)所占的比例。F是在兼顧P和r兩方面性能的基礎(chǔ)上對(duì)方法的綜合評(píng)價(jià)。

3 結(jié)果

3.1 基于特征點(diǎn)匹配的視頻幀間配準(zhǔn)結(jié)果

本研究采用AKAZE算法生成特征點(diǎn)，采用KNN匹配算法，以視頻中間幀作為參考影像，逐幀將視頻配準(zhǔn)到參考坐標(biāo)系下。特征點(diǎn)選取與匹配的示意如圖3所示。經(jīng)過(guò)配準(zhǔn)后，視頻幀的穩(wěn)定性得到明顯增強(qiáng)。

圖3 參考幀與待配準(zhǔn)幀的特征點(diǎn)選擇與匹配Fig.3 Feature points selection and matching between reference frame and registration frame

3.2 基于ViBE的運(yùn)動(dòng)車輛檢測(cè)結(jié)果

背景集合樣本中元素的個(gè)數(shù)N，背景樣本值允許的波動(dòng)范圍r，設(shè)定的閾值T和設(shè)定的背景樣本更新率，對(duì)背景樣本集合M(x)的構(gòu)建與更新起著決定作用，并影響ViBE對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)精度。

針對(duì)本項(xiàng)研究中應(yīng)用到的吉林一號(hào)衛(wèi)星視頻數(shù)據(jù)，為了能夠盡可能準(zhǔn)確地識(shí)別出運(yùn)動(dòng)車輛，避免漏檢，對(duì)ViBE的參數(shù)進(jìn)行反復(fù)調(diào)試，最終將樣本集合數(shù)量N設(shè)定為20，背景樣本值允許的波動(dòng)范圍r設(shè)定為10，閾值T設(shè)置為5，更新率設(shè)定為4。在該取值范圍下能夠盡可能多地獲取運(yùn)動(dòng)目標(biāo)，捕捉到絕大多數(shù)運(yùn)動(dòng)的車輛，但同時(shí)也會(huì)引入大量虛假運(yùn)動(dòng)目標(biāo)點(diǎn)。

在這些參數(shù)中，背景樣本值允許的波動(dòng)范圍r和閾值T對(duì)結(jié)果的影響更大，r值設(shè)置得越大，T值設(shè)置得越小，對(duì)背景值就越寬容，那么與背景值類似的目標(biāo)就很有可能被作為背景；相反，如果r值設(shè)置得很大，T值也設(shè)置得很大，那么就對(duì)背景值要求越嚴(yán)格，背景值由于光照等原因造成灰度值的變化，都將被作為運(yùn)動(dòng)目標(biāo)被誤檢出來(lái)。更新率設(shè)定為4，表示當(dāng)前像元被檢測(cè)為背景時(shí)，該值有1/4的概率，更新其背景樣本集合，該值主要用于對(duì)動(dòng)態(tài)背景的更新。

3.3 面向?qū)ο蟮牡缆诽崛〗Y(jié)果

本項(xiàng)研究中采用了中值濾波對(duì)原始影像進(jìn)行了預(yù)處理。預(yù)處理的目的主要在于增強(qiáng)影像對(duì)比度，并對(duì)汽車等小目標(biāo)進(jìn)行填充，有利于在預(yù)處理的基礎(chǔ)上進(jìn)行面向?qū)ο蟮牡缆诽崛　＠^而采用了基于邊緣檢測(cè)的圖像分割方法，閾值設(shè)置為55，將圖像劃分為許多圖斑。在圖像分割的基礎(chǔ)上，采用全局閾值合并方法，閾值設(shè)定為70，對(duì)特征相同的圖斑進(jìn)行合并。在該參數(shù)設(shè)置下，可以很好保持道路的特征。紋理內(nèi)核設(shè)置為默認(rèn)值3，以此計(jì)算局部區(qū)域的紋理特征。在此基礎(chǔ)上，建立規(guī)則進(jìn)行道路提取。建立的道路提取規(guī)則如下：光譜屬性，R波段的平均值為80～220，標(biāo)準(zhǔn)差<15；紋理屬性，紋理平均灰度值為80～220，卷積核內(nèi)的平均灰度信息熵為-1 ～ -0.4；空間幾何屬性方面，道路是狹長(zhǎng)結(jié)構(gòu)形狀，延長(zhǎng)線(elongation)>1.2，緊密度(compactness)<0.23，長(zhǎng)度(length)>10。對(duì)該規(guī)則集下得到提取結(jié)果，并進(jìn)行后處理，用于去除掉道路中間的小孔洞等，最終效果如圖4所示。

圖4 研究區(qū)道路Fig.4 Road map of study area

對(duì)道路提取結(jié)果的量化分析結(jié)果如表2所示。

表2 面向?qū)ο蟮缆诽崛〉牧炕治?/p>

該方法的總體精度為80.95%，Kappa系數(shù)為0.51。就道路提取效果而言，該方法對(duì)于城市主干道的提取效果較好，但對(duì)小路、路面陰影、遮蔽等部分未能夠有效提取出來(lái)。該方法對(duì)機(jī)場(chǎng)跑道等與道路的群效果較差，影響了分類精度。但總體而言，結(jié)果能夠?qū)⒋蟛糠值缆范继崛〕鰜?lái)，能夠起到對(duì)ViBE粗檢測(cè)目標(biāo)中虛假運(yùn)動(dòng)目標(biāo)和偽運(yùn)動(dòng)目標(biāo)的濾除需求。

3.4 運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果與量化分析

為了驗(yàn)證本文中提出的方法的有效性，選取了運(yùn)動(dòng)目標(biāo)檢測(cè)方法中通常用到的三幀差分法、ViBE算法與本研究中的結(jié)果進(jìn)行對(duì)比驗(yàn)證。選取第110幀，用于展示各方法的結(jié)果，分別如圖5、圖6和圖7所示。為了更清晰地展示各類方法的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果，在手工標(biāo)注的真實(shí)運(yùn)動(dòng)目標(biāo)的基礎(chǔ)上，對(duì)各種方法得到結(jié)果的TP(綠色)，F(xiàn)P(紅色)，和FN(藍(lán)色)進(jìn)行量化顯示，分別如圖8、圖9和圖10所示，各種方法檢測(cè)表如表3所示。

圖5 三幀差分法檢測(cè)的運(yùn)動(dòng)目標(biāo)Fig.5 Moving objects detection result by three-frame difference method

圖6 ViBE檢測(cè)的運(yùn)動(dòng)目標(biāo)Fig.6 Moving objects detection result by ViBE

圖7 VOMVD的運(yùn)動(dòng)目標(biāo)Fig.7 Moving objects detection result by VOMVD

圖8 三幀差分法檢測(cè)結(jié)果的量化顯示Fig.8 The quantitative display of the detection results of the three-frame difference method

圖9 ViBE檢測(cè)結(jié)果的量化顯示Fig.9 The quantitative display of the detection results of ViBE

圖10 VOMVD檢測(cè)結(jié)果的量化顯示Fig.10 The quantitative display of the detection results of VOMVD

表3 各種方法的精度評(píng)估

其中TFD表示三幀差分法。結(jié)果表明，本研究提出的檢測(cè)方法的精度明顯優(yōu)于三幀差分法，而相對(duì)于ViBE算法，其召回率相近，但檢測(cè)精度明顯提高，方法性能明確提升。因此，本研究提出的方法能夠在保障召回率的前提下，能夠有效抑制虛假和偽運(yùn)動(dòng)目標(biāo)，有效提升方法性能。

4 討論

4.1 VOMVD方法的優(yōu)缺點(diǎn)分析

本項(xiàng)研究提出的VOMVD方法是在傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法的基礎(chǔ)上與當(dāng)前遙感目標(biāo)識(shí)別技術(shù)相結(jié)合，而形成的一種新方法。該方法克服了以往研究中目標(biāo)運(yùn)動(dòng)區(qū)域生成緩慢或者運(yùn)動(dòng)區(qū)域與視頻幀難以兼容等問(wèn)題，與傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法相比，VOMVD顯著提高了對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)精度，方法的性能得到有效提升。方法經(jīng)過(guò)視頻幀間配準(zhǔn)，視頻幀間相對(duì)穩(wěn)定，不需要逐幀進(jìn)行道路識(shí)別，可以有效保障數(shù)據(jù)處理的時(shí)效性。VOMVD是對(duì)計(jì)算機(jī)視覺(jué)和遙感科學(xué)方法融合的初步探索，本文創(chuàng)新主要表現(xiàn)在流程設(shè)計(jì)應(yīng)用方面，但研究中也暴露出一些問(wèn)題和不足，主要表現(xiàn)在研究中采用了基于規(guī)則面向?qū)ο蟮姆椒?，選取了一定的光譜、紋理和空間幾何特征，進(jìn)行道路。但是從結(jié)果上看，方法對(duì)小路、陰影、遮蔽等情況下，道路信息提取不夠精確。在小路上車輛較多的情況下會(huì)影像對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)精度。因此，有必要結(jié)合深度學(xué)習(xí)、結(jié)構(gòu)化特征提取等新方法、新技術(shù)探索對(duì)道路更加精準(zhǔn)的提取方法，加強(qiáng)對(duì)算法精度的改進(jìn)[19]。

4.2 VOMVD的未來(lái)發(fā)展趨勢(shì)

VOMVD對(duì)運(yùn)動(dòng)目標(biāo)的召回率已經(jīng)達(dá)到較為理想的程度，方法發(fā)展的關(guān)鍵在于如何抑制方法產(chǎn)生的大量虛假運(yùn)動(dòng)目標(biāo)和偽運(yùn)動(dòng)目標(biāo)。VOMVD采用面向?qū)ο蟮姆诸惙椒ㄍㄟ^(guò)對(duì)道路的提取對(duì)虛假目標(biāo)和偽運(yùn)動(dòng)目標(biāo)產(chǎn)生了一定的抑制作用，然而，方法對(duì)道路的提取精度還有待提升。當(dāng)前以深度學(xué)習(xí)為代表的目標(biāo)識(shí)別技術(shù)飛速發(fā)展，分類精度不斷提升。在衛(wèi)星影像上，小尺度的運(yùn)動(dòng)目標(biāo)其形狀、顏色、紋理等特征不明顯、不一致，采用mask-RCNN,YOLO等目標(biāo)識(shí)別算法直接探測(cè)目標(biāo)，難度是非常大的。因此，利用U-Net等網(wǎng)絡(luò)構(gòu)架，進(jìn)行遙感影像上的道路提取，再結(jié)合ViBE等傳統(tǒng)運(yùn)動(dòng)目標(biāo)檢測(cè)算法，是未來(lái)運(yùn)動(dòng)目標(biāo)檢測(cè)的重要發(fā)展方向[20]。

5 結(jié)論

本項(xiàng)研究提出的VOMVD將傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法ViBE與遙感面向?qū)ο蠓诸惙椒ㄏ嘟Y(jié)合，較之傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，方法精度得到有效提升，本研究中對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)準(zhǔn)確率P值由61.49%提升到了85.71%，F(xiàn)值從75.83%提升到了91.37%，以此證明了通過(guò)遙感目標(biāo)檢測(cè)方法提取目標(biāo)運(yùn)動(dòng)區(qū)域，抑制虛假運(yùn)動(dòng)目標(biāo)和偽運(yùn)動(dòng)目標(biāo)，提升方法性能的思路是合理和可行的?；诿嫦?qū)ο蟮牡缆诽崛》椒ㄔ诰确矫嫒杂芯薮筇嵘臻g，基于深度學(xué)習(xí)等新技術(shù)的道路提取，是未來(lái)的重要發(fā)展方向。研究中所提到的方法對(duì)于視頻衛(wèi)星的運(yùn)動(dòng)目標(biāo)檢測(cè)有重要的理論意義，同時(shí)對(duì)于推動(dòng)視頻衛(wèi)星在智慧城市、智能交通等領(lǐng)域的應(yīng)用也具有一定的應(yīng)用價(jià)值。