結合SURF與SVM的高分遙感影像車輛提取技術

張 勇，牛成磊，谷正氣， 李 健， 夏 威

（1.湖南工業大學 機械工程學院，湖南 株洲 412007；2.北京中科戎大信息技術有限公司，北京 100190；3.中國交通通訊信息中心，北京 100011）

結合SURF與SVM的高分遙感影像車輛提取技術

張 勇1，牛成磊2，谷正氣1， 李 健1， 夏 威3

（1.湖南工業大學 機械工程學院，湖南 株洲 412007；2.北京中科戎大信息技術有限公司，北京 100190；3.中國交通通訊信息中心，北京 100011）

從高分遙感影像中提取車輛信息，對民用和軍事領域具有重要意義。為提高車輛信息提取的精度和效率，提出SURF特征和支持向量機（SVM）相結合的方法，對感興趣區域的車輛進行提取。通過邊緣信息消除冗余圖像，利用半搜索策略滑動窗口，以提高車輛識別精度，減少計算量。對深圳南山區0.25m分辨率的遙感影像進行車輛提取測試，測試結果表明：車輛提取的錯誤率低于20%；車輛提取時間控制在分鐘級，本算法具有一定的工程適用性。

高分辨率；遙感影像；車輛提取；支持向量機；SURF特征

0 引言

高分遙感已進入“平民化”時代，將其應用于交通行業成為研究熱點。從遙感影像提取的車輛信息可用于交通調查和分析。與傳統的車輛信息獲取方式相比，該方法具有宏觀性強、可視化、效率高、節省時間等諸多優點。然而，如何從遙感影像中有效地提取車輛信息，成為實際應用的瓶頸。

在0.6～1.0m分辨率范圍內的高分遙感影像中，車輛的基本輪廓清晰可見。對此，1996年R. Ruskone等人[1]提出使用結構輪廓特征提取車輛信息。2001年Zhao Tao等人[2]提出使用一階差分梯度法提取車輛信息。2003年S.Hinz等人[3]提出使用3D和數據融合方法提取車輛信息。同年，鄭宏等人[4]應用人工免疫學習方法對0.6m分辨率的遙感影像進行車輛信息提取，試驗結果表明，利用該方法提取的車輛信息能達到一定精度。但以上方法的精度和效率仍不能滿足工程應用要求。對此，本文提出將SURF（speeded up robust features）特征和SVM（support vector machine）學習算法相結合，對高分遙感影像進行車輛信息提取。采用分支定界方法，縮小求解空間；使用CPU/GPU多線程技術，加速計算，以期本算法能達到一定的速度和精度要求。

1 算法原理

1.1 感興趣區域提取

對圖像進行目標提取時，需要搜索整個圖像空間，從而造成大量冗余計算，降低了信息提取效率。對此，本文將目標車輛所在的小范圍作為感興趣區域即解空間，進行目標搜索。如果影像帶有地理信息數據，則每個像素均可對應到UTM坐標系統（universal transverse mercartor grid system）中，即可以將該地區的道路矢量圖像作為解空間；如果影像不帶地理信息數據，則可使用圖像濾波方法提取感興趣區域，本文使用雙邊濾波對圖像進行預處理，應用圖像形態學變換提取目標區域車輛。

車輛目標往往與背景有影像梯度差異，因此，增強圖像中梯度變化較大的區域，削弱梯度變化較小的區域，使車輛周圍的平滑道路區域、綠地等（冗余解空間）被剔除。操作定義如下：

圖1為本算法對2幅圖像進行感興趣區域提取的結果圖。通過G1操作，亮目標車輛能獲得較好的邊緣，而暗目標車輛采用G2操作，會得到較好結果。本文對圖像進行G1和G2操作，最后，取其和值，得到目標邊緣，即

圖1 感興趣區域提取Fig.1 The extraction technique of ROI

1.2 目標特征表示和分類原理

首先，構建正-負樣本的SURF[5]特征，再利用訓練樣本對支持向量機進行訓練，構造分類器。將感興趣區域分割為4×4的窗口，計算每個子窗口的像素梯度值、梯度和、梯度絕對值之和，將梯度和、梯度絕對值之和作為特征描述符，此時描述符的維數為4×4×4=64，SURF描述符原理見圖2。

圖2 SURF特征采樣區域選取和梯度計算Fig.2 The selection of SURF feature sampling region and gradient computation

本文將訓練樣本分割為4×4的窗口，每個子窗口為7×7像素，分別計算其4個梯度和特征，然后組合成64維向量進行目標搜索，如圖3所示。

圖3 訓練樣本SURF描述Fig. 3 SURF description for training sample

支持向量機是一種成熟的數據分類算法，分類數據的超平面為一次函數，通過調整函數參數來優化超平面，優化的目的是讓不同類屬的樣本間距最大化，其原理如圖4所示。圖中，W為超平面，Margin為樣本間距。

圖4 超平面和待分數據圖Fig. 4 The hyperplane and analysis data diagram

確定超平面后，可將訓練樣本分成2類（目標與非目標），分類函數f可表述為

式中：xnew為待分類樣本向量；f函數的返回值為樣本類別屬性。

一般，簡單的線性分類器并不能完全滿足分類目的。對于低維超平面不能分開的樣本可用數據表示，將其特征向量映射到高維空間，通過多次高維映射，找到合適的超平面來完成分類。將向量p=(g1, g2)和 q=(h1,h2) 向高維空間進行映射的公式如下：

以上式中，函數K(p,q)為核函數，其返回值反映分類結果。不同的投影方式，核函數不同。映射分類原理如圖5所示，詳細的公式推導見文獻[6-7]。

圖5 SVM高維映射與超平面分類Fig.5 The SVM high-dimensional mapping and hyperplane classification

1.3 目標搜索策略

對圖像感興趣區域內的目標進行遍歷搜索時，需要滑動窗口，計算窗口含目標的概率。對每個窗口都要進行特征提取和分類，而多數窗口不含目標，因此，造成大量冗余計算。為了減少計算量，M. Agrawal等人[8-9]提出了一種特征相關快速圖像滑窗搜索法，用于圖像快速搜索，但其需要額外的樹狀數據結構來存儲信息，這產生了大量的臨時變量，需占用較大內存。因此，本文提出半搜索法，將目標尺寸的一半作為遞增量搜索目標，若在滑動窗口的子窗口搜索距離范圍內，目標描述符出現的概率大于設定閾值，則判斷其含目標；若小于閾值，則對周圍像素進行細化分類，直到完成準確的目標分類。算法分類原理如圖6所示。假設目標尺寸為2×2，搜索沿偶數行和列進行搜索。如果SVM分類器得到的概率大于閾值T，則表明此處為目標；如果為負數（圖中使用-T表示）表明此處為非目標；如果小于閾值T，則在周圍的子窗口搜索目標（圖6中的a～h窗口），直到確定此處為目標或非目標為止。

圖6 搜索策略Fig.6 Search strategy

1.4 道路車輛信息提取

道路中的車輛信息是交通分析的重點，故需要刪除道路外的車輛。本文利用道路矢量邊界作為掩膜，刪除道路以外的冗余信息。參照國際通用標準Shape Context，利用ENVI遙感處理軟件對車輛信息圖層和道路矢量圖層進行邏輯運算，最終，獲得道路內的車輛信息。車輛信息的提取流程如圖7所示。

圖7 掩膜提取道路車輛信息Fig. 7 Road vehicle information by mask extraction

2 算法測試與分析

2.1 算法時效測試

本文利用深圳南山區0.25m分辨率的遙感影像采集圖像。訓練樣本集中，正樣本1 100個，負樣本3 000個。算法計算效率與計算機的CPU、內存有關系，本測試機的處理器為Intel Core i7 2.9 GHz，內存為8GB。算法時效分析如表1所示。

表1 算法時效分析Table1 Timeliness analysis

由表1可知，本方法處理2萬×2萬像素的圖像時，僅需要1187843ms（約20min），這說明算法時效性較好，具有工程可用性。

2.2 不同區域提取結果評估

目標提取評估的主要指標是檢出率和錯誤率，檢出率為檢出的目標除以全部目標，錯誤率為檢出的錯誤目標除以全部目標。本文分別對郊區路段、郊區生活區、城區路段、城區生活區進行測試，測試結果如圖8所示。由圖8可知，人口密集的生活區由于背景較復雜，錯誤率相對較高。

圖8 不同區域提取的檢出率和錯誤率Fig.8 The relevance ratio and error rate of the extraction results in different areas

2.3 不同道路提取結果評估

由2.2節可知，不同區域的提取精度可能不同。高速公路和普通公路上的車輛是交通關注的重點，對此，分析了本算法對2類道路的提取結果，如圖9和表2所示。

圖9 不同道路的提取效果圖Fig.9 The extraction results in different areas

表2 不同道路的提取結果Table2 The extraction results in different areas

在圖9 b中，由于道路的名稱和前進標識與白色車輛的輪廓和光譜相似，被錯誤識別為車輛；黑色車輛被漏檢。由表2可知，車輛提取的正確檢出率在80%以上。首先，由于道路的復雜性（道路形狀、綠化附屬設施、陰影、太陽反光、靠近道路中央分割帶等）和車輛類型（尺寸、顏色）的繁多，這些增加了準確提取車輛的難度；其次，由于訓練SVM分類器的正-負樣本有限，其分類精度不高。因此，通過進一步增加正-負樣本數和特征描述維數，可提高車輛信息提取的正確率。

3 結語

本文提出了SURF與SVM相結合的方法對0.25 m高分遙感影像進行車輛提取。闡述了該方法的原理與步驟，并用實例進行分析。主要結論如下：采用消除冗余計算空間和半搜索法的策略，提高了搜索效率。對深圳市某地區2萬×2萬像素的0.25 m高分影像進行車輛提取，提取時間控制在分鐘級，正確檢出率在80%以上，這說明本算法從效率和精度上具有一定的工程可用性。由于分類器的分類效果受訓練樣本的限制，下一步，本課題組將增加訓練樣本數，以提高分類器的精度，獲得更高的檢出率和更低的誤檢率。

[1] Ruskone R，Jamet O，Guigues L，et al. Vehicle Detectionon Aerial Images：A Structural Approach[C]//International Conference on Pattern Recognition. Washington：IEEE，1996：900.

[2] Zhao Tao，Nevatia R. Car Detection in Low Resolution Aerial Image[C]//Proceedings of 8th IEEE International Conference on Computer Vision. Vancouver：IEEE，2001：710-717.

[3] Hinz S，Schlosser C，Reitberger J. Automatic Car Detection in High Resolution Urban Scenes Based on an Adaptive 3DModel[C]//Proceedings of the 2nd GRSS/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Area. Berlin：[s. n.]，2003：167-171.

[4] 鄭 宏，李 里.基于人工免疫算法的高分辨率航空遙感影像車輛提取[J].國際計算機科學與網絡安全期刊，2007(2)：7-12. Zheng Hong，Li Li. Vehicle Information Extraction from High Resolution Aerial Remote Sensing Image Based on Artificial Immune Algorithm[J]. International Journal of Computer Science and Network Security，2007(2)：7-12.

[5] Bay H， Ess A，Tuytelaars T，et al.Speeded-Up Robust Features(SURF)[J].ComputerVisionandImage Understanding，2008，110(3)：346-359.

[6] Burges C J C. A Tutorial on Support Vector Machines for Pattern Recognition[J].Data Mining and Knowledge Discovery，1998，2(2)：121-167.

[7]吳 迪.基于SVM分類器的分步定位算法研究[D].哈爾濱：哈爾濱工業大學，2010. Wu Di. Research on Indoor Wlan Location Algorithm Based on SVM Classifier[D].Harbin：Harbin Institute of Technology，2010.

[8] Agrawal M，Konolige K，Blas M R. CenSurE：Center Surround Extremes for Realtime Feature Detection and Matching[C]//10th European Conference on Computer Vision. Heidelberg：Springer，2008：102-115.

[9] Lehmann A，Leibe B，Van Gool L. Feature-Centric Efficient Subwindow Search[C]//2009 IEEE 12th International Conference on Computer Vision. [S. l.]：IEEE，2009：940-947.

（責任編輯：鄧 彬）

SURF and SVM Based Vehicle Information Extraction from High Resolution Remote Sensing Image

Zhang Yong1，Niu Chenglei2，Gu Zhengqi1，Li Jian1，Xia Wei3
（1. School of Mechanical Engineering，Hunan University of Technology，Zhuzhou Hunan 412007，China；2. Red Information Technology Co.,Ltd.，Beijing 100190，China；3. China Transport Telecommunications & Information Center，Beijing 100011，China）

Vehicle information extracted from high resolution remote sensing image is of great significance in civil and military fields. To improve the accuracy and efficiency of the vehicle information extraction, the combined SURF(speeded up robust features)and support vector machine(SVM) algorithm is proposed to extract the vehicle information of the interest region. The edge information redundancy eliminating method and semi-search strategy are used to enhance the identification accuracy and reduce the amount of calculation. Vehicle information in the 0.25 m resolution remote sensing image of Nanshan District in Shenzhen is extracted and tested, the results show that the false rate is less than 20% and the extraction time can be controlled in minute level. The applicability of the method is demonstrated.

high resolution；remote sensing image；vehicle extraction；SVM；SURF

TP751

A

1673-9833(2014)02-0067-05

2014-01-02

中國交通運輸部重點基金資助項目（2012-364-208-802-2）

張 勇（1979-），男，陜西漢中人，湖南工業大學講師，主要從事交通工程和車輛工程方面的教學與研究，

E-mail：zhangyong7051678@163.com

牛成磊（1989-），男，山東濱州人，北京中科戎大信息技術有限公司工程師，主要從事GIS，RS方面的應用研究，

E-mail：niu.chenglei@163.com

10.3969/j.issn.1673-9833.2014.02.014