區域活動輪廓模型在高分辨率衛星影像車輛檢測中的應用

劉建鑫 景雨 陶永鵬 郭鵬 陳恒

摘 要 高分辨率衛星遙感圖像是一種特殊的數字圖像，其復雜程度遠高于一般圖像。本文重點圍繞高分辨率車輛衛星遙感圖像中存在大量的噪聲，對比度較低以及灰度不均勻性等問題，并且考慮遙感數據量較大的特點，對基于區域活動輪廓模型的車輛檢測算法進行研究，最終設計精確、高效及魯棒性好的車輛目標檢測算法。實驗結果證明區域活動輪廓圖像分割方法在高分辨率衛星影像中可以有效地將車輛目標的形狀特征提取出來，進一步提高車輛目標檢測的識別率和準確性。

關鍵詞 區域活動輪廓 高分辨率衛星影像 車輛檢測

中圖分類號：TP391.41文獻標識碼：A

0引言

隨著城市的發展，國內外目前對基于遙感影像的車輛檢測尤為重視，在2002年與2006年，國際攝影測量與遙感學會（ISPRS）針對基于遙感的交通檢測專題，交流了遙感圖像中的車輛檢測技術以及交通信息提取等方面的成果。在2016年召開的城市遙感國際聯合會議中，針對城市車輛檢測的研究也備受關注。

目前，國內外研究人員對遙感圖像中的車輛檢測已經有了一定成果，但是成果并不完善，仍存在一些問題待解決。在機器學習領域，Gerhardinger等人通過提取車輛的幾何特征和光譜特征等，建立了高分辨率車輛檢測模型達到車輛檢測的目的。曹天揚等利用灰度值變換，改變深色車的顏色特征，然后利用最大類間方差（OTSU）算法將車輛從路面中分離出來。陳光根據車輛的光譜特征信息和幾何特征信息提出了一種基于多方向形態變換的車輛檢測方法。

根據對國內外的研究成果的分析，目前關于高分辨率遙感圖像中車輛檢測研究仍然很少，主要原因之一就是影像數據的獲取有著很大的局限性。在衛星影像中識別車輛至少需要0.6m分辨率的要求，衛星影像分辨率過低則難以通過目視判讀去區分車輛，從而無法對車輛進行精確的識別。本文在現有方法的基礎上，提出基于改進的區域活動輪廓模型的高分辨率衛星影像的車輛目標檢測方法，對于活動輪廓模型在車輛檢測領域的應用，具有較重要的參考價值。借助于區域活動輪廓模型所設計的車輛目標檢測系統可以用來輔助交通監控等需要車輛識別等智能交通領域，這些應用和推廣必將產生巨大的社會效益和經濟利益。

1區域活動輪廓模型的圖像分割原理分析

區域活動輪廓模型的典型代表為CV模型，該模型不僅能夠很好的處理邊界模糊、邊界斷裂甚至無邊界的情況，也能夠自適應的改變拓撲結構，且具有一定的抑制噪聲的能力。其原理為：假設圖像中同質區域內的灰度是常數，設將圖像分割為目標區域和背景區域，各個區域的灰度均值分別為和，則通過最小化Mumford-Shah能量函數來進行圖像分割的過程就是尋找最優分割曲線，使得到的分割后圖像中的灰度均值和的灰度均值與原始圖像之間的方差最小。為此，Chan 和Vese提出了以下曲線擬合能量函數：

式中，為曲線的長度項，為面積項，這兩項均是在曲線演化的過程中，Chan 和Vese加入的平滑約束項。實參數，，，0是各個能量項的權重系數。該模型利用了圖像的全局區域信息，通過最優化FCV就可以求得最終分割曲線C以及和。

2高分辨率衛星影像的車輛檢測技術

高分辨率衛星影像的車輛檢測技術主要由三個步驟來實現，這三個步驟分別是首先進行圖像預處理，其次進行基于區域活動輪廓模型的圖像分割，然后再進行曲線演化的全局極小解的數字化實現，最后實現車輛目標的檢測和邊界的提取。圖像預處理中主要包括兩個步驟，分別是濾波去噪和歸一化。目標圖像進行預處理之后，可以進行車輛目標的檢測和提取，此環節主要使用Jing Y提出的基于改進的全局最優化區域活動輪廓模型。該模型對于具有較強噪聲、邊界模糊和灰度不均勻性特點的特殊圖像有著較強的分割處理能力。在曲線演化的全局極小解的數字化實現環節，使用基于Split Bregman的數字最小化方法，使提出的分割模型不再受初始輪廓的影響，且該算法實現比傳統的基于梯度下降的數字最小化方法更簡單，曲線收斂更快、更穩定，同時分割結果也更準確。具體檢測步驟如圖1所示。

3實驗結果

3.1實驗數據分析

本文所使用的實驗數據均來自于中國科學院遙感衛星研究所提供的QuickBird快鳥衛星圖片。QuickBird快鳥衛星從450公里外的太空拍攝地球表面上的地物、地貌等空間信息，最大成圖比例尺可達1∶1500至1∶2000，其影像分辨率高達0.61米，是目前世界上商業衛星中分辨率最高、性能較優的一顆衛星。基于QuickBird的高分辨率衛星數據影像的應用也非常廣泛，包括農業、林業、地質災害、環境監測和城市規劃等[7]。本研究所用實驗圖片主要包含了大連旅順南路主干道路的車輛道路情況圖像片段，且選擇在交通高峰期進行行駛車輛的拍攝。這樣，所取樣樣本數據中包含較多的車輛目標。為了更能進一步驗證算法的有效性，仿真實驗中，我們選擇了48個具有一定背景噪聲、對比度低且具有一定的灰度不均勻性的特殊樣本數據作為測試圖像，圖像的大小為32？9 像素到 37？26像素。

我們使用Matlab2016對提出的車輛檢測算法進行了仿真實驗。實驗所用計算機的配置為Intel雙核i-8550U處理器， CPU為1.80GHz和1.99GHz，16G內存以及Windows 10操作系統。

3.2實驗參數的設置和實驗結果的分析

在實驗中，實驗參數設置為：時間步長，迭代終止閾值，局部區域大小的控制參數，加權全變差范數項的系數，二次懲罰項的系數。

高分辨率衛星的車輛道路圖像被分割后，車輛目標區和道路背景區分別對應灰色區域和黑色區域。采用本文所提出的車輛檢測方法進行目標圖像識別，并將分割前后的圖像進行對比可以發現，48個樣本數據的平均目標識別率為91.23%，最高識別率為92.31%，最低識別率為87.88%。圖2和圖3分別給出了其中最高識別率和最低識別率2個樣本數據的目標檢測結果。其中，圖2和圖3中第一列為原始車輛道路衛星圖片，圖像大小分別為34？16像素，37？14像素。第二列為車輛目標分割圖像，第三列為原始圖像中車輛目標的邊緣提取圖像。CPU的響應時間分別為0.74秒和0.81秒。實驗結果證明基于活動輪廓模型的圖像分割方法在高分辨率衛星影像中可以有效地將車輛目標的形狀特征提取出來，進一步提高車輛目標檢測的識別率和準確性。

4結語

綜上所述，高分辨率衛星影像的車輛檢測中應用基于改進的全局最優化的區域活動輪廓模型的分割方法，可以實現對車輛目標的準確提取，同時在曲線演化的全局極小解的數字化實現過程中，使用基于Split Bregman的數字最小化方法，不僅使提出的分割模型不再受初始輪廓的影響，且該算法的實現比傳統的基于梯度下降的數字最小化方法更簡單，曲線收斂更快、更穩定，同時分割結果也更準確。借助于區域活動輪廓模型所設計的車輛目標檢測系統可以用來輔助交通監控等需要車輛識別等智能交通領域，這些應用和推廣必將產生巨大的社會效益和經濟利益。

參考文獻

[1] A. G A&D. E A&M.P A.Vehicle detection from very high resolution satellite imagery[J].2012（36）.

[2] 曹天揚，申莉.應用光照模型的交通車輛識別定位的高分辨率遙感方法[J].測繪學報，2015，44（01）：4-39.

[3] 陳光，門玉英，翟東宇等.一種高分辨率遙感影像車輛檢測方法[J].軟件導刊，2016，15（07）：181-183.

[4] Chan，T.&L.Vese.Active contours without edges[J].IEEE Transactions on Image Processing，2001，10（02）：266-277.

[5] 景雨，劉建鑫，劉朝霞，李紹華.Split Bregman算法在遙感圖像邊緣檢測中的應用研究[J].計算機科學，2017，44（12）：310-315.

[6] Goldstein，T.&X.Bresson&S.Osher.Geometric Applications of the Split Bregman Method： Segmentation and Surface Reconstruction[J].Journal of Scientific Computing，2010，45（1-3）：272-293.

[7] 錢家航，王金亮，馬如彪，鄧鈺.基于QuickBird影像城市道路特征語義信息提取[J].遙感技術與應用，2014（04）.