遙感圖像車輛檢測方法綜述

鄒宗慶

摘 要：車輛檢測是遙感圖像分析領域的熱點研究內容之一，車輛目標的智能提取和識別對于交通管理、智能交通、軍事目標檢測具有廣闊的應用前景。本文圍繞國內外遙感圖像車輛檢測的發展現狀，分析車輛目標檢測面臨的難點問題，討論了遙感圖像最重要和最新的車輛檢測算法，將現有車輛檢測方法分為傳統方法和機器學習兩大類，描述了兩類車輛檢測方法中的典型算法，并分析了它們的優勢和不足，重點概述了深度學習算法在遙感圖像車輛檢測方面的重要作用。最后，結合當下熱門的遙感大數據和人工智能相關理論，展望了未來遙感圖像車輛檢測方法的發展趨勢。

關鍵詞：遙感圖像;光譜特征

1引言

隨著社會經濟的不斷發展，對城市交通運輸能力的要求越來越高，對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遙感圖像的車輛目標自動檢測，對于智能交通、城市規劃、軍事目標檢測與識別等都具有重要意義。國內外對遙感影像車輛檢測的研究已有幾十年的歷史，眾多學者針對不同的應用領域和數據源，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的遙感圖像定義為高分辨率，10米級的定義為中等分辨率，100米級的定義為低分辨率。早期的遙感影像車輛檢測研究集中利用高分辨率航空影像開展，衛星影像相對較少，隨著高分辨率遙感衛星技術的高速發展，利用米級遙感圖像來進行車輛檢測已成為國內外的研究趨勢，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地表目標檢測的能力，彌補了航空影像覆蓋范圍小、數據獲取受限等不足。

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象與像元灰度值相關特征的集合，光譜特征是區分不同地物的重要標志，車輛目標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極端，所以在車輛檢測過程中，多將車輛目標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志標線混淆，深色系車輛則易與瀝青等暗色材質的路面混淆。遙感影像中的車輛表現出規則的矩形狀，面積較小且范圍集中，且具有左右對稱的特性，車身沿中軸線鏡像對稱，車輛對象的形狀特征包括面積、長寬比、形狀指數、緊致度，不同的車輛影像特征在車輛檢測中作用不同，光譜和空間幾何特征直觀明顯，易于計算和建立模型，很多車輛檢測研究方法都利用了其中多個特征而不僅是簡單的某一類。

本文在查閱大量文獻的基礎上，對高分辨率衛星影像上車輛目標的特征進行了探討，分別從傳統方法和機器學習方法兩個層次方面詳細闡述了車輛目標檢測的常用方法，并歸納總結其優缺點，側重分析了深度學習方法在高分辨率遙感圖像車輛檢測方面的重要作用。最后總結和展望了高分辨率衛星影像車輛檢測的發展趨勢。

2 傳統方法

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算一個或多個灰度閾值，谷正氣等[1]首先將與遙感影像對應區域的已有矢量面狀道路影像進行掩膜處理，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和亮色車目標，最后利用車輛目標的形態特征對其進行檢索，獲得車輛目標的檢索結果，該方法由于加入了道路的矢量圖，采用掩膜的方式進行車輛提取，車輛檢測的精度得到了較大的提高。

2.2 形態學方法

陳光等[2]提出了一種基于多方向形態學變換的車輛檢測方法，方法的核心是提出了集成多方向線狀結構元素的形態學頂帽（top-hat）變換和底帽（bottom-hat）變換，處理過程綜合利用了車輛對象的光譜特征和結構特征，創新性地分別對亮色車輛和暗色車輛進行增強和檢測，實現在抑制路面非車輛干擾對象的同時保留車輛對象。

3 ?機器學習方法

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稱的特點，為了減少圖像中的重復特征，提出了一種優化選取Haar-like特征進行車輛檢測的方法，在檢測窗口中選取兩類特征：在檢測窗口上半部分提取所有的矩形特征;在原檢測窗口中，只使用對稱于窗口對稱軸、且描述上下部分差異的矩形特征，該方法既能充分表達圖像的信息，又減少了重復的特征。

3.2 基于HOG特征的方法

HOG特征利用梯度的統計信息描述目標的形狀和外觀，對輪廓信息描述較強，對光照、對比度變化以及輕微旋轉等具有不變性。Tuermer等[3]采用HOG特征并基于Adaboost算法訓練車輛檢測分類器，在預處理步驟中利用兩個序列的影像、全局DEM和道路數據庫作為輸入，同時利用快速區域增長算法分割出車輛潛在的目標區域，提高檢測效率同時降低了車輛檢測的虛警率，車輛檢測精度能夠達到70%。

3.3 人工神經網絡

人工神經網絡簡稱ANN，能夠學習目標圖像的特征，是近年來人工智能領域興起的研究熱點。ANN模仿了人腦的神經元，ANN由大量的節點（或稱神經元）相互連接組成。每兩個節點間的都有一個權重值用來模擬人腦神經網絡中的記憶。陽理理等[4]提出利用人工設計的特征加BP網絡分類器實現車輛檢測的方法，BP網絡是一種多層的前饋祌經網絡，誤差可以反向傳播是BP網絡最大的特點，利用LFP和RCD（G）算法提取車輛數據庫特征，并送到BP分類器進行訓練和測試，車輛檢測準確率可達96.65%，提出的基于二值統計的局部特征模式（Local Feature Pattern， LFP）能夠克服原始區域協方差算子（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方法中卷積核簡單、方向單一的問題。

3.4 卷積神經網絡

卷積神經網絡（CNN）因為可以直接輸入原始圖像而避免了復雜的前期預處理。由多個卷積層和采樣層交替組成的卷積神經網絡具有良好的目標信息表達能力，能夠自動提取車輛的特征加以學習，并且學習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特征提取方法對道路區域進行提取，以減少其他區域的干擾，然后采用選擇性搜索算法得到候選區域，將這些候選區域輸入到訓練好的深度卷積神經網絡中，實現對道路區域車輛目標的自動化提取，有效地提高了識別的準確率和速度，在不同來源的遙感圖像上都有著不錯的效果，應用范圍較廣泛。

高鑫等[6]提出了基于端到端的神經網絡模型DF-RCNN以提高車輛密集區域的檢測精度，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一并融合，其次DF-RCNN模型結合可變形卷積和可變形感興趣區池化模塊，通過加入少量的參數和計算量以學習目標的幾何形變。

項陽等[7]利用深度學習模型進行車輛的檢測，利用RPN在樣本圖像中生成一系列候選區域，然后將生成的候選框與樣本圖像輸入到Fast R-CNN進行分類得到物體類別和位置信息。將樣本數據輸入到模型后，首先對輸入圖像進行卷積運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窗口形式對圖像特征進一步計算，并在窗口中心生成一系列包含目標的候選框，再用Fast R-CNN對候選框中的特征分類，最終輸出包含目標的候選框和置信度。

4、總結與展望

本文主要查閱了近幾年來有關遙感圖像車輛檢測方法的文獻，并對此從傳統檢測方法和機器學習方法兩個方面進行了歸納總結，列舉了現有方法的思路、優勢及其局限性，僅依賴車輛的光譜特征或空間幾何特征的傳統車輛檢測方法直觀簡單，但僅適用于簡單場景下車輛檢測，普適性不高。對于復雜環境下的車輛檢測仍需要結合多種車輛影像特征，利用深度學習檢測方法進行目標檢測。

遙感影像車輛目標檢測對城市道路規劃、智能交通發展有著重要作用，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，是地面交通流監測的一個重要補充。因此，遙感圖像中車輛檢測仍然是一個具有挑戰性和重要的研究課題，可以延伸到軍事運動車輛等運動目標的預警探測，如飛機、坦克、艦船等的檢測。隨著各類機器學習技術的發展，各種方法不斷涌現，但是不同方法利弊共存，利用其中某種方法已經不能滿足高準確率的要求，如何提升速度與精準率，將是今后研究的重點之一。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準確率，嘗試更高效的深度學習神經網絡模型，以提高識別準確率和處理速度。

參考文獻：

[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檢測方法[J]. 測繪通報，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方法[J]. 軟件導刊，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[J]. 廣西大學學報（自然科學版）， 2018，48（5）：1795～1802.

[5]孫秉義，文珊珊，吳昊. 基于深度學習的高分辨率遙感圖像車輛檢測[J]. 東華大學學報（自然科學版），2018，44（4）：520～525.