高分辨率遙感影像普通車輛自動檢測方法探討

萬炎炎，潘 勵，劉曉萌

（1.首都師范大學(xué) 資源環(huán)境與旅游學(xué)院，北京100048；2.武漢大學(xué) 遙感信息工程學(xué)院，湖北 武漢430079）

基于遙感影像的車輛檢測在民用和軍事領(lǐng)域有著重要的用途。在交通領(lǐng)域，車輛檢測是優(yōu)化智能交通系統(tǒng)和城市規(guī)劃的基本要求。目前交通上常用感應(yīng)線圈、壓電式檢測器、固定攝像機等地面?zhèn)鞲衅鱽韺崿F(xiàn)車輛檢測與計數(shù)，這類設(shè)備不僅覆蓋范圍小，而且價格昂貴，安裝和檢修困難，只能用于城市主干道[1]。當(dāng)前遙感技術(shù)發(fā)展迅速，光學(xué)遙感影像的分辨率已經(jīng)達到1 m以內(nèi)，因此基于高分辨率遙感影像的車輛檢測方法研究已經(jīng)成為新的熱點。

早期的遙感影像車輛檢測研究主要集中在高分辨率航空影像上,針對高分辨率衛(wèi)星影像進行車輛檢測的研究還很少，且主要針對稀疏的道路，沒有涉及停車場的車輛檢測，檢測效果也不理想[2]。目前針對衛(wèi)星影像的車輛檢測方法主要有閾值分割法、模板匹配法、神經(jīng)網(wǎng)絡(luò)識別等。Sharma[3]等根據(jù)車輛目標(biāo)與路面灰度值發(fā)生突變的特點，首先獲得一階差分梯度影像來確定候選車輛的位置，再根據(jù)梯度圖像的灰度共生矩陣計算的熵值確定閾值，對梯度圖像進行分割得到車輛目標(biāo)。韓國So HeeJeon,Kiwon Lee, Byung-Doo Kwon利用KOMPSATEOC圖像提出了模板匹配算法，這種算法可自動獲取遙感圖像中已知目標(biāo)的坐標(biāo)和數(shù)量，但是當(dāng)一個具體的目標(biāo)被檢測出來時會受到目標(biāo)背景的影響[4]。劉建鑫[5]比較了結(jié)合紋理分析的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）和概率神經(jīng)網(wǎng)絡(luò)（PNN）的車輛檢測效果，通過實驗發(fā)現(xiàn)概率神經(jīng)網(wǎng)絡(luò)具有更好的檢測效果，但是當(dāng)兩車輛距離太近時，該方法不能把車與車分離開。閾值分割法較簡易，但僅對近似車輛計數(shù)有效，正確率75%左右[3]。模板匹配和人工神經(jīng)網(wǎng)絡(luò)的方法正確率相對較高，但需要綜合分析車輛的各種特征，算法比較復(fù)雜，不適合高速實時檢測[6]。

本文利用IKONOS高分辨率影像的灰度信息，分別采用邊緣檢測法、閾值分割法、區(qū)域生長法、點特征提取法等幾種快速算法，對常見的私家車、小型客車、小貨車、公交車等普通車輛進行自動檢測研究，分析比較這幾種方法用于車輛檢測的優(yōu)缺點，并針對閾值分割法的不足進行改進。

1 方法原理基礎(chǔ)

圖像分割和特征提取是目標(biāo)分類與識別的重要手段，邊緣檢測、閾值分割、區(qū)域生長和點特征提取是其中經(jīng)典的幾種方法。

1.1 邊緣檢測法

邊緣檢測法中常用的算子包括Roberts算子、Prewitt算子、Sobel算子、Laplacian算子、馬爾算子等，考慮到利用邊緣點的二階導(dǎo)數(shù)為零進行邊緣檢測對噪聲比較敏感，且常常產(chǎn)生雙邊緣，本文采用Roberts算子、Prewitt算子和Sobel算子探討車輛自動檢測。

Roberts算子是一種利用局部差分尋找邊緣的算子，考慮圖像的2×2鄰域進行處理。Roberts模板如圖1所示。

圖1 Roberts模板示意圖

為了在檢測邊緣的同時有效減少噪聲等因素的影像，Prewitt算子加大了邊緣檢測算子模板的大小，將模板從2×2增加到3×3。由此來計算差分算子，在檢測圖像邊緣點的同時，還能抑制圖像中噪聲的影像。Prewitt算子共有兩個卷積核，如圖2所示，分別來計算x方向和y方向的Prewitt梯度，取值較大的作為該像素的灰度值，處理完畢后就得到一幅邊緣強度圖像。

圖2 Prewitt模板示意圖

Sobel算子應(yīng)用方法跟Prewitt算子相似，在Prewitt算子基礎(chǔ)上，對4-鄰域采用帶權(quán)的方法計算差分。Sobel算子模板見圖3。

圖3 Sobel模板示意圖

1.2 最大類間方差閾值分割法

最大類間方差法又叫Otsu法，其基本思想是計算目標(biāo)區(qū)與背景區(qū)之間的方差，當(dāng)方差為最大時，就認(rèn)為此時為最優(yōu)分割，從而自動確定分割閾值[7]。

設(shè)一幅圖像的像素總數(shù)為S，灰度范圍為[0,K-1]，灰度值為i的像素總個數(shù)為ni，于是有像素灰度值為i的概率為：

把圖像中的像素用閾值T按灰度級來分成2類，分別用C0和C1來表示。C0類表示灰度值為[0,T-1]之間的像素，C1類表示灰度值為[T，K-1]之間的像素。則C0和C1的概率分別為w0和w1：

C0和C1的像素灰度均值分別為u0和u1：

整幅圖像的灰度均值為：

類間方差可由式（7）計算：

讓閾值T分別取[0，K-1]之間的各個值，然后按照上述方法計算2類的類間方差。當(dāng)?shù)玫降念愰g方差σ2為最大時，就認(rèn)為此時的T為最佳閾值，用最佳閾值對圖像進行二值化，完成圖像分割。

1.3 區(qū)域生長法

區(qū)域生長是一種根據(jù)事前定義的相似性準(zhǔn)則將像素或子區(qū)域聚合成更大區(qū)域的過程?；舅枷胧窃趫D像上選取一組種子點，將與種子點性質(zhì)相似的像素附加到生長區(qū)域的每個種子上。這些性質(zhì)可以包括灰度、顏色、紋理和形狀等。區(qū)域生長在實際應(yīng)用中有以下3種原則需要注意：

1）種子點選取的原則：可以按照某種規(guī)則自動選取，也可以根據(jù)需要手動選取。

2）相似性準(zhǔn)則的確定：可根據(jù)不同原則制定，目的是確保有相似性質(zhì)的鄰域像素能合并到種子點的區(qū)域內(nèi)。

3）區(qū)域生長的終止原則：當(dāng)沒有像素滿足加入某個區(qū)域的條件時，區(qū)域生長就會停止。

1.4 點特征提取法

提取點特征的算子稱為興趣算子或有利算子，即應(yīng)用某種算法從影像中提取我們所感興趣并有利于某種目的的點。比較知名的興趣算子有Moravec算子、Forstner算子與Harris算子等。

Moravec算子是一種利用灰度方差提取點特征的算子，主要是在4個方向上，選擇具有最大、最小灰度方差的點作為特征點。

Forstner算子通過計算各像素的Robert梯度和像素（c，r）為中心的一個窗口（如5×5）的灰度協(xié)方差矩陣，在影像中尋找具有盡可能小而接近圓的誤差橢圓的點作為特征點。

Harris角點提取算法是Chris Harris和Mike Stephens在H.Moravec算法的基礎(chǔ)上發(fā)展出的通過自相關(guān)矩陣的角點提取算法，又稱Plessey算法。這種算子受信號處理中自相關(guān)函數(shù)的啟發(fā)，給出與自相關(guān)函數(shù)相聯(lián)系的矩陣M。M陣的特征值是自相關(guān)函數(shù)的一階曲率，如果2個曲率值都高，那么就認(rèn)為該點是角點特征。以上3種具體的算法可參考文獻 [8]。

2 實驗結(jié)果與分析

本文采用由全色波段和多光譜波段合成的1 m分辨率的IKONOS影像，實驗區(qū)截取了美國博伊西州立大學(xué)的一個停車場的影像，大小為180×333。采用邊緣檢測、閾值分割、區(qū)域生長和點特征提取4種方法，分別進行車輛檢測實驗，實驗結(jié)果如圖4所示。

圖4a為邊緣檢測的實驗結(jié)果，三種算子基本都能正確檢測出車輛目標(biāo)，Roberts算子檢測結(jié)果稍差，深色車輛檢測結(jié)果不明顯；Prewitt算子和Sobel算子檢測結(jié)果差別不大，這兩者對灰度漸變低噪聲的圖像有較好的檢測效果[9]。圖4b為最大類間方差閾值分割的結(jié)果，車輛誤檢率很高，檢測出來的車輛大概只有一半左右，而且基本上都是淺色車輛，效果很不理想。圖4c為區(qū)域生長的檢測結(jié)果，以45為閾值，檢測成功率較高，僅存在少量噪聲。圖4d為點特征提取的檢測結(jié)果，Moravec算子檢測正確率較高，但是漏檢率很高；Forstner算子正確率較低，很多非車輛目標(biāo)被誤檢為車輛目標(biāo)，由于Forstner算法對角點更敏感，導(dǎo)致很多地面停車線也被提取為特征點；Harris算法提取的點數(shù)最少，而且基本沒有誤檢，僅有少量不明顯的目標(biāo)未被檢測出來。

圖4 車輛檢測結(jié)果

對以上4種方法從檢測率和正確率方面進行了定量統(tǒng)計，結(jié)果如表1和表2所示。從檢測率來看，邊緣檢測、區(qū)域生長以及Forstner點特征提取檢測率最高，即漏檢最少。就正確率而言，Roberts算子邊緣檢測和Moravec點特征提取算子最高。由于點特征提取算法提取得到的特征點數(shù)經(jīng)常會多于車輛數(shù)，導(dǎo)致一輛車被提取到多個特征點而難以進行車輛計數(shù)與統(tǒng)計。由于閾值分割對深色車輛不敏感，使得檢測率較低。綜合考慮4種方法的檢測率和正確率，基于邊緣提取的車輛檢測效果最好，其次是區(qū)域生長法。

表1 邊緣檢測、閾值分割和區(qū)域生長的結(jié)果統(tǒng)計表

表2 點特征提取結(jié)果統(tǒng)計表

為了進一步分析4種方法的檢測效率，對4種方法的計算速度進行了統(tǒng)計，結(jié)果如表3所示。點特征提取算子算法比較復(fù)雜，運算相對較慢。閾值分割和區(qū)域生長是圖像分割領(lǐng)域的經(jīng)典算法，算法結(jié)構(gòu)簡單，耗時最短。邊緣檢測運行速度也較快，并且在多數(shù)情況下能獲得較好的結(jié)果。

表3 4種車輛檢測方法的耗時統(tǒng)計表

考慮到閾值分割法運行速度快、自動化程度高，若提高其分割效果，閾值分割法更適用于車輛實時自動檢測。由于深色車輛與路面顏色相差太小，使得閾值分割法檢測的車輛基本都為白色車輛。針對這一問題，本文采用影像灰度線性變換對算法進行改進，對原圖用1.7的系數(shù)進行灰度線性變換，再進行最大類間方差閾值分割得到的結(jié)果如圖5所示。

圖5a為原圖經(jīng)線性變換的結(jié)果，對其用最大類間方差法分割得到圖5b，線性變換后深色車輛與路面之間的對比度有明顯的提高，但白色車輛與路面的灰度差縮小，因此對線性變換前后的結(jié)果合并如圖5c。合并以后可同時檢測出淺色車輛和深色車輛，檢測率可達95%以上，但此方法在提高檢測率的同時也帶來了一些噪聲，正確率為90%左右，但與未進行線性變換改進前的閾值分割結(jié)果相比，檢測率由原來的50.5%提高到95%。

圖5 經(jīng)線性變換以后的閾值分割結(jié)果

3 結(jié) 語

本文基于高分辨率遙感影像的灰度信息，對邊緣檢測、閾值分割、區(qū)域生長和點特征提取4種方法的車輛檢測效果進行了探討，并針對閾值分割法的不足進行了改進。由實驗結(jié)果可知，邊緣檢測效果最好；區(qū)域生長法的檢測結(jié)果比邊緣檢測稍差，但是具有更快的檢測速度?；谟跋窕叶刃畔⑦M行車輛檢測會受到陰影、路面標(biāo)線、路旁非車輛目標(biāo)等的干擾，如何減少這些干擾需要進一步進行實驗探究。此外，如何在算法中減少人工干預(yù)，提高自動化程度也是一個應(yīng)該考慮的問題。

[1]劉珠妹，劉亞嵐，譚衢霖,等.高分辨率衛(wèi)星影像車輛檢測研究進展[J].遙感技術(shù)與應(yīng)用，2012,27(1)：8-9

[2]Jin X, Davis C H.Vector-guided Vehicle Detection from High-Resolution Satellite Imagery[C].Geoscience and Remote Sensing Symposium, 2004.

[3]Sharma G, Merry C J, Goel P, et al.Vehicle Detection in 1m Resolution Satellite and Airborne Imagery[J].International Journal of Remote Sensing, 2006, 27(4)： 779-797

[4]Jeon S H, Lee K, Kwon B D.Application of Template Matching Method to Traffic Feature Detection using KOMPSAT EOC Imagery[C].Geoscience and Remote Sensing Symposium, 2005.

[5]劉建鑫.基于高分辨率衛(wèi)星影像的車輛檢測算法研究 [D].大連：大連海事大學(xué), 2008

[6]Zeng H, Hu X.An Antibody Networks Approach for Vehicle Detection from High Resolution Satellite Imagery[J].Journal of Remote Sensing, 2009, 13(5)：913-927

[7]劉海波,沈晶,郭聳.VisualC++數(shù)字圖像處理技術(shù)詳解[M].北京：機械工業(yè)出版社,2010

[8]張劍清,潘勵,王樹根.攝影測量學(xué)[M].武漢：武漢大學(xué)出版社, 2003

[9]馬艷,張治輝.幾種邊緣檢測算子的比較[J].工礦自動化,2004,1(2)：54-56