Quickbird遙感影像的車輛自動(dòng)檢測(cè)與運(yùn)動(dòng)參數(shù)估計(jì)

張博研，李廣澤，武星星

Quickbird遙感影像的車輛自動(dòng)檢測(cè)與運(yùn)動(dòng)參數(shù)估計(jì)

張博研*，李廣澤，武星星

(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所，吉林長(zhǎng)春130033)

遙感圖像的車輛目標(biāo)提取與運(yùn)動(dòng)參數(shù)估計(jì)在交通管理、戰(zhàn)場(chǎng)態(tài)勢(shì)分析等領(lǐng)域具有廣闊的應(yīng)用前景，但目前相關(guān)算法均需要人工參與或借助GIS信息，針對(duì)上述問(wèn)題提出了一種基于計(jì)算機(jī)視覺的全自動(dòng)車輛檢測(cè)與運(yùn)動(dòng)參數(shù)估計(jì)算法。分析了Quickbird全色與多光譜傳感器的焦平面結(jié)構(gòu)特征以及該結(jié)構(gòu)造成的“鬼影”現(xiàn)象;針對(duì)全色與多光譜遙感影像的分辨率高、光譜信息豐富的特點(diǎn)，利用植被指數(shù)歸一化、圖像分割、形態(tài)學(xué)灰度重建等圖像處理過(guò)程，實(shí)現(xiàn)了全色圖像中運(yùn)動(dòng)車輛的自動(dòng)檢測(cè)，在此基礎(chǔ)上檢測(cè)低分辨率的多光譜圖像中的目標(biāo)。利用全色與多光譜圖像的成像時(shí)間差估計(jì)運(yùn)動(dòng)參數(shù)。在Quickbird遙感影像的驗(yàn)證實(shí)驗(yàn)中充分證明了算法的可行性與正確性。

全色圖像;多光譜圖像;車輛檢測(cè);運(yùn)動(dòng)參數(shù)估計(jì);形態(tài)學(xué)重建

Keywords:panchromaticimage;multispectralimage;vehicleextraction;speedestimation; morphological reconstruction

1 引言

目前常用感應(yīng)線圈、橋頭傳感器和固定攝相機(jī)等地面?zhèn)鞲衅鱽?lái)實(shí)現(xiàn)交通監(jiān)控管理，但這些傳感器僅能獲取主干道路的交通信息，對(duì)那些支干道路或中小型道路上的交通狀況很少涉及。隨著Quickbird以及IKONOS等新型光學(xué)系統(tǒng)衛(wèi)星的成功發(fā)射，高分辨率的遙感影像數(shù)據(jù)為航天攝影測(cè)量開辟了更多領(lǐng)域，通過(guò)光學(xué)遙感圖像進(jìn)行車輛檢測(cè)與運(yùn)動(dòng)參數(shù)估計(jì)逐漸成為新的研究熱點(diǎn)。

傳統(tǒng)的運(yùn)動(dòng)參數(shù)估計(jì)主要通過(guò)圖像序列［1-9］實(shí)現(xiàn)，但由于遙感視頻的獲取難度較大，傳統(tǒng)的算法很難滿足實(shí)際當(dāng)中的應(yīng)用需求，因此基于全色與多光譜遙感影像對(duì)的運(yùn)動(dòng)參數(shù)估計(jì)成為新的研究方向。然而遙感影像的分辨率普遍較低，且地物背景復(fù)雜，目前的相關(guān)算法都是在人工劃分道路區(qū)域或者借助GIS輔助數(shù)據(jù)實(shí)現(xiàn)的［10-14］，所以運(yùn)動(dòng)車輛自動(dòng)檢測(cè)仍是亟待解決的關(guān)鍵問(wèn)題。

車輛檢測(cè)算法一般分為基于模型和基于數(shù)據(jù)兩大類?；谀Ｐ偷能囕v檢測(cè)是一種“自頂向下”匹配車輛目標(biāo)的過(guò)程。例如，哥倫比亞大學(xué)的Jin等人，利用共享權(quán)重的神經(jīng)網(wǎng)絡(luò)方法［15］建立隱式車輛模型［16］;武漢大學(xué)的鄭宏等則引入了人工免疫的概念，借鑒生物免疫系統(tǒng)中抗體系統(tǒng)，歸納了一系列類“抗體”模版［17］。而基于數(shù)據(jù)的方法則是一個(gè)“自底向上”分割目標(biāo)像素的過(guò)程，主要根據(jù)車輛目標(biāo)在遙感圖像中的亮度分布以及幾何特征直接提取車輛目標(biāo)，例如日本千葉大學(xué)的Fumio Yamazaki等提出了一種利用區(qū)域相關(guān)提取車輛目標(biāo)輪廓的方法［18］。德國(guó)Munchun理工大學(xué)J．Leitloff等通過(guò)邊緣提取、帶通濾波及最小方差調(diào)整等步驟實(shí)現(xiàn)車輛目標(biāo)的自動(dòng)提取［19］。對(duì)比而言，基于模型的方法主要應(yīng)用于超高分辨率的航空?qǐng)D像，或者對(duì)紋理信息較豐富的大型目標(biāo)提取，基于數(shù)據(jù)的算法則在衛(wèi)星圖像的車輛檢測(cè)與參數(shù)估計(jì)中應(yīng)用更加廣泛。

本文通過(guò)介紹Quickbird衛(wèi)星的全色與多光譜相機(jī)的焦平面結(jié)構(gòu)，闡述了運(yùn)動(dòng)車輛參數(shù)估計(jì)的原理，并分析了運(yùn)動(dòng)目標(biāo)在Quickbird遙感圖像中的“鬼影”現(xiàn)象，在此基礎(chǔ)上提出一種高精度的運(yùn)動(dòng)車輛自動(dòng)檢測(cè)算法，并詳細(xì)描述了算法處理過(guò)程，最后利用Quickbird遙感圖像驗(yàn)證了算法的效果。

2 遙感影像中運(yùn)動(dòng)目標(biāo)的特性分析

Quickbird的線陣推掃(TDI CCD)光學(xué)成像傳感器由6條全色探測(cè)器陣列和6條多光譜CCD探測(cè)器陣列組成，其中，每個(gè)多光譜成像單元又包括紅、綠、藍(lán)和近紅外4個(gè)譜段。焦平面的具體結(jié)構(gòu)如圖1所示。由于全色與多光譜探測(cè)器陣列的焦平面存在一定的距離，所以對(duì)相同區(qū)域成像時(shí)，全色圖像與相應(yīng)的多光譜圖像存在0．2 s左右的時(shí)間差，導(dǎo)致運(yùn)動(dòng)物體在全色與多光譜圖像中的坐標(biāo)不一致，這就為運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)參數(shù)估計(jì)提供了可用線索。

圖1 Quickbird的焦平面結(jié)構(gòu)Fig．1Focal plane of Quickbird

根據(jù)以上分析可知，即使已經(jīng)精確配準(zhǔn)過(guò)的全色與多光譜圖像，也僅能實(shí)現(xiàn)道路、建筑等靜止物體的匹配，而對(duì)于運(yùn)動(dòng)目標(biāo)而言，則無(wú)法實(shí)現(xiàn)位置的精確匹配，導(dǎo)致運(yùn)動(dòng)目標(biāo)在全色與多光譜的彩色遙感圖像中會(huì)出現(xiàn)“鬼影”現(xiàn)象。

圖2為Quickbird衛(wèi)星的原始全色圖像，圖3為全色與多光譜合成的彩色遙感圖，從圖3可見，右側(cè)停靠的車輛邊緣清晰，而左側(cè)高速公路上的車輛則有明顯的“鬼影”現(xiàn)象，如圖紅色標(biāo)注?！肮碛啊爆F(xiàn)象雖然造成了運(yùn)動(dòng)目標(biāo)的模糊，但是根據(jù)“鬼影”的長(zhǎng)度，結(jié)合全色圖像的分辨率以及全色/多光譜的成像時(shí)間差，即可通過(guò)人工處理粗略估算目標(biāo)的運(yùn)動(dòng)速度，計(jì)算公式如式(1)所示。

圖2 原始全色圖像Fig．2Original panchromatic image

圖3 Quickbird的彩色圖像Fig．3Pan-sharpened image of Quickbird

其中:V代表速度，L代表“鬼影”的長(zhǎng)度，R表示全色圖像的分辨率，t代表全色與多光譜圖像的成像時(shí)間間隔。根據(jù)上述原理，即可粗略估算出圖3中6個(gè)車輛目標(biāo)的速度值，最快車輛1速度為95．53 km/h，最慢的車輛3速度為50．51 km/h，其余的車輛速度速在該范圍之間，符合高速公路上車輛的運(yùn)動(dòng)情況，由此證明了利用全色與多光譜圖像對(duì)估計(jì)運(yùn)動(dòng)目標(biāo)速度的可行性。

3 全色與多光譜遙感影像的車輛檢測(cè)與運(yùn)動(dòng)參數(shù)估計(jì)

由于運(yùn)動(dòng)參數(shù)的估計(jì)需要利用全色與多光譜圖像中的車輛坐標(biāo)，所以必須首先提取兩幅圖像中的車輛目標(biāo)，具體檢測(cè)流程如圖4所示。

3．1感興趣區(qū)域提取

遙感影像成像區(qū)域大，地物種類繁多，必然使移動(dòng)目標(biāo)的真實(shí)性受到影響，所以為了提高目標(biāo)的探測(cè)率、降低虛警率必須結(jié)合預(yù)處理算法，抑制遙感圖像中的冗余信息。下面分別介紹全色以及多光譜圖像的預(yù)處理流程。

3．1．1全色圖像預(yù)處理

圖4 運(yùn)動(dòng)車輛自動(dòng)檢測(cè)與參數(shù)估計(jì)算法流程示意圖Fig．4Flow of the proposed method

在全色遙感圖像中，不同類型背景的空間特性一般是不同的，在圖像上直接表現(xiàn)為亮度值的差異，這給地物區(qū)域分割提供了便利條件。根據(jù)原始遙感圖像的亮度分布特征，道路的灰度值較低，而大面積建筑等背景的灰度值較高，可以判斷，通過(guò)閾值分割即可去除較多背景信息。但是遙感圖像中車輛目標(biāo)的灰度值相對(duì)較高，經(jīng)過(guò)分割處理之后，大量的車輛目標(biāo)也被作為背景分割出來(lái)，所以為了保留車輛目標(biāo)，在上述處理的基礎(chǔ)之上，采用腐蝕以及閉運(yùn)算等形態(tài)學(xué)操作，在還原車輛目標(biāo)的同時(shí)還填補(bǔ)了背景分割造成的小空洞和狹窄縫隙。

全色圖像的預(yù)處理結(jié)果主要取決于分割算法，因此，本文試驗(yàn)了幾種常見的圖像分割算法。圖5(a)為原始的Quickbird全色圖像，包括建筑、植被、道路以及水池等常見背景，(b)(c) (d)分別為使用全局均值、直方圖最優(yōu)閾值以及最大類間方差(OTSU)算法的處理效果圖，其中白色區(qū)域?yàn)楸灰种频母吡帘尘?，黑色部分為保留的道路等感興趣區(qū)域。根據(jù)3種算法的復(fù)雜度以及最后的分割效果，全局均值分割都是最佳的選擇。

3．1．2多光譜圖像預(yù)處理

多光譜圖像同時(shí)包括紅譜段與近紅外譜段的信息，為植被區(qū)域的分離創(chuàng)造了良好條件。首先根據(jù)多光譜圖像數(shù)據(jù)計(jì)算植被歸一化指數(shù)(NVDI)，然后利用圖像分割以及圖像腐蝕、膨脹等操作對(duì)植被歸一化指數(shù)數(shù)據(jù)進(jìn)行后續(xù)處理，以圖3(a)對(duì)應(yīng)的多光譜圖像為例，圖6即為多光譜NDVI提取結(jié)果，白色部分為植被覆蓋區(qū)。通過(guò)該操作，基本移除了圖像中的植被背景，進(jìn)一步減小了車輛探測(cè)范圍。

圖5 不同分割算法的處理效果示意圖Fig．5Results of different segment algorithm

3．1．3確定感興趣區(qū)域(ROI)

將全色與多光譜遙感圖像的預(yù)處理結(jié)果累加，則完成了感興趣區(qū)域(ROI)的最終確定。

圖7 感興趣檢測(cè)區(qū)域提取最終結(jié)果Fig．7Result of ROI extraction

通過(guò)上述對(duì)全色以及多光譜圖像的處理，抑制了原始遙感影像中大部分冗余背景，包括高亮的建筑、樹木以及草地覆蓋區(qū)域，縮小了車輛目標(biāo)的檢測(cè)范圍，極大程度地降低了目標(biāo)探測(cè)的虛警率。圖6為ROI提取的最終結(jié)果示意圖，灰色部分即為感興趣區(qū)域。

3．2運(yùn)動(dòng)車輛檢測(cè)

通過(guò)上述操作，極大程度地降低了復(fù)雜的地物種類對(duì)車輛檢測(cè)的干擾，以下的運(yùn)動(dòng)車輛檢測(cè)以及參數(shù)估計(jì)都是針對(duì)感興趣區(qū)域完成的。

3．2．1全色圖像的運(yùn)動(dòng)車輛檢測(cè)

Quickbird的全色遙感圖像分辨率為0．61 m，所以通過(guò)圖像處理算法即可直接實(shí)現(xiàn)車輛目標(biāo)探測(cè)。頂帽(Top-Hat)變換是一種常用的灰度圖像分割算法，用于提取圖像中小于結(jié)構(gòu)元素的最大值，即圖像中的亮特征。但是對(duì)于背景復(fù)雜的遙感圖像，利用頂帽變換提取車輛目標(biāo)的效果并不令人滿意，考慮到車輛目標(biāo)分布密集，且道路在某一方向上具有延伸性的特點(diǎn)，選擇Top-Hat重構(gòu)［20］檢測(cè)車輛目標(biāo)。

Top-Hat重構(gòu)主要包括兩部分操作:形態(tài)學(xué)開運(yùn)算和灰度重構(gòu)，形態(tài)學(xué)開運(yùn)算用于移除小于結(jié)構(gòu)元素的車輛等小目標(biāo)，灰度重構(gòu)則用于構(gòu)建背景遙感圖。Top-Hat重構(gòu)的關(guān)鍵在于結(jié)構(gòu)元素的選擇，由于車輛目標(biāo)一般為矩形，且長(zhǎng)度為6 m左右，在Quickbird全色遙感圖中占據(jù)10個(gè)像素以內(nèi)，為了滿足結(jié)構(gòu)元素大于車輛目標(biāo)的要求，選擇9個(gè)像素長(zhǎng)度的線型模版作為結(jié)構(gòu)元素。但僅用單一方向的結(jié)構(gòu)元素處理原圖像，會(huì)造成大量道路背景信息的丟失，所以本算法選擇12個(gè)不同方向的線性模版(如圖8所示)對(duì)原始全色圖像進(jìn)行開運(yùn)算。開運(yùn)算處理之后，將各個(gè)方向結(jié)構(gòu)元素處理結(jié)果的上確界作為形態(tài)學(xué)開運(yùn)算的輸出，基本移除了潛在的車輛目標(biāo)，而道路則由于延伸性而被完好地保留。將上述處理結(jié)果作為灰度重構(gòu)的輸入，對(duì)光學(xué)遙感圖像進(jìn)行背景重建，最后將原始全色圖像與Top-Hat重構(gòu)圖像作差，即完成了全色圖像的運(yùn)動(dòng)車輛檢測(cè)。

圖8 方向探針模版示意圖Fig．8Directional probes template

3．2．2多光譜圖像的運(yùn)動(dòng)車輛檢測(cè)

由于多光譜圖像的分辨率僅為全色圖像的1/4，對(duì)于Quickbird而言多光譜圖像分辨率為2.4 m，如圖9所示，車輛目標(biāo)的細(xì)節(jié)信息太少，如不借助3D數(shù)據(jù)等輔助信息［21］，無(wú)法直接進(jìn)行車輛檢測(cè)。針對(duì)該問(wèn)題，本文首先采用雙立方插值以及多光譜4個(gè)譜段的信息，生成一幅合成全色圖，合成方法見公式(4)，合成全色圖像與原始全色圖像具有相似的光譜輻射特性以及相同的分辨率，為后續(xù)多光譜圖像的運(yùn)動(dòng)車輛檢測(cè)提供了便利條件。

其中:SyntheticPan為利用多光譜圖像4個(gè)通道數(shù)據(jù)加權(quán)處理得到的合成全色圖，BNB、BNR、BNG、BNNIR分別為多光譜圖像中藍(lán)色，紅色，綠色以及近紅外通道的亮度值。

圖9 原始多光譜圖像Fig．9Original multispectral image

車輛正常行駛的速度范圍為20～200 km/h，因此車輛目標(biāo)在原始全色圖與合成全色圖中的相對(duì)位移不會(huì)超過(guò)10個(gè)像素。因此，在合成全色圖像中進(jìn)行車輛匹配時(shí)，只需考慮一個(gè)較小的鄰域，極大地降低了圖像匹配的計(jì)算量。設(shè)全色圖像中每個(gè)車輛目標(biāo)的坐標(biāo)為(x，y)，以目標(biāo)中心12× 12的鄰域作為搜索區(qū)域進(jìn)行相關(guān)度匹配，得到多光譜圖像中相應(yīng)車輛的位置(x'，y')，從而實(shí)現(xiàn)多光譜圖像的運(yùn)動(dòng)目標(biāo)檢測(cè)。

3．3基于全色/多光譜成像模式的運(yùn)動(dòng)參數(shù)估計(jì)

進(jìn)過(guò)上述圖像處理流程，已經(jīng)成功提取全色圖像和多光譜圖像中的車輛質(zhì)心位置，根據(jù)全色與多光譜圖像中車輛坐標(biāo)(x，y)和(x'，y')，結(jié)合Quickbird的全色與多光譜圖像成像時(shí)間間隔0.2 s，以及全色圖像的分辨率0.61 m。車輛在全色與多光譜圖像中的相對(duì)位移距離Dis表示為:

其中R表示全色圖像的像素分辨率(0．61 m/s)。根據(jù)速度的計(jì)算公式，圖像中車輛速度為:

其中t=0．2s，速度方向與相對(duì)位移方向一致，為車輛目標(biāo)的實(shí)際速度與推掃速度的合成結(jié)果。

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證上述算法的可行性以及魯棒性，本文選擇了3種不同背景的Quickbird遙感影像進(jìn)行測(cè)試，如圖10所示。(a)(b)(c)分別為以建筑、植物以及水域背景為主的車輛檢測(cè)與運(yùn)動(dòng)參數(shù)估計(jì)示意圖。

圖10 不同背景Quickbird遙感圖像的車輛目標(biāo)檢測(cè)與運(yùn)動(dòng)參數(shù)估計(jì)結(jié)果Fig．10vehicles detection results of differentbackgrounds Quickbird images

表1中統(tǒng)計(jì)了3幅圖像中的車輛檢測(cè)結(jié)果，通過(guò)表中數(shù)據(jù)可見，平均正確探測(cè)率高達(dá)94%，平均虛警率僅為6%，充分說(shuō)明該算法對(duì)多種背景的Quickbird衛(wèi)星影像均具有良好的檢測(cè)效果。其中圖10(a)以建筑背景為主，雖然在感興趣區(qū)域提取階段抑制了大部分背景，但是小目標(biāo)的干擾較多，因此虛警率偏高，圖10(b)以植被為主，且包含少量建筑物，所以車輛目標(biāo)提取的正確率以及虛警率都接近統(tǒng)計(jì)平均值，圖10(c)由于水域背景單一，檢測(cè)效果最佳。

表1 圖10所示3幅場(chǎng)景的車輛檢測(cè)統(tǒng)計(jì)結(jié)果Tab．1Statistics results of 3 scenes in Fig．10

表2、3、4分別對(duì)應(yīng)于圖10中的3個(gè)場(chǎng)景，列出了車輛目標(biāo)在全色和多光譜圖像中的位置信息以及每輛車的速度，對(duì)于誤檢和靜止的車輛，表中并未統(tǒng)計(jì)其速度信息。

表2 場(chǎng)景1的車輛檢測(cè)與速度參數(shù)估計(jì)結(jié)果Tab．2Speed estimation and vehicle detection results of scene1

圖10(a)為孟加拉國(guó)孫德爾本斯市區(qū)的一條主干道區(qū)域，由表2可見，最快車速高達(dá)171.86 km/h，但僅有一輛車達(dá)到此速度，不排除個(gè)別車輛超速行駛的可能，而其余車輛的速度均在39.59～124.22 km/h范圍內(nèi)，屬于正常車速;

表3 場(chǎng)景2的車輛檢測(cè)與速度參數(shù)估計(jì)結(jié)果Tab．3Speed estimation and vehicle detection results of scene2

圖10(b)為孟加拉國(guó)的一條鄉(xiāng)村道路，通過(guò)表3中的數(shù)據(jù)可見，車輛目標(biāo)的平均速度在60 km/h左右，符合車輛在鄉(xiāng)村道路上的行駛情況;

圖10(c)為印度契爾卡湖附近高速公路截圖，由于該地區(qū)沒(méi)有車輛速度上限，所以車輛速度均在116．72 km/h以上，如表4所示。

通過(guò)上述驗(yàn)證實(shí)驗(yàn)可知，對(duì)于不同區(qū)域背景的Quickbird遙感影像，通過(guò)本算法檢測(cè)車輛目標(biāo)不僅不需要人工參與，而且目標(biāo)的正確探測(cè)率高，虛警率低，計(jì)算的運(yùn)動(dòng)參數(shù)值符合實(shí)際情況，具有相當(dāng)高的參考價(jià)值，但是有些車輛的運(yùn)動(dòng)方向與道路的方向稍有偏差，這是因?yàn)門DI CCD在成像時(shí)本身存在一個(gè)推掃速度，圖像中的速度為目標(biāo)自身的運(yùn)動(dòng)速度與推掃速度的合成結(jié)果，也為算法的進(jìn)一步改進(jìn)提供了新的方向。

表4 場(chǎng)景3的車輛檢測(cè)與速度參數(shù)估計(jì)結(jié)果Tab．4Speed estimation and vehicle detection results of scene3

5 結(jié)論

針對(duì)Quickbird全色影像的分辨率高、多光譜圖像光譜信息豐富的特點(diǎn)，提出了一種全自動(dòng)的運(yùn)動(dòng)車輛檢測(cè)算法，不僅實(shí)現(xiàn)了較好的車輛檢測(cè)結(jié)果，而且突破了以往算法需要借助人工幫助或者GIS信息的限制，然后結(jié)合全色與多光譜圖像的成像時(shí)間間隔完成了運(yùn)動(dòng)參數(shù)估計(jì)，最后對(duì)Quickbird遙感影像的驗(yàn)證試驗(yàn)證明了該算法的普適性強(qiáng)，正確探測(cè)率高，虛警率低，是一種性能值得推廣的運(yùn)動(dòng)車輛檢測(cè)與運(yùn)動(dòng)參數(shù)估計(jì)算法。

［1］代科學(xué)，李國(guó)輝，涂丹，等．監(jiān)控視頻運(yùn)動(dòng)目標(biāo)檢測(cè)減背景技術(shù)的研究現(xiàn)狀與展望［J］．中國(guó)國(guó)象圖形學(xué)報(bào)，2006，11 (7):919-927．

Dai K X，Li G H，Tu D，et al．Prospects and current studies on background subtraction Techniques for moving objects detection from durveillance video［J］．Journal of Image and Graphics，2006，11(7):919-927．(in Chinese)

［2］ChengJ，Yang J，Zhou Y，et al．Flexible background mixture models for foreground segmentation［J］．Image and Vision Computing，2006，24(5):473-482．

［3］Dickinson P，Hunter A，Appiah K．A spatially distributed model for foreground segmentation［J］．Image and Vision Computing，2009，27(9):1326-1335．

［4］Zha Y F，Bi D Y，Yang Y．Learning complex background by multi-scale discriminative model［J］．Pattern Recognition Letters，2009，30(11):1003-1014．

［5］Bicego M，Castellani U，Murino V．A hidden Markov model approach for appearance-based 3D object recognition［J］．Pat-tern Recognition Letters，2005，26(16):2588-2599．

［6］HuJ S，Juan C W，Wang J J．A spatial-color mean-shift object tracking algorithm with scale and orientation estimation［J］．Pattern Recognition Letters，2008，29(16):2165-2173．

［7］Tao J，Yu W A．Preliminary study on imaging time difference among bands of WorldView-2 and its potential applications［C］//Geoscience and Remote Sensing Symposium(IGARSS)，2011 IEEE International，2011:198-200．

［8］張小建，徐慧．基于視頻處理的運(yùn)動(dòng)車輛檢測(cè)算法的研究［J］．液晶與顯示，2012，27(1):108-113．

Zhang X J，Xu H．Moving vehicle detection algorithm based on video processing［J］．Chinese Journal of Liquid Crystals and Display，2012，27(1):108-113．(in Chinese)

［9］張紅穎，胡正．CenSurE特征和時(shí)空信息相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)［J］．光學(xué)精密工程，2013，21(9):2452-2463

Zhang H Y，Hu Z．Moving object detection in combination of CenSurE and spatial-temporal information［J］．Editorial Office of Optics and Precision Engineeri．2013，21(9):2452-2463．(in Chinese)

［10］Salehi B，Zhang Y，Zhong M．Automatic moving vehicles information extraction from single-pass WorldView-2 imagery［J］．Selected Topics in Applied Earth Observations and Remote Sensing，IEEE，2012，5(1):135-145．

［11］Larsen S，Koren H，Solberg R．Trafficmonitoring using very-high-resolution satellite Imagery［J］．Photogrammetric Engineering and Remote Sensing，2009，75(7):859-869．

［12］Xiong Z，Zhang Y．An initial study on vehicle information extraction from single pass QuickBird satellite imagery［J］．Journal of Photogrammetric Engineering＆Remote Sensing，2008，74(11):1401-1412．

［13］Pesaresi M，Gutjahr K H，Pagot E．Estimating the velocity and direction of moving targets using a single optical VHR satellite sensor image［J］．International Journal of Remote Sensing，2008，29(4):1221-1228．

［14］Jin X，Davis C H．Vehicle detection from high-resolution satellite imagery using morphological shared-weight neural networks［J］．Image Vis．Compute，2007，25(9):1422-1431．

［15］王燦進(jìn)，孫濤，王挺峰，等．基于輪廓特征的神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別研究［J］．液晶與顯示，2013，28(4):641-648．

Wang C J，Sun T，Wang T F，et al．Target recognition using neural network based on contour features［J］．Chinese Journal of Liquid Crystals and Display，2013，28(4):641-648．(in Chinese)

［16］ZhengH，Li L，An artificial immune approach for vehicle detection from high resolution space imagery［J］．Int．J．Comput．Sci．Netw．Secur，2007，7(2):67-72．

［17］余勇，鄭宏．基于形態(tài)神經(jīng)網(wǎng)絡(luò)的高分辨率衛(wèi)星影像車輛檢測(cè)［J］．哈爾濱工程大學(xué)學(xué)報(bào)，2006，27(B07):189-193．

Yu Y，Zheng H．Vehicle detection from high resolution satellite imagery based on the morphological neural network［J］．Journal of Harbin Engineering University，2006，27(B07):189-193．(in Chinese)

［18］Liu W，Yamazaki F，Vu T T．Automated vehicle extraction and speed determination from QuickBird satellite images［J］．IEEE，2010，4(1):75-82．

［19］Leitloff J，Hinz S，Stilla U．Vehicle detection in very high resolution satellite images of city areas［J］．IEEE，2010，48 (7):2795-2806．

［20］Vincent L．Morphological grayscale reconstruction in image analysis:Applications and efficient algorithms［J］．IEEE，1993，2(2):176-201．

［21］Dirk C．Borghys，M Idrissa，Michal S，et al．Fusion of multispectral and stereo information for unsupervised target detection in VHR airborne data［C］．SPIE，2013，8745:874514-1-874514-12．

Speed estimation and automatic detection of moving vehicle from Quickbird satellite images

ZHANG Bo-yan*，LI Guang-ze，WU Xing-xing
(Changchun Institute of Optics，F(xiàn)ine Mechanics and Physics，Chinese Academy of Science，Changchun 130033，China)

Velocity estimation and vehicle detection from satellite images is widely used in the domain of traffic monitoring，battlefield analysis etc．But most of the algorithms in this area are either manual or incorporating ancillary data．A new method has been developed to extract vehicles automatically and determine their speeds based on computer vision．First of all，the“Ghost”phenomenon of moving targets is analyzed by considering the structure of Quickbird panchromatic and multispectral focal plane．Normalized differential vegetation index，image segmentation and morphological gray scale reconstruction are combined to realize accurate vehicles detection in panchromatic image;subsequently image matching is applied to extract vehicles in the multispectral image based on the vehicle positions in panchromatic image．The speed can be calculated by using the vehicle extraction results and time intervals between panchromatic and multispectral images．Finally，this approach was tested on several images of Quickbird covering different backgrounds and can obtain a detection rate as high as 90%．The performance shows that the algorithm is practicable and valid．

TP79

A

10．3788/YJYXS20153004．0687

張博研(1987－)，女，吉林白城人，碩士，研究實(shí)習(xí)員，主要從事立體測(cè)繪和圖像處理方向的研究。E-mail:boyan1021@163．com

李廣澤(1976－)，男，吉林長(zhǎng)春人，博士，研究員，主要從事空間遙感相機(jī)嵌入式控制系統(tǒng)設(shè)計(jì)與圖像處理方向的研究。E-mail:Lgzandrew@tom．com

1007-2780(2015)04-0687-08

2014-10-21;

2014-11-15．

國(guó)家自然科學(xué)基金資助項(xiàng)目(No．61108066);吉林省科技發(fā)展計(jì)劃項(xiàng)目(No．20130101028jc)

*通信聯(lián)系人，E-mail:boyan1021@163．com

武星星(1980－)，男，河南洛陽(yáng)人，博士，副研究員，主要從事空間光電技術(shù)及智能控制方向的研究。E-mail: starglare@126．com