高分辨率遥感影像普通车辆自动检测方法探讨

万炎炎，潘 励，刘晓萌

（1.首都师范大学 资源环境与旅游学院，北京100048；2.武汉大学 遥感信息工程学院，湖北 武汉430079）

基于遥感影像的车辆检测在民用和军事领域有着重要的用途。在交通领域，车辆检测是优化智能交通系统和城市规划的基本要求。目前交通上常用感应线圈、压电式检测器、固定摄像机等地面传感器来实现车辆检测与计数，这类设备不仅覆盖范围小，而且价格昂贵，安装和检修困难，只能用于城市主干道[1]。当前遥感技术发展迅速，光学遥感影像的分辨率已经达到1 m以内，因此基于高分辨率遥感影像的车辆检测方法研究已经成为新的热点。

早期的遥感影像车辆检测研究主要集中在高分辨率航空影像上,针对高分辨率卫星影像进行车辆检测的研究还很少，且主要针对稀疏的道路，没有涉及停车场的车辆检测，检测效果也不理想[2]。目前针对卫星影像的车辆检测方法主要有阈值分割法、模板匹配法、神经网络识别等。Sharma[3]等根据车辆目标与路面灰度值发生突变的特点，首先获得一阶差分梯度影像来确定候选车辆的位置，再根据梯度图像的灰度共生矩阵计算的熵值确定阈值，对梯度图像进行分割得到车辆目标。韩国So HeeJeon,Kiwon Lee, Byung-Doo Kwon利用KOMPSATEOC图像提出了模板匹配算法，这种算法可自动获取遥感图像中已知目标的坐标和数量，但是当一个具体的目标被检测出来时会受到目标背景的影响[4]。刘建鑫[5]比较了结合纹理分析的径向基函数神经网络（RBFNN）和概率神经网络（PNN）的车辆检测效果，通过实验发现概率神经网络具有更好的检测效果，但是当两车辆距离太近时，该方法不能把车与车分离开。阈值分割法较简易，但仅对近似车辆计数有效，正确率75%左右[3]。模板匹配和人工神经网络的方法正确率相对较高，但需要综合分析车辆的各种特征，算法比较复杂，不适合高速实时检测[6]。

本文利用IKONOS高分辨率影像的灰度信息，分别采用边缘检测法、阈值分割法、区域生长法、点特征提取法等几种快速算法，对常见的私家车、小型客车、小货车、公交车等普通车辆进行自动检测研究，分析比较这几种方法用于车辆检测的优缺点，并针对阈值分割法的不足进行改进。

1 方法原理基础

图像分割和特征提取是目标分类与识别的重要手段，边缘检测、阈值分割、区域生长和点特征提取是其中经典的几种方法。

1.1 边缘检测法

边缘检测法中常用的算子包括Roberts算子、Prewitt算子、Sobel算子、Laplacian算子、马尔算子等，考虑到利用边缘点的二阶导数为零进行边缘检测对噪声比较敏感，且常常产生双边缘，本文采用Roberts算子、Prewitt算子和Sobel算子探讨车辆自动检测。

Roberts算子是一种利用局部差分寻找边缘的算子，考虑图像的2×2邻域进行处理。Roberts模板如图1所示。

图1 Roberts模板示意图

为了在检测边缘的同时有效减少噪声等因素的影像，Prewitt算子加大了边缘检测算子模板的大小，将模板从2×2增加到3×3。由此来计算差分算子，在检测图像边缘点的同时，还能抑制图像中噪声的影像。Prewitt算子共有两个卷积核，如图2所示，分别来计算x方向和y方向的Prewitt梯度，取值较大的作为该像素的灰度值，处理完毕后就得到一幅边缘强度图像。

图2 Prewitt模板示意图

Sobel算子应用方法跟Prewitt算子相似，在Prewitt算子基础上，对4-邻域采用带权的方法计算差分。Sobel算子模板见图3。

图3 Sobel模板示意图

1.2 最大类间方差阈值分割法

最大类间方差法又叫Otsu法，其基本思想是计算目标区与背景区之间的方差，当方差为最大时，就认为此时为最优分割，从而自动确定分割阈值[7]。

设一幅图像的像素总数为S，灰度范围为[0,K-1]，灰度值为i的像素总个数为ni，于是有像素灰度值为i的概率为：

把图像中的像素用阈值T按灰度级来分成2类，分别用C0和C1来表示。C0类表示灰度值为[0,T-1]之间的像素，C1类表示灰度值为[T，K-1]之间的像素。则C0和C1的概率分别为w0和w1：

C0和C1的像素灰度均值分别为u0和u1：

整幅图像的灰度均值为：

类间方差可由式（7）计算：

让阈值T分别取[0，K-1]之间的各个值，然后按照上述方法计算2类的类间方差。当得到的类间方差σ2为最大时，就认为此时的T为最佳阈值，用最佳阈值对图像进行二值化，完成图像分割。

1.3 区域生长法

区域生长是一种根据事前定义的相似性准则将像素或子区域聚合成更大区域的过程。基本思想是在图像上选取一组种子点，将与种子点性质相似的像素附加到生长区域的每个种子上。这些性质可以包括灰度、颜色、纹理和形状等。区域生长在实际应用中有以下3种原则需要注意：

1）种子点选取的原则：可以按照某种规则自动选取，也可以根据需要手动选取。

2）相似性准则的确定：可根据不同原则制定，目的是确保有相似性质的邻域像素能合并到种子点的区域内。

3）区域生长的终止原则：当没有像素满足加入某个区域的条件时，区域生长就会停止。

1.4 点特征提取法

提取点特征的算子称为兴趣算子或有利算子，即应用某种算法从影像中提取我们所感兴趣并有利于某种目的的点。比较知名的兴趣算子有Moravec算子、Forstner算子与Harris算子等。

Moravec算子是一种利用灰度方差提取点特征的算子，主要是在4个方向上，选择具有最大、最小灰度方差的点作为特征点。

Forstner算子通过计算各像素的Robert梯度和像素（c，r）为中心的一个窗口（如5×5）的灰度协方差矩阵，在影像中寻找具有尽可能小而接近圆的误差椭圆的点作为特征点。

Harris角点提取算法是Chris Harris和Mike Stephens在H.Moravec算法的基础上发展出的通过自相关矩阵的角点提取算法，又称Plessey算法。这种算子受信号处理中自相关函数的启发，给出与自相关函数相联系的矩阵M。M阵的特征值是自相关函数的一阶曲率，如果2个曲率值都高，那么就认为该点是角点特征。以上3种具体的算法可参考文献 [8]。

2 实验结果与分析

本文采用由全色波段和多光谱波段合成的1 m分辨率的IKONOS影像，实验区截取了美国博伊西州立大学的一个停车场的影像，大小为180×333。采用边缘检测、阈值分割、区域生长和点特征提取4种方法，分别进行车辆检测实验，实验结果如图4所示。

图4a为边缘检测的实验结果，三种算子基本都能正确检测出车辆目标，Roberts算子检测结果稍差，深色车辆检测结果不明显；Prewitt算子和Sobel算子检测结果差别不大，这两者对灰度渐变低噪声的图像有较好的检测效果[9]。图4b为最大类间方差阈值分割的结果，车辆误检率很高，检测出来的车辆大概只有一半左右，而且基本上都是浅色车辆，效果很不理想。图4c为区域生长的检测结果，以45为阈值，检测成功率较高，仅存在少量噪声。图4d为点特征提取的检测结果，Moravec算子检测正确率较高，但是漏检率很高；Forstner算子正确率较低，很多非车辆目标被误检为车辆目标，由于Forstner算法对角点更敏感，导致很多地面停车线也被提取为特征点；Harris算法提取的点数最少，而且基本没有误检，仅有少量不明显的目标未被检测出来。

图4 车辆检测结果

对以上4种方法从检测率和正确率方面进行了定量统计，结果如表1和表2所示。从检测率来看，边缘检测、区域生长以及Forstner点特征提取检测率最高，即漏检最少。就正确率而言，Roberts算子边缘检测和Moravec点特征提取算子最高。由于点特征提取算法提取得到的特征点数经常会多于车辆数，导致一辆车被提取到多个特征点而难以进行车辆计数与统计。由于阈值分割对深色车辆不敏感，使得检测率较低。综合考虑4种方法的检测率和正确率，基于边缘提取的车辆检测效果最好，其次是区域生长法。

表1 边缘检测、阈值分割和区域生长的结果统计表

表2 点特征提取结果统计表

为了进一步分析4种方法的检测效率，对4种方法的计算速度进行了统计，结果如表3所示。点特征提取算子算法比较复杂，运算相对较慢。阈值分割和区域生长是图像分割领域的经典算法，算法结构简单，耗时最短。边缘检测运行速度也较快，并且在多数情况下能获得较好的结果。

表3 4种车辆检测方法的耗时统计表

考虑到阈值分割法运行速度快、自动化程度高，若提高其分割效果，阈值分割法更适用于车辆实时自动检测。由于深色车辆与路面颜色相差太小，使得阈值分割法检测的车辆基本都为白色车辆。针对这一问题，本文采用影像灰度线性变换对算法进行改进，对原图用1.7的系数进行灰度线性变换，再进行最大类间方差阈值分割得到的结果如图5所示。

图5a为原图经线性变换的结果，对其用最大类间方差法分割得到图5b，线性变换后深色车辆与路面之间的对比度有明显的提高，但白色车辆与路面的灰度差缩小，因此对线性变换前后的结果合并如图5c。合并以后可同时检测出浅色车辆和深色车辆，检测率可达95%以上，但此方法在提高检测率的同时也带来了一些噪声，正确率为90%左右，但与未进行线性变换改进前的阈值分割结果相比，检测率由原来的50.5%提高到95%。

图5 经线性变换以后的阈值分割结果

3 结 语

本文基于高分辨率遥感影像的灰度信息，对边缘检测、阈值分割、区域生长和点特征提取4种方法的车辆检测效果进行了探讨，并针对阈值分割法的不足进行了改进。由实验结果可知，边缘检测效果最好；区域生长法的检测结果比边缘检测稍差，但是具有更快的检测速度。基于影像灰度信息进行车辆检测会受到阴影、路面标线、路旁非车辆目标等的干扰，如何减少这些干扰需要进一步进行实验探究。此外，如何在算法中减少人工干预，提高自动化程度也是一个应该考虑的问题。

[1]刘珠妹，刘亚岚，谭衢霖,等.高分辨率卫星影像车辆检测研究进展[J].遥感技术与应用，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]刘建鑫.基于高分辨率卫星影像的车辆检测算法研究 [D].大连：大连海事大学, 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]刘海波,沈晶,郭耸.VisualC++数字图像处理技术详解[M].北京：机械工业出版社,2010

[8]张剑清,潘励,王树根.摄影测量学[M].武汉：武汉大学出版社, 2003

[9]马艳,张治辉.几种边缘检测算子的比较[J].工矿自动化,2004,1(2)：54-56