一種高分辨率遙感影像汽車識別檢測方法

王 巍，袁 濤，周 偉，董艷麗

一、引 言

利用遙感數據高效自動提取地物信息一直是遙感數據處理領域的研究熱點［1］，近年來，很多學者對相關問題進行了深入研究。熊秩群采用面向對象的圖像分類技術，利用QuickBird衛星圖像進行了上海市區綠地信息提取［2］；李彥利用小波變換方法對遙感影像進行特征提取，利用圖像特征進行高斯混合建模來識別影像中的關鍵目標［3］；王志偉通過目標影像子窗口歸一化提取目標的若干個不變矩特征作為BP神經網絡的輸入向量的方法，對1 m分辨率衛星影像中機場上的停留客機的識別進行了研究［4］；Jens Leitloff在高分辨率影像上劃分出感興趣區域，利用支持向量機方法，對高速公路和停車場上的汽車進行識別［5］。從識別效果來看，面向對象信息提取、基于專家知識的決策樹、支持向量機及BP神經網絡等方法能夠在一定程度上提高地物識別效率，但自動化程度不高。面向對象信息提取和基于專家知識的決策樹常見于從遙感影像上提取綠地信息或地物分類的研究中［6-9］，兩種方法都比較依賴波段信息；支持向量機和BP神經網絡這兩種方法較之面向對象信息提取和基于專家知識的決策樹而言，對諸如飛機和汽車等小尺度目標識別會有更好的效果［4-6］，但是也存在不足之處。如支持向量機方法雖然不需要大規模的訓練樣本來確定分類決策，但容易出現過擬合或訓練不足的問題，并且很難通過增大樣本容量來提高識別率；此外，經典的支持向量機算法只給出了二類分類的算法，而在數據挖掘的實際應用中，一般要解決多類的分類問題［10］，從應用上來看，目前只能用于內容比較單一的小塊影像［5］。BP神經網絡的最大缺點在于算法效率低，訓練出分類器速度慢，學習過程中易陷入局部極小和易出現振蕩現象［10-11］，從而導致訓練分類器失敗。

Paul Viola和Michael Jones在2001年提出了基于Adaboost的人臉檢測方法［12］，該方法不僅能達到很好的人臉檢測效果，而且檢測速度非常快，能夠達到實時性。近年來，利用圖像Haar特征對照片或視頻中的人臉、數字進行監控與識別，Haar特征對目標的檢測更加敏感，并且計算效率也比較高，已經用于實現實時或準實時的監測［13-14］，并且已有學者將這種目標識別技術應用于照片和視頻中的車輛識別［15-16］。但是，目前仍缺少利用Haar特征在高分辨率遙感影像上進行地物識別的研究。相對照片和視頻來說，遙感影像中地物更加復雜，對地物識別的背景干擾非常強。本研究選擇汽車作為識別目標，是因為汽車體積較小，已經接近目前米級和亞米級遙感衛星地物識別的極限，由于其出現區域主要集中在公路和停車場，與影像背景差異明顯，非常適合利用圖像Haar特征進行地物識別。研究的目的在于通過有針對性的數據處理，提出利用機器學習的算法對影像中的汽車進行自動識別并標注的新方法，探索高分辨率遙感數據新的應用領域。

二、理 論

1.Haar特征簡介

Haar特征原理因類似于Haar小波而得名，一般Haar特征的定義是由兩個全等的矩形相鄰組合而成，特征模板內有白色和黑色兩種矩形，如圖1所示。每種矩形特征值定義為白色矩形像素的和減去黑色矩形像素的和，擴展Haar特征則在一般Haar特征基礎上發展出了旋轉45°的矩形特征模版。

圖1 一般Haar特征示意圖

Haar特征值反映了圖像的灰度變化情況，使用Haar矩形特征比單純使用像素級信息要有效的多，而且對噪聲、光照等更具有魯棒性。矩形特征對一些簡單的圖形結構，如邊緣、線段比較敏感，但是其只能描述特定走向（水平、垂直、對角）的結構。矩形特征可以位于圖像任意位置，大小也可以任意，但不能超過圖像范圍［12，17-18］。

2.Adaboost算法

Adaboost算法是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的弱分類器，然后把這些弱分類器集合起來，構成一個更強的最終分類器（強分類器）［10］，是目前在計算機視覺領域運用非常廣泛的技術。

首輪調用弱分類器時，按均勻分布從樣本集中選取子集作為該次訓練集，以后每輪對前一輪訓練失敗的樣本，賦予較大的分布權值（Dt（i）為第i輪各個樣本在樣本集中參與訓練的概率），使其在這一輪訓練出現的概率增加，即在后面的訓練學習中集中對比較難訓練的樣本進行學習，經過T輪的迭代，從而得到T個弱的基分類器（h1，h2，…，ht）。其中ht相應的權值αt的大小根據該分類器的效果而定。最后的強分類器由生成的多個弱分類器加權聯合產生。具體算法如下［8，10］:

1）設定初始弱分類器權值D1（i）=1/M，其中i=1，2，…，M（M為樣本總數）。

2）針對t=1，2，…，T:

b.設置弱分類器ht的權重αt=log［（1-ε）/ε］，ε即上步驟中最小錯誤。

c.更新樣本分布權值:Dt+1（i）=［Dt（i）exp（-αtyiht（xi））］/Zt，Zt將樣本權重歸一化。

三、試驗流程與精度

試驗數據選取的是2010年3月鄭州市如意湖附近的WorldView-2全色波段數據，空間分辨率為0.5 m。數據經過目視檢查，無云霧覆蓋，無條帶壞點，紋理清晰，數據質量較好；另外還搜集了研究區域2010年的地籍數據資料。在對WorldView-2全色影像數據進行正射糾正、空間配準后，與城市地籍數據疊加，去除房屋，選定感興趣區域，去除不可能存在汽車的區域，排除背景干擾，以提高提取精度；然后在Visual C++平臺下利用OpenCV函數庫，在高分辨率遙感影像上計算地物目標Haar特征，并利用Haar特征和Adaboost算法訓練分類器，對感興趣區域內的汽車進行識別。主要流程如圖2所示。

圖2 研究流程圖

1.圖像配準

以地籍矢量數據為參照，對WorldView-2全色波段數據進行圖像配準，使數據具有相同的地理參考系統，采用最鄰近法重采樣，重采樣后影像分辨率設置為0.5 m。

2.定義汽車檢測感興趣區域

將地籍數據與影像疊加，地籍數據可能與影像在局部仍有差異，需要經過一定的人工修改，在Arc-GIS中將修改后的地籍數據中的房屋生成多邊形，并利用掩膜工具將房屋從影像中去除，得到用于汽車檢測的影像，這樣可以盡可能地避免背景干擾，提高汽車識別率。

3.選擇樣本

在高分辨率影像上截取訓練分類器所需的樣本，樣本分為正樣本和負樣本。正樣本就是想要識別的地物，即影像上的汽車，正樣本為尺寸統一的位圖格式以滿足訓練分類器的需要；負樣本就是影像上除汽車外可能對汽車識別產生干擾的其他地物，包括斑馬線、橋梁、灌木、路燈、河流中的船只等，并且負樣本中不能出現待識別的目標，數量一般要大于正樣本數量，截取圖像不能小于所創建的正樣本尺寸。增加樣本數量理論上可以提高分類器精度，但樣本數超過一定數量后，對分類器的改善效果并不明顯。經過試驗，本研究正樣本選取500個，大小統一為32像素×32像素的位圖；負樣本1500個，大小為從45像素×45像素至60像素×60像素的位圖，如圖3所示。

圖3 部分正樣本與負樣本

4.分類器訓練

首先利用OpenCV提供的創建樣本集工具將位圖格式的正樣本轉化為訓練分類器時所需要的格式（*.vec）；然后利用分類器訓練工具載入正負樣本，計算樣本Haar特征值，利用Adaboost算法針對訓練集訓練不同的弱分類器，再把這些弱分類器組合起來，構成一個更強的最終分類器（強分類器）［10，16-18］；最后的強分類器由生成的多個弱分類器加權聯合產生。分類器訓練過程中可適當修改程序參數以提高計算速度，訓練結束得到XML格式的分類器文件。

5.汽車目標識別與標記

本研究在Microsoft Visual C++2008平臺下，結合OpenCV函數庫，編寫了汽車識別程序，程序可以直接調用之前訓練得到的分類器，用于輸入圖像的檢測。檢測到圖像中的地物目標（汽車）后分類器輸出為1，否則輸出為0。識別程序中設定搜索窗口在圖像中移動，從而檢測整幅圖像。為了在圖像中檢測未知大小的目標物體，掃描程序通常需要用不同比例大小的搜索窗口對圖片進行幾次掃描，以確定最優搜索窗口參數，同時建立標記函數，用“+”來標記檢測到的汽車；然后調用cvNamedWindow（）函數命名圖像窗口，cvShowImage（）函數展示通過分類器檢測后的結果影像。

6.精度評價

由于整幅影像上的汽車數量較大，不便于統計識別率等數據，因此在影像數據上選擇特定感興趣區域，利用訓練好的分類器進行目標自動識別檢測。為評價分類器識別精度，定義識別率（S）、漏檢率（A）、錯檢率（R），其關系為

式中，a為正確識別的汽車數量；b為影像上未被檢測出的汽車數量；c為其他地物被誤判成汽車的數量；m為影像上的實際汽車數量。

四、試驗結果

1.汽車目標識別結果

利用上述檢測程序載入訓練好的分類器，對經過掩膜處理后的圖像進行檢測，程序運行后，對識別的汽車目標用“+”自動標注，生成識別效果圖，結果如圖4所示。

圖4 汽車識別效果圖

2.汽車目標識別精度

由于整幅影像上的汽車數量較大，不便于統計識別率等數據，因此在影像數據上隨機均勻選擇一定區域進行精度統計，統計結果見表1。

以上10個檢測區域平均識別率為82.86%，漏檢率為17.14%，錯檢率為16.93%；4、8、9號檢測區域的汽車識別率較低，主要原因是這3個區域是住宅小區、商業區，區域中的目標檢測干擾較多，負樣本數量偏少，而公路、停車場等區域由于地物比較單一，識別率較高。從總體上看其識別效果良好，并且檢測時間很短，可以達到實時監測的要求。

表1 汽車識別率統計 （%）

五、結束語

通過試驗可以看出，利用Haar特征的自動識別技術可以應用于高分辨率遙感影像上的地物識別，并且效果較好；在提取正樣本Haar特征的基礎上，通過Adaboost算法訓練用于地物識別的分類器，算法效率高，自動化程度也很高。對于同一種遙感數據中的同一種地物可使用已經訓練好的同一個分類器進行識別，分類器具有一定的普適性，對不同景數據存在的色調、對比度等差異具有魯棒性。利用這種方法進行地物檢測時，可繼續擴大正負樣本容量以獲取最佳分類器，雖然選擇樣本和分類器訓練需要消耗一定時間，但是一個訓練好的分類器可用于同種類型的其他數據，因此這種方法更適合用于大量數據的檢測處理，由于檢測時間很短，也可以用于實時或準實時的地物監測。隨著遙感數據的時間分辨率不斷提高，該方法會有更好的應用前景。

［1］ 明冬萍，駱劍承，沈占鋒，等.高分辨率遙感影像信息提取與目標識別技術研究［J］.測繪科學，2005，30（3）:18-20.

［2］ 熊秩群，吳健平.面向對象的城市綠地信息提取方法研究［J］.華東師范大學學報:自然科學版，2006（4）:84-90.

［3］ 李彥，沈旭坤.基于高斯模型的遙感影像目標識別方法的初探［J］.系統仿真學報，2009（S1）:57-60.

［4］ 王志偉，關澤群.基于多不變量特征的遙感影像小地物識別［J］.遙感信息，2005（6）:17-19.

［5］ LEITLOFF J，HINZ S，STILLA U.Vehicle Detection in Very High Resolution Satellite Images of City Area［J］.IEEE Transactions on Geoscience and Remote Sensing，2010，48（7）:2795-2806.

［6］ 鄧書斌.ENVI遙感圖像處理方法［M］.北京:科學出版社，2011.

［7］ 黃慧萍，吳炳方，李苗苗，等.高分辨率影像城市綠地快速提取技術與應用［J］.遙感學報，2004，8（1）:68-74

［8］ 黎展榮，王龍波.利用高分辨率影像計算城市綠地覆蓋率［J］.測繪通報，2006（12）:51-53.

［9］ 張春曉，侯偉，劉翔，等.基于面向對象和影像認知的遙感影像分類方法——以都江堰向峨鄉區域為例［J］.測繪通報，2010（8）:11-14.

［10］ BRADSKI G，KAEBLER A.Learning OpenCV［M］.Sevastopol:O’Reilly Media，Inc，2008.

［11］ 許宜申，顧濟華，陶智，等.基于改進BP神經網絡的手寫字符識別［J］.通信技術，2011，44（5）:106-109.

［12］ VIOLA P，JONES M.Robust Real-time Object Detection［J］.International Journal of Computer Vision，2001:1-22.

［13］ 郭磊，王秋光.Adaboost人臉檢測算法研究及OpenCV實現［J］.哈爾濱理工大學學報，2009，14（5）:123-126.

［14］ 朱文佳，戚飛虎.基于 Gentle Adaboost的行人檢測［J］.中國圖象圖形學報，2007，10（2）:1905-1908.

［15］ 魏武，張亞楠，武林林.基于遺傳算法的改進AdaBoost算法在汽車識別中的應用［J］.公路交通科技，2010，27（2）:114-118.

［16］ 劉慧英，王小波.基于OpenCV的車輛輪廓檢測［J］.科學技術與工程，2010，10（12）:2987-2991.

［17］ FREUND Y，SCHAPIRE R.A Short Introduction to Boosting［J］.Journal of Japanese Society for Artificial Intelligence，1999，14（5）:771-780.

［18］ VIOLA P，JONES M.Rapid Object Detection Using a Boosted Cascade of Simple Features［J］.Computer Vision and Pattern Recognition，2001，14（5）:1-9.