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 資源環境與旅游學院，北京100048；2.武漢大學 遙感信息工程學院，湖北 武漢430079）

基于遙感影像的車輛檢測在民用和軍事領域有著重要的用途。在交通領域，車輛檢測是優化智能交通系統和城市規劃的基本要求。目前交通上常用感應線圈、壓電式檢測器、固定攝像機等地面傳感器來實現車輛檢測與計數，這類設備不僅覆蓋范圍小，而且價格昂貴，安裝和檢修困難，只能用于城市主干道[1]。當前遙感技術發展迅速，光學遙感影像的分辨率已經達到1 m以內，因此基于高分辨率遙感影像的車輛檢測方法研究已經成為新的熱點。

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、神經網絡識別等。Sharma[3]等根據車輛目標與路面灰度值發生突變的特點，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。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的坐標和數量，但是當一個具體的目標被檢測出來時會受到目標背景的影響[4]。劉建鑫[5]比較了結合紋理分析的徑向基函數神經網絡（RBFNN）和概率神經網絡（PNN）的車輛檢測效果，通過實驗發現概率神經網絡具有更好的檢測效果，但是當兩車輛距離太近時，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有效，正確率75%左右[3]。模板匹配和人工神經網絡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缺點，并針對閾值分割法的不足進行改進。

1 方法原理基礎

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

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數為零進行邊緣檢測對噪聲比較敏感，且常常產生雙邊緣，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算子應用方法跟Prewitt算子相似，在Prewitt算子基礎上，對4-鄰域采用帶權的方法計算差分。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區與背景區之間的方差，當方差為最大時，就認為此時為最優分割，從而自動確定分割閾值[7]。

設一幅圖像的像素總數為S，灰度范圍為[0,K-1]，灰度值為i的像素總個數為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。當得到的類間方差σ2為最大時，就認為此時的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 區域生長法

區域生長是一種根據事前定義的相似性準則將像素或子區域聚合成更大區域的過程。基本思想是在圖像上選取一組種子點，將與種子點性質相似的像素附加到生長區域的每個種子上。這些性質可以包括灰度、顏色、紋理和形狀等。區域生長在實際應用中有以下3種原則需要注意：

1）種子點選取的原則：可以按照某種規則自動選取，也可以根據需要手動選取。

2）相似性準則的確定：可根據不同原則制定，目的是確保有相似性質的鄰域像素能合并到種子點的區域內。

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

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算法的基礎上發展出的通過自相關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函數的啟發，給出與自相關函數相聯系的矩陣M。M陣的特征值是自相關函數的一階曲率，如果2個曲率值都高，那么就認為該點是角點特征。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，實驗區截取了美國博伊西州立大學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，實驗結果如圖4所示。

圖4a為邊緣檢測的實驗結果，三種算子基本都能正確檢測出車輛目標，Roberts算子檢測結果稍差，深色車輛檢測結果不明顯；Prewitt算子和Sobel算子檢測結果差別不大，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為區域生長的檢測結果，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，很多非車輛目標被誤檢為車輛目標，由于Forstner算法對角點更敏感，導致很多地面停車線也被提取為特征點；Harris算法提取的點數最少，而且基本沒有誤檢，僅有少量不明顯的目標未被檢測出來。

圖4 車輛檢測結果

對以上4種方法從檢測率和正確率方面進行了定量統計，結果如表1和表2所示。從檢測率來看，邊緣檢測、區域生長以及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經常會多于車輛數，導致一輛車被提取到多個特征點而難以進行車輛計數與統計。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，其次是區域生長法。

表1 邊緣檢測、閾值分割和區域生長的結果統計表

表2 點特征提取結果統計表

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計，結果如表3所示。點特征提取算子算法比較復雜，運算相對較慢。閾值分割和區域生長是圖像分割領域的經典算法，算法結構簡單，耗時最短。邊緣檢測運行速度也較快，并且在多數情況下能獲得較好的結果。

表3 4種車輛檢測方法的耗時統計表

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果如圖5所示。

圖5a為原圖經線性變換的結果，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果相比，檢測率由原來的50.5%提高到95%。

圖5 經線性變換以后的閾值分割結果

3 結 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。由實驗結果可知，邊緣檢測效果最好；區域生長法的檢測結果比邊緣檢測稍差，但是具有更快的檢測速度。基于影像灰度信息進行車輛檢測會受到陰影、路面標線、路旁非車輛目標等的干擾，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，提高自動化程度也是一個應該考慮的問題。

[1]劉珠妹，劉亞嵐，譚衢霖,等.高分辨率衛星影像車輛檢測研究進展[J].遙感技術與應用，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.基于高分辨率衛星影像的車輛檢測算法研究 [D].大連：大連海事大學, 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++數字圖像處理技術詳解[M].北京：機械工業出版社,2010

[8]張劍清,潘勵,王樹根.攝影測量學[M].武漢：武漢大學出版社, 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