基于航拍影像的車輛檢測簡要綜述

栗佩康　田路強　寧君宇

摘 要：航拍影像為遠距離對地目標觀測提供了豐富的數據信息，尤其是隨著無人機的發展，越來越多的航拍影像數據可被獲取，為該場景下的目標檢測與識別提供了堅實的數據基礎。車輛識別作為航拍影像場景下的目標檢測研究的重要方向之一，是智能交通系統中的重要一環，為路況實時獲取、事故監測、違章停車監控等應用場景提供技術支撐。該方向的研究在軍事、民用等領域發揮重要作用，在計算機視覺、遙感觀測等領域成為重要的研究方向。近年來，隨著機器學習的持續發展，特別是深度學習在計算機視覺及模式識別領域的大放異彩，與車輛目標檢測相關的方法也推陳出新。本文將基于有關車輛目標檢測的方法做一個綜述，以期能夠快速了解這個領域，并為后續工作做出一定指導。

關鍵詞：車輛檢測;航拍影像;目標識別;機器學習;深度神經網絡

航拍影像包含豐富的地物信息，如道路、樓宇、車輛等，對這些信息進行有效處理，尤其對車輛信息的有效處理（以車輛為主體處理對象，道路、樓宇作為重要上下文信息），對城鄉道路的交通規劃、安全預警具有重要指導作用。

與傳統的人工方式統計交通信息數據相比，通過航拍影像檢測車輛信息具有如下優點：

（1）不需要人工設卡來統計交通流量信息、發現交通事故及違章停車等。

（2）與監控攝像互為補充，并能獲取監控攝像未觸及區域的車輛信息。

（3）減少人工讀圖工作量，減少因人工失誤造成的誤檢、漏檢，提升效率和智能化水平。

目前，隨著計算機視覺領域的持續發展，在諸如手寫字符識別、車牌識別甚至人臉識別等應用方向的算法已日臻成熟，但在航拍影像的車輛識別場景下，依然存在一些問題，如受道路環境及樓宇的遮擋、不同尺度下的車輛特征表現不一致、算法精度與實時性效率難以平衡等問題，故該方向仍需持續研究。近年來，國內外學者對基于航拍影像的車輛檢測做了大量工作，大致可分為兩類：基于傳統機器學習的車輛檢測方法和基于深度神經網絡的車輛檢測方法。

1 基于傳統機器學習的車輛檢測方法

在我們日常生活中，車輛一般在道路上或道路周邊，基于此，部分學者使用道路數據庫作為先驗知識來檢測車輛[2]，但這些方法一方面受限于獲取路網數據的質量，另一方面造成不在路網周邊車輛的嚴重漏檢。

基于機器學習的車輛檢測方法可以簡單地描述為感興趣區域（ROI）的分類問題，即首先利用不同尺度的滑窗、超像素或顯著性檢測等方法找到類車輛區域，然后使用人工提取的特征輸入至SVM或AdaBoost分類器中進行車輛分類判別。

Shao[3]使用提取到的Harr特征和LBP特征輸入到SVM分類器中做車輛檢測。Moranduzzo[4]使用SIFTs特征以及Kluckner[5]使用HOG特征輸入到AdaBoost分類器做車輛檢測。特別地，Liu[7]提出一種基于通道特征聚合與AdaBoost級聯得快速二值檢測算子用于車輛位置的檢測，然后使用HOG特征和AdaBoost分類器來對車輛的方向進行分類，該方法能夠提取車輛方向，但由于該方法基于人工特征構造，對車輛的提取不夠有效，而且基于滑窗的方法對計算資源開銷太大。在航拍影像中，由于車輛特征尺度不一，并且建筑、道路上的線和陰影等造成車輛的背景環境復雜，基于手工構造的單一特征對于在復雜多樣的背景環境下進行車輛提取還不夠有效，使得利用多特征融合對車輛特征進行更準確的描述與表達成為車輛檢測研究方向和趨勢。

2 基于深度神經網絡的車輛檢測方法

由于擅長特征表達，并且比傳統機器學習算法有更高的準確度與更快的速度，深度神經網絡在目標檢測領域已處于主流地位。相關算法可分為兩個范疇：基于候選區域的神經網絡如RCNN、Fast RCNN、Faster RCNN與基于回歸的神經網絡如YOLO、YOLO2、SSD。

一些基于深度神經網絡的車輛提取算法[7]仍沿用傳統算法框架，但在特征抽取與表達部分使用深度神經網絡代替手工構建特征，雖然能夠大大提高各項檢測指標，但時間開銷依舊很大。Deng[1]提出了一種基于候選區域的神經網絡AVPN來提取車輛的位置，然后使用基于ZF模型分類的網絡來估計車輛的方向，雖然能夠有效提取車輛的方向，但這種復雜級聯系統時間開銷較大。Tang[8]提出了一種端到端的基于回歸的深度神經網絡定向SSD，該方法可以一張航拍圖像為輸入可直接得到車輛的位置及方向，且時間開銷較小。

3 結語

本文作為一篇基于航拍影像下的車輛檢測的簡要綜述，首先介紹了該研究的背景、意義以及現有問題，然后介紹了該領域的研究現狀，分為基于人工構造特征的傳統機器學習方法和擅于自動特征抽取與表達的深度神經網絡的方法，現階段后者檢測效果的各項指標明顯高于前者，但后者也存在模型復雜、計算資源開銷大等問題。關于該方向的研究，檢測效果和模型運算開銷仍有優化空間，該領域也仍有研究空間。

參考文獻：

[1]Deng，Z.;Sun，H.;Zhou，S.;Zhao，J.;Zou，H.Toward Fast and Accurate Vehicle Detection in Aerial Images Using Coupled Region-Based Convolutional Neural Networks.IEEE J.Sel.Top.Appl.Earth Obs.Remote Sens.2017，pp.1-13.

[2]Moranduzzo，T.;Melgani，F.Automatic car counting method for unmanned aerial vehicle images.IEEE Trans.Geosci.Remote Sens.2014，52，1635-1647.

[3]Shao，W.;Yang，W.;Liu，G.;Liu，J.Car detection from high-resolution aerial imagery using multiple features.In Proceedings of the IEEE International Geoscience and Remote Sensing Symposium（IGARSS），Munich，Germany，22-27 July 2012;pp.4379-4382.

[4]Moranduzzo，T.;Melgani，F.Automatic car counting method for unmanned aerial vehicle images.IEEE Trans.Geosci.Remote Sens.2014，52，1635-1647，

[5]Kluckner，S.;Pacher，G.;Grabner，H.;Bischof，H.;Bauer，J.A 3D teacher for car detection in aerial images.In Proceedings of the IEEE International Conference on Computer Vision，Rio de Janeiro，Brazil，14-21 October 2007;pp.1-8.

[6]evo，I.;Avramovi′c，A.Convolutional neural network based automatic object detection on aerial images.IEEE Geosci.Remote Sens.Lett.2016，13，740-744.

[7]Liu，K.;Mattyus，G.Fast multiclass vehicle detection on aerial images.IEEE Geosci.Remote Sens.Lett.2015，12，1938-1942.

[8]Tang T，Zhou S，Deng Z，et al.Arbitrary-Oriented Vehicle Detection in Aerial Imagery with Single Convolutional Neural Networks[J].Remote Sensing，2017，9（11）：1170.