基于航拍影像的车辆检测简要综述
来源:用户上传
作者:栗佩康 田路强 宁君宇
摘 要:航拍影像为远距离对地目标观测提供了丰富的数据信息,尤其是随着无人机的发展,越来越多的航拍影像数据可被获取,为该场景下的目标检测与识别提供了坚实的数据基础。车辆识别作为航拍影像场景下的目标检测研究的重要方向之一,是智能交通系统中的重要一环,为路况实时获取、事故监测、违章停车监控等应用场景提供技术支撑。该方向的研究在军事、民用等领域发挥重要作用,在计算机视觉、遥感观测等领域成为重要的研究方向。近年来,随着机器学习的持续发展,特别是深度学习在计算机视觉及模式识别领域的大放异彩,与车辆目标检测相关的方法也推陈出新。本文将基于有关车辆目标检测的方法做一个综述,以期能够快速了解这个领域,并为后续工作做出一定指导。
关键词:车辆检测;航拍影像;目标识别;机器学习;深度神经网络
航拍影像包含丰富的地物信息,如道路、楼宇、车辆等,对这些信息进行有效处理,尤其对车辆信息的有效处理(以车辆为主体处理对象,道路、楼宇作为重要上下文信息),对城乡道路的交通规划、安全预警具有重要指导作用。
与传统的人工方式统计交通信息数据相比,通过航拍影像检测车辆信息具有如下优点:
(1)不需要人工设卡来统计交通流量信息、发现交通事故及违章停车等。
(2)与监控摄像互为补充,并能获取监控摄像未触及区域的车辆信息。
(3)减少人工读图工作量,减少因人工失误造成的误检、漏检,提升效率和智能化水平。
目前,随着计算机视觉领域的持续发展,在诸如手写字符识别、车牌识别甚至人脸识别等应用方向的算法已日臻成熟,但在航拍影像的车辆识别场景下,依然存在一些问题,如受道路环境及楼宇的遮挡、不同尺度下的车辆特征表现不一致、算法精度与实时性效率难以平衡等问题,故该方向仍需持续研究。近年来,国内外学者对基于航拍影像的车辆检测做了大量工作,大致可分为两类:基于传统机器学习的车辆检测方法和基于深度神经网络的车辆检测方法。
1 基于传统机器学习的车辆检测方法
在我们日常生活中,车辆一般在道路上或道路周边,基于此,部分学者使用道路数据库作为先验知识来检测车辆[2],但这些方法一方面受限于获取路网数据的质量,另一方面造成不在路网周边车辆的严重漏检。
基于机器学习的车辆检测方法可以简单地描述为感兴趣区域(ROI)的分类问题,即首先利用不同尺度的滑窗、超像素或显著性检测等方法找到类车辆区域,然后使用人工提取的特征输入至SVM或AdaBoost分类器中进行车辆分类判别。
Shao[3]使用提取到的Harr特征和LBP特征输入到SVM分类器中做车辆检测。Moranduzzo[4]使用SIFTs特征以及Kluckner[5]使用HOG特征输入到AdaBoost分类器做车辆检测。特别地,Liu[7]提出一种基于通道特征聚合与AdaBoost级联得快速二值检测算子用于车辆位置的检测,然后使用HOG特征和AdaBoost分类器来对车辆的方向进行分类,该方法能够提取车辆方向,但由于该方法基于人工特征构造,对车辆的提取不够有效,而且基于滑窗的方法对计算资源开销太大。在航拍影像中,由于车辆特征尺度不一,并且建筑、道路上的线和阴影等造成车辆的背景环境复杂,基于手工构造的单一特征对于在复杂多样的背景环境下进行车辆提取还不够有效,使得利用多特征融合对车辆特征进行更准确的描述与表达成为车辆检测研究方向和趋势。
2 基于深度神经网络的车辆检测方法
由于擅长特征表达,并且比传统机器学习算法有更高的准确度与更快的速度,深度神经网络在目标检测领域已处于主流地位。相关算法可分为两个范畴:基于候选区域的神经网络如RCNN、Fast RCNN、Faster RCNN与基于回归的神经网络如YOLO、YOLO2、SSD。
一些基于深度神经网络的车辆提取算法[7]仍沿用传统算法框架,但在特征抽取与表达部分使用深度神经网络代替手工构建特征,虽然能够大大提高各项检测指标,但时间开销依旧很大。Deng[1]提出了一种基于候选区域的神经网络AVPN来提取车辆的位置,然后使用基于ZF模型分类的网络来估计车辆的方向,虽然能够有效提取车辆的方向,但这种复杂级联系统时间开销较大。Tang[8]提出了一种端到端的基于回归的深度神经网络定向SSD,该方法可以一张航拍图像为输入可直接得到车辆的位置及方向,且时间开销较小。
3 结语
本文作为一篇基于航拍影像下的车辆检测的简要综述,首先介紹了该研究的背景、意义以及现有问题,然后介绍了该领域的研究现状,分为基于人工构造特征的传统机器学习方法和擅于自动特征抽取与表达的深度神经网络的方法,现阶段后者检测效果的各项指标明显高于前者,但后者也存在模型复杂、计算资源开销大等问题。关于该方向的研究,检测效果和模型运算开销仍有优化空间,该领域也仍有研究空间。
参考文献:
[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.
转载注明来源:https://www.xzbu.com/1/view-15266540.htm