0 引言
运动目标是智能交通和军事遥感等研究关注的重点,提取目标运动信息是研究动目标运动特征、实现动目标轨迹预测的必要手段。传统图像动目标研究使用监控视频图像,主要用于交通流量监测、动目标跟踪[1],监控视频图像范围小,获得信息少,不利于大范围的动目标研究。遥感技术和航天技术的不断发展为图像目标运动信息提取带来了新的契机,高分辨率光学卫星图像覆盖范围大、空间分辨率高,纹理特征明显,为信息提取提供了详细、便利的数据来源,有利于研究较大动目标的个体运动特征和较小动目标的群体运动特征[2,3]。早在QuickBird和WorldView等国外高分辨率卫星发射后,就有学者从单幅高分辨率卫星图像中使用目标检测的方法检测车辆、飞机、船舶等有可能运动的目标[4,5]。2004年Etaya等[6]发现QuickBird卫星获取的全色波段图像与多光谱波段图像成像存在约0.2 s的时间差,将这2种波段的图像看作相隔较短时间差对同一地区成像的2幅卫星图像,根据动目标在2种图像上的不同位置与时间差求取运动参数,开创了高分辨率光学卫星图像运动参数估计研究的先河[7]。近几年投入使用的SkySat-1、吉林一号等卫星在凝视模式下可获得空间分辨率达1.1 m的卫星视频,使得高分辨率卫星图像运动目标研究焕发了生机。
国内外的运动目标提取研究大多集中在车辆、飞机、船舰等目标上。国外高分辨率卫星图像动目标检测与运动参数估计研究起步早,最早开展此项工作的国家为美国、德国[8]和日本。日本早在1993年就采用低分辨率JERS-1卫星的OPS光学传感器立体像对图像测量船舶、云、飞机等大型动目标的运动速度[9]; 2004年日本东海大学信息技术中心最早开始了高分辨率卫星图像的动目标检测与运动参数估计研究[6]; Yamazaki等[10]和Liu等[11,12]也有优秀的研究成果; 1997年美国交通部、美国国家航空航天局、俄亥俄州立大学等机构开展了与交通相关的动目标研究[4]; 2005年德国慕尼黑理工大学的Leitloff等[13]开始从事高分辨率卫星图像的车辆检测研究; 2006年《ISPRS Journal of Photogrammetry & Remote Sensing》期刊发行了主题为“Airborne and space borne traffic monitoring”的专刊[14],收录了多篇关于机载和星载交通监测领域的优秀论文,基于遥感图像的车辆检测成为国际摄影测量与遥感领域的热点话题; 我国于2005年立项的“基于危险理论的高分辨率卫星影像车辆目标免疫识别模型与算法研究”是最早研究高分辨率卫星图像动目标检测与识别的基金项目,但不涉及动目标运动参数估计; 2010年梁艳平主持的青年科学基金项目“基于光学卫星影像的运动车辆探测与速度估算研究”采用高分辨率卫星影像在检测运动车辆的基础上估计运动参数[15]; 2016年起厦门大学开展动目标识别的研究[16,17,18]; 中国科学院长春光学精密机械与物理研究所也有关于高分辨率卫星图像动目标检测与跟踪的优秀成果出现[19,20]。
在国家“高分辨率对地观测系统”国家科技专项建设和卫星商业化需求的背景下,我国多颗高分辨率卫星相继发射,并应用到资源调查、环境保护、灾害监测、城市规划等研究领域[21,22],为使用高分辨率卫星图像进行目标运动信息提取创造了条件。首都师范大学北京成像技术高精尖创新中心对地观测遥感成像研究团队研制的多模态传感器采用基元程控技术[23],可获得隔指定时间差对同一地区成像的序列全色卫星图像,团队正在钻研利用这种图像提取动目标并估计运动参数的星上高效算法,以期实现动目标实时检测与运动信息提取。综述相关研究是算法探索不可或缺的步骤,本文将围绕高分辨率光学卫星图像目标运动信息提取的动目标检测与运动参数估计2大部分介绍相关经典算法和方法。根据数据源的不同,将动目标检测算法分为单幅图像和序列图像2类进行综述,其中,以波段数量差异将单幅图像动目标检测分为全色波段动目标检测与多波段动目标检测; 按照数据格式将序列图像动目标检测分为卫星视频动目标检测和序列全色卫星图像动目标检测。简述运动参数估计的目标匹配算法和运动参数计算方法。最后总结分析算法特点,指出研究趋势,展望应用前景。
1 高分辨率光学卫星图像动目标检测方法
1.1 动目标检测方法分类与一般技术流程
动目标检测的目的是从图像中分割出运动目标。图1为高分辨率光学卫星图像动目标检测的主要方法,单幅卫星图像的动目标检测包括基于全色波段图像和基于多波段图像2种; 序列卫星图像的动目标检测是使用多幅光学卫星图像进行动目标检测,现有的研究多是针对卫星视频图像的研究,而基于序列全色卫星图像的动目标检测方法目前正在研究中。这些算法大多都包括图像预处理、动目标初步检测和虚警去除3个步骤。
图1
图1
高分辨率光学卫星图像动目标检测的主要方法
Fig.1
Main methods of moving target detection from high-resolution optical satellite images
图像预处理后从图像中初步确定运动区域,然后根据动目标的灰度特征与形态特征,采用阈值分割和形态约束方法去除拍摄角度、光照变化等因素引起的虚警,便可筛选出运动目标。图像预处理包括图像增强、图像配准、图像融合与兴趣区选取等,根据研究对象、数据、目的不同相应的预处理步骤可以适当增减。图像增强能突出相关信息,扩大不同地物的差异,有利于从静态背景中分离动目标。图像配准是将不同时刻的图像中动目标以外的背景区域匹配,便于动目标位移的计算。图像融合是面向对象动目标检测法中的一种预处理步骤,通过图像融合可以将不同时刻的动目标融合在一幅图上。当研究对象是特定的某种动目标时,可选取兴趣区限定研究区域降低检测虚警率,如检测车辆时提取道路为兴趣区,检测船舶时提取水域为兴趣区。
1.2 单幅卫星图像的动目标检测
1.2.1 基于全色波段图像的动目标检测
表1 全色波段图像的动目标检测方法
Tab.1
| 算法名称 | 算法描述 | 参考文献 |
|---|---|---|
| 队列分离法 | 针对可成队列的动目标,先提取线特征队列,再根据目标特点分割队列 | [24-26] |
| 梯度阈值法 | 使用一阶梯度表示局部变化,为梯度图像自动选择阈值进行图像分割 | [4] |
| 贝叶斯背景变换法 | 背景变换使其亮度特性与当前图像匹配,基于当前图像与变换后背景图像差异,采用贝叶斯法则计算每一像素运动的概率,选择合适的概率阈值将车辆目标分割 | [4] |
| 模板匹配法 | 提前根据动目标实际形状特征建立模型,自动匹配寻找动目标 | [27-28] |
| 机器学习法 | 从同类图像中目视提取动目标训练样本,根据样本特征寻找动目标 | [5,29-31] |
1.2.2 基于多波段图像的动目标检测
表2 多波段图像的动目标检测方法
Tab.2
| 算法名称 | 算法描述 | 优点 | 缺点 | 参考文献 |
|---|---|---|---|---|
| 目视解译法 | 使用传统的目视解译方法,根据地物形状、纹理等特征检测动目标 | 准确 | 非自动检测,工作量大 | [6,33-37] |
| 面向对象法 | 对象分割软件凭经验选择合适的分割尺度,分割出图像中的动目标,并进一步区分 | 快速 | 分割会出现不准确状况,需要人工参与 | [10-11,38-40] |
| 减背景法 | 背景重建采用原始图像开运算腐蚀动目标的方法,背景与图像做差求取动目标 | 快速,全自动检测 | 背景重建不准确,易漏检 | [20,41] |
| 梯度图像匹配法 | 在全色图像中手动标定动目标的中心,采用依赖梯度匹配方法在多光谱图像中寻找对应的动目标 | 准确,不会漏检 | 半自动检测,需要人工参与 | [42] |
1)目视解译法。2004年Etaya等[6]首次提出利用QuickBird卫星图像全色波段和多光谱波段的成像时滞进行飞机、车辆、船舶等动目标的检测和运动参数估计,开辟了高分辨率卫星图像新的应用领域,将由红、绿、蓝3个多光谱波段合成的模拟全色图像采用三次卷积法重采样,使其空间分辨率与全色波段图像一致,然后用目视解译的方法,手动标注全色图像和多光谱合成重采样图像上的动目标; Xiong和Zhang[33,34,35]将QuickBird全色图像与多光谱图像配准后,目视手动标注2种图像上的运动目标; Pesaresi等[36]通过双线性内插法将QuickBird多光谱合成图像空间分辨率重采样为全色波段分辨率,采用分层特征向量匹配技术配准图像,结合视觉判断手动模糊选择的方法找出运动目标,并采用形态学开闭运算计算目标准确位置,从而计算出运动速度; 赵世湖等[37]采用资源三号测绘卫星多光谱数据提取飞机的运动信息,分别用人工方法精确选取出红、绿、蓝和近红外4个波段图像中的飞机。
2)面向对象法。面向对象法是以光谱信息、空间信息等信息为基础,将相似的相邻像元组合为对象的分析方法。面向对象的动目标检测主要用来检测道路上的车辆,大部分研究会将道路提取出来作为兴趣区,根据车辆特征,选取一定的分割尺度分割图像中的车辆目标。2007年Yamazaki等[10]和Liu等[11]在QuickBird的全色图像与多光谱图像上手动选取道路区域,然后根据灰度将区域分为车辆、阴影、道路和其他噪声4类对象; 索明亮[38]使用北京全景天地公司的光学卫星全色和多光谱图像,采用大尺度分割方法与路网属性数据先提取出道路区域,再用小尺度分割检测出车辆,并基于模糊分类法区分明色车辆与暗色车辆; 由于WorldView-2卫星的MS1与MS2图像存在0.26 s的时滞,融合后运动车辆会形成“彩影”,基于这个特性,Salehi等[39]使用UNB Pansharp算法将1个全色和8个多光谱频带融合成了更清晰的多光谱图像,同样大尺度分割获取道路区域,再通过主成分分析选择“彩影”现象最明显的主成分图像,由于主成分图像中前后2时刻的动目标明暗程度不同,采用小尺度分割和模糊分类方法检测并区分出了不同时刻的车辆; 刘超超[40]所使用的流程与Salehi等[39]相似,图像融合方法为Gram-Schmidt。
4)梯度图像匹配法。Leitloff等[42]手动标定全色数据中动目标的中心,并将多光谱数据转换到IHS颜色空间,采用依赖梯度方向的子像素匹配方法在多光谱图像中寻找对应的动目标。这个算法的基本思想是在全色数据的车辆周围裁剪一个适应多光谱低分辨率的区域模板,并进行高斯核平滑模拟车辆在多光谱图像中的结构,再计算此模板的梯度方向与IHS图像梯度在一定范围内进行匹配,相似度高的视为多光谱图像中的对应车辆。
1.3 序列卫星图像的动目标检测
1.3.1 基于卫星视频图像的动目标检测
高分辨率卫星视频可以看作同一地区的时间序列卫星图像,成为动目标检测的有力数据,一般采用普通视频通用的动目标检测方法标识出发生变化的位置。高分辨率卫星图像背景复杂,普通视频通用的检测方法对变化十分敏感,初步检测结果虚警率过高,需要更多的后处理来降低虚警率。已应用到研究中的算法及特点如表3所示。
表3 卫星视频的动目标检测方法
Tab.3
| 算法名称 | 算法描述 | 优点 | 缺点 | 参考文献 |
|---|---|---|---|---|
| 减背景法 | 多帧图像背景建模,当前帧与背景图做差提取动目标 | 准确,高效,自动化程度高 | 背景建模复杂,不易计算 | [19,43-45] |
| 帧差法 | 相邻两帧或三帧差分求取动目标 | 快速,自动化程度高 | 当目标运动速度过慢时,会出现目标空洞 | [19,44] |
| 光流法 | 采用光流法计算角点的光流矢量确定动目标的运动状况 | 准确,全自动检测 | 运算复杂 | [46] |
1)减背景法。2015年最早的高分辨率卫星视频的动目标检测与运动参数估计研究出现,Kopsiaftis等[43]使用减背景法对SkySat-1卫星1.1 m空间分辨率的全色波段卫星视频进行车辆检测和交通密度估计,基于图像帧平均值动态估计背景,背景差分后对相连的动目标形态约束和统计分析,采用OTSU阈值法选取背景阈值,最后计算交通密度; 于渊博等[19,44]在空间分辨率为1.13 m的吉林一号卫星视频数据上实现动目标的检测与跟踪,借鉴监控视频的动目标检测方法,选用2种不同的动目标检测方法进行动目标检测,其中一种是采用混合高斯模型建立背景的减背景法; 卜丽静等[45]基于吉林一号数据,首先利用动态矩阵统计帧间差分未变化像素并更新为背景,然后每一帧与背景差分得出运动区域,利用形态学滤波去除小斑点噪声并保留车辆,最后通过测量车辆位移计算车速等信息。
3)光流法。罗亦乐等[46]基于LK光流法对温哥华UrtheCast公司通过Iris传感器获得的1 m空间分辨率波士顿卫星视频开展车辆目标检测工作,首先提取道路区域并对每一帧图像进行角点检测,经后处理的角点即可视为车辆目标,再采用LK光流法计算角点的光流矢量确定车辆的运动状况,之后通过光流法跟踪车辆求取运动参数。
1.3.2 基于序列全色卫星图像的动目标检测
基于序列全色卫星图像的动目标检测是针对周春平等[23]创新设计的多模态传感器提出的一种新型动目标检测方法。用来获取数据的多模态传感器基于基元程控技术,能够控制面阵传感器的每一行或多线阵传感器的每一单线阵单独成像,如此类比多波段卫星图像动目标运动参数估计的原理,若在焦平面上平行排列的2条或多条单线阵传感器两两之间的间隔大于多波段卫星不同波段传感器间隔,则获取的同一视场图像将具有比多波段图像更大的时间差,运动引起的变化更明显,慢速运动目标更容易被检测。获取的数据是时间序列的全色卫星图像,比起同样时间段的视频图像来说数据量小,算法的效率可以提高。动目标检测算法拟参考帧差法、减背景法等为核心的高效算法进行星上算法研究。
2 高分辨率光学卫星图像动目标运动参数估计方法2.1 运动参数估计一般技术流程
运动参数估计部分主要分为动目标信息提取、目标匹配与运动参数计算3步,这3个步骤缺一不可。提取并记录代表动目标的像元集合的外接矩形、大小、特征点位置等相关信息,特征点位置用于运动参数的计算,外接矩形、大小等用于匹配不同时刻的动目标,确定不同时刻图像上的动目标对应关系后,结合特征点位置信息便可采用简单的公式求出位移、速度、方向等运动参数。一般选择动目标质心为特征点,飞机、船舶这种具有明显转角特征的动目标可将特征点定为其外部的一些转角点,如飞机可选择机头、2个机翼翼尖和尾翼中部等特征点[47]。
2.2 目标匹配方法
运动目标在不同时刻的2幅图像上产生了位移,具有不同的位置,需要匹配两幅图上相同动目标才能求出相应的运动距离。动目标匹配是动目标运动参数计算的基础,但由于大多数动目标在图像上所占像元数少,不利于自动匹配,很多研究为了精度更高都是采用结合目视手动匹配的方法[6,33,36],但这种方法耗费人力且效率低。多波段图像的动目标运动时间短,前后位移距离不大,可采用目标大小和距离链接的方法完成匹配[10,38,40]。文献[38]和[40]采用图像融合寻找匹配的方法,融合后的图像中2个时刻的同一动目标十分接近,距离最近的就是同一动目标。还有基于灰度特征的匹配方法,如灰度相关法[41]和梯度相关法[42]。卫星视频图像的目标匹配会用到常用的普通视频目标跟踪算法,而已经应用到卫星视频的方法仅有光流法跟踪法[46]。
2.3 运动参数计算方法
动目标的位置大多以动目标质心坐标表示,表示方法有图像坐标、实际坐标和经纬度坐标。3种方法对应的位移距离计算方法有所不同。
图像坐标法是以动目标图像坐标与图像空间分辨率为基础的计算方法,假设在不同时刻空间分辨率为G的卫星图像中同一动目标图像坐标分别为
图像若含有地理经纬度坐标则可以采用经纬度坐标法计算位移距离[38]。设动目标第一时刻经纬度为
令运动时间为
3 总结与展望
3.1 现有研究方法总结分析
高分辨率卫星图像目标信息提取的研究迄今只有十几a历史,采用的数据和方法还有一些不足,诸多问题还未深入研究。从数据源角度来看,全色单波段图像仅可实现动目标的检测,检测效果好,但不能获取运动信息; 多波段图像动目标研究大多在单幅影像上采用目视解译法或面向对象方法标记动目标,记录并手动或自动匹配各波段图像中的动目标并结合目标位置信息求取运动参数,由于成像时间差过短,不易检测慢速目标,且多光谱图像分辨率低,运动目标特征点位置不准确; 视频卫星的出现丰富了数据来源,能够获取成像时间差更大的大量时序图像,慢速目标和小型目标都可检测,但算法大多借鉴监控视频的动目标检测与跟踪算法,结合实际情况提取多目标运动信息,数据量过大,处理效率低。从算法角度来看,各个步骤算法自动化程度较低,针对性太强,总体时效性差,存在以下问题亟待解决: ①动目标初步检测算法虽然很多,但仍存在目标边界难以确定引起的目标不全和过分割问题,漏检问题也不容忽视,动目标检测方法研究有待改进; ②虚警去除方法中阈值选取大多以经验确定,形态约束也仅仅涉及目标的简单形态信息,阈值选取的自动化程度与形态信息的准确程度需要提升; ③目标匹配方法人工干预过多,小型目标的自动匹配难以实现。
针对已有算法的不足,建议算法尝试做出以下改进: ①动目标初步检测方面,重视目标边界确定与漏检问题,借鉴普通视频图像动目标检测算法,尝试应用减背景法、帧差法、光流法的改进算法和其他算法[48,49]; ②虚警去除方面,将基于灰度直方图形状的方法、基于聚类的方法、基于信息熵的方法、基于属性相似性的方法、基于空间信息的方法以及基于图像局部信息的方法等自适应阈值方法[50]应用到阈值分割去除虚警算法研究中,参考单幅卫星图像的动目标检测中模型匹配法相关文章引入基于点、线、转角等特征的目标模型作为形态约束; ③动目标匹配算法方面,参考普通视频目标跟踪[51]与车辆跟踪[52]相关的一些匹配算法,攻克小型动目标自动匹配的难题。
周春平等[53]提出的序列全色卫星图像动目标检测与运动参数估计研究,在数据源和算法上有独特的创新之处,可以给以后的目标运动信息提取研究提供一些参考: ①专用于动目标检测的硬件设计研究,获取更有利于动目标检测研究的数据; ②将短时差、不同通道、不同分辨率的图像检测,变成利用长时差同视场图像间的检测,减小数据量和慢速目标检测难度; ③以星上处理为导向的算法设计,提高运算效率,实时获取信息。
3.2 研究趋势与应用展望
目标运动信息提取是图像处理领域的热点,高分辨率光学卫星图像作为大尺度运动目标研究的良好数据,相关研究频频出现,本文通过总结研究进展和算法,得出以下研究趋势: ①数据源不断丰富,从单幅影像研究向序列图像发展,数据量与图像时差更有利于动目标研究,卫星视频已成为近几年研究的热点; ②研究内容从仅检测目标扩展到检测动目标并估计运动参数,甚至跟踪和预测动目标; ③研究对象从单目标转向多目标、从大型目标转向小型目标、从快速运动目标转向慢速运动目标; ④各部分算法从开始的人工参与居多发展到了趋于自动化、智能化; ⑤不限于地面算法研究,快速高效的星上实时处理算法已成为研究的新方向。
高分辨率光学卫星图像中的目标运动信息与交通、军事等有密切关系,在以下领域已有较多应用: ①智能交通,高分辨率光学卫星图像与传统的交通分析依赖的固定监控视频相比,视野广,目标多,覆盖固定监控的盲区与偏远地区,提取相关目标运动信息分析交通拥堵情况并进行预测,能够实现交通实时监测,完成出行、物流、应急等方面的海陆交通路线规划和调度; ②军事遥感,普通拍摄方式无法接近战场和军事地区,从卫星图像中提取战机、战车、船舰等军事目标的运动信息,有利于分析和预测战场情况,追踪指定目标,从而指导作战或达到侦察目的; ③防灾减灾,自然灾害现场难以接近,高分辨率光学卫星图像中地物特征更清晰,提取泥石流、火山熔岩等有向流体动目标的运动信息,估计其蔓延速度和方向,可为人员疏散路线的制定提供依据,减轻或避免灾害导致的人口损失。
随着卫星运动目标检测与运动参数估计技术的不断成熟,其在智能交通和军事遥感等方面将发挥更大的作用,也将体现其在防灾减灾等潜在领域的应用价值,创造出更大的社会价值。
参考文献
视频监控中运动物体的检测与跟踪
[J].
DOI:10.3778/j.issn.1002-8331.2010.31.053
Magsci
[本文引用: 1]
针对固定摄像头下的交通监控场景，首先给出一种基于分块原理的背景重建算法，克服了平均法重建的背景图像模糊的缺点。然后用减背景方法检测运动物体，并利用数学形态学方法对得到原始前景点作处理，填补了运动物体内部的空洞，减少了噪声点，改善了检测性能。为适应背景的变化，对背景进行自适应更新，并且通过对Meanshift算法的改进提高了跟踪的准确性。实验结果表明，算法在有效检测到运动物体的同时能够快速准确地跟踪运动物体。
Moving object detection and tracking in video surveillance
[J].
高分辨率影像解译理论与应用方法中的一些研究问题
[J].
DOI:10.11834/jrs.20060101
Magsci
[本文引用: 1]
近年来，不断发展的遥感技术使遥感数据呈现出高空间分辨率、高光谱分辨率和高时间采集频率的特点。卫星图像空间分辨率已经提高到0．6m级，而航空遥感数字影像分辨率高达0．1m以上。光谱分辨率高达3―4nm。不断发展的高分辨率遥感数据能够提高信息提取和监测精度，并拓展遥感数据的应用范围。目前，国外已经加快对高分辨率图像，特别是高空间分辨率影像，在城市环境、精准农业、交通及道路设施、林业测量、军事目标识别和灾害评估中的应用。但是总的情况是自动化程度不高。介绍高空间分辨率影像信息提取、高光谱和偏振影像信息提取、影像数据融合和高分辨率遥感变化探测等方面迫切需要研究的一些科学问题及其意义。建议建立图像知识库，改善数据共享环境，为有志于从事这方面研究的学者提供参考。
Interpretation theory and application method development for information extraction from high resolution remotely sensed data
[J].
高分辨率遥感影像信息提取与目标识别技术研究
[J].
Research on information extraction and target recognition from high resolution remote sensing image
[J].
Vehicle detection in 1-m resolution satellite and airborne imagery
[J].
基于形态神经网络的高分辨率卫星影像车辆检测
[J].
Vehicle detection from high resolution satellite imagery based on the morphological neural network
[J].
An experiment on detecting moving objects using a single scene of QuickBird data
[J].
最新光学高分辨率卫星遥感技术及其应用研究
[D].
A Study on State-of-Art Optical High Resolution Remote Sensing Satellite Technology and Its Application
[D].
高分辨率卫星影像车辆检测研究进展
[J].<p>高分辨率卫星遥感技术具有在更小的空间尺度上探测地表目标的能力,利用其影像数据进行车辆检测已成为新的研究热点。在概述遥感影像车辆检测研究现状的基础上,对车辆目标影像特征及车辆检测过程进行了探讨;将车辆检测方法分为利用光谱/几何结构特征的基本检测方法和综合运用多种特征的智能化检测方法,并详细叙述了多种车辆检测方法的原理与适用性以及车辆提取中的关键技术。通过分析发现：结合多特征的机器学习和面向对象的车辆检测方法更适合较复杂环境下的车辆检测。</p>
Progress in vehicle detection from high resolution satellite imagery
[J].
Speed vector measurement of moving objects using JERS-1/OPS data
[C]//
Speed detection for moving objects from digital aerial camera and QuickBird sensors
[C]//
Speed detection of vehicles from aerial photographs
[C]//
Automated vehicle extraction and speed determination from QuickBird satellite images
[J].
Vehicle queue detection in satellite images of urban areas
[J].
Theme issue:“Airborne and spaceborne traffic monitoring”
[J].
运动车辆探测研究的新方向与进展
[J].
Recent advances and perspective on studies of moving vehicles detection
[J].
Vehicle detection in high-resolution aerial images based on fast sparse representation classification and multiorder feature
[J].
Vehicle detection in high-resolution aerial images via sparse representation and superpixels
[J].
Vehicle detection from highway satellite images via transfer learning
[J].
卫星视频运动目标检测算法
[J].为了实现对卫星视频图像序列的运动目标进行跟踪，提出了一种背景建模与添加实际条件约束相结合的卫星视频运动目标检测算法。首先，针对卫星视频图像序列的背景建立背景模型。然后，把接下来各帧图像同该模型相比较，进行减法运算，所得偏差为运动区域。最后添加满足卫星实际情况的约束条件，根据卫星视频的分辨率估算出运动目标合理的像元尺寸,从而滤掉噪声。将本算法在PC端进行实现，并与三帧差法和背景建模法的检测准确度进行对比。实验结果表明：本算法对卫星视频图像序列运动目标检测的准确度可达83.6%，三帧差法检测准确度为6.1%，背景建模法检测准确度为21.0%。从实验结果可以看出，本文算法可以比较准确地对卫星视频图像序列进行运动目标检测。
Moving objects detection on satellite video
[J].
QuickBird遥感影像的车辆自动检测与运动参数估计
[J].遥感图像的车辆目标提取与运动参数估计在交通管理、战场态势分析等领域具有广阔的应用前景，但目前相关算法均需要人工参与或借助GIS信息，针对上述问题提出了一种基于计算机视觉的全自动车辆检测与运动参数估计算法。分析了Quickbird全色与多光谱传感器的焦平面结构特征以及该结构造成的“鬼影”现象; 针对全色与多光谱遥感影像的分辨率高、光谱信息丰富的特点，利用植被指数归一化、图像分割、形态学灰度重建等图像处理过程，实现了全色图像中运动车辆的自动检测，在此基础上检测低分辨率的多光谱图像中的目标。利用全色与多光谱图像的成像时间差估计运动参数。在Quickbird遥感影像的验证实验中充分证明了算法的可行性与正确性。
Speed estimation and automatic detection of moving vehicle from QuickBird satellite images
[J].
卫星视频处理与应用进展
[J].
DOI:10.3969/j.issn.0255-8297.2016.04.001
Magsci
[本文引用: 1]
<p>视频卫星通过一定时间范围内对目标的连续成像，实现对热点区域和目标的动态实时监测，近年来已成为遥感卫星发展的一大热点.从视频卫星数据应用的角度出发，叙述视频卫星发展现状，分析卫星视频数据应用面临的主要挑战和成因.重点介绍卫星视频数据的几何辐射定标、视频稳像、超分辨率重建、运动目标检测与跟踪、三维重建等关键技术的现状和发展趋势.在此基础上总结卫星视频的主要应用领域，并对卫星视频数据处理与应用进行了展望.</p>
Satellite video processing and applications
[J].
高分辨率遥感影像居民地半自动提取方法研究
[J].
The method for semi-automatic extraction of residential area from high resolution remote sensing images
[J].
Automatic vehicle detection in satellite images
[J].
Automatic vehicle detection in space images supported by digital map data
[J].
Vehicle detection in very high resolution satellite images of city areas
[J].
利用双指数函数导数模型进行高分辨率卫星影像目标检测
[J].提出了一种从高分辨率卫星影像中检测特定目标的方法。该方法首先用一种双边滤波的方法去除图像中的噪声,然后采用形态学处理的方法对图像进行分割和特征增强,并提取兴趣区域。在目标检测阶段,设计了一种基于双指数函数导数(DODE)模型的检测算子,该算子是面向具体目标设计的,能实现稳健的目标检测。对Google Earth中的影像分别进行了车辆检测实验和船舰检测实验,结果表明,此方法能够有效准确地检测高分辨率卫星影像中的特定目标。
A novel high resolution satellite imagery object detection based on derivative of double exponential
[J].
Remote sensing image target detection method based on corner probability model
[C]//
基于高分辨率卫星影像的车辆检测算法研究
[D].
The Study of Algorithm About Vehicle Detection Based on High Resolution Satellite Image
[D].
高分辨率卫星影像车辆检测的抗体网络
[J].将车辆柃测的过程视为一种"抗体"检测"危险抗原"的过程,其中车辆是"危险抗原",车辆检测模板是"抗体".利用一些车辆图像作为训练样本,建立一种抗体网络学习并获取一组优化的"抗体".这些"抗体"经过与待测影像的匹配,实现对道路车辆目标的有效提取.采用0.6m分辨率的QuickBird全色数据进行实验,实验结果验证了该方法的有效性和可行性.<dt><strong><t>Abstract：</t></strong></dt><dd>This paper presents an antibody network approach for vehicle detection from high resolution satellite imagery. This approach regards the vehicle detection procedure as a procedure that antibodies recognize danger antigens, where vehicles are "dangerous antigens" and vehicle detection templates are "antibodies". In this paper, some vehicle images are collected as learning examples, and an antiboby network is proposed to learn optimal "antibodies", which can be used to detect vehicles through the proposed matching algorithm. Experiments on Quickbird satellite images are given to show the feasibility and performance of the proposed approach.
An antibody networks approach for vehicle detection from high resolution satellite imagery
[J].
Vehicles detection from very high resolution satellite imagery
[J].
Classification-based vehicle detection in high-resolution satellite images
[J].
An initial study of moving target detection based on a single set of high spatial resolution satellite imagery
[C]//
Moving vehicle detection using a single set of QuickBird imagery:An initial study
[J].
An initial study on vehicle information extraction from single pass QuickBird satellite imagery
[J].
Estimating the velocity and direction of moving targets using a single optical VHR satellite sensor image
[J].
单景卫星遥感影像目标运动信息提取技术
[J].
DOI:10.11947/j.AGCS.2015.20120720
Magsci
[本文引用: 1]
深入分析了高分辨率卫星遥感线阵推扫成像过程中运动目标影像的时空移变特性,充分利用卫星多线阵推扫成像传感器排布特点和卫星成像时间、姿态和轨道等辅助参数,建立了线阵推扫时空移变成像模型.提出了一种基于单景卫星影像不同波段信息的目标运动信息提取方法,并采用资源三号多光谱影像进行了飞机飞行速度信息提取试验.试验结果验证了基于单景卫星影像提取速度信息的有效性和稳定性.
Moving target information extraction based on single satellite image
[J].
卫星图像中运动车辆探测和速度提取研究
[D].
Research on Moving Vehicle Detection and Velocity Extraction from Satellite Image
[D].
Automatic moving vehicles information extraction from single-pass Worldview-2 imagery
[J].
基于光学卫星影像的车辆识别和速度估算研究
[D].
Research on Vehicle Identification and Velocity Estimation Based on Optical Satellite Imagery
[D].
遥感图像的车辆目标检测与运动参数估计
[D].
Detection and Speed Estimation of Moving Vehicle From Remote Sensing Images
[D].
Inferring traffic activity from optical satellite images
[J].
Vehicle detection and traffic density monitoring from very high resolution satellite video data
[C]//
基于多核DSP卫星视频多目标实时动态检测跟踪技术
[D].
Multiple Objects Real-Time Tracking and Detection Technology in Satellite Video Based on Multi-Core DSP[D].Changchun:Changchun Institute of Optics,Fine Mechanics and Physics,
吉林一号视频星数据在车辆检测中的可行性
[J].
Feasibility of Jilin-1 video star data in vehicle detection
[J].
基于光流法的卫星视频交通流参数提取研究
[J].
Traffic flow parameter estimation from satellite video data based on optical flow
[J].
Velocity estimation of an airplane through a single satellite image
[J].
Moving object detection:Review of recent research trends
[C]//
监控视频运动目标检测减背景技术的研究现状和展望
[J].
DOI:10.11834/jig.200607158
Magsci
[本文引用: 1]
在很多计算机视觉应用中，一个基础而关键的任务是从视频序列中确定运动目标，其中对于固定摄像机的监控视频运动目标的检测，最常用的方法是减背景技术。其思想是将视频帧与一个背景模型做比较，其中区别较大的像素区域被认为是运动目标。但由于构建背景模型需要考虑光照变化等很多因素，因此开发一个好的减背景算法面临很多挑战。为了使人们对该技术有个初步了解，该文首先对利用减背景技术实现运动目标检测的过程、目前各种典型背景建模算法的原理和优缺点做了较为详细的阐述和归纳，然后总结了各种减背景算法的总体特点，并结合实验和文献资料对部分算法进行了对比评价，最后指出了减背景技术的未来研究重点和发展方向。
Prospects and current studies on background subtraction techniques for moving objects detection from surveillance video
[J].
灰度图像阈值分割的自适应和快速算法研究
[D].
Study on the Adaptive and Fast Algorithm of Gray Scale Image Thresholding
[D].
Online object tracking:A benchmark
[C]//
基于视频的车辆检测与跟踪算法综述
[J].
Survey of video-based vehicle detection and tracking algorithm
[J].
