吳小波，楊 遼，沈金祥，王 杰

(1.中國(guó)科學(xué)院新疆生態(tài)與地理研究所遙感與GIS應(yīng)用自治區(qū)重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830011;2.中國(guó)科學(xué)院研究生院，北京 100049)

基于背景迭代搜索的高分辨遙感圖像汽車檢測(cè)

吳小波1，2，楊 遼1，沈金祥1，2，王 杰1，2

(1.中國(guó)科學(xué)院新疆生態(tài)與地理研究所遙感與GIS應(yīng)用自治區(qū)重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830011;2.中國(guó)科學(xué)院研究生院，北京 100049)

提出了一種基于高分辨率衛(wèi)星遙感圖像檢測(cè)汽車的新方法——背景迭代搜索(Background Iterative Search，BIS)算法。該算法首先利用背景與目標(biāo)的局部差異，用距離作為判別準(zhǔn)則逐步迭代搜索并去除背景，根據(jù)汽車的物質(zhì)特性初步檢測(cè)汽車;然后采用動(dòng)態(tài)雙峰閾值分割方法，利用全局信息把道路和非道路分開(kāi)，并根據(jù)形狀特征粗略提取道路;最后利用道路信息約束初步檢測(cè)的汽車，得到最終的汽車檢測(cè)結(jié)果。通過(guò)使用IKONOS和QuickBird衛(wèi)星遙感數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，驗(yàn)證了BIS算法的有效性。

高分辨率衛(wèi)星遙感;汽車檢測(cè);背景迭代搜索

0 引言

以人工方法為主的傳統(tǒng)汽車監(jiān)控手段越來(lái)越不能滿足新形勢(shì)下交通監(jiān)測(cè)的需要，基于計(jì)算機(jī)智能、模式識(shí)別、圖像分析、視頻監(jiān)視和雷達(dá)測(cè)速等高科技手段的智能監(jiān)測(cè)系統(tǒng)的應(yīng)用，將是未來(lái)汽車監(jiān)測(cè)的必然趨勢(shì)。汽車監(jiān)測(cè)的相關(guān)數(shù)據(jù)可以應(yīng)用在城市道路規(guī)劃，城市噪聲、大氣污染評(píng)價(jià)與模擬等方面，在軍事偵察方面也有廣泛的應(yīng)用前景［1］。因此，自動(dòng)而快速的汽車檢測(cè)已成為一個(gè)重要而有意義的研究課題。

傳統(tǒng)的汽車監(jiān)測(cè)系統(tǒng)主要依靠一系列的傳感器(例如布置在城市各個(gè)角落的攝像機(jī))，這些傳感器監(jiān)測(cè)汽車往往是準(zhǔn)確的、實(shí)時(shí)的，但只能觀察到一個(gè)點(diǎn)的交通狀況;而空對(duì)地的傳感器能提供某地區(qū)整體的交通狀況信息。隨著空間對(duì)地傳感器的發(fā)展，出現(xiàn)了很多利用不同傳感器對(duì)汽車進(jìn)行檢測(cè)的方法，例如雷達(dá)傳感器［2－3］、熱紅外傳感器［1，4］、航空光學(xué)傳感器［5－6］等，但很少有利用搭載在衛(wèi)星上的高分辨率傳感器進(jìn)行汽車檢測(cè)的文獻(xiàn)報(bào)道;而高分辨率衛(wèi)星遙感圖像的空間分辨率可達(dá)到cm級(jí)，從理論上講汽車是可以檢測(cè)的(例如QuickBird數(shù)據(jù)全色波段空間分辨率為0.61 m，而一般汽車的長(zhǎng)度都大于3.5 m，寬度也大于1.5 m，汽車在QucikBird高分辨率遙感圖像上可占據(jù)10～40個(gè)像元不等)。

傳統(tǒng)的汽車檢測(cè)方法可以大致分為顯性和隱式2類方法［7］。顯性的方法是把汽車描繪成一個(gè)三維模型，突出汽車的幾何特征，通過(guò)影像的陰影、亮度去獲取汽車的邊緣或者擋風(fēng)玻璃［1，6－9］。由于汽車目標(biāo)在高分辨率衛(wèi)星遙感圖像上仍然太小，對(duì)汽車的特征不容易檢測(cè)，而且汽車在圖像中的位置和姿態(tài)變化很多，故很難建立一個(gè)能把所有汽車檢測(cè)出來(lái)的幾何模型。隱式的方法則是通過(guò)選擇訓(xùn)練樣本，突出汽車的物質(zhì)特征，利用影像的灰度值和紋理特征，通過(guò)計(jì)算機(jī)學(xué)習(xí)、訓(xùn)練一些規(guī)則進(jìn)行汽車檢測(cè)［10－16］。雖然這種方法克服了幾何建模的困難，但汽車目標(biāo)在高分辨率衛(wèi)星遙感圖像中亮度變化很大，由于同物異譜的存在，僅僅依靠像元本身的亮度值進(jìn)行分類很容易和其他目標(biāo)混淆。因此，用傳統(tǒng)的方法從高分辨衛(wèi)星遙感圖像中檢測(cè)汽車難以達(dá)到理想的效果，必須尋找新的途徑。

針對(duì)上述情況，本文提出了一種自動(dòng)而高效地從高分辨衛(wèi)星遙感圖像中檢測(cè)汽車的新方法——背景迭代搜索(Background Iterative Search，BIS)。在高分辨率遙感圖像中，城市區(qū)域下墊面目標(biāo)復(fù)雜，汽車雖目標(biāo)小，但和背景差異較大，充分利用背景與目標(biāo)的局部差異，基于BIS方法、利用局部信息可以有效地把背景和疑似汽車分開(kāi)，根據(jù)汽車的物質(zhì)特性初步檢測(cè)出汽車目標(biāo);基于動(dòng)態(tài)雙峰閾值分割方法、利用全局信息把道路和非道路分開(kāi)，根據(jù)形狀特征粗略提取道路;最后用道路信息對(duì)初步檢測(cè)出的汽車目標(biāo)進(jìn)行約束，得到最終的汽車檢測(cè)結(jié)果。利用本文提出的基于BIS的方法能有效地去除背景，達(dá)到檢測(cè)汽車的目的，實(shí)驗(yàn)證明對(duì) QuickBird、IKONOS等高分辨率衛(wèi)星遙感影像中的汽車檢測(cè)都能收到較好的效果。

1 BIS算法

BIS算法利用背景與目標(biāo)之間的局部差異，用絕對(duì)距離作為判別準(zhǔn)則，逐步迭代搜索背景，直至把目標(biāo)和背景分開(kāi)。該算法和Mean_shift類似，本質(zhì)區(qū)別在于依據(jù)不同的標(biāo)準(zhǔn)對(duì)特征空間進(jìn)行聚類。它先對(duì)當(dāng)前點(diǎn)進(jìn)行標(biāo)號(hào)，移動(dòng)該點(diǎn)到周圍領(lǐng)域中與之進(jìn)行距離判別，如果滿足dxy＜ε(ε為距離閾值;距離dxy的計(jì)算方法見(jiàn)式(1))，則賦予同一標(biāo)號(hào);然后再以任一已標(biāo)號(hào)的像元為新的起點(diǎn)，繼續(xù)迭代搜索，直到搜索的像元個(gè)數(shù)不再增加，則結(jié)束迭代。

式中，dxy為絕對(duì)距離;x為當(dāng)前像元值;y為鄰域像元值。

引入一個(gè)與圖像D行列相等的分割柵格矩陣S，初始值為0，從D中的第一個(gè)像元開(kāi)始進(jìn)行背景迭代搜索(具體處理步驟如圖1所示)。

圖1 歸類樹(shù)Fig.1 Clustering tree

(1)先對(duì)當(dāng)前點(diǎn)A進(jìn)行標(biāo)號(hào)(圖1中第1層)，稱當(dāng)前點(diǎn)為“父節(jié)點(diǎn)”;計(jì)算當(dāng)前點(diǎn)的鄰域(通過(guò)鄰域閾值η獲取鄰域范圍，對(duì)于汽車小目標(biāo)，鄰域閾值不宜過(guò)大，一般取η=1表示的鄰域范圍)為第2層，稱為“子節(jié)點(diǎn)”。

(2)依據(jù)式(1)計(jì)算子節(jié)點(diǎn)與其父節(jié)點(diǎn)之間的距離dxy，根據(jù)式(2)標(biāo)記鄰域像元與父節(jié)點(diǎn)相似的像元，即

式中，max為求S中的最大值。

(3)從子節(jié)點(diǎn)中任一flag=1的像元開(kāi)始執(zhí)行步驟(2)，如果迭代的像元數(shù)目不再增加(如圖1中直到找到B為止)，則停止迭代。

(4)把步驟(1)～(3)確定的flag=1像元記錄下來(lái)，依據(jù)式(3)更新S矩陣中相同位置的值。

(5)對(duì)S中未被賦新值(S(x，y)=0)的像元繼續(xù)執(zhí)行步驟(1)～(4)，直到S中的所有像元被賦新值，則結(jié)束迭代。

由BIS算法的原理可知，S(x，y)=1即是背景，然后對(duì)每一個(gè)非背景對(duì)象進(jìn)行了標(biāo)號(hào)。由于采用多次迭代過(guò)程，新算法顯然有很多的迭代次數(shù);但研究發(fā)現(xiàn)，由于未標(biāo)號(hào)的樣本數(shù)是逐次減少的，新方法并未顯著增加計(jì)算的復(fù)雜度。

2 汽車檢測(cè)流程

利用BIS算法，本文提出從高分辨衛(wèi)星遙感圖像中檢測(cè)汽車的技術(shù)流程(圖2)。

圖2 汽車檢測(cè)流程Fig.2 Flow chart of car detection

先采用動(dòng)態(tài)雙峰閾值分割方法根據(jù)全局信息有效地把道路和非道路分隔開(kāi)，進(jìn)而利用形狀特征初步提取道路;再根據(jù)圖像數(shù)據(jù)的局部信息采用BIS方法有效地把背景和目標(biāo)分開(kāi)，根據(jù)汽車的物質(zhì)特性初步檢測(cè)疑似汽車目標(biāo);最后以道路為約束條件檢測(cè)出道路上的汽車目標(biāo)，得到最終的汽車目標(biāo)檢測(cè)結(jié)果。下面以IKONOS遙感圖像為例具體說(shuō)明汽車檢測(cè)流程。

2.1 道路粗略提取

汽車目標(biāo)一般分布在道路等背景上，利用這一先驗(yàn)信息對(duì)汽車進(jìn)行檢測(cè)，先濾掉不在道路上的虛警目標(biāo)，以提高汽車檢測(cè)率。對(duì)道路提取雖然經(jīng)過(guò)幾十年的研究，取得了一些成果，但由于高分辨率遙感圖像中道路的復(fù)雜性和人工智能技術(shù)的不成熟，目前該方面的研究還不是很完善。值得慶幸的是，本文要求的道路只是粗略的道路目標(biāo)，目的是為了過(guò)濾那些非汽車的虛警信息，因此本文中的道路自動(dòng)提取采用簡(jiǎn)單的動(dòng)態(tài)雙峰閾值分割方法，使道路與其周圍的其他目標(biāo)分隔開(kāi)，再根據(jù)形狀特征(面積和長(zhǎng)寬比)提取道路。

圖3(左)為IKONOS原始圖像，空間分辨率為1 m，圖像大小為400像元×400像元;圖3(右)為IKONOS原始圖像的灰度直方圖。

圖3 IKONOS原始圖像(左)及其直方圖(右)Fig.3 IKONOS original image(left)and its histogram(right)

通過(guò)動(dòng)態(tài)拖動(dòng)圖3(右)中的紅色線和綠色線，對(duì)“紅色線”和“綠色線”之間的圖像亮度值進(jìn)行線性拉伸來(lái)增強(qiáng)IKONOS原始圖像(圖3(左))，增強(qiáng)結(jié)果見(jiàn)圖4(左)。提取圖4(左)中等于0的數(shù)據(jù)，然后根據(jù)面積特征提取道路(即面積最大的對(duì)象為道路)，最后經(jīng)過(guò)數(shù)學(xué)形態(tài)學(xué)膨脹運(yùn)算得到道路粗略提取結(jié)果(圖4(右))。

圖4 IKONOS圖像增強(qiáng)結(jié)果(左)及道路粗略提取結(jié)果(右)Fig.4 The result of image enhancement(left)and preliminary extraction of road(right)

2.2 汽車目標(biāo)檢測(cè)

由于汽車目標(biāo)像元亮度值與周圍背景亮度值相差較大，依據(jù)實(shí)驗(yàn)結(jié)果，為了保持高檢測(cè)率和低虛警率之間的平衡，對(duì)于 IKONOS圖像，距離閾值ε的取值范圍為［3，8］。本次實(shí)驗(yàn)鄰域閾值取η=1，ε=4。同時(shí)經(jīng)過(guò)分析，IKONOS圖像中的汽車占有像元個(gè)數(shù)為［5，30］，最后通過(guò)限定像元個(gè)數(shù)的汽車物質(zhì)特性檢測(cè)，得到汽車目標(biāo)初步檢測(cè)結(jié)果(圖5，邊緣線來(lái)自于對(duì)圖4(右)的Canny算子檢測(cè)結(jié)果)。對(duì)圖4(右)和圖5求交集，得到最終的汽車目標(biāo)檢測(cè)結(jié)果(圖6)。

圖5 汽車目標(biāo)初步檢測(cè)結(jié)果Fig.5 Preliminary detection of car

圖6 汽車檢測(cè)結(jié)果(1)Fig.6 The result of car detection(1)

3 實(shí)驗(yàn)結(jié)果與分析

3.1 QuickBird圖像實(shí)驗(yàn)結(jié)果

另外截取了一景QuickBird高分辨率衛(wèi)星遙感圖像(圖7，空間分辨率為0.61 m，圖像大小為400像元×400像元)，用以驗(yàn)證BIS算法的有效性。距離閾值ε的取值范圍為［8，14］。本次實(shí)驗(yàn)鄰域閾值取η=1，ε=10，QuickBird圖像中的汽車占有像元個(gè)數(shù)為［10，40］，最后通過(guò)汽車所占像元個(gè)數(shù)和道路約束條件，得到汽車檢測(cè)結(jié)果(圖8，邊緣線來(lái)自于對(duì)道路層的Canny算子檢測(cè)結(jié)果)。

圖7 QuickBird原始圖像(道路)Fig.7 QuickBird original image(road)

圖8 汽車檢測(cè)結(jié)果(2)Fig.8 The result of car detection(2)

3.2 實(shí)驗(yàn)結(jié)果分析

從實(shí)驗(yàn)結(jié)果圖6(對(duì)應(yīng)圖3(左)IKONOS原始圖像)和圖8(對(duì)應(yīng)圖7QuickBird原始圖像)可以看出，在利用道路全局信息的約束條件下，本文方法對(duì)汽車的檢測(cè)可以達(dá)到預(yù)期目標(biāo);絕大多數(shù)汽車分布在道路上，只有少量汽車分布在其他地方(如:停車場(chǎng))，但目前對(duì)停車場(chǎng)等全局信息的提取是比較困難的;同時(shí)，研究發(fā)現(xiàn)距離閾值ε對(duì)檢測(cè)率影響很大，因此有必要分析本文算法對(duì)全局信息的依賴程度以及對(duì)距離閾值的敏感程度。

這里給出2種定量分析的指標(biāo):①汽車檢測(cè)率——正確檢測(cè)的汽車個(gè)數(shù)除以實(shí)際的汽車個(gè)數(shù);②虛警率——檢測(cè)的虛警個(gè)數(shù)除以檢測(cè)的汽車總數(shù)。為了研究BIS算法對(duì)距離閾值ε的敏感程度，對(duì)檢測(cè)率與距離閾值ε之間的關(guān)系進(jìn)行了分析(圖9)。

圖9 檢測(cè)率和虛警率與距離閾值關(guān)系Fig.9 The relationship between detection rate ＆ false alarm rate and distance threshold

由圖9(a)可以看出，對(duì)于QuickBird圖像，汽車檢測(cè)正確率隨著距離閾值的增大會(huì)先增加后減小。當(dāng)距離閾值過(guò)小時(shí)，由于汽車連續(xù)分布(見(jiàn)圖7方框內(nèi))，太小的閾值不能有效地把汽車分開(kāi)而使其連在一起，以致大于40個(gè)像元，在后面的汽車物質(zhì)特性檢測(cè)中被刪除;相反，閾值過(guò)大，汽車目標(biāo)就會(huì)被當(dāng)做背景搜索而去除。因此，距離閾值ε的取值范圍在［8，14］為宜。

由圖9(b)可以看出，對(duì)于IKONOS圖像，汽車檢測(cè)正確率隨著距離閾值的增大而減小。這是由于IKONOS圖像分辨率相對(duì)QuickBird較低，汽車目標(biāo)占有像元少，閾值過(guò)小(小于3)，則背景無(wú)法完全搜索;相反，距離閾值增大就會(huì)把小目標(biāo)濾掉。因此，距離閾值ε的取值范圍在［3，8］為宜。研究發(fā)現(xiàn)，上述閾值范圍對(duì)高分辨率IKONOS和QuickBird遙感圖像具有通用性。

另外，還分析了BIS算法對(duì)全局信息的依賴程度。全局信息的作用是減少虛警，本文算法可以通過(guò)動(dòng)態(tài)改變距離閾值對(duì)虛警率進(jìn)行調(diào)控，因此建立了虛警率(有、無(wú)道路全局信息)與距離閾值ε之間的關(guān)系(圖9)。不論是QuickBird還是IKONOS圖像，由于在道路背景上汽車目標(biāo)相對(duì)于虛警目標(biāo)有更強(qiáng)的空間異質(zhì)性，虛警目標(biāo)會(huì)逐漸被當(dāng)做背景搜索，所以2種虛警率都會(huì)減小;但在全局信息約束的條件下虛警率下降更快，以致于最后沒(méi)有虛警目標(biāo)。同時(shí)可以看到，全局信息對(duì)虛警率的影響隨著距離閾值的增加逐漸減小，最后2種虛警率會(huì)趨于一致。這說(shuō)明當(dāng)全局信息無(wú)法有效提取時(shí)，在保證檢測(cè)率的前提下，可以折衷選擇大一些的距離閾值來(lái)降低虛警率(如圖10是一個(gè)停車場(chǎng)汽車分布圖，折衷選擇距離閾值取ε=12、η=1的汽車檢測(cè)結(jié)果見(jiàn)圖11)。

圖10 QuickBird原始圖像(停車場(chǎng))Fig.10 QuickBird original image(park)

圖11 汽車檢測(cè)結(jié)果(3)Fig.11 The result of car detection(3)

以上3個(gè)汽車檢測(cè)結(jié)果(圖6、圖8和圖11)的 詳細(xì)指標(biāo)見(jiàn)表1。

表1 汽車檢測(cè)評(píng)價(jià)Tab.1 Evaluation of car detection

從表1可以看出，使用QuickBird圖像的檢測(cè)率和效率(結(jié)果2(圖8))明顯高于使用IKONOS圖像的檢測(cè)率和效率(結(jié)果1(圖6));在沒(méi)有全局信息約束的條件下，虛警率顯著增加(結(jié)果1(圖6)和結(jié)果2(圖8));對(duì)于結(jié)果3(圖11)，由于距離閾值的增大，本文 BIS算法對(duì)汽車的檢測(cè)率也達(dá)到了81.25%，而虛警率只有 14.95%。

4 結(jié)論

(1)本文在研究高分辨率衛(wèi)星遙感圖像背景與汽車目標(biāo)特性的前提下，充分利用數(shù)據(jù)的局部信息，提出了一種從高分辨率衛(wèi)星遙感圖像中有效檢測(cè)汽車的新方法——背景迭代搜索(BIS)，豐富了汽車檢測(cè)的監(jiān)測(cè)系統(tǒng)。

(2)在用BIS算法初步識(shí)別汽車的基礎(chǔ)上，使用動(dòng)態(tài)雙峰閾值分割方法、利用全局信息把道路和非道路分開(kāi)，進(jìn)而通過(guò)道路對(duì)疑似汽車的目標(biāo)進(jìn)行約束，減小虛警率，形成最終的汽車檢測(cè)結(jié)果，收到了較好的效果。

(3)本文提出的BIS方法的優(yōu)點(diǎn)是:①該方法不像其他方法那樣需要預(yù)先提供汽車姿態(tài)等初始信息，閾值的設(shè)置范圍對(duì)衛(wèi)星遙感圖像具有通用性，所以自動(dòng)化程度高，且實(shí)用性強(qiáng)，準(zhǔn)確性高，算法速度快;②設(shè)計(jì)過(guò)程中綜合考慮了汽車本身的特性以及背景與目標(biāo)的局部差異，并利用道路全局信息約束檢測(cè)汽車，擴(kuò)展了汽車檢測(cè)的方法體系;③其他方法只停留在雷達(dá)、熱紅外、航空光學(xué)遙感數(shù)據(jù)的基礎(chǔ)上，本文方法則以高分辨衛(wèi)星遙感數(shù)據(jù)作為數(shù)據(jù)源進(jìn)行了有益的嘗試。

(4)本文方法在全局信息無(wú)法提取或者提取效果欠佳時(shí)，對(duì)降低虛警率還沒(méi)有找到好的辦法，有待進(jìn)一步研究。

［1］Hinz S，Stilla U.Car Detection in Aerial Thermal Images by Local and Global Evidence Accumulation［J］.Pattern Recognition Letters，2006，27(4):308 －315.

［2］Wei Y，Hinz S，Stilla U.Automatic Vehicle Extraction from Airborne LiDAR Data of Urban Areas Aided by Geodesic Morphology［J］.Pattern Recognition Letters，2010，31(10):1100 －1108.

［3］Meyer F，Hinz S，Laika A，et al.Performance Analysis of the Terra-SAR － X Traffic Monitoring Concept［J］.ISPRS Journal of Photogrammetry＆ Remote Sensing，2006，61(3－4):225－242.

［4］Kirchhof M，Stilla U.Detection of Moving Objects in Airborne Thermal Videos［J］.ISPRS Journal of Photogrammetry ＆ Remote Sensing，2006，61(3 －4):187 －196.

［5］Grabner H，Nguven T T，Gruber B，et al.On － line Boostingbased Car Detection from Aerial Images［J］.ISPRS Journal of Photogrammetry ＆ Remote Sensing，2008，63(3):382 －396.

［6］Zhao T，Nevatia R.Car Detection in Low Resolution Aerial Images［J］.Image and Vision Computing，2003，21(8):693 －703.

［7］Hinz S.Detection and Counting of Cars in Aerial Images［J］.International Conference on Image Processing，2003(3):997 －1000.

［8］Moon H，Chellappa R，Roselfeld A.Performance Analysis of a Simple Vehicle Detection Algorithm［J］.Image and Vision Computing，2002，20(1):1 －13.

［9］Hinz S，Schlosser C，Reitberger J.Automatic Car Detection in High Resolution Urban Scenes Based on an Adaptive 3D － model［J］.GRSS/ISPRS Joint Workshop on Data Fusion and Remote Sensing over Urban Areas，IEEE，2003(2):167 －171.

［10］Papageorgiou C，Poggio T.A Trainable System for Object Detection［J］.International Journal of Computer Vision，2000，38(1):15 －33.

［11］Heisele B，Riskov I，Morgenstern C.Components for Object Detection and Identification［J］.Springer Berlin，Heidelberg Germany，Ch.III，2006，4170:225 －237.

［12］Bileschi S M，Leung B，Rifkin R M.Towards Component Based Car Detection［C］//ECCV Workshop on Statistical Learning and Computer Vision，Prague，Czech Republic:Springer，2004:75 －98.

［13］Bernstein E J，Amit Y.Part－ based Statistical Models for Object Classification and Detection［C］//Proceedings of Computer Vision and Pattern Recognition，2005，2:734 －740.

［14］Leibe B，Leolardis A，Schiele B.Combined Object Categorization and Segmentation with an Implicit Shape Model［C］//ECCV 04 Workshop on Statistical Learning in Computer Vision.Prague:Springer－ Verlag，2004:17 －32.

［15］Rajajopalan A N，Burlina P，Chellappa R.Higher Order Statistical Learning for Vehicle Detection in Images［C］//International Conference on Computer Vision.Washington DC:IEEE Computer Society，Corfu，1999，2:1204 －1209.

［16］Schneiderman H，Kanande T.A Statistical Method for 3d Object Detection Applied to Faces and Cars［C］//Proceedings Conference on Computer Vision and Pattern Recognition.Hilton Head，SC:IEEE Computer Society，2000，1:746 －751.

Car Detection by Using High Resolution Remote Sensing Image Based on Background Iterative Search

WU Xiao － Bo1，2，YANG Liao1，SHEN Jin － Xiang1，2，WANG Jie1，2
(1.Remote Sensing and GIS Application Laboratory，Xinjiang Ecology and Geography Institute，Chinese Academy of Sciences，Urumqi 830011，China;2.Graduate University of Chinese Academy of Sciences，Beijing 100049，China)

In the traditional Space－to－Earth car detection system，thermal infrared，radar or aerial image data are often used，while high－resolution satellite remote sensing data have rarely been employed.To solve this problem，this paper proposes a new method for car detection based on high resolution satellite images，which is named BIS(Background Iterative Search).Firstly，according to the local differences between the object and the background，the background is searched and removed，and the preliminary car detection is achieved based on the material properties of cars.Secondly，the dynamic twin peak threshold method is used to separate roads from non － roads，and roads are roughly extracted based on shape features.Lastly，the correct car objects are obtained by constraining the elementary ones with the derived road information.The BIS method was applied with IKONOS and QuikBird data and proved to be effective.

High resolution satellite remote sensing;Car detection;Background iterative search

TP 751.1

A

1001－070X(2011)04－0046－06

2011－03－11;

2011－04－04

國(guó)家863項(xiàng)目(編號(hào):2008AA121504)和國(guó)家科技支撐計(jì)劃項(xiàng)目(編號(hào):0914131)共同資助。

吳小波(1985－)，男，碩士研究生，研究方向?yàn)檫b感圖像處理與信息提取。

楊 遼(1972－)，男，教授級(jí)高級(jí)工程師，碩士生導(dǎo)師，研究方向?yàn)檫b感與地理信息系統(tǒng)技術(shù)。聯(lián)系電話:13609969033，郵箱:yangliao@ms.xjb.ac.cn。

(責(zé)任編輯:劉心季)