王 巍，袁 濤，周 偉，董艷麗

一、引 言

利用遙感數(shù)據(jù)高效自動(dòng)提取地物信息一直是遙感數(shù)據(jù)處理領(lǐng)域的研究熱點(diǎn)［1］，近年來，很多學(xué)者對相關(guān)問題進(jìn)行了深入研究。熊秩群采用面向?qū)ο蟮膱D像分類技術(shù)，利用QuickBird衛(wèi)星圖像進(jìn)行了上海市區(qū)綠地信息提?。?］；李彥利用小波變換方法對遙感影像進(jìn)行特征提取，利用圖像特征進(jìn)行高斯混合建模來識別影像中的關(guān)鍵目標(biāo)［3］；王志偉通過目標(biāo)影像子窗口歸一化提取目標(biāo)的若干個(gè)不變矩特征作為BP神經(jīng)網(wǎng)絡(luò)的輸入向量的方法，對1 m分辨率衛(wèi)星影像中機(jī)場上的停留客機(jī)的識別進(jìn)行了研究［4］；Jens Leitloff在高分辨率影像上劃分出感興趣區(qū)域，利用支持向量機(jī)方法，對高速公路和停車場上的汽車進(jìn)行識別［5］。從識別效果來看，面向?qū)ο笮畔⑻崛?、基于專家知識的決策樹、支持向量機(jī)及BP神經(jīng)網(wǎng)絡(luò)等方法能夠在一定程度上提高地物識別效率，但自動(dòng)化程度不高。面向?qū)ο笮畔⑻崛『突趯＜抑R的決策樹常見于從遙感影像上提取綠地信息或地物分類的研究中［6-9］，兩種方法都比較依賴波段信息；支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)這兩種方法較之面向?qū)ο笮畔⑻崛『突趯＜抑R的決策樹而言，對諸如飛機(jī)和汽車等小尺度目標(biāo)識別會(huì)有更好的效果［4-6］，但是也存在不足之處。如支持向量機(jī)方法雖然不需要大規(guī)模的訓(xùn)練樣本來確定分類決策，但容易出現(xiàn)過擬合或訓(xùn)練不足的問題，并且很難通過增大樣本容量來提高識別率；此外，經(jīng)典的支持向量機(jī)算法只給出了二類分類的算法，而在數(shù)據(jù)挖掘的實(shí)際應(yīng)用中，一般要解決多類的分類問題［10］，從應(yīng)用上來看，目前只能用于內(nèi)容比較單一的小塊影像［5］。BP神經(jīng)網(wǎng)絡(luò)的最大缺點(diǎn)在于算法效率低，訓(xùn)練出分類器速度慢，學(xué)習(xí)過程中易陷入局部極小和易出現(xiàn)振蕩現(xiàn)象［10-11］，從而導(dǎo)致訓(xùn)練分類器失敗。

Paul Viola和Michael Jones在2001年提出了基于Adaboost的人臉檢測方法［12］，該方法不僅能達(dá)到很好的人臉檢測效果，而且檢測速度非常快，能夠達(dá)到實(shí)時(shí)性。近年來，利用圖像Haar特征對照片或視頻中的人臉、數(shù)字進(jìn)行監(jiān)控與識別，Haar特征對目標(biāo)的檢測更加敏感，并且計(jì)算效率也比較高，已經(jīng)用于實(shí)現(xiàn)實(shí)時(shí)或準(zhǔn)實(shí)時(shí)的監(jiān)測［13-14］，并且已有學(xué)者將這種目標(biāo)識別技術(shù)應(yīng)用于照片和視頻中的車輛識別［15-16］。但是，目前仍缺少利用Haar特征在高分辨率遙感影像上進(jìn)行地物識別的研究。相對照片和視頻來說，遙感影像中地物更加復(fù)雜，對地物識別的背景干擾非常強(qiáng)。本研究選擇汽車作為識別目標(biāo)，是因?yàn)槠圀w積較小，已經(jīng)接近目前米級和亞米級遙感衛(wèi)星地物識別的極限，由于其出現(xiàn)區(qū)域主要集中在公路和停車場，與影像背景差異明顯，非常適合利用圖像Haar特征進(jìn)行地物識別。研究的目的在于通過有針對性的數(shù)據(jù)處理，提出利用機(jī)器學(xué)習(xí)的算法對影像中的汽車進(jìn)行自動(dòng)識別并標(biāo)注的新方法，探索高分辨率遙感數(shù)據(jù)新的應(yīng)用領(lǐng)域。

二、理 論

1.Haar特征簡介

Haar特征原理因類似于Haar小波而得名，一般Haar特征的定義是由兩個(gè)全等的矩形相鄰組合而成，特征模板內(nèi)有白色和黑色兩種矩形，如圖1所示。每種矩形特征值定義為白色矩形像素的和減去黑色矩形像素的和，擴(kuò)展Haar特征則在一般Haar特征基礎(chǔ)上發(fā)展出了旋轉(zhuǎn)45°的矩形特征模版。

圖1 一般Haar特征示意圖

Haar特征值反映了圖像的灰度變化情況，使用Haar矩形特征比單純使用像素級信息要有效的多，而且對噪聲、光照等更具有魯棒性。矩形特征對一些簡單的圖形結(jié)構(gòu)，如邊緣、線段比較敏感，但是其只能描述特定走向（水平、垂直、對角）的結(jié)構(gòu)。矩形特征可以位于圖像任意位置，大小也可以任意，但不能超過圖像范圍［12，17-18］。

2.Adaboost算法

Adaboost算法是一種迭代算法，其核心思想是針對同一個(gè)訓(xùn)練集訓(xùn)練不同的弱分類器，然后把這些弱分類器集合起來，構(gòu)成一個(gè)更強(qiáng)的最終分類器（強(qiáng)分類器）［10］，是目前在計(jì)算機(jī)視覺領(lǐng)域運(yùn)用非常廣泛的技術(shù)。

首輪調(diào)用弱分類器時(shí)，按均勻分布從樣本集中選取子集作為該次訓(xùn)練集，以后每輪對前一輪訓(xùn)練失敗的樣本，賦予較大的分布權(quán)值（Dt（i）為第i輪各個(gè)樣本在樣本集中參與訓(xùn)練的概率），使其在這一輪訓(xùn)練出現(xiàn)的概率增加，即在后面的訓(xùn)練學(xué)習(xí)中集中對比較難訓(xùn)練的樣本進(jìn)行學(xué)習(xí)，經(jīng)過T輪的迭代，從而得到T個(gè)弱的基分類器（h1，h2，…，ht）。其中ht相應(yīng)的權(quán)值αt的大小根據(jù)該分類器的效果而定。最后的強(qiáng)分類器由生成的多個(gè)弱分類器加權(quán)聯(lián)合產(chǎn)生。具體算法如下［8，10］:

1）設(shè)定初始弱分類器權(quán)值D1（i）=1/M，其中i=1，2，…，M（M為樣本總數(shù)）。

2）針對t=1，2，…，T:

b.設(shè)置弱分類器ht的權(quán)重αt=log［（1-ε）/ε］，ε即上步驟中最小錯(cuò)誤。

c.更新樣本分布權(quán)值:Dt+1（i）=［Dt（i）exp（-αtyiht（xi））］/Zt，Zt將樣本權(quán)重歸一化。

三、試驗(yàn)流程與精度

試驗(yàn)數(shù)據(jù)選取的是2010年3月鄭州市如意湖附近的WorldView-2全色波段數(shù)據(jù)，空間分辨率為0.5 m。數(shù)據(jù)經(jīng)過目視檢查，無云霧覆蓋，無條帶壞點(diǎn)，紋理清晰，數(shù)據(jù)質(zhì)量較好；另外還搜集了研究區(qū)域2010年的地籍?dāng)?shù)據(jù)資料。在對WorldView-2全色影像數(shù)據(jù)進(jìn)行正射糾正、空間配準(zhǔn)后，與城市地籍?dāng)?shù)據(jù)疊加，去除房屋，選定感興趣區(qū)域，去除不可能存在汽車的區(qū)域，排除背景干擾，以提高提取精度；然后在Visual C++平臺下利用OpenCV函數(shù)庫，在高分辨率遙感影像上計(jì)算地物目標(biāo)Haar特征，并利用Haar特征和Adaboost算法訓(xùn)練分類器，對感興趣區(qū)域內(nèi)的汽車進(jìn)行識別。主要流程如圖2所示。

圖2 研究流程圖

1.圖像配準(zhǔn)

以地籍矢量數(shù)據(jù)為參照，對WorldView-2全色波段數(shù)據(jù)進(jìn)行圖像配準(zhǔn)，使數(shù)據(jù)具有相同的地理參考系統(tǒng)，采用最鄰近法重采樣，重采樣后影像分辨率設(shè)置為0.5 m。

2.定義汽車檢測感興趣區(qū)域

將地籍?dāng)?shù)據(jù)與影像疊加，地籍?dāng)?shù)據(jù)可能與影像在局部仍有差異，需要經(jīng)過一定的人工修改，在Arc-GIS中將修改后的地籍?dāng)?shù)據(jù)中的房屋生成多邊形，并利用掩膜工具將房屋從影像中去除，得到用于汽車檢測的影像，這樣可以盡可能地避免背景干擾，提高汽車識別率。

3.選擇樣本

在高分辨率影像上截取訓(xùn)練分類器所需的樣本，樣本分為正樣本和負(fù)樣本。正樣本就是想要識別的地物，即影像上的汽車，正樣本為尺寸統(tǒng)一的位圖格式以滿足訓(xùn)練分類器的需要；負(fù)樣本就是影像上除汽車外可能對汽車識別產(chǎn)生干擾的其他地物，包括斑馬線、橋梁、灌木、路燈、河流中的船只等，并且負(fù)樣本中不能出現(xiàn)待識別的目標(biāo)，數(shù)量一般要大于正樣本數(shù)量，截取圖像不能小于所創(chuàng)建的正樣本尺寸。增加樣本數(shù)量理論上可以提高分類器精度，但樣本數(shù)超過一定數(shù)量后，對分類器的改善效果并不明顯。經(jīng)過試驗(yàn)，本研究正樣本選取500個(gè)，大小統(tǒng)一為32像素×32像素的位圖；負(fù)樣本1500個(gè)，大小為從45像素×45像素至60像素×60像素的位圖，如圖3所示。

圖3 部分正樣本與負(fù)樣本

4.分類器訓(xùn)練

首先利用OpenCV提供的創(chuàng)建樣本集工具將位圖格式的正樣本轉(zhuǎn)化為訓(xùn)練分類器時(shí)所需要的格式（*.vec）；然后利用分類器訓(xùn)練工具載入正負(fù)樣本，計(jì)算樣本Haar特征值，利用Adaboost算法針對訓(xùn)練集訓(xùn)練不同的弱分類器，再把這些弱分類器組合起來，構(gòu)成一個(gè)更強(qiáng)的最終分類器（強(qiáng)分類器）［10，16-18］；最后的強(qiáng)分類器由生成的多個(gè)弱分類器加權(quán)聯(lián)合產(chǎn)生。分類器訓(xùn)練過程中可適當(dāng)修改程序參數(shù)以提高計(jì)算速度，訓(xùn)練結(jié)束得到XML格式的分類器文件。

5.汽車目標(biāo)識別與標(biāo)記

本研究在Microsoft Visual C++2008平臺下，結(jié)合OpenCV函數(shù)庫，編寫了汽車識別程序，程序可以直接調(diào)用之前訓(xùn)練得到的分類器，用于輸入圖像的檢測。檢測到圖像中的地物目標(biāo)（汽車）后分類器輸出為1，否則輸出為0。識別程序中設(shè)定搜索窗口在圖像中移動(dòng)，從而檢測整幅圖像。為了在圖像中檢測未知大小的目標(biāo)物體，掃描程序通常需要用不同比例大小的搜索窗口對圖片進(jìn)行幾次掃描，以確定最優(yōu)搜索窗口參數(shù)，同時(shí)建立標(biāo)記函數(shù)，用“+”來標(biāo)記檢測到的汽車；然后調(diào)用cvNamedWindow（）函數(shù)命名圖像窗口，cvShowImage（）函數(shù)展示通過分類器檢測后的結(jié)果影像。

6.精度評價(jià)

由于整幅影像上的汽車數(shù)量較大，不便于統(tǒng)計(jì)識別率等數(shù)據(jù)，因此在影像數(shù)據(jù)上選擇特定感興趣區(qū)域，利用訓(xùn)練好的分類器進(jìn)行目標(biāo)自動(dòng)識別檢測。為評價(jià)分類器識別精度，定義識別率（S）、漏檢率（A）、錯(cuò)檢率（R），其關(guān)系為

式中，a為正確識別的汽車數(shù)量；b為影像上未被檢測出的汽車數(shù)量；c為其他地物被誤判成汽車的數(shù)量；m為影像上的實(shí)際汽車數(shù)量。

四、試驗(yàn)結(jié)果

1.汽車目標(biāo)識別結(jié)果

利用上述檢測程序載入訓(xùn)練好的分類器，對經(jīng)過掩膜處理后的圖像進(jìn)行檢測，程序運(yùn)行后，對識別的汽車目標(biāo)用“+”自動(dòng)標(biāo)注，生成識別效果圖，結(jié)果如圖4所示。

圖4 汽車識別效果圖

2.汽車目標(biāo)識別精度

由于整幅影像上的汽車數(shù)量較大，不便于統(tǒng)計(jì)識別率等數(shù)據(jù)，因此在影像數(shù)據(jù)上隨機(jī)均勻選擇一定區(qū)域進(jìn)行精度統(tǒng)計(jì)，統(tǒng)計(jì)結(jié)果見表1。

以上10個(gè)檢測區(qū)域平均識別率為82.86%，漏檢率為17.14%，錯(cuò)檢率為16.93%；4、8、9號檢測區(qū)域的汽車識別率較低，主要原因是這3個(gè)區(qū)域是住宅小區(qū)、商業(yè)區(qū)，區(qū)域中的目標(biāo)檢測干擾較多，負(fù)樣本數(shù)量偏少，而公路、停車場等區(qū)域由于地物比較單一，識別率較高。從總體上看其識別效果良好，并且檢測時(shí)間很短，可以達(dá)到實(shí)時(shí)監(jiān)測的要求。

表1 汽車識別率統(tǒng)計(jì) （%）

五、結(jié)束語

通過試驗(yàn)可以看出，利用Haar特征的自動(dòng)識別技術(shù)可以應(yīng)用于高分辨率遙感影像上的地物識別，并且效果較好；在提取正樣本Haar特征的基礎(chǔ)上，通過Adaboost算法訓(xùn)練用于地物識別的分類器，算法效率高，自動(dòng)化程度也很高。對于同一種遙感數(shù)據(jù)中的同一種地物可使用已經(jīng)訓(xùn)練好的同一個(gè)分類器進(jìn)行識別，分類器具有一定的普適性，對不同景數(shù)據(jù)存在的色調(diào)、對比度等差異具有魯棒性。利用這種方法進(jìn)行地物檢測時(shí)，可繼續(xù)擴(kuò)大正負(fù)樣本容量以獲取最佳分類器，雖然選擇樣本和分類器訓(xùn)練需要消耗一定時(shí)間，但是一個(gè)訓(xùn)練好的分類器可用于同種類型的其他數(shù)據(jù)，因此這種方法更適合用于大量數(shù)據(jù)的檢測處理，由于檢測時(shí)間很短，也可以用于實(shí)時(shí)或準(zhǔn)實(shí)時(shí)的地物監(jiān)測。隨著遙感數(shù)據(jù)的時(shí)間分辨率不斷提高，該方法會(huì)有更好的應(yīng)用前景。

［1］ 明冬萍，駱劍承，沈占鋒，等.高分辨率遙感影像信息提取與目標(biāo)識別技術(shù)研究［J］.測繪科學(xué)，2005，30（3）:18-20.

［2］ 熊秩群，吳健平.面向?qū)ο蟮某鞘芯G地信息提取方法研究［J］.華東師范大學(xué)學(xué)報(bào):自然科學(xué)版，2006（4）:84-90.

［3］ 李彥，沈旭坤.基于高斯模型的遙感影像目標(biāo)識別方法的初探［J］.系統(tǒng)仿真學(xué)報(bào)，2009（S1）:57-60.

［4］ 王志偉，關(guān)澤群.基于多不變量特征的遙感影像小地物識別［J］.遙感信息，2005（6）:17-19.

［5］ LEITLOFF J，HINZ S，STILLA U.Vehicle Detection in Very High Resolution Satellite Images of City Area［J］.IEEE Transactions on Geoscience and Remote Sensing，2010，48（7）:2795-2806.

［6］ 鄧書斌.ENVI遙感圖像處理方法［M］.北京:科學(xué)出版社，2011.

［7］ 黃慧萍，吳炳方，李苗苗，等.高分辨率影像城市綠地快速提取技術(shù)與應(yīng)用［J］.遙感學(xué)報(bào)，2004，8（1）:68-74

［8］ 黎展榮，王龍波.利用高分辨率影像計(jì)算城市綠地覆蓋率［J］.測繪通報(bào)，2006（12）:51-53.

［9］ 張春曉，侯偉，劉翔，等.基于面向?qū)ο蠛陀跋裾J(rèn)知的遙感影像分類方法——以都江堰向峨鄉(xiāng)區(qū)域?yàn)槔跩］.測繪通報(bào)，2010（8）:11-14.

［10］ BRADSKI G，KAEBLER A.Learning OpenCV［M］.Sevastopol:O’Reilly Media，Inc，2008.

［11］ 許宜申，顧濟(jì)華，陶智，等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的手寫字符識別［J］.通信技術(shù)，2011，44（5）:106-109.

［12］ VIOLA P，JONES M.Robust Real-time Object Detection［J］.International Journal of Computer Vision，2001:1-22.

［13］ 郭磊，王秋光.Adaboost人臉檢測算法研究及OpenCV實(shí)現(xiàn)［J］.哈爾濱理工大學(xué)學(xué)報(bào)，2009，14（5）:123-126.

［14］ 朱文佳，戚飛虎.基于 Gentle Adaboost的行人檢測［J］.中國圖象圖形學(xué)報(bào)，2007，10（2）:1905-1908.

［15］ 魏武，張亞楠，武林林.基于遺傳算法的改進(jìn)AdaBoost算法在汽車識別中的應(yīng)用［J］.公路交通科技，2010，27（2）:114-118.

［16］ 劉慧英，王小波.基于OpenCV的車輛輪廓檢測［J］.科學(xué)技術(shù)與工程，2010，10（12）:2987-2991.

［17］ FREUND Y，SCHAPIRE R.A Short Introduction to Boosting［J］.Journal of Japanese Society for Artificial Intelligence，1999，14（5）:771-780.

［18］ VIOLA P，JONES M.Rapid Object Detection Using a Boosted Cascade of Simple Features［J］.Computer Vision and Pattern Recognition，2001，14（5）:1-9.