李想， 楊燦坤， 周春平， 李小娟， 張可

(1.首都師范大學(xué)北京成像技術(shù)高精尖創(chuàng)新中心，北京 100048； 2.首都師范大學(xué)資源環(huán)境與旅游學(xué)院，北京 100048； 3.首都師范大學(xué)三維信息獲取與應(yīng)用教育部重點(diǎn)實(shí)驗(yàn)室，北京 100048)

0 引言

運(yùn)動(dòng)目標(biāo)是智能交通和軍事遙感等研究關(guān)注的重點(diǎn)，提取目標(biāo)運(yùn)動(dòng)信息是研究動(dòng)目標(biāo)運(yùn)動(dòng)特征、實(shí)現(xiàn)動(dòng)目標(biāo)軌跡預(yù)測的必要手段。傳統(tǒng)圖像動(dòng)目標(biāo)研究使用監(jiān)控視頻圖像，主要用于交通流量監(jiān)測、動(dòng)目標(biāo)跟蹤[1]，監(jiān)控視頻圖像范圍小，獲得信息少，不利于大范圍的動(dòng)目標(biāo)研究。遙感技術(shù)和航天技術(shù)的不斷發(fā)展為圖像目標(biāo)運(yùn)動(dòng)信息提取帶來了新的契機(jī)，高分辨率光學(xué)衛(wèi)星圖像覆蓋范圍大、空間分辨率高，紋理特征明顯，為信息提取提供了詳細(xì)、便利的數(shù)據(jù)來源，有利于研究較大動(dòng)目標(biāo)的個(gè)體運(yùn)動(dòng)特征和較小動(dòng)目標(biāo)的群體運(yùn)動(dòng)特征[2-3]。早在QuickBird和WorldView等國外高分辨率衛(wèi)星發(fā)射后，就有學(xué)者從單幅高分辨率衛(wèi)星圖像中使用目標(biāo)檢測的方法檢測車輛、飛機(jī)、船舶等有可能運(yùn)動(dòng)的目標(biāo)[4-5]。2004年Etaya等[6]發(fā)現(xiàn)QuickBird衛(wèi)星獲取的全色波段圖像與多光譜波段圖像成像存在約0.2 s的時(shí)間差，將這2種波段的圖像看作相隔較短時(shí)間差對同一地區(qū)成像的2幅衛(wèi)星圖像，根據(jù)動(dòng)目標(biāo)在2種圖像上的不同位置與時(shí)間差求取運(yùn)動(dòng)參數(shù)，開創(chuàng)了高分辨率光學(xué)衛(wèi)星圖像運(yùn)動(dòng)參數(shù)估計(jì)研究的先河[7]。近幾年投入使用的SkySat-1、吉林一號(hào)等衛(wèi)星在凝視模式下可獲得空間分辨率達(dá)1.1 m的衛(wèi)星視頻，使得高分辨率衛(wèi)星圖像運(yùn)動(dòng)目標(biāo)研究煥發(fā)了生機(jī)。

國內(nèi)外的運(yùn)動(dòng)目標(biāo)提取研究大多集中在車輛、飛機(jī)、船艦等目標(biāo)上。國外高分辨率衛(wèi)星圖像動(dòng)目標(biāo)檢測與運(yùn)動(dòng)參數(shù)估計(jì)研究起步早，最早開展此項(xiàng)工作的國家為美國、德國[8]和日本。日本早在1993年就采用低分辨率JERS-1衛(wèi)星的OPS光學(xué)傳感器立體像對圖像測量船舶、云、飛f機(jī)等大型動(dòng)目標(biāo)的運(yùn)動(dòng)速度[9]； 2004年日本東海大學(xué)信息技術(shù)中心最早開始了高分辨率衛(wèi)星圖像的動(dòng)目標(biāo)檢測與運(yùn)動(dòng)參數(shù)估計(jì)研究[6]； Yamazaki等[10]和Liu等[11-12]也有優(yōu)秀的研究成果； 1997年美國交通部、美國國家航空航天局、俄亥俄州立大學(xué)等機(jī)構(gòu)開展了與交通相關(guān)的動(dòng)目標(biāo)研究[4]； 2005年德國慕尼黑理工大學(xué)的Leitloff等[13]開始從事高分辨率衛(wèi)星圖像的車輛檢測研究； 2006年《ISPRS Journal of Photogrammetry & Remote Sensing》期刊發(fā)行了主題為“Airborne and space borne traffic monitoring”的?？痆14]，收錄了多篇關(guān)于機(jī)載和星載交通監(jiān)測領(lǐng)域的優(yōu)秀論文，基于遙感圖像的車輛檢測成為國際攝影測量與遙感領(lǐng)域的熱點(diǎn)話題； 我國于2005年立項(xiàng)的“基于危險(xiǎn)理論的高分辨率衛(wèi)星影像車輛目標(biāo)免疫識(shí)別模型與算法研究”是最早研究高分辨率衛(wèi)星圖像動(dòng)目標(biāo)檢測與識(shí)別的基金項(xiàng)目，但不涉及動(dòng)目標(biāo)運(yùn)動(dòng)參數(shù)估計(jì)； 2010年梁艷平主持的青年科學(xué)基金項(xiàng)目“基于光學(xué)衛(wèi)星影像的運(yùn)動(dòng)車輛探測與速度估算研究”采用高分辨率衛(wèi)星影像在檢測運(yùn)動(dòng)車輛的基礎(chǔ)上估計(jì)運(yùn)動(dòng)參數(shù)[15]； 2016年起廈門大學(xué)開展動(dòng)目標(biāo)識(shí)別的研究[16-18]； 中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所也有關(guān)于高分辨率衛(wèi)星圖像動(dòng)目標(biāo)檢測與跟蹤的優(yōu)秀成果出現(xiàn)[19-20]。

在國家“高分辨率對地觀測系統(tǒng)”國家科技專項(xiàng)建設(shè)和衛(wèi)星商業(yè)化需求的背景下，我國多顆高分辨率衛(wèi)星相繼發(fā)射，并應(yīng)用到資源調(diào)查、環(huán)境保護(hù)、災(zāi)害監(jiān)測、城市規(guī)劃等研究領(lǐng)域[21-22]，為使用高分辨率衛(wèi)星圖像進(jìn)行目標(biāo)運(yùn)動(dòng)信息提取創(chuàng)造了條件。首都師范大學(xué)北京成像技術(shù)高精尖創(chuàng)新中心對地觀測遙感成像研究團(tuán)隊(duì)研制的多模態(tài)傳感器采用基元程控技術(shù)[23]，可獲得隔指定時(shí)間差對同一地區(qū)成像的序列全色衛(wèi)星圖像，團(tuán)隊(duì)正在鉆研利用這種圖像提取動(dòng)目標(biāo)并估計(jì)運(yùn)動(dòng)參數(shù)的星上高效算法，以期實(shí)現(xiàn)動(dòng)目標(biāo)實(shí)時(shí)檢測與運(yùn)動(dòng)信息提取。綜述相關(guān)研究是算法探索不可或缺的步驟，本文將圍繞高分辨率光學(xué)衛(wèi)星圖像目標(biāo)運(yùn)動(dòng)信息提取的動(dòng)目標(biāo)檢測與運(yùn)動(dòng)參數(shù)估計(jì)2大部分介紹相關(guān)經(jīng)典算法和方法。根據(jù)數(shù)據(jù)源的不同，將動(dòng)目標(biāo)檢測算法分為單幅圖像和序列圖像2類進(jìn)行綜述，其中，以波段數(shù)量差異將單幅圖像動(dòng)目標(biāo)檢測分為全色波段動(dòng)目標(biāo)檢測與多波段動(dòng)目標(biāo)檢測； 按照數(shù)據(jù)格式將序列圖像動(dòng)目標(biāo)檢測分為衛(wèi)星視頻動(dòng)目標(biāo)檢測和序列全色衛(wèi)星圖像動(dòng)目標(biāo)檢測。簡述運(yùn)動(dòng)參數(shù)估計(jì)的目標(biāo)匹配算法和運(yùn)動(dòng)參數(shù)計(jì)算方法。最后總結(jié)分析算法特點(diǎn)，指出研究趨勢，展望應(yīng)用前景。

1 高分辨率光學(xué)衛(wèi)星圖像動(dòng)目標(biāo)檢測方法

1.1 動(dòng)目標(biāo)檢測方法分類與一般技術(shù)流程

動(dòng)目標(biāo)檢測的目的是從圖像中分割出運(yùn)動(dòng)目標(biāo)。圖1為高分辨率光學(xué)衛(wèi)星圖像動(dòng)目標(biāo)檢測的主要方法，單幅衛(wèi)星圖像的動(dòng)目標(biāo)檢測包括基于全色波段圖像和基于多波段圖像2種； 序列衛(wèi)星圖像的動(dòng)目標(biāo)檢測是使用多幅光學(xué)衛(wèi)星圖像進(jìn)行動(dòng)目標(biāo)檢測，現(xiàn)有的研究多是針對衛(wèi)星視頻圖像的研究，而基于序列全色衛(wèi)星圖像的動(dòng)目標(biāo)檢測方法目前正在研究中。這些算法大多都包括圖像預(yù)處理、動(dòng)目標(biāo)初步檢測和虛警去除3個(gè)步驟。

圖1 高分辨率光學(xué)衛(wèi)星圖像動(dòng)目標(biāo)檢測的主要方法Fig.1 Main methods of moving target detection from high-resolution optical satellite images

圖像預(yù)處理后從圖像中初步確定運(yùn)動(dòng)區(qū)域，然后根據(jù)動(dòng)目標(biāo)的灰度特征與形態(tài)特征，采用閾值分割和形態(tài)約束方法去除拍攝角度、光照變化等因素引起的虛警，便可篩選出運(yùn)動(dòng)目標(biāo)。圖像預(yù)處理包括圖像增強(qiáng)、圖像配準(zhǔn)、圖像融合與興趣區(qū)選取等，根據(jù)研究對象、數(shù)據(jù)、目的不同相應(yīng)的預(yù)處理步驟可以適當(dāng)增減。圖像增強(qiáng)能突出相關(guān)信息，擴(kuò)大不同地物的差異，有利于從靜態(tài)背景中分離動(dòng)目標(biāo)。圖像配準(zhǔn)是將不同時(shí)刻的圖像中動(dòng)目標(biāo)以外的背景區(qū)域匹配，便于動(dòng)目標(biāo)位移的計(jì)算。圖像融合是面向?qū)ο髣?dòng)目標(biāo)檢測法中的一種預(yù)處理步驟，通過圖像融合可以將不同時(shí)刻的動(dòng)目標(biāo)融合在一幅圖上。當(dāng)研究對象是特定的某種動(dòng)目標(biāo)時(shí)，可選取興趣區(qū)限定研究區(qū)域降低檢測虛警率，如檢測車輛時(shí)提取道路為興趣區(qū)，檢測船舶時(shí)提取水域?yàn)榕d趣區(qū)。

1.2 單幅衛(wèi)星圖像的動(dòng)目標(biāo)檢測

1.2.1 基于全色波段圖像的動(dòng)目標(biāo)檢測

衛(wèi)星全色波段圖像分辨率較高，是目標(biāo)檢測與識(shí)別的常用數(shù)據(jù)。單波段圖像不能反映目標(biāo)的運(yùn)動(dòng)信息，因此使用目標(biāo)檢測的方法檢測車輛、船舶等有可能運(yùn)動(dòng)的目標(biāo)。這方面的文章和方法較多，此前已有文獻(xiàn)對這類方法進(jìn)行了部分總結(jié)[8]，且本文側(cè)重于動(dòng)目標(biāo)檢測與運(yùn)動(dòng)參數(shù)估計(jì)結(jié)合的研究綜述，因此采用表1對此類方法進(jìn)行簡述。

表1 全色波段圖像的動(dòng)目標(biāo)檢測方法Tab.1 Methods of moving target detection from panchromatic images

1.2.2 基于多波段圖像的動(dòng)目標(biāo)檢測

衛(wèi)星相機(jī)焦平面上不同波段的傳感器相互間隔平行排列，致使對同一地物或地區(qū)而言，不同波段圖像成像存在時(shí)間差，圖像上的同一動(dòng)目標(biāo)位置有微弱變化。多波段圖像的動(dòng)目標(biāo)檢測有2類研究形式： ①忽略不同波段圖像成像時(shí)間差，將多光譜圖像的光譜信息作為輔助信息，采用閾值分割方法不斷剔除全色波段圖像中的非動(dòng)目標(biāo)部分，獲得可能運(yùn)動(dòng)的目標(biāo)[32]； ②將多波段圖像視為不同時(shí)刻成像的多幅圖像，從中提取動(dòng)目標(biāo)并計(jì)算運(yùn)動(dòng)參數(shù)。后者對目標(biāo)運(yùn)動(dòng)信息提取更有利，對應(yīng)的動(dòng)目標(biāo)檢測方法有目視解譯法、面向?qū)ο蠓?、減背景法和梯度圖像匹配法。其中面向?qū)ο蠓ㄊ亲畛Ｓ玫姆椒ā８魉惴ㄌ攸c(diǎn)如表2所示。

表2 多波段圖像的動(dòng)目標(biāo)檢測方法Tab.2 Methods of moving target detection from multi-spectral images

1)目視解譯法。2004年Etaya等[6]首次提出利用QuickBird衛(wèi)星圖像全色波段和多光譜波段的成像時(shí)滯進(jìn)行飛機(jī)、車輛、船舶等動(dòng)目標(biāo)的檢測和運(yùn)動(dòng)參數(shù)估計(jì)，開辟了高分辨率衛(wèi)星圖像新的應(yīng)用領(lǐng)域，將由紅、綠、藍(lán)3個(gè)多光譜波段合成的模擬全色圖像采用三次卷積法重采樣，使其空間分辨率與全色波段圖像一致，然后用目視解譯的方法，手動(dòng)標(biāo)注全色圖像和多光譜合成重采樣圖像上的動(dòng)目標(biāo)； Xiong和Zhang[33-35]將QuickBird全色圖像與多光譜圖像配準(zhǔn)后，目視手動(dòng)標(biāo)注2種圖像上的運(yùn)動(dòng)目標(biāo)； Pesaresi等[36]通過雙線性內(nèi)插法將QuickBird多光譜合成圖像空間分辨率重采樣為全色波段分辨率，采用分層特征向量匹配技術(shù)配準(zhǔn)圖像，結(jié)合視覺判斷手動(dòng)模糊選擇的方法找出運(yùn)動(dòng)目標(biāo)，并采用形態(tài)學(xué)開閉運(yùn)算計(jì)算目標(biāo)準(zhǔn)確位置，從而計(jì)算出運(yùn)動(dòng)速度； 趙世湖等[37]采用資源三號(hào)測繪衛(wèi)星多光譜數(shù)據(jù)提取飛機(jī)的運(yùn)動(dòng)信息，分別用人工方法精確選取出紅、綠、藍(lán)和近紅外4個(gè)波段圖像中的飛機(jī)。

1934年7月，曹禺在《文學(xué)月刊》第3期上發(fā)表的《雷雨》轟動(dòng)了劇壇。1935年9月，復(fù)旦劇社吳鐵翼、鳳子等人提議以《雷雨》作為復(fù)旦劇社當(dāng)年秋季的公演劇目。此時(shí)，此劇還沒有搬上過中國舞臺(tái)。于是邀請時(shí)任福建省文化部部長的歐陽予倩擔(dān)任導(dǎo)演，在法租界淮海路思南路口面北的店面樓上進(jìn)行排練。正式演出非常成功，唯一的缺憾是當(dāng)時(shí)的劇場條件非常差而影響了演出的效果。但這并不影響《雷雨》在觀眾心中的位置。此后，《雷雨》在各劇團(tuán)頻繁上演，成為盛演不衰的名劇。1946年初和1947年春，復(fù)旦劇社又兩次排演《雷雨》，可見《雷雨》在復(fù)旦劇社的重要地位。

2)面向?qū)ο蠓?。面向?qū)ο蠓ㄊ且怨庾V信息、空間信息等信息為基礎(chǔ)，將相似的相鄰像元組合為對象的分析方法。面向?qū)ο蟮膭?dòng)目標(biāo)檢測主要用來檢測道路上的車輛,大部分研究會(huì)將道路提取出來作為興趣區(qū)，根據(jù)車輛特征，選取一定的分割尺度分割圖像中的車輛目標(biāo)。2007年Yamazaki等[10]和Liu等[11]在QuickBird的全色圖像與多光譜圖像上手動(dòng)選取道路區(qū)域，然后根據(jù)灰度將區(qū)域分為車輛、陰影、道路和其他噪聲4類對象； 索明亮[38]使用北京全景天地公司的光學(xué)衛(wèi)星全色和多光譜圖像，采用大尺度分割方法與路網(wǎng)屬性數(shù)據(jù)先提取出道路區(qū)域，再用小尺度分割檢測出車輛，并基于模糊分類法區(qū)分明色車輛與暗色車輛； 由于WorldView-2衛(wèi)星的MS1與MS2圖像存在0.26 s的時(shí)滯，融合后運(yùn)動(dòng)車輛會(huì)形成“彩影”，基于這個(gè)特性，Salehi等[39]使用UNB Pansharp算法將1個(gè)全色和8個(gè)多光譜頻帶融合成了更清晰的多光譜圖像，同樣大尺度分割獲取道路區(qū)域，再通過主成分分析選擇“彩影”現(xiàn)象最明顯的主成分圖像，由于主成分圖像中前后2時(shí)刻的動(dòng)目標(biāo)明暗程度不同，采用小尺度分割和模糊分類方法檢測并區(qū)分出了不同時(shí)刻的車輛； 劉超超[40]所使用的流程與Salehi等[39]相似，圖像融合方法為Gram-Schmidt。

3)減背景法。張博研等[20,41]將QuickBird圖像中的4個(gè)多光譜波段圖像重采樣到全色圖像分辨率并合成為全色圖像進(jìn)行減背景法車輛檢測，將研究區(qū)域限定為道路，開運(yùn)算移除車輛目標(biāo)實(shí)現(xiàn)背景重建，背景與圖像做差求取動(dòng)目標(biāo)，其實(shí)質(zhì)就是頂帽變換。

4)梯度圖像匹配法。Leitloff等[42]手動(dòng)標(biāo)定全色數(shù)據(jù)中動(dòng)目標(biāo)的中心，并將多光譜數(shù)據(jù)轉(zhuǎn)換到IHS顏色空間，采用依賴梯度方向的子像素匹配方法在多光譜圖像中尋找對應(yīng)的動(dòng)目標(biāo)。這個(gè)算法的基本思想是在全色數(shù)據(jù)的車輛周圍裁剪一個(gè)適應(yīng)多光譜低分辨率的區(qū)域模板，并進(jìn)行高斯核平滑模擬車輛在多光譜圖像中的結(jié)構(gòu)，再計(jì)算此模板的梯度方向與IHS圖像梯度在一定范圍內(nèi)進(jìn)行匹配，相似度高的視為多光譜圖像中的對應(yīng)車輛。

1.3 序列衛(wèi)星圖像的動(dòng)目標(biāo)檢測

1.3.1 基于衛(wèi)星視頻圖像的動(dòng)目標(biāo)檢測

高分辨率衛(wèi)星視頻可以看作同一地區(qū)的時(shí)間序列衛(wèi)星圖像，成為動(dòng)目標(biāo)檢測的有力數(shù)據(jù)，一般采用普通視頻通用的動(dòng)目標(biāo)檢測方法標(biāo)識(shí)出發(fā)生變化的位置。高分辨率衛(wèi)星圖像背景復(fù)雜，普通視頻通用的檢測方法對變化十分敏感，初步檢測結(jié)果虛警率過高，需要更多的后處理來降低虛警率。已應(yīng)用到研究中的算法及特點(diǎn)如表3所示。

表3 衛(wèi)星視頻的動(dòng)目標(biāo)檢測方法Tab.3 Methods of moving target detection from satellite video

1)減背景法。2015年最早的高分辨率衛(wèi)星視頻的動(dòng)目標(biāo)檢測與運(yùn)動(dòng)參數(shù)估計(jì)研究出現(xiàn)，Kopsiaftis等[43]使用減背景法對SkySat-1衛(wèi)星1.1 m空間分辨率的全色波段衛(wèi)星視頻進(jìn)行車輛檢測和交通密度估計(jì)，基于圖像幀平均值動(dòng)態(tài)估計(jì)背景，背景差分后對相連的動(dòng)目標(biāo)形態(tài)約束和統(tǒng)計(jì)分析，采用OTSU閾值法選取背景閾值，最后計(jì)算交通密度； 于淵博等[19,44]在空間分辨率為1.13 m的吉林一號(hào)衛(wèi)星視頻數(shù)據(jù)上實(shí)現(xiàn)動(dòng)目標(biāo)的檢測與跟蹤，借鑒監(jiān)控視頻的動(dòng)目標(biāo)檢測方法，選用2種不同的動(dòng)目標(biāo)檢測方法進(jìn)行動(dòng)目標(biāo)檢測，其中一種是采用混合高斯模型建立背景的減背景法； 卜麗靜等[45]基于吉林一號(hào)數(shù)據(jù)，首先利用動(dòng)態(tài)矩陣統(tǒng)計(jì)幀間差分未變化像素并更新為背景，然后每一幀與背景差分得出運(yùn)動(dòng)區(qū)域，利用形態(tài)學(xué)濾波去除小斑點(diǎn)噪聲并保留車輛，最后通過測量車輛位移計(jì)算車速等信息。

3)光流法。羅亦樂等[46]基于LK光流法對溫哥華UrtheCast公司通過Iris傳感器獲得的1 m空間分辨率波士頓衛(wèi)星視頻開展車輛目標(biāo)檢測工作，首先提取道路區(qū)域并對每一幀圖像進(jìn)行角點(diǎn)檢測，經(jīng)后處理的角點(diǎn)即可視為車輛目標(biāo)，再采用LK光流法計(jì)算角點(diǎn)的光流矢量確定車輛的運(yùn)動(dòng)狀況，之后通過光流法跟蹤車輛求取運(yùn)動(dòng)參數(shù)。

1.3.2 基于序列全色衛(wèi)星圖像的動(dòng)目標(biāo)檢測

基于序列全色衛(wèi)星圖像的動(dòng)目標(biāo)檢測是針對周春平等[23]創(chuàng)新設(shè)計(jì)的多模態(tài)傳感器提出的一種新型動(dòng)目標(biāo)檢測方法。用來獲取數(shù)據(jù)的多模態(tài)傳感器基于基元程控技術(shù)，能夠控制面陣傳感器的每一行或多線陣傳感器的每一單線陣單獨(dú)成像，如此類比多波段衛(wèi)星圖像動(dòng)目標(biāo)運(yùn)動(dòng)參數(shù)估計(jì)的原理，若在焦平面上平行排列的2條或多條單線陣傳感器兩兩之間的間隔大于多波段衛(wèi)星不同波段傳感器間隔，則獲取的同一視場圖像將具有比多波段圖像更大的時(shí)間差，運(yùn)動(dòng)引起的變化更明顯，慢速運(yùn)動(dòng)目標(biāo)更容易被檢測。獲取的數(shù)據(jù)是時(shí)間序列的全色衛(wèi)星圖像，比起同樣時(shí)間段的視頻圖像來說數(shù)據(jù)量小，算法的效率可以提高。動(dòng)目標(biāo)檢測算法擬參考幀差法、減背景法等為核心的高效算法進(jìn)行星上算法研究。

2 高分辨率光學(xué)衛(wèi)星圖像動(dòng)目標(biāo)運(yùn)動(dòng)參數(shù)估計(jì)方法

2.1 運(yùn)動(dòng)參數(shù)估計(jì)一般技術(shù)流程

運(yùn)動(dòng)參數(shù)估計(jì)部分主要分為動(dòng)目標(biāo)信息提取、目標(biāo)匹配與運(yùn)動(dòng)參數(shù)計(jì)算3步，這3個(gè)步驟缺一不可。提取并記錄代表動(dòng)目標(biāo)的像元集合的外接矩形、大小、特征點(diǎn)位置等相關(guān)信息，特征點(diǎn)位置用于運(yùn)動(dòng)參數(shù)的計(jì)算，外接矩形、大小等用于匹配不同時(shí)刻的動(dòng)目標(biāo)，確定不同時(shí)刻圖像上的動(dòng)目標(biāo)對應(yīng)關(guān)系后，結(jié)合特征點(diǎn)位置信息便可采用簡單的公式求出位移、速度、方向等運(yùn)動(dòng)參數(shù)。一般選擇動(dòng)目標(biāo)質(zhì)心為特征點(diǎn)，飛機(jī)、船舶這種具有明顯轉(zhuǎn)角特征的動(dòng)目標(biāo)可將特征點(diǎn)定為其外部的一些轉(zhuǎn)角點(diǎn)，如飛機(jī)可選擇機(jī)頭、2個(gè)機(jī)翼翼尖和尾翼中部等特征點(diǎn)[47]。

2.2 目標(biāo)匹配方法

運(yùn)動(dòng)目標(biāo)在不同時(shí)刻的2幅圖像上產(chǎn)生了位移，具有不同的位置，需要匹配兩幅圖上相同動(dòng)目標(biāo)才能求出相應(yīng)的運(yùn)動(dòng)距離。動(dòng)目標(biāo)匹配是動(dòng)目標(biāo)運(yùn)動(dòng)參數(shù)計(jì)算的基礎(chǔ)，但由于大多數(shù)動(dòng)目標(biāo)在圖像上所占像元數(shù)少，不利于自動(dòng)匹配，很多研究為了精度更高都是采用結(jié)合目視手動(dòng)匹配的方法[6,33,36]，但這種方法耗費(fèi)人力且效率低。多波段圖像的動(dòng)目標(biāo)運(yùn)動(dòng)時(shí)間短，前后位移距離不大，可采用目標(biāo)大小和距離鏈接的方法完成匹配[10,38,40]。文獻(xiàn)[38]和[40]采用圖像融合尋找匹配的方法，融合后的圖像中2個(gè)時(shí)刻的同一動(dòng)目標(biāo)十分接近，距離最近的就是同一動(dòng)目標(biāo)。還有基于灰度特征的匹配方法，如灰度相關(guān)法[41]和梯度相關(guān)法[42]。衛(wèi)星視頻圖像的目標(biāo)匹配會(huì)用到常用的普通視頻目標(biāo)跟蹤算法，而已經(jīng)應(yīng)用到衛(wèi)星視頻的方法僅有光流法跟蹤法[46]。

2.3 運(yùn)動(dòng)參數(shù)計(jì)算方法

動(dòng)目標(biāo)的位置大多以動(dòng)目標(biāo)質(zhì)心坐標(biāo)表示，表示方法有圖像坐標(biāo)、實(shí)際坐標(biāo)和經(jīng)緯度坐標(biāo)。3種方法對應(yīng)的位移距離計(jì)算方法有所不同。

圖像坐標(biāo)法是以動(dòng)目標(biāo)圖像坐標(biāo)與圖像空間分辨率為基礎(chǔ)的計(jì)算方法，假設(shè)在不同時(shí)刻空間分辨率為G的衛(wèi)星圖像中同一動(dòng)目標(biāo)圖像坐標(biāo)分別為(X1，Y1)和(X2，Y2),則位移距離D計(jì)算公式為

(1)

實(shí)際坐標(biāo)法采用傳感器成像模型，在不考慮高程信息的情況下，將圖像坐標(biāo)轉(zhuǎn)換為地面實(shí)際坐標(biāo)，若2時(shí)刻動(dòng)目標(biāo)坐標(biāo)分別為(X1，Y1)和(X2，Y2)，則位移距離D計(jì)算公式為[33-34,47]

(2)

圖像若含有地理經(jīng)緯度坐標(biāo)則可以采用經(jīng)緯度坐標(biāo)法計(jì)算位移距離[38]。設(shè)動(dòng)目標(biāo)第一時(shí)刻經(jīng)緯度為Lat1和Long1，第二時(shí)刻經(jīng)緯度為Lat2和Long2，R為地球半徑，則D計(jì)算公式為

(3)

令運(yùn)動(dòng)時(shí)間為t，則運(yùn)動(dòng)速度v與方向θ計(jì)算公式為

(4)

(5)

3 總結(jié)與展望

3.1 現(xiàn)有研究方法總結(jié)分析

高分辨率衛(wèi)星圖像目標(biāo)信息提取的研究迄今只有十幾a歷史，采用的數(shù)據(jù)和方法還有一些不足，諸多問題還未深入研究。從數(shù)據(jù)源角度來看，全色單波段圖像僅可實(shí)現(xiàn)動(dòng)目標(biāo)的檢測，檢測效果好，但不能獲取運(yùn)動(dòng)信息； 多波段圖像動(dòng)目標(biāo)研究大多在單幅影像上采用目視解譯法或面向?qū)ο蠓椒?biāo)記動(dòng)目標(biāo)，記錄并手動(dòng)或自動(dòng)匹配各波段圖像中的動(dòng)目標(biāo)并結(jié)合目標(biāo)位置信息求取運(yùn)動(dòng)參數(shù)，由于成像時(shí)間差過短，不易檢測慢速目標(biāo)，且多光譜圖像分辨率低，運(yùn)動(dòng)目標(biāo)特征點(diǎn)位置不準(zhǔn)確； 視頻衛(wèi)星的出現(xiàn)豐富了數(shù)據(jù)來源，能夠獲取成像時(shí)間差更大的大量時(shí)序圖像，慢速目標(biāo)和小型目標(biāo)都可檢測，但算法大多借鑒監(jiān)控視頻的動(dòng)目標(biāo)檢測與跟蹤算法，結(jié)合實(shí)際情況提取多目標(biāo)運(yùn)動(dòng)信息，數(shù)據(jù)量過大，處理效率低。從算法角度來看，各個(gè)步驟算法自動(dòng)化程度較低，針對性太強(qiáng)，總體時(shí)效性差，存在以下問題亟待解決： ①動(dòng)目標(biāo)初步檢測算法雖然很多，但仍存在目標(biāo)邊界難以確定引起的目標(biāo)不全和過分割問題，漏檢問題也不容忽視，動(dòng)目標(biāo)檢測方法研究有待改進(jìn)； ②虛警去除方法中閾值選取大多以經(jīng)驗(yàn)確定，形態(tài)約束也僅僅涉及目標(biāo)的簡單形態(tài)信息，閾值選取的自動(dòng)化程度與形態(tài)信息的準(zhǔn)確程度需要提升； ③目標(biāo)匹配方法人工干預(yù)過多，小型目標(biāo)的自動(dòng)匹配難以實(shí)現(xiàn)。

針對已有算法的不足，建議算法嘗試做出以下改進(jìn)： ①動(dòng)目標(biāo)初步檢測方面，重視目標(biāo)邊界確定與漏檢問題，借鑒普通視頻圖像動(dòng)目標(biāo)檢測算法，嘗試應(yīng)用減背景法、幀差法、光流法的改進(jìn)算法和其他算法[48-49]； ②虛警去除方面，將基于灰度直方圖形狀的方法、基于聚類的方法、基于信息熵的方法、基于屬性相似性的方法、基于空間信息的方法以及基于圖像局部信息的方法等自適應(yīng)閾值方法[50]應(yīng)用到閾值分割去除虛警算法研究中，參考單幅衛(wèi)星圖像的動(dòng)目標(biāo)檢測中模型匹配法相關(guān)文章引入基于點(diǎn)、線、轉(zhuǎn)角等特征的目標(biāo)模型作為形態(tài)約束； ③動(dòng)目標(biāo)匹配算法方面，參考普通視頻目標(biāo)跟蹤[51]與車輛跟蹤[52]相關(guān)的一些匹配算法，攻克小型動(dòng)目標(biāo)自動(dòng)匹配的難題。

周春平等[53]提出的序列全色衛(wèi)星圖像動(dòng)目標(biāo)檢測與運(yùn)動(dòng)參數(shù)估計(jì)研究，在數(shù)據(jù)源和算法上有獨(dú)特的創(chuàng)新之處，可以給以后的目標(biāo)運(yùn)動(dòng)信息提取研究提供一些參考： ①專用于動(dòng)目標(biāo)檢測的硬件設(shè)計(jì)研究，獲取更有利于動(dòng)目標(biāo)檢測研究的數(shù)據(jù)； ②將短時(shí)差、不同通道、不同分辨率的圖像檢測，變成利用長時(shí)差同視場圖像間的檢測，減小數(shù)據(jù)量和慢速目標(biāo)檢測難度； ③以星上處理為導(dǎo)向的算法設(shè)計(jì)，提高運(yùn)算效率，實(shí)時(shí)獲取信息。

3.2 研究趨勢與應(yīng)用展望

目標(biāo)運(yùn)動(dòng)信息提取是圖像處理領(lǐng)域的熱點(diǎn)，高分辨率光學(xué)衛(wèi)星圖像作為大尺度運(yùn)動(dòng)目標(biāo)研究的良好數(shù)據(jù)，相關(guān)研究頻頻出現(xiàn)，本文通過總結(jié)研究進(jìn)展和算法，得出以下研究趨勢： ①數(shù)據(jù)源不斷豐富，從單幅影像研究向序列圖像發(fā)展，數(shù)據(jù)量與圖像時(shí)差更有利于動(dòng)目標(biāo)研究，衛(wèi)星視頻已成為近幾年研究的熱點(diǎn)； ②研究內(nèi)容從僅檢測目標(biāo)擴(kuò)展到檢測動(dòng)目標(biāo)并估計(jì)運(yùn)動(dòng)參數(shù)，甚至跟蹤和預(yù)測動(dòng)目標(biāo)； ③研究對象從單目標(biāo)轉(zhuǎn)向多目標(biāo)、從大型目標(biāo)轉(zhuǎn)向小型目標(biāo)、從快速運(yùn)動(dòng)目標(biāo)轉(zhuǎn)向慢速運(yùn)動(dòng)目標(biāo)； ④各部分算法從開始的人工參與居多發(fā)展到了趨于自動(dòng)化、智能化； ⑤不限于地面算法研究，快速高效的星上實(shí)時(shí)處理算法已成為研究的新方向。

高分辨率光學(xué)衛(wèi)星圖像中的目標(biāo)運(yùn)動(dòng)信息與交通、軍事等有密切關(guān)系，在以下領(lǐng)域已有較多應(yīng)用： ①智能交通，高分辨率光學(xué)衛(wèi)星圖像與傳統(tǒng)的交通分析依賴的固定監(jiān)控視頻相比，視野廣，目標(biāo)多，覆蓋固定監(jiān)控的盲區(qū)與偏遠(yuǎn)地區(qū)，提取相關(guān)目標(biāo)運(yùn)動(dòng)信息分析交通擁堵情況并進(jìn)行預(yù)測，能夠?qū)崿F(xiàn)交通實(shí)時(shí)監(jiān)測，完成出行、物流、應(yīng)急等方面的海陸交通路線規(guī)劃和調(diào)度； ②軍事遙感，普通拍攝方式無法接近戰(zhàn)場和軍事地區(qū)，從衛(wèi)星圖像中提取戰(zhàn)機(jī)、戰(zhàn)車、船艦等軍事目標(biāo)的運(yùn)動(dòng)信息，有利于分析和預(yù)測戰(zhàn)場情況，追蹤指定目標(biāo)，從而指導(dǎo)作戰(zhàn)或達(dá)到偵察目的； ③防災(zāi)減災(zāi)，自然災(zāi)害現(xiàn)場難以接近，高分辨率光學(xué)衛(wèi)星圖像中地物特征更清晰，提取泥石流、火山熔巖等有向流體動(dòng)目標(biāo)的運(yùn)動(dòng)信息，估計(jì)其蔓延速度和方向，可為人員疏散路線的制定提供依據(jù)，減輕或避免災(zāi)害導(dǎo)致的人口損失。

隨著衛(wèi)星運(yùn)動(dòng)目標(biāo)檢測與運(yùn)動(dòng)參數(shù)估計(jì)技術(shù)的不斷成熟，其在智能交通和軍事遙感等方面將發(fā)揮更大的作用，也將體現(xiàn)其在防災(zāi)減災(zāi)等潛在領(lǐng)域的應(yīng)用價(jià)值，創(chuàng)造出更大的社會(huì)價(jià)值。