李建國，楊保河，石勝斌

（1.鄭州師范學(xué)院物理與電子工程學(xué)院，鄭州 450044；2.鄭州科技學(xué)院電氣工程學(xué)院，鄭州 450064）

0 引言

目前，隨著航天技術(shù)的迅速發(fā)展和遙感應(yīng)用的逐步深入，國內(nèi)外對(duì)高分辨率衛(wèi)星的遙感應(yīng)用需求已逐步由靜態(tài)偵察向?qū)崟r(shí)的動(dòng)態(tài)監(jiān)測(cè)轉(zhuǎn)變［1-10］。隨著高分辨率對(duì)地觀測(cè)重大專項(xiàng)的實(shí)施，我國以靜態(tài)為主的中高分辨率光學(xué)遙感數(shù)據(jù)，已經(jīng)能夠滿足部分遙感監(jiān)測(cè)需求，但其無法獲取感興趣目標(biāo)區(qū)域極富價(jià)值的動(dòng)態(tài)數(shù)據(jù)的特點(diǎn)，仍極大制約著遙感衛(wèi)星在應(yīng)急情況下的偵察能力［11-13］。

2015 年10 月7 日，長光衛(wèi)星技術(shù)有限公司自主研發(fā)的“吉林一號(hào)”系列衛(wèi)星在我國酒泉衛(wèi)星發(fā)射中心發(fā)射工程［14-16］。這種在超高空、大尺度、復(fù)雜星際成像環(huán)境下的動(dòng)態(tài)視頻拍攝，堪稱我國航天遙感領(lǐng)域的一項(xiàng)革命性創(chuàng)新技術(shù)。該系列的視頻衛(wèi)星通過凝視成像模式可獲取亞米級(jí)分辨率彩色動(dòng)態(tài)視頻，獲取感興趣區(qū)域連續(xù)的視頻圖像數(shù)據(jù)，特別適合于區(qū)域的動(dòng)態(tài)變化監(jiān)測(cè)，如態(tài)勢(shì)變化、動(dòng)態(tài)目標(biāo)偵察監(jiān)視、打擊效果評(píng)估等軍事應(yīng)用需求。同時(shí)，還可以滿足反恐、防災(zāi)救災(zāi)、智能交通管制等多方面民用需求［17-18］。

在此背景下，本文圍繞視頻衛(wèi)星這一新興航天遙感技術(shù)［18］，對(duì)視頻衛(wèi)星在“凝視”成像模式下獲取的動(dòng)態(tài)遙感視頻進(jìn)行全自動(dòng)、高精度、高速度的信息提取，開展遙感視頻衛(wèi)星多目標(biāo)檢測(cè)、跟蹤和定位算法研究，如圖1 所示。針對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤需求，提出一種聯(lián)合道路掩模的混合高斯背景模型的背景差分法，該方法可顯著降低由于光照變化、陰影帶來的目標(biāo)像元漏檢。針對(duì)目標(biāo)幾何定位需求，提出一種基于RPC 參數(shù)的遙感影像正射校正技術(shù)，實(shí)現(xiàn)了影像行列號(hào)坐標(biāo)與WGS84 經(jīng)緯度坐標(biāo)之間的轉(zhuǎn)換關(guān)系［19-20］。遙感視頻衛(wèi)星多目標(biāo)檢測(cè)、跟蹤和定位算法提高遙感視頻數(shù)據(jù)的智能化處理水平，大幅縮減信息提取過程中人工參與程度，為我國航天信息產(chǎn)業(yè)發(fā)展和社會(huì)經(jīng)濟(jì)進(jìn)步帶來重要的促進(jìn)意義。

1 遙感衛(wèi)星視頻預(yù)處理

遙感視頻數(shù)據(jù)的預(yù)處理可以實(shí)現(xiàn)對(duì)高分辨率遙感視頻影像的自動(dòng)增強(qiáng)處理，包括高分辨率衛(wèi)星視頻特性的顏色增強(qiáng)、邊緣增強(qiáng)、噪聲去除等視頻處理功能，如圖2 所示，提高遙感視頻的視覺效果和可解譯性，改善視頻質(zhì)量、豐富信息量，加強(qiáng)視頻判別和識(shí)別效果，為后續(xù)遙感情報(bào)提取提供數(shù)據(jù)支撐。

圖1 遙感衛(wèi)星視頻處理流程

圖2 遙感視頻預(yù)處理

圖3 遙感影像正射校正

同時(shí)預(yù)處理操作還包括遙感影像正射校正（如圖3）。當(dāng)遙感圖像在正射校正后，其中一件重要的工作就是將遙感圖像與地理坐標(biāo)進(jìn)行精確匹配，使遙感圖像坐標(biāo)與地理信息相聯(lián)系，以利于提取有用信息。針對(duì)遙感影像由于成像系統(tǒng)以及地形等因素所引起的幾何畸變，實(shí)現(xiàn)一種基于RPC 參數(shù)的遙感影像正射校正技術(shù)。通過解析影像元數(shù)據(jù)中的RPC信息，導(dǎo)入數(shù)字高程模型（DEM），得到影像行列號(hào)坐標(biāo)與WGS84 經(jīng)緯度坐標(biāo)之間的轉(zhuǎn)換關(guān)系，按照轉(zhuǎn)換關(guān)系使用圖像重投影的方式進(jìn)行投影變換，實(shí)現(xiàn)遙感影像的正射校正處理。遙感影像經(jīng)過正射校正處理，可同時(shí)具有地形圖特性和影像特性，在地形起伏較大的地區(qū)精度高，信息豐富。

2 多目標(biāo)檢測(cè)跟蹤定位

遙感視頻動(dòng)態(tài)目標(biāo)檢測(cè)、跟蹤和定位模塊，可實(shí)現(xiàn)對(duì)遙感視頻中動(dòng)態(tài)目標(biāo)的自動(dòng)檢測(cè)、跟蹤、研判和態(tài)勢(shì)分析，也可實(shí)現(xiàn)對(duì)遙感視頻中特定移動(dòng)目標(biāo)的移動(dòng)速度、移動(dòng)方向和移動(dòng)軌跡等信息的精確提取，可為邊境線連續(xù)監(jiān)視、邊境小規(guī)模沖突處理、突發(fā)性群體事件處置、中小型軍事行動(dòng)連續(xù)保障等軍事行動(dòng)提供保障，為相關(guān)部門提供高時(shí)效，高精度的情報(bào)保障。

2.1 特定目標(biāo)檢測(cè)技術(shù)

針對(duì)高分辨率光學(xué)衛(wèi)星影像的感興趣目標(biāo)檢測(cè)與識(shí)別應(yīng)用需求［21-23］，為突破傳統(tǒng)目標(biāo)檢測(cè)算法定位精度、識(shí)別準(zhǔn)確率和檢測(cè)速度較低的技術(shù)瓶頸，將最前沿的深度學(xué)習(xí)目標(biāo)算法引入遙感應(yīng)用領(lǐng)域。在遙感影像目標(biāo)識(shí)別檢測(cè)方面，研發(fā)了基于深度學(xué)習(xí)的典型目標(biāo)識(shí)別檢測(cè)算法。通過構(gòu)建典型遙感目標(biāo)庫，實(shí)現(xiàn)了飛機(jī)、船舶、機(jī)場、港口等目標(biāo)的自動(dòng)識(shí)別與檢測(cè)。對(duì)同一類型目標(biāo)，針對(duì)不同應(yīng)用場景，通過算法調(diào)優(yōu)分別構(gòu)建了快速模型和高精度模型。對(duì)高分辨率光學(xué)衛(wèi)星影像紋理信息豐富的特點(diǎn)，構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和目標(biāo)檢測(cè)算法框架，對(duì)高分辨率光學(xué)衛(wèi)星影像進(jìn)行多層特征提取和多特征融合以提升目標(biāo)識(shí)別準(zhǔn)確度，結(jié)合上下文特征以提升定位精度。用改進(jìn)Faster R-CNN［24-25］與Resnet 算法［27-28］對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行模型訓(xùn)練，實(shí)現(xiàn)對(duì)高分辨率遙感影像的目標(biāo)智能檢測(cè)，實(shí)現(xiàn)針對(duì)高分辨率光學(xué)衛(wèi)星影像的高精度智能目標(biāo)檢測(cè)技術(shù)。地物目標(biāo)檢測(cè)完畢后，可以輸出目標(biāo)的數(shù)量，以及經(jīng)緯度信息?？焖賹?shí)現(xiàn)大尺度范圍地物目標(biāo)檢測(cè)，及時(shí)為相關(guān)安全部門提供可靠情報(bào)信息。

圖4 特定目標(biāo)檢測(cè)識(shí)別算法

圖4 展示了遙感影像智能目標(biāo)檢測(cè)識(shí)別算法研究的主要技術(shù)流程，其具體細(xì)節(jié)如下：

1）使用ImageNet 模型初始化，獨(dú)立訓(xùn)練一個(gè)區(qū)域生成網(wǎng)絡(luò)（RPN）；Fast R-CNN 有兩個(gè)平行的輸層；

2）使用步驟1）中RPN 網(wǎng)絡(luò)生成的proposal 作為輸入對(duì)ImageNet 模型初始化，訓(xùn)練一個(gè)Fast R-CNN 網(wǎng)絡(luò)，兩個(gè)網(wǎng)絡(luò)的每一層參數(shù)完全不共享；

3）使用步驟2）中的Fast R-CNN 網(wǎng)絡(luò)初始化一個(gè)新RPN 網(wǎng)絡(luò)，將RPN、Fast R-CNN 共享卷積層的Learning Rate 設(shè)為0，僅更新RPN 特有的網(wǎng)絡(luò)層，重新訓(xùn)練完畢后，兩個(gè)網(wǎng)絡(luò)實(shí)現(xiàn)共享所有公共卷積層；

4）固定共享網(wǎng)絡(luò)層，加入Fast R-CNN 特有網(wǎng)絡(luò)層，形成unified network，繼續(xù)訓(xùn)練，完成Fast R-CNN 特有網(wǎng)絡(luò)層的fine-tune；

5）基于訓(xùn)練好的目標(biāo)檢測(cè)識(shí)別模型參數(shù)，對(duì)地物目標(biāo)（如：飛機(jī)、油罐、建筑）等感興趣目標(biāo)進(jìn)行全自動(dòng)目標(biāo)檢測(cè)，如圖5 所示。

圖5 特定目標(biāo)檢測(cè)識(shí)別算法（以客機(jī)檢測(cè)為例）

2.2 動(dòng)態(tài)目標(biāo)檢測(cè)跟蹤定位

針對(duì)視頻衛(wèi)星可對(duì)某一區(qū)域進(jìn)行凝視觀測(cè)獲得的連續(xù)視頻影像的特點(diǎn)，實(shí)現(xiàn)高分辨率衛(wèi)星視頻動(dòng)態(tài)車輛檢測(cè)與跟蹤。算法首先使用基于道路掩模處理和混合高斯背景模型的背景差分法，對(duì)運(yùn)動(dòng)車輛進(jìn)行初步提取，同時(shí)使用車輛的幾何特征對(duì)初步提取結(jié)果進(jìn)行篩選；使用基于最小二乘法的二次曲線擬合方式對(duì)運(yùn)動(dòng)車輛進(jìn)行跟蹤。下面介紹道路動(dòng)態(tài)目標(biāo)的檢測(cè)跟蹤流程，如下頁圖6 所示。

首先，依次提取穩(wěn)像后的視頻幀，對(duì)視頻幀圖像進(jìn)行預(yù)處理，加強(qiáng)影像判別與識(shí)別效果。對(duì)衛(wèi)星視頻使用基于像素樣本統(tǒng)計(jì)信息的混合高斯背景建模方法進(jìn)行背景估計(jì)，利用像素在較長時(shí)間內(nèi)大量樣本值的概率密度等統(tǒng)計(jì)信息表示背景，然后使用統(tǒng)計(jì)差分進(jìn)行目標(biāo)像素判斷，可以對(duì)復(fù)雜動(dòng)態(tài)背景進(jìn)行建模。在混合高斯背景模型中，認(rèn)為像素之間的顏色信息互不相關(guān)，對(duì)各像素點(diǎn)的處理都是相互獨(dú)立的。對(duì)于視頻圖像中的每一個(gè)像素點(diǎn)，其值在序列圖像中的變化，可看作是不斷產(chǎn)生像素值的隨機(jī)過程，即用高斯分布來描述每個(gè)像素點(diǎn)的顏色呈現(xiàn)規(guī)律單模態(tài)和多模態(tài)。對(duì)于多峰高斯分布模型，圖像的每一個(gè)像素點(diǎn)按不同權(quán)值的多個(gè)高斯分布的疊加來建模，每種高斯分布對(duì)應(yīng)一個(gè)可能產(chǎn)生像素點(diǎn)所呈現(xiàn)顏色的狀態(tài)，各個(gè)高斯分布的權(quán)值和分布參數(shù)隨時(shí)間更新。

圖6 動(dòng)態(tài)目標(biāo)檢測(cè)與跟蹤算法整體流程圖

然后，對(duì)衛(wèi)星視頻中運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)。利用背景差分法，對(duì)所得到的連通域進(jìn)行數(shù)學(xué)形態(tài)和統(tǒng)計(jì)分析，并計(jì)算全局閾值對(duì)圖像進(jìn)行二值化處理。背景減法首先建立背景模型表示場景，再把接下來的各幀與該模型相比較并進(jìn)行減法運(yùn)算，所得結(jié)果即為運(yùn)動(dòng)區(qū)域。采用背景減法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)時(shí)，背景圖像的模型與真實(shí)場景的差異大小會(huì)影響目標(biāo)檢測(cè)性能，因此，通過對(duì)運(yùn)動(dòng)目標(biāo)連通區(qū)域面積大小的判斷以濾除噪聲，增加目標(biāo)檢測(cè)準(zhǔn)確度。

最后，對(duì)提取的運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤。通過統(tǒng)計(jì)前景中的每一個(gè)運(yùn)動(dòng)目標(biāo)的質(zhì)心位置、像素面積、平均灰度信息，考慮到不同幀中的同一目標(biāo)由于在光照、遮擋等存在形變和灰度值的變化建立目標(biāo)跟蹤決策。如圖6 為運(yùn)動(dòng)目標(biāo)跟蹤算法流程圖。在進(jìn)行目標(biāo)跟蹤時(shí)，根據(jù)該目標(biāo)的已得數(shù)據(jù)使用基于最小二乘法的二次曲線擬合方式，對(duì)下一幀車輛位置進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)質(zhì)心位置，并在預(yù)測(cè)質(zhì)心位置的鄰域內(nèi)進(jìn)行搜索和匹配，可大幅提高搜索速度，減少計(jì)算復(fù)雜度和計(jì)算時(shí)間。經(jīng)過對(duì)運(yùn)動(dòng)目標(biāo)逐幀跟蹤，根據(jù)前后幀相對(duì)位置，即可實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)包括運(yùn)動(dòng)方向、運(yùn)動(dòng)速度等運(yùn)動(dòng)參數(shù)的求解。

2.3 技術(shù)難點(diǎn)

2.3.1 道路掩模

一般來講，動(dòng)態(tài)目標(biāo)位于遙感圖像中的道路上。因此，為了進(jìn)一步減少虛警檢測(cè)和計(jì)算量，本文采用的道路網(wǎng)提取算法結(jié)合深度學(xué)習(xí)與高分辨率衛(wèi)星影像數(shù)據(jù)［29-30］，自動(dòng)、精準(zhǔn)的提取傳統(tǒng)測(cè)繪方法無法獲取區(qū)域的路網(wǎng)信息?；谏疃葘W(xué)習(xí)技術(shù)快速、準(zhǔn)確地實(shí)現(xiàn)遙感影像像素級(jí)分類，通過深層卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到高層次抽象特征，提高分類精度。針對(duì)分類結(jié)果，設(shè)計(jì)分類后處理功能，包括：分類合并、分類信息統(tǒng)計(jì)。

道路網(wǎng)提取如圖7 所示，針對(duì)特定地區(qū)，實(shí)現(xiàn)了對(duì)高速公路以及大部分林間道路、鄉(xiāng)村道路等小路的提取。

圖7 遙感圖像道路網(wǎng)提取

2.3.2 視頻配準(zhǔn)

利用Sift（尺度不變特征變換）特征及GPU 加速技術(shù)實(shí)現(xiàn)亞像素級(jí)配準(zhǔn)。Sift 特征是一種基于尺度空間、對(duì)圖像縮放、旋轉(zhuǎn)甚至仿射變換保持不變性的圖像局部特征描述算子，該特征同時(shí)具有獨(dú)特性、多量性、可擴(kuò)展性等特點(diǎn)，在圖像配準(zhǔn)領(lǐng)域應(yīng)用廣泛。傳統(tǒng)Sift 特征匹配算法速度較慢，對(duì)超高分辨率遙感圖像適用性較差，利用GPU 加速技術(shù)實(shí)現(xiàn)超大分辨率遙感圖像特征點(diǎn)快速提取匹配，GPU 下單景標(biāo)準(zhǔn)影像配準(zhǔn)時(shí)間2.6 s，較CPU 下同樣方法120 s提升了40 倍以上。該技術(shù)是遙感圖像融合、鑲嵌等處理的關(guān)鍵部分。

2.3.3 背景差分

利用K 個(gè)高斯模型表征視頻衛(wèi)星單幀影像中各像素特征，在新一幀影像獲得后更新混合高斯模型，用當(dāng)前圖像中的每個(gè)像素點(diǎn)與混合高斯模型匹配，如果成功則判定該點(diǎn)為背景點(diǎn)，否則為前景點(diǎn)。使用方形結(jié)構(gòu)（3×3）進(jìn)行閉運(yùn)算（前膨脹后腐蝕）。統(tǒng)計(jì)前景中的連通域（8 鄰域）的面積，將面積小于或大于某一閾值范圍的連通域進(jìn)行剔除。

2.3.4 多幀多目標(biāo)判決及跟蹤算法

創(chuàng)建二維索引表，記錄單幀車輛對(duì)應(yīng)的位置，在預(yù)測(cè)質(zhì)心的鄰域內(nèi)進(jìn)行搜索。其中預(yù)測(cè)質(zhì)心是通過前若干幀得到的待確認(rèn)或確認(rèn)車輛信息的質(zhì)心位置信息，進(jìn)行二次函數(shù)擬合，從而得到的當(dāng)前幀的預(yù)測(cè)位置。跟蹤評(píng)價(jià)指標(biāo)缺失數(shù)（丟失目標(biāo)的個(gè)數(shù)）：即在當(dāng)前幀中沒有該目標(biāo)的假設(shè)位置，也就是未找到該目標(biāo)在當(dāng)前幀中的預(yù)測(cè)區(qū)域。誤判數(shù)（假設(shè)位置未匹配個(gè)數(shù)）：即給出的位置假設(shè)沒有跟蹤目標(biāo)與之對(duì)應(yīng)。誤匹配數(shù)（失配誤差數(shù)）：該問題多發(fā)生在多目標(biāo)位置過近導(dǎo)致的遮擋或粘連的情況下。

3 實(shí)驗(yàn)

在本文中，我們?cè)谝欢芜b感視頻上進(jìn)行目標(biāo)檢測(cè)、跟蹤和定位功能驗(yàn)證，視頻由長光衛(wèi)星技術(shù)有限公司提供。實(shí)驗(yàn)運(yùn)行在Matlab 編譯平臺(tái)上，硬件要求為Core i7-3770 CPU（內(nèi)存3.4 GB）。

3.1 動(dòng)態(tài)目標(biāo)檢測(cè)

圖8（a）展示了一段城市道路場景的視頻衛(wèi)星拍攝視頻?？梢钥吹剑缆飞洗嬖诿芗膭?dòng)態(tài)車輛目標(biāo)。車輛目標(biāo)的尺寸有限，通常在圖像上體現(xiàn)為擴(kuò)展點(diǎn)目標(biāo)。由于車輛目標(biāo)尺寸較小從而難以使用基于深度學(xué)習(xí)的檢測(cè)網(wǎng)絡(luò)得到檢測(cè)結(jié)果，本文首先采用道路掩模方法去除道路兩旁的建筑區(qū)域，從而避免道路區(qū)域外的虛警檢測(cè)結(jié)果。然后采用基于高斯混合模型的幀間差分得到動(dòng)態(tài)目標(biāo)的檢測(cè)結(jié)果，如圖8（b）所示。

圖8 遙感視頻動(dòng)目標(biāo)檢測(cè)

3.2 目標(biāo)跟蹤

本文采用基于最鄰近搜索的數(shù)據(jù)關(guān)聯(lián)算法對(duì)相鄰兩幀的動(dòng)態(tài)目標(biāo)檢測(cè)結(jié)果進(jìn)行關(guān)聯(lián)，從而得到動(dòng)態(tài)目標(biāo)連續(xù)的跟蹤軌跡。如圖9 所示，圖9（a）和9（b）是遙感視頻中相鄰的前后幀。與圖9（a）相比，圖9（b）中的車輛目標(biāo)發(fā)生了微小的位移，這個(gè)位移遠(yuǎn)小于不同運(yùn)動(dòng)目標(biāo)之間的幾何距離。因此，通過在圖9（a）中每個(gè)動(dòng)態(tài)目標(biāo)檢測(cè)結(jié)果周圍以半徑r 進(jìn)行最鄰近搜索，可以得到該目標(biāo)在圖9（b）中對(duì)應(yīng)的檢測(cè)結(jié)果。通過將兩個(gè)對(duì)應(yīng)的檢測(cè)結(jié)果關(guān)聯(lián)，可以得到該動(dòng)態(tài)目標(biāo)在相鄰兩幀之間的跟蹤結(jié)果。

圖9 遙感視頻相鄰幀

為了定量評(píng)估算法的效果，利用IoU（Intersection Over Union）指標(biāo)計(jì)算檢測(cè)和跟蹤算法的性能。給定每個(gè)目標(biāo)檢測(cè)和跟蹤的外接矩形框rt和人工標(biāo)注的真值矩形框rg，IoU 值定義如下：

表1 給出了不同搜索半徑r 對(duì)應(yīng)的IoU 值，可以看到當(dāng)搜索半徑為4 個(gè)像素時(shí)，本文提出的檢測(cè)跟蹤算法可以達(dá)到92.5%，幾乎所有目標(biāo)都可以正確檢測(cè)和跟蹤。

表1 不同搜索半徑對(duì)應(yīng)的IoU 值

3.3 目標(biāo)幾何定位

根據(jù)衛(wèi)星成像模式及特征，結(jié)合衛(wèi)星測(cè)量的姿軌、行時(shí)等參數(shù)，構(gòu)建高精度幾何定位模型，實(shí)現(xiàn)影像與地面坐標(biāo)的精確轉(zhuǎn)換。分析軌道誤差、姿態(tài)誤差、行掃描時(shí)間誤差，以及相機(jī)內(nèi)方位元素誤差對(duì)幾何定位精度的影響特性，獲得高精度定位信息，并解算RPC 模型。本文對(duì)圖8 中的目標(biāo)進(jìn)行定位分析，獲得最終的平均精度達(dá)到3.4 m，驗(yàn)證本文方法思路的有效性。

在得到精確RPC 模型后，可以對(duì)遙感圖像進(jìn)行幾何校正。幾何校正后的遙感影像被稱為標(biāo)準(zhǔn)影像，標(biāo)準(zhǔn)影像4 個(gè)角點(diǎn)的圖像像素坐標(biāo)和經(jīng)緯度坐標(biāo)都是已知的。因此，遙感視頻中每個(gè)目標(biāo)的地理坐標(biāo)可以利用像素坐標(biāo)插值得到。

4 結(jié)論

隨著遙感技術(shù)的發(fā)展，未來的視頻衛(wèi)星的空間分辨率、時(shí)間分辨率以及光譜分辨率會(huì)越來越高，所獲得的衛(wèi)星視頻也將越來越清晰，通過視頻所能獲得信息也越來越多。本文研究的視頻衛(wèi)星遙感視頻數(shù)據(jù)的動(dòng)態(tài)目標(biāo)檢測(cè)、跟蹤、識(shí)別、定位方法，可以提高我軍遙感衛(wèi)星對(duì)動(dòng)態(tài)機(jī)動(dòng)小目標(biāo)的偵察能力。由實(shí)驗(yàn)結(jié)果可知，該算法成功地從衛(wèi)星視頻中提取了道路掩模信息，并利用高斯混合模型和背景差分提取動(dòng)目標(biāo)的檢測(cè)結(jié)果，利用數(shù)據(jù)關(guān)聯(lián)得到每個(gè)目標(biāo)在不同幀之間連續(xù)的運(yùn)動(dòng)軌跡，為進(jìn)一步城市交通監(jiān)控和決策提供信息支持。