栗佩康　田路強(qiáng)　寧君宇

摘 要：航拍影像為遠(yuǎn)距離對地目標(biāo)觀測提供了豐富的數(shù)據(jù)信息，尤其是隨著無人機(jī)的發(fā)展，越來越多的航拍影像數(shù)據(jù)可被獲取，為該場景下的目標(biāo)檢測與識別提供了堅實的數(shù)據(jù)基礎(chǔ)。車輛識別作為航拍影像場景下的目標(biāo)檢測研究的重要方向之一，是智能交通系統(tǒng)中的重要一環(huán)，為路況實時獲取、事故監(jiān)測、違章停車監(jiān)控等應(yīng)用場景提供技術(shù)支撐。該方向的研究在軍事、民用等領(lǐng)域發(fā)揮重要作用，在計算機(jī)視覺、遙感觀測等領(lǐng)域成為重要的研究方向。近年來，隨著機(jī)器學(xué)習(xí)的持續(xù)發(fā)展，特別是深度學(xué)習(xí)在計算機(jī)視覺及模式識別領(lǐng)域的大放異彩，與車輛目標(biāo)檢測相關(guān)的方法也推陳出新。本文將基于有關(guān)車輛目標(biāo)檢測的方法做一個綜述，以期能夠快速了解這個領(lǐng)域，并為后續(xù)工作做出一定指導(dǎo)。

關(guān)鍵詞：車輛檢測;航拍影像;目標(biāo)識別;機(jī)器學(xué)習(xí);深度神經(jīng)網(wǎng)絡(luò)

航拍影像包含豐富的地物信息，如道路、樓宇、車輛等，對這些信息進(jìn)行有效處理，尤其對車輛信息的有效處理（以車輛為主體處理對象，道路、樓宇作為重要上下文信息），對城鄉(xiāng)道路的交通規(guī)劃、安全預(yù)警具有重要指導(dǎo)作用。

與傳統(tǒng)的人工方式統(tǒng)計交通信息數(shù)據(jù)相比，通過航拍影像檢測車輛信息具有如下優(yōu)點(diǎn)：

（1）不需要人工設(shè)卡來統(tǒng)計交通流量信息、發(fā)現(xiàn)交通事故及違章停車等。

（2）與監(jiān)控攝像互為補(bǔ)充，并能獲取監(jiān)控攝像未觸及區(qū)域的車輛信息。

（3）減少人工讀圖工作量，減少因人工失誤造成的誤檢、漏檢，提升效率和智能化水平。

目前，隨著計算機(jī)視覺領(lǐng)域的持續(xù)發(fā)展，在諸如手寫字符識別、車牌識別甚至人臉識別等應(yīng)用方向的算法已日臻成熟，但在航拍影像的車輛識別場景下，依然存在一些問題，如受道路環(huán)境及樓宇的遮擋、不同尺度下的車輛特征表現(xiàn)不一致、算法精度與實時性效率難以平衡等問題，故該方向仍需持續(xù)研究。近年來，國內(nèi)外學(xué)者對基于航拍影像的車輛檢測做了大量工作，大致可分為兩類：基于傳統(tǒng)機(jī)器學(xué)習(xí)的車輛檢測方法和基于深度神經(jīng)網(wǎng)絡(luò)的車輛檢測方法。

1 基于傳統(tǒng)機(jī)器學(xué)習(xí)的車輛檢測方法

在我們?nèi)粘Ｉ钪?，車輛一般在道路上或道路周邊，基于此，部分學(xué)者使用道路數(shù)據(jù)庫作為先驗知識來檢測車輛[2]，但這些方法一方面受限于獲取路網(wǎng)數(shù)據(jù)的質(zhì)量，另一方面造成不在路網(wǎng)周邊車輛的嚴(yán)重漏檢。

基于機(jī)器學(xué)習(xí)的車輛檢測方法可以簡單地描述為感興趣區(qū)域（ROI）的分類問題，即首先利用不同尺度的滑窗、超像素或顯著性檢測等方法找到類車輛區(qū)域，然后使用人工提取的特征輸入至SVM或AdaBoost分類器中進(jìn)行車輛分類判別。

Shao[3]使用提取到的Harr特征和LBP特征輸入到SVM分類器中做車輛檢測。Moranduzzo[4]使用SIFTs特征以及Kluckner[5]使用HOG特征輸入到AdaBoost分類器做車輛檢測。特別地，Liu[7]提出一種基于通道特征聚合與AdaBoost級聯(lián)得快速二值檢測算子用于車輛位置的檢測，然后使用HOG特征和AdaBoost分類器來對車輛的方向進(jìn)行分類，該方法能夠提取車輛方向，但由于該方法基于人工特征構(gòu)造，對車輛的提取不夠有效，而且基于滑窗的方法對計算資源開銷太大。在航拍影像中，由于車輛特征尺度不一，并且建筑、道路上的線和陰影等造成車輛的背景環(huán)境復(fù)雜，基于手工構(gòu)造的單一特征對于在復(fù)雜多樣的背景環(huán)境下進(jìn)行車輛提取還不夠有效，使得利用多特征融合對車輛特征進(jìn)行更準(zhǔn)確的描述與表達(dá)成為車輛檢測研究方向和趨勢。

2 基于深度神經(jīng)網(wǎng)絡(luò)的車輛檢測方法

由于擅長特征表達(dá)，并且比傳統(tǒng)機(jī)器學(xué)習(xí)算法有更高的準(zhǔn)確度與更快的速度，深度神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測領(lǐng)域已處于主流地位。相關(guān)算法可分為兩個范疇：基于候選區(qū)域的神經(jīng)網(wǎng)絡(luò)如RCNN、Fast RCNN、Faster RCNN與基于回歸的神經(jīng)網(wǎng)絡(luò)如YOLO、YOLO2、SSD。

一些基于深度神經(jīng)網(wǎng)絡(luò)的車輛提取算法[7]仍沿用傳統(tǒng)算法框架，但在特征抽取與表達(dá)部分使用深度神經(jīng)網(wǎng)絡(luò)代替手工構(gòu)建特征，雖然能夠大大提高各項檢測指標(biāo)，但時間開銷依舊很大。Deng[1]提出了一種基于候選區(qū)域的神經(jīng)網(wǎng)絡(luò)AVPN來提取車輛的位置，然后使用基于ZF模型分類的網(wǎng)絡(luò)來估計車輛的方向，雖然能夠有效提取車輛的方向，但這種復(fù)雜級聯(lián)系統(tǒng)時間開銷較大。Tang[8]提出了一種端到端的基于回歸的深度神經(jīng)網(wǎng)絡(luò)定向SSD，該方法可以一張航拍圖像為輸入可直接得到車輛的位置及方向，且時間開銷較小。

3 結(jié)語

本文作為一篇基于航拍影像下的車輛檢測的簡要綜述，首先介紹了該研究的背景、意義以及現(xiàn)有問題，然后介紹了該領(lǐng)域的研究現(xiàn)狀，分為基于人工構(gòu)造特征的傳統(tǒng)機(jī)器學(xué)習(xí)方法和擅于自動特征抽取與表達(dá)的深度神經(jīng)網(wǎng)絡(luò)的方法，現(xiàn)階段后者檢測效果的各項指標(biāo)明顯高于前者，但后者也存在模型復(fù)雜、計算資源開銷大等問題。關(guān)于該方向的研究，檢測效果和模型運(yùn)算開銷仍有優(yōu)化空間，該領(lǐng)域也仍有研究空間。

參考文獻(xiàn)：

[1]Deng，Z.;Sun，H.;Zhou，S.;Zhao，J.;Zou，H.Toward Fast and Accurate Vehicle Detection in Aerial Images Using Coupled Region-Based Convolutional Neural Networks.IEEE J.Sel.Top.Appl.Earth Obs.Remote Sens.2017，pp.1-13.

[2]Moranduzzo，T.;Melgani，F(xiàn).Automatic car counting method for unmanned aerial vehicle images.IEEE Trans.Geosci.Remote Sens.2014，52，1635-1647.

[3]Shao，W.;Yang，W.;Liu，G.;Liu，J.Car detection from high-resolution aerial imagery using multiple features.In Proceedings of the IEEE International Geoscience and Remote Sensing Symposium（IGARSS），Munich，Germany，22-27 July 2012;pp.4379-4382.

[4]Moranduzzo，T.;Melgani，F(xiàn).Automatic car counting method for unmanned aerial vehicle images.IEEE Trans.Geosci.Remote Sens.2014，52，1635-1647，

[5]Kluckner，S.;Pacher，G.;Grabner，H.;Bischof，H.;Bauer，J.A 3D teacher for car detection in aerial images.In Proceedings of the IEEE International Conference on Computer Vision，Rio de Janeiro，Brazil，14-21 October 2007;pp.1-8.

[6]evo，I.;Avramovi′c，A.Convolutional neural network based automatic object detection on aerial images.IEEE Geosci.Remote Sens.Lett.2016，13，740-744.

[7]Liu，K.;Mattyus，G.Fast multiclass vehicle detection on aerial images.IEEE Geosci.Remote Sens.Lett.2015，12，1938-1942.

[8]Tang T，Zhou S，Deng Z，et al.Arbitrary-Oriented Vehicle Detection in Aerial Imagery with Single Convolutional Neural Networks[J].Remote Sensing，2017，9（11）：1170.