光学遥感影像中的对象检测方法

1.导读

光学遥感影像中的对象检测是航空和卫星图像分析领域的一个基本而又具有挑战性的问题。它是遥感领域的一大研究热点，对于多个领域的研究起着重要的作用，其理论与方法也为基于DEM的地形信息提取提供了参考。遥感影像中的对象检测具体有哪些方法？各种方法有哪些具体步骤？程塨副研究员*对通用对象检测的文献进行了深入的研究，他将270篇文献的方法分为了四类，通过整理提炼，构建了一个系统、有效的对象检测方法框架。

2.背景

光学遥感影像中的对象检测是分析给定的航空或卫星影像中是否包含一个或多个对象，并标定出图像中每个预测对象的位置，对环境监测，地质灾害检测，土地利用和土地覆盖（LULC）制图，地理信息系统（GIS）更新、精准农业和城市规划等领域起着重要的作用。但遥感影像中的对象检测往往面临着不断增加的挑战，包括视点变化，遮挡，背景杂波，照明，阴影等引起的物体视觉外观的巨大变化，遥感影像在数量和质量上的爆炸性增长等。目前，虽然在这方面已有大量的研究，但仍然缺乏对现有的通用对象检测的理论与方法的深入研究。

3.内容概述

文章对光学遥感影像中的通用对象检测方法进行了研究，将对象检测方法分为了四类，介绍了五种公开可用的数据集，还讨论了当前研究中存在的问题和挑战，并为今后的研究提出了两个有希望的研究方向，以构建更加系统、有效的对象检测框架。

3.1 对象检测方法

图1显示了地理空间对象检测研究的分类，利用遥感影像进行对象检测的方法可以分为四大类：基于模板匹配的方法，基于先验知识的方法，基于面向对象影像分析（OBIA）的方法和基于机器学习的方法。

图1 光学遥感影像中对象检测方法的分类

基于模板匹配的对象检测框架主要有两个步骤：模板生成和相似性度量。最常见的相似性度量是像素灰度差的绝对值和(SAD)、像素灰度差平方和(SSD)、归一化互相关(NCC)和欧氏距离(ED)。根据用户选择的模板类型，基于模板匹配的对象检测方法还可进一步分为刚性模板匹配（Rigid template matching）和可变形模板匹配（Deformable template matching）两类。基于先验知识的对象检测方法通常通过建立各种知识和规则将对象检测问题转化为假设检验问题，再进行后处理 (Post-processing)，最终得到检测结果。对于目标对象的两种最广泛使用的先验知识是几何知识和背景知识。基于OBIA的对象检测方法包括两个步骤：图像分割和对象分类。首先根据选择的尺度、形状和紧凑性标准 (Compactness criteria)，将图像分割成具有相对均匀像素组的对象。第二步，对这些对象进行分类。在基于机器学习的方法中，特征提取，特征融合和降维、分类器训练是最为关键的三个步骤，在对象检测中起着最重要的作用。特征提取中主要研究五类典型特征，包括梯度方向直方图（HOG）特征、词袋（BoW）特征、纹理特征、稀疏表示（SR-based）特征和Haar-like特征，分类器训练主要包括对支持向量机（SVM）、AdaBoost、最近邻算法（NN）、条件随机场（CRF）、基于稀疏表示的分类（SRC）和人工神经网络（ANN）6种机器学习算法。

3.2 五个公开可用的数据集

1)NWPU VHR-10 dataset：10级地理空间物体检测数据集，可用于单类和多类物体检测。

2)SZTAKI-INRIA building detection dataset：用于基准建筑物提取算法，包含了665个建筑物的矩形轮廓，以及手动标注的地面实况数据。

3)TAS aerial car detection dataset：包含1319个手动标记的汽车。

4)Overhead imagery research dataset (OIRDS) ：为车辆检测算法设计的数据集，是一个大约900张航拍图像的大集合。

5)IITM road extraction dataset：该数据集由200幅多幅卫星图像组成，其中100幅图像为发达国家，100幅图像为新兴国家，基于视觉观测和地理定位，被分为四类，每类50个图像。

3.3 未来的研究方向

3.3.1基于深度学习的特征表示

一方面，可以通过深层次的神经网络以自动化方式直接从数据中提取深度学习特征；另一方面，与用于特征表示（如稀疏编码）的传统浅层学习技术相比，神经网络的深层架构可以提取更强大的特征表示。

3.3.2基于弱监督学习的地理空间对象检测

目前，基于监督学习的对象检测方法需要大量的训练样本和精确的手动标注来训练有效的检测器，弱监督学习（WSL）可以大大减少人为手动标注的工作量，其训练集只需要二进制标签来指示图像是否包含目标对象。

4.总结

在过去的几十年中，专家与学者们已经做出了相当大的努力来检测不同类型物体。 在这篇论文中，作者带领我们回顾了该领域的发展和最新进展，将这些方法大致分为四类，分别进行了详尽的阐述，并总结了五个公开可用的数据集。 此外，还讨论了当前研究所面临的挑战，并提出了两个未来的研究方向。基于DEM的信息提取是数字地形分析中的一个重要研究方向，本文阐述的理论与方法对在DEM中进行信息提取也有非常重要的意义。

参考文献

[1]Cheng, G., Han, J., 2016. A survey on object detection in optical remote sensing images. ISPRS J. Photogramm. Remote Sens. 117, 11-28.

[2]*程塨副研究员致力于计算机视觉、模式识别、深度学习、遥感图像处理与分析等方面的研究，发表国际期刊论文和国际会议论文30余篇，其中：SCI收录20余篇，ESI高被引论文9篇，ESI热点论文5篇。本期文献发表于ISPRS Journal of Photogrammetry and Remote Sensing期刊