基于动态贝叶斯网络的空基车辆检测.pdfVIP

应用动态贝叶斯网络的空基车辆检测方法 摘要——本文提出一种空基自动车辆检测系统。此系统有别于现有的空基车辆检测方 法的框架，并不是基于区域检测或滑动窗口检测，而是为车辆检测设计了一种像素分类的 方法。其新颖性在于，某区域中相邻像素间的相关性在特征提取的过程中得到了很好的保 留。我们考虑提取的特征主要包括车辆颜色和局部特征。对于车辆的颜色特征提取，我们 利用一种颜色转换来有效区分车辆颜色和非车辆颜色。对于边缘检测，我们运用矩保持技 术来自动调整Canny 边缘检测器的阈值，以此来提高在不同航拍图像中的检测的灵活性和 精确性。随后，我们构建一个动态贝叶斯网络（DBN ）来进行分类。我们将区域性的局部 特征转换成大量的观察数据，并通过DBN 运用到像素分类中。我们基于大量的航拍视频进 行了实验，结果表明，在不同高度和不同摄像头角度的航拍图像中，面对一系列具有挑战 性的数据，该方法都表现出了较好的灵活性和适应性。 关键词——空基监测，动态贝叶斯网络，车辆检测 一、简介 近几年，对于空基平台取得的航拍视频的分析已成为一个重要的课题【1】。该技术有着 广阔的应用前景，如军事、治安以及交通管理【2-4 】。与地面监测平台相比，空基平台更适 合于监视快速移动中的目标，并能够覆盖更大的空间区域。因此，空基平台监测已成为地面 平台监测的一个重要补充与发展。航拍图像分析问题中的一个重要课题是场景注册及调整 【1】【5】【6】。智能空基监测中另外一个重要的问题是车辆检测及追踪【7- 12】。空基车辆 检测面临的问题主要包括摄像头的运动，如平移、倾斜及旋转。另外，空基平台所处的不同 高度会造成目标物体成像的大小不一。 Hinz 和 Baumgartner 【7 】利用分层模型来描述不同层次的车辆特征细节。这一模型没 有假定某种特定的车辆模型，因此具有很强的灵活性。但该系统在背景较为薄弱或存在邻近 物体影响的情况下会丢失检测目标。Cheng 和 Butler 【8】对多重线索进行了研究，并与大 量专家一起将这些线索融合到航拍图像车辆检测中。他们运用均值漂移算法来进行色彩分 割，运用变化检测方法来进行运动的分析。此外，他们还为多尺度分析提出可训练的最大后 验概率方法以及上下文信息的执行方法。但是，该系统所用的运动分析算法并不能解决上述 的摄像头运动问题或复杂的背景变化问题。此外，在信息融合阶段，该算法严重依赖于色彩 分割的结果。 Lin et al. 【9】提出一种新的方法，对每一帧的背景色彩进行差分，再通过大小限制条 件对车辆显著区域进行提取。但是，该方法有过多的假定参数，如车辆的最大、最小尺寸， 以及机载摄像头的高度和焦点位置。在实际应用中，这些参数不会是事先可知的。【11】该 作者还提出一种基于级联分类器的移动车辆检测方法，该方法需要收集大量的正负样本用于 分类器训练过程。此外，多尺度滑动窗口是在检测阶段生成的。该方法最大的不足在于在旋 转平台上存在较高的漏检率。从以往采用级联分类器的人脸识别检测的经验来看，这样的结 果并不出人意料。在人脸识别中，如果用面部正面进行训练，那么有姿势表情的面部就很容 易被漏检。然而如果将不同姿势的面部加入到正样本库中，那么误报率会大大增加。 Choi 和Yang 【12】提出了一种利用车辆形状对称性的车辆检测算法。但是，利用对称 性容易导致误报，例如建筑物或路标的一些具有对称性的部分。因此，他们采用 log-polar 直方图形状描述符来验证待测目标的形状。但是，形状描述符是从一些特定的车辆模型中得 到的，因此该算法缺乏灵活性。此外，与【8】类似，【12】的算法依赖于色彩分割的均值漂 移聚类算法的结果。该方法最主要的缺点是，因为车顶和挡风玻璃通常颜色不同，所以一辆 车会被分割成不同的部分。另外，附近如果有类似颜色的车辆，就会被类聚到同一个区域中。 均值漂移分割算法的高计算复杂度也是我们需要考虑的。 本文提出了一种新的车辆检测框架，既保留了现有方法的优点，又有效克服了它们的缺 点。该系统框架的模块图如图1 所示。 图1 系统框架图 整个框架可被分为训练阶段和检测阶段。在训练阶段，我们提取多重特征，包括本地边 缘，角落特征以及车辆颜色，来训练一个动态贝叶斯网络（DBN ）。在检测阶段，我们首先 像【9】中那样将背景色彩移除。接着，我们进行和训练阶段相同的特征提取过程。我们利 用提取出来的特征来推测已训练的DBN 的未知状态，以此显示该像素点是否属于车辆。本 文并不进行区域分类，因为它严重依赖于