Adaboost 算法下的遥感影像与汽车识别率关系的研究

第1章 引 言

1.1 研究背景和意义
1.1.1 研究背景
人造地球卫星发射成功，大大推动了遥感技术的发展。1960 年美国发射的第一颗气象卫星标志着人类对地观测的新时代到来。从航空到航天观测地球并获取影像，是 20 世纪人类重大技术进步，卫星遥感已经成为人类观察、分析、描述地球环境的行之有效的手段[1]。经过 50多年的发展，已经形成了相当规模的多维、立体、动态的全球综合观测系统，为人类认知地球、气象预报、资源开发、环境保护、灾害监测、军事打击、分析全球变化等找到了新的途径。影像分辨率方面，随着航天技术的发展与遥感器性能的不断改进，尤其是商用小卫星的快速发展，卫星遥感影像的空间分辨率已经发展到了一个崭新的水平，其应用领域不断拓展，高分辨率卫星遥感数据分析与理解技术逐步成为遥感应用研究的热点问题，特别是高精度、高效率的目标自动识别一直是其中很大的技术难点，已经成为大规模应用的“瓶颈”[1]。
目前，遥感信息提取主要通过两个途径：一是目视解译，二是计算机信息提取。前者也称为目视判读，解译结果通常受到解译人员的感官、专业和经验的影响，并且人工判读效率低下一直是硬伤，部分学者对此问题进行过研究，如阎守邕等在 2006 年总结提出遥感影像群判读技术[2]这一新型的信息提取技术，经由人类认知、人机交互、系统构建和互联网络等途径，将数位、数十位乃至更多的判读人员有机的组合，以求实现优质高效的人工判读。后者一般通称为遥感信息提取，一直是研究中被广泛关注的重点[1]；如今，迅猛发展的航天遥感技术已经提供了具有高分辨率、全天时、全天候、实时/准实时的对地观测能力[3]，面对海量数据如何快速有效地对地物进行识别，提取地物信息一直是遥感数据处理领域的研究热点。
1.1.2 研究意义
迅猛发展的航天遥感技术已经提供了具有高分辨率、全天时、全天候、实时/准实时的对地观测能力[3]，面对海量数据如何快速有效地对地物进行识别，提取地物信息一直是遥感数据处理领域的研究热点，近年来，很多学者对相关问题进行了深入研究。熊秩群采用面向对象的图像分类技术，利用 QuickBird 卫星图像进行了上海市区绿地信息提取[4]；李彦利用小波变换方法对遥感影像进行特征提取，利用图像特征进行高斯混合建模来识别影像中的关键目标[5]；王志伟通过目标影像子窗口归一化提取目标的若干个不变矩特征作为BP神经网络的输入向量的方法，对 1m 分辨率卫星影像中机场上的停留客机的识别进行了研究[6]；JensLeitloff 在高分辨率影像上划分出感兴趣区域，利用支持向量机方法，对高速公路和停车场上的汽车进行识别[7]。计算机信息提取是指利用计算机，从原始数据中按一定要求识别和提取特定信息的过程，从方法论角度来看，主要是各种高效的算法被应用于遥感信息提取，特别是近年来被广泛的用于数据挖掘的机器学习算法，如上面提到的 BP 神经网络、支持向量机等，已经大量的应用于遥感信息提取（参见表 1-1），虽然某些方面还有待改进和提高，但是基本已经实现了计算机的自动信息提取。
从识别效果来看，面向对象信息提取、基于专家知识的决策树、支持向量机以及BP神经网络等方法能够从一定程度上提高地物识别的自动化程度和识别效率。面向对象信息提取和基于专家知识的决策树常见于从遥感影像上提取绿地信息或是地物分类的研究中[8-11]，两种方法都比较依赖波段信息；支持向量机和 BP神经网络这两种方法较之面向对象信息提取和基于专家知识的决策树而言，对诸如飞机和汽车等小尺度目标识别会有更加好的效果[6-8]，可是也存在不足之处。比如 BP 神经网络的最大缺点在于算法效率低，训练出分类器速度慢，学习过程中易陷入局部极小和易出现振荡现象[12,13]导致训练分类器失败。支持向量机方法虽然不需要大规模的训练样本来确定分类决策，且效果优于 BP 神经网络，但容易出现过拟合或训练不足的问题，并且很难通过增大样本容量来提高识别率；在实际应用中，核函数及其参数的选择往往依赖经验，常常因核函数选择或是参数设置的不合理导致分类器训练失败；此外，经典的支持向量机算法只给出了二类分类的算法，而在数据挖掘的实际应用中，尤其是土地分类问题，一般要解决多类的分类问题[10]；从应用角度来看，支持向量机方法目前只能用于内容较为单一的小块影像[7]。
 
   1.2 研究内容和技术路线 .....................14-16
        1.2.1 研究内容 .....................14-15
        1.2.2 技术路线 .....................15-16
第2章 Haar 特征与机器学习算法 .....................16-24
    2.1 Haar 特征 .....................16-19
    2.2 机器学习 .....................19-21
    2.3 Adaboost 算法 .....................21-22
    2.4 OpenCV 简介 .....................22-24
第3章 数据预处理 .....................24-33
    3.1 影像预处理 .....................24-27
        3.1.1 WorldView 影像简介 .....................25
        3.1.2 样本准备 .....................25-27
    3.2 样本输入及分类器训练 .....................27-30
    3.3 负样本的作用 .....................30-33
第4章 汽车目标识别 .....................33-43
    4.1 程序设计 .....................33-35
    4.2 代码说明 .....................35-40
        4.2.1 变量说明 .....................35-39
        4.2.2 函数说明 .....................39-40
    4.3 识别结果统计 .....................40-43
        4.3.1 汽车识别效果 .....................40-41
        4.3.2 识别精度评价 .....................41-43
第5章 影像分辨率对识别率的影响 .....................43-53
    5.1 影像退化处理 .....................44-47
    5.2 识别结果统计 .....................47-50
    5.3 影像分辨率与汽车识别率的关系 .....................50-52
    5.4 影像分辨率变化对错检率的影响 .....................52-53

结论

本文在简要总结前人研究成果的基础上，通过实验论证了在 Visual C++和OpenCV 平台下，从遥感影像上提取汽车的 Haar 特征、并利用 Adaboost 算法训练分类器的目标识别方法可以应用于高分辨率遥感影像上的汽车识别；并在此基础之上，深入探究了影像分辨率的改变对识别结果所产生的影响，从应用的角度，以汽车为例说明了遥感影像的尺度问题。
提取地物的 Haar 特征并利用 Adaboost 算法训练分类器的识别技术可以应用于高分辨率遥感影像上的小地物识别，并且效果较好，速度快；本文以汽车识别为例说明了这个问题。由第 4 章中的表 4-2 可以看出，经由500 个正样本所训练出来的分类器用于高分辨率遥感影像上待测区域中的汽车检测，其识别率均超过 70%以上，而平均错检率不高于 20%，效果还是比较令人满意的，且检测时间都在毫秒内，识别的速度很快。另外，通过文献检索可以发现，这种目标识别技术近些年的应用主要集中于人脸的检测和相机或是摄像机中的汽车检测，还没有应用于遥感影像上的地物检测的先例，因此，本研究在一定程度上拓展了这种目标识别技术的应用领域；同时，因为 Adaboost 算法较之其他相关已经广泛应用监督分类的机器学习算法（参见表 1-1）具有很多优势，但目前还未能广泛的应用于地物信息自动提取或是土地利用分类中，因此，本文的研究也能为其他研究者提供参考。