概述遥感技术图像之目标检测及运动目标跟踪
第一章 绪论
本章分析了遥感图像目标检测以及运动目标跟踪问题的研究背景、意义，并总结了该领域国内外的发展动态和需要解决的问题，在此基础上，确立本文的研究目的、范围和研究方向，概括本文的结构与工作内容。
1.1 研究背景和意义
20世纪 60年代以来，随着计算机科学和空间技术的进步，遥感技术，包括传感器技术、航天航空平台技术以及数据通信技术都得到了飞跃式的发展。作为大范围综合性的对地观测手段，遥感对地观测呈现出多平台、多传感器和多角度的发展趋势，所获得的遥感图像也表现出高空间分辨率、高光谱分辨率和高时间分辨率的特点。
遥感技术凭借其迅猛的发展以及在获取地面信息方面所特有的优势，广泛地应用到军事和国民经济的各个领域。在国防和军事领域，世界各国都十分重视遥感技术在军事上的应用，这已经成为国家军事实力竞争的关键之一。尤其是自从海湾战争以来，多时相、高分辨率的星载遥感成像技术和机载遥感对地观测技术被大量应用于战场动态分析、打击效果评估、军事目标检测、武器导航、导弹预警、目标跟踪等现代战争的各个方面。在国民经济领域，研究者们通过各种技术手段分析遥感影像中颜色、纹理、规则度等特征及其变化，解译地物类型之间、目标与背景之间的映射关系，从中提取有用信息，以服务于交通、农林、环境监测、海洋研究、大气研究、气候变化监测、资源勘探以及地形测绘等方面的应用。总之，遥感技术已经在国防军事建设、城市建设、自然科学研究中体现出重要的应用价值。
遥感图像目标检测就是通过一些技术手段，在遥感图像中搜索定位感兴趣的目标，并进行识别和确认的过程。更高级别的目标检测是在保证处理结果可靠性的同时，还能获取对于目标的定量描述信息，包括轮廓尺寸、部件结果、置信度等。运动目标跟踪则是在局部战场环境下，监视跟踪特定运动目标，获取其运动参数的过程。作为众多的遥感具体应用中的一个重要方面，基于遥感图像的目标检测和运动目标跟踪技术无论是在军事领域还是在民用领域都有着广泛的应用和发展前景。
1.2 国内外发展现状
应用上的需求对于遥感技术以及基于遥感图像的目标自动检测和跟踪技术的发展起到了巨大的促进作用。最近一个世纪以来，遥感技术在遥感模式上经历了从航空到航天再到多源遥感协同的发展历程；在数据存储上经历了从无介质记录到胶片记录再到数字记录的过程。而伴随着遥感数据的多样化、分辨率的提高，遥感数据处理分析也不再仅仅依赖于图像数据的统计联系，模式识别、机器学习、计算机视觉等技术在遥感图像处理中都得到广泛的应用。
1.2.1 遥感技术的发展现状
在飞机出现之前，遥感还是通过无记录的望远镜观察、热气球空中摄影等方式进行。在第二次世界大战以后，许多国家开始系统的研究和总结航空遥感的方法、理论和应用，并成立了许多专业的学术团体，使得航空遥感逐渐进入到实用化和业务化的阶段。
1957 年人类第一颗人造地球卫星的成功发射，标志着人类的空间对地观测技术进入一个新的发展时期。1960年，美国成功发射了TIROS-1和 NOAA-1卫星，是人类第一次从航天器上对地进行长期观测。军事方面的需求极大的促进了航天遥感技术，包括传感器技术、卫星平台技术以及信息传输技术的发展。世界上主要的航天大国相继研制并发射了各种遥感卫星，许多卫星都是以对地观测为主要目的。同时，一些国家的卫星遥感技术也开始向商用化转移，目前，在轨运行的各种军事和商业高分辨率遥感卫星有几十颗，还有一些高分辨率卫星也在计划发射。其中军事侦察卫星分辨率很高，例如美国H;系列（锁眼系列）卫星的空间分辨率已经达到 0.1m 以下。一些商业卫星也达到了很高的分辨率，法国2021年发射的光学成像遥感卫星Pleiades，全色分辨率为0.7m。美国DigitalGlobe公司的QuicBird(0.6m)、WorldView-1(0.5m)、WorldView-2(0.46m)卫星的全色图像空间分辨率都达到了0.5m 左右；GeoEye公司的 IONOS(0.82m)、OrbView-3(1m)、GeoEye-1(0.41m)也达到相近的分辨率，而目前Google卫星地图数据就主要来源于GeoEye-1。2021 年9 月这两个公司合并，并计划推出 GeoEye-2，其设计全色分辨率将达到0.34m。表1.1是近年来一些典型的高分辨率卫星的信息。
第二章 遥感成像探测基础
本章首先介绍遥感探测常见的成像方式，分析现代遥感图像的特点。 随着光学遥感图像的分辨率越来越高，遥感图像特征描述方法也发生了一些改变，本章对这些理论以及研究成果做了系统的介绍。
2.1 遥感成像方式和遥感图像的特点
2.1.1 遥感成像方式
电磁能量通过装置于静止或运动遥感平台上的传感器进行测量。目前，技术较为成熟稳重的且能够服务于综合应用的遥感平台主要有航空遥感平台和航天遥感平台。运用于遥感的传感器可分为两种类型：被动传感器和主动传感器。被动传感器探测到的是由被观测目标发射或反射的自然辐射，仪器本身无辐射源。典型的被动传感器包括：航空相机、辐射计、成像传感器、光谱辐射仪等。主动传感器具有向观测视场发射电磁辐射的功能，并通过接收目标视场发射或后向散射的辐射能量。典型的主动传感器：雷达、合成孔径雷达、干涉合成孔径雷达、散射计、激光雷达、激光测高仪。
航天遥感的高分辨率光学图像主要通过各种被动成像传感器来获取。如图 2.1所示，星载成像系统主要有四种成像方式，(1)沿轨线阵推扫型(along trac pushbroom scanning)；(2)交叉轨道扫描型(cross trac scanning)；(3)圆锥扫描型(conical scanning)；(4)步进凝视型(step-stare framing)。
这四种成像方式并不一定严格独立，星载遥感探测对成像方式的选择主要取决于：成像分辨率的需求、探测器技术以及如何处理载体平台、成像系统本身的运动和地球的自转之间的关系。由于运用了卫星本身的运动来完成部分或者全部的扫描过程，线阵推扫是复杂度最低且应用最为广泛的方式，它主要用于区域图像的采集。交叉扫描方式通常也被用于区域图像的采集，但获得的图像分辨率没有线阵推扫高。圆锥扫描是最有效率的区域采集技术，但分辨率更低，由于其观测视场的可变性，圆锥扫描基本用于舰船检测以及气象学应用。步进凝视十分适宜于对小范围区域或者随机点目标成高分辨率图像。
航空遥感的应用比航天遥感要早得多，在第一颗人造地球卫星成果发射的时候，航空遥感已经进入到实用化和业务化的阶段。航空遥感技术成熟稳重、分辨率高、不需要复杂的地面处理设备，广泛用于大面积地形测绘和小范围详查和局部监测。航空遥感通常包括成像遥感和非成像遥感。目前，航空遥感的成像方式有航空摄影、侧视雷达、多谱段扫描等，非成像遥感包括微波探测、地物波谱测试以及激光测量等。
2.2 遥感图像的特征分析
2.2.1 遥感图像中的特征表述
虽然已经有多种类型的遥感数据，光学遥感图像仍然是最重要的遥感探测数据源。高分辨率遥感图像使得人们能够在更小的空间尺度上对地表的目标进行监测和侦察。而图像场景模型的描述和建立以及相关的处理算法依赖于要解决的任务（如地物目标的检测与提取、场景分类等）和对象的描述层次。对于一幅遥感图像，场景模型的描述是层次化的，可以分为三个不同的层次进行描述，包括底层描述（全局特征和分块特征）、中层描述（语义目标、局部词汇、语义属性）、高层描述（结构语义、关联语义、其它先验语义）。
遥感图像场景在较大范围内呈现丰富的变化，不同的任务关注的图像描述有所不同，场景分类和解译过程和目标检测识别过程存在较大差异。场景分类相对于目标检测检测识别而言，更多的关注高层的语义描述，无需感知场景中的具体目标；而针对目标检测识别，目前的很多研究还是集中于对图像的中低层特征描述。
图像低层特征可以分为全局特征与局部特征（分块特征）。从目标检测角度分析，基于全局特征的目标检测通常属于一个求异的过程;，它结合多种特征，利用目标与背景之间、不同时间之间的差异来提取目标。基于局部特征的目标检测通常是一个求同过程;，它寻找的是图像局部区域特征描述的完全匹配。
人类通常习惯视觉系统在感知场景过程中承担更多的信息处理任务，为了实现对光学遥感图像的快速解译与感兴趣目标的检测与提取，研究者提出了多种图像特征表述与提取方法。随着人们逐渐理解生物是如何通过视觉系统感受和分析场景图像的，在现代计算机领域，研究者们结合生理学与认知心理学提出了一系列的视觉显著特征。它是从人类视觉系统的认知机制出发，依据视觉心理学实验，用图像表示视觉刺激，将图像特征转化为视觉感知的显著性。
第三章 高分辨率遥感图像目标检测 ................ 21
3.1 遥感图像目标检测的预处理.................... 21
3.2 视觉注意机制与视觉注意模型............................ 23
3.2.1 视觉注意机制.................. 23
3.2.2 视觉注意模型 ................................ 24
第四章 遥感运动目标检测与跟踪 ....................... 47
4.1 运动目标检测算法.......................... 47
4.2运动目标跟踪算法.................... 50
第五章 总结与展望............. 59
第四章 遥感运动目标检测与跟踪
本章首先对典型的运动目标检测方法进行了总结，然后在分析 MeanShift 和alman 滤波两种經典运动目标跟踪算法的原理和特点的基础上，把两者的特性结合起来，实现了一种更有效的运动目标跟踪。
4.1 运动目标检测算法
对于运动目标，我们在实际的应用中关注的通常不仅仅是目标的位置与区域，同时会希望得到每个运动目标的运动轨迹与运动速度，所以运动目标检测与跟踪通常是紧密联系的，一个完整的运动目标跟踪系统一般包括两个部分：运动目标检测和运动目标跟踪。
运动目标检测处于视频数据处理分析的最底层，是运动目标跟踪的基础。其具体过程是，依据感兴趣的运动目标特征，对视频序列进行分析，把运动目标从背景中分割出来。目前，广泛使用的运动目标检测算法有：帧间差分法、背景差分法和光流法。针对各种不同的应用场合和背景环境，很难有同时具有普适性和稳定性的算法，研究者通常在这三种运动目标检测算法的基础上做一些改进来处理一些特定的复杂情况。运动目标检测算法的基本框架如图4.1所示。
第五章 总结与展望
遥感的广泛应用极大的促进了遥感技术以及相应的数据处理技术的发展。基于高分辨率遥感图像的目标检测以及无人机对运动目标的跟踪受到国内外研究人员的广泛关注，发展高效、及时的遥感目标检测和跟踪算法成为研究热点。
具体完成的工作如下：
文章首先总结了遥感图像的特征分析理论以及人类视觉认知机制；然后针对高分辨率中的团块型目标，综合运用背景抑制、图像增强、视觉显著性检测、图像分割等算法，有效地实现了对遥感图像中团块型目标的检测与提取；同时针对无人机拍摄的视频序列，分析已有运动目标跟踪算法的不足，利用alman 滤波对目标运动现实的估计特性，改进原有的CamShift 跟踪算法，更有效的实现了运动目标跟踪。
(1) 介绍了遥感探测的基本理论，包括星载和机载的遥感成像方式以及相应的图像特点；总结了目前较为成熟稳重的图像特征描述方法及其有效性分析，并详细介绍了几种典型的初级视觉特征。
(2) 针对遥感图像目标特征与尺度的多样性以及地物背景的复杂性，在分析了人类视觉注意机制的基础上， 提出一种新颖的，综合了图像局部与整体的亮度差异以及Center-Surround 方向一致性差异的视觉刺激描述模型结构化对比度模型。并把这种多特征融合的模型，应用到高分辨率遥感图像中的团块型目标的检测算法中。
(3) 综合运用背景抑制、图像增强、视觉显著性检测、图像分割等算法，有效地实现了对遥感图像中团块型目标的检测与提取。
(4) 针对无人机拍摄的视频序列，在总结分析已有运动目标跟踪算法的基础上，利用alman滤波能够准确估计目标运动现实的特性，改进原有的 CamShift跟踪算法，更有效的实现了运动目标跟踪。
以上的工作中，还有很多不足之处，需要进一步的研究和完善：
(1) 需要更合理的遥感图像目标检测的显著性模型，把自底向上;与自顶向下;的视觉注意机制结合起来，利用目标的先验特征。
(2) 需要更好的目标分割方法，可以考虑在确定视觉注意焦点的基础上，利用局部区域的图像分割，更快速、更准确的分割出目标区域。
(3) 本文没有把运动目标检测与运动目标跟踪统一起来形成一个自动处理的系统。
参考文献（略）