由星载/机载设备采集的遥感视频是一种新兴的重要对地观测手段，其凭借时间域的高采样频率填补了一般遥感图像中连续时间信息缺失的不足，为大尺度城市动态监测任务提供了一种新的数据源。遥感视频动态监测旨在获取并记录感兴趣目标的活动轨迹、识别场景内的异常活动，其对城市交通监测、港口船舶监测、大型活动应急监控与军事目标监控有着潜在的实际意义。

遥感视频具有低信噪比、低空间分辨率、大数据量和由活动平台采集等特有机理，视频监测面临活动目标检测中的高误/漏检率、高计算延迟和多目标跟踪中精度不足等问题，定义了两个主要科学问题：

Ø  背景扰动下的弱信号、小目标活动检测；

Ø  检测精度欠佳条件下的多目标跟踪（多维数据关联）。

本人针对以上主要科学问题及其解决方案在遥感视频监测中的应用进行了系统且深入的研究，近五年取得以下代表性成果：

1）  活动信度辅助活动目标检测研究

在遥感视频中，静止目标局部误匹配是一项主要的误检源。遥感视频由低轨小卫星、高空热气球和飞行平采集，搭载平台的移动导致由三维空间向像平面投影的变化，造成了静止目标的局部误匹配。为抑制局部误匹配对活动目标检测的影响，提出了一种利用活动信度辅助活动目标检测的方法。根据局部误匹配与活动目标运动模式的差异，设计了一种活动目标信度的建模方法，利用该活动信度对活动目标进行正则化，有效地消除局部误匹配对检测结果的干扰。将该方法应用于由SkySat卫星、国产吉林一号卫星的卫星遥感视频和飞行平台获取的Wide Area Motion Imaginary（WAMI）数据，均有效地减少了局部误匹配造成的误检测，取得了显著的检测精度提升。部分成果发表学术论文：

[J1] Junpeng Zhang, Xiuping Jia, Jiankun Hu and Kun Tan (2021). Moving Vehicle Detection for Remote Sensing Video Surveillance with Nonstationary Satellite Platform. IEEE Transactions on Pattern Analysis & Machine Intelligence 01 (2021): 1-1

图1 活动信度辅助活动目标检测算法流程图

2）  基于结构先验的模糊、小活动目标检测研究

随机噪声是遥感视频活动目标检测中另一项主要背景扰动和误检测源。遥感视频具有低信噪比、低空间分辨率的机理，目标与背景对比度地且尺寸小，易与噪声相混淆。为降低由随机噪声造成的目标误检，提出了一种基于非等式约束和目标结构先验的低秩矩阵分解模型。该模型基于结构先验对活动目标的空间分布进行正则化，有效消除了由离散分布的随机噪声造成的误检；同时，非等式约束的引入有效地改善了该模型在不同数据上的稳健性。部分成果发表学术论文：

[J2] Junpeng Zhang, Xiuping Jia, and Jiankun Hu (2019). Error Bounded Foreground and Background Modeling for Moving Object Detection in Satellite Videos. IEEE Transactions on Geoscience and Remote Sensing 58, 2659-2669.

[C1] Junpeng Zhang, Xiuping Jia, and Jiankun Hu (2020). Low-rank Matrix Decomposition with Superpixel-based Structured Sparse Regularization for Moving Object Detection in Satellite Videos. ISPRS Annals of Photogrammetry, Remote Sensing Spatial Information Sciences 5(2).

[C2] Junpeng Zhang, Xiuping Jia, and Jiankun Hu (2019). Improved Low Rank plus Structured Sparsity and Unstructured Sparsity Decomposition for Moving Object Detection in Satellite Videos. 2019 IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2019).

3）  基于随机优化的在线活动检测研究

遥感视频具有大数据量的特点，基于矩阵分解的活动目标检测方法通常会导致高计算延迟。为降低处理延迟，提出了一种基于随机优化和结构先验的在线低秩矩阵分解方法，并对其理论收敛性进行了详细分析。本方法在多个数据集上展示了改善的计算延迟和检测精度。部分成果发表学术论文：

[J3] Junpeng Zhang, Xiuping Jia, Jiankun Hu and Jocelyn Chanussot (2020). Online Structured Sparsity-Based Moving-Object Detection from Satellite Video. IEEE Transactions on Geoscience and Remote Sensing 58, 6420-6433.

4）  基于二层网络流的多目标跟踪（多维目标关联）研究

受限于遥感视频中的高目标误检率，多目标跟踪面临无法正确初始和终止目标轨迹的挑战。为有效缓解该困难，提出了一种基于全局时间域信息的多目标跟踪方法。该方法通过最大后验法来选取最高信度的目标活动轨迹，并采用二层最小化代价网络流方法进行求解。全局时间域信息的引入有效地减少了遥感视频中多目标跟踪的误初始化与误终止。该成果荣获由APRS、IAPR和IEEE联合颁发的“Winner of DICTA 2018 - DSTG Best Contribution to Science Award ”（澳大利亚国防科工集团最佳贡献奖）。部分成果发表学术论文：

[J4] Junpeng Zhang, Xiuping Jia, Jiankun Hu and Kun Tan (2018). Satellite Multi-Vehicle Tracking under Inconsistent Detection Conditions by Bilevel K-Shortest Paths Optimization. 2018 Digital Image Computing: Techniques and Applications (DICTA 2018).

图2 二层网络流的多目标跟踪方法部分结果展示