本文關(guān)鍵詞：基于強(qiáng)監(jiān)督部件模型的遙感圖像目標(biāo)檢測(cè)

  更多相關(guān)文章： 目標(biāo)檢測(cè) 遙感圖像 部件模型 混合模型 強(qiáng)監(jiān)督

【摘要】：針對(duì)遙感圖像中由于背景復(fù)雜、目標(biāo)外觀多樣和方向任意而導(dǎo)致的檢測(cè)精度不高的問題,提出一種基于強(qiáng)監(jiān)督的部件模型方法.該方法針對(duì)目標(biāo)的每個(gè)方向范圍訓(xùn)練子模型,同時(shí)訓(xùn)練集除了標(biāo)注出目標(biāo)的外接矩形,還標(biāo)注出每個(gè)部件的位置及其語(yǔ)義.模型訓(xùn)練時(shí),首先,通過對(duì)訓(xùn)練集圖像建立多尺度方向梯度直方圖(HOG)特征金字塔,且根據(jù)目標(biāo)部件標(biāo)注信息采用最小生成樹(MST)算法初始化模型結(jié)構(gòu);其次通過隱支持向量機(jī)(LSVM)方法訓(xùn)練出多個(gè)對(duì)應(yīng)不同方向區(qū)域的子模型,每個(gè)子模型由一個(gè)目標(biāo)濾波器和多個(gè)兩倍分辨率的部件濾波器,以及位置關(guān)系模型組成,多個(gè)子模型最終合并成用來檢測(cè)的混合模型.目標(biāo)檢測(cè)時(shí),類似地建立多尺度特征金字塔,然后利用訓(xùn)練濾波器模型在特征金字塔上以滑動(dòng)窗口的方式計(jì)算匹配響應(yīng)得分,對(duì)響應(yīng)得分設(shè)置閾值且采用非極大值抑制(NMS)算法來獲得優(yōu)化后的檢測(cè)結(jié)果.該方法在自建的遙感數(shù)據(jù)集上目標(biāo)檢測(cè)精度達(dá)到了89.4%,對(duì)比弱監(jiān)督部件模型(DPM)、分類器模板集成(Exemplar-SVMs)和方向梯度直方圖-支持向量機(jī)(HOG-SVM)方法中的最高精度,所提方法提升了4個(gè)百分點(diǎn).實(shí)驗(yàn)結(jié)果表明,所提算法能夠在解決方向和背景復(fù)雜問題上有一定的提升,而且可以應(yīng)用于機(jī)場(chǎng)軍事飛機(jī)目標(biāo)檢測(cè).
【作者單位】： 上海交通大學(xué)自動(dòng)化系;系統(tǒng)控制與信息處理教育部重點(diǎn)實(shí)驗(yàn)室;
【關(guān)鍵詞】： 目標(biāo)檢測(cè) 遙感圖像 部件模型 混合模型 強(qiáng)監(jiān)督
【基金】：國(guó)家973計(jì)劃項(xiàng)目(2012CB719903) 國(guó)家自然科學(xué)基金委創(chuàng)新研究群體資助項(xiàng)目(61221003) 國(guó)家自然科學(xué)基金青年科學(xué)基金資助項(xiàng)目(41101386)~~
【分類號(hào)】：TP751
【正文快照】： 0引言目標(biāo)檢測(cè)是高分辨率遙感圖像處理重要的應(yīng)用任務(wù)之一,其在防災(zāi)減災(zāi)、區(qū)域檢測(cè),軍事制導(dǎo)等領(lǐng)域都將發(fā)揮極其重要的作用.，

本文編號(hào)：1058707