發(fā)布時(shí)間：2018-03-31 13:32

  本文選題：分米級(jí)可見光遙感圖像　切入點(diǎn)：車輛目標(biāo)檢測(cè)　出處：《武漢大學(xué)》2016年博士論文

【摘要】：遙感圖像特定目標(biāo)檢測(cè)一直是圖像處理領(lǐng)域研究的熱點(diǎn)之一。分米級(jí)可見光遙感圖像能夠獲取米級(jí)可見光圖像所缺失的紋理細(xì)節(jié)信息,物體結(jié)構(gòu)比SAR圖像等更接近人眼視覺感知的目標(biāo)特點(diǎn),但是數(shù)據(jù)量也遠(yuǎn)高于以往的遙感圖像。因此,需要研究能夠適應(yīng)分米級(jí)可見光遙感圖像特點(diǎn)的在線目標(biāo)檢測(cè)算法,滿足更高精度和速度的遙感圖像處理需求。本文課題來源于中科院合作項(xiàng)目《光學(xué)遙感圖像復(fù)雜目標(biāo)處理系統(tǒng)》,將遙感圖像中車輛目標(biāo)作為檢測(cè)對(duì)象,對(duì)分米級(jí)可見光大幅面遙感圖像特定目標(biāo)在線檢測(cè)算法進(jìn)行研究,完成了以下幾項(xiàng)工作：對(duì)分米級(jí)分辨率遙感圖像特定目標(biāo)檢測(cè)算法進(jìn)行了全面的綜述研究,根據(jù)分米級(jí)遙感圖像數(shù)據(jù)量大、目標(biāo)結(jié)構(gòu)清晰的特點(diǎn),提出了特定目標(biāo)檢測(cè)算法的框架：首先對(duì)原始遙感圖像進(jìn)行快速篩選,找到疑似目標(biāo)窗口；然后對(duì)候選窗口采用高精度復(fù)雜分類器進(jìn)行檢測(cè),剔除負(fù)樣本,得到真實(shí)目標(biāo)。本文主要對(duì)候選目標(biāo)快速提取算法和復(fù)雜分類器檢測(cè)算法進(jìn)行研究,并在8核DSP平臺(tái)上實(shí)現(xiàn)了遙感圖像特定目標(biāo)的在線檢測(cè)。原始大幅面遙感圖像擁有海量的數(shù)據(jù),使用復(fù)雜分類器直接處理,計(jì)算量大,效率低,本文采用基于置信度聯(lián)合校準(zhǔn)的候選目標(biāo)快速提取算法得到目標(biāo)的候選窗口。算法首先采用多閾值二值化梯度范數(shù)提取通用目標(biāo)特征,然后采用級(jí)聯(lián)支持向量機(jī)計(jì)算候選窗口附近區(qū)域置信度,使用多個(gè)高置信度分值校準(zhǔn)目標(biāo)位置。通過在慕尼黑車輛公開數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)表明,基于置信度聯(lián)合校準(zhǔn)的候選目標(biāo)快速提取算法在檢測(cè)率為98.6%時(shí),生成的窗口數(shù)量為滑動(dòng)窗口算法的1/14,有效降低了后續(xù)復(fù)雜分類器的處理負(fù)擔(dān)。初步篩選出的候選窗口中存在較多負(fù)樣本,本文采用基于多閾值最大梯度范數(shù)預(yù)處理的深度卷積神經(jīng)網(wǎng)絡(luò)剔除負(fù)樣本,得到真實(shí)目標(biāo)。檢測(cè)算法先計(jì)算遙感目標(biāo)在多個(gè)閾值下的最大梯度范數(shù)圖,增強(qiáng)目標(biāo)被樹木和建筑物陰影遮擋時(shí)的輪廓；然后采用深度卷積神經(jīng)網(wǎng)絡(luò)提取樣本的深層不變性特征,使用Caffe模型訓(xùn)練和測(cè)試網(wǎng)絡(luò),減少訓(xùn)練周期�；诙嚅撝底畲筇荻确稊�(shù)預(yù)處理的深度卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)算法增強(qiáng)了目標(biāo)被干擾時(shí)的邊緣輪廓,對(duì)于平移、旋轉(zhuǎn)和縮放具有更好的魯棒性。傳統(tǒng)的深度卷積神經(jīng)網(wǎng)絡(luò)采用max-pooling提取圖像固定尺度下的特征,難以兼顧目標(biāo)的整體和細(xì)節(jié)信息,且容易過擬合,使得算法準(zhǔn)確度下降。本文提出了基于多項(xiàng)式池化金字塔的深度卷積神經(jīng)網(wǎng)絡(luò),將特征圖由粗到細(xì)分為多個(gè)尺度,統(tǒng)計(jì)每個(gè)尺度的概率分布模型,將概率模型的采樣結(jié)果和幅值期望分別作為訓(xùn)練和測(cè)試輸出,減少過擬合問題；并對(duì)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練和微調(diào),增強(qiáng)泛化能力�；诙囗�(xiàng)式池化金字塔的深度卷積神經(jīng)網(wǎng)絡(luò)在慕尼黑車輛公開數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)表明,查全率為95%時(shí),算法準(zhǔn)確率為93.3%,虛警率為17.7%,檢測(cè)效果顯著提升。在嵌入式8核DSP TMS320C6678平臺(tái)上實(shí)現(xiàn)了完整的遙感特定目標(biāo)在線檢測(cè)算法。本文將候選目標(biāo)快速提取算法和深度卷積神經(jīng)網(wǎng)絡(luò)算法移植到嵌入式多核DSP平臺(tái)中,利用8個(gè)DSP核并行計(jì)算多閾值梯度范數(shù)、卷積和池化等步驟,實(shí)驗(yàn)表明,嵌入式平臺(tái)算法處理尺寸為5616*3744的圖像時(shí),并行加速比為6.01,總耗時(shí)為0.11秒,實(shí)現(xiàn)了大幅面遙感圖像特定目標(biāo)的在線檢測(cè)。候選目標(biāo)提取算法的目的是從原始遙感圖像中找出疑似目標(biāo)窗口,查全率要盡可能高,虛警樣本會(huì)在后續(xù)強(qiáng)分類器中剔除,因此,本文使用DR-#WIN曲線、查全率和計(jì)算量作為衡量算法性能的標(biāo)準(zhǔn)。后續(xù)的特定目標(biāo)檢測(cè)算法精確判斷疑似窗口是否為實(shí)際目標(biāo),在提高查全率的同時(shí),需要減少誤識(shí)樣本,因此,本文使用查全率、準(zhǔn)確率和虛警率作為衡量算法性能的標(biāo)準(zhǔn)。通過在具備高難度和高挑戰(zhàn)性的慕尼黑車輛公開數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)表明,本文提出的算法比HOG、LBP和MVC等算法的檢測(cè)效果更好,計(jì)算時(shí)間更少,滿足遙感處理系統(tǒng)特定目標(biāo)在線檢測(cè)的要求。
[Abstract]:Remote sensing image specific target detection has been one of the hot topics in the field of image processing . The sub - meter - level visible - light remote sensing image can acquire the texture detail information missing from the meter - level visible light image , and the object structure is closer to the target characteristic of human eye visual perception than the SAR image , but the data amount is much higher than that of the conventional remote sensing image .
This paper studies the candidate target fast extraction algorithm and complex classifier detection algorithm , and then uses a cascade support vector machine to calculate the target position . The algorithm firstly calculates the maximum gradient norm map of the remote sensing target under multiple thresholds , and enhances the contour of the target by the shadow of trees and buildings .
A deep convolution neural network based on multi - threshold maximum gradient norm pretreatment is used to improve the edge profile when the target is disturbed .
In this paper , we use DR - # WIN curve , accuracy rate and false alarm rate as the standard to measure the performance of remote sensing image .

【學(xué)位授予單位】：武漢大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP751

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 汪沛;羅錫文;周志艷;臧英;胡煉;;基于微小型無人機(jī)的遙感信息獲取關(guān)鍵技術(shù)綜述[J];農(nóng)業(yè)工程學(xué)報(bào);2014年18期

2 李德仁;李明;;無人機(jī)遙感系統(tǒng)的研究進(jìn)展與應(yīng)用前景[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2014年05期

3 史偉國(guó);周立民;靳穎;;全球高分辨率商業(yè)遙感衛(wèi)星的現(xiàn)狀與發(fā)展[J];衛(wèi)星應(yīng)用;2012年03期

4 高珍;鄧甲昊;孫驥;宋崧;;微型無人機(jī)圖像無線傳輸系統(tǒng)方案與關(guān)鍵技術(shù)[J];北京理工大學(xué)學(xué)報(bào);2008年12期

5 孔斌;人類視覺與計(jì)算機(jī)視覺的比較[J];自然雜志;2002年01期

相關(guān)碩士學(xué)位論文 前1條

1 劉新國(guó);基于多核處理器的并行圖像融合處理技術(shù)的研究[D];沈陽(yáng)理工大學(xué);2010年

，

本文編號(hào)：1690952