在遙感目標(biāo)檢測(cè)中,遙感圖像背景復(fù)雜,目標(biāo)相較于遙感圖像而言尺寸過(guò)小,且目標(biāo)本身尺度多樣化,因此遙感目標(biāo)檢測(cè)是一項(xiàng)具有很大挑戰(zhàn)的任務(wù)。本文提出一種基于同心圓周濾波器與聯(lián)合稀疏的遙感目標(biāo)檢測(cè)算法。該算法受霍夫變換啟發(fā),對(duì)圓周濾波器進(jìn)行了改進(jìn),通過(guò)同心圓周之間的共線關(guān)系,對(duì)目標(biāo)的角度信息進(jìn)行了統(tǒng)計(jì)分析;并參考SIFT算法中的做法,以此作為旋轉(zhuǎn)憑據(jù),使得后續(xù)特征提取具備旋轉(zhuǎn)不變性,提高聯(lián)合稀疏分類性能;最終在DOTA數(shù)據(jù)集上驗(yàn)證了召回率的提升。 

【文章來(lái)源】：科學(xué)技術(shù)創(chuàng)新. 2020,(35)

【文章頁(yè)數(shù)】：2 頁(yè)

【部分圖文】：

本文檢測(cè)算法的原理框圖

⒒幼胖匾?饔?[2]。在現(xiàn)代戰(zhàn)爭(zhēng)中，為了取得空中優(yōu)勢(shì)，既快又準(zhǔn)的檢測(cè)識(shí)別出敵軍飛機(jī)目標(biāo)的動(dòng)態(tài)信息就顯得必不可少。在民用領(lǐng)域，飛機(jī)目標(biāo)實(shí)時(shí)檢測(cè)可作為分析客流量的依據(jù)。因此，針對(duì)飛機(jī)的檢測(cè)研究具有十分重要的意義。2提出的方法本文算法的原理框圖如圖1所示，考慮到時(shí)間成本以及精度需求，本文檢測(cè)算法按照由粗到精的思路設(shè)計(jì)，分為預(yù)檢測(cè)以及精確檢測(cè)兩個(gè)階段。圖1本文檢測(cè)算法的原理框圖2.1基于同心圓周濾波器的目標(biāo)主軸檢測(cè)為了檢測(cè)出飛機(jī)目標(biāo)主軸方向，我們對(duì)某飛機(jī)目標(biāo)構(gòu)建一系列同心圓周濾波器，如圖2(a)所示。設(shè)為，其中為最外層圓周，對(duì)應(yīng)半徑為，將其與目標(biāo)重疊的像素點(diǎn)看做采樣點(diǎn)，設(shè)為，length_i為對(duì)應(yīng)圓周濾波器長(zhǎng)度，圖2(b)展示出內(nèi)三層采樣點(diǎn)以及相對(duì)坐標(biāo)運(yùn)算示意圖2。通過(guò)下式可以將圓周上采樣點(diǎn)的坐標(biāo)轉(zhuǎn)換為極坐標(biāo)表示：(1)(2)然后再計(jì)算出各同心圓上采樣點(diǎn)相對(duì)于最內(nèi)層圓的相對(duì)角度如圖2(b)所示：(3)由先驗(yàn)知識(shí)可知，飛機(jī)目標(biāo)共分前機(jī)身、后機(jī)身、左機(jī)翼、右機(jī)翼等4個(gè)部件，因此可通過(guò)KNN方法，將相對(duì)角度集合分作4個(gè)角度表示，即，將相對(duì)角度值代入正切函數(shù)，即可判定出對(duì)稱軸方向。找到目標(biāo)主軸方向后，經(jīng)過(guò)旋轉(zhuǎn)到統(tǒng)一方向，后續(xù)特征即可滿足旋轉(zhuǎn)不變性。2.2基于空洞卷積的目標(biāo)檢測(cè)框融合后處理2.2.1空洞卷積空洞卷積與一般卷積的區(qū)別主要在于卷積核中注入空洞，這種結(jié)構(gòu)就能在不使用池化層的情況下，增大單位像素的感受野。因?yàn)椴皇褂孟虏蓸�，所以這種結(jié)構(gòu)能有效的彌補(bǔ)信息損失的缺點(diǎn)。二維空間上的空洞卷積可定義如下：(4)其中，kernel表示卷積核，img則是輸入圖像，則是卷積操作，表示空洞大校摘要：在遙感目標(biāo)檢測(cè)中，遙感圖像背景復(fù)雜，目標(biāo)相較于遙感圖像而言尺寸過(guò)小，且目標(biāo)?

2020.35科學(xué)技術(shù)創(chuàng)新2.2.2檢測(cè)窗融合在目標(biāo)檢測(cè)過(guò)程中，通常會(huì)使用滑動(dòng)窗口法從左到右自上而下地對(duì)測(cè)試圖片進(jìn)行掃描，假設(shè)相鄰窗口的距離為步長(zhǎng)step。當(dāng)step=emptySize的時(shí)候，空洞卷積即可剛好與檢測(cè)窗標(biāo)志重疊，可以進(jìn)行卷積運(yùn)算。設(shè)最終識(shí)別出的檢測(cè)框?yàn)椋琋為保留檢測(cè)框數(shù)量，步長(zhǎng)step為1。取的卷積核為，卷積核在檢測(cè)標(biāo)志圖上逐步進(jìn)行卷積：(5)(a)空洞卷積核在檢測(cè)框標(biāo)志圖上滑動(dòng)示意圖(b)檢測(cè)窗融合示意圖圖3檢測(cè)窗的空洞卷積和融合示意圖圖3(a)所示為空洞卷積核以橫縱兩個(gè)方向逐步對(duì)檢測(cè)框標(biāo)志進(jìn)行卷積，如此即可計(jì)算得到卷積結(jié)果。如果局部圖像中，檢測(cè)框大多圍繞一個(gè)目標(biāo)，只是互相之間略有點(diǎn)偏移，那么此時(shí)只需要對(duì)空洞卷積的結(jié)果進(jìn)行一個(gè)局部最大池化即可找到局部檢測(cè)框融合的中心，如圖3(b)將參與運(yùn)算的檢測(cè)框標(biāo)志所代表的檢測(cè)區(qū)域展開(kāi)，全部融合即可獲得檢測(cè)框融合以后的檢測(cè)區(qū)域。3實(shí)驗(yàn)與分析3.1實(shí)驗(yàn)參數(shù)設(shè)置本實(shí)驗(yàn)基于DOTA數(shù)據(jù)集來(lái)驗(yàn)證算法的有效性。對(duì)每一幅待處理遙感圖像，實(shí)驗(yàn)中挑選三種nbins分別為7、8、11的非局部自相似HOG特征作為分類特征（塊大小選定40×40，塊步伐20，單元格大小4×4，單元格步伐2，相似向量取20個(gè)）。這三種特征將直接輸入多任務(wù)框架下的聯(lián)合稀疏分類器，作為三個(gè)不同任務(wù)進(jìn)行融合處理，最終由決策層得出綜合判決結(jié)果。3.2結(jié)果與分析我們分別給出兩種場(chǎng)景下本文檢測(cè)算法的檢測(cè)結(jié)果，如圖4所示�？梢钥闯霰疚乃惴ǹ梢院芎玫貙�(duì)遙感圖像中的飛機(jī)目標(biāo)進(jìn)行精確檢測(cè)。同時(shí)，表1給出本文檢測(cè)算法與Faster-RCNN等多種目標(biāo)檢測(cè)算法的性能比較結(jié)果。表中分別給出目標(biāo)檢測(cè)的三個(gè)參數(shù)：召回率、精度和綜合評(píng)價(jià)指標(biāo)（F1-Measure），其中，綜合評(píng)價(jià)指標(biāo)是召回率和精度的調(diào)和均值，反應(yīng)目標(biāo)?


本文編號(hào)：3044618