在遙感探測領域,實現(xiàn)復雜環(huán)境條件下機場跑道類地物目標和輪廓的精確檢測具有重要意義。以YOLOv3為代表的主流深度學習算法在目標檢測領域取得了顯著的成績,但該方法只能以矩形框給出目標的粗略位置,檢測結果具有一定的背景區(qū)域且無法準確得到角點位置。針對以上問題,提出一種基于典型幾何形狀精確回歸的機場跑道檢測方法。綜合利用典型四邊形角點回歸策略、四邊形錨框機制、四邊形的非極大值抑制模塊以及目標幾何拓撲關系,通過網絡的輕量化設計和模型壓縮,實現(xiàn)對目標在仿射畸變下成像特征的學習,能夠快速預測目標的角點坐標,并以目標的四邊形輪廓給出其位置。仿真實驗結果表明,該算法具備機場跑道目標類型區(qū)分和輪廓提取的功能,有效地解決了實際應用中的目標精確定位難題;在不損失精度基礎上網絡經壓縮后較壓縮前的檢測速度提高了1倍,大幅提升了自動目標檢測的準確性和高效性。 

【文章來源】：兵工學報. 2020,41(10)北大核心EICSCD

【文章頁數(shù)】：10 頁

【圖文】：

四邊形錨框生成圖

4)連接點1、3和點2、4得到兩條線，比較它們的斜率，取大斜率線上的x值較小點作為新的點1，剩下的點按照前3步的方法依次確定，這樣就唯一確定了這4點的順序。算法按照上述協(xié)議對標簽中四邊形的角點進行讀取，輸入網絡進行反饋訓練，網絡便可以學習到四邊形的順序。在推理時，網絡可以利用學習到的這一知識直接回歸出帶有順序的角點坐標。

然而，兩個四邊形框的交集和并集很難用幾何公式進行計算。針對該問題，本節(jié)通過統(tǒng)計學上著名的蒙特卡洛算法來快速準確地計算兩個四邊形的交集和并集，該方法適合并行運算，可有效地提高算法的計算效率。算法的原理簡圖如圖4所示。圖4 四邊形Io U計算方法原理圖

【參考文獻】：
期刊論文
[1]基于改進SSD的艦船目標精細化檢測方法[J]. 梁杰,李磊,周紅麗.  導航定位與授時. 2019(05)
[2]基于深度學習的紅外圖像遮擋干擾檢測方法[J]. 梁杰,李磊,任君,齊航,周紅麗.  兵工學報. 2019(07)
[3]基于深度學習的跑道前視紅外圖像輪廓線提取[J]. 袁雷,程岳,牛文生,羅午陽.  電訊技術. 2019(02)
[4]基于直線和區(qū)域顯著性融合機制的機場檢測[J]. 潘治鴻,竇浩,劉迪,田金文.  計算機工程與應用. 2018(08)
[5]改進區(qū)域卷積神經網絡的機場檢測方法[J]. 朱明明,許悅雷,馬時平,唐紅,辛鵬,馬紅強.  光學學報. 2018(07)
[6]區(qū)域提取網絡結合自適應池化網絡的機場檢測[J]. 辛鵬,許悅雷,馬時平,李帥,呂超.  西安電子科技大學學報. 2018(03)
[7]遙感圖像中的機場跑道檢測算法[J]. 艾淑芳,閆鈞華,李大雷,許俊峰,沈靜.  電光與控制. 2017(02)



本文編號：3462413