近年來,隨著高分辨率遙感技術(shù)的發(fā)展,如何在遙感影像中快速檢測車輛目標(biāo)成為研究熱點。車輛目標(biāo)的智能識別與提取在宏觀交通狀態(tài)判別、災(zāi)害檢測、軍事目標(biāo)識別等領(lǐng)域發(fā)揮重要作用。已有的車輛目標(biāo)檢測方法主要是依賴特征提取算子,檢測算法的性能依賴于算子的表達(dá)能力。由于在遙感影像中車輛目標(biāo)在視場中的占比小,并且存在背景干擾、遮擋等原因,使得傳統(tǒng)方法在遙感影像車輛檢測上面臨諸多挑戰(zhàn)。近年來迅速發(fā)展的卷積神經(jīng)網(wǎng)絡(luò)在遙感影像目標(biāo)檢測領(lǐng)域取得了重要進(jìn)展。與傳統(tǒng)方法需要結(jié)合目標(biāo)識別任務(wù)人為設(shè)計特征提取算子不同,卷積神經(jīng)網(wǎng)絡(luò)能夠充分挖掘圖像信息,自動提取出有利于目標(biāo)任務(wù)的特征。為了提高對遙感影像的檢測效率、提高目標(biāo)檢測的準(zhǔn)確率和可靠性,本文圍繞遙感影像中車輛目標(biāo)自動檢測問題,研究車輛目標(biāo)潛在區(qū)域提取、基于卷積神經(jīng)網(wǎng)絡(luò)的車輛分類等關(guān)鍵技術(shù),在此基礎(chǔ)上設(shè)計具有較高檢測精度的遙感影像車輛目標(biāo)自動識別算法。本文主要研究內(nèi)容如下:針對遙感影像目標(biāo)檢測中背景干擾,提出了基于超像素分割的區(qū)域合并算法,用以提取建筑掩模。該方法首先通過超像素算法對遙感影像及對應(yīng)的高程影像進(jìn)行預(yù)分割獲取兩組超像素集合;其次,定義了超像素區(qū)域分裂及合... 

【文章來源】：中國石油大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

技術(shù)路線

第2章基于傳統(tǒng)方法的車輛檢測-6-第2章基于傳統(tǒng)方法的車輛檢測傳統(tǒng)的車輛檢測方法一般使用人工設(shè)計特征并結(jié)合機器學(xué)習(xí)的分類器進(jìn)行車輛檢測，本章介紹了經(jīng)典的圖像特征提取方法及分類器的性能。2.1常用的目標(biāo)檢測的特征2.1.1HOG特征方向梯度直方圖（HOG）[28]特征被廣泛應(yīng)用于各種圖像目標(biāo)的特征提齲HOG特征實質(zhì)上是梯度的統(tǒng)計信息，使用圖像局部梯度和邊緣方向描述圖像的形狀信息。HOG方法首先計算圖像中所有像素點的梯度，然后將圖像劃分為統(tǒng)一大小的細(xì)胞單元（cell），計算每個細(xì)胞單元的梯度直方圖。將細(xì)胞單元的梯度直方圖在更大的區(qū)塊（block）中進(jìn)行方向直方圖統(tǒng)計，形成最后的特征描述子。HOG方法主要關(guān)注圖像的邊緣和梯度信息，能夠有效提取出局部形狀的特征。與其它的圖像特征提取方法相比，HOG方法提取的特征對圖像的幾何、光學(xué)形變不敏感，但是不具備旋轉(zhuǎn)與尺度變換的不變性。HOG特征計算步驟如圖2.1所示。圖2.1HOG特征提取流程Fig.2.1ProcessofHOGfeatureextraction

中國石油大學(xué)（北京）碩士專業(yè)學(xué)位論文-7-2.1.2LBP特征局部二值模式（LBP）[29]是一種用來描述圖像局部特征的算子。LBP特征反映了每個像素與其鄰域像素的關(guān)系，能夠有效突出圖像的問題信息。由于計算簡單效果較好，LBP特征被廣泛應(yīng)用于目標(biāo)檢測等相關(guān)領(lǐng)域。LBP特征的計算方法為：將圖像中每個像素定義一個以該像素為中心的3×3窗口，然后將周圍的8個像素值與中心像素值進(jìn)行比較。若周圍像素點的灰度值大于中心點灰度值，則將該像素點標(biāo)記為1，否則標(biāo)記為0。經(jīng)過比較標(biāo)記后，窗口中的8個點可以生成一個8位的二進(jìn)制數(shù)，將其轉(zhuǎn)換為一個十進(jìn)制整數(shù)。此時，該整數(shù)即為該中心像素的LBP值。將整幅圖像進(jìn)行掃描后，生成一個LBP響應(yīng)圖像，這個響應(yīng)圖像的直方圖被稱為LBP特征。LBP特征提取流程如圖2.2所示。LBP算法雖然具有一定的紋理描述實用性，但由于描述范圍小，不能反映圖像全局信息，因此易受噪音的影響。特別是當(dāng)有大面積的單色區(qū)域存在時，會出現(xiàn)過稀疏化的LBP直方圖，導(dǎo)致該方法提取出的特征穩(wěn)定性不佳[30]。圖2.2LBP特征提取流程圖Fig.2.2ProcessofLBPfeatureextraction2.1.3SIFT特征尺度不變特征變換（SIFT）[31]，是一種常用的檢測圖像局部特征的算法。SIFT算法大致可分為特征點提娶特征點描述、特征點匹配及誤匹配點消除四個核心部分[32]。SIFT特征具有尺度不變性、旋轉(zhuǎn)不變性，對變形、噪聲和照明變化具有魯棒性。該算法包含以下四個步驟：

【參考文獻(xiàn)】：
期刊論文
[1]基于LFP與RCD（G）特征的遙感圖像車輛檢測[J]. 陽理理,陳雪云,陳家華.  廣西大學(xué)學(xué)報(自然科學(xué)版). 2018(05)
[2]結(jié)合像元級和目標(biāo)級的高分辨率遙感影像建筑物變化檢測[J]. 張志強,張新長,辛秦川,楊曉羚.  測繪學(xué)報. 2018(01)
[3]基于無人機的車輛目標(biāo)實時檢測[J]. 姜尚潔,羅斌,劉軍,張云.  測繪通報. 2017(S1)
[4]一種高分辨率遙感影像車輛檢測方法[J]. 陳光,門玉英,翟東宇,李芳,吳德勝,陳良超.  軟件導(dǎo)刊. 2016(07)
[5]一種高分辨率可見光遙感影像中車輛目標(biāo)檢測方法[J]. 谷正氣,李健,張勇,夏威,羅倫.  測繪通報. 2015(01)
[6]城市街區(qū)星載光學(xué)遙感圖像車輛目標(biāo)自動檢測方法[J]. 李昭慧,張建奇.  紅外與激光工程. 2014(11)
[7]一種基于高分辨率遙感影像的建筑物提取方法[J]. 顧鈺培,肖蘭玲,凌婷婷,達(dá)利春.  測繪與空間地理信息. 2014(04)
[8]基于交通遙感圖像處理的車輛目標(biāo)識別方法[J]. 曹天揚,申莉.  計算機測量與控制. 2014(01)
[9]基于分水嶺變換與空間聚類的高分辨率遙感影像面向?qū)ο蠓诸怺J]. 陳杰,鄧敏,肖鵬峰,楊敏華,梅小明,劉慧敏.  遙感技術(shù)與應(yīng)用. 2010(05)
[10]一種高分辨率遙感影像建筑物邊緣提取方法[J]. 王丹.  環(huán)境保護(hù)與循環(huán)經(jīng)濟. 2009(10)

博士論文
[1]手掌靜脈身份識別關(guān)鍵技術(shù)研究[D]. 馬欣.北京郵電大學(xué) 2018

碩士論文
[1]基于局部特征的圖像匹配算法研究[D]. 郭健.南京郵電大學(xué) 2018
[2]基于多邊形超像素的候選建筑物檢測方法[D]. 黃雅婷.浙江大學(xué) 2018
[3]基于深度學(xué)習(xí)的車輛檢測方法研究[D]. 張文桂.華南理工大學(xué) 2016
[4]衛(wèi)星圖像中車輛目標(biāo)提取方法優(yōu)化與精度評價[D]. 李龍飛.北京交通大學(xué) 2012



本文編號：2972687