發(fā)布時間：2021-08-23 23:11

　　無人機(jī)航拍圖像有高分辨率和數(shù)據(jù)易獲得性等特點,但航拍圖像中存在著道路復(fù)雜性和類別多樣性等多種問題,利用生成對抗網(wǎng)絡(luò)在目標(biāo)檢測上的強大特征表達(dá)能力,研究如何在無人機(jī)航拍圖像上準(zhǔn)確檢測道路已成為重要研究方向之一。近年來,在無人機(jī)航拍圖像上進(jìn)行道路信息檢測已經(jīng)有了許多研究,但由于道路的不同部分在寬度和形狀上不盡相同,如村道和山路等;不同類型道路具有不同顏色和紋理特征,如街道和土路等;同時,道路區(qū)域拍攝時被建筑、樹木等諸多物體遮擋,使得道路信息的準(zhǔn)確檢測仍然是航拍圖像檢測領(lǐng)域的研究難點。本文利用條件生成對抗網(wǎng)絡(luò)方法構(gòu)建了一種航拍圖像道路信息檢測模型。具體研究內(nèi)容如下:（1）研究和改進(jìn)用于提取無人機(jī)航拍圖像道路信息的生成對抗網(wǎng)絡(luò)模型。針對航拍圖像道路提取結(jié)果精度問題以及網(wǎng)絡(luò)規(guī)模太大難以應(yīng)用的缺陷,提出了一種基于U-Net思想改進(jìn)生成器網(wǎng)絡(luò)結(jié)構(gòu)的道路檢測模型,主要分為三點:一是在網(wǎng)絡(luò)結(jié)構(gòu)下采樣中引入殘差思想,通過跳遠(yuǎn)連接能夠使得特征信息直接到達(dá)更深層次的卷積網(wǎng)絡(luò),獲取細(xì)節(jié)特征;二是在下采樣的底層引入一種全局金字塔池化模塊,其能通過聚合上下文信息,提高分割精度;三是為防止在下采樣過程中道路信息的丟失... 

【文章來源】：西北師范大學(xué)甘肅省

【文章頁數(shù)】：46 頁

【學(xué)位級別】：碩士

【部分圖文】：

GAN訓(xùn)練過程

第2章基礎(chǔ)理論與技術(shù)7與原始的編碼器-解碼器結(jié)構(gòu)的生成網(wǎng)絡(luò)相比，U-Net的優(yōu)點是結(jié)合數(shù)據(jù)增強的方法可以支持少量的訓(xùn)練數(shù)據(jù)訓(xùn)練模型，其在編碼層和解碼層跳遠(yuǎn)連接結(jié)構(gòu)決定著網(wǎng)絡(luò)結(jié)構(gòu)本身就可以實現(xiàn)像素級的目標(biāo)檢測，得到的結(jié)果也更加能夠反應(yīng)圖像的原始信息[28]。U-Net網(wǎng)絡(luò)結(jié)構(gòu)如圖2-2所示。主要由卷積層、最大池化層(下采樣)、反卷積層(上采樣)以及ReLU非線性激活函數(shù)組成[29]。圖2-2U-net網(wǎng)絡(luò)結(jié)構(gòu)2.1.3深度卷積判別網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)[30](ConvolutionalNeuralNetworks，CNN)是一類包含多層多卷積計算的深度學(xué)習(xí)網(wǎng)絡(luò)，一直以來作為計算機(jī)視覺主要網(wǎng)絡(luò)結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)擁有表征學(xué)習(xí)的能力，能夠使用不同層次的網(wǎng)絡(luò)結(jié)構(gòu)對輸入信息進(jìn)行平移不變分類，因此，卷積神經(jīng)網(wǎng)絡(luò)常用來作為生成對抗網(wǎng)絡(luò)的判別器與生成器互相優(yōu)化。CNN主要包括輸入層，卷積層，池化層，全連接層和輸出層[31]。（1）輸入層使用梯度下降算法進(jìn)行學(xué)習(xí)，卷積神經(jīng)網(wǎng)絡(luò)的輸入特征與其他神經(jīng)網(wǎng)絡(luò)算法類似，都需要進(jìn)行標(biāo)準(zhǔn)化處理。具體的，在卷積神經(jīng)網(wǎng)絡(luò)輸入初始數(shù)據(jù)樣本前，需在初始通道維度對輸入數(shù)據(jù)進(jìn)行歸一化處理，若輸入數(shù)據(jù)為像素，則將分布于

西北師范大學(xué)碩士學(xué)位論文10圖2-3殘差學(xué)習(xí)卷積單元結(jié)合殘差網(wǎng)絡(luò)模塊能有效解決模型梯度減少、梯度消失的問題，通過跳躍連接到更深層次，使得模型能夠充分學(xué)習(xí)到道路圖像的分布，從而提高分割的效果[43]。2.3全局金字塔池化模塊全局金字塔池化模塊來源于金字塔場景解析網(wǎng)絡(luò)(PyramidSceneParsingNet，PSPNet)，其能夠通過聚合特征圖中不同區(qū)域的背景信息，提高模型獲取全局信息的能力[44]。在進(jìn)行目標(biāo)檢測時通常會出現(xiàn)如下情況：（1）語境關(guān)系不匹配。語境關(guān)系是普遍存在的，尤其對復(fù)雜場景的理解至關(guān)重要，有些物體常是一起出現(xiàn)的，例如：汽車通常是在道路上行駛，而不是在河里。（2）類別混淆。道路區(qū)域和建筑物的外觀十分相似，在這種情況下，對于物體的檢測結(jié)果不可能既是道路又或是建筑物，只能通過類別之間的關(guān)系解決。（3）不明顯的類別。特征圖中包含不同尺寸的目標(biāo)信息。一些小的物體，如路燈和指示牌，很難被分割出來。相對大的一些物體，如自行車和摩托車，外觀相似，由于忽略了全局場景類別，導(dǎo)致他們很難區(qū)分開。在語義分割中，許多錯誤都與感受野獲取的全局信息和語境關(guān)系有著關(guān)聯(lián)。因此，擁有適當(dāng)?shù)膱鼍凹壢中畔⒌纳疃染W(wǎng)絡(luò)可以大大提高場景解析的能力。全局金字塔池化模塊如圖2-4所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于生成對抗網(wǎng)絡(luò)的遙感圖像去云算法[J]. 李華瑩,林道玉,張捷,劉必欣.  計算機(jī)與現(xiàn)代化. 2019(11)
[2]基于編碼器-解碼器的半監(jiān)督圖像語義分割[J]. 劉貝貝,華蓓.  計算機(jī)系統(tǒng)應(yīng)用. 2019(11)
[3]基于快速MUSIC算法的道路雙黃線檢測[J]. 張新雨,雷海棟,王思米.  傳感技術(shù)學(xué)報. 2019(11)
[4]基于混合自動編碼器道路語義分割方法研究[J]. 周飛,唐建,楊成松,芮挺.  計算機(jī)工程與科學(xué). 2019(08)
[5]多形態(tài)幾何約束的道路障礙物檢測新方法[J]. 吳宏濤.  山西交通科技. 2019(04)
[6]基于生成對抗網(wǎng)絡(luò)的無人機(jī)圖像道路提取[J]. 何磊,李玉霞,彭博,吳煥萍.  電子科技大學(xué)學(xué)報. 2019(04)
[7]基于生成對抗網(wǎng)絡(luò)的圖像翻譯現(xiàn)狀研究[J]. 顏貝,張建林.  國外電子測量技術(shù). 2019(06)
[8]基于深層神經(jīng)網(wǎng)絡(luò)的道路交通標(biāo)志檢測識別方法研究[J]. 王斯健,李志鵬.  科技資訊. 2019(17)
[9]基于生成對抗網(wǎng)絡(luò)的圖像恢復(fù)與SLAM容錯研究[J]. 王凱,岳泊暄,傅駿偉,梁軍.  浙江大學(xué)學(xué)報(工學(xué)版). 2019(01)
[10]基于條件生成對抗網(wǎng)絡(luò)的咬翼片圖像分割[J]. 蔣蕓,譚寧,張海,彭婷婷.  計算機(jī)工程. 2019(04)

博士論文
[1]無人機(jī)飛行途中視覺導(dǎo)航關(guān)鍵技術(shù)研究[D]. 宋琳.西北工業(yè)大學(xué) 2015
[2]基于超小型無人機(jī)的地面目標(biāo)實時圖像跟蹤[D]. 丁衛(wèi).上海大學(xué) 2007

碩士論文
[1]基于無人機(jī)航拍圖像的道路檢測[D]. 侯陽陽.南京理工大學(xué) 2017
[2]基于FPGA的哈特曼光斑圖像處理算法設(shè)計[D]. 劉國成.中國科學(xué)技術(shù)大學(xué) 2016
[3]基于多特征融合的無人機(jī)航拍圖像識別研究[D]. 王建榮.成都理工大學(xué) 2015
[4]基于航拍圖像的目標(biāo)檢測系統(tǒng)設(shè)計與實現(xiàn)[D]. 韓露.北京理工大學(xué) 2015



本文編號：3358773