遙感圖像地面目標(biāo)檢測在軍事戰(zhàn)爭領(lǐng)域中不僅能幫助指揮員獲得準(zhǔn)確的戰(zhàn)場信息,而且可以定位打擊敵方目標(biāo),提供實(shí)時(shí)的目標(biāo)信息等。在環(huán)境管理、區(qū)域規(guī)劃、礦產(chǎn)資源探測等民用領(lǐng)域,同樣有著廣泛的應(yīng)用。遙感圖像中地面目標(biāo)包括(車輛、飛機(jī)、建筑、橋梁等)類目標(biāo)及道路類目標(biāo),針對第一類目標(biāo),因同一目標(biāo)內(nèi)部特征差異較大,檢測算法缺乏良好的特征提取能力,針對第二類目標(biāo),受目標(biāo)形態(tài)特征的限制,檢測算法不能完整的提取目標(biāo)輪廓。因此,如何能準(zhǔn)確地從遙感圖像中檢測出感興趣目標(biāo),并保證算法具有一定的推廣能力是研究的關(guān)鍵。本文針對以上兩類遙感圖像地面目標(biāo)的檢測,開展了如下研究工作:(1)深入分析了遙感圖像兩類目標(biāo)的區(qū)別以及相應(yīng)特征提取的異同,相應(yīng)目標(biāo)檢測的特點(diǎn)及難點(diǎn),論述了目標(biāo)檢測中各類方法的優(yōu)點(diǎn)及缺陷,選取了目標(biāo)檢測中評價(jià)指標(biāo)。(2)針對飛機(jī)、車輛類目標(biāo),提出了基于集成殘差網(wǎng)絡(luò)的遙感圖像地面目標(biāo)檢測方法,針對目標(biāo)尺寸多變,旋轉(zhuǎn),背景復(fù)雜的問題,以Faster RCNN為基礎(chǔ)網(wǎng)絡(luò),使用Kmeans++聚類算法設(shè)計(jì)目標(biāo)參考框尺寸,選擇更為復(fù)雜的殘差網(wǎng)絡(luò)作為基礎(chǔ)特征提取網(wǎng)絡(luò),在網(wǎng)絡(luò)中加入背景分類子網(wǎng)絡(luò)幫助區(qū)分目標(biāo)和背景,搭建了集成網(wǎng)絡(luò)模型,實(shí)驗(yàn)證明了加入各個(gè)模塊的有效性,檢測精度達(dá)到了89%以上。(3)針對道路目標(biāo),提出了基于集成可變形池化與空洞卷積的全卷積網(wǎng)絡(luò)的遙感圖像地面目標(biāo)檢測方法,針對道路目標(biāo)形態(tài)不一的問題,以FCN網(wǎng)絡(luò)為基礎(chǔ)網(wǎng)絡(luò),設(shè)計(jì)了可變形池化核提取道路目標(biāo)特征,加入批量標(biāo)準(zhǔn)化層,用空洞卷積代替?zhèn)鹘y(tǒng)特征提取方式,使用通道特征分析模塊進(jìn)一步改善網(wǎng)絡(luò)性能。實(shí)驗(yàn)證明了各模塊加入均有利于道路目標(biāo)檢測精度的提高,檢測精度達(dá)到了84%以上。
【學(xué)位單位】：中北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：TP751;TP18
【部分圖文】：

中北大學(xué)學(xué)位論文11a遙感飛機(jī)目標(biāo)圖像aRemotesensingaircrafttargetimageb普通飛機(jī)目標(biāo)圖像bOrdinaryaircrafttargetimage圖2.1遙感圖像與普通圖像對比Figure2.1Comparisonofremotesensingimageandordinaryimage（2）目標(biāo)尺度變化與旋轉(zhuǎn)遙感圖像由于成像時(shí)距離不一，相機(jī)分辨率有差異。成像后圖像中目標(biāo)尺寸會(huì)有一定的變化。拍攝范圍廣時(shí)圖像中往往包含多個(gè)目標(biāo)，目標(biāo)存在一定的旋轉(zhuǎn)。如圖2.2所示，該圖為飛機(jī)場上空拍攝的圖像，針對飛機(jī)目標(biāo)，圖像中存在多種尺度的飛機(jī)，同類目標(biāo)之間存在較大的尺度變化，此外，每個(gè)目標(biāo)的擺設(shè)角度也不相同，存在一定的旋轉(zhuǎn)問題。因此，遙感圖像中地面目標(biāo)尺度變化與旋轉(zhuǎn)都容易導(dǎo)致目標(biāo)特征變化，帶來檢測的困難。圖2.2遙感圖像目標(biāo)旋轉(zhuǎn)Figure2.2Remotesensingimagetargetrotation（3）圖像背景復(fù)雜多變遙感圖像由于用于探測地面信息，地面情況往往比較復(fù)雜，因此成像后的圖像背景比較復(fù)雜。如果遙感圖像地面目標(biāo)檢測算法不能準(zhǔn)確的區(qū)分目標(biāo)與背景，降低檢測準(zhǔn)確率。而遙感圖像地面目標(biāo)檢測任務(wù)多變，拍攝位置覆蓋城市，鄉(xiāng)村，森林，海洋等不同

中北大學(xué)學(xué)位論文13行介紹。（1）基本結(jié)構(gòu)介紹通過生物視覺感知的研究，CNN是通過模擬人類大腦神經(jīng)元結(jié)構(gòu)設(shè)計(jì)出的人工神經(jīng)網(wǎng)絡(luò)。CNN網(wǎng)絡(luò)中包含輸入層、卷積層、池化層、激勵(lì)層和全連接層等結(jié)構(gòu)，其中卷積層、池化層以及激勵(lì)層是CNN網(wǎng)絡(luò)的核心組成部分[31]，卷積操作相當(dāng)于濾波的過程，每一個(gè)卷積核都相當(dāng)于一個(gè)濾波器，CNN中卷積層后會(huì)加入池化來降維，實(shí)現(xiàn)特征的降維，減小網(wǎng)絡(luò)的參數(shù)量，常用的池化方式有最大值池化與均值池化，激勵(lì)層通過非線性函數(shù)實(shí)現(xiàn)數(shù)據(jù)的非線性化，常見的有RELU，TAN等，用來給網(wǎng)絡(luò)加入非線性能力，反向傳播算法（Back-propagationAlgorithm,BP）則用來更新CNN網(wǎng)絡(luò)中的參數(shù)。由于CNN網(wǎng)絡(luò)獨(dú)特的感受野機(jī)制，CNN具有旋轉(zhuǎn)以及尺度不變性，在圖像目標(biāo)檢測任務(wù)中能取得很好的效果�？傮w而言，CNN通過卷積，池化與非線性激活的一定組合可以實(shí)現(xiàn)對輸入數(shù)據(jù)的抽象特征的提齲特征提取的過程屬于前向傳播的過程。在實(shí)現(xiàn)任務(wù)時(shí)，CNN會(huì)將任務(wù)量化為損失函數(shù)的形式。損失函數(shù)表示任務(wù)真實(shí)值與網(wǎng)絡(luò)預(yù)測值之間的誤差，之后，計(jì)算經(jīng)過前向傳播得到預(yù)測值與真實(shí)值之間的誤差，通過BP算法將誤差從網(wǎng)絡(luò)最后一層向前反饋，以減小誤差的方向?qū)W(wǎng)絡(luò)中參數(shù)進(jìn)行更新。更新后再次通過前向傳播，重復(fù)迭代，直至損失函數(shù)收斂到一定范圍，模型訓(xùn)練完成[32]。圖2.3LeNet網(wǎng)絡(luò)結(jié)構(gòu)Figure2.3LeNetnetworkstructure現(xiàn)代CNN網(wǎng)絡(luò)結(jié)構(gòu)可以追朔到1980年，研究員模擬人類視覺系統(tǒng)設(shè)計(jì)出了可以實(shí)現(xiàn)手寫字符識(shí)別等任務(wù)的深層人工神經(jīng)網(wǎng)絡(luò)，這是CNN網(wǎng)絡(luò)最早的前身。1998年專家提出了用于手寫數(shù)字識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)，LeNet。如圖2.3所示。LeNet網(wǎng)絡(luò)一共包括

中北大學(xué)學(xué)位論文143個(gè)卷積層以及3個(gè)全連接層，另外還有2個(gè)池化層。經(jīng)過手寫字符識(shí)別任務(wù)的驗(yàn)證，LeNet達(dá)到了99%的正確率，美國郵政系統(tǒng)識(shí)別郵政編碼也采用了該網(wǎng)絡(luò)結(jié)構(gòu)。之后，在ImageNet圖像分類大賽上獲得第一名的AlexNet網(wǎng)絡(luò)被提出，網(wǎng)絡(luò)結(jié)構(gòu)如圖2.4所示。AlexNet網(wǎng)絡(luò)共有5個(gè)卷積層，3個(gè)池化層以及3個(gè)全連接層[33]。圖2.4AlexNet網(wǎng)絡(luò)結(jié)構(gòu)Figure2.4AlexNetnetworkstructure（2）卷積層卷積層是CNN網(wǎng)絡(luò)重要的基本結(jié)構(gòu)之一，卷積層主要功能是依靠卷積操作提取待檢圖像的特征。每層卷積層中都含有大量的卷積核，卷積核的數(shù)量及尺寸都可能影響CNN網(wǎng)絡(luò)的性能。傳統(tǒng)的全連接網(wǎng)絡(luò)將每一個(gè)神經(jīng)元全部連接，使得網(wǎng)絡(luò)擁有大量的參數(shù)，難以訓(xùn)練，現(xiàn)代CNN網(wǎng)絡(luò)通過卷積以局部連接和全局共享的形式，降低了網(wǎng)絡(luò)的參數(shù)量和計(jì)算量，同時(shí)減少了出現(xiàn)過擬合的現(xiàn)象[34]。卷積操作的本質(zhì)是濾波的過程，在CNN網(wǎng)絡(luò)中以離散卷積的形式出現(xiàn)的，在圖像目標(biāo)檢測過程中，應(yīng)用最多的是二維卷積，相關(guān)操作如圖2.5所示。
【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 蔡廣基,嚴(yán)玉清;構(gòu)建BP網(wǎng)絡(luò)結(jié)構(gòu)方法分析[J];河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2001年03期

相關(guān)博士學(xué)位論文 前2條

1 丁鵬;基于深度卷積神經(jīng)網(wǎng)絡(luò)的光學(xué)遙感目標(biāo)檢測技術(shù)研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所);2019年

2 劉旭;基于深度融合網(wǎng)絡(luò)學(xué)習(xí)的多源遙感圖像分類[D];西安電子科技大學(xué);2019年

相關(guān)碩士學(xué)位論文 前10條

1 孫敏;基于級聯(lián)全卷積網(wǎng)絡(luò)的肝臟腫瘤分割技術(shù)及應(yīng)用[D];南京郵電大學(xué);2019年

2 陳子杰;基于深度全卷積神經(jīng)網(wǎng)絡(luò)的頭頸部CT中放療危及器官分割方法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進(jìn)技術(shù)研究院);2019年

3 趙強(qiáng);基于骨架點(diǎn)分割算法的文本驗(yàn)證碼攻擊模型的研究[D];西安電子科技大學(xué);2019年

4 黃龍;基于全卷積神經(jīng)網(wǎng)絡(luò)的室內(nèi)場景分割算法研究[D];西安理工大學(xué);2019年

5 汪志文;基于深度學(xué)習(xí)的高分辨率遙感影像語義分割的研究與應(yīng)用[D];北京郵電大學(xué);2019年

6 徐夢楚;基于深度學(xué)習(xí)的智能教室視覺檢測系統(tǒng)[D];北京郵電大學(xué);2019年

7 趙昀瑤;戰(zhàn)場態(tài)勢評估中的目標(biāo)分群與識(shí)別[D];西安電子科技大學(xué);2019年

8 張鵬;基于卷積神經(jīng)網(wǎng)絡(luò)的多尺度遙感圖像目標(biāo)檢測方法研究[D];西安電子科技大學(xué);2019年

9 郭峰;基于深度卷積神經(jīng)網(wǎng)絡(luò)遙感圖像目標(biāo)檢測算法研究[D];哈爾濱理工大學(xué);2019年

10 黃科;TBM施工巖渣自動(dòng)識(shí)別技術(shù)研究[D];石家莊鐵道大學(xué);2019年

本文編號：2869253