針對(duì)遙感影像的目標(biāo)檢測(cè)與識(shí)別是遙感技術(shù)以及計(jì)算機(jī)視覺領(lǐng)域的重要研究方向,其中針對(duì)遙感影像飛機(jī)目標(biāo)的檢測(cè)與識(shí)別也是維護(hù)國(guó)家安全的重要戰(zhàn)略手段。隨著遙感技術(shù)的快速發(fā)展以及成像平臺(tái)等硬件設(shè)備性能的提升,遙感影像的分辨率可以達(dá)到亞米級(jí),每天可生成海量的遙感影像數(shù)據(jù)。在計(jì)算機(jī)視覺領(lǐng)域,目標(biāo)檢測(cè)技術(shù)發(fā)展日益成熟,在面對(duì)遙感影像數(shù)據(jù)集時(shí),對(duì)影像中飛機(jī)目標(biāo)進(jìn)行檢測(cè)和識(shí)別提出了更高的要求。本文以光學(xué)遙感影像為研究對(duì)象,以基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法為基礎(chǔ),分別從基于候選區(qū)域（two-stage）和基于回歸（one-stage）兩類方法中選擇代表性算法進(jìn)行研究并優(yōu)化,經(jīng)過試驗(yàn)證發(fā)現(xiàn)基于回歸的方法速度更快,更適合于實(shí)際的生產(chǎn)應(yīng)用,而基于候選區(qū)域的方法檢測(cè)精度相對(duì)更高。論文的主要工作和創(chuàng)新點(diǎn)如下:1.由于遙感影像飛機(jī)目標(biāo)檢測(cè)與識(shí)別在民用領(lǐng)域和軍用領(lǐng)域都具有具大的應(yīng)用價(jià)值,論文結(jié)合當(dāng)下的技術(shù)現(xiàn)狀以及未來的發(fā)展趨勢(shì),對(duì)遙感影像飛機(jī)目標(biāo)檢測(cè)與識(shí)別的研究意義和應(yīng)用前景進(jìn)行簡(jiǎn)要分析,并結(jié)合美軍目前裝備的主要作戰(zhàn)機(jī)型（F-22、B-1、B-52、C-17、C-130）與當(dāng)前普通民用飛機(jī)兩類目標(biāo)進(jìn)行研究,并探討了當(dāng)前基于深度... 

【文章來源】：戰(zhàn)略支援部隊(duì)信息工程大學(xué)河南省

【文章頁(yè)數(shù)】：89 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

遙感

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)與識(shí)別技術(shù)的巨大應(yīng)用前景。卷積神經(jīng)網(wǎng)絡(luò)主要對(duì)位移、縮放及其他形式的扭曲不變性的二維圖形進(jìn)行識(shí)別。由于卷積神經(jīng)網(wǎng)絡(luò)的特征檢測(cè)層在進(jìn)行檢測(cè)前要利用大量的樣本數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，不需要進(jìn)行顯示的特征抽取，只需要通過神經(jīng)元進(jìn)行隱式學(xué)習(xí)；同時(shí)同一特征映射中的神經(jīng)元擁有相同的權(quán)重，這也使得網(wǎng)絡(luò)可以并行學(xué)習(xí)。卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)十分接近于真實(shí)生物的神經(jīng)元結(jié)構(gòu)，其中的權(quán)值共享結(jié)構(gòu)降低了網(wǎng)絡(luò)的復(fù)雜性，這一結(jié)構(gòu)也使卷積神經(jīng)網(wǎng)絡(luò)更加適合處理圖像和語音方面的問題，卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖1.3所示：圖1.3卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)相比傳統(tǒng)方法，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法在對(duì)目標(biāo)進(jìn)行檢測(cè)與識(shí)別時(shí)的準(zhǔn)確率方面具有明顯優(yōu)勢(shì)。在基于深度學(xué)習(xí)的計(jì)算機(jī)視覺及圖像處理領(lǐng)域，ILSVRC一直是廣受歡迎的學(xué)術(shù)競(jìng)賽，催生了一大批優(yōu)秀的目標(biāo)檢測(cè)與識(shí)別模型。Krizhevsky提出的Alex-Net模型在ILSVRC-2012年的比賽中以超越亞軍10.9%的絕對(duì)優(yōu)勢(shì)獲得了冠軍[11]。Alex-Net結(jié)構(gòu)中包含有5個(gè)卷積層和3個(gè)全連接層，采用了dropout策略來防止過擬合，并加入了Relu函數(shù)用于提升網(wǎng)絡(luò)的效率。Girshick等人于2014年提出區(qū)域卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)框架（RegionswithCNNfeatures，R-CNN）[21]，首次將區(qū)域分割算法和深度學(xué)習(xí)方法結(jié)合起來。同年，谷歌研究團(tuán)隊(duì)設(shè)計(jì)的GoogleNet深度卷積神經(jīng)網(wǎng)絡(luò)取得當(dāng)年ILSVRC比賽冠軍，該模型比Alex-Net更深，卻擁有更少的參數(shù)，準(zhǔn)確率也更高。特征提取網(wǎng)絡(luò)的更新，此后在R-CNN算法的基礎(chǔ)上，出現(xiàn)了一系列更優(yōu)的基于深度學(xué)習(xí)的算法。最初的R-CNN將卷積神經(jīng)網(wǎng)絡(luò)（CNN）用于區(qū)域的分類識(shí)別，候選區(qū)域的推薦采用了傳統(tǒng)的選擇性搜索算法（SelectiveSearch）。此后的2014年，在R-CNN的基礎(chǔ)上，何

點(diǎn)，根據(jù)實(shí)際需求和目標(biāo)類型設(shè)計(jì)不同的目標(biāo)檢測(cè)與識(shí)別算法。在傳統(tǒng)目標(biāo)檢測(cè)算法中，首先在檢測(cè)前通常需要對(duì)影像進(jìn)行預(yù)處理，如分割、灰度化等，以減少不必要的干擾信息。之后對(duì)圖像進(jìn)行初步檢測(cè)，一般用EdgeBoxes、選擇性搜索（SelectiveSearch）以及BING等算法產(chǎn)生候選區(qū)域[42]，之后再根據(jù)特征進(jìn)行分類。而基于深度學(xué)習(xí)的目標(biāo)檢測(cè)與識(shí)別算法，主要利用卷積神經(jīng)網(wǎng)絡(luò)產(chǎn)生候選區(qū)域并提取特征，之后進(jìn)行分類和識(shí)別。傳統(tǒng)方法和深度學(xué)習(xí)方法基本都是為了實(shí)現(xiàn)目標(biāo)分類和定位兩個(gè)任務(wù)，這也是目標(biāo)檢測(cè)需要解決的兩個(gè)核心問題[42]，圖2.1是當(dāng)前目標(biāo)檢測(cè)算法的一個(gè)總結(jié)歸納。圖2.1目標(biāo)檢測(cè)算法簡(jiǎn)介2.1飛機(jī)目標(biāo)的識(shí)別方法在遙感影像目標(biāo)檢測(cè)領(lǐng)域中，研究難點(diǎn)之一就是如何從要識(shí)別的特定目標(biāo)當(dāng)中，提取到有效的特征，并在檢測(cè)過程中能夠保證足夠高的準(zhǔn)確性。對(duì)于同一類別的目標(biāo)而言，他們?cè)谟跋裰械拇笮㈩伾约皞�(gè)體之間的形狀差異仍然存在。如何在干擾因素較多的遙感影像中找到具有明顯分辨能力的目標(biāo)特征以及進(jìn)行高效提取，是解決遙感影像目標(biāo)檢測(cè)問題的關(guān)鍵。遙感影像包含信息豐富，對(duì)其進(jìn)行檢測(cè)時(shí)可選擇信息較多，傳統(tǒng)特征提取方法，除充分利用常用的顏色、紋理和形狀三大特征外，還可以利用角點(diǎn)特征以及上下文等常用特征。在提取到特征之后，需要對(duì)特征進(jìn)行識(shí)別和分類，通常通過距離匹配、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)進(jìn)行。然而在基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法中，對(duì)目標(biāo)特征只進(jìn)行隱式的學(xué)習(xí)和提取，算法所學(xué)習(xí)到的特征更加抽象。但是在深度學(xué)習(xí)技術(shù)剛剛萌芽的初期，在處理遙感影像目標(biāo)檢測(cè)與識(shí)別時(shí)，卷積神經(jīng)網(wǎng)絡(luò)主要用來分類，仍然需要設(shè)計(jì)合理的特征進(jìn)行提齲從1903年美國(guó)萊特兄弟制造出第一架飛機(jī)開始，到今天飛機(jī)的種類和數(shù)量已經(jīng)遠(yuǎn)超當(dāng)初，與我們的生活?

【參考文獻(xiàn)】：
期刊論文
[1]光學(xué)遙感圖像飛機(jī)目標(biāo)識(shí)別算法[J]. 胡楠,李潤(rùn)生,王載武.  影像技術(shù). 2020(02)
[2]基于改進(jìn)YOLO v2的車輛實(shí)時(shí)檢測(cè)算法[J]. 卞山峰,張慶輝.  電子質(zhì)量. 2019(10)
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法進(jìn)展[J]. 張索非,馮燁,吳曉富.  南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(05)
[4]YOLO圖像檢測(cè)技術(shù)綜述[J]. 林健巍.  福建電腦. 2019(09)
[5]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法研究進(jìn)展[J]. 謝娟英,劉然.  陜西師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(05)
[6]光學(xué)遙感圖像目標(biāo)檢測(cè)方法[J]. 王倫文,馮彥卿,張孟伯.  系統(tǒng)工程與電子技術(shù). 2019(10)
[7]級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的遙感影像飛機(jī)目標(biāo)檢測(cè)[J]. 余東行,郭海濤,張保明,趙傳,盧俊.  測(cè)繪學(xué)報(bào). 2019(08)
[8]YOLO算法在目標(biāo)姿態(tài)檢測(cè)中的應(yīng)用[J]. 徐昆,朱國(guó)華,劉文鳳,范超.  電子技術(shù)與軟件工程. 2019(16)
[9]光學(xué)遙感圖像目標(biāo)檢測(cè)技術(shù)綜述[J]. 李曉斌,江碧濤,楊淵博,傅雨澤,岳文振.  航天返回與遙感. 2019(04)
[10]基于深度學(xué)習(xí)的遙感影像飛機(jī)目標(biāo)檢測(cè)方法[J]. 王冰,周焰,趙凱,吳長(zhǎng)飛.  空軍預(yù)警學(xué)院學(xué)報(bào). 2019(04)

博士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的光學(xué)遙感目標(biāo)檢測(cè)技術(shù)研究[D]. 丁鵬.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所) 2019
[2]基于遙感圖像的重要目標(biāo)特征提取與識(shí)別方法研究[D]. 張志龍.國(guó)防科學(xué)技術(shù)大學(xué) 2005

碩士論文
[1]基于YOLOv3的車輛計(jì)數(shù)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 孫政軍.北方民族大學(xué) 2019
[2]基于深度學(xué)習(xí)的光學(xué)遙感影像信息提取技術(shù)研究[D]. 張曉男.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所) 2019
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法研究[D]. 周天怡.哈爾濱工業(yè)大學(xué) 2019
[4]基于深度學(xué)習(xí)的衛(wèi)星遙感圖像艦船檢測(cè)[D]. 張靖奇.哈爾濱工業(yè)大學(xué) 2019
[5]光學(xué)遙感影像多尺度稠密目標(biāo)檢測(cè)方法研究與實(shí)現(xiàn)[D]. 付永康.西安電子科技大學(xué) 2019
[6]高分辨率遙感圖像中飛機(jī)目標(biāo)自動(dòng)檢測(cè)方法研究[D]. 任瑞龍.電子科技大學(xué) 2019
[7]基于深度學(xué)習(xí)的遙感影像飛機(jī)檢測(cè)方法研究[D]. 謝奇芳.中國(guó)地質(zhì)大學(xué)(北京) 2019
[8]基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法研究[D]. 黃莉芝.西南交通大學(xué) 2018
[9]基于深度學(xué)習(xí)的高分辨率遙感影像目標(biāo)檢測(cè)方法研究[D]. 劉鵬.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所) 2018
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)目標(biāo)識(shí)別研究[D]. 顏荔.中國(guó)科學(xué)技術(shù)大學(xué) 2018



本文編號(hào)：2926541