發(fā)布時(shí)間：2017-12-08 17:06

  本文關(guān)鍵詞：基于MNCC模型的高分辨率遙感影像目標(biāo)識(shí)別

  更多相關(guān)文章： 目標(biāo)分類與識(shí)別 媒體神經(jīng)認(rèn)知計(jì)算 類腦計(jì)算 深度學(xué)習(xí) 認(rèn)知計(jì)算 并行計(jì)算

【摘要】：高分辨率遙感影像的目標(biāo)識(shí)別問題是海洋交通監(jiān)視、減災(zāi)應(yīng)急搜救、無人自主系統(tǒng)(UAS)(如無人機(jī)、無人車、無人潛航器、無人水面艇等自主機(jī)器人)等民用系統(tǒng)的核心技術(shù),也是軍事偵察、精確制導(dǎo)、海情監(jiān)控等軍事自動(dòng)目標(biāo)識(shí)別(ATR)系統(tǒng)的關(guān)鍵技術(shù)。伴隨著高分辨率對(duì)地觀測(cè)系統(tǒng)的發(fā)展,越來越多的行業(yè)應(yīng)用要求從高分辨率影像中提取更多有價(jià)值的目標(biāo)細(xì)節(jié)信息。然而中低分辨率遙感影像解譯體系已無法滿足高性能的目標(biāo)分類與識(shí)別(TCR)需求。特別由于背景的復(fù)雜性和目標(biāo)的多樣性,目標(biāo)識(shí)別的精度有效性和實(shí)時(shí)性問題尤為突出。此外由于相關(guān)應(yīng)用蘊(yùn)含的軍事背景、數(shù)據(jù)獲取困難以及技術(shù)管制等原因,目前公開報(bào)道涉及TCR方法的核心技術(shù)相對(duì)較少。為解決目標(biāo)識(shí)別的技術(shù)瓶頸,本文重點(diǎn)探索高分辨率遙感影像的高精度、高性能TCR的模型構(gòu)建和算法設(shè)計(jì),為相關(guān)研究提供基礎(chǔ)性的技術(shù)支撐。本文研究思路是:(1)分析高分辨率遙感影像TCR問題的技術(shù)瓶頸,模擬神經(jīng)認(rèn)知理論,建立面向遙感影像TCR應(yīng)用的層次化媒體神經(jīng)認(rèn)知計(jì)算(MNCC)模型。(2)基于MNCC模型的處理流程及顯著性計(jì)算理論,分別設(shè)計(jì)場(chǎng)景分類和目標(biāo)檢測(cè)算法,為目標(biāo)識(shí)別提供上下文先驗(yàn)知識(shí)。(3)基于MNCC模型處理框架,設(shè)計(jì)高分辨率遙感影像目標(biāo)識(shí)別算法。首先構(gòu)造層次化的集成分類器,實(shí)現(xiàn)高精度目標(biāo)識(shí)別;其次設(shè)計(jì)樣本擴(kuò)增方法,解決小樣本復(fù)雜對(duì)象的目標(biāo)識(shí)別問題。(4)研究并行化目標(biāo)識(shí)別算法提升識(shí)別效率,并將相關(guān)算法應(yīng)用于遙感影像處理系統(tǒng)的研發(fā)中。本文的主要工作和結(jié)論如下:(1)構(gòu)建了一種面向遙感影像TCR應(yīng)用的層次化MNCC模型。針對(duì)高分辨率遙感影像的TCR核心問題,深入分析了神經(jīng)系統(tǒng)的結(jié)構(gòu)與信息處理機(jī)制,研究認(rèn)知系統(tǒng)的視覺功能和層次處理架構(gòu)。構(gòu)造和設(shè)計(jì)了面向TCR的仿腦層次化的MNCC模型,并給出了MNCC模型TCR算法的形式化描述。(2)提出了基于脈沖神經(jīng)網(wǎng)絡(luò)的遙感目標(biāo)檢測(cè)算法。為克服自然圖像顯著性算法的局限性,在MNCC模型的顯著性計(jì)算理論指導(dǎo)下,提出一種基于脈沖神經(jīng)網(wǎng)絡(luò)和脈沖耦合神經(jīng)網(wǎng)絡(luò)的遙感影像視覺顯著性計(jì)算框架VSF-MNCC,并實(shí)現(xiàn)基于脈沖神經(jīng)網(wǎng)絡(luò)的遙感影像船舶檢測(cè)算法SD-SNN。在可見光船舶數(shù)據(jù)集HRSHTD和高分辨率SAR圖像中,船舶目標(biāo)檢測(cè)的虛警率和漏檢率分別達(dá)到9.48%和11.02%,實(shí)驗(yàn)表明VSF-MNCC顯著圖具備較高的分辨率,對(duì)于點(diǎn)狀和團(tuán)塊的目標(biāo)檢測(cè)性能提升具備較好的效果。(3)提出了基于MNCC模型的遙感場(chǎng)景分類算法。作為目標(biāo)識(shí)別的重要環(huán)節(jié),提出基于MNCC模型的遙感場(chǎng)景分類算法SC-MNCC,為TCR相關(guān)應(yīng)用的精度提升提供了上下文先驗(yàn)知識(shí)。在高分辨率遙感場(chǎng)景分類數(shù)據(jù)集HRSS和UCMLU的實(shí)驗(yàn)中,算法平均分類準(zhǔn)確度分別達(dá)到84.73%和88.26%,優(yōu)于常見場(chǎng)景分類算法,初步驗(yàn)證了MNCC模型的可行性。(4)提出了基于MNCC模型的高分辨率遙感影像的高精度目標(biāo)識(shí)別算法。為解決高精度的SAR圖像坦克目標(biāo)分類,設(shè)計(jì)基于深度脈沖卷積神經(jīng)網(wǎng)絡(luò)和層次隱狄利克雷分配模型的混合層次化目標(biāo)識(shí)別分類器,實(shí)現(xiàn)了基于多層次集成學(xué)習(xí)的目標(biāo)識(shí)別算法TCR-EL-MNCC。在公開的MSTAR數(shù)據(jù)集的實(shí)驗(yàn)表明,TCR-EL-MNCC算法在SAR坦克目標(biāo)的總體分類精度達(dá)到99.82%,優(yōu)于目前常見算法。為進(jìn)一步解決小樣本復(fù)雜對(duì)象的可見光影像船舶目標(biāo)識(shí)別,基于面向?qū)ο蠖喑叨葮颖緮U(kuò)增技術(shù),提出了目標(biāo)識(shí)別的增量強(qiáng)化學(xué)習(xí)算法TCR-IREL-OOMS。在HSTCR數(shù)據(jù)集的實(shí)驗(yàn)表明,TCR-IREL-OOMS算法在船舶目標(biāo)的平均識(shí)別率達(dá)到97.00%,接近MSTAR數(shù)據(jù)集的SAR坦克目標(biāo)的識(shí)別率。本研究表明,利用增量、強(qiáng)化和集成的學(xué)習(xí)機(jī)制,構(gòu)建的面向?qū)ο蠖喑叨鹊膶哟位?jì)算模型,符合人類對(duì)遙感影像的認(rèn)知特性。基于MNCC模型的目標(biāo)識(shí)別算法可有效實(shí)現(xiàn)復(fù)雜地物的信息提取工作。(5)提出和驗(yàn)證了并行化TCR的解決方案,并設(shè)計(jì)和實(shí)現(xiàn)了基于構(gòu)件的遙感影像信息處理和展示平臺(tái)。深入分析了遙感影像信息處理和展示平臺(tái)的功能需求,提出一種基于構(gòu)件模型的遙感影像處理軟件的開發(fā)方案,設(shè)計(jì)和實(shí)現(xiàn)了遙感應(yīng)用系統(tǒng)的并行處理架構(gòu)。并將基于MNCC模型的TCR算法應(yīng)用于軟件的研發(fā)中,最后對(duì)開發(fā)效果進(jìn)行系統(tǒng)分析和評(píng)價(jià)。為提升算法運(yùn)行效率和實(shí)用性,采用多機(jī)多核并行和GPU異構(gòu)計(jì)算技術(shù),設(shè)計(jì)了基于MNCC模型的混合異構(gòu)并行目標(biāo)識(shí)別算法PTCR-MP-MNCC。在HSTCR、MSTAR和MNIST三個(gè)數(shù)據(jù)集上實(shí)驗(yàn)和討論了相關(guān)參數(shù)對(duì)算法效率的影響。實(shí)驗(yàn)結(jié)果顯示,算法在HSTCR和MSTAR數(shù)據(jù)集最高加速比可達(dá)39.49和73.28。實(shí)踐表明基于MNCC模型的TCR算法在遙感影像信息提取上具備重要的應(yīng)用價(jià)值。綜上所述,遙感影像智能解譯涉及復(fù)雜的認(rèn)知過程和專業(yè)知識(shí),直接進(jìn)行復(fù)雜的圖像語義理解和計(jì)算往往存在較大的困難。針對(duì)高分辨率遙感影像目標(biāo)的多尺度認(rèn)知特性,利用神經(jīng)認(rèn)知機(jī)制首次構(gòu)建了一種面向遙感TCR應(yīng)用的層次化MNCC模型。設(shè)計(jì)面向?qū)ο蠖喑叨鹊母叻直媛蔬b感影像目標(biāo)識(shí)別算法,可有效提升分類識(shí)別的精度需求。針對(duì)高分辨率遙感影像處理存在較高的并行特性,合理有效地設(shè)計(jì)并行TCR算法,能大幅度改善UAS和ATR系統(tǒng)的實(shí)時(shí)性需求。本文所研究的面向TCR的層次化MNCC模型可有效提升高分辨率遙感影像的目標(biāo)檢測(cè)、場(chǎng)景分類和目標(biāo)識(shí)別任務(wù)的性能,并為實(shí)現(xiàn)高分辨率遙感影像的智能解譯和復(fù)雜的語義計(jì)算提供有益的借鑒和參考。
【學(xué)位授予單位】：河南大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP751
，

本文編號(hào)：1267141