论文部分内容阅读
对高分辨率遥感图像中飞机目标的检测识别是当前遥感图像处理领域的研究热点,在军事和民用方面均有着广泛的应用前景。现有很多方法采用了更加复杂的特征提升检测识别性能,但特征复杂性的提升往往伴随着计算量的增加,因而快速有效地在复杂场景中检测识别型号、姿态各异的飞机目标仍然是很具有挑战性的课题。 本文以机器学习理论为基础,着重研究了图像特征快速提取以及学习方法优化等问题。针对遥感图像目标检测与识别任务的不同特性,分别采用浅层机器学习以及深度学习方法实现了快速准确的飞机目标检测识别算法。 本文的主要工作及创新点总结如下: 1.提出一种基于ACF(Aggregated Channel Features)的多尺度滑动窗飞机目标检测方法。该方法针对现有特征难以同时兼顾复杂性和高效性的问题,在ACF的基础上构建了一种适用于飞机目标的快速有效特征。该特征通过通道扩展将多种简单特征组合在一起,包含了更加丰富的信息;同时检测时采用快速特征金字塔算法加速计算这些简单特征的金字塔,保证了多尺度检测算法的效率。该方法采用级联的Adaboost算法训练分类器,并提出一种两步非最大值抑制(Non-maximum Suppression,NMS)算法融合重叠的检测框。实验表明该检测方法能够快速准确地检测高分辨率光学遥感图像中的飞机目标。 2.提出了一种基于关键点检测的飞机识别方法。该方法首先构建了一种深度卷积回归网络实现飞机关键点的精确定位,该网络在提取全局特征的同时也学习了飞机关键点之间的几何关系,解决了基于分类网络的关键点检测算法中依赖局部特征,无法直接利用关键点间几何约束等问题。为了使关键点检测网络能够精确地定位不同旋转角度飞机的关键点位置,本文在预处理时利用旋转样本扩充数据集,并通过融合同一张测试图像不同旋转角度的关键点检测结果获取最终的关键点位置,以上两种策略使关键点检测错误率降低了80%。该飞机识别方法在由Quick Bird卫星图像飞机切片组成的实验数据集上识别率达到93.6%。