论文部分内容阅读
随着海量高分辨率遥感图像数据的出现,如何快速有效地从遥感图像中提取人们所需要的信息已经日益成为一个迫切的问题。其中遥感图像机动目标检测在很多应用中有广泛需求,如军事安全,城市规划,城市导航等。高分辨率图像相对于中低分辨率图像可以提供更多的细节信息,有利于得到更加精准的检测结果。因此,近年来高分辨率遥感图像目标检测受到了广泛的关注。最近十几年提出了很多方法解决这个问题,但是没有一个快速、高准确率而且鲁棒的方法。因此,迫切需要对其进行理论和算法方面的研究。 本文首先分析了高分辨率遥感图像机动目标检测的几个难点,并对现有目标检测方法进行了系统的总结。针对已有遥感图像目标检测方法在搜索定位、特征提取和分类方面的不足,本文提出了一种有效的遥感图像目标检测方法。然后在此基础上提升并改进了该目标检测方法。本文的主要工作和贡献如下: 1.我们提出一种自动并且高效的遥感图像车辆检测方法。该方法能在检测的速度和准确率上并重,我们提出的方法由两个阶段组成: (1)针对我们的遥感图像车辆检测问题,我们首先用改进的规范化二进制梯度(binary normed gradients,BING)提取候选区域,这样可以在保证极高目标检测率(detection rate,DR)的情况下快速定位车辆候选区域,并且通过减少了需要搜索的空间而大大提升了后续分类的计算效率。 (2)为了提高遥感图像车辆候选区域分类的鲁棒性和准确率,我们选择使用卷积神经网络(convolutional neural network,CNN)完成特征提取和分类。在实验中,我们选择利用优秀的深度学习开源框架——Caffe来实现我们的卷积神经网络,并且在图像计算单元(Graphics Processing Unit,GPU)上加速计算,也取得了很好的实验效果。 后续实验结果表明,与目前最好的方法相比,我们所提出的方法在检测速度和准确率两方面均有很明显的优势。 2.我们提出将稀疏性约束加入上面我们提出的高分辨率遥感图像车辆检测方法中。通常卷积神经网络权值的初始化是随机初始化,我们通过使用稀疏自编码器(sparse autoencoder)对卷积神经网络进行预训练,所以通过加入稀疏性约束,我们让卷积神经网络有了更好的初始权值。通过对比实验也证明我们这种方法确实有助于提高车辆检测的准确率。