论文部分内容阅读
车辆与道路作为交通运输的主要载体,掌握其大范围、全路域的数量及分布特征能够实时获取交通信息,对建设智慧城市意义重大。由于目前地面传感器监测成本高,传统检测技术已不能满足交通信息监测的需求,而近年来迅速发展的现代遥感技术为监测交通信息带来了新手段,航空遥感技术的兴起使得人们能够获得大量的高清航拍影像数据,为大范围交通信息的识别定位提供了可能。为了能从影像上高效精准的判别出车辆目标,本文将深度学习算法与遥感技术相结合,针对无人机影像车辆检测提出了一种基于道路区域的Faster R-CNN目标检测方法,首先对无人机影像进行道路区提取,道路感兴趣区域提取不仅能够减少车辆识别中非道路上的虚警而且很大程度上降低了待检测数据的计算量,在此基础上利用Faster R-CNN卷积神经网络模型实现车辆目标检测与定位。主要工作如下:(1)首先引入几种常用深度学习网络模型,通过对深度卷积神经网络的原理方法及结构特点详细阐述和分析,说明了其在图像识别方面的独特优势,并简单概括了近年来深度学习中各目标识别框架在车辆检测方面的相关工作。(2)无人机影像车辆潜在道路区域提取。首先提出了针对语义分割的深度全卷积神经网络方法,通过构建全卷积神经网络的分类模型实现无人机影像道路提取。整个网络训练由python语言对接Mxnet框架实现,网络通过不断迭代学习获得样本数据不同层次的特征表达,整个训练过程共迭代了 70000次,最终得到的网络模型能够实现高精度的道路提取,与面向对象分类相较训练简易。经验证,全卷积神经网络道路提取模型精度较传统的面向对象方法分类精度提升了10%,Kappa系数增加0.11。此外,全卷积神经网络道路提取方法体现了端到端、数据驱动的思想,不需要专门设计特征,尽量减少人工参与步骤,较面向对象方法无论在泛化性能和自动化水平上都有很大的提高。(3)研究了 一种基于道路区域约束的Faster R-CNN深度卷积网络的车辆检测方法,分别构建了单一目标和多目标两种车辆检测模型。Faster R-CNN车辆检测网络模型采用样本训练方法学习网络模型参数,整个网络训练过程是由python语言对接Mxnet框架实现的,以原始光谱值作为输入,使用迁移学习技术用样本微调网络,有效地构建了面向无人机数据车辆识别的深度卷积网络模型。在实验中对380张图像进行检测,整体用时小于3分钟,经验证,基于Faster R-CNN单一类别和多类别车辆目标检测模型测试结果的mAP值分别达到0.904和0.843,有效的解决了在复杂场景下无人机影像车辆检测问题。