基于卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像機(jī)場(chǎng)與飛機(jī)檢測(cè).pdf

1、遙感影像中的典型地物目標(biāo)檢測(cè)一直是遙感影像解譯的一個(gè)重要內(nèi)容。隨著衛(wèi)星遙感成像技術(shù)飛速發(fā)展，如何實(shí)時(shí)、高效地從遙感數(shù)據(jù)中自動(dòng)提取所需要的信息，快速、準(zhǔn)確的檢測(cè)出特定目標(biāo)是當(dāng)前研究的熱點(diǎn)。傳統(tǒng)檢測(cè)方法都是提取人工設(shè)計(jì)的特征訓(xùn)練分類(lèi)器的思路，因此，如何選擇具有代表性和可區(qū)分性的目標(biāo)特征成為提高檢測(cè)準(zhǔn)確性的一個(gè)關(guān)鍵因素。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)作為深度學(xué)習(xí)模型的一種，通過(guò)建立類(lèi)似于人腦

2、的分層模型結(jié)構(gòu)，自動(dòng)學(xué)習(xí)數(shù)據(jù)特征，并且還具有處理大數(shù)據(jù)的能力，近年來(lái)在人臉檢測(cè)、語(yǔ)音識(shí)別、圖像分類(lèi)等方面取得成功，但在遙感相關(guān)領(lǐng)域應(yīng)用還不多，因此探索將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于遙感領(lǐng)域具有重要的理論意義和廣闊的應(yīng)用前景。
　　本文重點(diǎn)研究將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于遙感影像目標(biāo)檢測(cè)，針對(duì)機(jī)場(chǎng)與飛機(jī)兩類(lèi)不同典型目標(biāo)的特點(diǎn)，分別相應(yīng)地提出了基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)與飛機(jī)檢測(cè)算法。主要研究?jī)?nèi)容及創(chuàng)新體現(xiàn)在以下兩個(gè)方面：
　　(1)提出了一種基于視

3、覺(jué)注意計(jì)算模型和CNN-BoW的機(jī)場(chǎng)檢測(cè)算法。首先，采用基于圖的視覺(jué)顯著性(GBVS)模型對(duì)大幅遙感影像進(jìn)行顯著性檢測(cè)，根據(jù)顯著圖提取機(jī)場(chǎng)感興趣區(qū)域(ROI)；然后，采用基于Hough變換的直線檢測(cè)方法對(duì)ROI進(jìn)行初步篩選和優(yōu)化，這樣可以減少計(jì)算量，同時(shí)避免大面積背景帶來(lái)的干擾；最后，通過(guò) CNN-BoW模型得到ROI區(qū)域的特征表達(dá)，并通過(guò)支持向量機(jī)(SVM)分類(lèi)器對(duì)ROI區(qū)域進(jìn)行分類(lèi)。對(duì)于分類(lèi)結(jié)果為機(jī)場(chǎng)的區(qū)域標(biāo)記到原始遙感影像中，即為

4、最終的檢測(cè)結(jié)果。CNN-BoW模型主要是將CNN提取的特征作為單詞訓(xùn)練詞包模型(BoW)，構(gòu)建視覺(jué)詞典，從而實(shí)現(xiàn)圖像特征表達(dá)。在建立的大幅遙感影像機(jī)場(chǎng)檢測(cè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，CNN提取的特征能夠使單詞更具有區(qū)分性，因而本文所提出的機(jī)場(chǎng)檢測(cè)算法比基于SIFT特征的機(jī)場(chǎng)檢測(cè)算法的檢測(cè)召回率提高10％，檢測(cè)虛警率降低8%。
　　(2)提出了一種多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型(MSCNNs)并應(yīng)用于高分遙感影像中飛機(jī)目標(biāo)檢測(cè)。該模型從CNN的