论文部分内容阅读
目标检测是机器视觉和数字图像处理技术的一个重要研究方向，主要包含特征提取、描述和匹配，同时也是图像拼接、目标跟踪、运动分析、目标识别、视觉导航研究领域的基础。这些应用处理需求不同，包括对处理时间(在线、离线或实时)、遮挡的鲁棒性、旋转的不变性以及多角度的最优检测。然而，光学遥感图像的目标检测依然存在诸多局限性，因此本文针对这些不足进行分析与改进。在计算机视觉领域，现今最优秀的特征提取方法主要根据待检测对象的类别和结构进行识别，此外特征匹配也是其检测过程的核心步骤。
在目标检测过程，由于光学遥感图像尺寸大、背景环境复杂、受遮挡和色彩变化影响，对光学遥感图像的目标检测方法提出了更高的要求。现今的训练过程不仅耗时而且需要大量的内存来存储训练图像，使许多传统的、先进的方法都面临着计算时间过长的问题。同时边界框回归(BBR)也在目标检测中起着重要作用。在低分辨率图像的训练过程中，由于目标方向的不确定性以及复杂的目标表面会产生许多无用边界框。此外，候选区域筛选也对目标检测有很大影响，研究人员提出了许多先进的搜索算法(例如选择性搜索(SS))，这些候选区域筛选算法克服了早期算法的不足，如处理速度慢、精度低以及计算复杂度高问题。通常，这些方法通过降低单个目标提取区域的精度来满足多目标提取需求。卫星图像处理依赖于图像的质量，由于低分辨率的限制，阴影区域很难提取出准确的信息。根据光学遥感图像处理的这些局限性，我们提出如下解决方案：
(1)通过研究不同类型的图像对BRISK、SIFT、SURF、FAST、HOG和LBP特征提取方法的性能进行评估。提出了基于SURF与FAST和BRISK特征联合的特征提取方法，并将该方法用于特征匹配以提供最优解。此外，利用RANSAC和MSAC对离群点进行剔除，目的是得到最优特征匹配。
(2)本文提出了一种有效的区域提取方法，并与选择性搜索区域建议方法进行了对比。本文算法主要分为两步：第一步是使用级联系统提取候选区域。第二步是基于提取区域建议的分类，利用卷积神经网络(CNN)和AlexNet结构进行迁移学习。同时，利用快速搜索组合提取特征并用支持向量机对提取的建议区域进行分类。简要对比和分析了AlexNet与传统组合特征，提出了一种基于场景的目标检测方法。首先，将特定场景划分为多个场景。其次，根据分类后的场景进行目标检测。场景分类采用基于AlexNet的迁移学习，目标检测采用Faster-RCNN算法，训练和测试图像采用DOTA数据集和GoogleEarth截取图像。
(3)为了提高目标检测准确率，首先评估和分析了传统基于区域的边界框回归(BBR)方法在目标检测中的应用，进而提出了本文方法，共包含两个阶段。第一阶段，在边界框回归中，估计每个边界框的尺寸，然后根据被检测到物体的尺寸去除不符合要求的边界框。通过与基于区域的方法即RCNN、Fast-RCNN和Faster-RCNN进行对比分析，从而对本文提出方法的有效性进行验证。第二阶段，提出了基于压缩和下采样的图像训练方法，大幅降低了训练时间。为了验证本文算法，我们首先将RCNN、Fast-RCNN、Faster-RCNN和级联检测器在三种类型训练图像集进行训练，最后在VEDAI数据集上进行验证对比实验。
(4)为了对阴影区域的车辆进行检测，我们使用HOG进行局部特征提取和SVM进行分类。阴影图像检测不仅检测过程困难、复杂，而且检测率非常低，因此通过对图像进行预处理来提高阴影区域下的车辆检测率，因为通常非阴影区域比阴影区域具有更高的检测率。
在目标检测过程，由于光学遥感图像尺寸大、背景环境复杂、受遮挡和色彩变化影响，对光学遥感图像的目标检测方法提出了更高的要求。现今的训练过程不仅耗时而且需要大量的内存来存储训练图像，使许多传统的、先进的方法都面临着计算时间过长的问题。同时边界框回归(BBR)也在目标检测中起着重要作用。在低分辨率图像的训练过程中，由于目标方向的不确定性以及复杂的目标表面会产生许多无用边界框。此外，候选区域筛选也对目标检测有很大影响，研究人员提出了许多先进的搜索算法(例如选择性搜索(SS))，这些候选区域筛选算法克服了早期算法的不足，如处理速度慢、精度低以及计算复杂度高问题。通常，这些方法通过降低单个目标提取区域的精度来满足多目标提取需求。卫星图像处理依赖于图像的质量，由于低分辨率的限制，阴影区域很难提取出准确的信息。根据光学遥感图像处理的这些局限性，我们提出如下解决方案：
(1)通过研究不同类型的图像对BRISK、SIFT、SURF、FAST、HOG和LBP特征提取方法的性能进行评估。提出了基于SURF与FAST和BRISK特征联合的特征提取方法，并将该方法用于特征匹配以提供最优解。此外，利用RANSAC和MSAC对离群点进行剔除，目的是得到最优特征匹配。
(2)本文提出了一种有效的区域提取方法，并与选择性搜索区域建议方法进行了对比。本文算法主要分为两步：第一步是使用级联系统提取候选区域。第二步是基于提取区域建议的分类，利用卷积神经网络(CNN)和AlexNet结构进行迁移学习。同时，利用快速搜索组合提取特征并用支持向量机对提取的建议区域进行分类。简要对比和分析了AlexNet与传统组合特征，提出了一种基于场景的目标检测方法。首先，将特定场景划分为多个场景。其次，根据分类后的场景进行目标检测。场景分类采用基于AlexNet的迁移学习，目标检测采用Faster-RCNN算法，训练和测试图像采用DOTA数据集和GoogleEarth截取图像。
(3)为了提高目标检测准确率，首先评估和分析了传统基于区域的边界框回归(BBR)方法在目标检测中的应用，进而提出了本文方法，共包含两个阶段。第一阶段，在边界框回归中，估计每个边界框的尺寸，然后根据被检测到物体的尺寸去除不符合要求的边界框。通过与基于区域的方法即RCNN、Fast-RCNN和Faster-RCNN进行对比分析，从而对本文提出方法的有效性进行验证。第二阶段，提出了基于压缩和下采样的图像训练方法，大幅降低了训练时间。为了验证本文算法，我们首先将RCNN、Fast-RCNN、Faster-RCNN和级联检测器在三种类型训练图像集进行训练，最后在VEDAI数据集上进行验证对比实验。
(4)为了对阴影区域的车辆进行检测，我们使用HOG进行局部特征提取和SVM进行分类。阴影图像检测不仅检测过程困难、复杂，而且检测率非常低，因此通过对图像进行预处理来提高阴影区域下的车辆检测率，因为通常非阴影区域比阴影区域具有更高的检测率。