论文部分内容阅读
高分辨率遥感影像目标检测是分析理解影像、自动提取和处理影像中目标信息的重要手段，是军事对抗中捕获战略打击军事目标和智能化民用系统（如灾害监测、资源勘查、海事渔业、交通监管等）中的核心技术，具有重要的应用价值和现实意义。传统目标检测方法主要是利用手工特征（如SIFT、HOG、Gabor等图像描述算子）、滑动窗口和分类器实现。手工设计特征依赖于专业领域知识和数据本身的特性，并且计算量大，速度慢，在特定的、数据量较小的图像数据集上比较适用。随着遥感影像分辨率不断提升，数据量急剧增大，传统手工设计特征的方法已难以满足遥感技术快速发展的需要，因此需要寻求一种能够从大量图像数据集中自动学习有效特征的方法。近几年来非常热门的深度学习能从数据中自动学习特征，在语音识别和大规模图像数据库目标检测方面取得了重要突破，为遥感影像目标检测带来了新的进展。 本文在对遥感影像目标检测和深度学习相关理论进行充分调研的基础上，总结了遥感影像目标检测的主要难点和现有方法存在的问题，重点研究了基于深度学习的高分辨率、可见光遥感影像目标检测方法，主要工作如下: (1)传统遥感影像目标检测需要专家手工设计特征。针对手工设计特征存在专业性强和鲁棒性不高的问题，本文利用卷积神经网络从遥感影像目标数据库中自动学习影像特征。 (2)针对传统滑动窗口法产生的候选物体框质量不高，数量多和冗余性大的问题，本文提出了一种遥感目标高质量候选框选择算法，该方法先利用遥感目标边缘特征比较明细的特点，利用边缘信息框方法提取原始候选框。针对部分遥感小目标难以被候选框包含的问题，本文提出了边缘信息框方法增强措施，增加遥感小目标被检测的概率，提高产生候选框的召回率。然后结合遥感目标特性提出候选框筛选算法，进一步过滤掉大量不可能包含物体的候选框，最终产生数量较少、质量好的候选框，有效减轻特征提取模块和分类器的负担，为后续目标检测提供很好的保障。 (3)基于以上研究，本文设计了基于深度学习和高质量候选框选择算法的遥感影像目标检测系统，该系统首次将深度学习和边缘信息框方法结合起来应用到遥感影像目标检测上，并在手工构建的两种典型军事目标（飞机和油罐）数据库上完成了多组对比实验。实验结果表明，该系统在遥感影像典型军事目标检测上非常有效。卷积神经网络模型具有一定的旋转和平移不变性，能够有效地学习和提取遥感影像目标特征，能够很好地适应背景复杂、方向多变的遥感目标检测。遥感目标边缘信息非常明细，有利于候选框的生成。