基于卷積神經(jīng)網(wǎng)絡的高分辨率遙感影像機場與飛機檢測.pdf

1、遙感影像中的典型地物目標檢測一直是遙感影像解譯的一個重要內(nèi)容。隨著衛(wèi)星遙感成像技術飛速發(fā)展，如何實時、高效地從遙感數(shù)據(jù)中自動提取所需要的信息，快速、準確的檢測出特定目標是當前研究的熱點。傳統(tǒng)檢測方法都是提取人工設計的特征訓練分類器的思路，因此，如何選擇具有代表性和可區(qū)分性的目標特征成為提高檢測準確性的一個關鍵因素。卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks，CNN)作為深度學習模型的一種，通過建立類似于人腦

2、的分層模型結構，自動學習數(shù)據(jù)特征，并且還具有處理大數(shù)據(jù)的能力，近年來在人臉檢測、語音識別、圖像分類等方面取得成功，但在遙感相關領域應用還不多，因此探索將卷積神經(jīng)網(wǎng)絡應用于遙感領域具有重要的理論意義和廣闊的應用前景。
　　本文重點研究將卷積神經(jīng)網(wǎng)絡應用于遙感影像目標檢測，針對機場與飛機兩類不同典型目標的特點，分別相應地提出了基于卷積神經(jīng)網(wǎng)絡的機場與飛機檢測算法。主要研究內(nèi)容及創(chuàng)新體現(xiàn)在以下兩個方面：
　　(1)提出了一種基于視

3、覺注意計算模型和CNN-BoW的機場檢測算法。首先，采用基于圖的視覺顯著性(GBVS)模型對大幅遙感影像進行顯著性檢測，根據(jù)顯著圖提取機場感興趣區(qū)域(ROI)；然后，采用基于Hough變換的直線檢測方法對ROI進行初步篩選和優(yōu)化，這樣可以減少計算量，同時避免大面積背景帶來的干擾；最后，通過 CNN-BoW模型得到ROI區(qū)域的特征表達，并通過支持向量機(SVM)分類器對ROI區(qū)域進行分類。對于分類結果為機場的區(qū)域標記到原始遙感影像中，即為

4、最終的檢測結果。CNN-BoW模型主要是將CNN提取的特征作為單詞訓練詞包模型(BoW)，構建視覺詞典，從而實現(xiàn)圖像特征表達。在建立的大幅遙感影像機場檢測數(shù)據(jù)集上的實驗結果表明，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場檢測算法比基于SIFT特征的機場檢測算法的檢測召回率提高10％，檢測虛警率降低8%。
　　(2)提出了一種多結構卷積神經(jīng)網(wǎng)絡模型(MSCNNs)并應用于高分遙感影像中飛機目標檢測。該模型從CNN的