基于同心圆周滤波器与联合稀疏的高分遥感目标检测方法
发布时间：2021-02-21 16:32
在遥感目标检测中,遥感图像背景复杂,目标相较于遥感图像而言尺寸过小,且目标本身尺度多样化,因此遥感目标检测是一项具有很大挑战的任务。本文提出一种基于同心圆周滤波器与联合稀疏的遥感目标检测算法。该算法受霍夫变换启发,对圆周滤波器进行了改进,通过同心圆周之间的共线关系,对目标的角度信息进行了统计分析;并参考SIFT算法中的做法,以此作为旋转凭据,使得后续特征提取具备旋转不变性,提高联合稀疏分类性能;最终在DOTA数据集上验证了召回率的提升。
【文章来源】：科学技术创新. 2020,(35)
【文章页数】：2 页
【部分图文】：
本文检测算法的原理框图
⒒幼胖匾?饔?[2]。在现代战争中，为了取得空中优势，既快又准的检测识别出敌军飞机目标的动态信息就显得必不可少。在民用领域，飞机目标实时检测可作为分析客流量的依据。因此，针对飞机的检测研究具有十分重要的意义。2提出的方法本文算法的原理框图如图1所示，考虑到时间成本以及精度需求，本文检测算法按照由粗到精的思路设计，分为预检测以及精确检测两个阶段。图1本文检测算法的原理框图2.1基于同心圆周滤波器的目标主轴检测为了检测出飞机目标主轴方向，我们对某飞机目标构建一系列同心圆周滤波器，如图2(a)所示。设为，其中为最外层圆周，对应半径为，将其与目标重叠的像素点看做采样点，设为，length_i为对应圆周滤波器长度，图2(b)展示出内三层采样点以及相对坐标运算示意图2。通过下式可以将圆周上采样点的坐标转换为极坐标表示：(1)(2)然后再计算出各同心圆上采样点相对于最内层圆的相对角度如图2(b)所示：(3)由先验知识可知，飞机目标共分前机身、后机身、左机翼、右机翼等4个部件，因此可通过KNN方法，将相对角度集合分作4个角度表示，即，将相对角度值代入正切函数，即可判定出对称轴方向。找到目标主轴方向后，经过旋转到统一方向，后续特征即可满足旋转不变性。2.2基于空洞卷积的目标检测框融合后处理2.2.1空洞卷积空洞卷积与一般卷积的区别主要在于卷积核中注入空洞，这种结构就能在不使用池化层的情况下，增大单位像素的感受野。因为不使用下采样，所以这种结构能有效的弥补信息损失的缺点。二维空间上的空洞卷积可定义如下：(4)其中，kernel表示卷积核，img则是输入图像，则是卷积操作，表示空洞大校摘要：在遥感目标检测中，遥感图像背景复杂，目标相较于遥感图像而言尺寸过小，且目标?
2020.35科学技术创新2.2.2检测窗融合在目标检测过程中，通常会使用滑动窗口法从左到右自上而下地对测试图片进行扫描，假设相邻窗口的距离为步长step。当step=emptySize的时候，空洞卷积即可刚好与检测窗标志重叠，可以进行卷积运算。设最终识别出的检测框为，N为保留检测框数量，步长step为1。取的卷积核为，卷积核在检测标志图上逐步进行卷积：(5)(a)空洞卷积核在检测框标志图上滑动示意图(b)检测窗融合示意图图3检测窗的空洞卷积和融合示意图图3(a)所示为空洞卷积核以横纵两个方向逐步对检测框标志进行卷积，如此即可计算得到卷积结果。如果局部图像中，检测框大多围绕一个目标，只是互相之间略有点偏移，那么此时只需要对空洞卷积的结果进行一个局部最大池化即可找到局部检测框融合的中心，如图3(b)将参与运算的检测框标志所代表的检测区域展开，全部融合即可获得检测框融合以后的检测区域。3实验与分析3.1实验参数设置本实验基于DOTA数据集来验证算法的有效性。对每一幅待处理遥感图像，实验中挑选三种nbins分别为7、8、11的非局部自相似HOG特征作为分类特征（块大小选定40×40，块步伐20，单元格大小4×4，单元格步伐2，相似向量取20个）。这三种特征将直接输入多任务框架下的联合稀疏分类器，作为三个不同任务进行融合处理，最终由决策层得出综合判决结果。3.2结果与分析我们分别给出两种场景下本文检测算法的检测结果，如图4所示。可以看出本文算法可以很好地对遥感图像中的飞机目标进行精确检测。同时，表1给出本文检测算法与Faster-RCNN等多种目标检测算法的性能比较结果。表中分别给出目标检测的三个参数：召回率、精度和综合评价指标（F1-Measure），其中，综合评价指标是召回率和精度的调和均值，反应目标?
本文编号：3044618
【文章来源】：科学技术创新. 2020,(35)
【文章页数】：2 页
【部分图文】：
本文检测算法的原理框图
⒒幼胖匾?饔?[2]。在现代战争中，为了取得空中优势，既快又准的检测识别出敌军飞机目标的动态信息就显得必不可少。在民用领域，飞机目标实时检测可作为分析客流量的依据。因此，针对飞机的检测研究具有十分重要的意义。2提出的方法本文算法的原理框图如图1所示，考虑到时间成本以及精度需求，本文检测算法按照由粗到精的思路设计，分为预检测以及精确检测两个阶段。图1本文检测算法的原理框图2.1基于同心圆周滤波器的目标主轴检测为了检测出飞机目标主轴方向，我们对某飞机目标构建一系列同心圆周滤波器，如图2(a)所示。设为，其中为最外层圆周，对应半径为，将其与目标重叠的像素点看做采样点，设为，length_i为对应圆周滤波器长度，图2(b)展示出内三层采样点以及相对坐标运算示意图2。通过下式可以将圆周上采样点的坐标转换为极坐标表示：(1)(2)然后再计算出各同心圆上采样点相对于最内层圆的相对角度如图2(b)所示：(3)由先验知识可知，飞机目标共分前机身、后机身、左机翼、右机翼等4个部件，因此可通过KNN方法，将相对角度集合分作4个角度表示，即，将相对角度值代入正切函数，即可判定出对称轴方向。找到目标主轴方向后，经过旋转到统一方向，后续特征即可满足旋转不变性。2.2基于空洞卷积的目标检测框融合后处理2.2.1空洞卷积空洞卷积与一般卷积的区别主要在于卷积核中注入空洞，这种结构就能在不使用池化层的情况下，增大单位像素的感受野。因为不使用下采样，所以这种结构能有效的弥补信息损失的缺点。二维空间上的空洞卷积可定义如下：(4)其中，kernel表示卷积核，img则是输入图像，则是卷积操作，表示空洞大校摘要：在遥感目标检测中，遥感图像背景复杂，目标相较于遥感图像而言尺寸过小，且目标?
2020.35科学技术创新2.2.2检测窗融合在目标检测过程中，通常会使用滑动窗口法从左到右自上而下地对测试图片进行扫描，假设相邻窗口的距离为步长step。当step=emptySize的时候，空洞卷积即可刚好与检测窗标志重叠，可以进行卷积运算。设最终识别出的检测框为，N为保留检测框数量，步长step为1。取的卷积核为，卷积核在检测标志图上逐步进行卷积：(5)(a)空洞卷积核在检测框标志图上滑动示意图(b)检测窗融合示意图图3检测窗的空洞卷积和融合示意图图3(a)所示为空洞卷积核以横纵两个方向逐步对检测框标志进行卷积，如此即可计算得到卷积结果。如果局部图像中，检测框大多围绕一个目标，只是互相之间略有点偏移，那么此时只需要对空洞卷积的结果进行一个局部最大池化即可找到局部检测框融合的中心，如图3(b)将参与运算的检测框标志所代表的检测区域展开，全部融合即可获得检测框融合以后的检测区域。3实验与分析3.1实验参数设置本实验基于DOTA数据集来验证算法的有效性。对每一幅待处理遥感图像，实验中挑选三种nbins分别为7、8、11的非局部自相似HOG特征作为分类特征（块大小选定40×40，块步伐20，单元格大小4×4，单元格步伐2，相似向量取20个）。这三种特征将直接输入多任务框架下的联合稀疏分类器，作为三个不同任务进行融合处理，最终由决策层得出综合判决结果。3.2结果与分析我们分别给出两种场景下本文检测算法的检测结果，如图4所示。可以看出本文算法可以很好地对遥感图像中的飞机目标进行精确检测。同时，表1给出本文检测算法与Faster-RCNN等多种目标检测算法的性能比较结果。表中分别给出目标检测的三个参数：召回率、精度和综合评价指标（F1-Measure），其中，综合评价指标是召回率和精度的调和均值，反应目标?
本文编号：3044618
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3044618.html
