基于典型几何形状精确回归的机场跑道检测方法

发布时间：2021-10-28 06:32

　　在遥感探测领域,实现复杂环境条件下机场跑道类地物目标和轮廓的精确检测具有重要意义。以YOLOv3为代表的主流深度学习算法在目标检测领域取得了显著的成绩,但该方法只能以矩形框给出目标的粗略位置,检测结果具有一定的背景区域且无法准确得到角点位置。针对以上问题,提出一种基于典型几何形状精确回归的机场跑道检测方法。综合利用典型四边形角点回归策略、四边形锚框机制、四边形的非极大值抑制模块以及目标几何拓扑关系,通过网络的轻量化设计和模型压缩,实现对目标在仿射畸变下成像特征的学习,能够快速预测目标的角点坐标,并以目标的四边形轮廓给出其位置。仿真实验结果表明,该算法具备机场跑道目标类型区分和轮廓提取的功能,有效地解决了实际应用中的目标精确定位难题;在不损失精度基础上网络经压缩后较压缩前的检测速度提高了1倍,大幅提升了自动目标检测的准确性和高效性。 

【文章来源】：兵工学报. 2020,41(10)北大核心EICSCD

【文章页数】：10 页

【图文】：

四边形锚框生成图

4)连接点1、3和点2、4得到两条线，比较它们的斜率，取大斜率线上的x值较小点作为新的点1，剩下的点按照前3步的方法依次确定，这样就唯一确定了这4点的顺序。算法按照上述协议对标签中四边形的角点进行读取，输入网络进行反馈训练，网络便可以学习到四边形的顺序。在推理时，网络可以利用学习到的这一知识直接回归出带有顺序的角点坐标。

然而，两个四边形框的交集和并集很难用几何公式进行计算。针对该问题，本节通过统计学上著名的蒙特卡洛算法来快速准确地计算两个四边形的交集和并集，该方法适合并行运算，可有效地提高算法的计算效率。算法的原理简图如图4所示。图4 四边形Io U计算方法原理图

【参考文献】：
期刊论文
[1]基于改进SSD的舰船目标精细化检测方法[J]. 梁杰,李磊,周红丽.  导航定位与授时. 2019(05)
[2]基于深度学习的红外图像遮挡干扰检测方法[J]. 梁杰,李磊,任君,齐航,周红丽.  兵工学报. 2019(07)
[3]基于深度学习的跑道前视红外图像轮廓线提取[J]. 袁雷,程岳,牛文生,罗午阳.  电讯技术. 2019(02)
[4]基于直线和区域显著性融合机制的机场检测[J]. 潘治鸿,窦浩,刘迪,田金文.  计算机工程与应用. 2018(08)
[5]改进区域卷积神经网络的机场检测方法[J]. 朱明明,许悦雷,马时平,唐红,辛鹏,马红强.  光学学报. 2018(07)
[6]区域提取网络结合自适应池化网络的机场检测[J]. 辛鹏,许悦雷,马时平,李帅,吕超.  西安电子科技大学学报. 2018(03)
[7]遥感图像中的机场跑道检测算法[J]. 艾淑芳,闫钧华,李大雷,许俊峰,沈静.  电光与控制. 2017(02)



本文编号：3462413