Haar-like特征在稀疏建筑物检测中的应用
发布时间：2021-08-20 17:53
以高原无人区稀疏建筑物为研究对象,将Hough变换、Haar-like特征与AdaBoost算法相结合构造强分类器,利用高分辨率遥感影像快速精确地从无人区检测出固定稀疏建筑物。首先对影像进行边缘检测、Hough变换的直线提取与几何旋转校正,将实际可能是任何角度的建筑物旋转成水平或垂直状态,再将旋转后图像提取Haar-like特征后利用AdaBoost算法进行分类。实验证明,该算法原理简单,能有效解决仅用Haar-like特征精度不适应建筑物角度多变的问题,说明了Hough变换直线特征提取与Haar-like矩形特征提取多角度稀疏建筑物的可行性,为快速精确检测无人区的稀疏建筑物提供了新思路。
【文章来源】：测绘地理信息. 2020,45(03)
【文章页数】：5 页
【部分图文】：
图像旋转校正
对训练样本集进行边缘检测、Hough变换提取建筑物直线特征、粗检筛选与图像校正,将校正的图像提取Haar-like特征后在检验的AdaBoost分类器中进行识别。Haar-like特征+AdaBoost分类器可以快速提取并利用简单几何特征进行分类,对边缘、线性特征有很好的识别能力,但效果还有待提高。在选取阈值的时候,为了更好地搜索出所有的稀疏建筑物,应可以有少量错检但尽量无漏检。用稀疏建筑物为正样本,戈壁、森林、河流、灌木、沙漠海滩为负样本。在训练过程中经过阈值的选定,最后准确率可以达到76%。与仅使用Haar-like特征与AdaBoost分类器相比,Hough变换与Haar-like特征相结合能通去掉部分不含有房屋的建筑物,排除部分有人工痕迹的图像(如道路),并且能检测出部分不结合Hough变换时漏检的多角度建筑物,经过Hough变换提取直线特征,再旋转校正后,用Haar-like提取矩形特征,能解决仅使用Haar-like特征不适应建筑物角度多变的问题。最后针对高分辨率遥感影像进行稀疏建筑物检测。将高分辨率图像利用滑块分窗,对每个滑窗进行边缘检测、Hough变换提取建筑物直线特征与图像旋转校正,将校正的图像提取Haar特征后放入检验的AdaBoost分类器中进行识别。图5是对分辨率达到0.2 m的航空影像进行验证的结果图。图5中实验区内有两个稀疏建筑物,其余部分为林地与道路,这与算法得出的结果相符。
最后针对高分辨率遥感影像进行稀疏建筑物检测。将高分辨率图像利用滑块分窗,对每个滑窗进行边缘检测、Hough变换提取建筑物直线特征与图像旋转校正,将校正的图像提取Haar特征后放入检验的AdaBoost分类器中进行识别。图5是对分辨率达到0.2 m的航空影像进行验证的结果图。图5中实验区内有两个稀疏建筑物,其余部分为林地与道路,这与算法得出的结果相符。3 结束语
【参考文献】：
期刊论文
[1]一种多特征融合的高分辨率遥感影像道路中心线提取算法[J]. 蒋星详,肖莉. 测绘地理信息. 2019(04)
[2]Jason2卫星测高数据在长江中游水位监测中的应用[J]. 王红,孙福宝,杨涛,刘法. 三峡生态环境监测. 2018(03)
[3]利用LiDAR和航空影像的屋顶边缘提取及优化[J]. 朱琴,杨英宝,张宁宁. 地理空间信息. 2018(04)
[4]无人飞艇低空高光谱遥感数据采集和处理初探[J]. 任文艺,伍丹,秦林. 三峡生态环境监测. 2016(02)
[5]基于扩展Haar特征的AdaBoost人脸检测算法[J]. 颜学龙,任文帅,马峻. 计算机系统应用. 2015(09)
[6]多特征多阈值级联AdaBoost行人检测器[J]. 崔华,张骁,郭璐,袁超,薛世焦,宋焕生. 交通运输工程学报. 2015(02)
[7]基于新Haar-like特征的Adaboost人脸检测算法[J]. 江伟坚,郭躬德,赖智铭. 山东大学学报(工学版). 2014(02)
[8]一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法[J]. 文学志,方巍,郑钰辉. 电子学报. 2011(05)
[9]利用AdaBoost算法进行高分辨率影像的面向对象分类[J]. 龚健雅,姚璜,沈欣. 武汉大学学报(信息科学版). 2010(12)
[10]基于新Haar-like特征的多角度人脸检测[J]. 刘晓克,孙燮华,周永霞. 计算机工程. 2009(19)
博士论文
[1]智能交通系统中基于视频的行人检测与跟踪方法的研究[D]. 汤义.华南理工大学 2010
硕士论文
[1]基于AdaBoost的人脸检测与跟踪算法研究[D]. 张山林.兰州大学 2013
本文编号：3353957
【文章来源】：测绘地理信息. 2020,45(03)
【文章页数】：5 页
【部分图文】：
图像旋转校正
对训练样本集进行边缘检测、Hough变换提取建筑物直线特征、粗检筛选与图像校正,将校正的图像提取Haar-like特征后在检验的AdaBoost分类器中进行识别。Haar-like特征+AdaBoost分类器可以快速提取并利用简单几何特征进行分类,对边缘、线性特征有很好的识别能力,但效果还有待提高。在选取阈值的时候,为了更好地搜索出所有的稀疏建筑物,应可以有少量错检但尽量无漏检。用稀疏建筑物为正样本,戈壁、森林、河流、灌木、沙漠海滩为负样本。在训练过程中经过阈值的选定,最后准确率可以达到76%。与仅使用Haar-like特征与AdaBoost分类器相比,Hough变换与Haar-like特征相结合能通去掉部分不含有房屋的建筑物,排除部分有人工痕迹的图像(如道路),并且能检测出部分不结合Hough变换时漏检的多角度建筑物,经过Hough变换提取直线特征,再旋转校正后,用Haar-like提取矩形特征,能解决仅使用Haar-like特征不适应建筑物角度多变的问题。最后针对高分辨率遥感影像进行稀疏建筑物检测。将高分辨率图像利用滑块分窗,对每个滑窗进行边缘检测、Hough变换提取建筑物直线特征与图像旋转校正,将校正的图像提取Haar特征后放入检验的AdaBoost分类器中进行识别。图5是对分辨率达到0.2 m的航空影像进行验证的结果图。图5中实验区内有两个稀疏建筑物,其余部分为林地与道路,这与算法得出的结果相符。
最后针对高分辨率遥感影像进行稀疏建筑物检测。将高分辨率图像利用滑块分窗,对每个滑窗进行边缘检测、Hough变换提取建筑物直线特征与图像旋转校正,将校正的图像提取Haar特征后放入检验的AdaBoost分类器中进行识别。图5是对分辨率达到0.2 m的航空影像进行验证的结果图。图5中实验区内有两个稀疏建筑物,其余部分为林地与道路,这与算法得出的结果相符。3 结束语
【参考文献】：
期刊论文
[1]一种多特征融合的高分辨率遥感影像道路中心线提取算法[J]. 蒋星详,肖莉. 测绘地理信息. 2019(04)
[2]Jason2卫星测高数据在长江中游水位监测中的应用[J]. 王红,孙福宝,杨涛,刘法. 三峡生态环境监测. 2018(03)
[3]利用LiDAR和航空影像的屋顶边缘提取及优化[J]. 朱琴,杨英宝,张宁宁. 地理空间信息. 2018(04)
[4]无人飞艇低空高光谱遥感数据采集和处理初探[J]. 任文艺,伍丹,秦林. 三峡生态环境监测. 2016(02)
[5]基于扩展Haar特征的AdaBoost人脸检测算法[J]. 颜学龙,任文帅,马峻. 计算机系统应用. 2015(09)
[6]多特征多阈值级联AdaBoost行人检测器[J]. 崔华,张骁,郭璐,袁超,薛世焦,宋焕生. 交通运输工程学报. 2015(02)
[7]基于新Haar-like特征的Adaboost人脸检测算法[J]. 江伟坚,郭躬德,赖智铭. 山东大学学报(工学版). 2014(02)
[8]一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法[J]. 文学志,方巍,郑钰辉. 电子学报. 2011(05)
[9]利用AdaBoost算法进行高分辨率影像的面向对象分类[J]. 龚健雅,姚璜,沈欣. 武汉大学学报(信息科学版). 2010(12)
[10]基于新Haar-like特征的多角度人脸检测[J]. 刘晓克,孙燮华,周永霞. 计算机工程. 2009(19)
博士论文
[1]智能交通系统中基于视频的行人检测与跟踪方法的研究[D]. 汤义.华南理工大学 2010
硕士论文
[1]基于AdaBoost的人脸检测与跟踪算法研究[D]. 张山林.兰州大学 2013
本文编号：3353957
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3353957.html
