航空器检测识别的研究与应用

发布时间：2021-04-14 00:46

　　目标检测与识别是计算机视觉领域的基础性研究课题,也是大量高级任务的必备前提向来是该领域的热点研究问题。由于应用场景通常复杂多变,需要考虑视角变化、光照变化、遮挡、尺度、噪声等等各种因素,同一类物体在图像上的表现往往差异巨大。人类视觉能够从图像中轻易获取到的高级语义信息,比如图像中是否包含某样物体,具体位置在哪,对于计算机来说却是困难重重,因此在过去几十年中激励着大批研究人员密切关注并投入研究。本文针对大尺寸军用机场卫星图像中的航空器目标检测的子任务,分别实现并对比了基于局部特征的目标检测算法和基于深度学习的目标检测算法的表现;接着针对航空器类型识别的子任务,对比了基于卷积神经网络实现的两种分类算法的性能与优缺点。基于局部特征的目标检测识别采用了基于SIFT特征的霍夫森林算法,首先在训练集上进行稀疏SIFT特征提取,以类别信息与偏移量训练霍夫森林模型;然后在测试集上对测试图片的特征描述子进行概率霍夫投票,在霍夫空间中搜索到可能存在目标中心的位置。后者则是采取了目前相对主流的深度学习的思路,先将目标检测的任务看成空间上独立的bounding-box的回归问题,通过一个24层的卷积神经网络模... 

【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：90 页

【学位级别】：硕士

【部分图文】：

目标检测标准流图

上海交通大学硕士学位论文图1-2 航空器检测与识别系统框架Fig.1-2 Framework of the aircraft detection and recognition system上图1-2给出了本文在该应用场景中实现的系统框架图，分为预处理输入图像、目标检测、类型识别、以及输出综合结果四个阶段，其中目标检测以及类型识别两个模块是本文研究的主要内容。在目标识别模块中，本文分别对比了传统的目标检测算法以及基于卷积神经网络的目标检测算法。其中传统算法主要选择了基于霍夫森林的目标检测算法为主要研究对象，首先对训练数据提取稀疏SIFT特征，根据人工标注的标签来确定该特征描述向量属于目标还是背景，然后由SIFT特征点以及对应的目标中心偏移量构建霍夫森林；测试阶段，同样对输入图像提取SIFT特征点

上海交通大学硕士学位论文低的优点，因此在平板电脑、智能穿戴设备、智能手机等移动具有很好的潜力和前景。本文中，我们使用标准的稀疏SIFT(Scale Invariant Featureorm)特征提取来作为目标检测的局部特征描述手段。SIFT特征概括为以下两个步骤：在尺度空间进行高斯差分(Difference oans)关键点的检测，和特征点描述子的形成。其中高斯差分ence of Gaussians)关键点的检测流程如下：首先是生成尺度空极值点检测，第三步为关键点位置和尺度的精确定位，接着是特征主方向，最终生成SIFT特征描述子[69]。下图2-1给出了S流程图：


本文编号：3136323