基于深度学习的高分辨率遥感影像车辆检测算法研究
发布时间：2021-01-12 10:26
近年来,随着高分辨率遥感技术的发展,如何在遥感影像中快速检测车辆目标成为研究热点。车辆目标的智能识别与提取在宏观交通状态判别、灾害检测、军事目标识别等领域发挥重要作用。已有的车辆目标检测方法主要是依赖特征提取算子,检测算法的性能依赖于算子的表达能力。由于在遥感影像中车辆目标在视场中的占比小,并且存在背景干扰、遮挡等原因,使得传统方法在遥感影像车辆检测上面临诸多挑战。近年来迅速发展的卷积神经网络在遥感影像目标检测领域取得了重要进展。与传统方法需要结合目标识别任务人为设计特征提取算子不同,卷积神经网络能够充分挖掘图像信息,自动提取出有利于目标任务的特征。为了提高对遥感影像的检测效率、提高目标检测的准确率和可靠性,本文围绕遥感影像中车辆目标自动检测问题,研究车辆目标潜在区域提取、基于卷积神经网络的车辆分类等关键技术,在此基础上设计具有较高检测精度的遥感影像车辆目标自动识别算法。本文主要研究内容如下:针对遥感影像目标检测中背景干扰,提出了基于超像素分割的区域合并算法,用以提取建筑掩模。该方法首先通过超像素算法对遥感影像及对应的高程影像进行预分割获取两组超像素集合;其次,定义了超像素区域分裂及合...
【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
技术路线
第2章基于传统方法的车辆检测-6-第2章基于传统方法的车辆检测传统的车辆检测方法一般使用人工设计特征并结合机器学习的分类器进行车辆检测，本章介绍了经典的图像特征提取方法及分类器的性能。2.1常用的目标检测的特征2.1.1HOG特征方向梯度直方图（HOG）[28]特征被广泛应用于各种图像目标的特征提龋HOG特征实质上是梯度的统计信息，使用图像局部梯度和边缘方向描述图像的形状信息。HOG方法首先计算图像中所有像素点的梯度，然后将图像划分为统一大小的细胞单元（cell），计算每个细胞单元的梯度直方图。将细胞单元的梯度直方图在更大的区块（block）中进行方向直方图统计，形成最后的特征描述子。HOG方法主要关注图像的边缘和梯度信息，能够有效提取出局部形状的特征。与其它的图像特征提取方法相比，HOG方法提取的特征对图像的几何、光学形变不敏感，但是不具备旋转与尺度变换的不变性。HOG特征计算步骤如图2.1所示。图2.1HOG特征提取流程Fig.2.1ProcessofHOGfeatureextraction
中国石油大学（北京）硕士专业学位论文-7-2.1.2LBP特征局部二值模式（LBP）[29]是一种用来描述图像局部特征的算子。LBP特征反映了每个像素与其邻域像素的关系，能够有效突出图像的问题信息。由于计算简单效果较好，LBP特征被广泛应用于目标检测等相关领域。LBP特征的计算方法为：将图像中每个像素定义一个以该像素为中心的3×3窗口，然后将周围的8个像素值与中心像素值进行比较。若周围像素点的灰度值大于中心点灰度值，则将该像素点标记为1，否则标记为0。经过比较标记后，窗口中的8个点可以生成一个8位的二进制数，将其转换为一个十进制整数。此时，该整数即为该中心像素的LBP值。将整幅图像进行扫描后，生成一个LBP响应图像，这个响应图像的直方图被称为LBP特征。LBP特征提取流程如图2.2所示。LBP算法虽然具有一定的纹理描述实用性，但由于描述范围小，不能反映图像全局信息，因此易受噪音的影响。特别是当有大面积的单色区域存在时，会出现过稀疏化的LBP直方图，导致该方法提取出的特征稳定性不佳[30]。图2.2LBP特征提取流程图Fig.2.2ProcessofLBPfeatureextraction2.1.3SIFT特征尺度不变特征变换（SIFT）[31]，是一种常用的检测图像局部特征的算法。SIFT算法大致可分为特征点提娶特征点描述、特征点匹配及误匹配点消除四个核心部分[32]。SIFT特征具有尺度不变性、旋转不变性，对变形、噪声和照明变化具有鲁棒性。该算法包含以下四个步骤：
【参考文献】：
期刊论文
[1]基于LFP与RCD（G）特征的遥感图像车辆检测[J]. 阳理理,陈雪云,陈家华. 广西大学学报(自然科学版). 2018(05)
[2]结合像元级和目标级的高分辨率遥感影像建筑物变化检测[J]. 张志强,张新长,辛秦川,杨晓羚. 测绘学报. 2018(01)
[3]基于无人机的车辆目标实时检测[J]. 姜尚洁,罗斌,刘军,张云. 测绘通报. 2017(S1)
[4]一种高分辨率遥感影像车辆检测方法[J]. 陈光,门玉英,翟东宇,李芳,吴德胜,陈良超. 软件导刊. 2016(07)
[5]一种高分辨率可见光遥感影像中车辆目标检测方法[J]. 谷正气,李健,张勇,夏威,罗伦. 测绘通报. 2015(01)
[6]城市街区星载光学遥感图像车辆目标自动检测方法[J]. 李昭慧,张建奇. 红外与激光工程. 2014(11)
[7]一种基于高分辨率遥感影像的建筑物提取方法[J]. 顾钰培,肖兰玲,凌婷婷,达利春. 测绘与空间地理信息. 2014(04)
[8]基于交通遥感图像处理的车辆目标识别方法[J]. 曹天扬,申莉. 计算机测量与控制. 2014(01)
[9]基于分水岭变换与空间聚类的高分辨率遥感影像面向对象分类[J]. 陈杰,邓敏,肖鹏峰,杨敏华,梅小明,刘慧敏. 遥感技术与应用. 2010(05)
[10]一种高分辨率遥感影像建筑物边缘提取方法[J]. 王丹. 环境保护与循环经济. 2009(10)
博士论文
[1]手掌静脉身份识别关键技术研究[D]. 马欣.北京邮电大学 2018
硕士论文
[1]基于局部特征的图像匹配算法研究[D]. 郭健.南京邮电大学 2018
[2]基于多边形超像素的候选建筑物检测方法[D]. 黄雅婷.浙江大学 2018
[3]基于深度学习的车辆检测方法研究[D]. 张文桂.华南理工大学 2016
[4]卫星图像中车辆目标提取方法优化与精度评价[D]. 李龙飞.北京交通大学 2012
本文编号：2972687
【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
技术路线
第2章基于传统方法的车辆检测-6-第2章基于传统方法的车辆检测传统的车辆检测方法一般使用人工设计特征并结合机器学习的分类器进行车辆检测，本章介绍了经典的图像特征提取方法及分类器的性能。2.1常用的目标检测的特征2.1.1HOG特征方向梯度直方图（HOG）[28]特征被广泛应用于各种图像目标的特征提龋HOG特征实质上是梯度的统计信息，使用图像局部梯度和边缘方向描述图像的形状信息。HOG方法首先计算图像中所有像素点的梯度，然后将图像划分为统一大小的细胞单元（cell），计算每个细胞单元的梯度直方图。将细胞单元的梯度直方图在更大的区块（block）中进行方向直方图统计，形成最后的特征描述子。HOG方法主要关注图像的边缘和梯度信息，能够有效提取出局部形状的特征。与其它的图像特征提取方法相比，HOG方法提取的特征对图像的几何、光学形变不敏感，但是不具备旋转与尺度变换的不变性。HOG特征计算步骤如图2.1所示。图2.1HOG特征提取流程Fig.2.1ProcessofHOGfeatureextraction
中国石油大学（北京）硕士专业学位论文-7-2.1.2LBP特征局部二值模式（LBP）[29]是一种用来描述图像局部特征的算子。LBP特征反映了每个像素与其邻域像素的关系，能够有效突出图像的问题信息。由于计算简单效果较好，LBP特征被广泛应用于目标检测等相关领域。LBP特征的计算方法为：将图像中每个像素定义一个以该像素为中心的3×3窗口，然后将周围的8个像素值与中心像素值进行比较。若周围像素点的灰度值大于中心点灰度值，则将该像素点标记为1，否则标记为0。经过比较标记后，窗口中的8个点可以生成一个8位的二进制数，将其转换为一个十进制整数。此时，该整数即为该中心像素的LBP值。将整幅图像进行扫描后，生成一个LBP响应图像，这个响应图像的直方图被称为LBP特征。LBP特征提取流程如图2.2所示。LBP算法虽然具有一定的纹理描述实用性，但由于描述范围小，不能反映图像全局信息，因此易受噪音的影响。特别是当有大面积的单色区域存在时，会出现过稀疏化的LBP直方图，导致该方法提取出的特征稳定性不佳[30]。图2.2LBP特征提取流程图Fig.2.2ProcessofLBPfeatureextraction2.1.3SIFT特征尺度不变特征变换（SIFT）[31]，是一种常用的检测图像局部特征的算法。SIFT算法大致可分为特征点提娶特征点描述、特征点匹配及误匹配点消除四个核心部分[32]。SIFT特征具有尺度不变性、旋转不变性，对变形、噪声和照明变化具有鲁棒性。该算法包含以下四个步骤：
【参考文献】：
期刊论文
[1]基于LFP与RCD（G）特征的遥感图像车辆检测[J]. 阳理理,陈雪云,陈家华. 广西大学学报(自然科学版). 2018(05)
[2]结合像元级和目标级的高分辨率遥感影像建筑物变化检测[J]. 张志强,张新长,辛秦川,杨晓羚. 测绘学报. 2018(01)
[3]基于无人机的车辆目标实时检测[J]. 姜尚洁,罗斌,刘军,张云. 测绘通报. 2017(S1)
[4]一种高分辨率遥感影像车辆检测方法[J]. 陈光,门玉英,翟东宇,李芳,吴德胜,陈良超. 软件导刊. 2016(07)
[5]一种高分辨率可见光遥感影像中车辆目标检测方法[J]. 谷正气,李健,张勇,夏威,罗伦. 测绘通报. 2015(01)
[6]城市街区星载光学遥感图像车辆目标自动检测方法[J]. 李昭慧,张建奇. 红外与激光工程. 2014(11)
[7]一种基于高分辨率遥感影像的建筑物提取方法[J]. 顾钰培,肖兰玲,凌婷婷,达利春. 测绘与空间地理信息. 2014(04)
[8]基于交通遥感图像处理的车辆目标识别方法[J]. 曹天扬,申莉. 计算机测量与控制. 2014(01)
[9]基于分水岭变换与空间聚类的高分辨率遥感影像面向对象分类[J]. 陈杰,邓敏,肖鹏峰,杨敏华,梅小明,刘慧敏. 遥感技术与应用. 2010(05)
[10]一种高分辨率遥感影像建筑物边缘提取方法[J]. 王丹. 环境保护与循环经济. 2009(10)
博士论文
[1]手掌静脉身份识别关键技术研究[D]. 马欣.北京邮电大学 2018
硕士论文
[1]基于局部特征的图像匹配算法研究[D]. 郭健.南京邮电大学 2018
[2]基于多边形超像素的候选建筑物检测方法[D]. 黄雅婷.浙江大学 2018
[3]基于深度学习的车辆检测方法研究[D]. 张文桂.华南理工大学 2016
[4]卫星图像中车辆目标提取方法优化与精度评价[D]. 李龙飞.北京交通大学 2012
本文编号：2972687
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2972687.html
