基于无人机航拍图像的道路检测
发布时间：2021-08-23 23:11
无人机航拍图像有高分辨率和数据易获得性等特点,但航拍图像中存在着道路复杂性和类别多样性等多种问题,利用生成对抗网络在目标检测上的强大特征表达能力,研究如何在无人机航拍图像上准确检测道路已成为重要研究方向之一。近年来,在无人机航拍图像上进行道路信息检测已经有了许多研究,但由于道路的不同部分在宽度和形状上不尽相同,如村道和山路等;不同类型道路具有不同颜色和纹理特征,如街道和土路等;同时,道路区域拍摄时被建筑、树木等诸多物体遮挡,使得道路信息的准确检测仍然是航拍图像检测领域的研究难点。本文利用条件生成对抗网络方法构建了一种航拍图像道路信息检测模型。具体研究内容如下:（1）研究和改进用于提取无人机航拍图像道路信息的生成对抗网络模型。针对航拍图像道路提取结果精度问题以及网络规模太大难以应用的缺陷,提出了一种基于U-Net思想改进生成器网络结构的道路检测模型,主要分为三点:一是在网络结构下采样中引入残差思想,通过跳远连接能够使得特征信息直接到达更深层次的卷积网络,获取细节特征;二是在下采样的底层引入一种全局金字塔池化模块,其能通过聚合上下文信息,提高分割精度;三是为防止在下采样过程中道路信息的丢失...
【文章来源】：西北师范大学甘肃省
【文章页数】：46 页
【学位级别】：硕士
【部分图文】：
GAN训练过程
第2章基础理论与技术7与原始的编码器-解码器结构的生成网络相比，U-Net的优点是结合数据增强的方法可以支持少量的训练数据训练模型，其在编码层和解码层跳远连接结构决定着网络结构本身就可以实现像素级的目标检测，得到的结果也更加能够反应图像的原始信息[28]。U-Net网络结构如图2-2所示。主要由卷积层、最大池化层(下采样)、反卷积层(上采样)以及ReLU非线性激活函数组成[29]。图2-2U-net网络结构2.1.3深度卷积判别网络卷积神经网络[30](ConvolutionalNeuralNetworks，CNN)是一类包含多层多卷积计算的深度学习网络，一直以来作为计算机视觉主要网络结构。卷积神经网络拥有表征学习的能力，能够使用不同层次的网络结构对输入信息进行平移不变分类，因此，卷积神经网络常用来作为生成对抗网络的判别器与生成器互相优化。CNN主要包括输入层，卷积层，池化层，全连接层和输出层[31]。（1）输入层使用梯度下降算法进行学习，卷积神经网络的输入特征与其他神经网络算法类似，都需要进行标准化处理。具体的，在卷积神经网络输入初始数据样本前，需在初始通道维度对输入数据进行归一化处理，若输入数据为像素，则将分布于
西北师范大学硕士学位论文10图2-3残差学习卷积单元结合残差网络模块能有效解决模型梯度减少、梯度消失的问题，通过跳跃连接到更深层次，使得模型能够充分学习到道路图像的分布，从而提高分割的效果[43]。2.3全局金字塔池化模块全局金字塔池化模块来源于金字塔场景解析网络(PyramidSceneParsingNet，PSPNet)，其能够通过聚合特征图中不同区域的背景信息，提高模型获取全局信息的能力[44]。在进行目标检测时通常会出现如下情况：（1）语境关系不匹配。语境关系是普遍存在的，尤其对复杂场景的理解至关重要，有些物体常是一起出现的，例如：汽车通常是在道路上行驶，而不是在河里。（2）类别混淆。道路区域和建筑物的外观十分相似，在这种情况下，对于物体的检测结果不可能既是道路又或是建筑物，只能通过类别之间的关系解决。（3）不明显的类别。特征图中包含不同尺寸的目标信息。一些小的物体，如路灯和指示牌，很难被分割出来。相对大的一些物体，如自行车和摩托车，外观相似，由于忽略了全局场景类别，导致他们很难区分开。在语义分割中，许多错误都与感受野获取的全局信息和语境关系有着关联。因此，拥有适当的场景级全局信息的深度网络可以大大提高场景解析的能力。全局金字塔池化模块如图2-4所示。
【参考文献】：
期刊论文
[1]基于生成对抗网络的遥感图像去云算法[J]. 李华莹,林道玉,张捷,刘必欣. 计算机与现代化. 2019(11)
[2]基于编码器-解码器的半监督图像语义分割[J]. 刘贝贝,华蓓. 计算机系统应用. 2019(11)
[3]基于快速MUSIC算法的道路双黄线检测[J]. 张新雨,雷海栋,王思米. 传感技术学报. 2019(11)
[4]基于混合自动编码器道路语义分割方法研究[J]. 周飞,唐建,杨成松,芮挺. 计算机工程与科学. 2019(08)
[5]多形态几何约束的道路障碍物检测新方法[J]. 吴宏涛. 山西交通科技. 2019(04)
[6]基于生成对抗网络的无人机图像道路提取[J]. 何磊,李玉霞,彭博,吴焕萍. 电子科技大学学报. 2019(04)
[7]基于生成对抗网络的图像翻译现状研究[J]. 颜贝,张建林. 国外电子测量技术. 2019(06)
[8]基于深层神经网络的道路交通标志检测识别方法研究[J]. 王斯健,李志鹏. 科技资讯. 2019(17)
[9]基于生成对抗网络的图像恢复与SLAM容错研究[J]. 王凯,岳泊暄,傅骏伟,梁军. 浙江大学学报(工学版). 2019(01)
[10]基于条件生成对抗网络的咬翼片图像分割[J]. 蒋芸,谭宁,张海,彭婷婷. 计算机工程. 2019(04)
博士论文
[1]无人机飞行途中视觉导航关键技术研究[D]. 宋琳.西北工业大学 2015
[2]基于超小型无人机的地面目标实时图像跟踪[D]. 丁卫.上海大学 2007
硕士论文
[1]基于无人机航拍图像的道路检测[D]. 侯阳阳.南京理工大学 2017
[2]基于FPGA的哈特曼光斑图像处理算法设计[D]. 刘国成.中国科学技术大学 2016
[3]基于多特征融合的无人机航拍图像识别研究[D]. 王建荣.成都理工大学 2015
[4]基于航拍图像的目标检测系统设计与实现[D]. 韩露.北京理工大学 2015
本文编号：3358773
【文章来源】：西北师范大学甘肃省
【文章页数】：46 页
【学位级别】：硕士
【部分图文】：
GAN训练过程
第2章基础理论与技术7与原始的编码器-解码器结构的生成网络相比，U-Net的优点是结合数据增强的方法可以支持少量的训练数据训练模型，其在编码层和解码层跳远连接结构决定着网络结构本身就可以实现像素级的目标检测，得到的结果也更加能够反应图像的原始信息[28]。U-Net网络结构如图2-2所示。主要由卷积层、最大池化层(下采样)、反卷积层(上采样)以及ReLU非线性激活函数组成[29]。图2-2U-net网络结构2.1.3深度卷积判别网络卷积神经网络[30](ConvolutionalNeuralNetworks，CNN)是一类包含多层多卷积计算的深度学习网络，一直以来作为计算机视觉主要网络结构。卷积神经网络拥有表征学习的能力，能够使用不同层次的网络结构对输入信息进行平移不变分类，因此，卷积神经网络常用来作为生成对抗网络的判别器与生成器互相优化。CNN主要包括输入层，卷积层，池化层，全连接层和输出层[31]。（1）输入层使用梯度下降算法进行学习，卷积神经网络的输入特征与其他神经网络算法类似，都需要进行标准化处理。具体的，在卷积神经网络输入初始数据样本前，需在初始通道维度对输入数据进行归一化处理，若输入数据为像素，则将分布于
西北师范大学硕士学位论文10图2-3残差学习卷积单元结合残差网络模块能有效解决模型梯度减少、梯度消失的问题，通过跳跃连接到更深层次，使得模型能够充分学习到道路图像的分布，从而提高分割的效果[43]。2.3全局金字塔池化模块全局金字塔池化模块来源于金字塔场景解析网络(PyramidSceneParsingNet，PSPNet)，其能够通过聚合特征图中不同区域的背景信息，提高模型获取全局信息的能力[44]。在进行目标检测时通常会出现如下情况：（1）语境关系不匹配。语境关系是普遍存在的，尤其对复杂场景的理解至关重要，有些物体常是一起出现的，例如：汽车通常是在道路上行驶，而不是在河里。（2）类别混淆。道路区域和建筑物的外观十分相似，在这种情况下，对于物体的检测结果不可能既是道路又或是建筑物，只能通过类别之间的关系解决。（3）不明显的类别。特征图中包含不同尺寸的目标信息。一些小的物体，如路灯和指示牌，很难被分割出来。相对大的一些物体，如自行车和摩托车，外观相似，由于忽略了全局场景类别，导致他们很难区分开。在语义分割中，许多错误都与感受野获取的全局信息和语境关系有着关联。因此，拥有适当的场景级全局信息的深度网络可以大大提高场景解析的能力。全局金字塔池化模块如图2-4所示。
【参考文献】：
期刊论文
[1]基于生成对抗网络的遥感图像去云算法[J]. 李华莹,林道玉,张捷,刘必欣. 计算机与现代化. 2019(11)
[2]基于编码器-解码器的半监督图像语义分割[J]. 刘贝贝,华蓓. 计算机系统应用. 2019(11)
[3]基于快速MUSIC算法的道路双黄线检测[J]. 张新雨,雷海栋,王思米. 传感技术学报. 2019(11)
[4]基于混合自动编码器道路语义分割方法研究[J]. 周飞,唐建,杨成松,芮挺. 计算机工程与科学. 2019(08)
[5]多形态几何约束的道路障碍物检测新方法[J]. 吴宏涛. 山西交通科技. 2019(04)
[6]基于生成对抗网络的无人机图像道路提取[J]. 何磊,李玉霞,彭博,吴焕萍. 电子科技大学学报. 2019(04)
[7]基于生成对抗网络的图像翻译现状研究[J]. 颜贝,张建林. 国外电子测量技术. 2019(06)
[8]基于深层神经网络的道路交通标志检测识别方法研究[J]. 王斯健,李志鹏. 科技资讯. 2019(17)
[9]基于生成对抗网络的图像恢复与SLAM容错研究[J]. 王凯,岳泊暄,傅骏伟,梁军. 浙江大学学报(工学版). 2019(01)
[10]基于条件生成对抗网络的咬翼片图像分割[J]. 蒋芸,谭宁,张海,彭婷婷. 计算机工程. 2019(04)
博士论文
[1]无人机飞行途中视觉导航关键技术研究[D]. 宋琳.西北工业大学 2015
[2]基于超小型无人机的地面目标实时图像跟踪[D]. 丁卫.上海大学 2007
硕士论文
[1]基于无人机航拍图像的道路检测[D]. 侯阳阳.南京理工大学 2017
[2]基于FPGA的哈特曼光斑图像处理算法设计[D]. 刘国成.中国科学技术大学 2016
[3]基于多特征融合的无人机航拍图像识别研究[D]. 王建荣.成都理工大学 2015
[4]基于航拍图像的目标检测系统设计与实现[D]. 韩露.北京理工大学 2015
本文编号：3358773
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3358773.html
