基于深度学习的遥感影像飞机目标检测与识别技术研究
发布时间：2020-12-19 20:42
针对遥感影像的目标检测与识别是遥感技术以及计算机视觉领域的重要研究方向,其中针对遥感影像飞机目标的检测与识别也是维护国家安全的重要战略手段。随着遥感技术的快速发展以及成像平台等硬件设备性能的提升,遥感影像的分辨率可以达到亚米级,每天可生成海量的遥感影像数据。在计算机视觉领域,目标检测技术发展日益成熟,在面对遥感影像数据集时,对影像中飞机目标进行检测和识别提出了更高的要求。本文以光学遥感影像为研究对象,以基于深度学习的目标检测算法为基础,分别从基于候选区域（two-stage）和基于回归（one-stage）两类方法中选择代表性算法进行研究并优化,经过试验证发现基于回归的方法速度更快,更适合于实际的生产应用,而基于候选区域的方法检测精度相对更高。论文的主要工作和创新点如下:1.由于遥感影像飞机目标检测与识别在民用领域和军用领域都具有具大的应用价值,论文结合当下的技术现状以及未来的发展趋势,对遥感影像飞机目标检测与识别的研究意义和应用前景进行简要分析,并结合美军目前装备的主要作战机型（F-22、B-1、B-52、C-17、C-130）与当前普通民用飞机两类目标进行研究,并探讨了当前基于深度...
【文章来源】：战略支援部队信息工程大学河南省
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
遥感
基于深度学习的目标检测与识别技术的巨大应用前景。卷积神经网络主要对位移、缩放及其他形式的扭曲不变性的二维图形进行识别。由于卷积神经网络的特征检测层在进行检测前要利用大量的样本数据进行训练学习，不需要进行显示的特征抽取，只需要通过神经元进行隐式学习；同时同一特征映射中的神经元拥有相同的权重，这也使得网络可以并行学习。卷积神经网络的结构十分接近于真实生物的神经元结构，其中的权值共享结构降低了网络的复杂性，这一结构也使卷积神经网络更加适合处理图像和语音方面的问题，卷积神经网络的基本结构如图1.3所示：图1.3卷积神经网络模型结构相比传统方法，基于深度学习的目标检测方法在对目标进行检测与识别时的准确率方面具有明显优势。在基于深度学习的计算机视觉及图像处理领域，ILSVRC一直是广受欢迎的学术竞赛，催生了一大批优秀的目标检测与识别模型。Krizhevsky提出的Alex-Net模型在ILSVRC-2012年的比赛中以超越亚军10.9%的绝对优势获得了冠军[11]。Alex-Net结构中包含有5个卷积层和3个全连接层，采用了dropout策略来防止过拟合，并加入了Relu函数用于提升网络的效率。Girshick等人于2014年提出区域卷积神经网络目标检测框架（RegionswithCNNfeatures，R-CNN）[21]，首次将区域分割算法和深度学习方法结合起来。同年，谷歌研究团队设计的GoogleNet深度卷积神经网络取得当年ILSVRC比赛冠军，该模型比Alex-Net更深，却拥有更少的参数，准确率也更高。特征提取网络的更新，此后在R-CNN算法的基础上，出现了一系列更优的基于深度学习的算法。最初的R-CNN将卷积神经网络（CNN）用于区域的分类识别，候选区域的推荐采用了传统的选择性搜索算法（SelectiveSearch）。此后的2014年，在R-CNN的基础上，何
点，根据实际需求和目标类型设计不同的目标检测与识别算法。在传统目标检测算法中，首先在检测前通常需要对影像进行预处理，如分割、灰度化等，以减少不必要的干扰信息。之后对图像进行初步检测，一般用EdgeBoxes、选择性搜索（SelectiveSearch）以及BING等算法产生候选区域[42]，之后再根据特征进行分类。而基于深度学习的目标检测与识别算法，主要利用卷积神经网络产生候选区域并提取特征，之后进行分类和识别。传统方法和深度学习方法基本都是为了实现目标分类和定位两个任务，这也是目标检测需要解决的两个核心问题[42]，图2.1是当前目标检测算法的一个总结归纳。图2.1目标检测算法简介2.1飞机目标的识别方法在遥感影像目标检测领域中，研究难点之一就是如何从要识别的特定目标当中，提取到有效的特征，并在检测过程中能够保证足够高的准确性。对于同一类别的目标而言，他们在影像中的大孝颜色以及个体之间的形状差异仍然存在。如何在干扰因素较多的遥感影像中找到具有明显分辨能力的目标特征以及进行高效提取，是解决遥感影像目标检测问题的关键。遥感影像包含信息丰富，对其进行检测时可选择信息较多，传统特征提取方法，除充分利用常用的颜色、纹理和形状三大特征外，还可以利用角点特征以及上下文等常用特征。在提取到特征之后，需要对特征进行识别和分类，通常通过距离匹配、神经网络和支持向量机进行。然而在基于深度学习的目标检测方法中，对目标特征只进行隐式的学习和提取，算法所学习到的特征更加抽象。但是在深度学习技术刚刚萌芽的初期，在处理遥感影像目标检测与识别时，卷积神经网络主要用来分类，仍然需要设计合理的特征进行提龋从1903年美国莱特兄弟制造出第一架飞机开始，到今天飞机的种类和数量已经远超当初，与我们的生活?
【参考文献】：
期刊论文
[1]光学遥感图像飞机目标识别算法[J]. 胡楠,李润生,王载武. 影像技术. 2020(02)
[2]基于改进YOLO v2的车辆实时检测算法[J]. 卞山峰,张庆辉. 电子质量. 2019(10)
[3]基于深度卷积神经网络的目标检测算法进展[J]. 张索非,冯烨,吴晓富. 南京邮电大学学报(自然科学版). 2019(05)
[4]YOLO图像检测技术综述[J]. 林健巍. 福建电脑. 2019(09)
[5]基于深度学习的目标检测算法研究进展[J]. 谢娟英,刘然. 陕西师范大学学报(自然科学版). 2019(05)
[6]光学遥感图像目标检测方法[J]. 王伦文,冯彦卿,张孟伯. 系统工程与电子技术. 2019(10)
[7]级联卷积神经网络的遥感影像飞机目标检测[J]. 余东行,郭海涛,张保明,赵传,卢俊. 测绘学报. 2019(08)
[8]YOLO算法在目标姿态检测中的应用[J]. 徐昆,朱国华,刘文凤,范超. 电子技术与软件工程. 2019(16)
[9]光学遥感图像目标检测技术综述[J]. 李晓斌,江碧涛,杨渊博,傅雨泽,岳文振. 航天返回与遥感. 2019(04)
[10]基于深度学习的遥感影像飞机目标检测方法[J]. 王冰,周焰,赵凯,吴长飞. 空军预警学院学报. 2019(04)
博士论文
[1]基于深度卷积神经网络的光学遥感目标检测技术研究[D]. 丁鹏.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[2]基于遥感图像的重要目标特征提取与识别方法研究[D]. 张志龙.国防科学技术大学 2005
硕士论文
[1]基于YOLOv3的车辆计数系统的设计与实现[D]. 孙政军.北方民族大学 2019
[2]基于深度学习的光学遥感影像信息提取技术研究[D]. 张晓男.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[3]基于深度卷积神经网络的目标检测算法研究[D]. 周天怡.哈尔滨工业大学 2019
[4]基于深度学习的卫星遥感图像舰船检测[D]. 张靖奇.哈尔滨工业大学 2019
[5]光学遥感影像多尺度稠密目标检测方法研究与实现[D]. 付永康.西安电子科技大学 2019
[6]高分辨率遥感图像中飞机目标自动检测方法研究[D]. 任瑞龙.电子科技大学 2019
[7]基于深度学习的遥感影像飞机检测方法研究[D]. 谢奇芳.中国地质大学(北京) 2019
[8]基于深度卷积神经网络的目标检测算法研究[D]. 黄莉芝.西南交通大学 2018
[9]基于深度学习的高分辨率遥感影像目标检测方法研究[D]. 刘鹏.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[10]基于卷积神经网络的遥感图像飞机目标识别研究[D]. 颜荔.中国科学技术大学 2018
本文编号：2926541
【文章来源】：战略支援部队信息工程大学河南省
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
遥感
基于深度学习的目标检测与识别技术的巨大应用前景。卷积神经网络主要对位移、缩放及其他形式的扭曲不变性的二维图形进行识别。由于卷积神经网络的特征检测层在进行检测前要利用大量的样本数据进行训练学习，不需要进行显示的特征抽取，只需要通过神经元进行隐式学习；同时同一特征映射中的神经元拥有相同的权重，这也使得网络可以并行学习。卷积神经网络的结构十分接近于真实生物的神经元结构，其中的权值共享结构降低了网络的复杂性，这一结构也使卷积神经网络更加适合处理图像和语音方面的问题，卷积神经网络的基本结构如图1.3所示：图1.3卷积神经网络模型结构相比传统方法，基于深度学习的目标检测方法在对目标进行检测与识别时的准确率方面具有明显优势。在基于深度学习的计算机视觉及图像处理领域，ILSVRC一直是广受欢迎的学术竞赛，催生了一大批优秀的目标检测与识别模型。Krizhevsky提出的Alex-Net模型在ILSVRC-2012年的比赛中以超越亚军10.9%的绝对优势获得了冠军[11]。Alex-Net结构中包含有5个卷积层和3个全连接层，采用了dropout策略来防止过拟合，并加入了Relu函数用于提升网络的效率。Girshick等人于2014年提出区域卷积神经网络目标检测框架（RegionswithCNNfeatures，R-CNN）[21]，首次将区域分割算法和深度学习方法结合起来。同年，谷歌研究团队设计的GoogleNet深度卷积神经网络取得当年ILSVRC比赛冠军，该模型比Alex-Net更深，却拥有更少的参数，准确率也更高。特征提取网络的更新，此后在R-CNN算法的基础上，出现了一系列更优的基于深度学习的算法。最初的R-CNN将卷积神经网络（CNN）用于区域的分类识别，候选区域的推荐采用了传统的选择性搜索算法（SelectiveSearch）。此后的2014年，在R-CNN的基础上，何
点，根据实际需求和目标类型设计不同的目标检测与识别算法。在传统目标检测算法中，首先在检测前通常需要对影像进行预处理，如分割、灰度化等，以减少不必要的干扰信息。之后对图像进行初步检测，一般用EdgeBoxes、选择性搜索（SelectiveSearch）以及BING等算法产生候选区域[42]，之后再根据特征进行分类。而基于深度学习的目标检测与识别算法，主要利用卷积神经网络产生候选区域并提取特征，之后进行分类和识别。传统方法和深度学习方法基本都是为了实现目标分类和定位两个任务，这也是目标检测需要解决的两个核心问题[42]，图2.1是当前目标检测算法的一个总结归纳。图2.1目标检测算法简介2.1飞机目标的识别方法在遥感影像目标检测领域中，研究难点之一就是如何从要识别的特定目标当中，提取到有效的特征，并在检测过程中能够保证足够高的准确性。对于同一类别的目标而言，他们在影像中的大孝颜色以及个体之间的形状差异仍然存在。如何在干扰因素较多的遥感影像中找到具有明显分辨能力的目标特征以及进行高效提取，是解决遥感影像目标检测问题的关键。遥感影像包含信息丰富，对其进行检测时可选择信息较多，传统特征提取方法，除充分利用常用的颜色、纹理和形状三大特征外，还可以利用角点特征以及上下文等常用特征。在提取到特征之后，需要对特征进行识别和分类，通常通过距离匹配、神经网络和支持向量机进行。然而在基于深度学习的目标检测方法中，对目标特征只进行隐式的学习和提取，算法所学习到的特征更加抽象。但是在深度学习技术刚刚萌芽的初期，在处理遥感影像目标检测与识别时，卷积神经网络主要用来分类，仍然需要设计合理的特征进行提龋从1903年美国莱特兄弟制造出第一架飞机开始，到今天飞机的种类和数量已经远超当初，与我们的生活?
【参考文献】：
期刊论文
[1]光学遥感图像飞机目标识别算法[J]. 胡楠,李润生,王载武. 影像技术. 2020(02)
[2]基于改进YOLO v2的车辆实时检测算法[J]. 卞山峰,张庆辉. 电子质量. 2019(10)
[3]基于深度卷积神经网络的目标检测算法进展[J]. 张索非,冯烨,吴晓富. 南京邮电大学学报(自然科学版). 2019(05)
[4]YOLO图像检测技术综述[J]. 林健巍. 福建电脑. 2019(09)
[5]基于深度学习的目标检测算法研究进展[J]. 谢娟英,刘然. 陕西师范大学学报(自然科学版). 2019(05)
[6]光学遥感图像目标检测方法[J]. 王伦文,冯彦卿,张孟伯. 系统工程与电子技术. 2019(10)
[7]级联卷积神经网络的遥感影像飞机目标检测[J]. 余东行,郭海涛,张保明,赵传,卢俊. 测绘学报. 2019(08)
[8]YOLO算法在目标姿态检测中的应用[J]. 徐昆,朱国华,刘文凤,范超. 电子技术与软件工程. 2019(16)
[9]光学遥感图像目标检测技术综述[J]. 李晓斌,江碧涛,杨渊博,傅雨泽,岳文振. 航天返回与遥感. 2019(04)
[10]基于深度学习的遥感影像飞机目标检测方法[J]. 王冰,周焰,赵凯,吴长飞. 空军预警学院学报. 2019(04)
博士论文
[1]基于深度卷积神经网络的光学遥感目标检测技术研究[D]. 丁鹏.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[2]基于遥感图像的重要目标特征提取与识别方法研究[D]. 张志龙.国防科学技术大学 2005
硕士论文
[1]基于YOLOv3的车辆计数系统的设计与实现[D]. 孙政军.北方民族大学 2019
[2]基于深度学习的光学遥感影像信息提取技术研究[D]. 张晓男.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[3]基于深度卷积神经网络的目标检测算法研究[D]. 周天怡.哈尔滨工业大学 2019
[4]基于深度学习的卫星遥感图像舰船检测[D]. 张靖奇.哈尔滨工业大学 2019
[5]光学遥感影像多尺度稠密目标检测方法研究与实现[D]. 付永康.西安电子科技大学 2019
[6]高分辨率遥感图像中飞机目标自动检测方法研究[D]. 任瑞龙.电子科技大学 2019
[7]基于深度学习的遥感影像飞机检测方法研究[D]. 谢奇芳.中国地质大学(北京) 2019
[8]基于深度卷积神经网络的目标检测算法研究[D]. 黄莉芝.西南交通大学 2018
[9]基于深度学习的高分辨率遥感影像目标检测方法研究[D]. 刘鹏.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[10]基于卷积神经网络的遥感图像飞机目标识别研究[D]. 颜荔.中国科学技术大学 2018
本文编号：2926541
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2926541.html
