基于MNCC模型的高分辨率遥感影像目标识别

发布时间：2017-12-08 17:06

  本文关键词：基于MNCC模型的高分辨率遥感影像目标识别

  更多相关文章： 目标分类与识别 媒体神经认知计算 类脑计算 深度学习 认知计算 并行计算

【摘要】：高分辨率遥感影像的目标识别问题是海洋交通监视、减灾应急搜救、无人自主系统(UAS)(如无人机、无人车、无人潜航器、无人水面艇等自主机器人)等民用系统的核心技术,也是军事侦察、精确制导、海情监控等军事自动目标识别(ATR)系统的关键技术。伴随着高分辨率对地观测系统的发展,越来越多的行业应用要求从高分辨率影像中提取更多有价值的目标细节信息。然而中低分辨率遥感影像解译体系已无法满足高性能的目标分类与识别(TCR)需求。特别由于背景的复杂性和目标的多样性,目标识别的精度有效性和实时性问题尤为突出。此外由于相关应用蕴含的军事背景、数据获取困难以及技术管制等原因,目前公开报道涉及TCR方法的核心技术相对较少。为解决目标识别的技术瓶颈,本文重点探索高分辨率遥感影像的高精度、高性能TCR的模型构建和算法设计,为相关研究提供基础性的技术支撑。本文研究思路是:(1)分析高分辨率遥感影像TCR问题的技术瓶颈,模拟神经认知理论,建立面向遥感影像TCR应用的层次化媒体神经认知计算(MNCC)模型。(2)基于MNCC模型的处理流程及显著性计算理论,分别设计场景分类和目标检测算法,为目标识别提供上下文先验知识。(3)基于MNCC模型处理框架,设计高分辨率遥感影像目标识别算法。首先构造层次化的集成分类器,实现高精度目标识别;其次设计样本扩增方法,解决小样本复杂对象的目标识别问题。(4)研究并行化目标识别算法提升识别效率,并将相关算法应用于遥感影像处理系统的研发中。本文的主要工作和结论如下:(1)构建了一种面向遥感影像TCR应用的层次化MNCC模型。针对高分辨率遥感影像的TCR核心问题,深入分析了神经系统的结构与信息处理机制,研究认知系统的视觉功能和层次处理架构。构造和设计了面向TCR的仿脑层次化的MNCC模型,并给出了MNCC模型TCR算法的形式化描述。(2)提出了基于脉冲神经网络的遥感目标检测算法。为克服自然图像显著性算法的局限性,在MNCC模型的显著性计算理论指导下,提出一种基于脉冲神经网络和脉冲耦合神经网络的遥感影像视觉显著性计算框架VSF-MNCC,并实现基于脉冲神经网络的遥感影像船舶检测算法SD-SNN。在可见光船舶数据集HRSHTD和高分辨率SAR图像中,船舶目标检测的虚警率和漏检率分别达到9.48%和11.02%,实验表明VSF-MNCC显著图具备较高的分辨率,对于点状和团块的目标检测性能提升具备较好的效果。(3)提出了基于MNCC模型的遥感场景分类算法。作为目标识别的重要环节,提出基于MNCC模型的遥感场景分类算法SC-MNCC,为TCR相关应用的精度提升提供了上下文先验知识。在高分辨率遥感场景分类数据集HRSS和UCMLU的实验中,算法平均分类准确度分别达到84.73%和88.26%,优于常见场景分类算法,初步验证了MNCC模型的可行性。(4)提出了基于MNCC模型的高分辨率遥感影像的高精度目标识别算法。为解决高精度的SAR图像坦克目标分类,设计基于深度脉冲卷积神经网络和层次隐狄利克雷分配模型的混合层次化目标识别分类器,实现了基于多层次集成学习的目标识别算法TCR-EL-MNCC。在公开的MSTAR数据集的实验表明,TCR-EL-MNCC算法在SAR坦克目标的总体分类精度达到99.82%,优于目前常见算法。为进一步解决小样本复杂对象的可见光影像船舶目标识别,基于面向对象多尺度样本扩增技术,提出了目标识别的增量强化学习算法TCR-IREL-OOMS。在HSTCR数据集的实验表明,TCR-IREL-OOMS算法在船舶目标的平均识别率达到97.00%,接近MSTAR数据集的SAR坦克目标的识别率。本研究表明,利用增量、强化和集成的学习机制,构建的面向对象多尺度的层次化计算模型,符合人类对遥感影像的认知特性。基于MNCC模型的目标识别算法可有效实现复杂地物的信息提取工作。(5)提出和验证了并行化TCR的解决方案,并设计和实现了基于构件的遥感影像信息处理和展示平台。深入分析了遥感影像信息处理和展示平台的功能需求,提出一种基于构件模型的遥感影像处理软件的开发方案,设计和实现了遥感应用系统的并行处理架构。并将基于MNCC模型的TCR算法应用于软件的研发中,最后对开发效果进行系统分析和评价。为提升算法运行效率和实用性,采用多机多核并行和GPU异构计算技术,设计了基于MNCC模型的混合异构并行目标识别算法PTCR-MP-MNCC。在HSTCR、MSTAR和MNIST三个数据集上实验和讨论了相关参数对算法效率的影响。实验结果显示,算法在HSTCR和MSTAR数据集最高加速比可达39.49和73.28。实践表明基于MNCC模型的TCR算法在遥感影像信息提取上具备重要的应用价值。综上所述,遥感影像智能解译涉及复杂的认知过程和专业知识,直接进行复杂的图像语义理解和计算往往存在较大的困难。针对高分辨率遥感影像目标的多尺度认知特性,利用神经认知机制首次构建了一种面向遥感TCR应用的层次化MNCC模型。设计面向对象多尺度的高分辨率遥感影像目标识别算法,可有效提升分类识别的精度需求。针对高分辨率遥感影像处理存在较高的并行特性,合理有效地设计并行TCR算法,能大幅度改善UAS和ATR系统的实时性需求。本文所研究的面向TCR的层次化MNCC模型可有效提升高分辨率遥感影像的目标检测、场景分类和目标识别任务的性能,并为实现高分辨率遥感影像的智能解译和复杂的语义计算提供有益的借鉴和参考。
【学位授予单位】：河南大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TP751
，

本文编号：1267141