基于同心圓周濾波器與聯(lián)合稀疏的高分遙感目標檢測方法
發(fā)布時間：2021-02-21 16:32
在遙感目標檢測中,遙感圖像背景復雜,目標相較于遙感圖像而言尺寸過小,且目標本身尺度多樣化,因此遙感目標檢測是一項具有很大挑戰(zhàn)的任務。本文提出一種基于同心圓周濾波器與聯(lián)合稀疏的遙感目標檢測算法。該算法受霍夫變換啟發(fā),對圓周濾波器進行了改進,通過同心圓周之間的共線關(guān)系,對目標的角度信息進行了統(tǒng)計分析;并參考SIFT算法中的做法,以此作為旋轉(zhuǎn)憑據(jù),使得后續(xù)特征提取具備旋轉(zhuǎn)不變性,提高聯(lián)合稀疏分類性能;最終在DOTA數(shù)據(jù)集上驗證了召回率的提升。
【文章來源】：科學技術(shù)創(chuàng)新. 2020,(35)
【文章頁數(shù)】：2 頁
【部分圖文】：
本文檢測算法的原理框圖
⒒幼胖匾?饔?[2]。在現(xiàn)代戰(zhàn)爭中，為了取得空中優(yōu)勢，既快又準的檢測識別出敵軍飛機目標的動態(tài)信息就顯得必不可少。在民用領(lǐng)域，飛機目標實時檢測可作為分析客流量的依據(jù)。因此，針對飛機的檢測研究具有十分重要的意義。2提出的方法本文算法的原理框圖如圖1所示，考慮到時間成本以及精度需求，本文檢測算法按照由粗到精的思路設計，分為預檢測以及精確檢測兩個階段。圖1本文檢測算法的原理框圖2.1基于同心圓周濾波器的目標主軸檢測為了檢測出飛機目標主軸方向，我們對某飛機目標構(gòu)建一系列同心圓周濾波器，如圖2(a)所示。設為，其中為最外層圓周，對應半徑為，將其與目標重疊的像素點看做采樣點，設為，length_i為對應圓周濾波器長度，圖2(b)展示出內(nèi)三層采樣點以及相對坐標運算示意圖2。通過下式可以將圓周上采樣點的坐標轉(zhuǎn)換為極坐標表示：(1)(2)然后再計算出各同心圓上采樣點相對于最內(nèi)層圓的相對角度如圖2(b)所示：(3)由先驗知識可知，飛機目標共分前機身、后機身、左機翼、右機翼等4個部件，因此可通過KNN方法，將相對角度集合分作4個角度表示，即，將相對角度值代入正切函數(shù)，即可判定出對稱軸方向。找到目標主軸方向后，經(jīng)過旋轉(zhuǎn)到統(tǒng)一方向，后續(xù)特征即可滿足旋轉(zhuǎn)不變性。2.2基于空洞卷積的目標檢測框融合后處理2.2.1空洞卷積空洞卷積與一般卷積的區(qū)別主要在于卷積核中注入空洞，這種結(jié)構(gòu)就能在不使用池化層的情況下，增大單位像素的感受野。因為不使用下采樣，所以這種結(jié)構(gòu)能有效的彌補信息損失的缺點。二維空間上的空洞卷積可定義如下：(4)其中，kernel表示卷積核，img則是輸入圖像，則是卷積操作，表示空洞大校摘要：在遙感目標檢測中，遙感圖像背景復雜，目標相較于遙感圖像而言尺寸過小，且目標?
2020.35科學技術(shù)創(chuàng)新2.2.2檢測窗融合在目標檢測過程中，通常會使用滑動窗口法從左到右自上而下地對測試圖片進行掃描，假設相鄰窗口的距離為步長step。當step=emptySize的時候，空洞卷積即可剛好與檢測窗標志重疊，可以進行卷積運算。設最終識別出的檢測框為，N為保留檢測框數(shù)量，步長step為1。取的卷積核為，卷積核在檢測標志圖上逐步進行卷積：(5)(a)空洞卷積核在檢測框標志圖上滑動示意圖(b)檢測窗融合示意圖圖3檢測窗的空洞卷積和融合示意圖圖3(a)所示為空洞卷積核以橫縱兩個方向逐步對檢測框標志進行卷積，如此即可計算得到卷積結(jié)果。如果局部圖像中，檢測框大多圍繞一個目標，只是互相之間略有點偏移，那么此時只需要對空洞卷積的結(jié)果進行一個局部最大池化即可找到局部檢測框融合的中心，如圖3(b)將參與運算的檢測框標志所代表的檢測區(qū)域展開，全部融合即可獲得檢測框融合以后的檢測區(qū)域。3實驗與分析3.1實驗參數(shù)設置本實驗基于DOTA數(shù)據(jù)集來驗證算法的有效性。對每一幅待處理遙感圖像，實驗中挑選三種nbins分別為7、8、11的非局部自相似HOG特征作為分類特征（塊大小選定40×40，塊步伐20，單元格大小4×4，單元格步伐2，相似向量取20個）。這三種特征將直接輸入多任務框架下的聯(lián)合稀疏分類器，作為三個不同任務進行融合處理，最終由決策層得出綜合判決結(jié)果。3.2結(jié)果與分析我們分別給出兩種場景下本文檢測算法的檢測結(jié)果，如圖4所示�？梢钥闯霰疚乃惴ǹ梢院芎玫貙b感圖像中的飛機目標進行精確檢測。同時，表1給出本文檢測算法與Faster-RCNN等多種目標檢測算法的性能比較結(jié)果。表中分別給出目標檢測的三個參數(shù)：召回率、精度和綜合評價指標（F1-Measure），其中，綜合評價指標是召回率和精度的調(diào)和均值，反應目標?
本文編號：3044618
【文章來源】：科學技術(shù)創(chuàng)新. 2020,(35)
【文章頁數(shù)】：2 頁
【部分圖文】：
本文檢測算法的原理框圖
⒒幼胖匾?饔?[2]。在現(xiàn)代戰(zhàn)爭中，為了取得空中優(yōu)勢，既快又準的檢測識別出敵軍飛機目標的動態(tài)信息就顯得必不可少。在民用領(lǐng)域，飛機目標實時檢測可作為分析客流量的依據(jù)。因此，針對飛機的檢測研究具有十分重要的意義。2提出的方法本文算法的原理框圖如圖1所示，考慮到時間成本以及精度需求，本文檢測算法按照由粗到精的思路設計，分為預檢測以及精確檢測兩個階段。圖1本文檢測算法的原理框圖2.1基于同心圓周濾波器的目標主軸檢測為了檢測出飛機目標主軸方向，我們對某飛機目標構(gòu)建一系列同心圓周濾波器，如圖2(a)所示。設為，其中為最外層圓周，對應半徑為，將其與目標重疊的像素點看做采樣點，設為，length_i為對應圓周濾波器長度，圖2(b)展示出內(nèi)三層采樣點以及相對坐標運算示意圖2。通過下式可以將圓周上采樣點的坐標轉(zhuǎn)換為極坐標表示：(1)(2)然后再計算出各同心圓上采樣點相對于最內(nèi)層圓的相對角度如圖2(b)所示：(3)由先驗知識可知，飛機目標共分前機身、后機身、左機翼、右機翼等4個部件，因此可通過KNN方法，將相對角度集合分作4個角度表示，即，將相對角度值代入正切函數(shù)，即可判定出對稱軸方向。找到目標主軸方向后，經(jīng)過旋轉(zhuǎn)到統(tǒng)一方向，后續(xù)特征即可滿足旋轉(zhuǎn)不變性。2.2基于空洞卷積的目標檢測框融合后處理2.2.1空洞卷積空洞卷積與一般卷積的區(qū)別主要在于卷積核中注入空洞，這種結(jié)構(gòu)就能在不使用池化層的情況下，增大單位像素的感受野。因為不使用下采樣，所以這種結(jié)構(gòu)能有效的彌補信息損失的缺點。二維空間上的空洞卷積可定義如下：(4)其中，kernel表示卷積核，img則是輸入圖像，則是卷積操作，表示空洞大校摘要：在遙感目標檢測中，遙感圖像背景復雜，目標相較于遙感圖像而言尺寸過小，且目標?
2020.35科學技術(shù)創(chuàng)新2.2.2檢測窗融合在目標檢測過程中，通常會使用滑動窗口法從左到右自上而下地對測試圖片進行掃描，假設相鄰窗口的距離為步長step。當step=emptySize的時候，空洞卷積即可剛好與檢測窗標志重疊，可以進行卷積運算。設最終識別出的檢測框為，N為保留檢測框數(shù)量，步長step為1。取的卷積核為，卷積核在檢測標志圖上逐步進行卷積：(5)(a)空洞卷積核在檢測框標志圖上滑動示意圖(b)檢測窗融合示意圖圖3檢測窗的空洞卷積和融合示意圖圖3(a)所示為空洞卷積核以橫縱兩個方向逐步對檢測框標志進行卷積，如此即可計算得到卷積結(jié)果。如果局部圖像中，檢測框大多圍繞一個目標，只是互相之間略有點偏移，那么此時只需要對空洞卷積的結(jié)果進行一個局部最大池化即可找到局部檢測框融合的中心，如圖3(b)將參與運算的檢測框標志所代表的檢測區(qū)域展開，全部融合即可獲得檢測框融合以后的檢測區(qū)域。3實驗與分析3.1實驗參數(shù)設置本實驗基于DOTA數(shù)據(jù)集來驗證算法的有效性。對每一幅待處理遙感圖像，實驗中挑選三種nbins分別為7、8、11的非局部自相似HOG特征作為分類特征（塊大小選定40×40，塊步伐20，單元格大小4×4，單元格步伐2，相似向量取20個）。這三種特征將直接輸入多任務框架下的聯(lián)合稀疏分類器，作為三個不同任務進行融合處理，最終由決策層得出綜合判決結(jié)果。3.2結(jié)果與分析我們分別給出兩種場景下本文檢測算法的檢測結(jié)果，如圖4所示�？梢钥闯霰疚乃惴ǹ梢院芎玫貙b感圖像中的飛機目標進行精確檢測。同時，表1給出本文檢測算法與Faster-RCNN等多種目標檢測算法的性能比較結(jié)果。表中分別給出目標檢測的三個參數(shù)：召回率、精度和綜合評價指標（F1-Measure），其中，綜合評價指標是召回率和精度的調(diào)和均值，反應目標?
本文編號：3044618
本文鏈接：http://www.sikaile.net/guanlilunwen/gongchengguanli/3044618.html
最近更新
教材專著
