近年來,隨著高分辨率遙感技術的發(fā)展,如何在遙感影像中快速檢測車輛目標成為研究熱點。車輛目標的智能識別與提取在宏觀交通狀態(tài)判別、災害檢測、軍事目標識別等領域發(fā)揮重要作用。已有的車輛目標檢測方法主要是依賴特征提取算子,檢測算法的性能依賴于算子的表達能力。由于在遙感影像中車輛目標在視場中的占比小,并且存在背景干擾、遮擋等原因,使得傳統(tǒng)方法在遙感影像車輛檢測上面臨諸多挑戰(zhàn)。近年來迅速發(fā)展的卷積神經(jīng)網(wǎng)絡在遙感影像目標檢測領域取得了重要進展。與傳統(tǒng)方法需要結(jié)合目標識別任務人為設計特征提取算子不同,卷積神經(jīng)網(wǎng)絡能夠充分挖掘圖像信息,自動提取出有利于目標任務的特征。為了提高對遙感影像的檢測效率、提高目標檢測的準確率和可靠性,本文圍繞遙感影像中車輛目標自動檢測問題,研究車輛目標潛在區(qū)域提取、基于卷積神經(jīng)網(wǎng)絡的車輛分類等關鍵技術,在此基礎上設計具有較高檢測精度的遙感影像車輛目標自動識別算法。本文主要研究內(nèi)容如下:針對遙感影像目標檢測中背景干擾,提出了基于超像素分割的區(qū)域合并算法,用以提取建筑掩模。該方法首先通過超像素算法對遙感影像及對應的高程影像進行預分割獲取兩組超像素集合;其次,定義了超像素區(qū)域分裂及合... 

【文章來源】：中國石油大學(北京)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

技術路線

第2章基于傳統(tǒng)方法的車輛檢測-6-第2章基于傳統(tǒng)方法的車輛檢測傳統(tǒng)的車輛檢測方法一般使用人工設計特征并結(jié)合機器學習的分類器進行車輛檢測，本章介紹了經(jīng)典的圖像特征提取方法及分類器的性能。2.1常用的目標檢測的特征2.1.1HOG特征方向梯度直方圖（HOG）[28]特征被廣泛應用于各種圖像目標的特征提齲HOG特征實質(zhì)上是梯度的統(tǒng)計信息，使用圖像局部梯度和邊緣方向描述圖像的形狀信息。HOG方法首先計算圖像中所有像素點的梯度，然后將圖像劃分為統(tǒng)一大小的細胞單元（cell），計算每個細胞單元的梯度直方圖。將細胞單元的梯度直方圖在更大的區(qū)塊（block）中進行方向直方圖統(tǒng)計，形成最后的特征描述子。HOG方法主要關注圖像的邊緣和梯度信息，能夠有效提取出局部形狀的特征。與其它的圖像特征提取方法相比，HOG方法提取的特征對圖像的幾何、光學形變不敏感，但是不具備旋轉(zhuǎn)與尺度變換的不變性。HOG特征計算步驟如圖2.1所示。圖2.1HOG特征提取流程Fig.2.1ProcessofHOGfeatureextraction

中國石油大學（北京）碩士專業(yè)學位論文-7-2.1.2LBP特征局部二值模式（LBP）[29]是一種用來描述圖像局部特征的算子。LBP特征反映了每個像素與其鄰域像素的關系，能夠有效突出圖像的問題信息。由于計算簡單效果較好，LBP特征被廣泛應用于目標檢測等相關領域。LBP特征的計算方法為：將圖像中每個像素定義一個以該像素為中心的3×3窗口，然后將周圍的8個像素值與中心像素值進行比較。若周圍像素點的灰度值大于中心點灰度值，則將該像素點標記為1，否則標記為0。經(jīng)過比較標記后，窗口中的8個點可以生成一個8位的二進制數(shù)，將其轉(zhuǎn)換為一個十進制整數(shù)。此時，該整數(shù)即為該中心像素的LBP值。將整幅圖像進行掃描后，生成一個LBP響應圖像，這個響應圖像的直方圖被稱為LBP特征。LBP特征提取流程如圖2.2所示。LBP算法雖然具有一定的紋理描述實用性，但由于描述范圍小，不能反映圖像全局信息，因此易受噪音的影響。特別是當有大面積的單色區(qū)域存在時，會出現(xiàn)過稀疏化的LBP直方圖，導致該方法提取出的特征穩(wěn)定性不佳[30]。圖2.2LBP特征提取流程圖Fig.2.2ProcessofLBPfeatureextraction2.1.3SIFT特征尺度不變特征變換（SIFT）[31]，是一種常用的檢測圖像局部特征的算法。SIFT算法大致可分為特征點提娶特征點描述、特征點匹配及誤匹配點消除四個核心部分[32]。SIFT特征具有尺度不變性、旋轉(zhuǎn)不變性，對變形、噪聲和照明變化具有魯棒性。該算法包含以下四個步驟：

【參考文獻】：
期刊論文
[1]基于LFP與RCD（G）特征的遙感圖像車輛檢測[J]. 陽理理,陳雪云,陳家華.  廣西大學學報(自然科學版). 2018(05)
[2]結(jié)合像元級和目標級的高分辨率遙感影像建筑物變化檢測[J]. 張志強,張新長,辛秦川,楊曉羚.  測繪學報. 2018(01)
[3]基于無人機的車輛目標實時檢測[J]. 姜尚潔,羅斌,劉軍,張云.  測繪通報. 2017(S1)
[4]一種高分辨率遙感影像車輛檢測方法[J]. 陳光,門玉英,翟東宇,李芳,吳德勝,陳良超.  軟件導刊. 2016(07)
[5]一種高分辨率可見光遙感影像中車輛目標檢測方法[J]. 谷正氣,李健,張勇,夏威,羅倫.  測繪通報. 2015(01)
[6]城市街區(qū)星載光學遙感圖像車輛目標自動檢測方法[J]. 李昭慧,張建奇.  紅外與激光工程. 2014(11)
[7]一種基于高分辨率遙感影像的建筑物提取方法[J]. 顧鈺培,肖蘭玲,凌婷婷,達利春.  測繪與空間地理信息. 2014(04)
[8]基于交通遙感圖像處理的車輛目標識別方法[J]. 曹天揚,申莉.  計算機測量與控制. 2014(01)
[9]基于分水嶺變換與空間聚類的高分辨率遙感影像面向?qū)ο蠓诸怺J]. 陳杰,鄧敏,肖鵬峰,楊敏華,梅小明,劉慧敏.  遙感技術與應用. 2010(05)
[10]一種高分辨率遙感影像建筑物邊緣提取方法[J]. 王丹.  環(huán)境保護與循環(huán)經(jīng)濟. 2009(10)

博士論文
[1]手掌靜脈身份識別關鍵技術研究[D]. 馬欣.北京郵電大學 2018

碩士論文
[1]基于局部特征的圖像匹配算法研究[D]. 郭健.南京郵電大學 2018
[2]基于多邊形超像素的候選建筑物檢測方法[D]. 黃雅婷.浙江大學 2018
[3]基于深度學習的車輛檢測方法研究[D]. 張文桂.華南理工大學 2016
[4]衛(wèi)星圖像中車輛目標提取方法優(yōu)化與精度評價[D]. 李龍飛.北京交通大學 2012



本文編號：2972687