【摘要】：船舶目標的檢測在民用、商用、軍用等各方面均有著重要意義,船舶檢測不僅僅能為海洋部門的海域監(jiān)管做出重要貢獻,而且還可能影響到國家的經(jīng)濟和領(lǐng)土安全。如相關(guān)部門可以通過監(jiān)控特定海域與特定港口來維護海上交通安全,軍隊可以通過檢測某些重要軍事口岸快速獲取敵軍的軍事部署和實力等。因此研究如何準確、快速的進行船舶目標檢測非常重要。隨著遙感技術(shù)的高速發(fā)展,尤其是高分系列衛(wèi)星的成功發(fā)射,我們所能獲得的遙感圖像空間分辨率越來越高,所以我們可以使用高分辨率遙感圖像來進行船舶目標檢測任務(wù),但是目前利用高分辨率遙感圖像進行船舶目標檢測的研究大多采用傳統(tǒng)特征提取和機器學習方法,或者采用基于傳統(tǒng)的滑動窗口和淺層卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的方法。傳統(tǒng)的方法不能充分利用高分辨率遙感圖像提供的豐富的光譜信息和空間信息,目標檢測準確率不高,而基于傳統(tǒng)的滑動窗口查找候選區(qū)域和淺層卷積神經(jīng)網(wǎng)絡(luò)判別候選區(qū)域直接結(jié)合的方法由于使用傳統(tǒng)的滑動窗口法產(chǎn)生了大量的候選區(qū)域,所以檢測速度比較慢,而且淺層卷積神經(jīng)網(wǎng)絡(luò)也不能充分提取船舶的某些重要特征,導(dǎo)致了遙感圖像船舶檢測的準確率也不高。基于以上所述,本文針對來自Google Earth的高分辨可見光遙感圖像數(shù)據(jù),提出了一種基于深層卷積神經(jīng)網(wǎng)絡(luò)的HS-CNN模型來實現(xiàn)高分辨率可見光遙感圖像船舶目標檢測任務(wù)。模型首次將SVM分類器和深層卷積神經(jīng)網(wǎng)絡(luò)結(jié)合起來用于船舶檢測。首先使用選擇性搜索算法來查找圖像中的所有感興趣區(qū)域,然后使用HOG+SVM來初篩排除部分非船舶區(qū)域,最后使用一個16層的深層卷積神經(jīng)網(wǎng)絡(luò)進行判別。實驗結(jié)果表明,本文提出的高分辨率遙感圖像船舶檢測模型中使用選擇性搜索算法來選擇候選船舶區(qū)域減少了傳統(tǒng)滑動窗口帶來的大量計算量,然后使用HOG+SVM按照特定概率初篩進一步的減少了候選區(qū)域數(shù)量,而且深層卷積神經(jīng)網(wǎng)絡(luò)模型比傳統(tǒng)的機器學習方法和淺層神經(jīng)網(wǎng)絡(luò)模型能夠更充分的利用圖像中豐富的光譜信息和空間信息提取遙感圖像船舶的特征來進行最后的判斷,在船舶檢測任務(wù)中取得了更快、更準確的效果。而且,針對現(xiàn)階段高分辨率可見光遙感圖像的船舶分類研究較少且分類準確率不高的情況,本文將使用深層卷積神經(jīng)網(wǎng)絡(luò)來完成高分辨率遙感圖像船舶分類任務(wù)。但是,目前網(wǎng)絡(luò)上沒有能直接使用的高分辨可見光遙感圖像船舶分類的開源數(shù)據(jù),沒有足夠的數(shù)據(jù)用于船舶分類任務(wù)。為此,本文基于遷移學習提出了一種高分辨可見光遙感圖像船舶分類方法,并基于Google Earth的高分辨率遙感圖像建立了一個簡單的船舶分類數(shù)據(jù)集,該方法可以很好地利用深層卷積神經(jīng)網(wǎng)絡(luò)所帶來的強大記憶能力、學習能力和特征空間表達能力,充分提取各類船舶的特征。最后本文使用了多種源領(lǐng)域數(shù)據(jù)集來完成深層卷積神經(jīng)網(wǎng)絡(luò)的預(yù)訓練,并使用船舶數(shù)據(jù)集對進行網(wǎng)絡(luò)微調(diào),通過與不使用遷移學習時的分類結(jié)果相比,驗證了本文所用方法的有效性。
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP751;TP183
【圖文】：

而隨著當代遙感技術(shù)的高速發(fā)展，遙感圖像的空間分辨率逐步提升，遙感圖像中逡逑各類目標都變得越來越清晰，所以我們可以利用遙感圖像來進行船舶分類任務(wù)。逡逑如圖１．１所示，一次展示了三種類別的船舶，分別是航母，貨船、軍艦，他們不逡逑但外形細節(jié)上有區(qū)別，且用途和作用也不盡相同。船舶類別能夠給我們帶來很多逡逑有用的信息，比如某片海域有軍艦或者走私船舶出現(xiàn)，這對維護國家軍事和經(jīng)濟逡逑利益都有著很重要的價值。因此，針對高分辨率遙感圖像中船舶類別的研宄是可逡逑┧鰣義希ǎ幔┖僥稿危ǎ猓┗醮危ǎ悖┚㈠義賢跡保輩煌啾鸕囊８型枷翊笆糾煎義希跺義

本文編號：2795892