本文關(guān)鍵詞：基于MNCC模型的高分辨率遙感影像目標識別

  更多相關(guān)文章： 目標分類與識別 媒體神經(jīng)認知計算 類腦計算 深度學(xué)習 認知計算 并行計算

【摘要】：高分辨率遙感影像的目標識別問題是海洋交通監(jiān)視、減災(zāi)應(yīng)急搜救、無人自主系統(tǒng)(UAS)(如無人機、無人車、無人潛航器、無人水面艇等自主機器人)等民用系統(tǒng)的核心技術(shù),也是軍事偵察、精確制導(dǎo)、海情監(jiān)控等軍事自動目標識別(ATR)系統(tǒng)的關(guān)鍵技術(shù)。伴隨著高分辨率對地觀測系統(tǒng)的發(fā)展,越來越多的行業(yè)應(yīng)用要求從高分辨率影像中提取更多有價值的目標細節(jié)信息。然而中低分辨率遙感影像解譯體系已無法滿足高性能的目標分類與識別(TCR)需求。特別由于背景的復(fù)雜性和目標的多樣性,目標識別的精度有效性和實時性問題尤為突出。此外由于相關(guān)應(yīng)用蘊含的軍事背景、數(shù)據(jù)獲取困難以及技術(shù)管制等原因,目前公開報道涉及TCR方法的核心技術(shù)相對較少。為解決目標識別的技術(shù)瓶頸,本文重點探索高分辨率遙感影像的高精度、高性能TCR的模型構(gòu)建和算法設(shè)計,為相關(guān)研究提供基礎(chǔ)性的技術(shù)支撐。本文研究思路是:(1)分析高分辨率遙感影像TCR問題的技術(shù)瓶頸,模擬神經(jīng)認知理論,建立面向遙感影像TCR應(yīng)用的層次化媒體神經(jīng)認知計算(MNCC)模型。(2)基于MNCC模型的處理流程及顯著性計算理論,分別設(shè)計場景分類和目標檢測算法,為目標識別提供上下文先驗知識。(3)基于MNCC模型處理框架,設(shè)計高分辨率遙感影像目標識別算法。首先構(gòu)造層次化的集成分類器,實現(xiàn)高精度目標識別;其次設(shè)計樣本擴增方法,解決小樣本復(fù)雜對象的目標識別問題。(4)研究并行化目標識別算法提升識別效率,并將相關(guān)算法應(yīng)用于遙感影像處理系統(tǒng)的研發(fā)中。本文的主要工作和結(jié)論如下:(1)構(gòu)建了一種面向遙感影像TCR應(yīng)用的層次化MNCC模型。針對高分辨率遙感影像的TCR核心問題,深入分析了神經(jīng)系統(tǒng)的結(jié)構(gòu)與信息處理機制,研究認知系統(tǒng)的視覺功能和層次處理架構(gòu)。構(gòu)造和設(shè)計了面向TCR的仿腦層次化的MNCC模型,并給出了MNCC模型TCR算法的形式化描述。(2)提出了基于脈沖神經(jīng)網(wǎng)絡(luò)的遙感目標檢測算法。為克服自然圖像顯著性算法的局限性,在MNCC模型的顯著性計算理論指導(dǎo)下,提出一種基于脈沖神經(jīng)網(wǎng)絡(luò)和脈沖耦合神經(jīng)網(wǎng)絡(luò)的遙感影像視覺顯著性計算框架VSF-MNCC,并實現(xiàn)基于脈沖神經(jīng)網(wǎng)絡(luò)的遙感影像船舶檢測算法SD-SNN。在可見光船舶數(shù)據(jù)集HRSHTD和高分辨率SAR圖像中,船舶目標檢測的虛警率和漏檢率分別達到9.48%和11.02%,實驗表明VSF-MNCC顯著圖具備較高的分辨率,對于點狀和團塊的目標檢測性能提升具備較好的效果。(3)提出了基于MNCC模型的遙感場景分類算法。作為目標識別的重要環(huán)節(jié),提出基于MNCC模型的遙感場景分類算法SC-MNCC,為TCR相關(guān)應(yīng)用的精度提升提供了上下文先驗知識。在高分辨率遙感場景分類數(shù)據(jù)集HRSS和UCMLU的實驗中,算法平均分類準確度分別達到84.73%和88.26%,優(yōu)于常見場景分類算法,初步驗證了MNCC模型的可行性。(4)提出了基于MNCC模型的高分辨率遙感影像的高精度目標識別算法。為解決高精度的SAR圖像坦克目標分類,設(shè)計基于深度脈沖卷積神經(jīng)網(wǎng)絡(luò)和層次隱狄利克雷分配模型的混合層次化目標識別分類器,實現(xiàn)了基于多層次集成學(xué)習的目標識別算法TCR-EL-MNCC。在公開的MSTAR數(shù)據(jù)集的實驗表明,TCR-EL-MNCC算法在SAR坦克目標的總體分類精度達到99.82%,優(yōu)于目前常見算法。為進一步解決小樣本復(fù)雜對象的可見光影像船舶目標識別,基于面向?qū)ο蠖喑叨葮颖緮U增技術(shù),提出了目標識別的增量強化學(xué)習算法TCR-IREL-OOMS。在HSTCR數(shù)據(jù)集的實驗表明,TCR-IREL-OOMS算法在船舶目標的平均識別率達到97.00%,接近MSTAR數(shù)據(jù)集的SAR坦克目標的識別率。本研究表明,利用增量、強化和集成的學(xué)習機制,構(gòu)建的面向?qū)ο蠖喑叨鹊膶哟位嬎隳Ｐ?符合人類對遙感影像的認知特性。基于MNCC模型的目標識別算法可有效實現(xiàn)復(fù)雜地物的信息提取工作。(5)提出和驗證了并行化TCR的解決方案,并設(shè)計和實現(xiàn)了基于構(gòu)件的遙感影像信息處理和展示平臺。深入分析了遙感影像信息處理和展示平臺的功能需求,提出一種基于構(gòu)件模型的遙感影像處理軟件的開發(fā)方案,設(shè)計和實現(xiàn)了遙感應(yīng)用系統(tǒng)的并行處理架構(gòu)。并將基于MNCC模型的TCR算法應(yīng)用于軟件的研發(fā)中,最后對開發(fā)效果進行系統(tǒng)分析和評價。為提升算法運行效率和實用性,采用多機多核并行和GPU異構(gòu)計算技術(shù),設(shè)計了基于MNCC模型的混合異構(gòu)并行目標識別算法PTCR-MP-MNCC。在HSTCR、MSTAR和MNIST三個數(shù)據(jù)集上實驗和討論了相關(guān)參數(shù)對算法效率的影響。實驗結(jié)果顯示,算法在HSTCR和MSTAR數(shù)據(jù)集最高加速比可達39.49和73.28。實踐表明基于MNCC模型的TCR算法在遙感影像信息提取上具備重要的應(yīng)用價值。綜上所述,遙感影像智能解譯涉及復(fù)雜的認知過程和專業(yè)知識,直接進行復(fù)雜的圖像語義理解和計算往往存在較大的困難。針對高分辨率遙感影像目標的多尺度認知特性,利用神經(jīng)認知機制首次構(gòu)建了一種面向遙感TCR應(yīng)用的層次化MNCC模型。設(shè)計面向?qū)ο蠖喑叨鹊母叻直媛蔬b感影像目標識別算法,可有效提升分類識別的精度需求。針對高分辨率遙感影像處理存在較高的并行特性,合理有效地設(shè)計并行TCR算法,能大幅度改善UAS和ATR系統(tǒng)的實時性需求。本文所研究的面向TCR的層次化MNCC模型可有效提升高分辨率遙感影像的目標檢測、場景分類和目標識別任務(wù)的性能,并為實現(xiàn)高分辨率遙感影像的智能解譯和復(fù)雜的語義計算提供有益的借鑒和參考。
【學(xué)位授予單位】：河南大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TP751
，

本文編號：1267141