直线特征辅助的靠岸舰船检测

针对靠岸舰船难以检测的问题,提出了一种直线特征辅助的靠岸舰船检测方法。首先利用高精度的卷积神经网络目标检测算法YOLOv3对影像进行粗检测,获取可能存在舰船目标的区域作为兴趣区域;然后提取影像的直线特征,将直线的方向作为确定舰船方向的辅助信息;最后利用具有一定角度的滑动窗口遍历兴趣区域获取候选目标,并对侯选目标进行二次分类和识别得到最终检测结果。利用不同港口的遥感影像进行实验的结果表明,提出方法能够有效检测港口内多种方向和并列停靠的舰船目标。     

知识驱动下的飞机目标变化检测方法

针对高分辨率光学遥感图像,提出了一种知识驱动下的机场区域飞机目标变化检测的思路和实现方法。首先,根据机场的地理位置知识信息,建立该机场的空间掩模图像,在此基础上获取待检测飞机目标的候选区域;然后,结合目标区域的控制点知识信息,对输入图像进行空间位置配准;再利用飞机目标的变化会导致区域纹理发生显著变化这一知识信息,提取目标区域的纹理特征进行变化检测,并对区域进行弱纹理剔除和边缘抑制处理;最后,利用数学形态学运算方法剔除部分孤立点,得到最终的检测结果。实验表明,该方法可以显著减小由配准误差、边缘响应等因素造成的虚警,飞机目标变化检测的正确率达到92.47%。     

遥感卫星在轨机场变化检测方法

针对机场飞机变化检测时效性要求高的特点,提出了遥感图像在轨变化检测的方法。该方法利用遥感卫星前后两幅机场图像,通过SURF方法配准并进行仿射变换,然后利用显著目标检测方法缩小目标检测区域,最后利用本文提出的圆周信息匹配方法,将二维图像匹配转换为一维信息检测的问题,实现对飞机的检测。利用前后两轨卫星遥感图像进行了试验,仿真结果表明,配准精度达到1个像素,能准确检测出飞机目标,说明该方法能准确高效地检测出机场飞机变化信息。     

基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测

传统的基于滑窗搜索和人工设计特征相结合的目标检测方法难以适用于海量高分辨率遥感图像的目标检测任务。本文提出了一种基于多尺度形变特征卷积网络的目标检测方法,利用可形变卷积网络对具有尺度和方向变化的遥感图像目标进行特征提取,然后对多层残差模块提取出的形变特征进行区域预测和鉴别。具体模型包括两个子网络：①目标区域预测子网络用于从多层深度特征图提取目标候选区域;②目标区域鉴别子网络用于对目标候选区域进行分类和位置回归。本文在光学卫星图像10类目标数据集上对比了多种基于深度学习的目标检测算法,并将训练好的模型用于谷歌地球影像飞机坟场数据集和高分2号、吉林1号数据集的评估,试验结果表明本文方法能够快速准确地对多类目标进行检测,具有较好的稳健性和迁移性。     

结合卷积神经网络与显著性特征的机场检测

遥感影像机场检测中，针对传统人工设计特征的方法稳健性差、检测耗时的问题，提出了一种结合卷积神经网络与显著性特征的遥感影像机场检测算法。利用卷积神经网络快速准确地检测出机场目标，确定兴趣区域，对兴趣区域进行显著性检测和连通区提取，从而获取更加精确的机场边界，最后利用多种场景下的影像进行测试。结果表明，本文方法具有明显的精度和速度优势；利用频率视觉显著性分析方法对获得的机场区域进行视觉显著性检测，可有效获取机场和跑道的精确边界，提高机场检测的效果和实用价值。     

基于深度学习的目标检测定位系统设计与实现

针对传统遥感影像目标检测方法效率不高,并且无有效手段对检测信息进行管理利用的问题,提出了在B/S构架下基于深度学习的目标检测及定位方法。通过集成深度学习框架、WebGIS以及数据库,实现了集遥感影像目标检测、展示及管理于一体的目标检测定位系统,满足多用户基于前端浏览器的并发目标检测需求。利用网格划分策略,实现了基于前端的大区域范围的目标快速检测。基于某机场飞机目标及某城市区域运动场目标检测结果表明:本文设计的目标检测定位系统能够在前端实现目标快速检测定位,具有较高检测精度,并可有效管理检测信息,为深度学习循环再利用提供数据支撑。     

一种飞机目标的遥感识别方法

高空间分辨率遥感影像通常具有数据量大、背景复杂及地物占比较少等特点。如果直接将RCNN模型应用于高空间分辨率遥感影像目标识别,计算量大且效率低。级联AdaBoost算法识别率高、速度快,但又会产生较多的虚假目标。本文结合RCNN模型和级联AdaBoost算法,提出了一种由粗到精的飞机目标识别方法。首先使用基于HOG特征的级联AdaBoost算法快速提取飞机目标候选区域,然后利用基于卷积神经网络特征的SVM对飞机目标候选区域进行精细识别。试验表明,本文提出的方法在保证准确率的同时,还有效提高了计算效率。     

基于Hough森林算法的遥感影像目标检测

在遥感影像飞机目标检测中,由于目标训练样本的局限性及遥感影像尺寸较大带来的复杂性,直接使用级联式Adaboost算法会产生较多的虚警,因此需要采取一定手段去除虚假目标。近来,Hough森林算法因其简单而有效的表现在目标检测中有较多的应用。然而,直接使用Hough投票机制应用于遥感影像全图,时间耗费比较大。因此,本文将两种算法结合起来,首先由级联Adaboost算法检测出候选目标区域,然后通过改进的Hough森林算法对这些候选目标区进行二次筛选。在二次筛选中,由于初检已经确定目标的可能位置,因此不需要对全图的图像块进行位置投票,只需用对该区域作目标存在可能性评价,降低了时间消耗。试验表明,本文方法不仅能很好地去除虚假目标,同时也保证了检测时间的有效性。     

级联卷积神经网络的遥感影像飞机目标检测

传统遥感影像飞机目标检测算法依赖于人工设计特征，对大范围复杂场景和多尺度的飞机目标稳健性较差，基于深层卷积神经网络的目标检测算法通常难以有效应对大幅影像的目标搜索和弱小目标检测问题，针对上述问题，本文提出了一种基于级联卷积神经网络的遥感影像飞机目标检测算法。首先根据全卷积神经网络能够支持输入任意大小图像的特点，采用小尺度浅层全卷积神经网络对整幅影像进行遍历和搜索，快速获取疑似飞机目标作为兴趣区域，然后利用较深层的卷积神经网络对兴趣区域进行更精确的目标分类与定位。为提高卷积神经网络对地物目标的辨识能力，在卷积层中引入多层感知器，并在训练过程中采取多任务学习与离线难分样本挖掘的策略；在测试阶段，建立影像金字塔进行多级搜索，并结合非极大值抑制消除冗余窗口，从而实现由粗到精的飞机目标检测与识别。对多个数据集下多种复杂场景的遥感影像进行测试，结果表明，本文方法具有较高的准确性和较强的稳健性，可为大幅遥感影像的飞机目标检测问题提供一个快速高效的解决方案。     

基于直线和区域特征的遥感影像线状目标检测

针对高分辨率航空遥感影像中线状目标的特点,提出一种结合区域和直线特征识别线状目标的方法。在基于标记点分水岭变换进行初始分割的基础上,利用关于目标的知识和区域邻接图(RAG)对感兴趣区域进行合并,得到最终检测结果。实验结果表明,本文方法可以有效地从遥感影像中提取线状目标。     

结合显著图和深度学习的遥感影像飞机目标识别

为准确快速识别高分辨率遥感影像中的飞机目标，提出了一种结合显著图和深度置信网络（DBN）的飞机目标识别算法。本文首先使用HC （直方图对比度）算法提取遥感影像中的显著目标；然后通过定位连通区域确定候选目标的位置；随后提取候选目标的颜色矩、Hu不变矩、灰度共生矩阵、Tamura纹理特征和边缘方向直方图；最后将归一化后的多特征融合数据应用到深度置信网络进行目标识别。试验结果表明，本文算法的检测率为98.46%，虚警率为5.20%。算法从多种底层图像特征出发，有效克服了单一特征描述能力不足的问题，提高了飞机目标识别能力及抗干扰能力。     

改进Faster R-CNN的遥感图像多尺度飞机目标检测

为了提高遥感图像中多尺度飞机目标的检测精度,本文提出一种基于改进Faster R-CNN的遥感图像飞机目标检测方法。该方法借助多层级融合结构,将深层次的语义特征与浅层次的细节特征相结合,生成多种尺度的既具有精确的位置信息又具有深层次的语义特征的特征图;再借助Faster R-CNN的多尺度RPN（Region Proposal Network）机制,通过对RPN中候选区域尺度的修正,从而提高遥感图像中多尺度飞机目标的定位精度;最后利用Faster R-CNN的分类回归网络,得到飞机目标检测结果。在高分辨率遥感图像中进行了实验,对3种特征提取网络ZF、VGG-16以及ResNet-50进行改进,改进后的精度分别提高了11.34%、9.87%以及1.66%,并且生成的检测框更加贴合飞机目标。实验结果表明,本文方法适用于遥感图像多尺度飞机目标检测,在提高目标定位精度的同时降低了目标漏检现象。     

基于Faster R-CNN的高分辨率图像目标检测技术

为提升传统算法对高分辨率遥感图像中地物目标的检测效果,将深度学习目标检测框架快速区域卷积神经网络(faster regions with convolutional neural network,Faster R-CNN)应用于高分辨率遥感图像目标检测任务中。以机场为检测场景、飞机为检测目标进行实验,首先,利用高分辨率遥感图像数据集训练Faster R-CNN框架,得到相应的目标检测模型;然后,采用该模型对高分辨率遥感图像中的飞机目标进行检测;最后,对实验结果进行统计分析及评价。实验结果表明,Faster R-CNN模型能够全面而准确地检测飞机目标,最优F1分数值为0. 976 3,并且同一个模型可以对多种高分辨率遥感图像进行目标检测。     

一种直线特征遥感影像与GIS矢量数据匹配方法

针对飞行器的匹配制导,提出了一种基于直线特征的遥感影像与GIS矢量数据自动匹配方法.该方法首先利用遥感影像的概咯方位参数实现预处理后的GIS数据与遥感影像概略叠加;接着对GIS直线数据叠加所在的遥感影像区域开辟窗口进行边缘检测;然后利用Hough变换同步进行折线特征提取和特征匹配;在实现过程中采用了金字塔分层和新型投票方法以节省运算时间,最终实现影像特征与GIS数据的成功匹配.实验证明了该方法的有效性和稳健性.     

基于语义规则的高分辨率影像道路交叉口提取方法

为了准确提取遥感影像上道路交叉口目标,提出一种利用特征语义规则从高分辨率影像上提取道路交叉口的方法。该算法构建交叉口模型时将其视为由同质区域像素集合及区域轮廓边界构成的面对象,提取过程分为两步:1)利用辐射、纹理特征语义匹配提取交叉口候选区域;2)通过几何特征语义匹配筛选候选区域、识别交叉口属性。利用多源遥感影像对算法正确性及合理性进行验证,结果表明:算法能准确、完整地提取道路交叉口,可为影像道路网构建提供辅助信息。     

结合特征编组与局部描述的直线匹配算法

针对直线匹配过程中单一直线描述符的局限性,该文提出一种结合特征编组与局部描述的直线匹配算法,该算法首先利用相邻直线间的特征关系编组直线对进行全局搜索;然后利用双重核线约束确定与目标直线对相对应的候选直线对集;其次建立目标直线对支撑区域以及对应每个候选直线对的支撑区域,借助仿射变换统一目标和候选支撑区域的大小,分别构建直线对两直线的LBD描述子进行局部描述,根据直线间形成的特征向量计算欧氏距离,将满足最近邻距离比准则的候选直线作为匹配结果;最后对匹配结果进行后处理,剔除部分错误匹配,获得"一配一"的同名直线。实验选择网上公开的、具有代表性的近景影像数据,结果表明该文算法可获得可靠的匹配结果,与其他算法相比,该文算法对于影像间存在视角、光照、旋转和前景变换等复杂条件仍达到了95%以上的匹配正确率,具有较好的鲁棒性和普适性。     

基于多尺度特征融合的遥感影像目标检测

提出基于多尺度特征融合的遥感影像目标检测方法,本文利用选择性搜索算法对原始数据进行滤波处理和二值化处理,提取遥感影像目标区域图像数据,采用RBM技术获取遥感影像目标的语义特征和细节特征,在此基础上,建立融合网络,对影像目标的语义特征和细节特征进行变形卷积操作和池化操作,将目标的语义特征和细节特征进行多尺度融合,获取目标的深度特征,进而定位遥感影像目标。实验证明,设计方法遥感影像目标检测时间短,可以快速检测到遥感影像目标。     

基于分形理论和形态学的遥感图像地物检测

利用分形理论和数学形态学的方法对大比例尺遥感影像上面状地物飞机进行了检测。经实验结果得出,利用“地毯覆盖法”提出的分形斜率截距法对遥感影像飞机检测,结果要优于灰度统计法、经典边缘检测算子和形态学算子检测的结果。     

结合几何约束和梯度描述子的直线段匹配

针对无约束条件下直线匹配的可靠性问题,提出了一种结合几何约束和梯度描述子的直线段匹配算法。该算法在已有同名点和直线提取结果的基础上,首先结合同名三角网和核线约束确定候选直线;其次以目标直线为基础,利用其端点核线确定候选直线与目标直线对应的重叠段区域;再次分别以目标直线和候选直线对应的重叠段为基础,构建直线平行支撑域,对目标直线和候选直线构建高斯卷积梯度幅值的均值-标准差描述子;最后结合欧氏距离和最邻近比值(NNDR)确定最终同名直线。选取具有不同类型的影像对进行匹配试验,结果表明,本文方法能获得可靠的直线匹配结果。     

一种有效的直线提取算法

直线是城区中道路、建筑物以及机场等人工环境下的主要特征,进行直线的提取具有很强的实际意义。首先针对影像建立高斯滤波模型去噪,然后进行边缘检测,在边缘影像上进行Hough变换,通过端点检测的方法来获取直线。试验对比结果表明,该算法可以在航空影像和遥感影像中提取出真实的地物直线。