融合点云和多视图的车载激光点云路侧多目标识别

城市环境中的行道树、车辆、杆状交通设施是重要的交通地物,也是智能交通,导航与位置服务,自动驾驶和高精地图等行业应用的核心要素.为了准确识别这些路侧目标,本文提出一种融合点云和多视角图像的深度学习模型PGVNet(point-group-vi ew network),充分利用目标点云数据中空间几何信息及其多视角图像中高级全局特征提升路侧行道树、车辆和杆状设施的分类精度.为了减少视图间的冗余信息并增强显著视图特征,PGVNet模型利用预训练的VGG网络提取多视图特征,对其进行分组赋权获取最优视图特征;采用嵌入注意力机制的融合策略,利用最优视图特征动态调整PGVNet模型对点云不同局部关系的注意力度,学习不同路侧目标的多层次、多尺度显著特征,实现行道树、车辆和杆状交通设施的精确分类.试验采用5份不同车载激光扫描系统获取的不同城市场景数据验证本文方法的有效性,其中行道树、车辆及杆状交通设施分类结果中的准确率、召回率、精度和F1指数分别达(99.19％、94.27％、93.58％、96.63％);(94.20％、97.56％、92.02％、95.68％);(91.48％、98.61％、90.39％、94.87％).结果表明,本文方法融合多视图全局信息和点云局部结构特征可以有效区分城市场景中的行道树、车辆和杆状交通设施,可为高精度地图中要素构建与矢量化提供数据支撑.     

基于形态学序列和多源先验信息的城市建筑物高分遥感提取

城市建筑物自动提取是高分辨率遥感影像理解的重要研究方向,其对于城市基础地理信息更新和城市生态保护均具有重要的应用价值和实际意义。然而由于城市场景的复杂性和建筑物形态的多样性降低了空间特征的综合表达能力,成为了制约城市建筑物自动提取的瓶颈问题。为此,本研究在综合分析城市建筑物不同模式空间特征的基础上,提出了一种多模式形态学序列特征和多源先验信息协同的城市建筑物高分遥感自动提取方法。该方法在提取高分遥感多模式形态学序列特征的基础上,引入多源先验信息构建自适应分割模型对其进行自适应分割与信息融合,从而实现城市建筑物信息的自动提取。实验结果表明,本文方法能够准确且自动的提取城市建筑物信息,结果的准确性均优于DMPs和DAPs算法。     

高光谱图像相对含水量反演引导的精细分类

深度学习在高光谱图像处理领域的研究应用不断深入发展,基于深度学习的高光谱图像分类达到了较高的分类精度。目前的分类模型多利用高光谱的图谱特征,但对光谱的诊断性特征及先验信息利用不足,对空谱特征提取过程难以实现有效协同,因而导致分类类别即类内分类不够精细。为了解决以上问题,本文提出一种以多标签数据为输入的共生神经网络模型,在高光谱图谱特征提取的基础上融合光谱诊断特征,实现相对含水量反演及精细分类。首先,通过构建一种新的红边斜率光谱指数实现高光谱图像相对含水量的表征,利用本文提出的自适应分级算法完成相对含水量反演并建立对应的等级标签,与地物种类标签共同构成多标签高光谱数据集。然后,构建共生神经网络架构及内部变维特征提取模块,利用多标签数据提取高光谱图像中空间、光谱和相对含水量的融合特征,提高深度模型对不同含水量地物的区分能力和对所提取特征的协同表达能力,降低模型的复杂度与计算量,完成基于多标签数据集的相对含水量反演引导分类的过程,在扩大传统类间距离的基础上进一步扩大类内距离,从而实现高光谱图像的精细分类。最后,使用实验室采集数据和4个公开的高光谱数据集Lopex、Indian Pines、Pavia University和Salinas进行实验验证。结果表明,本文提出的红边斜率光谱指数可以有效表征地物的相对含水量信息;相对含水量反演引导的分类模型对类内分类精度有较明显的提升,对总体分类结果有一定的改善;与其他机器学习和深度学习分类算法相比,本文算法取得了较好的分类结果,提高了深度分类模型的分类性能和精细程度,实现了精细分类。     

深度学习的街景行道树自动识别提取研究

针对城市行道树调查中,街景影像背景环境复杂多变、行道树个体差异大,依靠目视判读费时费力的问题,该文基于车载移动测量系统采集的全景影像数据,利用深度学习算法,在快速区域卷积神经网络的目标检测方法基础上,建立适用于街景行道树检测的深度神经网络模型。模型采用基于共有显著性区域及冗余策略的行道树多示例目标候选区域选择方法,使用车载图像的几何约束进一步筛选合适的候选区域,从而实现行道树目标候选区域的统一选择,提升行道树目标的检测效果。实验结果表明,该文提出的方法能够实现多种行道树的准确自动识别与提取,进而大大降低行道树绿化调查的成本。     

结合协方差池化与跨尺度特征提取的高光谱分类

深度卷积神经网络在高光谱图像分类任务上取得了优越性能。但是,主流深度学习算法通常采用一阶池化运算,容易忽略光谱之间的相关性,因而难以获取高阶统计判别特征。另外,这类算法往往难以选择最优的窗口大小去捕获不同感受野信息。针对上述问题,本文提出了一种结合协方差池化和跨尺度特征提取的高光谱影像分类方法。该方法设计了跨尺度自适应特征提取模块,能够自动提取多尺度特征,获取不同视野的互补信息,避免了尺度选择问题;进一步利用平均池化和快速协方差池化的联合池化操作,得到一阶统计量和结合空间光谱信息的二阶统计量;最终,将一阶和二阶池化特征进行融合用于分类。在3个公开高光谱数据集Indian Pines、Houston和Pavia University上分别随机选取5%、5%和1%标记样本进行训练,本文算法得到的总体分类精度分别达到97.63%、98.48%和98.21%,分类性能优于主流深度学习方法。     

基于深度学习的河道提取与变化监测应用——以永定河为例

本文基于2014年、2017年、2018年三期GF1遥感影像,针对北京市石景山永定河河道变化特征,开展基于深度学习算法的河道自动提取与变化图斑自动发现。选择GEOWAY GFLP作为地理要素智能训练平台,采用基于疑似变化区域自动发现与人工交互确认相结合的遥感监测技术路线,选取典型水体样本进行分析、训练,构建深度学习卷积神经网络水体提取模型。通过分析与验证发现,基于深度学习水体提取模型自动提取的河道准确率高于90%,精度高于最小距离、最大似然及SVM分类方法,可用于城市河道的自动提取和变化发现。     

结合深度学习的高光谱与多源遥感数据融合分类

高光谱数据具有丰富的光谱特征,但是其空间分辨率相对较低。一些遥感数据具有与高光谱数据互补的优势,例如提供更精细的空间信息的高空间分辨率数据和具有高度信息的激光雷达LiDAR（Light Detection and Ranging ）数据。通过将高光谱数据与多源遥感数据进行融合,可以弥补高光谱数据空间分辨率相对较低,空间特征不够丰富的缺点。近年来,基于深度学习的方法已经在遥感数据分类研究中取得了一定的进展。然而,由于深度网络的特征提取过程是一个自主的过程,往往无法精确的获取最有利于遥感数据分类的特征;同时,深度学习方法具有复杂的网络结构和大量的参数,往往会在分类训练过程中造成参数拟合困难。以上这些因素会导致分类效果不佳。针对这些问题,本文提出了一种将卷积神经网络CNN（Convolutional Neural Network）和纹理特征相结合的多源遥感数据特征级融合分类框架。该方法共3个步骤,首先,对高光谱数据或多源遥感数据提取纹理特征;然后,构造CNN,分别将原始高光谱遥感数据、原始多源遥感数据和第一步中获得的纹理特征作为深度网络的输入进行深度特征提取;最后,将分别提取到的深度特征拼接,并利用Softmax分类器进行分类。为了验证本文提出方法的分类效果,本文在休斯顿和塞特福德矿地区公开数据集上进行实验,并将该分类框架与支持向量机分类方法、像素级融合分类方法和特征级融合分类方法进行对比。由此可以分析得出,本文提出的基于深度学习的融合分类方法可以获得较高的分类精度。     

多特征融合的高分辨率遥感影像飞机目标变化检测

为利用高分辨率遥感影像实现高精度的飞机目标变化检测,提出了一种自适应的多特征融合变化检测与深度学习相结合的方法。首先,通过加权迭代的多元变化检测法获取变化强度图,并结合自适应的直方图统计法自动获取显著的变化与不变化样本;然后,提取多时相影像的光谱、边缘和纹理特征,完成多特征融合的变化检测,并通过形态学处理得到变化图斑;最后,利用训练的NIN(Network in Network)结构的卷积神经网络飞机识别模型,完成变化图斑的类型判别,实现变化飞机的检测。实验结果表明,本文方法在两组数据的正确率分别达到100%和91.89%,均优于对比方法,能实现准确可靠的飞机目标变化检测。     

面向多源异质遥感影像地物分类的自监督预训练方法

近年来,深度学习改变了遥感图像处理的方法。由于标注高质量样本费时费力,标签样本数量不足的现实问题会严重影响深层神经网络模型的性能。为解决这一突出矛盾,本文提出了用于多源异质遥感影像地物分类的自监督预训练和微调分类方案,旨在缓解模型对于标签样本的严重依赖。具体来讲,生成式自监督学习模型由非对称的编码器-解码器结构组成,其中深度编码器从多源遥感数据中学习高阶关键特征,任务特定的解码器用于重建原始遥感影像。为提升特性表示能力,交叉注意力机制模型用于融合异源特征中的信息,进而从多源异质遥感影像中学习更多的互补信息。在微调分类阶段,预训练好的编码器作为无监督特征提取器,基于Transformer结构的轻量级分类器将学习到的特征与光谱信息结合并用于地物分类。这种自监督预训练方案能够从多源异质遥感影像中学习到刻画原始数据的高级关键特征,并且此过程不需要任何人工标注信息,从而缓解了对标签样本的依赖。与现有的分类范式相比,本文提出的自监督预训练和微调方案在多源遥感影像地物分类中能够取得更优的分类结果。     

多尺度样本熵高光谱图像分类

针对目前高光谱图像分类数据冗余度高,计算效率低下,且易丢失光谱信息等问题,该文提出一种可以有效地利用光谱信息通过多尺度样本熵提取图像特征的方法。先描述多尺度样本熵计算过程,并对参数进行分析,选取最优参数。在此基础上,分析多尺度样本熵曲线变化规律,设计最优多尺度样本熵特征选择方法。将选取的最优多尺度样本熵特征矢量代入支持向量机分类器(SVM),实现高光谱图像分类。将该文算法与深度特征融合网络(DFFN)算法和基于自适应波段选择(ABS)算法在PaviaU图像和Indian Pines图像上进行对比实验,并对其结果进行定量精度评价。实验结果表明,对于两组高光谱图像,该文算法在总体分类精度上分别达到了98.64%和96.49%,明显高于两种对比算法,同时在时间效率上也有了显著提升。     

基于DBN的车载激光点云路侧多目标提取

提出一种基于深度信念网络（DBN）的车载激光点云路侧多目标提取方法。首先通过预处理对原始数据进行分段,并将地面和建筑物点云与路侧目标进行分离;然后利用连通分支聚类分析算法进行路侧点云聚类,并采用基于体素的归一化分割方法分割重叠点云,从而生成独立目标点云;在此基础上,生成基于多方向目标对象的二值图像并展开成二值向量作为独立目标点云的描述特征;最后构建并训练DBN,利用训练好的DBN提取行道树、车辆及杆状目标等3类路侧目标。试验采用两份不同城市道路场景的点云数据,行道树、车辆及杆状目标提取结果的准确率分别达97.31%、97.79%、92.78%,召回率分别达98.30%、98.75%和96.77%,精度分别达95.70%、93.81%和90.00%,F1值分别达97.80%、96.81%和94.73%。试验结果验证了本文的有效性。     

分部加权的行道树检测网络构建

基于深度学习目标检测框架,提出了一种端到端的训练网络,用于行道树的自动检测。由于行道树之间的遮挡问题,现有的通用物体检测框架无法直接应用于此任务,为此本文提出了一种树形分部加权模块,以减少严重遮挡造成的错误检测。然后对提出的神经网络进行训练和评估。结果显示,本文所建立的分部加权树木检测网络能够在遮挡条件下,有效地检测出街景图像中的行道树,该方法在各种条件下均具有较高的精度和良好的稳健性。     

基于深度学习的高分辨率遥感影像建筑物提取方法

针对传统的建筑物提取方法精度较低和边界不完整等问题,本文提出基于深度学习的高分辨率遥感影像建筑物提取方法。首先,采用主成分变换非监督预训练网络结构,获得待提取遥感影像特征。其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,通过非下采样轮廓波变换来获取影像纹理特征,并将纹理特征输入网络中参与建筑物提取。最后,将影像特征输入softmax分类器进行分类,获得建筑物提取结果。选取典型区域进行建筑物提取试验,并与典型建筑物提取方法进行对比分析,结果表明,本文提取方法精度高,并且提取建筑物的边界清晰、完整。     

多平台点云数据的单木参数提取精度分析

以浙江省海宁市4种代表行道树(广玉兰、无患子、悬铃木、香樟树)为研究对象,结合无人机(UAV)影像和三维激光扫描数据,利用ContextCapture、LiDAR360软件完成点云拼接、滤波、降噪和编辑,通过迭代最近点算法实现点云精细匹配,完成多平台点云数据融合,进而得到数字表面模型与数字高程模型,并制作冠层高度模型;采用分水岭分割算法对不同行道树树种的冠层高度模型进行单木分割,并综合局部最大值法实现单木树高、冠幅的参数提取。结果表明,本文方法进行行道树单木分割的精度高,树高、冠幅参数提取值的效果好,满足行道树几何参数调查要求。     

面向城区宽基线立体像对视角变化的结构自适应特征点匹配

提出一种基于结构自适应特征的城区宽基线影像特征点匹配方法。首先,对影像提取点特征和直线特征,挖掘点特征与其邻域内直线特征之间的几何关系,构建结构自适应的特征区域和特征描述符,并通过双向匹配策略获得初始匹配结果。然后,基于初匹配结果估计影像基础矩阵,构建核线约束的结构自适应特征匹配算法进行二次匹配。最后,将已匹配特征作为控制基础设计匹配扩展算法,进一步增加匹配点数量。本文方法以特征点邻域几何结构为出发点,构建自适应的特征区域,能够在显著的影像视角变化下,为同名特征点提取影像内容一致的特征区域,进而获得相似的特征描述符。试验结果证明,与传统算法相比,本文方法在城区宽基线影像上能够同时获得更多的正确匹配特征和更高的匹配正确率。     

深度学习的半监督遥感图像检索

遥感图像数据的海量性、多样性和复杂性等特点对遥感图像检索的速度和精度提出了更高的要求,其中特征提取是影响遥感图像检索效果的关键。本文方法首先对遥感图像进行预处理,然后基于稀疏自动编码的方法在大量未标注的遥感图像上进行特征学习得到特征字典,基于卷积神经网络的思想,使用训练出来的特征字典对遥感图像进行卷积和池化得到每幅图像的特征图;接下来使用特征图训练Softmax分类器;最后对待检索图像分类,在同一类别中计算特征间的距离,进而实现遥感图像的检索。实验结果表明,该方法能够有效提高遥感图像检索的速度和准确度。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

一种结合语义分割模型和图割的街景影像变化检测方法

由于街景影像具有地物尺度多样化、地物界限不明确、地物光谱信息复杂等问题,造成应用统计方法、机器学习等方法对复杂度高的街景影像变化检测性能欠佳.因此提出一种结合语义分割模型和图割(GC)的街景影像变化检测方法.该方法首先采用Camvid数据集训练DeeplabV3+网络得到的迁移学习模型对两个时期的街景影像进行语义分割;...     

常加速度模型的简化自协方差最小二乘法

“当前”统计模型自适应算法并非真正意义上的自适应目标跟踪算法,其性能与其中关键参数的选择有着直接的关系。本文以常加速度模型对机动载体进行建模,顾及其状态噪声协方差矩阵满足特定结构,提出了简化的自协方差最小二乘噪声协方差估计方法,该方法通过建立新息的相关函数序列与未知噪声协方差矩阵间的函数模型,并结合最小二乘法进行噪声协方差估计。数值仿真结果表明,当载体进行阶跃加速度运动或变加速度运动时,本文所提方法的目标跟踪精度均优于“当前”统计模型自适应算法。