高分辨率卫星遥感影像的姿态角常差检校

简要叙述高分辨率卫星遥感影像的严格几何模型,建立影像姿态角常差检校模型。通过对来自SPOT-5, QuickBird两种不同卫星遥感影像的试验,验证影像姿态角常差的存在。利用单个控制点检校出的常差值对角元素进行补偿后,明显提高卫星遥感影像的对地目标定位精度,目标点平面位置可达到4 pixels的精度水平。     

基于遥感信息的北京硬化地表格局特征研究

地表硬化是城市发展的重要特征之一,识别地表硬化程度对认识城市景观格局、物流、能流等社会、经济、自然过程具有重要意义.研究利用TM遥感影像,发展城市地表硬化度的遥感分析方法,提出地表硬化度指数,应用主成分回归方法,有效地拟合了地表硬化度和多光谱因子的关系(RTM=0.851,p<0.001).经统计检验:基于TM拟合的地表硬化度和真实的地表硬化度的相关性达到0.91(R=0.91).在此基础上,应用地表硬化度指数和基于目标分割的遥感分类方法,研究了北京市建城区(5环内)地表硬化度和建设密度的空间格局.结果表明:北京市城区中等(地表硬化度在50%-70%)和高密度建设用地(地表硬化度大于70%)总体比例大于70%,占绝对优势,其景观斑块的大小、形状等格局特征主导了北京城区景观格局的总体特征.但2-5环不同环带内硬化地表的格局特征明显不同.3-4环带是近20年城市发展的核心区,地表硬化格局综合体现了城市不同发展阶段的土地利用特征;2环带是老城区,以老北京胡同和文化古迹为主,高密度建设用地比例最高;5环带是城乡过渡区,以村镇、开发区为主体的高密度和中等密度建设覆盖比例为68.8%,斑块异质性较其他环带低,以林地、耕地等为主的硬化度较低的土地覆盖比例是31.2%,斑块异质性更低.     

矢量与栅格集成的三维数据模型

以矿山地质为背景,深入分析三维空间信息系统所涉及到的空间对象以及它们之间的联系,提出了几种新的空间对象类型。探讨用矢量与栅格混合的数据结构,以及面向对象的数据模型来表达各类三维空间对象,以此作为设计和建立三维地理信息系统的基础。     

基于姿轨参数的高分辨率卫星遥感影像定向模型

文章在基于传统姿轨参数的高分辨率卫星遥感影像定向模型基础上,用轨道半径变化率代替轨道偏心率和近地点幅角,并通过差商内插法求解姿轨参数的偏导系数,使平差所需控制点减少为4个.对SPOT-5HRG影像的试验表明,影像定向后像方检查点中误差小于±2pixels,对地定位精度可满足1∶50 000比例尺测图要求.     

利用双指数函数导数模型进行高分辨率卫星影像目标检测

提出了一种从高分辨率卫星影像中检测特定目标的方法。该方法首先用一种双边滤波的方法去除图像中的噪声,然后采用形态学处理的方法对图像进行分割和特征增强,并提取兴趣区域。在目标检测阶段,设计了一种基于双指数函数导数(DODE)模型的检测算子,该算子是面向具体目标设计的,能实现稳健的目标检测。对Google Earth中的影像分别进行了车辆检测实验和船舰检测实验,结果表明,此方法能够有效准确地检测高分辨率卫星影像中的特定目标。     

遥感影像上线状目标提取方法研究

遥感影像线状目标(主要是指道路)的提取是一个经典研究项目。本文首先基于相位编组的思想,确定出若干个局部图像的主方向,再利用对应方向的Sobel算子进行检测,最后对所得结果进行细化。实验证明,该方法对于图像中弱边界的识别是很有效的。     

基于VB + MapObjects的土地利用动态变化更新与实现

在土地利用动态监测中,地理信息系统是实现空间数据动态更新和分析的主要技术手段。本文分析了土地利用动态变化更新模式、土地利用图中图斑的特点以及图斑对象的更新模型,结合土地利用动态变化更新中的GIS空间分析方法,给出了土地利用动态变更中的图斑模型,采用VB+MapObjects进行了组件式GIS二次开发实现。经过实际数据的检验,证明了程序具有很好的稳定性、可靠性和较高的效率。     

针对浒苔目标检测的全局背景强化的位置蒸馏方法

浒苔检测是目前海洋环境智能监测领域研究的重要课题之一。为了有效解决传统浒苔检测方法存在的训练样本需求大的问题,本文提出了一种全局背景强化的位置蒸馏模型(GBS-LD)。通过引入全局上下文模块和背景蒸馏损失分支,解决了原始位置蒸馏方法在建模背景特征上的不足,在复杂海洋环境下有效提高了浒苔检测系统的稳健性。在浒苔检测数据集中,本文模型具有较高的准确性和实时性,为海洋智能监测提供了重要参考。     

基于改进的YOLOv5遥感影像飞机目标检测

针对现有目标检测算法在遥感影像飞机目标检测上存在检测速度慢、精度低、影像背景复杂、不易区分背景和目标,以及预测过程的收敛速度较慢、效率低等问题,本文在YOLOv5算法模型的基础上,采用引入注意力机制和更换损失函数两种优化策略,提升了算法对飞机目标的检测性能。在DOTA数据集上的训练结果显示,通过在YOLOv5网络结构主干部分的C3模块中引入CBAM注意力机制,算法检测性能得到显著提升。其中,模型训练结果的精确度(P)提升6%,召回率(R)提升2%,平均精度(mAP)提升2.8%;在YOLOv5预测过程中分别采用Focal EIoU和SIoU损失函数对原有CIoU损失函数进行替换,试验结果表明,改进后的算法模型回归精度显著提高,其中采用SIoU损失函数的模型优化效果最好,模型训练结果的精确度(P)提升4.3%,召回率(R)提升2%,平均精度值(mAP)提升2.7%。改进后的YOLOv5算法为实现对飞机目标的高精度实时检测提供参考。     

融合毫米波雷达与单目视觉的前车检测与跟踪

实时、鲁棒的三维动态目标感知系统是自动驾驶技术的关键。提出了一种融合单目相机和激光雷达的三维目标检测流程,首先,在图像上使用卷积神经网络进行二维目标检测,根据几何投影关系生成锥形感兴趣区域(region of interest, ROI),在ROI内对点云进行聚类,并拟合三维外包矩形;然后,基于外观特征和匈牙利算法对三维目标进行帧间匹配,并提出了一种基于四元有限状态机的跟踪器管理模型;最后,设计了一种利用车道信息的轨迹预测模型,对车辆轨迹进行预测。实验结果表明,在目标检测阶段,所提算法的准确率和召回率分别达到了92.5%和86.7%。在仿真数据集上对轨迹预测算法进行测试,与现有算法相比,所提算法在直线、弧线和缓和曲线3种类型的车道上均有较小的均方根误差,且算法平均耗时约为25 ms,满足实时性要求。所提算法鲁棒、有效,在不同车道模型下均有较好的结果。