基于深度学习的航拍图像场景解析方法研究

摘要

基于深度学习的航拍图像场景解析算法是目前无人机应用技术领域及深度学习领域的热点研究课题，同时部分技术已经广泛应用于无人机侦查、交通监管、土地勘测、野生动物追踪、灾害观察等领域。无人机航拍图像属于高分辨率图像，航拍场景中的目标及小目标的细节信息保留完整，但是易受恶劣天气的影响，导致航拍图像模糊，对比度、颜色保真度及清晰度都下降，因此需要对航拍图像进行图像去雾同时增强图像，为后续的目标检测提供高质量的航拍图像。现有的基于深度学习的目标检测网络模型通常是针对300?300到500?500的分辨率的图像，可以达到实时检测，检测精度也远超基于机器学习的目标检测方法。直接对高分辨率航拍图像进行压缩，会损失小目标的许多细节信息，并且网络模型中的特征图分辨率低，保留的关于小目标的细节信息很少，不利于小目标检测。目前，图像去雾算法及基于深度学习的目标检测方法并不适用于高分辨率的航拍图像，存在一些问题，例如图像去雾算法不能很好处理航拍图像中的天空区域，针对高分辨率的航拍图像，目标检测网络模型对小目标定位精度差，检测时间达不到实时性要求等。 本文在详细介绍了基于暗影通道的图像去雾算法及经典的基于深度卷积神经网络模型的基础上，重点研究了基于导向滤波的航拍图像去雾算法及两种基于深度学习的航拍图像目标检测方法，即基于预分割的深度学习目标检测方法及基于特征融合的深度学习的航拍图像目标检测方法。通过实验对所提出的图像去雾算法及两种基于深度学习的航拍图像目标检测方法进行验证并与现有的经典算法的结果进行对比。 论文主要工作及贡献如下： 1.针对目前的基于暗影通道的图像去雾算法无法应用到天空区域提出了一种基于导向滤波的航拍图像快速去雾算法，以获得更好的图像细节和整体可见度，更适用于航拍图像。该方法首先通过暗影通道计算航拍图像的大气幕函数，利用导向滤波计算大气幕函数的边缘保持估计，避免了根据暗影通道求大气光值及透射率图；然后计算原图像和大气幕函数的残差图像并提取其亮通道；最后根据光照反射模型获得场景的反射系数作为复原图像。 2.针对现有的基于候选区域的目标检测网络模型识别精度低速度慢的缺陷提出一种基于预分割的深度学习的航拍图像目标检测方法，达到实时精确检测目标。本文提出的算法使用基于四叉树分割的快速候选区域提取方法，然后通过卷积神经网络提取特征和目标分类及定位，提高检测精度的同时，保证目标检测网络的实时性。 3.针对目前现有网络模型对小目标的识别精度低的问题，提出了一种基于特征融合的深度学习的航拍图像目标检测方法，实现精确检测小目标并且接近实时的速度。本文提出的基于特征融合的深度学习的航拍图像目标检测算法通过添加特征金字塔网络，并在网络中添加卷积层之间的横向连接，通过上采样的方法实现低分辨率的高级语义特征与高分辨的浅层边缘特征相融合，提高对小目标的定位精度。

目录

第一个书签之前

摘要

ABSTRACT

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.2 研究现状

1.2.2 航拍图像中的目标检测研究现状

1.3 论文概况

第二章 航拍图像增强预处理方法研究

2.2 基于暗影通道的图像去雾算法

2.3 基于导向滤波的快速图像去雾算法

2.3.3 导向滤波原理

2.3.4 计算残差图像及复原图像

2.4 实验结果分析

2.5 本章小结

第三章 基于预分割的深度卷积神经网络航拍图像目标检测

3.2 相关理论背景

3.2.1 卷积神经网络CNN简介

3.2.2 特征金字塔网络

3.2.3 R-CNN系列网络简介

3.3 Quad-SSD网络模型简介

3.3.2 多尺度目标检测网络（SSD）介绍

3.3.3 Quad-SSD网络介绍

3.4 实验结果分析

3.5 本章小结

第四章 基于特征融合的深度学习的航拍图像目标检测

4.1.2 上采样方法

4.2 特征融合

4.3 基于特征融合的深度学习的目标检测方法

4.3.1 网络模型结构

4.3.2 网络模型训练

4.4 实验结果分析

4.4.1 Pascal VOC2007数据集实验

4.4.2 航拍图像实验

4.5 本章小结

第五章 总结与展望

5.2 研究展望

参考文献

致谢

作者简介