基于卷积神经网络的高分辨率遥感影像机场与飞机检测

摘要

遥感影像中的典型地物目标检测一直是遥感影像解译的一个重要内容。随着卫星遥感成像技术飞速发展，如何实时、高效地从遥感数据中自动提取所需要的信息，快速、准确的检测出特定目标是当前研究的热点。传统检测方法都是提取人工设计的特征训练分类器的思路，因此，如何选择具有代表性和可区分性的目标特征成为提高检测准确性的一个关键因素。卷积神经网络(Convolutional Neural Networks，CNN)作为深度学习模型的一种，通过建立类似于人脑的分层模型结构，自动学习数据特征，并且还具有处理大数据的能力，近年来在人脸检测、语音识别、图像分类等方面取得成功，但在遥感相关领域应用还不多，因此探索将卷积神经网络应用于遥感领域具有重要的理论意义和广阔的应用前景。
　　本文重点研究将卷积神经网络应用于遥感影像目标检测，针对机场与飞机两类不同典型目标的特点，分别相应地提出了基于卷积神经网络的机场与飞机检测算法。主要研究内容及创新体现在以下两个方面：
　　(1)提出了一种基于视觉注意计算模型和CNN-BoW的机场检测算法。首先，采用基于图的视觉显著性(GBVS)模型对大幅遥感影像进行显著性检测，根据显著图提取机场感兴趣区域(ROI)；然后，采用基于Hough变换的直线检测方法对ROI进行初步筛选和优化，这样可以减少计算量，同时避免大面积背景带来的干扰；最后，通过 CNN-BoW模型得到ROI区域的特征表达，并通过支持向量机(SVM)分类器对ROI区域进行分类。对于分类结果为机场的区域标记到原始遥感影像中，即为最终的检测结果。CNN-BoW模型主要是将CNN提取的特征作为单词训练词包模型(BoW)，构建视觉词典，从而实现图像特征表达。在建立的大幅遥感影像机场检测数据集上的实验结果表明，CNN提取的特征能够使单词更具有区分性，因而本文所提出的机场检测算法比基于SIFT特征的机场检测算法的检测召回率提高10％，检测虚警率降低8%。
　　(2)提出了一种多结构卷积神经网络模型(MSCNNs)并应用于高分遥感影像中飞机目标检测。该模型从CNN的网络结构设计入手，通过改变CNN的卷积核尺寸、数量及网络层数等，设计了四种不同结构的CNN。为了充分利用不同结构CNN学习到的不同样本特征，MSCNNs将所有CNN的输出串联作为新的样本特征，从而使样本特征表达更加全面。然后再训练 SVM分类器实现后续分类任务。在建立的飞机目标检测数据集上的飞机目标检测实验结果表明，MSCNNs相较于单个CNN具有明显的检测优势，召回率平均提升5%，虚警率平均降低8%。

目录

声明

第一章 绪论

1.1研究背景及意义

1.2研究现状

1.3研究内容及创新

1.4论文结构安排

第二章 深度学习及其模型

2.1深度学习概述

2.2深度学习几种常用模型

2.3卷积神经网络

2.4本章小结

第三章 基于视觉注意计算模型与CNN-BoW的机场检测算法

3.1算法概述

3.2基于GBVS模型的机场感兴趣区域提取

3.3基于CNN-BoW的机场ROI分类

3.4实验结果及分析

3.5本章小结

第四章 基于MSCNNs的飞机目标检测算法

4.1多结构卷积神经网络模型

4.2基于MSCNNs的飞机目标检测

4.3实验结果及对比分析

4.4本章小结

第五章 结束语

5.1工作总结

5.2展望

参考文献

致谢

攻读硕士学位期间已发表或录用的论文

答辩决议书