论文部分内容阅读
自海湾战争以来,遥感卫星作为重要的军事侦察手段在现代局部战争中发挥重要作用,针对遥感影像的目标检测也成为军事侦察领域研究的热点之一。目前,传统目标检测算法因低时效性、弱泛化性已难以适应高分辨率遥感影像的处理要求,而基于卷积神经网络的目标检测算法在海量数据、超强算力的支撑下,正以优异的性能成为目标检测领域最受关注的研究方向。本文基于卷积神经网络展开遥感影像飞机检测的相关研究,主要内容及创新点如下:(1)制作包含不同型号飞机的MA(Military Aircraft)数据集。结合卷积神经网络运行机制,以影像数据多样、均衡、充足为原则,选取不同时期、不同地区、不同成像条件下拍摄的3288张卫星遥感机场影像,制作完成包含歼击机、运输机、轰炸机、加油机、预警机共5种类型10种型号的飞机数据集。(2)提出基于双阈值采样还原的阴影综合处理算法。认真分析遥感影像飞机阴影的特性,在Lab颜色空间完成飞机阴影的检测,并通过采样非阴影区域的像素以还原阴影区域色调、纹理等特征。经实验对比表明,本文提出的算法能更好的消除飞机阴影,且阴影区域向非阴影区域过度平缓自然。(3)提出基于样本分布的K-Means算法。该算法根据数据集样本分布的统计特性,采用分区聚类的思想,使数据集样本和聚类值分布保持一致,且聚类过程中充分考虑小型飞机的漏检问题。通过实验表明,与传统K-Means算法相比,本文算法生成的聚类值设置YOLOv3的锚框参数,将有效提升检测精度。(4)验证基于卷积神经网络检测遥感影像中飞机的可行性。本文使用MA数据集对Faster R-CNN和YOLOv3进行训练与测试,并对实验结果进行定性定量分析。通过实验表明,两种算法均能实现对飞机的检测,其中,Faster R-CNN检测精度略高,但速度较慢,YOLOv3检测精度略低,但速度较快。(5)提出基于跨平台特征融合的目标检测算法(YF R-CNN)。该算法的核心思想是“分头训练、联合检测”,关键是跨平台融合Faster R-CNN和YOLOv3的检测特征图,以有效缓解漏检、误检飞机的问题。实验表明,与Faster R-CNN和YOLOv3相比,该算法mAP(mean average precision)分别提高3.1%和3.7%。