论文部分内容阅读
针对遥感影像的目标检测与识别是遥感技术以及计算机视觉领域的重要研究方向,其中针对遥感影像飞机目标的检测与识别也是维护国家安全的重要战略手段。随着遥感技术的快速发展以及成像平台等硬件设备性能的提升,遥感影像的分辨率可以达到亚米级,每天可生成海量的遥感影像数据。在计算机视觉领域,目标检测技术发展日益成熟,在面对遥感影像数据集时,对影像中飞机目标进行检测和识别提出了更高的要求。本文以光学遥感影像为研究对象,以基于深度学习的目标检测算法为基础,分别从基于候选区域(two-stage)和基于回归(one-stage)两类方法中选择代表性算法进行研究并优化,经过试验证发现基于回归的方法速度更快,更适合于实际的生产应用,而基于候选区域的方法检测精度相对更高。论文的主要工作和创新点如下:1.由于遥感影像飞机目标检测与识别在民用领域和军用领域都具有具大的应用价值,论文结合当下的技术现状以及未来的发展趋势,对遥感影像飞机目标检测与识别的研究意义和应用前景进行简要分析,并结合美军目前装备的主要作战机型(F-22、B-1、B-52、C-17、C-130)与当前普通民用飞机两类目标进行研究,并探讨了当前基于深度学习的目标检测与识别算法的不足,提出了本文后续的研究对象和具体的试验方法。2.由于深度学习算法通常需要海量的数据进行训练,为构建试验所需的数据集,对现有开源数据集进行了分析,发现其难以满足针对遥感影像飞机目标检测的训练需求。论文以武汉大学的DOTA数据集为基础,对其中的飞机影像进行提取,并对美军现役装备的5种主要机型(F-22、B-1、B-52、C-17、C-130)进行分析,利用Google earth软件获取部分美军基地的遥感影像,然后利用网络爬虫技术进行补充完善,建立一套可用于本文试验需要的数据集。数据集主要包含有民用客机和军用飞机,军用飞机包含五类典型目标样本(F-22、B-1、B-52、C-17、C-130)。民用普通飞机主要以客机为主称为PLANE数据集,军用飞机数据集称为MA(Military Aircraft)数据集,数据集的建立方法表明本文具有一定的军事应用价值。3.在以深度学习为基础的基于候选区域(two-stage)的目标检测算法中选择代表性算法Faster R-CNN进行深入研究,Faster R-CNN算法建立在对自然照片检测的基础上,利用其对遥感影像进行检测时,容易出现错检和漏检等现象。针对Faster R-CNN在处理遥感影像数据集中飞机目标检测存在的不足,进行如下优化:通过对多尺度特征图进行融合后,再结合自适应阈值设定进行检测。相比较传统的Faster R-CNN算法,本文所提出的Faster R-CNN优化算法提升了对遥感影像飞机目标检测的准确性,并能够实现对军用和民用飞机的识别。4.为提高目标检测的效率,论文对基于回归(one-stage)的YOLOv3目标检测算法进行深入研究。YOLOv3同样建立在基于自然照片的训练检测上,面对遥感影像时也存在漏检和误检现象。本文在YOLOv3的基础上,对其基础骨干网络进行精简和优化,并在网络中添加了DenseBlock结构。经过对比试验分析,本文提出YOLOv3的优化算法,在保证检测精度相当的同时,对网络规模进行压缩,大大提升了检测速度。与YOLO系列算法相比,优化算法提升了其在实际生产中的应用价值,对军用飞机同样具有较好的检测与识别效果。