寧晨* 鄧梁 王鑫

(1、南京師范大學(xué) 計(jì)算機(jī)與電子信息學(xué)院，江蘇 南京210023 2、河海大學(xué) 計(jì)算機(jī)與信息學(xué)院，江蘇 南京211100)

1 概述

遙感技術(shù)是在遙感平臺(tái)上通過傳感器獲取地表的光譜信息，并利用計(jì)算機(jī)分析處理的技術(shù)[1]。在遙感圖像中，飛機(jī)作為一種特殊目標(biāo)，在民用領(lǐng)域和軍事領(lǐng)域中都發(fā)揮著重要作用[2]。在現(xiàn)代戰(zhàn)爭(zhēng)中，為了取得空中優(yōu)勢(shì)，既快又準(zhǔn)的檢測(cè)識(shí)別出敵軍飛機(jī)目標(biāo)的動(dòng)態(tài)信息就顯得必不可少。在民用領(lǐng)域，飛機(jī)目標(biāo)實(shí)時(shí)檢測(cè)可作為分析客流量的依據(jù)。因此，針對(duì)飛機(jī)的檢測(cè)研究具有十分重要的意義。

2 提出的方法

本文算法的原理框圖如圖1 所示，考慮到時(shí)間成本以及精度需求，本文檢測(cè)算法按照由粗到精的思路設(shè)計(jì)，分為預(yù)檢測(cè)以及精確檢測(cè)兩個(gè)階段。

圖1 本文檢測(cè)算法的原理框圖

2.1 基于同心圓周濾波器的目標(biāo)主軸檢測(cè)

圖2 同心圓周濾波器及相對(duì)坐標(biāo)計(jì)算示意圖

然后再計(jì)算出各同心圓上采樣點(diǎn)相對(duì)于最內(nèi)層圓的相對(duì)角度如圖2(b)所示：

2.2 基于空洞卷積的目標(biāo)檢測(cè)框融合后處理

2.2.1 空洞卷積

空洞卷積與一般卷積的區(qū)別主要在于卷積核中注入空洞，這種結(jié)構(gòu)就能在不使用池化層的情況下，增大單位像素的感受野。因?yàn)椴皇褂孟虏蓸?，所以這種結(jié)構(gòu)能有效的彌補(bǔ)信息損失的缺點(diǎn)。二維空間上的空洞卷積可定義如下：

圖3 檢測(cè)窗的空洞卷積和融合示意圖

圖3(a)所示為空洞卷積核以橫縱兩個(gè)方向逐步對(duì)檢測(cè)框標(biāo)志進(jìn)行卷積，如此即可計(jì)算得到卷積結(jié)果。如果局部圖像中，檢測(cè)框大多圍繞一個(gè)目標(biāo)，只是互相之間略有點(diǎn)偏移，那么此時(shí)只需要對(duì)空洞卷積的結(jié)果進(jìn)行一個(gè)局部最大池化即可找到局部檢測(cè)框融合的中心，如圖3(b)將參與運(yùn)算的檢測(cè)框標(biāo)志所代表的檢測(cè)區(qū)域展開，全部融合即可獲得檢測(cè)框融合以后的檢測(cè)區(qū)域。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)參數(shù)設(shè)置

本實(shí)驗(yàn)基于DOTA 數(shù)據(jù)集來驗(yàn)證算法的有效性。對(duì)每一幅待處理遙感圖像，實(shí)驗(yàn)中挑選三種nbins 分別為7、8、11 的非局部自相似HOG 特征作為分類特征（塊大小選定40×40，塊步伐20，單元格大小4×4，單元格步伐2，相似向量取20 個(gè)）。這三種特征將直接輸入多任務(wù)框架下的聯(lián)合稀疏分類器，作為三個(gè)不同任務(wù)進(jìn)行融合處理，最終由決策層得出綜合判決結(jié)果。

3.2 結(jié)果與分析

我們分別給出兩種場(chǎng)景下本文檢測(cè)算法的檢測(cè)結(jié)果，如圖4 所示。可以看出本文算法可以很好地對(duì)遙感圖像中的飛機(jī)目標(biāo)進(jìn)行精確檢測(cè)。同時(shí)，表1 給出本文檢測(cè)算法與Faster-RCNN等多種目標(biāo)檢測(cè)算法的性能比較結(jié)果。表中分別給出目標(biāo)檢測(cè)的三個(gè)參數(shù)：召回率、精度和綜合評(píng)價(jià)指標(biāo)（F1-Measure），其中，綜合評(píng)價(jià)指標(biāo)是召回率和精度的調(diào)和均值，反應(yīng)目標(biāo)檢測(cè)算法的總體性能。在本文檢測(cè)算法中，同心圓周濾波器對(duì)受檢目標(biāo)進(jìn)行旋轉(zhuǎn)，從而使之與訓(xùn)練樣本角度靠近，在二次檢測(cè)中提升召回率，從而最終提高的綜合評(píng)價(jià)指標(biāo)F1 度量值等性能。根據(jù)表中與其他目標(biāo)檢測(cè)算法的比較，可看出本文算法的優(yōu)異性能。

圖4 本文目標(biāo)檢測(cè)算法的檢測(cè)效果圖

表1 目標(biāo)檢測(cè)結(jié)果比較

4 結(jié)論

本文提出一種基于同心圓周濾波器與聯(lián)合稀疏的遙感飛機(jī)檢測(cè)識(shí)別算法，該算法分為預(yù)檢測(cè)與精確檢測(cè)兩個(gè)部分。預(yù)檢測(cè)階段首先通過改進(jìn)FastMBD 顯著性檢測(cè)算法取得候選區(qū)域，減少算法整體時(shí)間復(fù)雜度，然后結(jié)合非局部自相似HOG 特征與聯(lián)合稀疏分類器作進(jìn)一步識(shí)別，從而提升算法精度。精確檢測(cè)階段主要通過同心圓周濾波器進(jìn)行主軸檢測(cè)，使得候選目標(biāo)與訓(xùn)練目標(biāo)具備共線角度，再利用聯(lián)合稀疏分類器對(duì)漏檢目標(biāo)進(jìn)行二次檢測(cè)，提高召回率。最終在進(jìn)行檢測(cè)框融合處理后，即可成功檢測(cè)出光學(xué)遙感圖像上的飛機(jī)目標(biāo)。