楊鈞智 吳金亮 智 軍

①(北京市遙感信息研究所 北京100011)

②(中國(guó)電子科技集團(tuán)公司第五十四研究所 石家莊050081)

1 引言

基于光學(xué)遙感圖像的目標(biāo)檢測(cè)與識(shí)別是遙感數(shù)據(jù)分析領(lǐng)域的重要研究方向。在眾多觀測(cè)目標(biāo)中，飛機(jī)不僅在民用領(lǐng)域是重要的交通載體，在軍用領(lǐng)域更是關(guān)鍵的打擊力量。因此，基于遙感圖像的飛機(jī)目標(biāo)識(shí)別技術(shù)在民用領(lǐng)域和軍事領(lǐng)域均具有重要的意義。但由于遙感觀測(cè)平臺(tái)位置的特殊性，遙感圖像往往包含大量的復(fù)雜地物背景且飛機(jī)目標(biāo)類(lèi)型、尺寸、姿態(tài)往往具有不確定性，基于遙感圖像的飛機(jī)目標(biāo)檢測(cè)仍面臨許多問(wèn)題和挑戰(zhàn)。

為了解決遙感圖像飛機(jī)目標(biāo)檢測(cè)這一難題，相關(guān)研究學(xué)者提出了各種方法并取得了一定的成果。與一般的目標(biāo)檢測(cè)方法相同，根據(jù)目標(biāo)檢測(cè)步驟不同可將遙感圖像飛機(jī)目標(biāo)檢測(cè)方法分為兩階段飛機(jī)目標(biāo)檢測(cè)和一階段飛機(jī)目標(biāo)檢測(cè)兩類(lèi)。其中，兩階段飛機(jī)目標(biāo)檢測(cè)方法首先基于飛機(jī)特征從遙感圖像中提取出候選區(qū)域，然后進(jìn)一步精細(xì)判別候選區(qū)域是否存在待檢目標(biāo)。An等人[1]利用圓周頻率濾波(Circle Frequency Filter,CFF)算法實(shí)現(xiàn)飛機(jī)候選區(qū)域提取，最后將候選區(qū)域方向梯度直方圖(Histogram Of Gradient,HOG)輸入至AdaBoost分類(lèi)器實(shí)現(xiàn)飛機(jī)目標(biāo)檢測(cè)，此方法沒(méi)有考慮飛機(jī)目標(biāo)尺度變化問(wèn)題，因此對(duì)于多尺度飛機(jī)目標(biāo)檢測(cè)效果較差。Liu等人[2]基于CFF提取的候選區(qū)域，將徑向梯度變換和稀疏編碼相結(jié)合提出了一種新的飛機(jī)旋轉(zhuǎn)不變特征，并利用線性支持向量機(jī)(Sup port Vector Machine,SVM)實(shí)現(xiàn)候選框篩選。Wu等人[3]利用二值化梯度特征(BInarized Normed Gradients,BING)實(shí)現(xiàn)潛在候選區(qū)域提取，然后構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型(Convolutional Neural Networks,CNN)實(shí)現(xiàn)背景和目標(biāo)分類(lèi)，但該方法沒(méi)有充分利用飛機(jī)特征，因此在復(fù)雜場(chǎng)景下會(huì)生成大量候選區(qū)域。Yu等人[4]利用深度玻爾茲曼機(jī)(Deep Boltzmann Machine,DBM)提取圖像高階特征，并基于霍夫森林模型進(jìn)行投票，最終實(shí)現(xiàn)飛機(jī)目標(biāo)檢測(cè)。Luo等人[5]通過(guò)訓(xùn)練對(duì)飛機(jī)具有較強(qiáng)響應(yīng)的SVM實(shí)現(xiàn)目標(biāo)候選區(qū)域提取，并針對(duì)不同飛機(jī)指向訓(xùn)練32個(gè)SVM實(shí)現(xiàn)飛機(jī)目標(biāo)檢測(cè)，此方法使用的分類(lèi)器過(guò)多使得目標(biāo)檢測(cè)速度有所下降。Li等人[6]通過(guò)區(qū)域合并算法和直線提取算法提取飛機(jī)候選目標(biāo)，再利用SVM實(shí)現(xiàn)候選目標(biāo)分類(lèi)。Diao等人[7]基于視覺(jué)顯著性算法實(shí)現(xiàn)飛機(jī)目標(biāo)候選區(qū)域提取，然后利用深度置信網(wǎng)絡(luò)分類(lèi)器(Deep Belief Networks,DBN)實(shí)現(xiàn)飛機(jī)目標(biāo)精確檢測(cè)。文獻(xiàn)[8,9]利用特征金字塔對(duì)傳統(tǒng)Faster-RCNN網(wǎng)絡(luò)框架進(jìn)行改進(jìn)，但改進(jìn)后的網(wǎng)絡(luò)對(duì)于小目標(biāo)飛機(jī)檢測(cè)效果仍待改進(jìn)。一階段飛機(jī)目標(biāo)檢測(cè)則將飛機(jī)檢測(cè)問(wèn)題視為飛機(jī)位置回歸問(wèn)題，利用經(jīng)典目標(biāo)檢測(cè)網(wǎng)絡(luò)如YOLO(You Only Look Once)[10,11],SSD(Single Shot multibox Detector)[12–16]等實(shí)現(xiàn)飛機(jī)目標(biāo)的直接檢測(cè)與定位，但目前對(duì)于小飛機(jī)目標(biāo)檢測(cè)仍是亟需解決的問(wèn)題。

針對(duì)遙感圖像飛機(jī)目標(biāo)檢測(cè)因飛機(jī)目標(biāo)尺度不一而產(chǎn)生虛警、漏警等問(wèn)題，為解決目前主流算法虛警率較高的問(wèn)題，同時(shí)確保目標(biāo)檢測(cè)率在較高的水平，本文基于遙感圖像飛機(jī)目標(biāo)形狀特征和變化特點(diǎn)，通過(guò)分析遙感圖像中飛機(jī)目標(biāo)特征，構(gòu)建了一種具有尺度不變性和旋轉(zhuǎn)不變性的多尺度圓周頻率濾波模型，并基于圓周濾波響應(yīng)幅值實(shí)現(xiàn)飛機(jī)目標(biāo)候選區(qū)域快速提取。在此基礎(chǔ)上，通過(guò)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)器并對(duì)其進(jìn)行訓(xùn)練從而實(shí)現(xiàn)候選區(qū)域有效分類(lèi)，最終精確確定飛機(jī)目標(biāo)位置。

2 算法原理

2.1 基于多尺度圓周頻率濾波的目標(biāo)候選區(qū)域提取

圓周頻率濾波器(CFF)最早應(yīng)用于人臉檢測(cè)，受該方法的啟發(fā)，本文依據(jù)飛機(jī)固有特征設(shè)計(jì)了一種適用于遙感圖像飛機(jī)目標(biāo)檢測(cè)的圓周頻率濾波器，并基于多尺度圓周頻率濾波器(Multi-Scale Circle Frequency Filter,MSCFF)實(shí)現(xiàn)不同尺度飛機(jī)目標(biāo)候選區(qū)域提取。

2.1.1飛機(jī)幾何特征分析

自萊特兄弟發(fā)明飛機(jī)以來(lái)，雖然飛機(jī)結(jié)構(gòu)形式不斷地改進(jìn)，飛機(jī)類(lèi)型不斷地增多，但飛機(jī)仍具有固定的幾何形狀特征。從外部結(jié)構(gòu)來(lái)看，飛機(jī)主要由主機(jī)身和兩側(cè)機(jī)翼組成，若在遙感圖像中以飛機(jī)中心為原點(diǎn)選取合適半徑的圓周，則該圓周將被飛機(jī)主機(jī)身、尾翼和兩側(cè)機(jī)翼劃分為“機(jī)身-背景-機(jī)翼-背景-尾翼-背景-機(jī)翼-背景”8個(gè)部分，由于飛機(jī)目標(biāo)相對(duì)于背景往往具有較高的灰度值，因此圓周像素灰度將呈現(xiàn)“亮-暗-亮-暗-亮-暗-亮-暗”變化規(guī)律。如圖1所示，圖1(a)為遙感圖像包含飛機(jī)目標(biāo)的區(qū)域，圖1(b)展示了以飛機(jī)中心為圓心采樣圓周像素灰度變化趨勢(shì)圖，圖1(c)為隨機(jī)選取的遙感圖像復(fù)雜背景區(qū)域，圖1(d)展示了以圖像中心為圓心采樣圓周像素灰度變化趨勢(shì)圖。從圖1(b)和圖1(d)中可以看出，以飛機(jī)中心為圓心的圓周采樣點(diǎn)灰度變化呈4峰4谷變化趨勢(shì)，類(lèi)似于4個(gè)周期的正弦/余弦函數(shù)；而由于復(fù)雜背景的雜亂性及圖像灰度變化的無(wú)規(guī)律性，以復(fù)雜背景為中心的圓周采樣點(diǎn)灰度往往無(wú)明顯變化規(guī)律。本文將充分利用飛機(jī)目標(biāo)這一幾何及灰度分布特性，構(gòu)建多尺度圓周頻率濾波器數(shù)學(xué)模型，從而實(shí)現(xiàn)遙感圖像飛機(jī)目標(biāo)候選區(qū)域提取。

2.1.2多尺度圓周頻率濾波器

圖1 采樣圓周像素灰度變化

式(2)和式(3)中c為用于控制求解1維離散傅里葉變換時(shí)正弦函數(shù)與余弦函數(shù)的周期數(shù)。由于以飛機(jī)中心為圓心的圓周采樣像素點(diǎn)序列灰度值變換呈4峰4谷的變化趨勢(shì)，類(lèi)似于4個(gè)周期的正弦/余弦函數(shù)，而其余干擾背景區(qū)域圓周灰度變化不具備此特點(diǎn)，因此若式(2)和式(3)中取c=8，此時(shí)以飛機(jī)中心為圓心的圓周采樣像素點(diǎn)序列灰度傅里葉變換后的幅值響應(yīng)最大，而以背景為中心的圓周像素灰度由于不具備該變化趨勢(shì)，故其傅里葉變換后幅值響應(yīng)較小，根據(jù)這一原理即可快速濾除復(fù)雜背景區(qū)域，初步定位遙感圖像飛機(jī)目標(biāo)位置。

式中，r l為圓周采樣半徑，l∈[0,L?1];f(i,j,r i)為像素點(diǎn)采樣圓周半徑下的圓周頻率濾波振幅響應(yīng)；f(i,j)為 像素點(diǎn)(i,j)多尺度圓周頻率濾波響應(yīng)。

圖2展示了同一遙感圖像在單尺度圓周頻率濾波器與多尺度圓周頻率濾波器下的濾波響應(yīng)結(jié)果，圖2(a)為原始遙感圖像，圖2(b)為采樣周長(zhǎng)為12像素的傳統(tǒng)圓周頻率濾波結(jié)果，圖2(c)為本文采用的多尺度圓周頻率濾波結(jié)果，可以看出傳統(tǒng)圓周頻率濾波對(duì)于小飛機(jī)目標(biāo)的濾波響應(yīng)值較小，易與背景混淆從而導(dǎo)致漏警，而多尺度圓周頻率濾波對(duì)于不同尺度的飛機(jī)目標(biāo)均有較強(qiáng)的響應(yīng)。

2.1.3基于濾波響應(yīng)的飛機(jī)目標(biāo)候選區(qū)域定位

根據(jù)多尺度圓周頻率濾波原理，遙感圖像飛機(jī)目標(biāo)區(qū)域?qū)Χ喑叨葓A周頻率濾波器響應(yīng)值較高，而復(fù)雜背景區(qū)域和目標(biāo)干擾區(qū)域?qū)Χ喑叨葓A周頻率濾波器響應(yīng)較低，因此可以基于濾波響應(yīng)圖像實(shí)現(xiàn)飛機(jī)目標(biāo)區(qū)域的快速定位，基于濾波響應(yīng)的飛機(jī)目標(biāo)候選區(qū)域定位算法總體方案如圖3所示。

圖2 圓周頻率濾波響應(yīng)圖像

圖3 飛機(jī)候選區(qū)域定位總體方案

利用多尺度圓周頻率濾波實(shí)現(xiàn)遙感圖像飛機(jī)目標(biāo)候選區(qū)域提取的算法流程如下：

(1)多尺度圓周頻率濾波：對(duì)原始遙感圖像采用多尺度圓周頻率濾波，將濾波響應(yīng)歸一化至[0,255]從而得到濾波響應(yīng)圖像。

(2)圖像二值化：設(shè)置合理閾值th對(duì)濾波響應(yīng)圖像二值化，低于閾值像素均視為背景，灰度值設(shè)置為0，高于閾值像素作為飛機(jī)區(qū)域候選點(diǎn)。

(3)形態(tài)學(xué)處理：對(duì)二值化圖像先后進(jìn)行閉運(yùn)算和開(kāi)運(yùn)算，閉運(yùn)算用于填補(bǔ)飛機(jī)中心區(qū)域漏洞，開(kāi)運(yùn)算用于分離飛機(jī)目標(biāo)和背景。

(4)連通區(qū)域標(biāo)記：對(duì)形態(tài)學(xué)處理后的二值化圖像進(jìn)行連通區(qū)域標(biāo)記，獲取各連通區(qū)域外接矩形，這些矩形即為遙感圖像對(duì)多尺度圓周頻率濾波響應(yīng)較強(qiáng)區(qū)域。

(5)候選區(qū)域篩選：基于連通區(qū)域標(biāo)記結(jié)果，考慮到飛機(jī)目標(biāo)實(shí)際尺度和形狀，濾除像素面積<200像素或連通區(qū)域等效離心率>0.95的連通區(qū)域，最終獲得遙感圖像飛機(jī)候選區(qū)域。

圖4與圖5分別展示了基于傳統(tǒng)圓周頻率濾波響應(yīng)圖像和基于多尺度圓周頻率濾波響應(yīng)圖像的飛機(jī)目標(biāo)候選區(qū)域提取算法仿真結(jié)果，可以看出，由于遙感圖像中包含的飛機(jī)目標(biāo)尺寸差異較大，基于傳統(tǒng)的圓周頻率濾波響應(yīng)的飛機(jī)候選區(qū)域提取算法均有不同程度的漏警現(xiàn)象，而基于多尺度的圓周頻率濾波響應(yīng)圖像的飛機(jī)候選區(qū)域雖然略有增加，但都沒(méi)有發(fā)生由于飛機(jī)尺寸變化導(dǎo)致的漏警現(xiàn)象，因此，對(duì)于同一遙感圖像包含的飛機(jī)目標(biāo)尺寸懸殊的情況，本文提出的算法相對(duì)于傳統(tǒng)方法，在運(yùn)算量略有增加的情況下，其檢測(cè)效果具有顯著提升。從圖5(b)可以看出遙感圖像中飛機(jī)目標(biāo)區(qū)域均具有較高響應(yīng)值，但從圖5(c)連通區(qū)域標(biāo)記結(jié)果可以看出原始連通區(qū)域數(shù)目較多，且包含了大量的面積較小的“噪聲”及等效離心率較高區(qū)域，本文濾除像素面積<200像素及連通區(qū)域等效離心率>0.95的連通區(qū)域，圖5(d)展示了濾除后的候選區(qū)域結(jié)果，將候選區(qū)域位置映射至原圖可以看出，本文算法能夠獲得較少的飛機(jī)目標(biāo)候選區(qū)域，且該算法對(duì)不同尺寸飛機(jī)目標(biāo)具有較強(qiáng)的魯棒性。為了驗(yàn)證多尺度圓周頻率濾波算法的有效性和普適性，選取500幅Google Earth公開(kāi)機(jī)場(chǎng)遙感圖像開(kāi)展實(shí)驗(yàn)分析，統(tǒng)計(jì)基于傳統(tǒng)圓周頻率濾波的飛機(jī)目標(biāo)候選區(qū)域定位算法與基于多尺度圓周頻率濾波的飛機(jī)目標(biāo)候選區(qū)域定位算法提取飛機(jī)目標(biāo)的召回率，其中基于傳統(tǒng)圓周頻率濾波的飛機(jī)目標(biāo)候選區(qū)域定位算法召回率為90.32%，基于多尺度圓周頻率濾波的飛機(jī)目標(biāo)候選區(qū)域定位算法召回率為94.52%。實(shí)驗(yàn)結(jié)果表明，基于多尺度圓周頻率濾波的飛機(jī)目標(biāo)候選區(qū)域定位算法能夠提取更多飛機(jī)目標(biāo)，為進(jìn)一步降低算法漏警率提供保障。

圖4 基于傳統(tǒng)圓周頻率濾波響應(yīng)的飛機(jī)候選區(qū)域定位結(jié)果

圖5 基于多尺度圓周頻率濾波響應(yīng)的飛機(jī)候選區(qū)域定位結(jié)果

2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的飛機(jī)目標(biāo)精確分類(lèi)

近年來(lái)，隨著人工智能技術(shù)的快速發(fā)展，深度學(xué)習(xí)技術(shù)在圖像分類(lèi)、圖像分割等領(lǐng)域[17,18]取得了令人矚目的成果。本文在利用多尺度圓周頻率濾波完成候選區(qū)域選擇后，進(jìn)一步通過(guò)搭建卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)飛機(jī)候選區(qū)域精確分類(lèi)，最終實(shí)現(xiàn)遙感圖像飛機(jī)目標(biāo)檢測(cè)。

2.2.1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本文通過(guò)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)候選區(qū)域二元分類(lèi)(飛機(jī)/背景)，卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖6所示。

該網(wǎng)絡(luò)結(jié)構(gòu)共包含5個(gè)卷積層、2個(gè)池化層和1個(gè)全連接層，其中卷積核尺寸均為3×3，卷積步長(zhǎng)均為1，通道數(shù)分別為8,16,16,32,32。池化層均采用最大池化，池化區(qū)域均為2×2，步長(zhǎng)均為2。為了進(jìn)一步優(yōu)化模型結(jié)構(gòu)，提高網(wǎng)絡(luò)泛化能力，解決網(wǎng)絡(luò)訓(xùn)練過(guò)擬合問(wèn)題，本文在該結(jié)構(gòu)中還增加了批量歸一化層(Batch Normalization,BN)和Dropout層，其中BN層分別位于Conv1,Conv2_2,Conv3_2卷積層和相應(yīng)激活層之間，形成卷積-BN-激活函數(shù)結(jié)構(gòu)。由于卷積層參數(shù)較少，因此Dropout層僅位于全連接層FC4。

2.2.2卷積神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集與訓(xùn)練

本文從Google Earth中共截取了28500張圖片作為卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。該數(shù)據(jù)集共包含3500張正樣本數(shù)據(jù)和25000張負(fù)樣本數(shù)據(jù)，訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)比值為9:1。為了保證數(shù)據(jù)集具有代表性，負(fù)樣本數(shù)據(jù)由遙感圖像背景區(qū)域隨機(jī)截取得到，截取邊長(zhǎng)為18～256 pixel不等，截取圖片長(zhǎng)寬比1/3～3不等。獲取目標(biāo)區(qū)域后，正負(fù)樣本切片像素均調(diào)整至40 pixel×40 pixel，部分?jǐn)?shù)據(jù)集展示如圖7所示。

圖6 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)

圖7 部分?jǐn)?shù)據(jù)集

本文基于獲取的正負(fù)樣本數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)器，網(wǎng)絡(luò)權(quán)重參數(shù)隨機(jī)初始化，全連接層神經(jīng)元保留概率設(shè)為0.75,BN層decay設(shè)為0.99,batch size設(shè)置為512,learning rate設(shè)為0.05，迭代次數(shù)1000次。最終，訓(xùn)練集分類(lèi)精度為97.8%，測(cè)試集分類(lèi)精度為98.4%。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證本文提出的算法的有效性和普適性，隨機(jī)選取了500幅Google Earth公開(kāi)機(jī)場(chǎng)遙感圖像開(kāi)展實(shí)驗(yàn)分析，設(shè)置多尺度圓周采樣半徑分別為16,8,4，各圓周采樣點(diǎn)個(gè)數(shù)為48，最終得到的部分檢測(cè)結(jié)果如圖8所示。其中圖8(a)—圖8(c)中飛機(jī)目標(biāo)尺寸不同，但本文算法均正確檢測(cè)出了飛機(jī)位置，無(wú)虛警和漏警。而圖8(d)中右下角飛機(jī)目標(biāo)與圖片水印距離過(guò)近，導(dǎo)致形態(tài)學(xué)處理時(shí)區(qū)域融合并在候選框?yàn)V除步驟被篩除，從而導(dǎo)致漏警。經(jīng)統(tǒng)計(jì)，500幅遙感圖像中共包含3216架飛機(jī)目標(biāo)，本文算法正確檢測(cè)3035架，共產(chǎn)生121個(gè)虛警，檢測(cè)率為94.38%，虛警率為3.76%。

利用雙線性插值對(duì)原始遙感圖像尺寸進(jìn)行不同程度縮放，分析多尺度圓周頻率濾波器對(duì)小尺度目標(biāo)尺度響應(yīng)極限，實(shí)驗(yàn)原始遙感圖像像素?cái)?shù)為1280 pixel×659 pixel，包含約40 pixel×40 pixel,60 pixel×60 pixel,90 pixel×90 pixel，3種尺寸的飛機(jī)目標(biāo)，圖9展示了對(duì)原始遙感圖像進(jìn)行2～4倍縮放后飛機(jī)目標(biāo)檢測(cè)各步驟結(jié)果。其中圖9(a)為不同尺度圓周頻率濾波響應(yīng)二值化圖像，圖9(b)為不同尺度下遙感圖像目標(biāo)候選區(qū)域提取結(jié)果，考慮到目標(biāo)尺寸發(fā)生變化，設(shè)置不同尺度下連通域面積閾值分別為70,30,10，可以看出隨著連通區(qū)域面積閾值的下降，背景濾除效果降低，但仍能夠有效提取出待檢測(cè)目標(biāo)區(qū)域。圖9(c)展示了不同尺度下遙感圖像最終檢測(cè)結(jié)果，可以看出當(dāng)目標(biāo)尺度縮小至20 pixel×20 pixel時(shí)本文算法仍能有效檢測(cè)出目標(biāo)，但當(dāng)目標(biāo)尺度縮小至13 pixel×13 pixel時(shí)發(fā)生漏警現(xiàn)象，當(dāng)目標(biāo)尺度縮小至10 pixel×10 pixel時(shí)無(wú)法檢測(cè)出目標(biāo)，因此基于多尺度圓周頻率濾波與卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)目標(biāo)檢測(cè)方法需要保證目標(biāo)像素尺寸大于20 pixel×20 pixel，這種情況下本文算法能夠?qū)崿F(xiàn)遙感圖像飛機(jī)目標(biāo)有效檢測(cè)。

3.2 與其他目標(biāo)檢測(cè)方法進(jìn)行比較

為充分驗(yàn)證本文算法的檢測(cè)性能，將多尺度圓周頻率濾波器(MSCFF)和傳統(tǒng)圓周頻率濾波器(CFF)算法使用相同的測(cè)試數(shù)據(jù)集分別進(jìn)行測(cè)試，結(jié)果如表1所示。其中檢測(cè)率與虛警率計(jì)算公式為

式中， DR為檢測(cè)率(detection rate); F R為虛警率(false rate); TD為 被正確檢測(cè)出的飛機(jī)數(shù)量； FD為錯(cuò)誤檢測(cè)為飛機(jī)的背景數(shù)量；T為遙感圖像包含飛機(jī)目標(biāo)總數(shù)。

圖8 部分遙感圖像檢測(cè)結(jié)果

圖9 不同尺度遙感圖像飛機(jī)目標(biāo)檢測(cè)各步驟結(jié)果

表1 與傳統(tǒng)圓周頻率濾波算法比較

從表1的檢測(cè)結(jié)果可以看出，本文所提出的方法檢測(cè)性能與傳統(tǒng)圓周頻率濾波方法相比檢測(cè)率提升明顯。

同時(shí)可以看出本文提出的多尺度圓周頻率濾波與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法在提升檢測(cè)率、降低虛警率的同時(shí)也出現(xiàn)了運(yùn)算量增大的情況，在實(shí)際應(yīng)用中可根據(jù)需求引入配置高性能GPU運(yùn)算卡的計(jì)算設(shè)備，并對(duì)算法進(jìn)行優(yōu)化，進(jìn)一步提升運(yùn)算效率。

4 結(jié)束語(yǔ)

針對(duì)遙感圖像飛機(jī)目標(biāo)檢測(cè)因尺度不一存在漏警、虛警等問(wèn)題，本文提出了一種多尺度飛機(jī)目標(biāo)自動(dòng)檢測(cè)算法。該算法首先分析了遙感圖像飛機(jī)目標(biāo)形狀特征和灰度變化特點(diǎn)，并基于該特點(diǎn)構(gòu)建了一種具有旋轉(zhuǎn)不變特性和尺度不變特性的圓周頻率濾波數(shù)學(xué)模型，通過(guò)對(duì)濾波結(jié)果進(jìn)行圖像二值化、形態(tài)學(xué)處理、連通區(qū)域標(biāo)記、候選區(qū)域篩選等操作實(shí)現(xiàn)遙感圖像復(fù)雜背景快速濾除，從而實(shí)現(xiàn)不同尺度飛機(jī)目標(biāo)候選區(qū)域提取。同時(shí)，本文通過(guò)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了飛機(jī)候選區(qū)域有效分類(lèi)，最終完成遙感圖像飛機(jī)目標(biāo)檢測(cè)。該算法相比于傳統(tǒng)算法能夠在同一圖像包含不同尺度目標(biāo)情況下很好地解決虛警漏警問(wèn)題。