1 西安工业大学 电子信息工程学院,陕西 西安 710021
2 西安工业大学 兵器科学与技术学院,陕西 西安 710021
针对航拍图像中对于小尺度的飞机目标出现漏检、错检的问题,在SSD(Single Shot MultiBox Detector)模型的基础上提出了一种改进SSD的航拍图像目标检测模型。首先,针对SSD模型中浅层特征图中缺乏语义、细节信息的问题,设计了一种特征融合机制,通过添加细节信息补充特征层和添加由递归反向路径获得的语义信息补充特征层来丰富浅层特征图的语义、细节信息。然后,针对SSD模型对通道以及空间信息的关注能力不足的问题,引入了结合通道和空间的混合注意力模块来提高模型整体的关注能力。最后,针对SSD模型中先验框与小尺度目标不匹配的问题,对先验框的比例进行了调整。使用自制的航拍图像数据集进行验证,结果表明改进后的模型检测精度为95.7%,相较于原模型提高了7.5%,检测速度达到30.8 FPS。
目标检测 特征融合 注意力机制 航拍图像 object detection feature fusion attentional mechanism aerial images
1 南京航空航天大学,a.电子信息工程学院
2 南京航空航天大学,b.中小型无人机先进技术工信部重点实验室, 南京 210000
随着基于深度学习的目标检测算法日渐成熟, 将其部署于无人机进行目标检测已经成为时下热门, 针对无人机航拍图像小目标多且易被遮挡、检测场景复杂、尺度变化大而导致检测精度不高的问题, 在提出的S-YOLOv4算法的基础上, 在原特征提取网络结构上添加SE注意力机制提高模型对有用信息的专注能力, 增强通道间注意力; 改进网络结构, 新增分辨率为160×160的检测层来细化网格以对小尺度目标进行更好的检测; 改进损失函数, 对分类损失应用类平滑标签来降低负样本的惩罚, 提高模型的泛化能力。改进算法在保证实时性的前提下比原算法的mAP提高了3.4%。
目标检测 无人机 航拍图像 注意力机制 类平滑标签 object detection UAV aerial images YOLOv4 YOLOv4 attention mechanism class smoothing label
1 河南工程学院土木工程学院, 河南 郑州 451191
2 天津师范大学天津市地理空间信息技术工程中心, 天津 300387
3 首都师范大学资源环境与旅游学院, 北京 100048
针对从非地面点云数据中难以自动分类植被和建筑物的问题,提出一种航空影像辅助的机载LiDAR(Light Detection and Ranging)植被点云分类方法。根据植被的光谱特征明显不同于其他地物这一特点,在生成数字正射影像的基础上,首先利用K均值(K-means)聚类算法对影像进行聚类和图像增强,然后将增强后的影像和对应区域的点云数据进行融合,最后通过影像处理结果对机载LiDAR植被点云进行分类。选取某城市的机载LiDAR植被点云数据和航空影像进行实验,定量分析结果显示所提方法的总分类精度为96.47%,Kappa系数为0.9248,该方法能够达到点云中植被自动分类的目的。
图像处理 机载激光雷达 航空影像 融合 植被点云分类 激光与光电子学进展
2020, 57(20): 201005
南京信息工程大学 江苏省气象探测与信息处理重点实验室,江苏 南京 210044
为实现大面阵CCD航拍图像准确快速匹配, 提出一种局部多特征哈希学习LMFH(local multi-feature hashing)方法。依据航向重叠率构建预测区域, 在预测区域内检测特征点并进行多特征描述, 以现有上万幅航拍图像为训练样本, 通过哈希函数将高维的特征描述向量映射为紧凑的二进制哈希编码, 在汉明空间通过汉明距离实现特征点的快速匹配。实验结果表明, 相对于SURF算子, LMFH算法在准确度上提高了10%, 匹配时间上减少了0.2 s。LMFH算法可更快更准确地实现CCD航拍图像的匹配。
CCD航拍图像 特征匹配 局部哈希学习 快速匹配 CCD aerial images feature matching local hash learning fast matching
空军工程大学信息与导航学院, 陕西 西安 710077
机载LiDAR点云系统由于获取三维立体信息方便、快捷,已被广泛应用到城区目标的提取与识别中,但LiDAR点云数据缺乏光谱特征,对建筑物提取识别时常在植被茂密的树冠处出现错检现象。针对这一问题,提出了融合航空影像光谱特征与LiDAR点云几何特征的建筑物提取算法。通过LiDAR点云数据与航空影像数据的配准,实现了点云数据光谱信息的提取;通过改进传统的张量投票机制,融合光谱特征与空间几何特征形成了新的融合分类特征;运用随机森林算法实现了建筑物点的提取。仿真实验基于ISPRS提供的测试数据集进行,通过对比融合光谱特征前后的实验结果可知,所提算法的精度明显提高,提取质量达到94.26%,证明了融合光谱特征对于建筑物提取精度提升的重要作用。
遥感 LiDAR 建筑物提取 张量投票 航空影像 随机森林 激光与光电子学进展
2018, 55(4): 042803
1 中国科学院 长春光学精密机械与物理研究所,吉林 长春 130033
2 中国科学院大学,北京 100049
由于航拍图像的拍摄高度远低于卫星图像拍摄高度,因此每个拍摄地点的建筑投影差大小和方向都不相同,图片畸变严重。此外,考虑到图像边缘区域的畸变程度远大于图像中心区域的畸变程度,本文提出了一种基于极坐标的Lagrange插值的逐点畸变校正方法。利用该方法在极坐标系内对单个像素点进行插值,然后根据插值结果对像素点进行校正,再将其坐标从极坐标系变换回直角坐标系,最后采用此方法在整个航拍图像内逐点进行畸变校正。实验结果表明,校正后的航拍图像畸变程度不超过3%,证明该方法不但能有效地校正畸变图像,且与传统的利用DLT线性求解畸变校正矩阵等校正方法相比具有更为广泛的适用性。
畸变校正 航拍图像 卫星图像 极坐标变换 拉格朗日插值 distortion correction aerial images satellite image polar coordinate transformation Lagrange interpolation
武汉大学遥感信息工程学院, 湖北 武汉 430079
云的存在严重影响遥感影像质量。 在航空影像的获取过程中, 实时的云检测能够及时提供准确的云遮挡比例以评价影像质量, 进而指导飞行方案以获取满足质量要求的影像。 采用光谱特征阈值的方法, 通过分析云光谱的特性, 选取能够有效检测云的亮度特征I和归一化差值特征P进行组合。 为实现自动检测, 在一维Otsu自动阈值和带限定条件Otsu阈值的基础上, 设计了阈值的分级配置策略为云特征配置合适的自动阈值, 策略的主要思想是: 首先采用多级分类标准对影像进行无云、 薄云、 厚云的类别判定, 再对不同类别的影像采取不同的特征阈值配置方案, 其中厚云影像的检测需要进一步分类配置阈值。 该策略实现了有云情况下能准确检测云、 无云情况下检测不到云的应用目标。 再结合选择性自动后处理方案, 真正做到云的自动、 高效、 准确的检测。 通过与不同方法的检测结果对比分析, 表明该方法的检测效率高, 精度满足实时质量评定的要求, 通用性强。
航空影像 云光谱特征 自动阈值 阈值分级配置策略 实时云检测 Aerial images Cloud spectrum signatures Automatic thresholds Classified threshold strategy Real-time cloud detection 光谱学与光谱分析
2014, 34(7): 1909