無人機(jī)圖像中的典型目標(biāo)檢測(cè)與變化檢測(cè)方法研究.pdf

1、隨著無人機(jī)越來越廣泛的應(yīng)用，無論是軍事領(lǐng)域還是民用領(lǐng)域都對(duì)無人機(jī)圖像中的目標(biāo)檢測(cè)和變化檢測(cè)提出了迫切的需求。雖然目標(biāo)檢測(cè)和變化檢測(cè)一直以來都是一個(gè)研究熱點(diǎn)問題，然而由于目標(biāo)本身和地物背景的復(fù)雜性，高效魯棒的目標(biāo)檢測(cè)和變化檢測(cè)依然是一個(gè)富有挑戰(zhàn)性的問題。
　　本文分別從無人機(jī)圖像中的典型目標(biāo)檢測(cè)和變化檢測(cè)兩個(gè)方面展開研究，主要內(nèi)容如下：
　?。?）針對(duì)無人機(jī)圖像的車輛檢測(cè)問題，提出了一種基于梯度方向直方圖（Hist-ogram

2、s of Oriented Gradients，HOG）特征和在線級(jí)聯(lián)Boosting的檢測(cè)算法。首先根據(jù)檢測(cè)窗口中梯度主方向估計(jì)車輛朝向，然后旋轉(zhuǎn)檢測(cè)窗口提取HOG特征再進(jìn)行分類器判別，避免了訓(xùn)練時(shí)標(biāo)注車輛朝向以及檢測(cè)時(shí)在同一位置進(jìn)行多次分類器判別。然后提出了基于積分圖像和基于圓形濾波器的兩種旋轉(zhuǎn)窗口HOG特征快速提取算法，使得在旋轉(zhuǎn)窗口中提取HOG特征的效率大大提高。最后通過結(jié)合在線Boosting和柔性級(jí)聯(lián)分類器提出了一種在線級(jí)聯(lián)

3、Boosting分類器，提高了車輛檢測(cè)效率，并通過使用性能更好的基于Fisher判別和Bayes判別的弱分類器，顯著提升了車輛檢測(cè)的性能。
　　（2）傳統(tǒng)基于徑向梯度變換和環(huán)形區(qū)域梯度累積構(gòu)建的旋轉(zhuǎn)不變特征存在計(jì)算效率不高的問題，特別是當(dāng)進(jìn)行目標(biāo)檢測(cè)需要在整幅圖像上密集計(jì)算這種特征的時(shí)候，計(jì)算效率的問題顯得尤為突出。針對(duì)這個(gè)問題，提出了一種基于高斯濾波加速的旋轉(zhuǎn)不變HOG特征。首先采用了基于查找表和極坐標(biāo)的快速徑向梯度變換方法，其

4、次采用了基于高斯濾波器的環(huán)形區(qū)域的梯度累積策略，實(shí)現(xiàn)了密集旋轉(zhuǎn)不變特征的快速計(jì)算。進(jìn)行的飛機(jī)檢測(cè)實(shí)驗(yàn)結(jié)果表明，提出的旋轉(zhuǎn)不變特征與改進(jìn)前的特征相比，目標(biāo)檢測(cè)性能基本不變，但特征提取效率大幅提高。
　?。?）針對(duì)傳統(tǒng)基于極坐標(biāo)傅里葉分析的旋轉(zhuǎn)不變 HOG特征存在計(jì)算效率不高且特征維度過大的問題，提出了一種改進(jìn)的快速旋轉(zhuǎn)不變HOG特征。首先將特征計(jì)算過程中包含的大量卷積運(yùn)算通過快速傅里葉變換轉(zhuǎn)換成頻域的點(diǎn)乘，提高了特征計(jì)算速度。然后使

5、用一種基于支持向量機(jī)的后向搜索特征選擇算法將原始特征降維，減少特征維度的同時(shí)也進(jìn)一步降低了特征的計(jì)算耗時(shí)。進(jìn)行的車輛檢測(cè)實(shí)驗(yàn)結(jié)果表明，改進(jìn)的旋轉(zhuǎn)不變特征不僅計(jì)算速度更快占用內(nèi)存更少，而且目標(biāo)檢測(cè)性能更好。
　?。?）針對(duì)無人機(jī)圖像中的變化檢測(cè)問題，提出了一種基于非剛性配準(zhǔn)和圖割的變化檢測(cè)方法。首先，在基于SURF特征和單應(yīng)變換的圖像粗配準(zhǔn)基礎(chǔ)上，采用基于 B樣條的非剛性配準(zhǔn)方法完成圖像精配準(zhǔn)，顯著減少了局部配準(zhǔn)誤差對(duì)變化檢測(cè)的干擾