基于多核学习的高分辨率光学遥感图像固定结构人造目标检测方法研究

With the development of remote sensing technologies, the high-resolution optical remote sensing images contain more structural and textural information of man-made objects. The number of visible objects categories increase greatly as well. Some high-resolution optical remote sensing images are used in this research. Based on kernel theories and features of man-made objects with fixed structure, several basis kernels are constructed and combined by hierarchical methods, illustrating the effect of each feature type on each object category. The multiple kernel learning (MKL)classification model is bulit as well. Considering the efficiency problems in practical detection tasks, production methods are used to build new classification models, leading to sparser solutions. The MKL multi-class classifier is also constructed. The proposed method is capable of dealing with multi-class man made objects detection problems within complex background. The research can improve the application level of high-resolution optical remote sensing images in the area of battlefield surveillance and urban surveying.

随着遥感技术的发展，高分辨率遥感图像中人造目标的结构、纹理和细节等信息会表现得更加清楚，可辨识目标的种类也大大增加。本项目以高分辨率光学遥感图像为数据源，在深入分析具有固定几何结构的人造目标的特征基础上，以核方法为框架，构建多类特征对应的基础核，采用层次化的混合方法归纳利用这几类信息，增强多类目标之间的可区分性，建立相应的模型学习理论；针对实际目标检测的效率问题，采用产生式的方法建立新的分类模型，提高解的稀疏性，克服海量数据自动判读这一瓶颈；研究实现多核学习的多类模型构建及学习方法，最终实现复杂场景的光学遥感图像中多类目标同时检测。本项研究可以推动高分辨率光学遥感图像在战场监视、城市测绘方面的应用，促进我国航空遥感的应用水平。

高分辨率遥感图像中的人造目标具有较规则的几何外形，其特殊的形状、光滑的平面以及缓慢变化的色阶使得其更容易用规则性的特征来描述。本项目针对固定结构人造目标的特征提取方法进行了研究，将特征进行融合并构建核分类器，实现多类目标检测。主要研究成果包括：.（1）基于窗口融合特征对比度的光学遥感目标检测：训练阶段结合多尺度显著度、仿射协变区域对比度、边缘密度对比度以及超像素完整度，在确认集上基于窗口重合度和后验概率学习特征参数，采用Naive Bayes融合特征，训练分类器。目标检测阶段根据多尺度显著度分值进行窗口初选，再基于其他三项特征计算各窗口后验概率，最后挑选高分值候选区域进行合并，得到检测结果。该方法能有效区分目标和背景窗口，并由于及时删除虚警区域，降低了窗口数量，提高了算法效率;.（2）城市遥感图像建筑物仿射协变区域融合检测：融合Hessian-Affine和MSER仿射协变区域，利用重复误差筛选高度相关的不同类型区域，根据仿射匹配性分值选择性删除冗余区域，并采用平均重复率、平均匹配区域数进行综合评价。该方法将两种检测子互补使用，对于各种仿射变换下的建筑物检测准确率较高，冗余少，更适用于城市遥感的实际应用中;.（3）基于多核多类关联向量机的高分辨率图像目标检测：采用基于快速边缘似然最大算法直接计算分类器的决策函数，避免重复计算目标函数Hessian矩阵的过程，缩短多类模型训练时间。同时将多个基础核引入多类模型，采用交叉验证方法确定基础核权重，在确认集上选取使得模型精度最高的值作为权重的优化结果。该方法能够在保持解的稀疏性前提下，缩短模型训练时间。