基于深层神经网络的高分辨率遥感图像机动目标精细检测研究

Fine detection of maneuvering targets from high-resolution remote sensing images, means that detecting targets' classes and location with a high accuracy than previous methods, as well as obtaining more fine imformation about targets' orientaion and boundaries. Since the technique is also suitable for fine detection of general objects, they have powerful potency for commercial uses and national defense, as well as an important scientific significance. Faced with the difficulties existing in the detection of the orientation and boundaries of the maneuvering targets, We mainly study the theory frame and realizing techniques of transforming the problem of detection of targets' orientation and boundaries into a problem of images' fine classification. After the targets' classification by deep neural networks, multi-scale, multi-position detecting windows for targets' orientation are classified by deep neural networks to obtain the targets' orientation information. Base on the results of orientation detection, detection of the target's boundaries and contour by neural networks is researched. The target's image is normalized to united orientaion and scale, then feeded back into the target class detection stage to raise the detection accuracy. The position-relationship graph of the target's boundary to the target itself will be fully studied for the purpose of judging the boundary's belongingness, as well as improving the efficiency of target scanning strategy by utilizing targets' edge information. All these thoughts will surely shed some important light onto the fine detection research in remote sensing field.

高分辨率遥感图像的机动目标精细检测，指精细地识别出机动目标的信息如：类别、位置、方向和边界等。其技术也适用于一般目标的精细检测，具有广泛的民用和国防价值，和重要的科学意义。. 针对遥感图像中机动目标的方向和边界难以准确检测的问题，本项目主要研究将机动目标方向和边界参数检测转化成图像精细分类识别的理论框架和实现技术。在基于深层神经网络的目标类型检测的基础上，拟采用多尺度、多位置，不同形状的方向特征检测框和深层神经网络实现方向检测。在方向检测基础上，研究目标上下左右四边界特征检测框的设计和基于神经网络的边界图像检测。在边界检测基础上，研究目标尺度和轮廓线的提取算法。将方向尺度归一化后的目标图像，反馈给目标类别检测器，进一步提高类别检测精度。本项目还将研究如何判断边界是否属于目标的检测难题, 以及利用目标边缘信息提高目标搜索效率的问题。预计本项目将会取得显著的研究成果。

遥感图像机动目标的精细检测研究在智能交通、智慧城市和国防军事领域有着重要意义，主流的方法如Faster-RCNN，SSD，Yolo等仅仅能够给出机动目标的粗略矩形框定位，误差经常高于20%。本项目独辟蹊径采用了基于机动目标空间椭圆核密度图的两阶段精细检测方法，解决了机动目标中心位置、主轴方向和尺度的精确检测问题：中心位置误差小于1.3像素，角度误差小于3.2度，尺度误差小于11%，并探索了机动目标的轮廓线检测问题。我们对广泛使用的区域协方差算子和局部二值化模式特征进行了改进，提出了基于卷积的特征向量，线型采样方式和基于逻辑变换的分类方法。为了提高机动目标的检测精度，我们从生成对抗网络中得到启发，创造性地提出将图像生成器、图像属性检测器合二为一属性编解码器的思想，使得机动目标的检测成为图像属性检测的一部分，共享图像生成的优秀特征，将训练从真实图像拓展到生成图像；巧妙地提出将图像真假、标签真假、图像分类、图像和标签的匹配等多项鉴别任务合并在一个全卷积鉴别器中完成，使得所有分类和鉴别任务实现了特征共享，简化了框架结构；独辟蹊径地提出在检测网络的特征层融入干扰信号，通过干扰生成器和检测网络的对抗训练，使得后者的抗干扰能力得到显著强化；同时提出权值归一化层取代传统的特征归一化层、随机正弦波图像代替高斯噪声改善生成图像质量的可控性、在目标检测网络引入柔性跨层链接、空间上下文特征层、多线型特征增强模块等一系列创新思想，使得项目组的研究工作初步呈现出百花齐放、成果迭出的境界。另一方面，完成了自建遥感图像车辆、飞机、舰船、树木、道路、建筑物数据库的标定任务，并将研究方法扩展到城市道路检测、行人检测、输电线路检测等相关领域中，探索出了一条符合学生实际水平的培养道路，形成了严谨、务实、勤奋的学风，已毕业硕士研究生8名，分布在军工研究所、汽企自动驾驶研究中心、中国移动大数据中心等单位。