基于语义模型的高分辨率卫星遥感图像人造目标检测方法研究

Object detection has been a hot topic in the fields of remote sensing image application. With the progresses in spatial resolution of satellite sensors, the satellite remote sensing images contain more details of man-made objects. The number and species of identifiable objects increase greatly as well. However, the increasing amount of information not only highlights the details of interest objects, but also enhances all kinds of interference, so the existing object detection methods are not used to meet the needs of high resolution remote sensing images. Based on the depth analysis of the object features and hierarchical semantic expression, semantic model is constructed with the comprehensive utilization of the joint semantic topic, shape and context. Considering the practical detection tasks of man-made object, the optimal parameters are used to establish the corresponding model. The proposed method that fused multiclass information in remote sensing images is capable of dealing with man-made objects accurate detection problems within complex background. The research can promote the application level of high-resolution satellite remote sensing images in the area of urban mapping and information acquisition.

目标检测一直是遥感图像应用领域的研究热点，随着空间分辨率的提高，遥感图像中目标细节日益精致，可辨识目标的种类和数量也大大增加。然而，分辨率的提高不仅丰富了有用信息，同时也凸显了目标的类内差异，还增加了背景干扰等信息，使得传统的遥感图像目标检测难以满足高分辨率卫星遥感图像信息提取的需要。本项目针对高分辨率卫星遥感图像的特点，在深入分析目标特征的基础上，采用层次化的语义表达形式，综合利用高分辨率遥感图像中的主题语义、形状特征、上下文关系等多类语义信息，搭建基于语义模型的目标检测框架；针对人造目标检测的具体应用，研究模型参数的优化，建立相应的模型学习推导理论；研究融合多类语义信息的模型构建及学习方法，最终实现复杂场景的高分辨率卫星遥感图像中目标的精确检测。本项研究将有效推动高分辨率卫星遥感图像在城市测绘、情报获取等方面的应用，并将有助于提升我国遥感的应用水平。

随着空间分辨率的提高，遥感图像中目标细节日益精致，可辨识目标的种类和数量也大大增加。然而，分辨率的提高不仅丰富了有用信息，同时也凸显了目标的类内差异，还增加了背景干扰等信息。本项目对层次化的语义特征获取方法和目标检测的模型构建进行了研究，融合多层特征和上下文信息，最终实现复杂场景的高分辨率卫星遥感图像中目标的精确检测。项目通过多层卷积神经网络获取遥感图像层次化的特征信息，在此基础上研究目标检测框架和目标的精细化检测，取得了一些研究成果。提出了一种基于卷积神经网络的目标检测方法，采用多尺度分割方法产生目标候选区域，同时利用卷积神经网络获取图像特征图，从特征图中获取每个候选区域的特征向量，通过几个连续全连接层，得到该候选区域的类别概率以及位置优化，从而实现目标检测，该方法在高分辨率遥感图像上取得了较好的检测结果。为进一步提升目标检测的精细化程度，实现像素级的语义标注，提出了一种结合全卷积网络和条件随机场模型的遥感图像语义分割方法，通过在全卷积神经网络框架中增加反卷积融合结构，搭建深度融合网络，通过深层网络自动获取多尺度特征，避免人工设计和选择特征，提高模型的泛化能力；同时借助反卷积融合结构，利用多尺度信息，将浅层细节信息和深层语义信息相融合，提高模型的处理精度。最后由全连接条件随机场引入空间上下文信息，更好地定位边界，得到最终的语义分割结果。在遥感图像数据集上的实验表明，随着不同尺度细节信息的融入，语义标注结果的精度逐步提升；同时空间上下文信息的引入使得语义标注结果的边缘更细化、更精确。