基于异构特征融合和迁移学习的遥感图像自动目标识别方法研究

Since high-resolution remote sensing images contain rich ground information and complex background environment, these give a challenge to the efficiency and accuracy of the traditional manual remote sensing target recognition methods which recognize the objects by coarse and fine judgment. To this end, research on efficient and accurate automatic target recognition (ATR) in remote sensing images has important theoretical significance and practical value. In this project, we make the systematic study in theory about the ATR in remote sensing images. And, the algorithms and the approaches to extract the target features, integrate the heterogeneous features and recognize objects are also our main research contents. Based on the analysis of the special imaging mechanism of remote sensing images, we propose the heterogeneous features representation and fusion approaches for remote sensing objects, which provide compact and informative feature description for target recognition. In addition, to solve the problems such as poor generalization performance, caused by the scarcity of tagged object samples in remote sensing images as well as the distributional and semantic deviations between the training samples and testing samples, we propose an adaptive transfer multiple kernel learning (ATMKL) framework. It could furthest improve the generalization performance and the target recognition accuracy. This is the main innovation and feature of our project.

高分辨率遥感图像具有丰富的地物信息和复杂的背景环境，这一特点向传统的由人工干预进行“粗判”和“精判”的遥感目标识别方式的速度和精度提出了挑战，为此，研究高效、准确的遥感图像自动目标识别方法具有重要的理论意义和实用价值。本项目系统研究遥感图像自动目标识别的理论框架和求解策略，以及在此框架下整合特征提取和表示、异构特征融合和目标识别的计算方法。本项目在分析了遥感图像特殊成像机理的基础上，提出的遥感目标异构特征表示和融合，为以特征抽取为前提的目标识别分析提供紧凑而富含信息量的特征描述。同时，针对带标签的遥感图像目标样本数据匮乏、训练样本和测试样本的分布及语义存在偏差而带来的泛化性能差等问题，提出的自适应迁移多核学习框架，可最大程度地提高泛化性能和目标识别准确性，是本项目的主要创新和特色。

近年来，随着遥感图像分辨率的提高，遥感目标识别被不断应用于战场目标侦察、远程精确打击、国土资源调查、海洋观测、建筑物地震损毁勘察等军事和民用领域。但由于遥感图像所含的地物信息异常丰富，并且背景环境复杂，靠专业人员进行人工“粗判”和“精判”的传统目标识别的速度和精度已远远达不到应用需求，因此，如何有效实现基于遥感图像的自动目标检测、鉴别、识别等任务，已成为目前国内外的研究热点。.本项目在深入分析遥感图像成像机理基础上，提出了基于局部鉴别性稀疏表示的目标表示方法、基于SIFT和BOW模型的特征提取与描述方法、基于稀疏表示模型分析的视觉显著性检测方法、改进的DS-SURF-LLC形状特征提取和表示方法、改进的Mean-Std-LLC光谱特征提取和表示方法、改进的基于单演信号的MO-CLBP-LLC纹理特征提取和表示方法等。其次，研究了遥感图像异构特征融合方法，提出了基于多核学习的异构特征融合方法、基于DCA的异构特征融合方法、基于自适应加权策略的分类结果决策级融合方法、基于多包融合的方法等。最后，针对遥感图像识别和分类，提出了基于鉴别性字典的多类遥感目标识别方法、基于MKL-SVM的遥感图像场景分类器、改进的基于深度学习的遥感图像分类器、基于深度卷积神经网络和多核学习的遥感图像分类器等。.本项研究是对遥感图像自动目标识别技术的进一步深化、发展和创新，通过建立基于异构特征融合和迁移学习的遥感图像自动目标识别方法，进一步丰富和深化遥感图像目标识别理论的内容和内涵，为遥感目标识别系统效能的提高提供理论指导和技术原理支撑。