基于同心圓周濾波器與聯合稀疏的高分遙感目標檢測方法

寧晨* 鄧梁 王鑫

(1、南京師范大學 計算機與電子信息學院，江蘇 南京210023 2、河海大學 計算機與信息學院，江蘇 南京211100)

1 概述

遙感技術是在遙感平臺上通過傳感器獲取地表的光譜信息，并利用計算機分析處理的技術[1]。在遙感圖像中，飛機作為一種特殊目標，在民用領域和軍事領域中都發揮著重要作用[2]。在現代戰爭中，為了取得空中優勢，既快又準的檢測識別出敵軍飛機目標的動態信息就顯得必不可少。在民用領域，飛機目標實時檢測可作為分析客流量的依據。因此，針對飛機的檢測研究具有十分重要的意義。

2 提出的方法

本文算法的原理框圖如圖1 所示，考慮到時間成本以及精度需求，本文檢測算法按照由粗到精的思路設計，分為預檢測以及精確檢測兩個階段。

圖1 本文檢測算法的原理框圖

2.1 基于同心圓周濾波器的目標主軸檢測

圖2 同心圓周濾波器及相對坐標計算示意圖

然后再計算出各同心圓上采樣點相對于最內層圓的相對角度如圖2(b)所示：

2.2 基于空洞卷積的目標檢測框融合后處理

2.2.1 空洞卷積

空洞卷積與一般卷積的區別主要在于卷積核中注入空洞，這種結構就能在不使用池化層的情況下，增大單位像素的感受野。因為不使用下采樣，所以這種結構能有效的彌補信息損失的缺點。二維空間上的空洞卷積可定義如下：

圖3 檢測窗的空洞卷積和融合示意圖

圖3(a)所示為空洞卷積核以橫縱兩個方向逐步對檢測框標志進行卷積，如此即可計算得到卷積結果。如果局部圖像中，檢測框大多圍繞一個目標，只是互相之間略有點偏移，那么此時只需要對空洞卷積的結果進行一個局部最大池化即可找到局部檢測框融合的中心，如圖3(b)將參與運算的檢測框標志所代表的檢測區域展開，全部融合即可獲得檢測框融合以后的檢測區域。

3 實驗與分析

3.1 實驗參數設置

本實驗基于DOTA 數據集來驗證算法的有效性。對每一幅待處理遙感圖像，實驗中挑選三種nbins 分別為7、8、11 的非局部自相似HOG 特征作為分類特征（塊大小選定40×40，塊步伐20，單元格大小4×4，單元格步伐2，相似向量取20 個）。這三種特征將直接輸入多任務框架下的聯合稀疏分類器，作為三個不同任務進行融合處理，最終由決策層得出綜合判決結果。

3.2 結果與分析

我們分別給出兩種場景下本文檢測算法的檢測結果，如圖4 所示。可以看出本文算法可以很好地對遙感圖像中的飛機目標進行精確檢測。同時，表1 給出本文檢測算法與Faster-RCNN等多種目標檢測算法的性能比較結果。表中分別給出目標檢測的三個參數：召回率、精度和綜合評價指標（F1-Measure），其中，綜合評價指標是召回率和精度的調和均值，反應目標檢測算法的總體性能。在本文檢測算法中，同心圓周濾波器對受檢目標進行旋轉，從而使之與訓練樣本角度靠近，在二次檢測中提升召回率，從而最終提高的綜合評價指標F1 度量值等性能。根據表中與其他目標檢測算法的比較，可看出本文算法的優異性能。

圖4 本文目標檢測算法的檢測效果圖

表1 目標檢測結果比較

4 結論

本文提出一種基于同心圓周濾波器與聯合稀疏的遙感飛機檢測識別算法，該算法分為預檢測與精確檢測兩個部分。預檢測階段首先通過改進FastMBD 顯著性檢測算法取得候選區域，減少算法整體時間復雜度，然后結合非局部自相似HOG 特征與聯合稀疏分類器作進一步識別，從而提升算法精度。精確檢測階段主要通過同心圓周濾波器進行主軸檢測，使得候選目標與訓練目標具備共線角度，再利用聯合稀疏分類器對漏檢目標進行二次檢測，提高召回率。最終在進行檢測框融合處理后，即可成功檢測出光學遙感圖像上的飛機目標。