基于强监督部件模型的遥感图像目标检测.pdf

JournalofComputerApplications ISSN 1001．9081 2016．O6。10 计算机应用，2016，36(6)：1714—1718，1729 CODENJYIIDU http：／／www．joca．an 文章编号 ：1001—9081(2016)06—1714．05 DOI：10．11772／j．issn．1001—9081．2016．06．1714 基于强监督部件模型的遥感图像 目标检测 周福送 ，霍 宏 ，万卫兵 ，方 涛 (1．上海交通大学 自动化系，上海 200240；2．系统控制与信息处理教育部重点实验室，上海 200240) ( 通信作者电子邮箱 zhoufusong1992@qq．con) 摘 要：针对遥感图像 中由于背景复杂、目标外观 多样和方向任意而导致的检测精度不高的问题，提 出一种基于 强监督的部件模型方法。该方法针对 目标的每个方向范围训练子模型，同时训练集除了标注出目标的外接矩形，还 标注出每个部件的位置及其语义。模型训练时，首先，通过对训练集图像建立多尺度方向梯度直方图(HOG)特征金 字塔，且根据 目标部件标注信息采用最小生成树(MST)算法初始化模型结构；其次通过隐支持向量机 (LSVM)方法训 练出多个对应不同方向区域的子模型，每个子模型由一个 目标滤波器和 多个两倍分辨率的部件滤波器，以及位置关 系模型组成，多个子模型最终合并成用来检测的混合模型。目标检测时，类似地建立多尺度特征金字塔 ，然后利用训 练滤波器模型在特征金字塔上 以滑动 窗口的方式计算匹配响应得分，对响应得分设置阈值且采用非极大值抑制 (NMS)算法来获得优化后的检测结果。该方法在 自建的遥感数据集上 目标检测精度达到 了89．4％，对比弱监督部件 模型(DPM)、分类器模板集成(Exemplar—SVMs)和方向梯度直方图一支持向量机 (HOG—SVM)方法中的最高精度，所提 方法提升了4个百分点。实验结果表明，所提算法能够在解决方向和背景复杂问题上有一定的提升，而且可以应用于 机场军事飞机 目标检测。 关键词 ：目标检测；遥感图像 ；部件模型；混合模型；强监督 中图分类号：TP391．41 文献标志码 ：A Objectdetectioninremotesensingimagerybasedon strongly-superviseddeformablepartmodels ZHOU Fusong’ ，HUO Hong一，WAN Weibing一，FANG Tao， (1．DepartmentofAutomation，ShanghaiJiaoTongUniversity,Shanghai200240，China； 2．KeyLaboratoryofSysternControlandInformationProcessing,MinistryofEducation，Shanghai200240，China) Abstract：Theobjectdetectionofremotesensingimageryhaslowerdetectionaccuracycausedbycomplexityof background，targetappearancevarietyandarbitrary orientation．Inordertosolvetheproblem，amethodbasedonstrongly— superviseddeformablepartmodelswasproposed．Thenmuhiplesub—modelsineachdirectionrangeoftheobjectweretrained．