论文部分内容阅读
随着近些年无人机、高分辨率卫星等各种高端侦察设备的研发与应用，人们已经可以获得更多高清的高空图像，通过此类高分辨率图像获取机场地理空间信息与特征信息，在民生、国防、经济等领域都有重要意义，而传统的机场识别都需要复杂的图像预处理过程与特征选择与提取步骤，不仅会加大算法计算量，同时前期的处理结果优劣还会对识别准确率有很大的影响。且传统方法中的单纯依靠人工特征对于与机场跑道类似的目标，如公路、桥梁等识别能力不足。针对以上问题，本文选择可以直接对原始图像进行识别的卷积神经网络进行全面的理论分析与仿真验证，并将深度网络特征与人工特征相结合进行研究，主要工作如下： （1）选择迁移经典AlexNet网络模型参数，针对机场识别问题改造AlexNet模型层级结构，在原网络基础上修改最后三层，并加入新的全连接层，针对原网络ReLU函数本身脆弱的缺点,使用LeakyReLU改进修正线性单元，提高网络性能。 （2）基于本文所构建的网络在Matlab上进行机场目标识别网络训练和实验研究验证。文中从GoogleEarth上获取256?256?3的RGB图像并通过翻转、镜像等操作扩充数据集。实验结果验证了本文所构建网络在机场识别上的优异性能。 （3）通过分析本文所构建网络的误识别的样本，发现主要是由于图像中包含大量直线特征的目标，且背景信息显著性比机场本身强，为提升算法对此类目标的分类能力，基于灰度共生矩阵选择10维纹理特征，并用PCA降维，取前4维主成分特征表达机场的细纹理特征。提取本文所构建网络的全连接层fc_1的2048维输出特征，与4维纹理特征相融合生成融合特征，训练SVM分类器。对比结果验证了本文所提融合特征方法的有效性。