深度學習在遙感影像目標識別與定位中的應用研究

隋雪蓮　張濤　曲喬新

摘? 要：長期以來，遙感影像的目標識別與定位主要依靠目視判讀和人工手段，誤判和漏判情況嚴重，且檢測精度較低。文章介紹了基于深度學習的目標檢測算法，探討了將深度學習應用于遙感影像目標識別與定位需要的關鍵技術，并對深度學習在目標識別與定位中的應用進行了前景展望。

關鍵詞：深度學習;目標識別與定位;遙感影像;目標檢測

中圖分類號：TP751? ? ? ? ?文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2019）34-0180-02

Abstract： For a long time， the target recognition and position of the remote sensing image mainly depends on visual interpretation and artificial means， there will be errors and missing situation， the precision is lower. This paper introduces the algorithms of the target detection based on deep-learning， and explores the key techniques required in the recognition and position of the remote sensing image. Finally the application of the target recognition and position based on deep-learning is looked forward.

Keywords： deep learning; target recognition and position; remote sending image; target detection

1 概述

近年來，越來越多的國內外對地觀測平臺的出現，使得遙感影像呈現出井噴的狀態，獲取了海量的數據。該數據集呈現典型的大數據5V特征，即數據體量大、影像分辨率多樣、數據更新快、地面定位精度高、信息蘊藏豐富等。

在影像應用尤其是目標的識別與定位領域，還長期依賴人工手段、目視判讀，容易出現誤判和漏判目標的情況，檢測精度也比較低。影像獲取量大與數據利用率低、重點區域目標更新快與信息提取慢等矛盾日趨突出。深度學習作為機器學習的一種，在圖像分類、自然語言處理、降維、地物檢測、運動建模、人工智能等領域取得前所未有的成果，與傳統的目標檢測方法相比，深度學習具有模型表達能力強等優勢，對于諸如目標和行為識別這類比較復雜的問題具有良好的效果。

2 基于深度學習的目標檢測算法

深度學習是當今流行的機器學習方法。相比于傳統方法的對目標先驗知識要求高、模型泛化能力差等特點。基于深度學習的遙感圖像目標識別采用滑動窗口算法提取感興趣區域，并利用網絡提取特征進行目標檢測，得到了越來越多的應用。

在基于深度學習的目標檢測算法方面，2014年，RBG（Ross B. Girshick）使用region proposal（候選區域）+卷積神經網絡CNN（Convolutional Neural Netwaorks）代替傳統目標檢測使用的滑動窗口+手工設計特征，設計了R-CNN框架，使得目標檢測獲得巨大突破，并開啟了基于深度學習目標檢測的熱潮。Fast R-CNN在R-CNN的基礎上又做了一些改進，使得網絡在Pascal VOC上的訓練時間從R-CNN的84小時縮短到9.5小時，檢測時間更是從45秒縮短到0.32秒。Shaoqin Ren等人在Fast R-CNN基礎上提出Faster R-CNN，讓RPN網絡和Fast R-CNN網絡實現卷積層的權值共享，在圖像分類和檢測方面取得了進一步的提高。2015年，微軟研究院何凱明提出了深度卷積網絡的改進-深度殘差網絡，在圖像分類和檢測方面取得了進一步的提高。此后，殘差網絡結構慢慢成為各種卷積網絡模型的參照結構，為各類圖像處理任務提供優化。2015年，YOLO算法的出現使得深度學習目標檢測算法開始有了兩步（two-stage）和單步（single-stage）之分。YOLO算法通過共享卷積特征的方式提取候選框和進行目標識別，檢測速度較Faster R-CNN也有近10倍的提升。2016年微軟研究院的Jifeng Dai 等提出R-FCN算法，通過共享卷積層特征實現目標提取。后續的SSD算法，利用卷積核來預測邊界框的類別分數和偏移量，不僅提高了檢測精度，同時還提升了檢測速度。這些都使得深度學習目標檢測算法開始能夠滿足實時檢測任務的需求。

3 關鍵技術

3.1 目標檢測模型的選擇及優化

卷積神經網絡是一種基于多層監督學習的人工神經網絡，由于其較好的容錯性、自適應性和權值共享等特點，目前被廣泛應用于圖像識別、物體檢測、語義分割領域等領域。當前常用的卷積神經網絡Faster R-CNN，RFCN，SSD 三種檢測框架，原理示意如圖1。

其中，精度最高的Faster R-CNN效率是最低的，網絡復雜度最高的 Inception Resnet 帶來的精度提升比較明顯。訓練過程中，要通過觀察分析訓練情況，需要不斷優化batch及學習率參數，使得隨機梯度下降，并且不斷收斂。從而尋找最適合訓練遙感影像數據目標檢測模型的訓練參數。

通過數據增強操作提高訓練樣本的多樣性，防止訓練過程中樣本不足帶來的過擬合，同時增強模型的魯棒性。針對遙感影像，可采用的數據增強方式主要有：（1）變換圖像亮度、色調及飽和度。（2）圖像旋轉及傾斜。（3）增加高斯噪聲。（4）圖像裁切操作。（5）圖像去冗余。

3.2 大區域范圍內的目標檢測

為解決大區域范圍內目標檢測識別，采用格網的方式將目標區域劃分為若干小區域，然后循環加載各小區域進行目標檢測。為保證大區域范圍內影像數據均被檢測，小區域的長寬比例與客戶端容器長寬比例一致。考慮劃分網格可能會使影像單個目標被劃分在多個小區域內，從而造成漏檢的情況，在劃分網格時候要確保相鄰網格有一定重疊率。

首先，在系統中繪制檢測區域，根據檢測目標大小規模，將影像縮放至相應的級別規模。然后，將檢測大區域根據地圖容器大小情況動態劃分網格。最后，系統循環調用各網格進行單張圖像目標檢測操作。顯然，增加重疊會增加格網總數量，從而增加數據處理量，降低檢測效率。因此，要根據實際情況設置重疊率。由于重疊率的設置，部分影像具有重復檢測的可能性，在檢測結束后，需要對檢測結果進行空間分析，刪除重復檢測目標，該過程在系統中可半自動化處理，如系統通過要素重疊分析，可自動標注類型相同且位置具有重疊的要素，該類要素往往指向是同一目標，需要輔以少量的人工干預，刪除重疊檢測內容。

4 應用前景

4.1 在輔助土地規劃方面

基于深度學習的遙感影像目標識別可用于土地利用調查，改進原來完全依靠人工勾畫圖斑，匯總整理分析的方案。隨著遙感技術的發展，對于地面觀測覆蓋面積大，宏觀性強，遙感影像分辨率極高，土地的自動識別分類已經成為現實。

4.2 在輔助海上或空中交通管制方面

我國的海岸線長約3.2萬公里，港口眾多，大量船只在此作業，該應用可對艦船或飛機進行自動檢測，如：遇險船只、非法活動艦船、民航飛機等。對于特定的港口或機場，可根據地理信息實時獲取該位置的遙感影像，通過目標識別定位系統實現對空中、海上交通的自動檢測，改善人工視角小、范圍窄、投入大等弊端，實現由人工判讀向自動化識別的過渡。

4.3 在輔助國防安全方面

未來的信息化戰場是武器單元與指揮系統一體化、多源多時空基準的數據信息協同化作戰。目標作為信息條件下局部戰爭的重要打擊對象，具有極其重要的威懾力，如重要目標遭受致命打擊，將對國防安全和國民經濟造成不可估量的損失。此外，通過對海量遙感數據中信息的挖掘，提取有效的軍事信息，識別目標并獲取其準確位置，可有效防范敵方打擊，反之亦可對敵方重要目標進行精準打擊。

參考文獻：

[1]殷文斌.卷積神經網絡在遙感目標識別中的應用研究[D].中國科學院大學（中國科學院遙感與數字地球研究所），2017.

[2]楊釗.面向圖像分類和識別的視覺特征表達與學習的研究[D].華南理工大學，2014.

[3]黃為.基于序關系特征描述的高分辨率遙感影像識別研究[D].國防科學技術大學，2014.