摘要
车辆目标检测是计算机视觉领域的研究热点,传统检测方法的检测流程通常包含很多步骤,且检测速度较慢.由于高分辨率光学遥感影像上地物种类繁杂,地物之间存在同物异谱、同谱异物等情况,且车辆目标很小并时常存在被遮挡的问题,因此使用传统遥感软件对高分遥感影像上的车辆目标进行分类识别时精度较低、效率较差.针对此问题,本实验引入了深度学习的方法,采用Faster R-CNN网络对高分遥感影像上的车辆目标进行检测,有效地解决了传统遥感软件对车辆检测精度低、检测效率差的问题.针对车辆目标,本实验对VGG-16网络进行了微调,调整了网络中Dropout的参数,使网络提升了对车辆目标的检测平均精确率.实验结果表明,改进后的网络能够对遥感影像中的车辆目标进行快速检测,平均精确率可达91.87％,检测速度达到每秒5帧.即使在面对遥感影像背景复杂、目标局部遮挡等问题时也能准确识别.本文使用ENVI和eCognition作为传统方法进行对比试验,经对比,本文的方法提升了目标检测精确率和检测效率,较原有网络提升了对车辆目标的检测精度.
NETL