基于多平台多时相光学遥感图像的近海岸目标监测技术

For ships and aircraft objects monitoring in the inshore, we research object detection, object type recognition, and object retrieval by the remote sensing images of aerial platform and satellite platform. We implement end-to-end processing from the latest reconnaissance remote sensing images to the change information of monitoring. Technically, we focuses on the key technologies of extracting and processing the semantic features of objects for multi-platform, multi-temporal, multi-scale and multi-angle remote sensing images. (1) We propose an object detection method based on feature fusion of depth convolution network layers and the training feedback optimization. It can solve that small object missing features after deep convolution pooling cannot be detected, and inshore difficult samples under complex background are detected as true object. We will obtain high-precision multi-scale object detection; (2) We propose an object recognition method based on multi-view of 3D model of deep learning. It can solve the object images with large angle difference cannot be entirely accurate recognition problem. We will achieve multi-platform object type recognition; (3) We propose an object retrieval method based on SFM model and Hash code deep learning. It can solve object retrieval problem for large scale difference, large angle difference and big data of multi-temporal and multi-platform.

本课题针对近海岸区域的舰船、飞机目标监测，利用卫星平台和航空平台协同侦察的遥感图像数据，研究从目标检测，到目标型号识别，再到多时相目标检索关联，实现输入最新侦察遥感图像，到输出监测变化信息的端到端处理。在技术上着重突破多平台、多时相、多尺度、多角度的遥感图像目标语义级特征提取及信息处理的关键技术。(1)提出一种基于基于深度卷积网络多层特征融合和训练反馈优化的目标检测技术，解决遥感图像小目标经过深度卷积多层池化后特征缺失无法检测的问题，和近海岸复杂背景下困难样本容易虚景的问题，实现高精度的多尺度目标检测；(2)提出一种基于3D模型多视特征深度学习的目标立体识别技术，解决多平台大角度差异目标无法全部准确识别的问题，实现多平台目标型号的识别；(3)提出一种基于SFM样本筛选和哈希编码深度学习的多时相目标检索技术，解决多时相、多平台的大角度、大尺度差异大数据量的目标图像检索问题。

我国在东海、南海与周边国家和地区的边境存在着海洋争端，而且美国近年一直视我国为重要的全球战略对手，我国的海洋安全形势不容乐观。利用我国先进的遥感手段，通过卫星平台和局部区域的无人机协同侦察，获取具有丰富纹理特征和细节信息的高分辨率光学遥感图像，实现多平台遥感数据对临近我国的东海和南海，以及美国的部分港口区域重点目标的准确监测，对其近海岸的舰船、飞机等目标的异常行为作出积极预警，是我国近海防御的重要保障手段。.本项目提出利用卫星平台和航空平台协同侦察的遥感图像数据，研究从目标检测，到目标型号识别，再到多时相目标检索关联，实现输入最新侦察遥感图像，到输出监测变化信息的端到端处理。形成一套完整的近海岸舰船、飞机目标监测体系，实现自动智能的提供有效、准确的预警信息。.本项目在目标检测方面，针对卫星遥感图像的大尺寸问题，不再采用YOLT提出的划窗策略，而是利用YOLO架构的全卷积网络，提出了全新的CSPDarknet网络，该网络实现尺寸在10000*10000级别的遥感图像直接推理检测，同时对旋转框的损失函数进行了进一步优化，实现了同时提高了目标的检测精度和速度。针对小目标检测的问题上，提出了SIINet的整合网络，提高多层特征尤其是高层特征的利用效率，增强弱小目标的检测精度。目标型号识别方面，突破立体识别相关技术，提出了利用3D模型提供多角度信息的思路，研究了基于3D模型增强的目标检测识别算法，提高了多角度的目标识别精度，同时为了获取更多的三维模型数据，提出了基于Scale-Onet的单幅图像模型化三维建模算法，解决了3D模型的来源问题，完善了整个系统的可行性；在目标检索关联方面，重点研究了不同数据的目标特性，实现了多源数据的跨纬度目标关联匹配。该项目的研究解决了复杂背景下多平台、多时相、多角度、多尺度带来的大差异下的目标信息处理的一些关键问题。.基于以上研究内容，发表了SCI论文11篇，EI会议论文5篇，申请发明专利6项。