结合生物视觉机制和深度特征学习的遥感图像目标识别与精确提取技术

Automatic recognition of man-made objects with precise boundray from high resolution remote sensing image is very crucial for the applications of remote sensing,such as destroy of artecture and road for disaster monitor,and recognition of sensitive landmark and tank for military surveillance. Inspired by biological vision, we propose to break the recognition and extraction procedure into the progressive steps including initial localization,recognition based on hierachical structre,and local refined segmentation. In order to realize the idea, we conduct research on the following three scientific problems:1)object feature directed visual attention model,invariant feature extraction and recognition based on deep learning, Conditional Random Field(CRF) segmentation based on multiple visual features. The novelties are as: progressive recognition and extraction with three layers,two-layer object features directed visual attenion model,deep learning structure under multiple constraints. The method can be generalized to recognize different kind of man-made objects when the prior parameters and training images are changed.The project is valuable for the academic research on the fields of remote sensing information analysis and machine learning.The achievements of the project can also be applied to the Major Science and Technology Program for High Resolution Earth Observation System in China.

从高分辨率遥感图像中自动识别提取具有精确边界的人造地物目标在遥感应用中有着重要的意义，如灾害发生后监测建筑物、道路损毁情况，军事侦察中识别敏感地标和战车等。在生物视觉机制的启发下，将人工地物目标的自动识别提取分解为基于视觉注意的初定位、基于分层结构的目标识别和局部精细分割的渐进提取三个步骤。应用深度特征学习理论，研究三个科学问题：1）目标特征引导的视觉注意计算模型；2）基于深度特征学习理论的不变特征抽取和识别计算模型；3）基于多视觉特征线索的条件随机场分割计算模型。创新点在于：三层的渐进识别提取过程；两层次目标特征引导的视觉注意模型；利用多种约束的深度学习结构。通过修改先验参数和训练样本，该方法可应用到不同的人造地物识别提取中。该研究在遥感信息分析和机器学习领域都有着较高的学术价值，其成果可应用于我国高分辨率对地观测系统重大专项。

从高分辨率遥感图像中对人造地物目标自动地进行定位、识别和精确提取，对于军事侦察，土地利用调查和精确制导均有着重要的研究意义。项目围绕基于人眼视觉特性的目标显著性计算、基于层次化结构的目标不变特征提取和基于多视觉线索的目标精确分割等科学问题开展研究，提出了相关的理论方法成果，并将其应用到红外、SAR和高分可见光遥感图像中的目标检测和识别，取得了一定的进展。在目标的初定位方面，对视觉注意的计算模型开展研究，提出了最大熵随机游走的区域视觉显著性，基于混合特征空间的核回归的时空显著性，基于感觉增强理论的空间显著目标检测，SAR图像的梯度纹理结构显著性，并将其和反馈调节机制相结合提出了红外图像中运动目标的检测方法。在目标稳定不变特征提取方面，以层次性结构为核心，提出了以卷积网络为基础的双输入深度特征提取方法，结合测度学习的深度特征提取方法，同时提出了以视觉词典为基础的两层无监督特征学习方法。在目标精确提取方面，提出以超像素过分割为基础，充分利用如角点距离密度等多视觉特征构造图结构，通过柯西嵌入优化或Graph-cut等方法完成目标的精细分割提取。为了验证所提理论方法的有效性，将其和实际应用相结合，提出了基于显著性融合的红外地面目标检测算法，基于两级CFAR级联的自适应SAR图像目标检测算法，基于低秩稀疏表示的红外小目标检测算法，并将其推广至智慧高速公路的视觉应用。本项目的理论和应用研究成果丰富了遥感图像目标检测和识别领域技术，在国防和工业民用等方面均有着广泛的应用前景。