基于深度稀疏判别学习的遥感视频运动目标检测

Remote sensing images obtained by remote sensing camera cannot satisfy the requirement of monitoring remote sensing objects in real-time. With the advent of video satellite, remote sensing video processing becomes a new and important development direction. Since optical remote sensing video has the features of complex scene, multi-class and multi-scale moving objects, conventional video moving object detecting methods are not suitable for the remote sensing video. For the characteristics of remote sensing video, this project mainly employs low rank and sparse model, by incorporating deep learning and multiple task learning, and the research contents are listed as follows. Firstly, a novel multi- task low rank and sparse matrix composition method is proposed to accurately locate all moving objects of remote sensing video. Then, based on the theory of deep learning, a deep network is constructed to extract multi-level abstract features of remote sensing objects, which are combined with artificially designed detail feature to accurately and fully describe the multi-class objects. Furthermore, an ensemble sparse learning model is presented to extract discriminant information among multiple classes of objects in remote sensing video. Finally, by adding spatial position information, a discriminant classifier is proposed to improve the accurate rate of object recognition. The research of this project hopes to provide a solid theoretical basis and feasible method guidance for moving object detection of remote sensing video in practical.

传统遥感相机拍摄的静态遥感图像难以满足对遥感目标进行实时观测的需求，从而随着视频卫星的出现，遥感视频数据处理成为新的重要发展方向。光学遥感视频具有复杂场景且前景运动目标种类多、尺度差异大的特点，这使得传统视频运动目标检测方法应用于遥感视频时检测结果往往不理想。针对遥感视频的特点，本项目从低秩和稀疏模型出发，结合深度学习与多任务学习等理论展开以下研究：1）提出多任务低秩稀疏矩阵分解方法，对遥感视频中所有疑似运动目标进行准确定位；2）基于深度学习理论搭建深度遥感目标特征提取网络，提取多层抽象特征，并结合人工设计细节特征，对多类目标进行准确、完备地描述；3）结合稀疏表示理论与多任务学习思想，构建集成稀疏学习方法，提取遥感视频中各类目标的判别性信息；4）结合空间位置信息，构造判别分类器，提高目标识别准确率。通过本项目的研究，期望为遥感视频运动目标检测问题提供坚实的理论基础和可行的方法指导。

光学遥感视频具有复杂场景且前景运动目标种类多、尺度差异大的特点，造成遥感视频中目标检测准确度不高的问题。针对这一问题，本项目将传统方法与深度学习相结合，设计了基于深度稀疏判别学习的遥感视频运动目标检测方法，给出了一个新的遥感视频运动目标检测的新思路，本项目主要研究了以下内容：1）设计了多任务低秩稀疏分解模型，利用视频序列中每帧图像背景之间的相关性，挖掘背景图像的全局结构，增强模型对复杂背景的表示能力，从复杂场景中分离出稀疏前景运动目标，实现运动目标的准确定位，有效降低了遥感视频运动目标的漏检率。2）搭建了深度遥感目标特征提取网络，提取遥感视频中不同类型且尺寸差异较大运动目标的各级特征，将深层特征和浅层特征相结合，集成不同类型特征，更全面地描述遥感视频中的各类目标。3）设计了集成稀疏判别学习算法，将提取出的抽象特征与传统算法提取的细节特征相结合，然后使用稀疏表示方法增强不同类型目标特征间的判别性，同时还可以增强特征对于噪声的鲁棒性，缓解与复杂背景对比度较低目标难检测的问题，提升模型的检测性能。4）构造了带空间约束的稀疏判别分类器，充分利用了稀疏判别特征的空间位置信息，弥补了判别特征中缺乏空间信息的缺陷，有效提高了遥感视频中多类运动目标检测的准确率。在本项目的资助下，项目组成员发表学术论文7篇，申请国家发明专利4项。项目组培养硕士研究生6名，其中毕业2名，在读4名。遥感视频运动目标检测方法可以用来对遥感视频中运动目标进行长期地实时跟踪与监测，进而辅助获得实时、准确的信息与知识，在资源普查、环境与灾情监测、摄影测绘、农业发展和军事侦察勘探等领域具有重要应用潜力。