火星暗条纹深度特征表达与自动识别方法研究

As Mars Dark Slope Streak (DSS) is a typical landform that can be observed with dynamic changes in recent years, automatic identification of this features can provide valuable information for many research fields of Mars. This research propose a multi-scale based feature description in deep mechanism for expressing DSS on high resolution images of Mars. A deep learning structure is proposed for automatic identification of these DSS on Mars. The main research contents are: (1) Construct a multi-scale based feature description model to express DSS on high resolution images of Mars in a deep fashion; (2) Construct a deep learning model in order to implement feature learning of Mars DSS on high resolution images; Study the back-propagation model of the deep network error for Mars DSS, so as to realize error feedback and self-adaption of parameters in deep network structure; and study the evaluation method of DSS recognition results. (3) Analyze the comprehensive feature of identified DSS and their surrounding areas identified by the deep learning network in order to explore the formation mechanism of DSS on Mars. This research can not only provide regions of interest for future Mars orbiter surveying, as well as reference and assistance on finding landing spots for Mars rover and mankind explorations in very near future; but also offer basic data for change detection and planetary comparative study, support study of underlying mechanism problems such as Mars formation, geological evolution and so on.

火星暗条纹作为近年来可观测到活跃变化的典型地物，对其进行自动识别能够为火星多个研究领域提供有价值的信息。本项目以火星暗条纹为研究对象，建立高分辨率火星影像上暗条纹的多尺度深层特征表达模型，构建深度学习网络实现暗条纹的自动识别。主要研究内容为：（1）建立高分辨率火星影像上暗条纹的多尺度深层特征表达模型；（2）研究高分辨率火星影像上暗条纹自动识别的深度学习网络构建方法，研究构建的火星暗条纹深度网络误差传播模型，实现火星暗条纹深度网络的参数自适应优化，并对高分辨率火星影像上暗条纹识别结果研究其评价方法；（3）对深度网络提取出的火星暗条纹及其周围区域进行综合特征分析，研究火星暗条纹的形成机制。本项目的研究不仅能够为未来火星轨道器的勘察提供感兴趣区域，为未来火星巡视器的着陆点以及人类登陆地点的选择提供参考和辅助，还能为变化检测和行星比较提供基础数据，为火星形成与地质演化机理等深层次科学问题提供支撑。

本项目针对火星特征检测和识别自动化程度低、数据量大的问题，以火星典型地物暗条纹为研究对象，建立高分辨率火星影像上暗条纹的多尺度深层特征表达模型，利用机器学习网络构建暗条纹分类器，实现高分辨率火星影像上暗条纹的自动检测与识别，对识别的暗条纹及其周围区域进行综合特征分析，并在此基础上研究暗条纹的成因。同时本项目对处理链条上涉及的相关技术和方法也展开研究，对月球上类似的线性的特征也展开了比对研究，在火星上的应用则扩展到其它地物目标的识别和分类。本项目的主要研究内容和进展包括：.（1）本项目通过对高分辨率火星轨道器影像进行分析，构建了采用最小外接矩形提取尺度不敏感局部二值模式特征表达方法；对巡视器影像结合二三维信息构建障碍表达模型；利用改进的deeplab深度网络构建了巡视器影像的多尺度深层特征表达模型；建立了类似暗条纹的线特征月脊的相位特征表达模型；同时对于所需降落相机影像进行了块效应去除等预处理方法研究。.（2）本项目对高分辨率的火星巡视器影像进行了深度网络构建，并通过人工和半自动模式建立的数据集训练深度网络，利用数据集中的数据对目标识别精度进行评价；对火星轨道器影像的暗条纹提取和识别采用了多种机器学习方法，并对比了多种方法和多种特征描述方法的评价结果。.（3）本项目采用的基于最小外接矩形表述的暗条纹特征，对暗条纹的周边区域进行了特征描述和提取，并对月球上同为线性地貌特征的月脊进行了提取和对比研究，认为火星暗条纹的主要成因为风成和崩塌，少部分为季节性卤水造成。.本项目对每个研究内容进行了深入研究，并对相关联的技术和同类特征做了比对研究，进行了充分实验。本项目取得的成果已部分应用于嫦娥四号工程任务，部分即将应用于我国首次火星探测任务。.