排序方式: 共有40条查询结果,搜索用时 15 毫秒
11.
级联卷积神经网络的遥感影像飞机目标检测 总被引:1,自引:0,他引:1
传统遥感影像飞机目标检测算法依赖于人工设计特征,对大范围复杂场景和多尺度的飞机目标稳健性较差,基于深层卷积神经网络的目标检测算法通常难以有效应对大幅影像的目标搜索和弱小目标检测问题,针对上述问题,本文提出了一种基于级联卷积神经网络的遥感影像飞机目标检测算法。首先根据全卷积神经网络能够支持输入任意大小图像的特点,采用小尺度浅层全卷积神经网络对整幅影像进行遍历和搜索,快速获取疑似飞机目标作为兴趣区域,然后利用较深层的卷积神经网络对兴趣区域进行更精确的目标分类与定位。为提高卷积神经网络对地物目标的辨识能力,在卷积层中引入多层感知器,并在训练过程中采取多任务学习与离线难分样本挖掘的策略;在测试阶段,建立影像金字塔进行多级搜索,并结合非极大值抑制消除冗余窗口,从而实现由粗到精的飞机目标检测与识别。对多个数据集下多种复杂场景的遥感影像进行测试,结果表明,本文方法具有较高的准确性和较强的稳健性,可为大幅遥感影像的飞机目标检测问题提供一个快速高效的解决方案。 相似文献
12.
13.
14.
针对海岛礁卫星影像的定位问题,提出一种利用航天飞机雷达地形测绘任务(shuttle radar topography mission,SRTM)DEM辅助的无地面控制点定位方法。该方法分为概略定位和精定位两个阶段,各阶段均包括DEM提取和DEM匹配等主要步骤,可分别对影像中的相对误差和绝对误差进行补偿。SRTM DEM被充分应用到方法各环节中,以发挥其高精度的特性:提取DEM时既用于剔除海域点,也用于确定求解陆域点高程时的高程搜索范围,从而避免海域影像的不利影响,同时保证计算效率;DEM匹配时其作为基准数据。利用多景天绘一号卫星海岛礁地区的立体影像进行验证。实验结果表明,所提出的方法对具有不同陆域比例、不同生产方式的天绘一号海岛礁影像均能得到较稳定且较高的定位精度,平面和高程精度分别优于6.2 m、5.2 m,能较好地满足1:50 000比例尺地形图的精度要求。定位精度基本不受待匹配DEM分辨率的影响,计算效率取决于陆域比例和待匹配DEM的分辨率。 相似文献
15.
建筑物屋顶面大小差异较大、形状复杂、数量不确定等特点,以及机载LiDAR点云密度不均、分布不规则、缺乏语义信息等特性,对屋顶面的准确分割造成了很大干扰,因此现有分割方法的精度和适用性仍有待提高.针对上述问题,本文提出一种结合区域增长与RANSAC的机载LiDAR点云屋顶面分割方法.首先,引入稳健的法向量估计算法计算点云法向量,利用提出的迭代区域增长策略和RANSAC提取多个可靠屋顶面片;然后,基于可靠屋顶面片参数和RANSAC计算内点的思想,迭代合并可靠屋顶面片,并精化屋顶面参数;最后,计算未能通过前面步骤分割的点到各屋顶面的垂直距离,将其标记为距离最小且小于阈值的屋顶面,并通过局部范围内投票的方式精化屋顶面分割结果.利用多个具有代表性的建筑物点云和一组区域建筑物点云进行试验,结果表明,所提出的方法可有效地分割不同复杂程度的建筑物屋顶面,并能较好地分割面积较小的屋顶面,以屋顶面和单点为评价单元的平均分割正确率为95.56% 和97.93%,分割的结果可为建筑物三维模型重建、点云精简等应用提供可靠的信息. 相似文献
16.
17.
一种基于点云数据的DEM生成方法 总被引:1,自引:0,他引:1
利用机载激光雷达点云滤波已成为获取高精度数字高程模型的重要手段之一。本文充分考虑规则格网和虚拟格网的优势,利用规则格网进行建筑物区域与非建筑物区域的初步分离;然后,利用虚拟格网进行非地面点的去除,最后,用获得的地面点生成DEM,取得了较好的实验效果,具有一定的实用价值。 相似文献
18.
当前各种影像数据以及Li DAR数据获取能力不断增强,仅利用一种数据进行建筑物的检测,其结果往往并不理想。本文对Li DAR点云数据的特征和影像的相关特征进行了分析,融合这些特征,利用支持向量机的方法对建筑物点云进行检测。实验结果表明,综合利用具有不同特征的点云和影像数据的方法比单纯使用点云数据进行建筑物的检测能够取得更好的效果。 相似文献
19.
地形图变化检测一直是地理信息更新保持地形图现势性的难点之一。针对地形图面状要素的变化检测问题,在分析了目前常用的面状要素变化检测方法优缺点的基础上,提出一种基于目标快照差和缓冲区分析的地形图面状要素变化检测方法。该方法首先对配准后的地形图面状要素建立缓冲区;然后对于部分落在缓冲区、完全不在缓冲区的影像面状要素,计算其目标快照差;最后依据目标快照差的三元组值判定地物变化类型。实验结果表明,该方法不但能够有效地检测变化地物,而且能够明确给出地物的变化类型,降低了虚检率,检测精度较高。 相似文献
20.