收藏本站
《北京理工大学》 2016年
加入收藏

基于层次化堆叠分类器架构的光学遥感图像船舶检测算法研究

杨小婷  
【摘要】:单类支持向量机(One-class SVM)作为支持向量机(SVM)的一个重要分支,在解决小样本、高维以及样本不平衡领域具有良好的表现,以其较好的泛化性能被广泛应用于聚类处理、异常检测等无指导领域。基于光学遥感图像的船舶目标检测技术在民用及军事侦察等多个领域都有着重要应用,也是当今的研究热点之一。本文在调研了大量的船舶目标检测算法并通过深入研究单类支持向量机理论的基础上,提出了一种基于层次化堆叠分类器架构的光学遥感图像船舶目标检测算法。本文主要工作包括:1.针对经典CFAR检测算法中需要逐点进行均值与方差计算的不足。提出了基于顶帽增强的CFAR船舶目标检测算法。首先,通过灰度形态学顶帽操作削弱光照强度不均匀的影响,同时令候选目标从背景中突显出来。然后,通过阈值分割得到疑似目标区域。最后,对疑似目标逐点进行CFAR操作获得最终的船舶目标候选区域。2.针对中低分辨率船舶目标,其梯度在局部范围内变化较小,但在船尾、船首以及船体中间三部分之间存在差异的特点,提出了一种改进的HOG特征。首先,将候选船舶目标沿其长轴方向旋转至水平方向并分为三部分。然后,分别对每一部分计算各个梯度的加权和,并进行归一化处理。最后,将首尾部分直方图取平均并与中间部分相接组成最终的特征向量。该特征不但可以有效地描述船舶目标,而且维数要低于经典的HOG特征。3.针对船舶目标检测中的虚警剔除问题,提出了基于层次化堆叠分类器架构的船舶检测模型。针对可获得的船舶样本与虚警样本数目极度不平衡,且虚警样本的特征变化多样难以描述的特点,选用单类支持向量机OC-SVM作为基分类器;针对在传统的中低分辨率船舶检测算法中,只考虑整体船舶目标样本的检测性能的不足,以及在实际需求中关注船舶样本的漏检风险更大的特点,提出了基于风险约束的分类器设计策略;最后,针对虚警类别多样且部分虚警与船舶目标之间差异较小,通过单个分类器无法同时实现高检测率和低虚警率的目的,选用层次化堆叠方式进行架构设计。本文通过大量的实验,对所提出的船舶目标检测算法及其中的主要技术进行了验证、分析,为算法走向实用奠定了基础。
【关键词】:船舶目标检测 单类支持向量机 风险约束 层次化堆叠
【学位授予单位】:北京理工大学
【学位级别】:硕士
【学位授予年份】:2016
【分类号】:TP751
【目录】:
  • 摘要5-6
  • ABSTRACT6-11
  • 第1章 绪论11-19
  • 1.1 研究背景与意义11
  • 1.2 研究技术简介11-15
  • 1.2.1 光学遥感图像船舶目标检测国内外研究现状11-14
  • 1.2.2 光学遥感图像船舶检测中存在的问题14
  • 1.2.3 单分类支持向量机的国内外研究现状14-15
  • 1.3 论文的主要工作与结构安排15-19
  • 1.3.1 本论文的主要工作15-16
  • 1.3.2 研究框架和论文结构16-19
  • 第2章 基分类器—单类支持向量机概述19-39
  • 2.1 引言19
  • 2.2 统计学习理论19-22
  • 2.2.1 学习问题的表示19-20
  • 2.2.2 期望风险最小化与经验风险最小化20-21
  • 2.2.3 VC维和结构风险最小化21-22
  • 2.3 支持向量机简介22-26
  • 2.3.1 广义最优分类超平面22-23
  • 2.3.2 线性可分支持向量机23-24
  • 2.3.3 近似线性可分支持向量机24-25
  • 2.3.4 非线性可分支持向量机25-26
  • 2.4 单类支持向量分类机26-31
  • 2.4.1 SVDD模型26-28
  • 2.4.2 OC-SVM模型28-29
  • 2.4.3 核函数29-30
  • 2.4.4 OC-SVM与SVDD之间的关系30-31
  • 2.5 实验结果与分析31-37
  • 2.5.1 实验的数据及性能评价指标31-32
  • 2.5.2 RBF核函数下分类器性能分析32-35
  • 2.5.3 OC-SVM算法性能分析35-37
  • 2.6 本章小结37-39
  • 第3章 基于光学遥感图像的船舶目标预检测39-53
  • 3.1 引言39
  • 3.2 图像预处理39-42
  • 3.2.1 去噪处理39-40
  • 3.2.2 海陆分离40-42
  • 3.3 基于顶帽变换的CFAR船舶目标预检测42-46
  • 3.3.1 基于顶帽变换的疑似目标初提取42-43
  • 3.3.2 基于双参数CFAR的疑似目标再判别43-44
  • 3.3.3 实验结果与分析44-46
  • 3.4 候选区域目标特征描述46-52
  • 3.4.1 形状特征提取46-48
  • 3.4.2 灰度统计特征48-49
  • 3.4.3 纹理特征49-50
  • 3.4.4 改进的HOG特征50-52
  • 3.5 本章小结52-53
  • 第4章 基于层次化堆叠分类器架构的遥感图像船舶检测53-71
  • 4.1 引言53
  • 4.2 层次化堆叠分类器架构设计53-65
  • 4.2.1 问题描述与解决方法53-56
  • 4.2.2 层次化堆叠分类器架构设计56-64
  • 4.2.3 基于层次化堆叠分类器架构的船舶目标检测64-65
  • 4.3 实验结果与分析65-69
  • 4.3.1 实验的数据集与评价指标65
  • 4.3.2 实验设计与结果分析65-69
  • 4.4 本章小结69-71
  • 结论71-75
  • 研究内容总结71-72
  • 本文创新点72-73
  • 论文下一步研究方向73-75
  • 参考文献75-81
  • 攻读学位期间发表论文与研究成果清单81-82
  • 致谢82

【相似文献】
中国期刊全文数据库 前10条
1 陈刚,戚飞虎;多分类器结合的人脸识别[J];上海交通大学学报;2001年02期
2 韩宏,杨静宇,娄震;基于层次的分类器组合[J];南京理工大学学报(自然科学版);2002年01期
3 赵谊虹,程国华,史习智;多分类器融合中一种新的加权算法[J];上海交通大学学报;2002年06期
4 王卫东;郑宇杰;杨静宇;;智能分类器方法[J];江苏科技大学学报(自然科学版);2007年01期
5 钟将;冯永;李志国;叶春晓;;基于自适应免疫分类器的入侵检测[J];重庆大学学报(自然科学版);2007年07期
6 叶云龙;杨明;;基于随机子空间的多分类器集成[J];南京师范大学学报(工程技术版);2008年04期
7 赵洋;冀俊忠;李文斌;;基于复杂网络的分类器融合[J];科学技术与工程;2008年14期
8 夏俊;刘金梅;;不同分类器在遥感数据分类中的性能比较[J];价值工程;2013年04期
9 ;逻辑设计讲座——第八讲 标志信号和标志分类器[J];贵州机械;1979年04期
10 N.B.Venkateswarlu ,P.S.V.S.K.Raju ,艾东;一种新的遥感影象快速分类器[J];干旱区地理;1993年04期
中国重要会议论文全文数据库 前10条
1 王占一;徐蔚然;刘东鑫;郭军;;一种基于两级分类器的垃圾短信过滤方法[A];第五届全国信息检索学术会议论文集[C];2009年
2 翟静;李海宏;唐常杰;陈敏敏;李智;;可验证对象集分类器的再训练演进[A];第十九届全国数据库学术会议论文集(研究报告篇)[C];2002年
3 陈继航;刘家锋;赵巍;唐降龙;;联机手写识别笔段特征分类器的学习方法[A];黑龙江省计算机学会2009年学术交流年会论文集[C];2010年
4 穆明生;;基于特征集的多种分类器模型的在线笔迹认证[A];第十届全国信号处理学术年会(CCSP-2001)论文集[C];2001年
5 彭涛;左万利;赫枫龄;;基于链接上下文的分类器主题爬行技术(英文)[A];第二十三届中国数据库学术会议论文集(技术报告篇)[C];2006年
6 王岚;陈珂;迟惠生;;基于多特征组合多分类器的方法用于“与文本无关”的说话人辨认[A];第四届全国人机语音通讯学术会议论文集[C];1996年
7 谢秋玲;;应用于心电图分类的KNN-SVM分类器研究[A];2006中国控制与决策学术年会论文集[C];2006年
8 胡琼;汪荣贵;胡韦伟;孙见青;;基于级联分类器的快速人脸检测方法[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用(CACIS)学术会议论文集[C];2007年
9 李兰春;王双成;杜瑞杰;;认知结构评估的动态贝叶斯网络分类器方法[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
10 邵小健;段华;贺国平;;一种改进的最少核分类器[A];中国运筹学会第七届学术交流会论文集(上卷)[C];2004年
中国重要报纸全文数据库 前1条
1 黄明;精子分类器决定生男生女[N];广东科技报;2000年
中国博士学位论文全文数据库 前10条
1 张非;对抗逃避攻击的防守策略研究[D];华南理工大学;2015年
2 张文博;多类别智能分类器方法研究[D];西安电子科技大学;2014年
3 许劲松;智能交通中目标检测与分类关键技术研究[D];南京理工大学;2014年
4 余家林;普通场景视频人脸检测与识别的关键技术研究[D];浙江大学;2016年
5 赵作林;基于图像分析的北京地区杨树种类识别研究[D];北京林业大学;2015年
6 任亚峰;基于标注和未标注数椐的虚假评论识别研究[D];武汉大学;2015年
7 曹鹏;不均衡数据分类方法的研究[D];东北大学;2014年
8 刘明;分类器组合技术研究及其在人机交互系统中的应用[D];北京交通大学;2008年
9 严志永;在划分数据空间的视角下基于决策边界的分类器研究[D];浙江大学;2011年
10 王喆;面向模式表示与模式源的分类器设计方法研究[D];南京航空航天大学;2008年
中国硕士学位论文全文数据库 前10条
1 赵春(王莹);多分类器融合系统的研究[D];福建师范大学;2008年
2 杨程;对抗环境下的垃圾短信息过滤[D];华南理工大学;2015年
3 张富元;基于多分类器决策融合的故障检测与诊断及GUI平台设计[D];浙江大学;2015年
4 张智超;基于多分类器组合的塔河林区森林类型信息提取技术[D];东北林业大学;2015年
5 王震;基于OLI影像的多分类器组合方法研究[D];中国地质大学(北京);2015年
6 涂盛慧;基于关键词的非法实验申请分类系统的设计与实现[D];西北农林科技大学;2015年
7 钱秀娟;贝叶斯网络在老年人普适健康监测服务中的应用研究[D];南京理工大学;2015年
8 杨胜智;SAR图像自动分类器构造与算法的研究[D];天津理工大学;2015年
9 李莎莎;多级分类器构建及在不平衡数据的应用研究[D];闽南师范大学;2015年
10 张小龙;基于级联支持向量机融合多特征的人脸检测[D];上海交通大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026