深度學(xué)習(xí)下高光譜圖像目標(biāo)檢測技術(shù)研究

成像光譜技術(shù)在農(nóng)業(yè)、環(huán)境檢測、國防軍事等領(lǐng)域都得到了廣泛應(yīng)用。高光譜成像能夠獲取物體在各個波段內(nèi)電磁波發(fā)射或者反射的光亮度值，所得到的更為精細(xì)且具有特異性的光譜數(shù)據(jù)為目標(biāo)定位與識別提供了巨大的優(yōu)勢。高光譜目標(biāo)探測技術(shù)能夠突破目標(biāo)形態(tài)學(xué)特征，綜合利用成像光譜儀獲取目標(biāo)地物精細(xì)的光譜信息與空間信息，達(dá)到鑒別地物種類、識別真假等目的。然而，傳統(tǒng)的遙感高光譜技術(shù)為了得到更高的光譜分辨率，在成像方式與過程中，犧牲了空間分辨率與成像速度，導(dǎo)致了高光譜圖像空間特征不明顯、實(shí)時成像水平低等問題。近年來，隨著無人機(jī)與地面觀測平臺系統(tǒng)以及基于空間光譜信息聯(lián)合目標(biāo)檢測水平的提高，陸基成像條件下高光譜目標(biāo)檢測技術(shù)得到了迅速發(fā)展，檢測效果也得到了有效提升。實(shí)時高光譜成像技術(shù)也取得了突破性的進(jìn)展，成像光譜儀具備了高空間分辨率、高時間分辨率和高信噪比的高光譜視頻成像功能。與此同時，基于深度學(xué)習(xí)理論的目標(biāo)檢測算法快速發(fā)展，檢測速度、特征提取等方面取得了突破性進(jìn)展，在人臉識別、交通監(jiān)控等領(lǐng)域，圖像目標(biāo)檢測的準(zhǔn)確率、實(shí)時性不斷提升，對小目標(biāo)、復(fù)雜背景目標(biāo)的探測能力也顯著增強(qiáng)。一方面是基于深度學(xué)習(xí)的目標(biāo)檢測算法性能的提升，另一方面是陸基實(shí)時高光譜成像技術(shù)的迅速發(fā)展，為基于深度學(xué)習(xí)的高光譜目標(biāo)檢測技術(shù)的發(fā)展奠定了基礎(chǔ)。

高光譜目標(biāo)檢測技術(shù)

高光譜目標(biāo)檢測是技高術(shù)光原譜理圖像處理應(yīng)用的重要方向之一，其基本原理是首先利用成像光譜儀獲取精細(xì)的光譜信息，而后根據(jù)已知的光譜數(shù)據(jù)來確定未知目標(biāo)光譜的歸屬。

由于成像光譜技術(shù)最早在遙感領(lǐng)域應(yīng)用，高光譜遙感成像采用星載或者機(jī)載方式垂直拍攝地物，獲取的高光譜圖像空間分辨率很低，達(dá)到幾十甚至上百米，降低了圖像幾何空間信息的利用率；同時，低空間分辨率使得混合像元問題嚴(yán)重，影響了目標(biāo)識別過程中小目標(biāo)的發(fā)現(xiàn)概率。因此，傳統(tǒng)的高光譜圖像目標(biāo)檢測主要利用目標(biāo)與背景的光譜差異來探測地物，難以利用目標(biāo)空間形態(tài)信息，且需要目標(biāo)數(shù)據(jù)庫或光譜庫的支持。高光譜圖像目標(biāo)檢測技術(shù)也更側(cè)重于光譜分析的定量處理，各種自動快速的基于光譜信息的目標(biāo)檢測算法相繼出現(xiàn)，相對彌補(bǔ)了空間分辨率低帶來的不足。在背景中識別目標(biāo)時，高光譜圖像目標(biāo)檢測算法的精髓在于光譜統(tǒng)計(jì)量的匹配，具體過程如圖１所示。高光譜目標(biāo)檢測技術(shù)可以在連續(xù)的波長范圍內(nèi)成像，具有很高的光譜分辨率，能夠充分利用目標(biāo)光譜信息。目前，成像光譜儀的光譜分辨率可以達(dá)到納米級，在地物精細(xì)判斷、識別定位等任務(wù)中脫穎而出。

基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)

深度學(xué)習(xí)是一種基于深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式，其正式發(fā)端于２００６年。自此，深度學(xué)習(xí)模型便受到廣泛關(guān)注而迅速發(fā)展。常用的深度神經(jīng)網(wǎng)絡(luò)模型有深度信念網(wǎng)絡(luò)（ＤＢＮ）、受限玻爾茲曼機(jī)（ＲＢＭ）、循環(huán)神經(jīng)網(wǎng)絡(luò)（ＲＮＮ）、卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ）等。利用這些深度學(xué)習(xí)模型取得了許多歷史性的成就和突破性的進(jìn)展，例如手寫數(shù)字識別、語音識別、圖像分類等。理論上，只要淺層神經(jīng)網(wǎng)絡(luò)的隱含的神經(jīng)元足夠多，就能逼近任何一個多元非線性函數(shù)，然而這種淺層神經(jīng)網(wǎng)絡(luò)由于需要太多節(jié)點(diǎn)而無法實(shí)際應(yīng)用。

目標(biāo)檢測技術(shù)

目標(biāo)檢測能技夠術(shù)對目標(biāo)進(jìn)行精準(zhǔn)定位并判斷類別，它是計(jì)算機(jī)視覺領(lǐng)域的重要內(nèi)容，在視頻跟蹤、無人駕駛等方面具有重要研究價值。目標(biāo)檢測算法可以分為兩大類：傳統(tǒng)的目標(biāo)檢測算法，基于深度學(xué)習(xí)的目標(biāo)檢測算法。

典型的雙階段目標(biāo)檢測算法有Ｒ－ＣＮＮ、Ｆａｓｔ Ｒ－ＣＮＮ、Ｆａｓｔｅｒ Ｒ－ＣＮＮ等。Ｇｉｒｓｈｉｃｋ等提出的Ｒ －ＣＮＮ（Ｒｅｇｉｏｎ－ｂａｓｅｄ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ）方法，是基于深度學(xué)習(xí)的目標(biāo)檢測算法研究的開山之作與重要參考。但是，Ｒ－ＣＮＮ要求輸入圖片尺寸一致且每個候選區(qū)域都需要進(jìn)行特征提取，為了解決這些問題，Ｈｅ等加入了一個空間金字塔池化層ＳＰＰ－ｎｅｔ．基于此提出的Ｆａｓｔ Ｒ－ＣＮＮ算法能夠使圖像共享卷積特征圖，不需要對每幅圖像進(jìn)行區(qū)域建議，訓(xùn)練過程統(tǒng)一，有效提升了檢測速度與效果。如圖３所示，Ｆａｓｔｅｒ Ｒ－ＣＮＮ算法在Ｆａｓｔ Ｒ－ＣＮＮ的基礎(chǔ)上增加了候選窗口網(wǎng)絡(luò)ＲＰＮ，解決了依賴耗時的區(qū)域建議算法提供的目標(biāo)位置的問題，候選窗口網(wǎng)絡(luò)代替了選擇性搜索等傳統(tǒng)的候選框生成方法，實(shí)現(xiàn)了網(wǎng)絡(luò)的端到端訓(xùn)練，提高了網(wǎng)絡(luò)計(jì)算速度。

ＹＯＬＯｖ３是目標(biāo)檢測ＹＯＬＯ系列非常非常經(jīng)典的算法，算法流程圖如圖４所示，其包含Ｄａｒｋｎｅｔ－５３網(wǎng)絡(luò)結(jié)構(gòu)、ａｎｃｈｏｒ錨框、ＦＰＮ等非常優(yōu)秀的結(jié)構(gòu)。

基于深度學(xué)習(xí)的高光譜圖像目標(biāo)檢測技術(shù)

隨著小型化、便攜式、手提式實(shí)時成像光譜儀的發(fā)展與應(yīng)用，高光譜目標(biāo)檢測技術(shù)不再僅僅應(yīng)用于傳統(tǒng)的機(jī)載或星載的平臺。陸基成像條件下高光譜圖像實(shí)現(xiàn)了高空間分辨率與高光譜分辨率的結(jié)合，這為充分利用空間幾何特征進(jìn)行二維圖像目標(biāo)檢測提供了支撐。近年來，基于深度學(xué)習(xí)理論的高光譜圖像處理方法也發(fā)展十分迅速，黃鴻等利用高光譜遙感數(shù)據(jù)具有波段多、特征非線性、空間相關(guān)等特點(diǎn)，提出一種基于深度學(xué)習(xí)的空－譜聯(lián)合特征提取算法來有效提取數(shù)據(jù)中的空－譜特征用于分類任務(wù)，取得了良好效果。石祥濱等針對高光譜遙感圖像光譜信息維度大，標(biāo)注訓(xùn)練樣本較少的問題，提出適合小訓(xùn)練樣本的高光譜遙感圖像分類框架ＨＳＩ－ＣＮＮ，設(shè)計(jì)了適用于小樣本高光譜遙感圖像的全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，有效降低網(wǎng)絡(luò)參數(shù)數(shù)量。

高光譜目標(biāo)檢測技術(shù)能夠利用目標(biāo)精細(xì)的光譜特征進(jìn)行分類探測，對于二維圖像，基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)能夠提取深層次抽象特征，完成對形態(tài)、背景、大小不同目標(biāo)的檢測定位任務(wù)?；谏疃葘W(xué)習(xí)的高光譜圖像目標(biāo)檢測技術(shù)可以將成像光譜技術(shù)與二維圖像目標(biāo)檢測技術(shù)的優(yōu)勢相結(jié)合，利用深度學(xué)習(xí)來獲取高光譜圖像高級別層次的空間特征與光譜特征，將分類、定位、真?zhèn)巫R別等任務(wù)融為一體。如圖５所示，為常用的基于深度學(xué)習(xí)的高光譜圖像目標(biāo)檢測流程。

在二維圖像目標(biāo)檢測技術(shù)中增加光譜維信息，使目標(biāo)檢測突破了圖像中的二維形態(tài)信息的束縛，提升了目標(biāo)檢測在某些特殊應(yīng)用場景的效果。例如，傳統(tǒng)的軍事目標(biāo)的定位與識別是基于目標(biāo)的顏色、紋理、形狀等二維形態(tài)學(xué)特征，但如果目標(biāo)隱藏在偽裝網(wǎng)下或者設(shè)置形似假目標(biāo)，單純的根據(jù)二維空間信息進(jìn)行檢測的結(jié)果不夠可靠。而融合光譜維信息的目標(biāo)檢測方法，能夠有效提升整體的檢測效果，頗具應(yīng)用潛力。

歡迎關(guān)注公眾號：萊森光學(xué)，了解更多光譜知識。

萊森光學(xué)（深圳）有限公司是一家提供光機(jī)電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。

審核編輯黃宇