重庆交通大学 土木工程学院 重庆 400074
摘要：针对国内外无人机遥感影像中复杂环境下车辆目标提取困难、精度低，算法泛化能力差等问题，本文提出基于面向对象的监督分类与深度学习目标检测框架快速区域卷积网络（faster regions with convolutional neural network，Faster-RCNN）相结合的方法。先对无人机影像进行监督分类处理，除去不利因素的干扰，再使用Faster-RCNN网络对分类后的影像进行训练识别，并将这种新方法与Faster R-CNN网络的分别进行提取实验，并将实验结果进行对比，结果表明，该方法识别的准确率更高，检测结果更客观形象。
关键词：遥感影像；Faster R-CNN网络；车辆检测；监督分类；深度学习
0 引言
随着经济的快速发展，交通问题已经成为了一个突出的问题，为了解决现有交通系统中存在的问题，构建智能交通系统成为当今世界交通运输发展的热点[1]，而其中离不开的一项关键技术就是快速、准确地进行车辆的识别。
在过去的几十年来，遥感技术得到了快速的发展，具有获取信息速度快、获取手段多、分辨率更高等众多优点，使用遥感技术进行车辆检测便成为了一种更好的方法。王浩[2]在2013年采用面向对象的方法对高分辨率遥感影像车辆提取进行研究。韩凯[3]在2017年结合了Faster R-CNN 开源框架和 LocNet 网络算法对车辆进行检测。朱茂桃[4]在2018年分别使用R-CNN、SPPnet、Fast R-CNN和Faster R-CNN等4种算法对车辆进行检测。项阳[5]在2018年将面向对象的方法与基于深度学习的Faster R-CNN方法分别进行车辆的检测，并分析了两种方法的优缺点。
以上文献为车辆检测提供了很好的检测方法，但针对一些复杂环境的影响，如遮蔽下的车辆不能全部识别，并且识别出的车辆准确度不高等。针对这种情况，本文提出了基于面向对象的监督分类与Faster R-CNN网络相结合的方法。
1 联合识别无人机影像的方法介绍
1.1 基于面向对象方法的车辆提取
面向对象的遥感影像信息提取技术是针对高分辨率遥感影像的特点，通过整合遥感影像中若干具有相似光谱、形状、纹理等信息的临近像元为影像对象，充分利用影像对象的空间信息、纹理信息、光谱信息以及邻域对象的关联信息来进行影像的分割和分类。在本次研究中采用马氏距离法进行监督分类。
1.2 基于Faster R-CNN网络的车辆提取
Faster R-CNN框架可以简单的看做是“区域生成网络+fast R-CNN”的系统，主要包括了：特征提取、候选框生成、分类回归网络。
2 实验及结果分析
实验在window 7系统下，选择公开数据集imageNet做为训练数据集，基于深度学习框架Caffe[10]进行相关代码和参数的训练，同时为了加快样本训练的速度，调用了GPU来进行加速。
2.1实验
首先将无人机遥感影像直接在训练好的Faster R-CNN模型中检测，得到基于Faster R-CNN网络车辆检测结果如下图（a）所示，然而目标检测的精度并不高。
为了提高识别的准确率，本文提出将监督分类与Faster R-CNN网络进行融合的方法，并进行验证实验。首先，对分辨率较低、环境相对复杂的无人机影像进行监督分类处理。由于只是为了车辆识别，因此只需将影像分两类即可：即车辆与非车辆，保存分类结果时不显示车辆分类结果。然后将保存分类结果的影像输入Faster R-CNN网络中进行训练识别，识别对比结果如图（b）所示。
.png)
.png)
（a）Faster R-CNN识别结果 （b）融合监督分类后Faster R-CNN识别结果
图2 识别结果对比图
2.2结果分析：
在原始影像中共有7辆车，其中两辆停放较隐蔽，且车身没有完全拍摄到。
（1）利用Faster R-CNN方法识别出4辆，漏检3辆，同时将一树影误识别为车辆，识别出的4辆车的平均识别准确率为48.87%。
（2）利用融合监督分类与Faster R-CNN的方法将车辆全部识别出来，虚检率为0%，对7辆车的平均识别准确率为83.37%，对利用Faster R-CNN方法识别到的4辆车再次识别的平均识别准确率为89.7%。
由此可以看出，本文融合监督分类与Faster R-CNN的方法相比Faster R-CNN方法的识别精度总体上都要高。
3 结论
通过基于上述方法多次识别实验发现：
（1）监督分类方法，操作时间较长，当影像环境复杂时，目标分类的效果也会随之下降，但是可以有效的将要提取类别与其它类别加以区分；
（2）Faster R-CNN方法，基于深度学习理论，识别精度相对较高，同时也存在不足之处，受分辨率、外界环境等影响，识别精度也会随之下降，甚至会出现漏识别或识别错误的现象。
（3）本文提出了融合监督分类与Faster R-CNN的方法对车辆目标进行识别检测。实验结果表明，本文方法实现了监督分类方法与Faster R-CNN方法的优势互补，可以更加准确地识别出车辆目标。因此，本文所提出的针对无人机车辆影像目标识别方法是合理可靠的，对于构建智能交通方面具有一定的应用潜力。
参考文献：
[1] 陶永，闫学东，王田苗，刘旸.面向未来智能社会的智能交通系统发展策略[J].科技导报，2016，34（07）：48-53.
[2] 王浩.基于面向对象的高分辨率遥感影像车辆提取方法研究[D].北京交通大学，2013.
[3] 韩凯，张红英，王远，徐敏.一种基于Faster R-CNN的车辆检测算法[J].西南科技大学学报，2017，32（04）：65-70+94.
[4] 朱茂桃，张鸿翔，方瑞华.基于RCNN的车辆检测方法研究[J].机电工程，2018，35（08）：880-885.
[5] 项阳.基于深度学习的无人机影像车辆提取[D].江西理工大学，2018.