遥感影像目的检测作为盘算机视觉中的基本视觉识别问题，目的检测在已往的几十年中获得了广泛地研究。目的检测旨在给定图像中找到具有准确定位的特定工具，并为每个工具分配一个对应的标签。

高分辨率遥感影像目的检测是遥感图像处置惩罚领域中的研究热点，在军事和民用等应用广泛。目的检测一直以来都是盘算机视觉的一个重要研究偏向。目的检测包罗两个任务：一是待检测图像中是否含有特定目的；二是确定该目的的详细位置。

高分辨率遥感影像上的典型目的有线状目的（如桥、立交桥等）、团状目的（如舰艇、车辆）、复合目的（口岸、机场、油库），下图显示了遥感影像中的常见目的，目的由红色圆框或方框圈中标出。桥立交桥机场油罐 网球场 飞机复合目的示例目在目的检测研究领域中，目的检测框架需要判断图像中是否含有目的，而且获得目的在图像中的位置，检测效果通常使用困绕目的的矩形框来表现，如下图所示。目的识别是在目的检测的基础上，对目的的特性举行分析，如识别出飞机目的的详细型号等。

目的检测示例目的检测方法分类基于高分辨率遥感举行目的检测的研究中，遥感影像目的检测方法可以分为4大类，划分是基于模板匹配、特定知识、面向工具、机械学习的方法。基于模板匹配的方法基于模板匹配（Template matching-based）的方法是最早也是最直观、简朴的方法。在模板匹配的工具检测框架中有两个主要步骤，如下图所示：模板生成、相似性怀抱。模板通常泉源于人工描绘或者搜集，之后将模板与待检测图像举行相似性怀抱，输出检测效果。

最常见的模板怀抱方法是绝对差异的总和、差的平方和、归一化相互关系数和欧氏距离。基于模板匹配的目的检测方法根据模板的灵活水平分为刚性模板匹配和变形模板匹配。

基于模板匹配的方法原理简朴，可是对视角变化敏感，需要设计模板，盘算量大。基于模板匹配的方法一般流程基于特定知识的方法基于特定知识的方法（Knowledge-based）一般通过建设种种知识和规则，将目的检测问题转化为假设磨练问题，这里的知识包罗遥感影像地理学相关知识、上下文知识等，一般步骤如图3.4所示。基于特定知识的方法方法需要凭据先验知识定制规则，不易掌握，如果规则过于严格，会导致目的漏检，如果过于宽松，检测效果会泛起虚警，而且需要针对特定的目的制定规则，检测方法不具备普适性。

基于特定知识的方法一般流程基于面向工具的方法近年来，随着越来越多的亚米级图像广泛应用，基于工具的图像分析已成为一种新的方法，该方法通太过割算法将遥感影像转换成有意义的工具。面向工具的方法（Object-based）的步骤如图3.5所示，主要包罗图像支解与分类。首先，通过图像支解方法将图像支解成互不相通匀质的区域，每个区域称为工具。然后对这些工具举行分类。

基于工具的方法克服了传统的基于像素的图像分类方法的局限性，为目的检测提供了一个完整的框架，并已乐成地应用于滑坡检测、土地笼罩与土地使用、变化检测中。基于工具的方法的难点在于支解历程中，容易发生太过割的现象，而界说分类规则的专家知识仍然依赖主观履历。

面向工具的方法一般流程基于机械学习的方法随着近年来机械学习方法研究的兴起，越来越多的研究者们将目的检测任务转化为机械学习中的分类问题。凭据目的候选框的4个坐标是否到场训练和更新，本文将基于机械学习的方法分为基于离线学习和在线测试的方法和基于深度学习特征的方法： ①基于离线学习和在线测试的方法。最具代表的方法有基于HOG特征与SVM的行人检测框架。

“离线”指分类器的参数在测试之前就需要完成训练，而且正负样本都是确定的，在测试阶段并不加入候选框的4个坐标微调。如下图所示，整个检测包罗两个阶段，离线训练阶段的任务是训练出分类器。在线测试阶段，对测试图像发生目的候选区域，然后使用上一阶段训练出来的分类器举行预测。

因此大多数目的检测方法沿着3个偏向举行：1）凭据需求选择或者提出差别的候选框发生方法；2）使用或者提出种种特征提取方法；3）使用差别的分类器进而提高检测精度。基于离线学习和在线测试方法目的检测流程②基于深度学习特征的方法，该类方法可以大致分为两类：1）RCNN系列。2015年，Ross B等人提出了基于区域卷积神经网络（Region-based Convolutional Neural Network，RCNN）的目的检测方法，将深度学习方法引入到目的检测领域，大幅度提升了目的检测精度。

接着该课题组又提出了效率更佳的Fast-RCNN、Faster-RCNN。RCNN系列因此成为现在目的检测的主流方法，RCNN系列需要先发生候选框建议区域，再举行网络训练。

2）基于回归的方法。RCNN系列在盘算速度方面已经取得了很大希望，但不能举行实时的检测。厥后，以YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）为代表的基于回归的方法被提出。YOLO和SSD可以直接从图片中以回归方式简直定目的的位置和种别，这类方法具有实时性，但精度不如RCNN系列，很是适合视频中目的的检测。

基于离线学习和在线测试的方法的优点是时间快，分类器参数通常经由一次或数次迭代就可以获得。可是这种方法获得的检测框往往是不准确的。

基于深度学习的方法，可以自动地学习到分类模型，而且模型有可扩展性和兼容性，具有较高的检测精度，常见于视频中动态目的检测，检测框与目的的界限贴合水平高。现在基于深度学习的目的检测方法已经成为研究主流。在深度学习兴起并逐渐成为盘算机。

本文来源：pg电子平台官网入口-www.marypup.com