A Survey on Object Detection in Optical Remote Sensing Images
Gong Cheng, Junwei Han*
Q note 2017.10.12
Abstract
将270篇论文分成四类:
1. 基于模板匹配的对象检测方法
2. 基于知识的对象检测
3. 基于对象的图像分析(OBIA)的对象检测方法
4. 基于机器学习的对象检测方法
并survey五个公开可用的数据集和三个标准的评估指标
1. Introduction
- 光学遥感影像(RSIs)的目标检测是确定给定的航空或卫星图像包含一个或多个属于感兴趣类别的对象,并定位每个被预测对象的位置。在光学RSIs中,目标检测经常受到包括由视点变化、遮挡、背景杂波等引起的物体外观视觉上的变化。
- 论文的其余部分组织如下。第2节简要介绍了对象检测的分类方法。在第3、4、5和6节中,我们详尽地回顾了基于模板匹配的对象检测方法、基于知识的对象检测方法、基于对象的检测方法和机器基于学习的对象检测方法。在第7节中,我们回顾了5个公开可用的数据集以及三个标准评价指标。第8节讨论了当前研究挑战和建议两个有前途的研究方向来推进这一领域。最后,在第9节中得出结论。
2. 对象检测方法的分类
3.基于模板匹配的对象检测方法
- 首先手工生成模块T,然后进行相似性度量,根据最小失真或最大相关性度量进行选择。
- 最常见的相似性度量是绝对差异和(SAD)、平方和(SSD)、标准化的交叉关联(NCC)和欧几里德距离(ED)。
- 虽然刚性模板匹配在某些应用程序中是有效的,但它有很多缺点,导致它们的效用是有限的。刚性模板匹配的一个缺点是它要求模板非常精确,所以它对形状和密度变化很敏感。在大多数应用程序中,由于视图更改或大型内部类,对象的精确几何模板不可用变化的对象之一。例如,上面提到的大多数道路追踪器都不太好用当它们在跟踪过程中遇到不规则的几何变形时,比如路面的外观路口、材料的变化、汽车的遮挡、阴影和车道标志等。
可变形模板匹配
1. 自由格式的可变形模板
自由形式的变形模板通过约束一些一般的对象来表示任意的物体形状正则化(如连续性、平滑性等)和最常用的方法是活动轮廓
模型,也被称为蛇模型。在这些方法中,能量最小化轮廓,称为“蛇”,由三个力或能量的组合控制。简而言之,蛇被塑造成能够变形弹性的,但任何变形都增加了它的内部能量造成了个“恢复力”,试图带来它又回到了原来的形状。
2. 参数可变形模板
4.基于知识的物体检测
5. 基于对象图像分析(OBIA)的对象检测方法
- 首先将图像进行分割,得到相同size的图像,再进行分类,得到检测结果。怎样选择合适的尺度就是一个问题。这方面也展开了一定的工作。
6.基于机器学习的目标检测
6.1 HOG(直方图特征)
最初由 Dalal and Triggs (2005) 提出,是一种用于表征图像局部梯度方向和梯度强度分布特性的描述符。其主要思想是:在边缘具体位置未知的情况下,边缘方向的分布也可以很好的表示行人目标的外形轮廓。
大概过程:
HOG特征提取方法就是将一个image(你要检测的目标或者扫描窗口):- 灰度化(将图像看做一个x,y,z(