复杂气象条件下航拍图像目标检测难的问题 本文关键词：条件下，气象，图像，检测，目标
复杂气象条件下航拍图像目标检测难的问题 本文简介：安全工程硕士毕业论文热门推荐6篇之第三篇：复杂气象条件下航拍图像目标检测难的问题摘要 航拍图像目标检测是计算机视觉领域的热点研究问题之一，被广泛应用在应急防灾、港口防控、海上救援及军事打击等多个方面，特别在公安领域的反恐、目标排查、安全巡查等领域具有非常广阔的应用前景。航拍图像的成像质量易受气象条
复杂气象条件下航拍图像目标检测难的问题 本文内容：
安全工程硕士毕业论文热门推荐6篇之第三篇：复杂气象条件下航拍图像目标检测难的问题
摘要
航拍图像目标检测是计算机视觉领域的热点研究问题之一，被广泛应用在应急防灾、港口防控、海上救援及军事打击等多个方面，特别在公安领域的反恐、目标排查、安全巡查等领域具有非常广阔的应用前景。航拍图像的成像质量易受气象条件的干扰，如云雾遮挡会导致航拍图像模糊，目标被遮挡等情况；航拍图像的拍摄地点常位于高空，目标在图像中相对较小，周围的环境会对目标的检测造成较强的干扰导致目标检测较难。本文首先针对复杂气象条件（不考虑会导致航拍图像无法成像的极端气象条件）下航拍图像成像质量不高的问题，提出图像去雾算法提高云雾遮挡条件下的图像质量，然后针对航拍图像目标检测难的问题，提出基于深度学习目标检测方法。本文的具体研究内容如下：
本文研究了目前的主流图像去雾算法并比较各算法去雾效果。本文通过去雾图像熵函数对比实验和图像去雾效果的直观对比实验，得出使用导向滤波优化的暗通道去雾算法可以更有效地减少云雾天气对于航拍图像的影响，提高航拍图像质量。
本文研究了目前主流的目标检测算法，提出了基于YOLOv3的改进目标检测算法YOLO-C.在多种目标检测算法的对比实验中，该算法在中国航天科工四院指挥自动化中心的公共数据集上取得平均精度均值（mAP,meanAveragePrecision）90.01%,超过了对比的其他目标检测算法。
本文通过去雾前后的目标检测的对比实验得出去雾处理可以有效提高航拍目标检测精度。针对云雾遮挡情况，本文采用的YOLO-C算法在经过暗通道去雾处理后，目标检测的平均精度均值得到16.1%的提高。研究结果表明本文提出的算法可以为复杂气象条件下航拍目标检测提供一种实现方法。在系统实现方面，基于python的Tkinter库实现了复杂气象条件下的航拍目标检测系统。
关键词：航拍图像，目标检测，暗通道先验，深度学习，YOLO
Abstract
Aerial image object detection is one of the important research areas of computer vision. It is widely used in disaster prevention, port control, maritime rescue and military purposes. It also has prosperous prospect especially in the field of public security, anti-terrorism, security inspection and other fields. However, the quality of aerial image is susceptible to weather conditions. For instance, clouds and fog may blur aerial images or occlude objects. The shooting location is often at high altitude, and the object is relatively small in the image. The surrounding environment will cause strong interference to the detection of objects. For complicate meteorological conditions which cause the problem of low image quality of aerial images （regardless of extreme meteorological conditions which will lead to the impossibility of aerial images）， this thesis presents dehazing algorithm to promote imagine sharpness. In the meantime, for the problem of difficult object detection in aerial image, the thesis proposes object detection method. The specific research content is as follows:
The current mainstream image dehazing algorithm are studied and the dehazing effects of each algorithm are compared. Through the contrast experiment of dehazing image entropy function contrast experiment and image dehazing effect, it is concluded that the dark channel dehazing algorithm optimized by guided filter can more effectively reduce the influence of cloud on aerial image and improve the quality of aerial image.
In this paper, the state of the object detection algorithms are studied, and the improved object detection algorithm YOLO-C based on YOLOv3 is proposed. In the comparative experiment, the proposed algorithm achieved mean Average Precision （mAP） of 90.1% on the public dataset of the China Aerospace Science and Technology Fourth Institute Command Automation Center, which exceeded other algorithms.
Through the contrast experiment of object detection before and after dehazing, we have the conclusion that dehazing can improve object detection accuracy. The YOLO-C algorithm can improve the average precision of object detection by 16.1% after dark channel dehazing. The research results show that the proposed algorithm in this paper can provide an implementation method for aerial object detection under complex meteorological conditions. The image dehazing and object detection are combined to realize the aerial object detection system under complex meteorological conditions.
Key Words:Aerial image,Object detection,Dark channel prior,Deep learning,YOLO
目录
1绪论
1.1研究背景及意义
航拍又称空中摄影或航空摄影，是指从空中拍摄地球地貌，航拍的摄像机可以自动拍摄或远程控制。航拍所用的平台包括航空模型、飞机、直升机、热气球、小型飞船、火箭、风筝、卫星等。航拍图像被广泛运用于军事、公安、交通建设、水利工程、生态研究、城市规划等领域。航拍目标检测主要针对航拍图像，对其中我们感兴趣的目标，如车辆、船舶、道路、自然地貌等进行检测。航拍图像能够清晰的表现地理形态，受地形以及地面建筑的影响较小，能够容纳更多信息。对航拍图像进行目标检测可以应用在反恐、防灾、港口防控、海上救援以及军事打击等多个方面，实现早发现、早针对。例如在公安领域中，可以进行重点目标排查，进行安全巡查等。
航拍图像在进行目标检测时具有以下难点：第一、易受到自然天气干扰，天气情况复杂多变，难以保证拍摄出完全清晰的图像；第二、拍摄的地点位于高空，目标在图像中所占比例较小，目标特征难以提取。图1展示了在日常生活中遇到的航拍图像。
图1中（a）受到云雾天气的影响，图像质量较差，且在（a）和（b）中地面上的交通工具等目标在图像中所占的比例都很小。复杂气象条件下的航拍目标检测存在上述两个难点，因此对其进行研究十分必要。
目前对于航拍目标检测算法主要是研究如何优化目标检测算法，采用的研究数据多是清晰的航拍图像，没有考虑实际使用时可能出现的气象条件的影响，在实际使用时的检测效果往往不理想。复杂气象条件下的航拍目标检测则需要考虑到在实际使用航拍工具进行航拍时，可能会遇到云雾遮挡的情况，影响航拍图像的质量并影响目标检测结果。对于云雾遮挡的问题，需要使用去雾算法提高图像质量。对于目标特征难以提取的问题，需要改进目标检测算法，提高检测的准确率。
1.2国内外研究现状
1.2.1图像去雾算法研究现状
图像的去雾算法主要有基于图像增强的去雾算法和基于大气散射模型的去雾算法[1].基于图像增强的去雾算法通过增强图像对比度等方法，使图像看上去更清楚，虽然具有很好的适用性，但并没有恢复图像因为云雾遮挡而损失的信息。基于大气散射模型的去雾算法，则是从云雾天图像退化的原因出发，通过补偿图像的损失得到复原图像。
基于大气散射模型的方法恢复得到的图像对图像信息的恢复更好，逐渐成为图像去雾研究的主流[2].
基于图像增强的去雾算法有：直方图均衡化法[3]、Retinex法[4,5]、同态滤波法[6]、曲波变换法[7]等。
基于大气散射模型的图像去雾算法可分为多幅图像去雾算法和单幅图像去雾算法。
多幅图像去雾算法复杂度较大、限制条件较多、数据采集困难，并未得到广泛应用。因此基于假设和先验的单幅去雾算法是目前去雾算法的主流。在基于假设和先验的单幅去雾算法中，流行最广的就是何恺明提出的基于暗通道先验的去雾算法[8].何恺明通过对上万张无雾自然图像统计分析提出了暗通道先验理论，通过一系列算法优化透射图，通过散射模型就可以恢复原图像。何恺明的去雾算法具有非常重要的意义，最近几年的单幅图像去雾技术，大部分都是基于暗通道先验去雾算法的改进。也有不少学者使用机器学习方法来研究雾气图像的先验特征，也有一些学者采用卷积神经网络实现图像去雾[2].
1.2.2目标检测算法研究现状
目标检测算法主要有基于传统特征提取的目标检测算法和基于深度学习的目标检测算法。传统的目标检测算法是基于人为的特征的提取以及分类器的结合，这种算法实际上还是需要人大量的参与特征设定以及提取，人为决定要提取的特征，然后通过分类器或浅层神经网络进行分类[9].这种算法的关键是特征选择以及分类器的选择，在这两个方面耗费了研究人员的大量精力。但是其鲁棒性较差，在一张图片只有一种物体且图像质量有保障的情况下进行检测效果较好。
基于深度学习的目标检测算法是目标检测领域的发展方向。自R-CNN[10]模型提出至今，涌现出了SPP-Net[11]、FastR-CNN[12]、FasterR-CNN[13]、MaskR-CNN[14]、SSD[15]、YOLO[16-18]等快速而准确的基于卷积神经网络的目标检测算法。与传统的目标检测算法相比，基于深度学习的目标检测算法具有以下优点：第一、不需要人为的提取特征，机器通过自己的学习可以从图像中提取特征，比人为设定特征的特征更加有效。
第二、可以检测的信息更多，基于深度学习的算法可以更轻松的获取到目标的位置信息等。基于深度学习的目标检测算法可以分为两级（twostage）的目标检测算法和一级（onestage）的目标检测算法两类。
两级的目标检测算法，首先在需要输入图像上生成多个与类别无关的感兴趣区域，然后利用卷积神经网络对生成的感兴趣区域进行特征的提取和分类。代表性的算法有R-CNN、SPP-Net、FastR-CNN、FasterR-CNN和MaskR-CNN等。
两级的目标检测算法是目前较为流行的目标检测方法，但是由于其检测过程较为复杂，使得其在算法的实时性上有所欠缺。YOLO、SSD这一类一级的目标检测算法逐渐显现出了其重要性。这类方法直接在输入图像上回归出目标的类别和位置，这类算法的突出优势是速度快，在GPU加速的情况下可以达到实时检测的速度。
1.2.3发展趋势展望
目前图像去雾算法中最流行的还是基于暗通道先验的去雾算法，近几年的研究多是对其的优化，在适用性更强的去雾先验和假设研究出来以前，很难有大的突破。目前深度学习的方法在目标检测、自然语言处理等领域取得了巨大成功，并且出现了GAN这种可以生成图像的网络结构，未来可以考虑将神经网络的方法引入图像去雾中[19].目前基于深度学习的目标检测算法是目标检测的主流，近几年新的网络结构不断出现，其检测精度远高于基于传统特征提取的目标检测算法。其模型向着结构更深、规模更大的方向发展。但是，对于深度学习的数学理论的研究不够，模型的改进很大程度上依赖于设计者的经验还有实际的使用效果，理论基础落后于实践。未来深度学习的研究要更加注重理论基础的研究。目前基于深度学习的目标检测多是有监督的学习，对于已标注数据集的依赖度很高。而无监督学习则可以解决这种问题，并且无监督学习的方式更加接近人的思考和学习方式，因此无监督学习也是未来基于深度学习的目标检测算法的发展趋势之一[20].目前图像去雾以及目标检测是两个相对独立的研究领域，在研究目标检测时所用的数据集多是清晰地图像，但是对于复杂气象条件下的航拍目标识别云雾遮挡的情况是必须要考虑的。当单纯的研究目标检测算法难以提升检测精度时，可以通过提升图像质量的方式提升目标检测的精度。未来的复杂气象条件下的目标检测应当将提升图像质量和目标检测算法相结合，形成端到端的训练与检测，并且尽量简化模型，提高检测速度。
1.3研究内容及结构安排
本文的主要研究内容为复杂气象条件下的航拍图像目标检测，主要内容共分为以下几个方面：
（1）研究如何减少复杂气象条件对航拍目标检测的影响。本文先分析复杂气象条件对于航拍图像目标检测的影响，针对其中的云雾遮挡问题，研究了基于图像增强的去雾算法和基于大气散射模型的去雾算法的原理。本文通过多种图像去雾算法去雾效果的对比实验，发现使用导向滤波优化的暗通道去雾算法能更有效的减少云雾遮挡对目标检测的影响（2）研究提高航拍图像的目标检测算法的精度。本文分别介绍了传统目标检测算法以及基于深度学习目标检测算法的原理以及它们的优缺点，并提出了基于YOLOv3的改进算法YOLO-C[21],通过不同算法的目标检测对比实验，验证了YOLO-C算法的平均精度均值更高。本文还通过图像去雾前后的目标检测对比实验验证了去雾处理可以有效地降低复杂气象条件对航拍目标检测的影响，提高目标检测的精度。最后将图像去雾与目标检测集成在一个系统中，形成复杂气象条件下的航拍目标检测系统。
图2展示了本论文的具体章节结构。
（1）第一章，绪论。该部分首先论述本文的研究背景及意义。然后综合分析国内外的相关领域的研究现状，分析目前该领域目前存在的问题。最后阐述章节结构。
（2）第二章，图像去雾算法研究。该部分首先分析复杂气象条件对于航拍图像目标检测的影响，然后针对其中的云雾遮挡情况，分析国内外图像去雾算法研究现状，本章详细阐述基于图像增强以及大气散射模型的图像去雾算法的原理，以及优缺点。最后通过多种去雾算法去雾效果对比实验，综合比较各种去雾算法，得出适合航拍图像去雾的算法。
（3）第三章，目标检测算法研究。该部分首先分析国内外目标检测算法的研究现状，本章详细阐述传统目标检测算法与基于深度学习的目标检测算法的原理，以及各类算法的优缺点。然后对已有的目标检测算法进行优化并阐述其原理，将优化的算法与原有算法对比实验。本文提出的YOLO-C算法的平均精度均值更高。
（4）第四章，将图像去雾算法以及目标检测算法结合，提出复杂气象条件下的航拍目标检测方法，并通过去雾前后目标检测的对比实验验证经过去雾处理前后目标检测精度的提升。将图像去雾和目标检测整合到复杂气象条件下航拍目标检测系统中，形成可视化界面，实现复杂气象条件下航拍目标检测功能。
（5）第五章，总结与展望。该部分总结本文的研究成果与不足之处，展望该论文主题下一步需要努力和探索的方面。
【由于本篇文章为硕士论文，如需全文请点击底部下载全文链接】
2航拍图像去雾算法研究
2.1复杂气象条件对航拍图像的影响
2.2图像去雾算法现状
2.2.1基于图像增强的去雾算法
2.2.2基于大气散射模型的去雾算法
2.3暗通道去雾算法实现
2.3.1大气散射模型
2.3.2暗通道去雾
2.4复杂气象条件下航拍图像去雾算法对比实验
2.4.1数据集
2.4.2实验结果与分析
2.5本章小结
3航拍目标检测算法研究
3.1基于传统特征提取的目标检测算法
3.2基于深度学习的目标检测算法
3.2.1两级的目标检测算法
3.2.2一级的目标检测算法
3.3航拍目标检测算法实现
3.3.1YOLO算法及其改进YOLO-C算法
3.3.2YOLO-C算法对比实验
3.4本章小结
4复杂气象条件下的航拍目标检测
4.1复杂气象条件下航拍图像去雾前后目标检测算法对比实验
4.1.1数据集
4.1.2实验结果与分析
4.2复杂气象条件下航拍图像目标检测系统实现
4.3本章小结
5 总结与展望
5.1 本文研究工作总结
航拍图像目标检测是计算机视觉领域的热点研究问题之一，被广泛在防灾、港口防控、海上救援以及军事打击等多个方面，特别在公安领域的反恐目标排查，安全巡查等具有非常广阔的应用前景。本文针对航拍图像目标检测主要研究了以下两方面的内容：
（1）针对复杂气象条件中的云雾遮挡情况，本文使用图像去雾算法对云雾遮挡的图像进行优化。本文研究了目前图像去雾中常用的两类算法，并对其中具有代表性的多尺度 Retinex 算法、自适应直方图均衡化算法以及导向滤波优化的暗通道去雾算法三种算法进行图像去雾的对比实验，通过图像熵函数的对比发现导向滤波优化的暗通道去雾算法可以更好地恢复图像信息。
（2）针对航拍图像中目标难以检测的情况，本文使用 YOLOv3 的改进算法YOLO-C 对航拍图像进行目标检测。本文研究了目前目标检测常用的两类算法，增加了YOLOv3 算法中的锚点个数，提出了 YOLO-C 算法。对 HOG+SVM 算法、SSD-512 算法、Faster R-CNN 算法、YOLOv2 算法、YOLOv3 算法以及 YOLO-C 算法在数据集上进行图像检测对比实验，实验结果显示 YOLO-C 算法的平均精度均值最高。本文还通过图像去雾前后的图像检测对比实验证明了图像去雾算法可以有效降低云雾遮挡对目标检测的影响，提高检测的平均精度均值，其中 YOLO-C 算法经去雾后的平均精度均值更高。并最终将图像去雾与目标检测两个功能整合到一个系统中，形成可视化的界面展示。
5.2 未来工作展望
尽管本文提出了一种复杂气象条件下航拍图像目标检测的思路，并且通过实验验证了本文的思路具有一定的可行性，但是由于时间以及实验环境有限，本文研究仍然存在很多不足，今后仍然需要探索和改进的地方主要有以下三点：
（1）端到端的训练与检测。本文虽然提出了一种一定程度上解决复杂气象条件下航拍图像目标识别的思路，但是在实现的过程中还是分为了图像去雾与目标检测两个过程，没有将两个过程真正的融合在一起。今后需要在这方面进行研究，将两个过程融合，实现端到端的训练与检测。
（2）提高对小目标的检测精度。图像中小目标的检测一直是目标检测中的难点。
尽管本文提出的 YOLO-C 算法与本文实验中的其他算法相比，对小目标的检测精度有一定的提升，但是还是远低于算法本身对全数据集的平均精度均值。今后需要进一步优化算法对小目标的检测，提升算法对小目标的检测精度[61]. （3）优化锚点和候选区域的选取方法。本文采用的 YOLO-C 算法在 YOLOv3 算法的基础上更改了锚点的个数，采用的锚点的选取算法为 K-means 聚类算法，在数据集内的平均 IOU 仅为 5%以下，说明 K-means 算法聚类出来的候选区域与数据集内的实际目标所在位置相差较大。今后需要进一步优化锚点和候选区域的选取方法，可以通过优化K-means 算法的初始聚类中心[62]、提出一种稳健（robust）的锚点算法[63]等，提高平均IOU.
参考文献
【由于硕士论文篇幅较长，此页面不展示全文，如需全文，请点击下方下载全文链接】
复杂气象条件下航拍图像目标检测难的问题 来源：网络整理
免责声明：本文仅限学习分享，如产生版权问题，请联系我们及时删除。
