ANN是基于人腦神經網絡對信息處理分類的一種簡化模擬，由大量的神經元節(jié)點連接構成，通過調整網絡結構、網絡連接方式、節(jié)點激活函數和節(jié)點間權值進而對輸出進行調整。根據訓練結構特點可分為前饋網絡、反饋網絡和競爭學習網絡。人工神經網絡通過訓練具有良好的聯想記憶能力，且具有高精度、高并行性、非線性、良好的容錯性和泛化性等優(yōu)點，不足之處是需要大量訓練樣本和一定的硬件基礎，且需要人為經驗來設置參數。

 

 

       4.1基于多尺度形變部件模型

 

       多尺度形變部件模型（Deformable Part Model, DPM）算法是一種基于部件的檢測算法，曾多次獲得PASCAL VOC（Visual Object Class）挑戰(zhàn)賽冠軍，是深度學習出現之前應用最廣泛、效果最好的目標檢測算法。DPM由滑動窗口、改進的HOG特征和SVM分類器組合而成，如圖4所示。

 

 

       DPM算法通過構建高斯金字塔，在多尺度空間進行檢測，每一尺度層的DPM模型包含一個根模型和幾個可變部件模型，根模型的分辨率是可變部件模型的1/2。目標檢測的結果由模型與待匹配特征之間的相似度確定，相似度越高則檢測分數越高，檢測窗口得分公式為：

 

 

       其中,score(x0,y0,l0)表示l0尺度空間中錨點為(x0,y0)窗口的分數，R0,l0(x0,y0)為l0中根模型相似度得分，為l0中多個可變部件模型得分和，b為偏差值。

DPM目標檢測框架具有以下優(yōu)勢：

       （1）采用高斯金字塔多尺度空間檢測，保證了尺度不變性；

       （2）HOG特征提取算法對光照變化、細小形變具有較好的魯棒性；

       （3）部件模型的提出降低了遮擋、形變等因素對目標檢測的影響。

 

       4.2基于卷積神經網絡

 

       基于卷積神經網絡的目標檢測框架有很多，而基于候選區(qū)域的卷積神經網絡目標檢測框架起步最早、應用最成熟，且具有較高的準確率，其中具有代表性的是RCNN，具體步驟如下：

       （1）候選區(qū)域檢測階段：應用上文介紹的Selective Search算法對偵察影像進行區(qū)域選擇；

       （2）特征提取階段：將提取的所有候選區(qū)域進行歸一化處理，通過訓練過的深度卷積神經網絡進行特征提��；

       （3）分類階段：將特征輸入多個SVM二分類器中，判斷是否屬于該類別。

       隨著深度學習結構的不斷優(yōu)化，學者們將卷積神經網絡貫穿包括特征提取在內的整個基于候選區(qū)域的目標檢測過程中，先后出現了SPP-Net、Fast-RCNN、Faster-RCNN等框架，大大提高了目標檢測的實時性、魯棒性和準確性。

 

       5 結束語

 

       針對無人機偵察影像目標檢測問題，提供了一種基于候選區(qū)域的無人機偵察影像目標檢測思路，對其三個主要步驟:候選區(qū)域檢測、特征提取、分類器展開了分析與總結，最后歸納了兩種主流的基于候選區(qū)域的目標檢測框架。理論分析表明，該方法具有較強的實用性與應用價值，為無人機偵察影像目標檢測算法的研究與改進提供理論研究基礎。下一步將對框架中各步驟介紹的算法進行試驗對比，提出一種快速魯棒的無人機偵察影像目標檢測算法。