在现有的高分辨率、大尺度目标遥感图像的检测中,传统方法由于提取特征手段单一、速度慢而无法快速并准确地从光学遥感影像中实现机场目标的识别。受人类视觉系统层次认知的启发,提出了一种适用于中高分辨率光学遥感影像的机场目标检测网络(CLRNet)。首先构建深度残差块,并将其作为特征提取网络;然后基于生成的样本核心集,采用连续学习方式从海量遥感数据中逐次迭代,精调机场检测模型;经过连续学习得到了鲁棒性强、遗忘度低的检测模型,该模型可以准确快速地从海量复杂背景下的光学遥感影像中识别出机场目标,而且对薄云遮挡以及卫星拍摄不全的机场有较好的识别效果。选取国产吉林一号卫星影像数据集进行测试,结果表明:所提方法的检测精度mAP(IoU不小于0.5)可达0.9613,每景的检测时间为0.23 s。

提出一种用于固定翼无人机自主着陆导航的分层机场检测方法,以提高机场检测的速度。采取一种由粗到细的分层搜索结构,逐层缩小搜索面积以快速提取机场的候选区域。首先进行伪地平线检测将机场搜索区域限制为地面区域,然后根据机场区域包含大量垂直线的事实确定机场近似区域候选区以进一步缩小机场搜索区域,最后利用Edge Boxes得到高定位精度的机场候选区域。利用局部约束线性编码(LLC)特征学习法以尺度不变特征变换(SIFT)为基础特征提取机场候选区域特征并使用线性支持向量机(SVM)分类器完成机场检测。实验中在不同天气、不同背景条件下对所提机场检测方法进行了综合测试,并与其他方法进行比较,实验结果表明本文机场检测方法能有效提高机场检测速度,且准确率高。

提出了一种结合级联的区域建议网络和检测网络的遥感图像机场检测方法。通过改进区域建议网络,以获得高质量的机场建议框;通过改进检测网络的损失函数,以提高机场检测的准确性;使用交叉优化策略,实现了两个网络的卷积层共享,机场检测时间大幅缩减。结果表明,所提方法在复杂背景下能准确地检测出不同类型的机场,检测率高,虚警率低,平均运行时间短。