基于深度信息融合的航拍车辆检测

随着汽车数量的快速增长以及无人机飞控技术的迅速发展,基于无人机航拍的车辆检测技术越来越有用武之地。传统的基于滑动窗口以及手工设计特征的车辆检测不仅计算量巨大,鲁棒性也不够好。卷积神经网络在目标检测方面发挥了显著的优势,但是常见的网络对于航拍遥感图像中的小目标检测效果一般。文中基于faster-RCNN在VGG16网络上使用通道合并融合的方式设计了超特征图,通过结合浅层特征以及深层特征的方式提取小目标的特征以提高检测的召回率。同时修改RPN层的包围框的大小以提高检测的准确性。在慕尼黑车辆数据集以及自己收集的数据上进行了测试,通过对比实验可知,该方法使得车辆检测的效果有了明显提升,在两个数据集上分别达到了72.3%和80.5%的mAP。

基于无人机视觉的桥梁裂缝检测

针对公路桥梁的养护和管理,传统的人工检测方法不仅工作危险性大、作业成本高,而且工作效率低、检测结果可靠性差。因此自动化的智能检测识别方式迫在眉睫。针对桥梁裂缝细小难获取的问题,采用无人机装配高倍变焦摄像头的方法来采集桥梁裂缝图像。采用最小值滤波、边缘检测等图像处理方法进行裂缝处理,通过链码跟踪的方法跟踪裂缝边缘得到裂缝周长面积等信息,并根据裂缝的线性特征进行特征的选择检测。针对裂缝图像检测过程中断裂的问题,根据裂缝连续、断点相近的特点,设计了一种基于裂缝线段最邻近端点的连接方法。通过实地对病害桥梁的考察获取了裂缝图像,对其进行检测处理,取得了良好的效果。

航拍场景下的车辆生成

随着智能交通的提出,结合无人机的航拍车辆检测有着越来越多的应用。目前在车辆检测方面,基于CNN的目标检测方法如faster-rcnn、yolo等都达到了很高的水准,但也存在着需要收集大量标注数据进行训练的问题。而通过图像生成方法解决训练样本的获取是一个可行的解决方案。但一般的生成模型要么只能生成车辆,没有背景信息,要么只能拟合背景,生成车辆严重失真。对此,文中在pix2pixGAN的基础上提出多条件约束的生成对抗网络,用以在真实航拍场景图像中生成带位置标注信息的车辆。通过在生成对抗网络中设立多判别器的方法分别约束背景的拟合以及图像中车辆的生成,将图像中预先设置的噪声区域完美转化成车辆图像。对比实验结果显示,该车辆生成模型能够很好地在航拍图像中生成较为逼真的车辆。