特征优选下的无人机可见光影像地物分类

针对多维分类特征降低分类精度以及无人机可见光影像特征优选分类研究较少的问题,提出了一种基于相关系数特征去相关和最少地物类对数量的重要性评估特征优选方法。基于无人机可见光DOM和DSM数据,结合CART决策树分类方法,开展优选特征组合及精度分析。特征优选后的4种特征组合分类总体精度比特征优选前平均提高了1.53%,均达到87%以上,Kappa系数均大于0.85,分类质量高。高度特征将总体精度提高了21.74%,对提高植被、水域地物的分类精度具有重要作用。道路白色实线、暗色裂缝、路灯阴影等“细小地物”及分类特征的局限性会降低地物分类精度。结果表明:所提特征优选方法能提高分类精度,并易于实现,能为无人机可见光影像复杂地物分类提供技术支撑。

基于多特征融合的行人检测方法

作为一个典型的目标检测问题,行人检测问题已成为近年来的研究热点。行人检测技术虽被广泛应用于智能交通、自动驾驶、视频监控以及行为分析等领域,但仍存在着需要解决的问题。文中在多特征融合的基础上提出了一个多通道特征模型,多通道特征模型由非深度学习分支、整体分支以及肢体分支组成。文中通过非深度学习分支提取出数量少、质量高的行人候选区域,减轻了滑动窗口穷举搜索带来的计算负担,提高了计算效率。该方法由多层卷积通道特征得到的整体分支以及肢体分支,分别通过人体整体信息和人体部位的语义信息来检测行人;使用多通道特征模型分别在Caltech行人数据集和INRIA行人数据集中进行训练和检测。实验结果表明,结合各分支的输出,文中提出的行人检测器具有较低的漏检率,在INRIA行人数据集和Caltech行人数据集中漏检率分别为8.24%和19.78%。

面向对象分类特征优化选取方法及其应用

分离阈值算法SEaTH是一种有效的自动选取分类特征并计算阈值的方法,但其只考虑了类间距离,容易存在信息的冗余,从而对分类精度造成一定影响。本文在SEaTH算法的基础上,综合考虑了特征间的相关性、类间距离以及类内距离,对SEaTH算法进行了优化,并将改进前后的两种方法运用到广东省肇庆市TM影像及环境一号卫星影像土地覆盖分类中进行对比分析。实验结果表明,改进后的方法筛选出的特征在提取地物上更为有效,尤其使耕地的分类精度提高了12.26%,使分类总体精度由80%提高到85.26%。耕地与林地分类精度的提高,对不易获取质量较好的多时相数据地区的土地覆盖分类具有重要意义。