项目名称: 高分辨率SAR图像城区道路半自动提取方法研究

项目编号: No.41301491

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 天文学、地球科学

项目作者: 程江华

作者单位: 中国人民解放军国防科学技术大学

项目金额: 25万元

中文摘要: 道路作为典型的地物要素,在城市规划、GIS数据库更新等领域应用广泛。SAR图像道路提取是地物要素解译的基础前沿课题。由于城区道路周边障碍物遮挡、建筑物阴影等干扰严重,实现高分辨率SAR图像城区道路自动提取非常困难,现有算法存在计算时间偏长、适应性不强、虚警率偏高等问题。半自动提取方法能有效结合机器的快速计算和人的解译技巧,在当前仍不失为一种较有前途的研究方向。 本项目参照半自动道路提取架构,先根据道路交叉口的辐射及几何特征,研究交叉口检测和识别方法,为后续跟踪提供初始点和前进方向。然后,建立双窗口局部检测模型,在外窗口内研究CFAR道路分割及平行线对检测方法,计算道路局部主方向;使用内窗口计算道路的宽度和中心点坐标。最后,研究结合局部上下文信息的道路中心点粒子滤波抗干扰跟踪方法,实现高分辨率SAR图像城区道路快速有效提取。通过本项目研究,有望提高道路提取方法的普适性和准确性。

中文关键词: 合成孔径雷达;道路;提取;粒子滤波;跟踪

英文摘要: As the typical element of geographic features, road has been widely used in various fields of administration such as urban planning, GIS database updating and so on. Road extraction from SAR images is a basis and forefront research topic of geographic features interpretation. Due to obstacles blocking, shadowing and layover effects, it is difficult to extract roads from urban high resolution SAR images by automatic methods. These issues such as time-consuming, poor robustness and high false alarm rate still exist. Semi-automatic methods can combine computer's fast calculation with human's interpretation skills, which is still a promising research area. This project takes the semi-automatic road extraction framework as reference. Firstly, road junction detection and extraction is investigated based on its radiation and geometry characters, which could provide initial points and orientation for tracking. Then, double window model is established to detect road local information like orientation, width and position. The local main orientation is calculated in outer window, which combines the methods of CFAR road region segmentation with parallel detection. The local road width and position of center point are calculated in inner window. Finally, road center point tracking is carried out by investigating ways which i

英文关键词: SAR;Road;Extraction;Particle Filtering;Tracking

成为VIP会员查看完整内容
0

相关内容

基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
浙大《深度学习低样本目标检测》综述论文
专知会员服务
73+阅读 · 2021年12月13日
面向行人重识别的局部特征研究进展、挑战与展望
专知会员服务
26+阅读 · 2021年10月13日
专知会员服务
91+阅读 · 2021年8月29日
专知会员服务
121+阅读 · 2021年4月29日
专知会员服务
36+阅读 · 2021年4月23日
专知会员服务
69+阅读 · 2021年3月23日
小目标检测技术研究综述
专知会员服务
118+阅读 · 2020年12月7日
深度学习目标检测方法综述
专知会员服务
273+阅读 · 2020年8月1日
基于深度学习的表面缺陷检测方法综述
专知会员服务
85+阅读 · 2020年5月31日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
基于OpenCV的图像阴影去除
极市平台
1+阅读 · 2022年2月27日
利用 OpenCV+ConvNets 检测几何图形
极市平台
0+阅读 · 2022年1月26日
计算机视觉中的传统特征提取方法总结
极市平台
1+阅读 · 2021年12月9日
基于深度学习的小目标检测方法综述
专知
2+阅读 · 2021年4月29日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
最全综述 | 图像目标检测
计算机视觉life
31+阅读 · 2019年6月24日
目标检测技术二十年综述
计算机视觉life
20+阅读 · 2019年5月28日
深度学习目标检测算法综述
AI研习社
25+阅读 · 2019年2月1日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Simple and Effective Unsupervised Speech Synthesis
Arxiv
2+阅读 · 2022年4月20日
Arxiv
1+阅读 · 2022年4月19日
ResT V2: Simpler, Faster and Stronger
Arxiv
0+阅读 · 2022年4月15日
Arxiv
64+阅读 · 2021年6月18日
A Modern Introduction to Online Learning
Arxiv
20+阅读 · 2019年12月31日
小贴士
相关VIP内容
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
浙大《深度学习低样本目标检测》综述论文
专知会员服务
73+阅读 · 2021年12月13日
面向行人重识别的局部特征研究进展、挑战与展望
专知会员服务
26+阅读 · 2021年10月13日
专知会员服务
91+阅读 · 2021年8月29日
专知会员服务
121+阅读 · 2021年4月29日
专知会员服务
36+阅读 · 2021年4月23日
专知会员服务
69+阅读 · 2021年3月23日
小目标检测技术研究综述
专知会员服务
118+阅读 · 2020年12月7日
深度学习目标检测方法综述
专知会员服务
273+阅读 · 2020年8月1日
基于深度学习的表面缺陷检测方法综述
专知会员服务
85+阅读 · 2020年5月31日
相关资讯
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
基于OpenCV的图像阴影去除
极市平台
1+阅读 · 2022年2月27日
利用 OpenCV+ConvNets 检测几何图形
极市平台
0+阅读 · 2022年1月26日
计算机视觉中的传统特征提取方法总结
极市平台
1+阅读 · 2021年12月9日
基于深度学习的小目标检测方法综述
专知
2+阅读 · 2021年4月29日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
最全综述 | 图像目标检测
计算机视觉life
31+阅读 · 2019年6月24日
目标检测技术二十年综述
计算机视觉life
20+阅读 · 2019年5月28日
深度学习目标检测算法综述
AI研习社
25+阅读 · 2019年2月1日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员