成像光譜技術(shù)在農(nóng)業(yè)、環(huán)境檢測、國防軍事等領(lǐng)域都得到了廣泛應用。高光譜成像能夠獲取物體在各個波段內(nèi)電磁波發(fā)射或者反射的光亮度值，所得到的更為精細且具有特異性的光譜數(shù)據(jù)為目標定位與識別提供了巨大的優(yōu)勢。高光譜目標探測技術(shù)能夠突破目標形態(tài)學特征，綜合利用成像光譜儀獲取目標地物精細的光譜信息與空間信息，達到鑒別地物種類、識別真假等目的。然而，傳統(tǒng)的遙感高光譜技術(shù)為了得到更高的光譜分辨率，在成像方式與過程中，犧牲了空間分辨率與成像速度，導致了高光譜圖像空間特征不明顯、實時成像水平低等問題。近年來，隨著無人機與地面觀測平臺系統(tǒng)以及基于空間光譜信息聯(lián)合目標檢測水平的提高，陸基成像條件下高光譜目標檢測技術(shù)得到了迅速發(fā)展，檢測效果也得到了有效提升。實時高光譜成像技術(shù)也取得了突破性的進展，成像光譜儀具備了高空間分辨率、高時間分辨率和高信噪比的高光譜視頻成像功能。與此同時，基于深度學習理論的目標檢測算法快速發(fā)展，檢測速度、特征提取等方面取得了突破性進展，在人臉識別、交通監(jiān)控等領(lǐng)域，圖像目標檢測的準確率、實時性不斷提升，對小目標、復雜背景目標的探測能力也顯著增強。一方面是基于深度學習的目標檢測算法性能的提升，另一方面是陸基實時高光譜成像技術(shù)的迅速發(fā)展，為基于深度學習的高光譜目標檢測技術(shù)的發(fā)展奠定了基礎(chǔ)。

高光譜目標檢測技術(shù)

高光譜目標檢測是技高術(shù)光原譜理圖像處理應用的重要方向之一，其基本原理是首先利用成像光譜儀獲取精細的光譜信息，而后根據(jù)已知的光譜數(shù)據(jù)來確定未知目標光譜的歸屬。

由于成像光譜技術(shù)最早在遙感領(lǐng)域應用，高光譜遙感成像采用星載或者機載方式垂直拍攝地物，獲取的高光譜圖像空間分辨率很低，達到幾十甚至上百米，降低了圖像幾何空間信息的利用率；同時，低空間分辨率使得混合像元問題嚴重，影響了目標識別過程中小目標的發(fā)現(xiàn)概率。因此，傳統(tǒng)的高光譜圖像目標檢測主要利用目標與背景的光譜差異來探測地物，難以利用目標空間形態(tài)信息，且需要目標數(shù)據(jù)庫或光譜庫的支持。高光譜圖像目標檢測技術(shù)也更側(cè)重于光譜分析的定量處理，各種自動快速的基于光譜信息的目標檢測算法相繼出現(xiàn)，相對彌補了空間分辨率低帶來的不足。在背景中識別目標時，高光譜圖像目標檢測算法的精髓在于光譜統(tǒng)計量的匹配，具體過程如圖１所示。高光譜目標檢測技術(shù)可以在連續(xù)的波長范圍內(nèi)成像，具有很高的光譜分辨率，能夠充分利用目標光譜信息。目前，成像光譜儀的光譜分辨率可以達到納米級，在地物精細判斷、識別定位等任務中脫穎而出。

基于深度學習的目標檢測技術(shù)

深度學習是一種基于深度神經(jīng)網(wǎng)絡的學習方式，其正式發(fā)端于２００６年。自此，深度學習模型便受到廣泛關(guān)注而迅速發(fā)展。常用的深度神經(jīng)網(wǎng)絡模型有深度信念網(wǎng)絡（ＤＢＮ）、受限玻爾茲曼機（ＲＢＭ）、循環(huán)神經(jīng)網(wǎng)絡（ＲＮＮ）、卷積神經(jīng)網(wǎng)絡（ＣＮＮ）等。利用這些深度學習模型取得了許多歷史性的成就和突破性的進展，例如手寫數(shù)字識別、語音識別、圖像分類等。理論上，只要淺層神經(jīng)網(wǎng)絡的隱含的神經(jīng)元足夠多，就能逼近任何一個多元非線性函數(shù)，然而這種淺層神經(jīng)網(wǎng)絡由于需要太多節(jié)點而無法實際應用。

目標檢測技術(shù)

目標檢測能技夠術(shù)對目標進行精準定位并判斷類別，它是計算機視覺領(lǐng)域的重要內(nèi)容，在視頻跟蹤、無人駕駛等方面具有重要研究價值。目標檢測算法可以分為兩大類：傳統(tǒng)的目標檢測算法，基于深度學習的目標檢測算法。

典型的雙階段目標檢測算法有?Ｒ－ＣＮＮ、Ｆａｓｔ Ｒ－ＣＮＮ、Ｆａｓｔｅｒ Ｒ－ＣＮＮ等。Ｇｉｒｓｈｉｃｋ等提出的Ｒ －ＣＮＮ（Ｒｅｇｉｏｎ－ｂａｓｅｄ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ）方法，是基于深度學習的目標檢測算法研究的開山之作與重要參考。但是，Ｒ－ＣＮＮ?要求輸入圖片尺寸一致且每個候選區(qū)域都需要進行特征提取，為了解決這些問題，Ｈｅ等加入了一個空間金字塔池化層?ＳＰＰ－ｎｅｔ．基于此提出的Ｆａｓｔ Ｒ－ＣＮＮ?算法能夠使圖像共享卷積特征圖，不需要對每幅圖像進行區(qū)域建議，訓練過程統(tǒng)一，有效提升了檢測速度與效果。如圖３所示，Ｆａｓｔｅｒ Ｒ－ＣＮＮ算法在Ｆａｓｔ Ｒ－ＣＮＮ的基礎(chǔ)上增加了候選窗口網(wǎng)絡ＲＰＮ，解決了依賴耗時的區(qū)域建議算法提供的目標位置的問題，候選窗口網(wǎng)絡代替了選擇性搜索等傳統(tǒng)的候選框生成方法，實現(xiàn)了網(wǎng)絡的端到端訓練，提高了網(wǎng)絡計算速度。

ＹＯＬＯｖ３是目標檢測ＹＯＬＯ系列非常非常經(jīng)典的算法，算法流程圖如圖４所示，其包含Ｄａｒｋｎｅｔ－５３網(wǎng)絡結(jié)構(gòu)、ａｎｃｈｏｒ錨框、ＦＰＮ等非常優(yōu)秀的結(jié)構(gòu)。

基于深度學習的高光譜圖像目標檢測技術(shù)

隨著小型化、便攜式、手提式實時成像光譜儀的發(fā)展與應用，高光譜目標檢測技術(shù)不再僅僅應用于傳統(tǒng)的機載或星載的平臺。陸基成像條件下高光譜圖像實現(xiàn)了高空間分辨率與高光譜分辨率的結(jié)合，這為充分利用空間幾何特征進行二維圖像目標檢測提供了支撐。近年來，基于深度學習理論的高光譜圖像處理方法也發(fā)展十分迅速，黃鴻等利用高光譜遙感數(shù)據(jù)具有波段多、特征非線性、空間相關(guān)等特點，提出一種基于深度學習的空－譜聯(lián)合特征提取算法來有效提取數(shù)據(jù)中的空－譜特征用于分類任務，取得了良好效果。石祥濱等針對高光譜遙感圖像光譜信息維度大，標注訓練樣本較少的問題，提出適合小訓練樣本的高光譜遙感圖像分類框架ＨＳＩ－ＣＮＮ，設計了適用于小樣本高光譜遙感圖像的全卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)，有效降低網(wǎng)絡參數(shù)數(shù)量。

高光譜目標檢測技術(shù)能夠利用目標精細的光譜特征進行分類探測，對于二維圖像，基于深度學習的目標檢測技術(shù)能夠提取深層次抽象特征，完成對形態(tài)、背景、大小不同目標的檢測定位任務?；谏疃葘W習的高光譜圖像目標檢測技術(shù)可以將成像光譜技術(shù)與二維圖像目標檢測技術(shù)的優(yōu)勢相結(jié)合，利用深度學習來獲取高光譜圖像高級別層次的空間特征與光譜特征，將分類、定位、真?zhèn)巫R別等任務融為一體。如圖５所示，為常用的基于深度學習的高光譜圖像目標檢測流程。

在二維圖像目標檢測技術(shù)中增加光譜維信息，使目標檢測突破了圖像中的二維形態(tài)信息的束縛，提升了目標檢測在某些特殊應用場景的效果。例如，傳統(tǒng)的軍事目標的定位與識別是基于目標的顏色、紋理、形狀等二維形態(tài)學特征，但如果目標隱藏在偽裝網(wǎng)下或者設置形似假目標，單純的根據(jù)二維空間信息進行檢測的結(jié)果不夠可靠。而融合光譜維信息的目標檢測方法，能夠有效提升整體的檢測效果，頗具應用潛力。

歡迎關(guān)注公眾號：萊森光學，了解更多光譜知識。

萊森光學（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。