Page 31 - 测绘与空间地理信息研究

第二章 地面测绘技术

在场景分类领域，依据分类过程使用的不同特征，分类方法主要分为以下 3
类：基于底层特征的方法、基于中层特征的方法、基于高层特征的方法。基于底
层特征的方法通常采用底层视觉属性特征形成的向量来描述图像，包括 SIFT 算

法、梯度直方图、Census 变换直方图等；基于中层特征的方法采用的是统计特征，
介于底层特征与高级语义特征之间，通过对底层特征进行统计与分析得到，常用
的中层特征有词袋模型、概率潜在语义分析和三层贝叶斯概率模型等；基于高层
特征的方法通常基于深度学习框架，通过卷积神经网络进行场景分类，比较常见

的深度学习框架有 ResNet、CaffeNet 和 GoogLeNet 等，这些经典的框架通常需
要大量的样本训练网络参数，建立场景分类模型，达到分类的目的。
在目标检测领域，传统的检测方法主要分为以下 4 类：基于模板匹配的方法、
基于知识的方法、基于对象的方法和基于传统机器学习的方法。基于模板匹配的

方法通过人工标注或者样本学习的方式生成用于检测目标的模板，然后利用相似
性测度判断目标与模板的相似性程度进行目标检测。根据采用的模板类型不同，
该类方法又可以细分为严格模板匹配方法与变形模板匹配方法。基于知识的方法
将目标的几何信息和上下文信息转换为形状、几何、空间关系及其他类型的规则

用于检测目标。基于对象的方法主要包含分割和分类两个过程，首先根据人工设
计准则将数据分割成多个同质区域，然后通过分类方法，根据每个区域的特征确
定包含目标的所属类别。基于传统机器学习的方法主要包括特征提取，特征融合
与降维，分类器分类等过程，通过训练样本数据自动建立目标检测模型。基于深

度神经网络的算法主要分为两大类：二阶检测器与一阶检测器。二阶检测器首先
生成一系列可能包含物体的候选框，然后再对每个候选框进行分类；一阶检测器
在没有中间级的情况下同时生成目标的所在区域和类别信息。通常由于二阶检测
器结构相比于一阶检测器更加复杂，其检测精度更高但是计算速度较慢。

在语义分割领域，传统的语义分割方法主要依赖于人工特征工程，常见的流
程为首先将图像分割为图块或超像素，然后计算分割结果的特征，输入如随机森
林、支持向量机等分类器中，预测中心像素的分类概率或每个像素的分类概率。
基于深度学习的语义分割方法主要可以分为基于区域的语义分割方法和基于上采

样的语义分割方法。基于区域的方法首先从图像中提取自由形态区域并描述它们，
然后对这些提取的区域进行分类。在测试时，每个像素的预测值由包含该像素得
分最高区域的预测值确定。基于上采样的方法通过设计一个上采样层把 CNN 网

·21·