成像光譜技術在農業、環境檢測、國防軍事等領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電磁波發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據為目標定位與識別提供了巨大的優勢。高光譜目標探測技術能夠突破目標形態學特征，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，傳統的遙感高光譜技術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以及基于空間光譜信息聯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得到了迅速發展，檢測效果也得到了有效提升。實時高光譜成像技術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、交通監控等領域，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的迅速發展，為基于深度學習的高光譜目標檢測技術的發展奠定了基礎。

高光譜目標檢測技術

高光譜目標檢測是技高術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，而后根據已知的光譜數據來確定未知目標光譜的歸屬。

由于成像光譜技術最早在遙感領域應用，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現概率。因此，傳統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信息，且需要目標數據庫或光譜庫的支持。高光譜圖像目標檢測技術也更側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，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計量的匹配，具體過程如圖１所示。高光譜目標檢測技術可以在連續的波長范圍內成像，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

深度學習是一種基于深度神經網絡的學習方式，其正式發端于２００６年。自此，深度學習模型便受到廣泛關注而迅速發展。常用的深度神經網絡模型有深度信念網絡（ＤＢＮ）、受限玻爾茲曼機（ＲＢＭ）、循環神經網絡（ＲＮＮ）、卷積神經網絡（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，例如手寫數字識別、語音識別、圖像分類等。理論上，只要淺層神經網絡的隱含的神經元足夠多，就能逼近任何一個多元非線性函數，然而這種淺層神經網絡由于需要太多節點而無法實際應用。

目標檢測技術

目標檢測能技夠術對目標進行精準定位并判斷類別，它是計算機視覺領域的重要內容，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域建議，訓練過程統一，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的基礎上增加了候選窗口網絡ＲＰＮ，解決了依賴耗時的區域建議算法提供的目標位置的問題，候選窗口網絡代替了選擇性搜索等傳統的候選框生成方法，實現了網絡的端到端訓練，提高了網絡計算速度。

ＹＯＬＯｖ３是目標檢測ＹＯＬＯ系列非常非常經典的算法，算法流程圖如圖４所示，其包含Ｄａｒｋｎｅｔ－５３網絡結構、ａｎｃｈｏｒ錨框、ＦＰＮ等非常優秀的結構。

基于深度學習的高光譜圖像目標檢測技術

隨著小型化、便攜式、手提式實時成像光譜儀的發展與應用，高光譜目標檢測技術不再僅僅應用于傳統的機載或星載的平臺。陸基成像條件下高光譜圖像實現了高空間分辨率與高光譜分辨率的結合，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展十分迅速，黃鴻等利用高光譜遙感數據具有波段多、特征非線性、空間相關等特點，提出一種基于深度學習的空－譜聯合特征提取算法來有效提取數據中的空－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網絡結構，有效降低網絡參數數量。

高光譜目標檢測技術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能夠提取深層次抽象特征，完成對形態、背景、大小不同目標的檢測定位任務。基于深度學習的高光譜圖像目標檢測技術可以將成像光譜技術與二維圖像目標檢測技術的優勢相結合，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、真偽識別等任務融為一體。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中增加光譜維信息，使目標檢測突破了圖像中的二維形態信息的束縛，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、形狀等二維形態學特征，但如果目標隱藏在偽裝網下或者設置形似假目標，單純的根據二維空間信息進行檢測的結果不夠可靠。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的研發、生產和銷售。

審核編輯黃宇