[發明專利]融合場景信息和深度特征的遙感圖像機場目標識別方法

有效

• 申請號: 201611070929.7
• 申請日: 2016-11-29
• 公開（公告）號: CN106778835B
• 公開（公告）日: 2020-03-24
• 發明（設計）人: 肖志峰;宮一平;龍洋
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/02;G06N3/08
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

本發明提供一種融合場景信息和深度特征的遙感圖像機場目標識別方法，包括根據預設的若干種尺寸，分別采用滑窗的方式在圖像上生成機場的目標候選框；構建深度卷積神經網絡特征提取器，對每一個目標候選框都增加相應內部窗口和上下文窗口，實現對候選框區域影像的自身特征、內部特征以及上下文特征的學習和提取，組合得到融合描述特征；基于SVM支持向量機進行目標候選框的類別判定，得到目標候選框的類別屬性和屬于這個類別的概率；進行目標候選框的定位精處理，得到遙感圖像機場目標識別結果。應用本發明能夠在高分辨率遙感影像中快速準確的識別出機場的位置和大小，該方法適合于各種光照條件，各種復雜背景下的遙感圖像機場識別研究。

技術領域

本發明屬于目標自動識別技術領域，特別是涉及一種針對復雜遙感影像中機場目標的自動識別方法。

背景技術

機場作為一種重要的交通工具和軍用設施，在各個領域尤其是基礎信息、航空安全、國防建設領域具有非常重要的作用，因此快速準確的從海量遙感影像中對機場進行識別定位具有非常重要的意義。傳統的遙感圖像目標檢測方法一般分為三個步驟：一是區域搜索，二是特征提取，三是分類器判定。方法上主要有兩大類，一種是基于圖像的灰度特征，通過圖像分割或視覺顯著機制等確定機場的疑似區域，然后通過提取疑似區域的某種特征，用分類器進行類別判定，得到該區域的最終判定結果；另一種是基于機場跑道的結構特征，通過Hough變換等直線檢測手段提取出機場的邊緣信息，然后再通過直線擬合、區域增長等方法得到機場最終的位置和輪廓。基于灰度的方法受限于影像的灰度分布及光照等條件，很容易產生過分割、顯著性不強等問題，而基于機場結構的方法過分依賴先驗知識。上述傳統方法普遍采用人工設計特定特征的方法，而這些特征往往依賴于豐富的經驗，而可能忽略掉某些重要的特征信息。

發明內容

針對現有機場目標自動識別技術存在的問題，本發明基于深度卷積神經網絡方法，提供了一種基于場景上下文和深度融合特征的遙感圖像機場目標自動識別方法，該方法能夠從復雜遙感影像中較快較好的識別出機場目標。

本發明的技術方案是一種融合場景信息和深度特征的遙感圖像機場目標識別方法，包括以下步驟：

1)根據預設的若干種尺寸，分別采用滑窗的方式在圖像上生成機場的目標候選框；

2)構建深度卷積神經網絡特征提取器，對步驟1)所得到的每一個目標候選框都增加相應內部窗口和上下文窗口，實現對候選框區域影像的自身特征、內部特征以及上下文特征的學習和提取，將這三種特征進行組合作為該目標候選框最終的融合描述特征；所述深度卷積神經網絡特征提取器包括在GooleNet模型的最后一層全鏈接層之前增加全鏈接層模塊，所述全鏈接層模塊包括一層N維的全鏈接層、一層激活函數層和一層模型平均層，其中N為預設的特征表達維數；

3)根據融合描述特征，基于SVM支持向量機進行目標候選框的類別判定，得到目標候選框的類別屬性和屬于這個類別的概率；

4)根據步驟3)所得結果進行目標候選框的定位精處理，得到遙感圖像機場目標識別結果。

而且，N＝64。

而且，對目標候選框增加相應內部窗口和上下文窗口，實現方式為，設某原始的目標候選框寬為Width、長為Height，內部窗口寬為Width/2、長為Height/2，上下文窗口寬為2Width、長為2Height。

而且，所述SVM支持向量機采用LIBSVM。

而且，步驟4)的實現包括以下兩步，

第一步，利用非極大值抑制解決候選框冗余的問題，包括從得分最高的框開始，依次和剩下的所有框進行比較，將重疊面積與得分最高的框的面積之比超過預設比值B的框舍棄，得到一組篩選后的框，然后依次進行同樣處理，直到遍歷完成，得到兩兩之間重疊面積都小于預設比值B的框的集合；