[發(fā)明專利]基于SF-RCNN的光學(xué)遙感圖像目標(biāo)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810112969.6
• 申請(qǐng)日: 2018-02-05
• 公開（公告）號(hào): CN108491854B
• 公開（公告）日: 2020-04-07
• 發(fā)明（設(shè)計(jì)）人: 焦李成;劉芳;楊康;郭雨薇;李玲玲;孫其功;楊淑媛;侯彪;張丹;唐旭;屈嶸
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/34;G06N3/04
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 田文英;王品華

本發(fā)明公開了一種基于全卷積圖像分割的深度卷積網(wǎng)絡(luò)SF?RCNN的光學(xué)遙感圖像目標(biāo)檢測(cè)方法，主要解決現(xiàn)有技術(shù)中光學(xué)遙感圖像中陸地飛機(jī)與水中艦船檢測(cè)正確率低虛警率高的問題。本發(fā)明的具體步驟如下：(1)構(gòu)造測(cè)試數(shù)據(jù)集；(2)構(gòu)造訓(xùn)練數(shù)據(jù)集(3)搭建基于全卷積圖像分割的深度卷積網(wǎng)絡(luò)SF?RCNN目標(biāo)檢測(cè)網(wǎng)絡(luò)；(4)利用訓(xùn)練數(shù)據(jù)集訓(xùn)練深度卷積網(wǎng)絡(luò)SF?RCNN；(5)利用訓(xùn)練好的深度卷積網(wǎng)絡(luò)SF?RCNN對(duì)測(cè)試數(shù)據(jù)集進(jìn)行目標(biāo)檢測(cè)；(6)輸出測(cè)試結(jié)果。本發(fā)明具有對(duì)光學(xué)遙感圖像進(jìn)行水域分割，減低目標(biāo)檢測(cè)虛警率，提高目標(biāo)檢測(cè)準(zhǔn)確率高的優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及光學(xué)遙感圖像目標(biāo)檢測(cè)技術(shù)領(lǐng)域中的一種基于全卷積語義分割的深度卷積網(wǎng)絡(luò)SF-RCNN(Towards Object Detection withFully convolutional networks for semantic segmentation)的光學(xué)遙感圖像目標(biāo)檢測(cè)方法。本發(fā)明可應(yīng)用于對(duì)光學(xué)遙感圖像的不同區(qū)域內(nèi)的陸地飛機(jī)與水中艦船的地物目標(biāo)檢測(cè)。

背景技術(shù)

目標(biāo)檢測(cè)技術(shù)是計(jì)算機(jī)視覺領(lǐng)域的核心問題之一，遙感目標(biāo)檢測(cè)是以遙感衛(wèi)星捕捉到的影像為數(shù)據(jù)源，采用圖像處理技術(shù)對(duì)影像中感興趣目標(biāo)進(jìn)行定位和分類。遙感目標(biāo)檢測(cè)是遙感應(yīng)用技術(shù)中重要的一環(huán)，可以在高科技軍事對(duì)抗中，捕捉攻擊目標(biāo)，提供精確的位置信息等，在軍事領(lǐng)域有至關(guān)重要的意義。

Shaoqing Ren在其發(fā)表的論文“Faster R-CNN:Towards Real-Time ObjectDetection with Region Proposal Networks”(神經(jīng)信息處理系統(tǒng)進(jìn)展大會(huì)NIPS(NeuralInformation Processing Systems蒙特利爾國際會(huì)議論文2015年)中提出了一種基于區(qū)域生成網(wǎng)絡(luò)RPN(Region Proposal Networks)的目標(biāo)檢測(cè)方法。該方法首先利用基礎(chǔ)網(wǎng)絡(luò)VGG-16卷積特征層來生成候選區(qū)域，即訓(xùn)練區(qū)域生成網(wǎng)絡(luò)RPN，快速的生成高質(zhì)量的候選框，取代了原來的選擇性搜索SS(Selective Search)；然后根據(jù)預(yù)測(cè)的高質(zhì)量的候選框，在卷積的高級(jí)語義特征上進(jìn)行感興趣區(qū)域ROI(Region of Interest)池化，將池化后的特征接全連接層，分別預(yù)測(cè)候選框的類別和位置偏移；最后根據(jù)位置偏移、候選框以及類別進(jìn)行非極大值抑制NMS(Non Maximum Suppression)，得到最后的檢測(cè)結(jié)果。該方法能夠準(zhǔn)確豐富的表示目標(biāo)的特征，并且能夠很好地提取目標(biāo)候選框，通過共享卷積參數(shù)減少候選框提取時(shí)間等優(yōu)點(diǎn)，但是，該方法仍然存在不足之處是，由于光學(xué)遙感圖像尺寸大、分辨率低，尤其是在艦船的檢測(cè)中，艦船目標(biāo)小并且艦船的特征經(jīng)常會(huì)與一些長(zhǎng)條形的建筑或者大型車輛集裝箱的特征相似，導(dǎo)致該方法在進(jìn)行光學(xué)遙感圖像目標(biāo)檢測(cè)時(shí)常常會(huì)將陸地上的物體誤檢測(cè)為艦船。

中國科學(xué)院大學(xué)在其申請(qǐng)的專利文獻(xiàn)“一種基于深度學(xué)習(xí)的魯棒性艦船目標(biāo)檢測(cè)方法”(專利申請(qǐng)?zhí)枺篊N201710677418.X，公開號(hào)：CN107563303A)中提出了一種深度學(xué)習(xí)的遙感圖像目標(biāo)檢測(cè)方法。該方法首先對(duì)訓(xùn)練樣本進(jìn)行處理并訓(xùn)練，得到訓(xùn)練分類器；之后對(duì)待檢測(cè)的遙感圖像進(jìn)行預(yù)處理并使用隨機(jī)森林進(jìn)行海陸分割，得到海陸分割區(qū)域，并對(duì)不存在艦船的岸上區(qū)域進(jìn)行遮擋；然后訓(xùn)練特征提取網(wǎng)絡(luò)，并利用海陸分割區(qū)域的旋轉(zhuǎn)不變深度特征，通過多層卷積得到特征圖并用深層卷積預(yù)測(cè)目標(biāo)；最后利用分類激活特征圖的方法得到艦船這一類別的響應(yīng)圖，對(duì)得到的響應(yīng)圖求連通域，得到初步檢測(cè)框，對(duì)艦船的參數(shù)進(jìn)行估計(jì)，得到帶有檢測(cè)框的結(jié)果圖。該方法通過訓(xùn)練分類器進(jìn)行海陸分離來輔助遙感圖像的特征進(jìn)行檢測(cè)，能夠預(yù)測(cè)魯棒性的目標(biāo)檢測(cè)的結(jié)果，減少由并排擺放引發(fā)的艦船漏檢。但是，該方法仍然存在的不足之處是，第一，在目標(biāo)檢測(cè)中將檢測(cè)過程分成了多個(gè)部分，檢測(cè)與分割使用不同網(wǎng)絡(luò)，導(dǎo)致該方法實(shí)施復(fù)雜度高。第二，由于光學(xué)遙感圖像噪聲比較大，該方法中使用的分割方法容易過擬合，導(dǎo)致分割效果差。

發(fā)明內(nèi)容