[發明專利]遙感圖像的目標識別方法、裝置和計算機設備

有效

• 申請號: 201910007003.0
• 申請日: 2019-01-04
• 公開（公告）號: CN109711381B
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 翟佳;周嘉明;陳峰;彭實
• 申請（專利權）人: 北京環境特性研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京格允知識產權代理有限公司 11609
• 代理人: 張沫;周嬌嬌

1.一種遙感圖像的目標識別方法，其特征在于，所述方法包括：

獲取訓練遙感圖像，以及，獲取與所述訓練遙感圖像對應的標準識別結果；

對預設神經網絡進行優化，獲取優化神經網絡；其中，所述優化神經網絡具有至少兩個不同尺度的用于檢測圖像的感知域；

根據所述訓練遙感圖像和所述標準識別結果，訓練所述優化神經網絡，得到訓練神經網絡；

將待識別的遙感圖像輸入所述訓練神經網絡，得到所述遙感圖像的目標識別結果；

所述預設神經網絡為yolov3網絡；

所述對預設神經網絡進行優化，獲取優化神經網絡，包括：

在所述yolov3網絡結構的特征映射和輸出檢測結果之間，增加至少兩個不同尺度的用于檢測圖像的感知域，得到所述優化神經網絡；

所述根據所述訓練遙感圖像和所述標準識別結果，訓練所述優化神經網絡，得到訓練神經網絡，包括：

將所述訓練遙感圖像輸入所述優化神經網絡，得到訓練輸出識別結果；

對預設損失函數進行優化，得到優化損失函數；

根據所述優化損失函數、所述標準識別結果和所述訓練輸出識別結果，計算損失值；

不斷根據所述損失值調節所述優化神經網絡的參數，直到根據調節參數后的優化神經網絡得到的損失值符合預設條件，將調節參數后的優化神經網絡作為訓練神經網絡；

所述預設損失函數包括預設檢測框損失函數；所述對預設損失函數進行優化，得到優化損失函數，包括：

將預設檢測框損失函數乘以校正系數，得到優化檢測框損失函數；其中，所述校正系數根據所述訓練遙感圖像和所述訓練輸出識別結果確定；所述優化檢測框損失函數的表達式如下：

iou＝IOU(detection_bbox,gt_bbox)

式中IOU為重疊度，scale為校正系數。

2.根據權利要求1所述的目標識別方法，其特征在于，所述預設損失函數包括預設置信度損失函數；所述對預設損失函數進行優化，得到優化損失函數，包括：

調節預設置信度損失函數時的正負樣本比例，得到優化置信度損失函數。

3.根據權利要求2所述的目標識別方法，其特征在于，所述調節置信度損失函數時的正負樣本比例，包括：

隨機抽取訓練遙感圖像的多個負樣本中預設比率的負樣本，根據訓練遙感圖像的正樣本數量和抽取后的負樣本的數量計算正負樣本比例。

4.一種遙感圖像的目標識別裝置，其特征在于，所述裝置包括：

圖像獲取模塊，用于獲取訓練遙感圖像，以及，獲取與所述訓練遙感圖像對應的標準識別結果；

網絡結構優化模塊，用于對預設神經網絡進行優化，獲取優化神經網絡；其中，所述優化神經網絡具有至少兩個不同尺度的用于檢測圖像的感知域；

訓練模塊，用于根據所述訓練遙感圖像和所述標準識別結果，訓練所述優化神經網絡，得到訓練神經網絡；

識別模塊，用于將待識別的遙感圖像輸入所述訓練神經網絡，得到所述遙感圖像的目標識別結果；

所述預設神經網絡yolov3網絡；

所述網絡結構優化模塊包括：

感知域增加單元，用于在所述yolov3網絡結構的特征映射和輸出檢測結果之間，增加至少兩個不同尺度的用于檢測圖像的感知域，得到所述優化神經網絡；

所述訓練模塊包括：

輸入單元，用于將所述訓練遙感圖像輸入所述優化神經網絡，得到訓練輸出識別結果；

函數優化單元，用于對預設損失函數進行優化，得到優化損失函數；

損失值獲取單元，用于根據所述優化損失函數、所述標準識別結果和所述訓練輸出識別結果，計算損失值；

參數調節單元，用于不斷根據所述損失值調節所述優化神經網絡的參數，直到根據調節參數后的優化神經網絡得到的損失值符合預設條件，將調節參數后的優化神經網絡作為訓練神經網絡；

所述函數優化單元包括：

檢測框函數優化單元，用于將預設檢測框損失函數乘以校正系數，得到優化檢測框損失函數；其中，所述校正系數根據所述訓練遙感圖像和所述訓練輸出識別結果確定；所述優化檢測框損失函數的表達式如下：

iou＝IOU(detection_bbox,gt_bbox)

式中IOU為重疊度，scale為校正系數。