[發(fā)明專利]基于人工智能的光學(xué)遙感圖像目標(biāo)在線快速檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910377070.1
• 申請(qǐng)日: 2019-05-07
• 公開(kāi)（公告）號(hào): CN110189304B
• 公開(kāi)（公告）日: 2022-08-12
• 發(fā)明（設(shè)計(jì)）人: 白宏陽(yáng);郭宏偉;李政茂;鄭浦;周育新;徐嘯康;梁華駒
• 申請(qǐng)（專利權(quán)）人: 南京理工大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T3/60;G06N3/04
• 代理公司: 南京理工大學(xué)專利中心 32203
• 代理人: 馬魯晉

本發(fā)明公開(kāi)了一種基于人工智能的光學(xué)遙感圖像目標(biāo)在線快速檢測(cè)方法，包括以下步驟：獲取原始光學(xué)遙感圖像，建立光學(xué)遙感圖像目標(biāo)數(shù)據(jù)集；搭建圖像特征提取網(wǎng)絡(luò)，并結(jié)合解碼器共同構(gòu)建目標(biāo)快速檢測(cè)網(wǎng)絡(luò)模型；利用所述光學(xué)遙感圖像目標(biāo)數(shù)據(jù)集對(duì)目標(biāo)快速檢測(cè)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和評(píng)估；利用訓(xùn)練后的目標(biāo)快速檢測(cè)網(wǎng)絡(luò)模型對(duì)待測(cè)光學(xué)遙感圖像進(jìn)行目標(biāo)檢測(cè)。本發(fā)明基于人工智能的光學(xué)遙感圖像目標(biāo)在線快速檢測(cè)方法可應(yīng)對(duì)復(fù)雜的外界干擾，具有檢測(cè)精度高、檢測(cè)速度快、占用內(nèi)存小、低成本、低功耗等優(yōu)點(diǎn)，適用于嵌入式等移動(dòng)平臺(tái)，并在嵌入式平臺(tái)上能取得實(shí)時(shí)的檢測(cè)速度和較高的檢測(cè)精度，可用于無(wú)人機(jī)機(jī)載平臺(tái)或衛(wèi)星平臺(tái)等移動(dòng)端的遙感目標(biāo)檢測(cè)。

技術(shù)領(lǐng)域

本發(fā)明屬于遙感、深度學(xué)習(xí)技術(shù)領(lǐng)域，特別是一種基于人工智能的光學(xué)遙感圖像目標(biāo)在線快速檢測(cè)方法。

背景技術(shù)

隨著計(jì)算機(jī)視覺(jué)技術(shù)和圖像并行處理技術(shù)的發(fā)展，深度學(xué)習(xí)在軍事領(lǐng)域和航空航天、科學(xué)探測(cè)、天文觀測(cè)以及視頻監(jiān)控等民用領(lǐng)域具有越來(lái)越廣泛的應(yīng)用。世界上著名的高分辨率衛(wèi)星成像系統(tǒng)已達(dá)到亞米級(jí)甚至0.1m分辨率的高精度級(jí)別，吉林一號(hào)輕型高分辨率遙感衛(wèi)星光學(xué)成像系統(tǒng)每天能獲取15萬(wàn)平方公里的高分辨率遙感圖像數(shù)據(jù)，Digitalglobe公司的WorldView商業(yè)衛(wèi)星系統(tǒng)的星載大容量全色成像系統(tǒng)每天能夠拍攝多達(dá)50萬(wàn)平方公里的0.5米分辨率圖像。衛(wèi)星平臺(tái)和無(wú)人機(jī)平臺(tái)積累的遙感圖像數(shù)據(jù)在不斷積累，星載或機(jī)載平臺(tái)的目標(biāo)檢測(cè)與識(shí)別任務(wù)亟需一種適用于移動(dòng)平臺(tái)、占用資源少、計(jì)算效率高的輕量化深度學(xué)習(xí)模型處理遙感圖像數(shù)據(jù)。

目前用于目標(biāo)檢測(cè)與識(shí)別的深度學(xué)習(xí)方法一般分為兩種：雙階段深度神經(jīng)網(wǎng)絡(luò)模型(如Faster R-CNN)和單階段深度神經(jīng)網(wǎng)絡(luò)模型(如YOLO、SSD)。雙階段模型首先在給定的圖像上選擇一些候選的區(qū)域，然后對(duì)這些區(qū)域提取特征，最后使用訓(xùn)練的分類器進(jìn)行分類識(shí)別。但是這兩種識(shí)別方法均存在不足：雙階段深度神經(jīng)網(wǎng)絡(luò)模型，基于滑動(dòng)窗口的區(qū)域選擇策略沒(méi)有針對(duì)性，時(shí)間復(fù)雜度高，窗口冗余，給使用人員帶來(lái)較大困難；單階段模型，利用整張圖作為網(wǎng)絡(luò)的輸入，直接在輸出層輸出回歸框的位置和所屬的類別，雖然在GPU平臺(tái)的加速下達(dá)到了較高的處理速度，但計(jì)算成本高、單位時(shí)間功耗大，不適用于嵌入式等移動(dòng)端。且無(wú)論是單階段或是雙階段模型都面臨占用內(nèi)存大的問(wèn)題，在嵌入式平臺(tái)上的表現(xiàn)難以達(dá)到實(shí)時(shí)性的要求。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種利用深度神經(jīng)網(wǎng)絡(luò)、多尺度特征圖和目標(biāo)航向角預(yù)測(cè)方法實(shí)現(xiàn)無(wú)人機(jī)機(jī)載或衛(wèi)星平臺(tái)下對(duì)遙感目標(biāo)進(jìn)行快速在線檢測(cè)的方法。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：基于人工智能的光學(xué)遙感圖像目標(biāo)在線快速檢測(cè)方法，包括以下步驟：

步驟1、獲取原始光學(xué)遙感圖像，建立光學(xué)遙感圖像目標(biāo)數(shù)據(jù)集；

步驟2、搭建圖像特征提取網(wǎng)絡(luò)，并結(jié)合解碼器共同構(gòu)建目標(biāo)快速檢測(cè)網(wǎng)絡(luò)模型；

步驟3、利用所述光學(xué)遙感圖像目標(biāo)數(shù)據(jù)集對(duì)目標(biāo)快速檢測(cè)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和評(píng)估；

步驟4、利用訓(xùn)練后的目標(biāo)快速檢測(cè)網(wǎng)絡(luò)模型對(duì)待測(cè)光學(xué)遙感圖像進(jìn)行目標(biāo)檢測(cè)。

本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)為：1)通過(guò)使用多尺度特征圖參與預(yù)測(cè)，達(dá)到有效提高目標(biāo)定位精度和分類精度的效果；2)通過(guò)將目標(biāo)航向預(yù)測(cè)作為回歸問(wèn)題引入網(wǎng)絡(luò)模型直接進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)了在單階段深度神經(jīng)網(wǎng)絡(luò)模型中對(duì)旋轉(zhuǎn)目標(biāo)航向角信息的提??；3)通過(guò)將目標(biāo)航向角信息與矩形標(biāo)注框相結(jié)合，提供了一種旋轉(zhuǎn)目標(biāo)數(shù)據(jù)集建立新方法；4)利用擴(kuò)張卷積對(duì)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，減少了計(jì)算量和模型體積，加速了計(jì)算過(guò)程；5)所設(shè)計(jì)的模型占用內(nèi)存小、計(jì)算成本小、計(jì)算效率高且具有較好的精度，適用于嵌入式等移動(dòng)平臺(tái)。

下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。

附圖說(shuō)明

圖1為本發(fā)明基于人工智能的光學(xué)遙感圖像目標(biāo)在線快速檢測(cè)方法流程圖。

圖2為本發(fā)明中目標(biāo)航向角標(biāo)注示意圖。

具體實(shí)施方式