[發明專利]基于精細特征學習的建筑物檢測方法

在審

• 申請號: 201910768818.0
• 申請日: 2019-08-20
• 公開（公告）號: CN110532914A
• 公開（公告）日: 2019-12-03
• 發明（設計）人: 王爽;侯彪;何佩;周立剛;曹思宇;趙棟;焦李成
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06T7/11;G06T7/13
• 代理公司: 61205 陜西電子工業專利中心
• 代理人: 田文英;王品華<國際申請>=<國際公布>

本發明公開了一種基于精細特征學習的建筑物檢測方法。其實現步驟為：構造稠密卷積網絡，生成訓練樣本集和測試樣本集，對樣本集中的圖像進行預處理，利用稠密卷積塊提取光學遙感圖像的精細特征圖，使用自頂向下的方法融合特征圖，用融合邊緣的深監督損失訓練稠密卷積網絡，最后將測試樣本送入訓練好的稠密卷積網絡得到最終檢測結果。本發明利用構建的稠密卷積網絡提取光學遙感圖像的精細特征圖，利用融合邊緣的深監督損失訓練稠密卷積網絡，在保證建筑物特征豐富性的條件下減少了內存占用量，提高了建筑物檢測準確率。

技術領域

本發明屬于圖像處理技術領域，更進一步涉及建筑物檢測技術領域中的一種基于精細特征學習的建筑物檢測方法。本發明可用于從光學遙感圖像中檢測出建筑物。

背景技術

目檢測技術是計算機視覺領域的核心問題之一，建筑物檢測是以遙感衛星捕捉到的影像為數據源，采用圖像處理技術對影像中的建筑物進行定位。光學遙感圖像中的建筑物檢測問題在城市規劃和國土監控領域扮演著重要的角色。隨著遙感技術的進一步發展，所獲得的光學遙感數據也越來越豐富，但由于衛星拍攝的光學紅外遙感圖像易受到光照，云層等不起確定性天氣狀況的影響，高準確率的建筑物檢測面臨著巨大的挑戰。

武漢大學在其申請的專利文獻“基于多尺度多特征融合的遙感影像建筑物檢測方法”(專利申請號：CN201710220588.5，公開號：CN107092871A)中提出了一種建筑物檢測方法。該方法首先對遙感影像降采樣，獲得由不同尺度的影像構成的影像金字塔；計算影像金字塔的邊緣影像；對不同尺度的邊緣影像進行多組特征計算并進行融合建立特征模型；根據特征模型與鄰域局部非極大值抑制進行窗口選取獲得目標窗口；對目標窗口進行小范圍內的膨脹/收縮計算獲得矩形窗口；根據目標窗口的主方向旋轉所述矩形窗口得到最優目標窗口，并根據最優目標窗口提取出建筑物。該方法重點關注了建筑物形狀和大小尺寸不一的問題，運用多尺度方法檢測建筑物。但是，該方法仍然存在的不足之處是，由于該方法只利用了建筑物的邊緣特征檢測建筑物，當背景紋理信息復雜時，其檢測準確率偏低。

Huang Gao等人在其發表的論文“Densely connected convolutional networks”(Proceedings of the IEEE Conference on Computer Vision and PatternRecognition，2016)中提出了一種新的可用于檢測目標的方法。該方法首先用稠密卷積塊提取輸入圖片特征，稠密卷積塊內每個卷積層的輸入為稠密塊中前幾層卷積的輸出和稠密塊的輸入。然后利用多個串聯的稠密卷積塊生成目標特征，每個稠密卷積塊的輸入是前幾個稠密卷積塊的輸出的特征圖在通道上的疊加，以此得到最后的檢測結果。不同稠密塊的特征圖輸出會層層遞進，使得每一層的特征圖對最終的損失都產生貢獻。這樣做的好處是實現了隱含的深監督，避免了梯度消失，在增強特征的傳播和提取上取得了很好的效果，可以提取到圖像精細的特征圖。但是，該方法仍然存在的不足之處是，特征圖的數量會隨著網絡深度不斷成倍增加，造成計算復雜度過高，內存占用要求高。

發明內容

本發明的目的在于針對上述現有技術的不足，提出一種基于精細特征學習的建筑物檢測方法，解決了從光學遙感圖像中檢測建筑物時計算復雜度過高的問題和背景紋理信息復雜的建筑物檢測準確率低的問題。

實現本發明目的思路是：首先，構造稠密卷積網絡，生成訓練樣本集和測試樣本集，再利用稠密卷積塊提取訓練樣本集的精細特征圖，使用自頂向下的方法融合特征圖，用融合邊緣的深監督損失訓練稠密卷積網絡。最后將測試樣本送入訓練好的稠密卷積網絡得到最終檢測結果。

本發明的具體步驟如下，

步驟1，構造稠密卷積網絡：

搭建一個由5個相同結構的稠密卷積塊級聯成稠密卷積網絡，每個稠密卷積塊結構由9層組成，其結構依次為：輸入層→第一卷積層→第一融合層→第二卷積層→第二融合層→第三卷積層→第三融合層→第四卷積層→第四融合層；