[發(fā)明專利]一種遙感影像密集目標(biāo)深度學(xué)習(xí)檢測方法

有效

• 申請?zhí)枺?/td>: 201911354909.6
• 申請日: 2019-12-25
• 公開（公告）號: CN111126287B
• 公開（公告）日: 2022-06-03
• 發(fā)明（設(shè)計）人: 馬愛龍;陳鼎元;鐘燕飛;鄭卓
• 申請（專利權(quán)）人: 武漢大學(xué)
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/774;G06V10/764;G06V10/25;G06V10/82;G06N3/04
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 王琪

本發(fā)明公開了一種遙感影像密集目標(biāo)深度學(xué)習(xí)檢測方法，用于遙感影像密集目標(biāo)提取。首先，將圖像輸入到深層的CNN基礎(chǔ)網(wǎng)絡(luò)中以獲取特征圖；其次，將深度卷積特征輸入到密集目標(biāo)提取框架中，以進(jìn)行感興趣區(qū)域提取(RPN分支)，對象分類和矩形框框回歸。對于RPN分支，提出了高密度偏置采樣器來挖掘更多具有高密度的樣本(難樣本)以提高檢測性能。在密集目標(biāo)提取框架之后采用Soft?NMS來保留更多積極對象。最后，輸出精煉的矩形框，以實現(xiàn)對密集物體的數(shù)量統(tǒng)計。

技術(shù)領(lǐng)域

本發(fā)明屬于高分辨率遙感影像識別領(lǐng)域，特別涉及遙感影像密集目標(biāo)深度學(xué)習(xí)檢測方法。

背景技術(shù)

遙感技術(shù)的飛速發(fā)展，現(xiàn)在可以提供大量的高分辨率遙感影像。與低分辨率影像相比，高分辨率遙感影像包含更詳細(xì)的空間信息，不僅帶來了機(jī)遇，但也給遙感影像的識別帶來挑戰(zhàn)。基于高分辨率遙感影像技術(shù)的識別與分析現(xiàn)已運用于遙感影像目標(biāo)檢測任務(wù)中。其中，塑料大棚檢測是非常重要的一個研究方向。溫室栽培是通過營造微觀環(huán)境來種植作物，比如：蔬菜，煙草和水果。監(jiān)測和測繪溫室面積在兩個方面都很有意義：1)農(nóng)業(yè)價值。溫室栽培可以保護(hù)農(nóng)業(yè)，因此在農(nóng)業(yè)領(lǐng)域很重要。通過這種方式，溫室面積的管理有助于作物產(chǎn)量的估算。除此之外，在中國，還宣布了一些土地保護(hù)政策，例如，將溫室與未經(jīng)許可的建筑物區(qū)分開來，以保護(hù)農(nóng)田并劃定界限。2)環(huán)境保護(hù)。通常，玻璃和塑料作為大棚蓋頂?shù)牟牧稀＿@些溫室材料中鄰苯二甲酸鹽的含量超過60％，會導(dǎo)致土壤中的次生鹽漬化。另一方面，溫室栽培需要大量的施肥，這可能導(dǎo)致土壤酸化和養(yǎng)分失衡。

但是大棚提取是一類密集目標(biāo)提取問題，密集目標(biāo)提取在圖像處理的某些場景中已有一些研究。這些場景通常是人造的，例如行人檢測，打包零售檢測和文本檢測等。在遙感領(lǐng)域，交通監(jiān)督(即車輛檢測)和城市景觀規(guī)劃(即建筑物提取)也可以視為密集目標(biāo)檢測的任務(wù)。關(guān)于物體檢測的研究很多，但是密集物體的提取仍然是研究的難點。基于兩階段目標(biāo)檢測框架，對改進(jìn)后的模塊進(jìn)行了一些研究，以解決密集目標(biāo)提取的問題。區(qū)域提取網(wǎng)絡(luò)(RPN)：Hsieh提出了空間正則化RPN以利用空間布局信息，并將空間正則化約束引入網(wǎng)絡(luò)以提高定位精度。這種方法考慮了地面上物體的空間分布。但是，它不適用于極其密集的風(fēng)景。在文本檢測領(lǐng)域，Jiang采用旋轉(zhuǎn)RPN表示物體的位置。此方法很有用，因為它增加了邊界框中對象的填充率，并且提取了更有效的特征。但是，基于旋轉(zhuǎn)RPN的方法需要獲取復(fù)雜的人工注釋，并且難以訓(xùn)練。Head：Wang采用了排斥機(jī)制，以避免預(yù)測結(jié)果偏向周圍的地面真相。這種方法有助于引導(dǎo)人群更加穩(wěn)健，但是在極其密集的場景中效果非常有限。Zhang采用聚集損失而不是排斥損失來迫使預(yù)測的邊界框靠近并緊湊地定位到相應(yīng)的對象。此外，該模型將對象的整個主體分為幾個部分，以提取更多精致的特征。但是，對于密度極高的物體，周圍物體的分布可能太規(guī)則以至于無法進(jìn)行精確的物體檢測。He采用了不確定性估計模塊來評估定位可信度，并平衡簡單樣本和困難樣本。NMS：Hu將卷積網(wǎng)絡(luò)引入了預(yù)測的精確邊界框。這是一種自動方法，但會引入其他參數(shù)，因此很難安裝。Liu根據(jù)預(yù)測邊界框的密度設(shè)置抑制閾值。但是，它僅適用于與周圍目標(biāo)鄰接的密集目標(biāo)。

盡管上述方法已大大提高了密集目標(biāo)檢測的性能，但針對極度密集的目標(biāo)還是難以進(jìn)行有效提取。因此，為了解決密集對象提取的問題，提出了一種新穎的密集目標(biāo)檢測框架來實現(xiàn)密集大棚的數(shù)量和面積統(tǒng)計。

發(fā)明內(nèi)容

本發(fā)明的目的在于提出一種遙感影像密集目標(biāo)深度學(xué)習(xí)檢測方法，提出的密集目標(biāo)深度學(xué)習(xí)檢測方法基于兩階段的對象檢測方法，由三個組件組成，分別是基于難樣本挖掘的高密度偏置采樣器，用于密集對象提取的密集目標(biāo)檢測框架和用于后處理的Soft-NMS。首先，將遙感影像輸入到深度CNN基礎(chǔ)網(wǎng)絡(luò)中進(jìn)行特征提取；其次，提取的骨架特征圖由三個分支機(jī)構(gòu)使用：感興趣區(qū)域提取網(wǎng)絡(luò)(RPN)，矩形框檢測分支和語義分割分支。對于RPN分支，提出了高密度偏置采樣器，以利用更密集的樣本。對于矩形框檢測分支，實現(xiàn)了對象分類和邊界框回歸。對于語義分割分支，輸出每個像素的分類結(jié)果。第三，采用Soft-NMS作為后處理，以抑制不正確的矩形框，同時保留具有高置信度但密度高的矩形框。最后，輸出高定位精度的邊界框和分割掩膜，以同時對密集物體的數(shù)量和面積進(jìn)行統(tǒng)計。