[發(fā)明專利]一種任意尺度的高分辨率圖像小目標(biāo)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010023020.6
• 申請(qǐng)日: 2020-01-09
• 公開（公告）號(hào): CN111222474B
• 公開（公告）日: 2022-11-04
• 發(fā)明（設(shè)計(jì)）人: 李建清;吳錦濤;王宏
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06V20/13
• 分類號(hào): G06V20/13;G06V10/80;G06V10/82;G06V10/762;G06V10/764;G06V10/774;G06T7/73
• 代理公司: 深圳國聯(lián)專利代理事務(wù)所(特殊普通合伙) 44465
• 代理人: 王天興

一種任意尺度的高分辨率圖像小目標(biāo)檢測(cè)方法，包括以下步驟：獲取標(biāo)注清洗的目標(biāo)數(shù)據(jù)集，劃分訓(xùn)練集和測(cè)試集；對(duì)數(shù)據(jù)集通過優(yōu)化聚類算法計(jì)算預(yù)設(shè)錨框；設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)，通過特征提取得到特征圖，在預(yù)測(cè)網(wǎng)絡(luò)上添加補(bǔ)丁使上采樣得到的特征圖和特征提取層對(duì)應(yīng)特征圖維度保持一致，在不同尺度特征圖上做多尺度檢測(cè)；利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，待性能評(píng)價(jià)指標(biāo)收斂后得到具有小目標(biāo)檢測(cè)能力的神經(jīng)網(wǎng)絡(luò)模型；對(duì)測(cè)試數(shù)據(jù)集進(jìn)行檢測(cè)，得到目標(biāo)類別和位置坐標(biāo)。本發(fā)明適用任意尺寸的圖像輸入網(wǎng)絡(luò)，避免縮小到固定尺寸輸入網(wǎng)絡(luò)后特征圖上小目標(biāo)特征的丟失，或裁剪圖像導(dǎo)致邊緣目標(biāo)上下文信息丟失，有助于高分辨率圖像小目標(biāo)的檢測(cè)，適用性廣。

技術(shù)領(lǐng)域

本發(fā)明屬于深度學(xué)習(xí)圖像處理和遙感高分辨率圖像小目標(biāo)檢測(cè)技術(shù)領(lǐng)域，特別涉及到一種任意尺度的高分辨率圖像小目標(biāo)檢測(cè)方法。

背景技術(shù)

隨著衛(wèi)星遙感技術(shù)及計(jì)算機(jī)視覺技術(shù)的發(fā)展和應(yīng)用，光學(xué)遙感圖像中的目標(biāo)檢測(cè)在民用和軍事方面有著重要意義。在民用上，高精度目標(biāo)檢測(cè)有助于輔助交通管理和規(guī)劃；在軍事上，高精度的目標(biāo)檢測(cè)有助于準(zhǔn)確的情報(bào)偵察，精確鎖定敵對(duì)目標(biāo)入侵和危害，維護(hù)國家安全。而分辨率高、目標(biāo)小是遙感圖像目標(biāo)檢測(cè)的難點(diǎn)和最突出的問題之一。

傳統(tǒng)的遙感圖像目標(biāo)檢測(cè)基于圖像處理，即先進(jìn)行紋理分割、紋理特征提取，然后使用模板匹配等方法對(duì)目標(biāo)進(jìn)行判斷，不僅對(duì)特征的抽象和泛化能力弱，而且工程復(fù)雜度高。深度卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用大大提高了目標(biāo)檢測(cè)精度，但是無論是以YOLO為代表的one-stage檢測(cè)算法，還是以R-CNN為代表的two-stage檢測(cè)算法，都需要對(duì)高分辨率的遙感圖像進(jìn)行裁剪或者進(jìn)行插值計(jì)算放縮到較小的圖像尺寸，裁剪導(dǎo)致特征提取后裁剪塊邊緣目標(biāo)上下文信息丟失，而對(duì)圖像進(jìn)行插值計(jì)算放縮到較小的固定尺寸，原始圖像中小目標(biāo)尺寸更小，通過深層的特征提取網(wǎng)絡(luò)所得到的特征圖，小目標(biāo)特征丟失，會(huì)造成小目標(biāo)的漏檢。以YOLO為例，如果輸入圖像原始大小為1355×1526，圖像中小目標(biāo)尺寸為32×32，輸入網(wǎng)絡(luò)需要對(duì)圖片進(jìn)行插值縮小到416×416的固定大小，小目標(biāo)尺寸縮小到10～16之間，小目標(biāo)通過特征提取網(wǎng)絡(luò)在特征圖上目標(biāo)特征消失，最終造成小目標(biāo)的漏檢。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題在于提供一種任意尺度的高分辨率圖像小目標(biāo)檢測(cè)方法，該檢測(cè)方法克服了現(xiàn)有深度學(xué)習(xí)網(wǎng)絡(luò)固定輸入圖像尺寸，大尺寸圖像需要縮放到固定尺寸輸入網(wǎng)絡(luò)，造成小目標(biāo)漏檢的不足，提高了大尺寸圖像情況下小目標(biāo)識(shí)別的準(zhǔn)確性。

為了解決上述技術(shù)問題，本發(fā)明通過以下方式來實(shí)現(xiàn)：

一種任意尺度的高分辨率圖像小目標(biāo)檢測(cè)方法，具體包括以下步驟：

S1、獲取目標(biāo)數(shù)據(jù)集，對(duì)目標(biāo)數(shù)據(jù)集進(jìn)行標(biāo)注清洗，并劃分訓(xùn)練集和測(cè)試集；

S2、對(duì)步驟S1中的目標(biāo)數(shù)據(jù)集通過優(yōu)化的kmeans聚類算法計(jì)算預(yù)設(shè)錨框Anchors；

S3、設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)，通過特征提取網(wǎng)絡(luò)得到特征圖，并在預(yù)測(cè)網(wǎng)絡(luò)上通過添加補(bǔ)丁的方式使上采樣得到的特征圖和特征提取層所對(duì)應(yīng)特征圖維度保持一致，進(jìn)行特征融合，在原圖的和大小的特征圖上做多尺度檢測(cè)；

S4、將步驟S1中得到的訓(xùn)練集和對(duì)應(yīng)的樣本標(biāo)簽作為輸入數(shù)據(jù)，利用步驟S3中得到的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，待性能評(píng)價(jià)指標(biāo)達(dá)到收斂后得到具有小目標(biāo)檢測(cè)能力的神經(jīng)網(wǎng)絡(luò)模型；

S5、根據(jù)步驟S4得到的神經(jīng)網(wǎng)絡(luò)模型，對(duì)測(cè)試數(shù)據(jù)集進(jìn)行檢測(cè)，得到檢測(cè)結(jié)果。

進(jìn)一步地，所述步驟S1具體包含以下子步驟：

S11、選取數(shù)據(jù)集中包含汽車的圖片作為目標(biāo)數(shù)據(jù)集，對(duì)目標(biāo)數(shù)據(jù)集進(jìn)行標(biāo)注清洗，構(gòu)成實(shí)驗(yàn)中所用的數(shù)據(jù)集和樣本標(biāo)簽；

S12、對(duì)步驟S11中得到的數(shù)據(jù)集和樣本標(biāo)簽進(jìn)行旋轉(zhuǎn)、翻轉(zhuǎn)、加噪聲等操作，實(shí)現(xiàn)數(shù)據(jù)擴(kuò)展和數(shù)據(jù)增強(qiáng)，不對(duì)圖片進(jìn)行尺寸變換；