[發明專利]一種針對密集區域的兩階段遙感圖像目標檢測方法

有效

• 申請號: 202010030047.8
• 申請日: 2020-01-13
• 公開（公告）號: CN111259758B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 趙佳琦;朱東郡;夏士雄;周勇;姚睿;陳瑩;張迪
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V20/17;G06V10/46;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 劉珊珊

本發明公開了一種針對密集區域的兩階段遙感圖像目標檢測方法，主要解決現有技術對目標密集區域目標識別準確率低的問題，其步驟為：1、對于輸入圖像進行數據增強操作，增加訓練樣本集；2、構建基于多尺度特征提取模塊；3、在不同尺度的特征圖上進行目標檢測，找出目標密集的區域；4、針對目標密集的區域進行二次目標檢測；5、對檢測出的目標進行分類和位置回歸，輸出目標對應的分類標簽和位置坐標，完成對圖像的目標識別和定位。本發明利用網絡多尺度結構的特點提取和融合不同尺度下的特征圖來檢測不同大小的目標，并對目標密集度高的區域進行二次檢測，提高了小目標識別準確率。該方法可用于無人機以及衛星對目標的檢測，偵查和監視。

技術領域

本發明涉及一種針對密集區域的兩階段遙感圖像目標檢測方法，可用于無人機以及衛星對目標的檢測、偵查和監視，屬于圖像處理技術。

背景技術

隨著深度學習在計算機視覺領域的飛速發展，目標檢測技術作為計算機視覺領域的一部分也得到了突破性的發展。近幾年，與目標檢測技術緊密相連的應用產品的出現，比如智慧城市監控、無人駕駛等，以及依靠目標檢測技術支撐的如行人識別、目標追蹤、視覺感知等技術的快速發展，都表明了目標檢測在計算機視覺中的重要地位。

作為計算機視覺領域的焦點和挑戰，小目標的檢測是目標檢測領域中較難解決問題之一。以前的大多數的目標檢測方法都是利用圖像金字塔和基于手工制作的特征，對目標在不同的尺度上進行識別，以此提高目標檢測的準確率。雖然目標特征的尺度對于檢測任務至關重要，但考慮到內存和檢測時間等問題，這些方法的準確率較低，計算成本較高，很難進行廣泛的應用。近年來，隨著深度卷積網絡的到來，手工設計的特征被通過卷積神經網絡計算的特征所取代，常見的圖像特征提取的卷積神經網絡如AlexNet、VGGNet、GooleNet以及深度殘差網絡等。這些卷積神經網的使用使目標檢測的性能得到了顯著的提高。然而，對遙感圖像中較多的小目標檢測仍然是一個具有挑戰性的問題。

從高空拍攝的遙感圖像相比于普通圖像存在以下問題：

(1)圖像中目標的個數多，種類多，而且目標尺寸普遍較小；

(2)部分類別目標的數據規模小，像工程用車，消防車，警車等特殊車輛；

(3)不同拍攝角度的目標形變較大，如對于使用無人機從正面角度與從上向下的角度拍攝的行人目標的圖像在形態上差別較大；

(4)目標尺度變化范圍大，例如從近景的大物體(如卡車)到遠景的小物體(如行人)，目標的尺度變化過大；

(5)目標容易被背景，如樹，房屋物體等遮擋，密集目標容易相互重疊遮擋。

這些遙感圖像中目標的尺度變化大、種類多、個數多、易受遮擋等問題導致深度神經網絡不能很好的對目標進行特征提取，極大地限制了目標檢測技術的應用與發展。

發明內容

發明目的：為了克服現有技術中存在的不足，本發明提供一種針對密集區域的兩階段遙感圖像目標檢測方法，解決現有技術對目標密集區域目標識別準確率低的問題，該方法采用多尺度特征融合技術，考慮了包含較多細節內容的高分辨特征和有較強語義的低分辨率特征，通過它們之間的相互融合來進行目標檢測；同時，對輸入圖像中目標較多的區域進行統計并對這些區域進行二次檢測來提高整體的檢測準確率。

技術方案：為實現上述目的，本發明采用的技術方案為：

一種針對密集區域的兩階段遙感圖像目標檢測方法，包括如下步驟：

(a)圖像數據增強

對原始訓練集中的每一張原始圖像均依次進行旋轉變換、反射變換、平移變換和對比度變換，把原始圖像和變換后的圖像統一成深度殘差網絡設定的輸入尺寸(比如?1000×600的像素尺寸)，把統一尺寸后的圖像作為對原始訓練集數據增強后的訓練集；

(b)構建多尺度特征提取模塊