[發明專利]一種遙感圖像目標檢測方法

在審

• 申請號: 202010122264.X
• 申請日: 2020-02-27
• 公開（公告）號: CN111339950A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 滕竹;段雅妮;張寶鵬;李芮;李浥東
• 申請（專利權）人: 北京交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京市商泰律師事務所 11255
• 代理人: 劉源

本發明提供了一種遙感圖像目標檢測方法基于圖像語義特征來設計錨框，借助特征的強大表達力來使錨框生成階段既高效又精準。通過中心預測分支和形狀預測分支預測錨框的位置及大小，所采用的瓶頸結構擴大特征相對于原圖的感受野，增強小目標檢測能力。本發明不僅解決了遙感圖像目標多尺度問題，而且對小目標有較好的檢測性能；本發明提供的方法基于圖像語義特征來設計錨框，借助特征的強大表達力來使錨框生成階段既高效又精準；通過中心預測分支和形狀預測分支預測錨框的位置及大小，所采用的瓶頸結構擴大特征相對于原圖的感受野，增強小目標檢測能力；本發明中提供的模型提升了對多種數據集中多尺度目標的適應性，增強了泛化性。

技術領域

本發明涉及遙感圖像檢測技術領域，尤其涉及一種遙感圖像目標檢測方法。

背景技術

近些年來，傳統圖像目標檢測領域由于深度卷積神經網絡的引入取得了重大突破，目前主要形成了以R-CNN系、R-FCN、Mask R-CNN等方法為代表的基于候選區域的方法和以SSD，YOLO系，RetinaNet等方法為代表的基于端到端的方法。隨著遙感技術的不斷發展，我們可以越來越容易地獲取到遙感圖像并對其進行分析和處理，而遙感圖像目標檢測是遙感圖像處理和分析的基礎問題之一。目前，絕大多數遙感圖像目標檢測方法都是直接從傳統圖像目標檢測方法中遷移過來的。基于候選區域的遙感圖像目標檢測方法將檢測過程分為兩個階段，首先基于原始圖片生成一系列候選區域，并將特征圖和候選區域一塊送入感興趣區域池化層(ROI Pooling)，然后對候選區域進行二次分類預測和回歸預測產生最終預測結果。此類方法極大增加了計算成本，限制了遙感圖像目標檢測的速度。基于端到端的遙感圖像目標檢測方法直接將檢測問題看作一個回歸問題，注重整體性。此方法無需區域推薦階段，直接產生目標物體的類別預測概率值和位置偏移量預測值。此類方法難以解決遙感圖像中多尺度目標的問題，檢測精度低。在遙感圖像中目標物體尺度變化范圍大、小目標物體聚簇、數據集多樣的情況下，如何構造一個兼顧速度和精度，而且對遙感圖像不同數據集中的目標物體尺度變化自適應性高的檢測器成為重中之重。

目前現有技術按照傳統圖像目標檢測做法達到了不錯的效果，如圖4所示，現有技術首先通過特征提取網絡提取輸入圖片的特征，然后對于多個尺度的特征圖，分別人為地預先設定好多組固定尺寸和比例的錨框，再將多尺度特征和錨框結合產生最后預測結果，從而提高目標物體的檢測效果。但是由于現有技術常常是隨機生成或者人為預先設定好錨框，這對于遙感圖像中目標物體尺度變化大以及數據集種類多的特點而言，尤其不利，常常會導致效率低下、負錨框比例大、難以適應多種數據集的目標尺度變化的問題產生。

發明內容

本發明的實施例提供了一種遙感圖像目標檢測方法，用于解決現有技術中存在的如下技術問題：

針對遙感圖像中多種數據集，采用人為預先設定錨框，需要對每種數據集設計單獨的錨框策略，時間成本高、效率低；

由于遙感圖像目標物體尺度變化范圍大，需要人為設計很多組錨框，但實際上只有少部分是可用的，負錨框過多、錯誤率高；

針對遙感圖像中多尺度目標檢測問題，利用多尺度特征信息融合的方法只能對同一種數據集進行大小尺度目標的檢測，難以實現多種數據集中大小尺度目標檢測。

為了實現上述目的，本發明采取了如下技術方案。

一種遙感圖像目標檢測方法，基于尺度生成網絡模型實施，具體包括：

基于原始遙感圖像，通過特征提取網絡，獲得多尺度信息；

基于該多尺度信息，通過尺度生成網絡的中心預測分支和形狀預測分支，獲得錨框；

基于該錨框和多尺度信息，通過區域生成網絡的第一區域分類分支和第一區域回歸分支，獲得區域推薦；

基于區域推薦和多尺度信息，通過預測網絡的類別標簽預測操作和回歸量預測操作，以及非極大值抑制操作，獲得目標圖像。