[發明專利]基于無錨點精確采樣遙感圖像車輛目標檢測方法

有效

• 申請號: 202010521952.3
• 申請日: 2020-06-10
• 公開（公告）號: CN111738114B
• 公開（公告）日: 2023-09-05
• 發明（設計）人: 門飛飛;李訓根;馬琪;潘勉;呂帥帥;李子璇;張戰;劉愛林
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 浙江永鼎律師事務所 33233
• 代理人: 陸永強

1.一種基于無錨點精確采樣遙感圖像車輛目標檢測方法，其特征在于，包括如下步驟：

S1，使用多層卷積神經網絡對原始圖片進行特征提取，根據不同尺度大小的特征圖構成自上而下特征金字塔；

S2，對于特征金字塔的每一層特征，生成特征圖上所有像素點的類別預測；

S3，對于特征金字塔的每一層特征，生成特征圖上所有像素點的目標框預測；

所述步驟S3進一步包括：對于單個特征圖而言，回歸子網絡中，W與H分別表示特征圖的寬與高，256表示特征圖的當前通道數為256，先經過多個卷積操作后，在WxHx4中，4表示像素點與上下左右四條邊距離的信息：

其中，分別表示正樣本與目標框四條邊的偏移量；x₁、x₂、y₁、y₂分別表示輸入的遙感圖像中車輛目標框在圖片中的左、右、上、下的距離；x、y分別表示正樣本像素點在圖像中的坐標；l表示當前車輛目標所在的特征金字塔的層數，z為S為車輛目標的面積大小，log表示為對分數的計算結果取對數；

S4，根據輸入圖片中的真實框面積信息確定當前車輛目標所屬的特征圖；

S5，借助真實框內的目標實例分割信息確定目標在對應層特征內的正樣本像素點，并通過計算該像素點到真實框四條邊的差值；

具體包括獲取輸入車輛目標的實例分割目標框，最終獲取的中心區域為原有分割結果的縮小區域，為了獲取所述縮小區域，通過累加該點與四周點的和來確定該點的最終值，選擇所有點中的最大值作為閾值：

P[i][j]+＝P[i-1][j-1]+P[i][j-1]+P[i+1][j-1]+P[i-1][j]+P[i+1][j]+P[i-1][j+1]+P[i][j+1]+P[i+1][j+1]

其中P[i][j]表示i行j列的像素點的值；對于處于邊界的像素點，采用補0的方式滿足上式；

S6，計算所有正樣本像素點的類別損失與關于真實框的回歸損失；通過SmoothLlLoss計算偏移量信息與目標回歸子網絡的輸出值的損失值，通過FocalLoss計算正樣本像素值的分類損失值。

2.如權利要求1所述的基于無錨點精確采樣遙感圖像車輛目標檢測方法，其特征在于，S1進一步包括：

選用ResNet-50作為基礎卷積神經網絡，圖片經過網絡，在不同的層輸出不同尺度的特征圖，每上一個特征圖是下一個特征圖所經過網絡的輸出，此時的不同特征具有不同的通道數，越上層的特征，通道數越多，首先對不同特征圖進行通道數統一化，其過程如下：

P_i＝Conv_3×3(C_i，256，3，1，1)

其中，P_i代表第i層特征，Conv_3x3表示3×3卷積層，C_i表示輸入圖片經過ResNet-50得到的特征圖，Con_3x3卷積層內的參數C_i、256、3、1、1依次為特征圖的輸入通道數，特征圖的輸出通道數，卷積層的卷積核尺寸，卷積核每次的移動步長和特征圖的邊界填充數。

3.如權利要求1所述的基于無錨點精確采樣遙感圖像車輛目標檢測方法，其特征在于，S2進一步包括：先對單層特征圖WxHx256先經過四次同樣的卷積操作，得到尺度與通道數均不變的特征圖，接著使用一個3×3卷積，輸出通道數為2的特征圖，其中的一個通道表示輸入遙感圖片中存在車輛目標，另一個通道表示不含有車輛目標。