[發明專利]一種區域顯著性引導的光學遙感圖像飛機檢測方法及裝置

在審

• 申請號: 202110644392.5
• 申請日: 2021-06-09
• 公開（公告）號: CN113743185A
• 公開（公告）日: 2021-12-03
• 發明（設計）人: 莊胤;劉湘;陳禾;李燦
• 申請（專利權）人: 北京理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06T7/11;G06T7/13;G06T7/136;G06N3/04;G06N3/08
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 溫子云;李愛英

1.一種區域顯著性引導的光學遙感圖像飛機檢測方法，其特征在于，所述方法包括以下步驟：

步驟S101：掃描原始圖像，提取機場區域及檢測飛機目標；

所述機場區域提取包括：對所述原始圖像按多尺度因子進行切片，基于訓練好的特征集成深度學習網絡，對所述切片進行分類；根據分類結果預測所述原始圖像中存在機場區域的切片，用高斯加權的方式生成所述原始圖像中存在機場區域的顯著圖；對所述顯著圖進行處理，作為所述機場區域的提取結果；

所述飛機目標檢測，包括：將原始圖像輸入骨干網絡，依據幾何先驗知識修正樣本標注框，提取特征并檢測飛機目標；

步驟S102：將所述機場區域的顯著圖轉化為機場區域的凸多邊形；

步驟S103：基于所述機場區域的凸多邊形，將所述原始圖像劃分為三個級別關注度的子區域，使用雙閾值加權方法對檢測出的飛機目標的置信度進行加權處理。

2.如權利要求1所述的區域顯著性引導的光學遙感圖像飛機檢測方法，其特征在于，所述機場區域提取包括：對所述原始圖像按多尺度因子進行切片，基于訓練好的特征集成深度學習網絡，對所述切片進行分類；根據分類結果預測所述原始圖像中存在機場區域的切片，用高斯加權的方式生成所述原始圖像中存在機場區域的顯著圖；對所述顯著圖進行處理，作為所述機場區域的提取結果，包括：

步驟S201：將所述原始圖像S_A按照多尺度因子α₁,…,α_L-1,α_L有重疊地切分并下采樣，得到尺寸相同的切片S₁,S₂,…,S_N；

步驟S202：將切片{S₁,S₂,…,S_N}∈S_A輸入到特征集成深度學習網絡中，所述特征集成深度學習網絡對其是否屬于機場區域進行預測，若屬于則將該切片分類結果T_n置為1，否則T_n置為0；

步驟S203：根據分類結果T_n，對所述原始圖像中存在機場的區域進行預測，用高斯加權的方式生成所述原始圖像中存在機場區域的顯著圖；

步驟S204：對所述機場區域的顯著圖使用閾值分割法生成二值圖，該二值圖作為機場區域的提取結果。

3.如權利要求2所述的區域顯著性引導的光學遙感圖像飛機檢測方法，其特征在于，所述特征集成深度學習網絡訓練過程中，損失函數L_joint為L_joint＝L_I+λ·L_C+μ·L_A (公式1)，其中

L_A＝-log A(S_n,R₁,R₂,…,R_K) (公式4)

其中，C為分類的置信度，I為特征金字塔網絡給出的信息量得分，i為遍歷候選局部區域的第一控制變量，j為遍歷候選局部區域的第二控制變量，M為超參數，R_i為第i個候選局部區域，R_j為第j個候選局部區域，I(R_i)為第i個候選局部區域的信息量得分，I(R_j)為第j個候選局部區域的信息量得分；S_n為切片，M為特征金字塔網絡篩選出的候選局部區域的個數，-log C(S_n)表示整個切片S_n的交叉熵損失，表示局部區域的交叉熵損失的總和；K為置信度最高的局部區域R_i的個數，函數A(·)代表網絡的特征集成和分類預測模塊；λ、μ均為常數。