[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

本發明提供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，所述方法包括掃描原始圖像，提取機場區域及檢測飛機目標；將所述機場區域的顯著圖轉化為機場區域的凸多邊形；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。根據本發明的方案，能夠很好地對大視場高分辨率光學遙感圖像機場場景中的飛機目標進行檢測，在面對飛機目標尺度變化、密集分布等復雜條件時也取得了良好效果，并且可以降低機場外圍區域的虛警率。

技術領域

本發明涉及目標檢測領域，尤其涉及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。

背景技術

目標檢測是遙感影像解譯任務中的基本問題，即通過計算機視覺算法對圖像中是否存在感興趣目標以及其出現位置進行判斷，是開展目標跟蹤、趨勢分析等任務的基礎。早期的檢測手段以傳統圖像處理方法為基礎，通過手工設計的特征對目標進行描述，并使用傳統機器學習方法完成分類。自從深度學習技術得到廣泛應用以來，卷積神經網絡體現出強大的自動特征提取能力和不斷學習進化的潛力，使得目標檢測能力和穩定性均得到了顯著的提升。

按照目標候選區域的生成方式區分，基于深度學習的目標檢測方法可分為有錨框方法和無錨框方法兩類。有錨框方法使用一組具有不同尺度和比例組合的矩形候選框生成目標的候選區域，卷積神經網絡對框內的區域是否包含目標進行判斷，若包含目標則確定其類別歸屬，并將候選框回歸到更精確的位置上。無錨框方法沒有顯式的候選區域生成過程，而是借助關鍵點和特征線對目標進行建模，使用編碼和解碼完成目標邊框的回歸，可以打破錨框對目標尺寸和比例的束縛，有利于應對遙感中飛機目標的尺度多樣性，同時檢測流程更加簡潔，有助于提升檢測的速度。

在機場場景圖像中，飛機大多分布于機場跑道和停機坪等區域。機場外圍區域背景較為復雜，檢測時易產生虛警；但這些區域中可能存在零星分布的飛機。現有的一些方法通過提取機場跑道和停機坪等區域并在其中檢測飛機目標，降低了虛警率，但是易造成機場外圍區域的漏檢。而在飛機目標檢測方法的訓練階段，縮放和裁切等數據增強操作可能會將樣本標注框截斷，使得樣本的中心點發生偏移，不利于骨干網絡學習到樣本最顯著的特征。

發明內容

為解決上述技術問題，本發明提出了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，所述方法及裝置，用以解決現有技術中機場外圍區域檢測率與虛警率無法實現平衡、訓練階段數據增強操作使樣本標注框中心點產生偏移的技術問題。

根據本發明的第一方面，提供一種區域顯著性引導的光學遙感圖像飛機檢測方法，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。

根據本發明第二方面，提供一種區域顯著性引導的光學遙感圖像飛機檢測裝置，所述裝置包括：

提取模塊：配置為掃描原始圖像，提取機場區域及檢測飛機目標；