[發明專利]風格遷移增強的機場目標檢測方法

有效

• 申請號: 202210332513.7
• 申請日: 2022-03-30
• 公開（公告）號: CN114943869B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 王欣;李屹;許雅璽;傅強;劉曉東;潘磊
• 申請（專利權）人: 中國民用航空飛行學院
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V10/774;G06V10/82;G06V10/44;G06V10/80;G06T3/00;G06N3/044;G06N3/045;G06N3/0464;G06N3/0475;G06N3/094;G06N3/088
• 代理公司: 成都東恒知盛知識產權代理事務所(特殊普通合伙) 51304
• 代理人: 何健雄

本發明涉及機場目標檢測技術領域，具體地說，涉及一種風格遷移增強的機場目標檢測方法，其包括以下步驟：一、使用基于生成對抗網絡的風格遷移網絡學習訓練集中非邊緣信息；二、利用學習得到的模型對原始的機場目標檢測數據集進行風格遷移得到新的數據集；三、通過邊緣檢測算法對新的數據集進行邊緣輪廓特征提取和增強；四、利用增強的特征對機場進行目標檢測。本發明能較佳地進行機場目標檢測。

技術領域

本發明涉及機場目標檢測技術領域，具體地說，涉及一種風格遷移增強的機場目標檢測方法。

背景技術

在交通運輸體系中，機場有著重要的戰略價值。在民航運輸方面，機場位置的準確性對航路的設計，飛機的導航，以及突發情況下的應急備降有著至關重要的意義。由于全球經濟發展，人口增長等原因，隨著時間的推移，機場或類似的建筑物或多或少會進行擴建、搬遷等，這導致許多已經標注好的機場坐標點不再適用于現在的機場，例如大小不合適，中心點偏移等，因此需要針對機場坐標進行修正，而修正的前提就是需要對機場目標輪廓進行準確識別。隨著深度學習技術的發展，基于深度學習的算法在目標檢測領域的各個方面均取得了不錯的效果，這使得利用深度學習算法識別機場目標成為可能。

在復雜環境目標檢測任務中，目標檢測算法的性能主要依賴于數據集的訓練樣本質量，樣本的質量可以理解為提取的特征的質量。然而在真實的采集環境中，由于環境、采集器甚至人為因素的影響導致圖像中存在大量的噪聲，從這樣的樣本中難以提取出針對目標提取任務的有效信息。針對這類問題，傳統的方法大多是通過人為設計復雜網絡進而抑制噪聲以提取有效特征，即利用各種復雜的模型從負樣本中提取相關有用信息。但是圖像中往往會存在面積大且難以利用算法模型忽略的噪聲，例如在在識別建筑物時周圍的樹林等環境不僅難以剔除，他所占有的圖像的面積還可能遠遠超過檢測對象，這種噪聲會大大影響目標檢測的精度。同時隨著科技的發展，采集器的采集圖像的分辨率逐步上升，一方面獲取了更多的信息，但是在另一方面也加大了上述問題的處理的難度。針對此類本身就屬于圖像一部分的噪聲，非常需要一種有效的方法來降低對目標檢測特征提取階段的影響。同時在目標檢測任務中，由于目標檢測定位的時候大多數是利用的淺層語義信息，其更多的是包含邊緣和輪廓信息。因此有必要設計一個簡單且健壯的噪聲抑制器來增強邊緣輪廓特征提取器的效果從而解決上述問題。

發明內容

本發明的內容是提供一種風格遷移增強的機場目標檢測方法，其能夠克服現有技術的某種或某些缺陷。

根據本發明的一種風格遷移增強的機場目標檢測方法，其包括以下步驟：

一、使用基于生成對抗網絡的風格遷移網絡學習訓練集中非邊緣信息；

二、利用學習得到的模型對原始的機場目標檢測數據集進行風格遷移得到新的數據集；

三、通過邊緣檢測算法對新的數據集進行邊緣輪廓特征提取和增強；

四、利用增強的特征對機場進行目標檢測。

作為優選，步驟一中，選擇了循環生成對抗網絡CycleGAN對圖像進行風格遷移，CycleGAN使用兩個不同領域的數據庫，利用其中未配對的圖像進行訓練；CycleGAN使用兩個生成器GA、GB和兩個判別器DA、DB來制定環形網絡；生成器GA、GB分別將B類圖像和A類圖像轉化為假A類圖像和假B類圖像，再將生成的假圖像經由GB和GA重構回輸入的原圖像；判別器DA、DB對轉化的圖像進行判別，判斷給定的圖像是真實圖像或由生成器生成的圖像；以生成器DA、DB目標函數如公式(1)、(2)所示，判別器GA、GB標函數公式如公式(3)、(4)所示：

其中A、B分別代表兩種不同風格的數據集，G代表生成器，D代表判別器；