一种基于卷积神经网络的光学遥感图像飞机检测方法技术

本发明专利技术公开了一种基于卷积神经网络的光学遥感图像飞机检测方法，包括以下步骤：S1、训练样本的获取；S2、图像预处理；S3、网络模型的构建；S4、模型的训练；S5、检测结果的优化。本发明专利技术将深度学习引入飞机检测的应用当中，构建基于卷积神经网络的飞机检测结构模型，借助优化图像预处理、训练样本获取和改进训练结构等方式，解决了飞机朝向多样性的问题，提高了检测算法的性能，使得飞机检测算法能够有效应对复杂的地物因素，抗干扰能力强，鲁棒性好。

【技术实现步骤摘要】

本专利技术涉及光学遥感图像飞机检测领域，具体的说是一种基于卷积神经网络的光学遥感图像飞机检测方法。
技术介绍
由于遥感图像分辨率的增强，人们能够从中获取的信息大幅增加，基于遥感图像的目标检测和识别研究在许多领域都得到广泛的应用。尤其是遥感图像飞机检测对军事和民用都有着重大意义，利用遥感卫星获取的高清机场影像，能够分析飞机部署情况，为作战计划的调整及航班的调度提供了依据。但是多数算法需要人工提取样本特征，特征的选择和提取主观性较强，没有相对应的实验对比验证，并且飞机检测的准确率和鲁棒性不够高，没有一种算法能够快速而准确地检测出各种类型图像中的飞机。而基于卷积神经网络的飞机检测算法善于刻画问题内部的结构，利用更清晰简明的方式表达复杂的特征，故而能够大大提高目标检测性能。
技术实现思路
本专利技术的目的在于提供一种基于卷积神经网络的光学遥感图像飞机检测方法，其能够有效提升检测准确率，增强检测算法的泛化能力。为实现上述目的，本专利技术采用以下技术方案：一种基于卷积神经网络的光学遥感图像飞机检测方法，包括以下步骤：S1、训练样本的获取，得到用于训练的正负样本数据；S2、图像预处理，得到训练模型的输入数据和待检测的遥感图像；S3、网络模型的构建，根据输入数据的特征及不同层级的功能，构建一个适用于飞机检测的卷积神经网络结构模型；S4、模型的训练，初始化结构参数，利用每个层级的误差函数不断调整网络结构；S5、检测结果的优化，借助非极大值抑制算法对飞机检测结果进行优化。进一步地，所述步骤S1包括以下分步骤：S11、对每个飞机图像块进行八个方向旋转，以一定像素规格截取旋转后的飞机图像作为正样本；S12、将图像中的飞机区域抹去，然后对剩余图像执行SLIC超像素分割操作,利用超像素分割算法得到超像素中心点，根据中心点得到原始负样本，接着借助k-means算法聚类获取最终负样本。更进一步地，步骤S1中正负样本及分割操作中超像素块的规格均基于遥感图像的地面分辨率进行设定。进一步地，所述步骤S2包括以下分步骤：S21、对于S1中得到的正负样本进行像素归一化操作；S22、利用超像素分割算法对待检测图像进行预处理。更进一步地，所述超像素规格参数同负样本获取步骤中的设定一致。进一步地，所述步骤S3包括以下分步骤：S31、利用特定的卷积核与每一层的输入数据卷积得到下一层的特征图；S32、借助特征映射层合并多个相似的特征，使得特征具备平移、缩放不变性。进一步地，所述步骤S4包括以下分步骤：S41、初始化卷积神经网络的结构参数；S42、借助BP算法对各层级的参数进行调整，直到达到预设条件。采用上述技术方案后，本专利技术与
技术介绍
相比，具有如下优点：1、本专利技术将深度学习算法应用于基于光学遥感图像的飞机检测，通过改进网络结构，构建适用于飞机检测的网络模型，提升了算法的检测准确率及鲁棒性。基于深度学习的飞机检测算法能够自动学习输入数据的特征，研究人员无需纠结于各种特征的选取。2、借助超像素分割的样本获取和图像预处理方法，避免等步长的滑窗检测，提升算法的检测效率。将训练正样本进行多方向旋转扩展，解决飞机朝向多样性的问题。对初始负样本进行k-means聚类，既去除了输入数据的冗余信息，又使得训练集中各类别数据分布均匀，为后续训练出优秀的检测模型提供了坚实的基础。附图说明图1为本专利技术一种基于卷积神经网络的光学遥感图像飞机检测方法的工作流程图。图2为本专利技术所获取到的正负样本示意图。图3为本专利技术超像素分割后的遥感图像示意图。图4为本专利技术所构建的卷积神经网络结构模型示意图。图5为本专利技术对待检测图像进行检测的结果示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例在对本实施例进行详细描述之前，需要指出的是，本实施例所提供的基于卷积神经网络的光学遥感图像飞机检测方法，能够快速准确地检测出光学遥感图像中的飞机，同时又能够保证较高的检测准确率和对不同地物背景的鲁棒性。在本实施例中，均假定遥感图像的地面分辨率为0.45米。对于其他地面分辨率的遥感图像，正、负样本块和超像素块包含的像素数目做相应调整，使得正、负样本块和超像素块对应的实际地面区域大小保持不变。请参阅图1，本专利技术提供了一种基于卷积神经网络的光学遥感图像飞机检测方法，包括以下步骤：S1、训练样本的获取，得到用于训练的正负样本数据。训练样本包括正样本和负样本。人工选取每一架飞机的中心点，然后基于中心点截取160×160像素大小的图像块，用于产生正样本；同时借助超像素分割和k-means聚类方法获取负样本(参考图2所示)。该步骤具体通过以下步骤实现：S11、对每个飞机图像块进行八个方向旋转，截取旋转后图像块中间的100×100像素大小的图像块，作为正样本。每个飞机图像块可以得到八个正样本；S12、将图像中的飞机区域抹去，然后对剩余图像执行SLIC超像素分割操作，超像素块大小为30×30像素，规则度为500。利用超像素分割算法得到超像素中心点，以每个超像素块的中心点为基准截取出100×100像素大小的图像块作为原始负样本，接着借助k-means算法将原始负样本聚成10000个类别，每个类别选取10个图像块组成最终负样本集。S2、图像预处理，得到训练模型的输入数据和待检测的遥感图像。对正负样本图像进行像素归一化操作，根据以下公式进行加权平均可以获取较为合理的灰度图像：gray＝r*wr+g*wg+b*wb其中加权系数wr＝0.299，wg＝0.588，wb＝0.114。利用上式，将三通道的正负样本图像进行灰度化操作。该步骤具体通过以下步骤实现：S21、对于S1中得到的正负样本进行像素归一化操作；S22、利用SLIC超像素分割方法对待检测图像进行分割(参考图3所示)，此处的超像素块规格为30×30像素，规则度也取500，最终得到每个超像素块的中心点。S3、网络模型的构建，根据输入数据的特征及不同层级的功能，构建一个适用于飞机检测的卷积神经网络结构模型。请参阅图4，卷积神经网络的结构模型由七个层级组成，每一层都囊括需要训练的权值参数。特征提取层和特征映射层交替出现，将输入特征在更高层次进行表达，使各个特征之间更容易区分。该步骤具体通过以下步骤实现：S31、利用11×11大小的卷积核与每一层的输入数据卷积得到下一层的特征图。每个特征图并不是全连接于上一层的每个特征图，而是选择其相邻的三个特征组合，这样抽取的特征便是互不重复的，同时减少了网络结构的复杂程度；S32、特征映射层能够合并多个相似的特征，使得特征具备平移、缩放不变性。通过均值池化操作，即将上一层的2×2局部邻域取均值，作为下一层的特征图，实现对上一层特征的亚采样，然后加上偏置参数，输入sigmoid函数进行处理，不断训练网络结构，局部感受野的大小设置为4。S4、模型的训练，初始化结构参数，利用每个层级的误差函数不断调整网络结构。该步骤具体通过以下步骤实现：S41、初始化卷积神经网络的结构参数；S42、借助BP算法对各层级的参数进行调整，直到达到预设条件。在卷积神经网络的训练阶段，仅仅是在输出层给定了带标签的数据，在网络结构不断重本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的光学遥感图像飞机检测方法，其特征在于，包括以下步骤：S1、训练样本的获取，得到用于训练的正负样本数据；S2、图像预处理，得到训练模型的输入数据和待检测的遥感图像；S3、网络模型的构建，根据输入数据的特征及不同层级的功能，构建一个适用于飞机检测的卷积神经网络结构模型；S4、模型的训练，初始化结构参数，利用每个层级的误差函数不断调整网络结构；S5、检测结果的优化，借助非极大值抑制算法对飞机检测结果进行优化。

【技术特征摘要】
1.一种基于卷积神经网络的光学遥感图像飞机检测方法，其特征在于，包括以下步骤：S1、训练样本的获取，得到用于训练的正负样本数据；S2、图像预处理，得到训练模型的输入数据和待检测的遥感图像；S3、网络模型的构建，根据输入数据的特征及不同层级的功能，构建一个适用于飞机检测的卷积神经网络结构模型；S4、模型的训练，初始化结构参数，利用每个层级的误差函数不断调整网络结构；S5、检测结果的优化，借助非极大值抑制算法对飞机检测结果进行优化。2.如权利要求1所述的一种基于卷积神经网络的光学遥感图像飞机检测方法，其特征在于，所述的训练样本的获取方法通过以下实现：利用多方向旋转扩展飞机样本和超像素分割的方法获取正负样本。3.如权利要求2所述的一种基于卷积神经网络的光学遥感图像飞机检测方法，其特征在于，所述步骤S1包括以下分步骤：S11、对每个飞机图像块进行八个方向旋转，以一定像素规格截取旋转后的飞机图像作为正样本；S12、将图像中的飞机区域抹去，然后对剩余图像执行SLIC超像素分割操作,利用超像素分割算法得到超像素中心点，根据中心点得到原始负样本，接着借助k-means算法聚类获取最终负样本。4.如...

【专利技术属性】
技术研发人员：程明，张志远，王程，李军，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35