一种可见光遥感图像候选目标提取与分类方法技术

本发明专利技术涉及一种可见光遥感图像候选目标提取与分类方法，属于遥感图像处理和分析技术领域，解决了现有方法提取候选目标数量太多及分类精度低的问题。包括以下步骤：通过第一滑窗在遥感图像中提取大尺度区域，并输入到训练好的候选区域识别模型中，得到包含感兴趣目标的候选区域；通过第二滑窗在上述候选区域中提取候选目标；利用训练好的候选目标分类模型对上述提取的候选目标进行两步分类，确定候选目标的类别。本发明专利技术实现了在相同的召回率下，提取的候选目标数量远少于现有方法，同时，在使用相同的特征和相同的分类器的条件下，通过两步分类，大大提高了候选目标分类精度。

A Candidate Object Extraction and Classification Method for Visible Remote Sensing Images

【技术实现步骤摘要】
一种可见光遥感图像候选目标提取与分类方法
本专利技术涉及遥感图像处理和分析
，尤其涉及一种可见光遥感图像候选目标提取与分类方法。
技术介绍
候选目标提取是可见光遥感图像目标检测识别的重要基础，是检测识别流程中的关键环节。候选目标提取是指通过特定的方法在图像中进行搜索，去除图像中的非目标，保留疑似目标作为候选目标，提供给后续的目标检测识别环节，减少目标精确检测识别阶段的数据处理量，提高检测识别速度和精度。现有的可见光遥感图像候选目标提取方法可以分为两类：基于阈值分割的方法和基于视觉显著性的方法。其中，基于阈值分割的方法利用目标和背景在灰度值、颜色、纹理等方面的差异，寻找合适的阈值将目标和背景区分开。这类方法存在的主要问题是分割能力有限，一般只能用于背景相对简单的场合，例如舰船检测等。基于视觉显著性的方法模拟了人类的目标搜索过程，利用的信息包括颜色、方向和梯度等。这类方法存在的主要问题是针对的是通用目标，所有的有明显几何轮廓的目标都被当作候选目标，因此提取出的候选目标数量较多。另外，当完成候选目标提取后，还需要对候选目标进一步地分类判断，识别目标的具体类型，例如识别某架飞机是战斗机还是民航客机等。然而，现有的可见光遥感图像候选目标分类方法专注于目标特征的提取或学习，通过提取或学习不同的特征来提高分类精度，但是这种方式的分类精度仍旧有待提高。
技术实现思路
鉴于上述的分析，本专利技术旨在提供一种可见光遥感图像候选目标提取与分类方法，用以解决现有方法提取候选目标数量太多及分类精度低的问题。本专利技术的目的主要是通过以下技术方案实现的：提供了一种可见光遥感图像候选目标提取与分类方法，包括以下步骤：通过第一滑窗在遥感图像中提取大尺度区域，并输入到训练好的候选区域识别模型中，得到包含感兴趣目标的候选区域；通过第二滑窗在上述候选区域中提取候选目标；利用候选目标分类模型对上述提取的候选目标进行两步分类，确定候选目标的类别。本专利技术有益效果如下：本专利技术针对可见光遥感图像目标的聚集性特点进行候选目标提取，并通过两步分类精确识别候选目标的类别；在相同的召回率下，提取的候选目标数量远少于现有方法，同时，在使用相同的特征和相同的分类器的条件下，通过两步分类，大大提高了候选目标分类精度。另外，本专利技术应用场景广泛，适用于可见光遥感图像中的飞机、舰船、车辆等多类目标；还可扩展应用于红外、高光谱、合成孔径雷达候选目标提取与分类，可以满足各种环境场合。在上述方案的基础上，本专利技术还做了如下改进：进一步，所述候选目标分类模型包括：第二卷积神经网络和若干第二分类器，每个第二分类器分别与候选目标的两个可能类别相对应；所述第二卷积神经网络为VGGNet-16，包含13个卷积层、2个全连接层和1个输出层；分别从全连接层和输出层中提取候选目标的特征，所述输出层提取的特征用于确定候选目标的前M个可能类别；所述第二分类器均为LIBSVM分类器，通过上述全连接层提取的候选目标的特征，在上述前M个可能类别中确定候选目标的最终类别。进一步，所述利用候选目标分类模型对上述提取的候选目标进行两步分类，包括：将提取的候选目标输入到训练好的第二卷积神经网络；通过所述第二卷积神经网络的输出层提取候选目标的特征，并利用所述提取的特征计算类概率值；对上述计算的类概率值进行排序，当所述类概率值中的最大值大于设定的阈值时，则将最大值对应的类别作为候选目标的类别；否则，进行第二步分类；所述进行第二步分类，包括：将从所述第二卷积神经网络的第一个全连接层提取的候选目标特征输入到相应的第二分类器中，从上述排序前M的概率值对应的M个可能类别中选择候选目标所属的类别。进一步，所述候选区域识别模型包括：第一卷积神经网络和第一分类器；所述第一卷积神经网络为VGGNet-16，包含13个卷积层、2个全连接层和1个输出层；从第一个全连接层中提取大尺度区域的特征；所述第一分类器为LIBSVM分类器，通过上述提取的大尺度区域特征对大尺度区域进行分类。进一步，所述通过第二滑窗在上述候选区域中进行候选目标提取，包括：利用第二滑窗在上述候选区域中提取出若干小尺度区域作为候选目标，所述第二滑窗的尺寸小于第一滑窗，相邻的小尺度区域间的重叠度为25％。进一步，所述计算类概率值为：对所述提取的特征进行归一化处理，得到候选目标的类概率值。进一步，在对所述第二卷积神经网络进行训练时，训练参数设置为：总循环次数为10000，动量为0.9，权重衰减为0.0005，初始学习速率为0.0001，每循环4000次学习率变为原来的1/10，数据块的大小为64。进一步，所述第二分类器的数量为N×(N-1)/2，其中，N是候选目标可能类别的总数。进一步，还包括采用非极大值抑制对得到的候选区域进行筛选：当出现多个候选区域位置重叠程度超过设定的IOU阈值时，进行非极大值抑制，并按照分数从高到低排列候选区域；从得分最高的候选区域开始，依次和剩下的所有候选区域进行比较，将重叠面积与得分最高的候选区域的面积之比超过预设比值的候选区域舍弃，得到一组筛选后的候选区域；依次对所有候选区域进行同样处理，直到遍历所有的候选区域，得到两两之间重叠面积都小于预设比值的候选区域集合。进一步，所述第一滑窗的大小为图像中最大目标大小的4倍，第二滑窗的大小为图像中最大目标大小的1倍。本专利技术中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。附图说明附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示相同的部件。图1为本专利技术实施例中可见光遥感图像候选目标提取与分类方法流程图；图2为本专利技术实施例中候选目标提取流程图；图3为本专利技术实施例中大尺度区域提取示意图；图4为本专利技术实施例中候选目标提取示意图；图5为本专利技术实施例中对候选目标进行两步分类流程图。具体实施方式下面结合附图来具体描述本专利技术的优选实施例，其中，附图构成本申请一部分，并与本专利技术的实施例一起用于阐释本专利技术的原理，并非用于限定本专利技术的范围。本专利技术的一个具体实施例，公开了一种可见光遥感图像候选目标提取与分类方法。如图1所示，包括以下步骤：步骤S1、通过第一滑窗在遥感图像中提取大尺度区域，并输入到训练好的候选区域识别模型中，得到包含感兴趣目标的候选区域；步骤S2、通过第二滑窗在上述候选区域中提取候选目标；步骤S3、利用训练好的候选目标分类模型对上述提取的候选目标进行两步分类，确定候选目标的类别。与现有技术相比，本实施例提供的可见光遥感图像候选目标提取与分类方法，针对可见光遥感图像目标的聚集性特点进行候选目标提取，并通过两步分类精确识别候选目标类别；在相同的召回率下，提取的候选目标数量远少于现有方法，同时，在使用相同的特征和相同的分类器的条件下，通过两步分类，大大提高了候选目标分类精度。另外，本专利技术应用场景广泛，适用于可见光遥感图像中的飞机、舰船、车辆等多类目标；还可扩展应用于红外、高光谱、合成孔径雷达候选目标提取与分类，可以满足各种环境场合；有效解决了现有基于阈值分割的候本文档来自技高网...

【技术保护点】
1.一种可见光遥感图像候选目标提取与分类方法，其特征在于，包括以下步骤：通过第一滑窗在遥感图像中提取大尺度区域，并输入到训练好的候选区域识别模型中，得到包含感兴趣目标的候选区域；通过第二滑窗在上述候选区域中提取候选目标；利用训练好的候选目标分类模型对上述提取的候选目标进行两步分类，确定候选目标的类别。

【技术特征摘要】
1.一种可见光遥感图像候选目标提取与分类方法，其特征在于，包括以下步骤：通过第一滑窗在遥感图像中提取大尺度区域，并输入到训练好的候选区域识别模型中，得到包含感兴趣目标的候选区域；通过第二滑窗在上述候选区域中提取候选目标；利用训练好的候选目标分类模型对上述提取的候选目标进行两步分类，确定候选目标的类别。2.根据权利要求1所述的方法，其特征在于，所述候选目标分类模型包括：第二卷积神经网络和若干第二分类器，每个第二分类器分别与候选目标的两个可能类别相对应；所述第二卷积神经网络为VGGNet-16，包含13个卷积层、2个全连接层和1个输出层；分别从全连接层和输出层中提取候选目标的特征，所述输出层提取的特征用于确定候选目标的前M个可能类别；所述第二分类器均为LIBSVM分类器，通过上述全连接层提取的候选目标的特征，在上述前M个可能类别中确定候选目标的最终类别。3.根据权利要求2所述的方法，其特征在于，所述利用候选目标分类模型对上述提取的候选目标进行两步分类，包括：将提取的候选目标输入到训练好的第二卷积神经网络；通过所述第二卷积神经网络的输出层提取候选目标的特征，并利用所述提取的特征计算类概率值；对上述计算的类概率值进行排序，当所述类概率值中的最大值大于设定的阈值时，则将最大值对应的类别作为候选目标的类别；否则，进行第二步分类；所述进行第二步分类，包括：将从所述第二卷积神经网络的第一个全连接层提取的候选目标特征输入到相应的第二分类器中，从上述排序前M的概率值对应的M个可能类别中选择候选目标所属的类别。4.根据权利要求1-3之一所述的方法，其特征在于，所述候选区域识别模型包括：第一卷积神经网络和第一分类器；所述第一卷积神经网络为VGGNet-16，包含1...

【专利技术属性】
技术研发人员：江碧涛，李晓斌，王生进，杨渊博，罗江锋，张宇喆，尹璐，张砚，李阳，沈黎，
申请(专利权)人：北京市遥感信息研究所，
类型：发明
国别省市：北京,11