一种基于DCNN的大尺度目标检测方法、装置制造方法及图纸

本发明专利技术实施例提供了一种基于DCNN的大尺度目标检测方法、装置。该方法包括：获取包含目标物体的遥感图像；其中，目标物体为大尺度目标物体和/或小尺度目标物体；对遥感图像进行显著性检测，判断遥感图像中是否包含大尺度目标物体；在遥感图像包含大尺度目标物体时，对遥感图像进行图像下采样，得到尺度压缩后的目标图像；采用预先建立的第一模型对目标图像进行目标检测，确定目标图像中的大尺度目标物体的第一位置信息；其中，第一模型为具有目标物体检测能力的深度卷积神经网络模型。本发明专利技术可以提高大尺度图像目标检测的准确率。

A Large Scale Target Detection Method and Device Based on DCNN

【技术实现步骤摘要】
一种基于DCNN的大尺度目标检测方法、装置
本申请涉及图像
，特别是涉及一种基于DCNN的大尺度目标检测方法、装置。
技术介绍
遥感图像是一种利用航空或者卫星等设施对地拍摄所得影像，具有拍摄范围广、分辨率高、信息量大等特点，因此广泛的应用于不同的
遥感图像发展的目标识别任务是指通过分析遥感影像，并结合先进的智能化解析技术获取目标图像的特定位置和类别，应用于现代化任务。DCNN(deepconvolutionalneuralnetwork，深度卷积神经网络)是近些年逐步兴起的一种人工神经网络结构，卷积神经网络能够精确的进行目标识别与分类。依靠大量数据的支撑完成语义分割、场景分类，实现对文字、图像、语音等信息媒介的特征进行自动提取。DCNN算法的本质是在训练过程中不断分析训练集中样本的特征，从而学习到该类别目标所共有的形态、颜色组成、纹理等特征。VSD(visualsaliencydetection，视觉显著性检测)是指通过智能算法模拟人的视觉特点提取图像中的显著性区域。根据不同区域或像素点之间的对比度，判断目标区域与周围像素点的差异，进而计算图像区域的显著性。然而，专利技术人在实现本专利技术的过程中，发现现有技术至少存在如下问题：DCNN算法训练样本尺度单一且较小，造成大尺度目标难以识别。VSD算法在复杂环境下无法精确区分图像中的目标物体和干扰背景。因此，单独利用两种算法进行大尺度图像目标检测，会造成检测准确率下降。
技术实现思路
本申请实施例的目的在于提供一种基于DCNN的大尺度目标检测方法、装置，以提高大尺度图像目标检测的准确率。具体技术方案如下：第一方面，本专利技术实施例提供了一种基于DCNN的大尺度目标检测方法，所述方法包括：获取包含目标物体的遥感图像；其中，目标物体为大尺度目标物体和/或小尺度目标物体；对遥感图像进行显著性检测，判断遥感图像中是否包含大尺度目标物体；在遥感图像包含大尺度目标物体时，对遥感图像进行图像下采样，得到尺度压缩后的目标图像；采用预先建立的第一模型对目标图像进行目标检测，确定目标图像中的大尺度目标物体的第一位置信息；其中，第一模型为具有目标物体检测能力的深度卷积神经网络模型。可选的，第一模型是通过以步骤建立的：获取训练样本集合，该训练样本集合包括至少一张包含大尺度目标物体的遥感图像和多张包含小尺度目标物体的遥感图像；将训练样本集合输入到深度卷积神经网络模型中进行训练，生成具有目标物体检测能力的第一模型；其中，该第一模型具有对含有目标物体的遥感图像识别的有效权值。可选的，在获取训练样本集合之前，该方法还包括：获取相机采集的包含目标物体的原始遥感图像；对原始遥感图像重叠切割生成预定尺寸的遥感子图像；其中，该预定尺寸根据第一模型训练所需的遥感图像尺寸而定。可选的，对遥感图像进行显著性检测，判断遥感图像中是否包含大尺度目标物体，包括：将获取到的包含目标物体的遥感图像进行小波变换；对经过小波变换后的遥感图像进行中心环绕能量像素对比，生成遥感图像对应的能量显著性特征图，其中，该能量显著性特征图表征遥感图像中各像素的灰度值；统计遥感图像对应的能量显著性特征图中各灰度值的像素的个数；根据显著性特征图中各灰度值的像素的个数，生成能量显著性特征图对应的灰度直方图；根据灰度直方图判断获取到的包含目标物体的遥感图像中是否包含大尺度目标物体。可选的，在遥感图像包含大尺度目标物体时，对遥感图像进行图像下采样，得到尺度压缩后的目标图像，包括：在遥感图像包含大尺度目标物体时，利用下采样法将遥感图像进行尺度压缩处理；将经过尺度压缩处理后的遥感图像进行像素补零处理，得到图像尺度压缩后的目标图像。可选的，在采用预先建立的第一模型对目标图像进行目标检测，确定目标图像中的大尺度目标物体的第一位置信息之后，该方法还包括：对经过第一模型确定出的目标图像中的大尺度目标物体的第一位置信息进行等比例变换，得到大尺度目标物体在遥感图像中的第二位置信息。可选的，获取包含目标物体的遥感图像，包括：获取待处理遥感图像；对待处理遥感图像进行重叠切割，得到预定尺寸的遥感图像。第二方面，本专利技术实施例提供了一种基于DCNN的大尺度目标检测装置，该装置包括：第一获取模块，用于获取包含目标物体的遥感图像；其中，目标物体为大尺度目标物体和/或小尺度目标物体；第一检测模块，用于对遥感图像进行显著性检测，判断遥感图像中是否包含大尺度目标物体；处理模块，用于在遥感图像包含大尺度目标物体时，对遥感图像进行图像下采样，得到尺度压缩后的目标图像；第二检测模块，用于采用预先建立的第一模型对目标图像进行目标检测，确定目标图像中的大尺度目标物体的第一位置信息；其中，第一模型为具有目标物体检测能力的深度卷积神经网络模型。第三方面，本专利技术实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现上述第一方面的一种基于DCNN的大尺度目标检测方法。第四方面，本专利技术实施例提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行上述第一方面的一种基于DCNN的大尺度目标检测方法。本专利技术实施例提供的一种基于DCNN的大尺度目标检测方法、装置。该方法包括：获取包含目标物体的遥感图像，对该遥感图像进行显著性检测，判断该遥感图像中是否包含大尺度目标物体；对遥感图像进行显著性检测，判断该遥感图像中是否包含大尺度目标物体；对包含大尺度目标物体的遥感图像进行图像下采样，得到尺度压缩后的目标图像；采用预先建立的第一模型对该目标图像进行检测，确定该目标图像中的大尺度目标物体的第一位置信息。本专利技术采用显著性检验与DCNN目标识别方法相结合的方法，提高了高分辨率、宽覆盖的遥感图像的大尺度目标识别的准确性。当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例的一种基于DCNN的大尺度目标检测方法的第一种流程示意图；图2为本专利技术实施例的一种基于DCNN的大尺度目标检测方法的第二种流程示意图；图3为本专利技术实施例的一种基于DCNN的大尺度目标检测方法的第三种流程示意图；图4为本专利技术实施例的一种基于DCNN的大尺度目标检测方法的第四种流程示意图；图5为本专利技术实施例的一种基于DCNN的大尺度目标检测方法的第五种流程示意图；图6为本专利技术实施例的一种基于DCNN的大尺度目标检测方法的第六种流程示意图；图7为本专利技术实施例的一种基于DCNN的大尺度目标检测装置的一种示意图；图8为本专利技术实施例的电子设备的一种示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下本文档来自技高网...

【技术保护点】
1.一种基于DCNN的大尺度目标检测方法，其特征在于，包括以下步骤：获取包含目标物体的遥感图像；其中，所述目标物体为大尺度目标物体和/或小尺度目标物体；对所述遥感图像进行显著性检测，判断所述遥感图像中是否包含大尺度目标物体；在所述遥感图像包含大尺度目标物体时，对所述遥感图像进行图像下采样，得到尺度压缩后的目标图像；采用预先建立的第一模型对所述目标图像进行目标检测，确定所述目标图像中的大尺度目标物体的第一位置信息；其中，所述第一模型为具有目标物体检测能力的深度卷积神经网络模型。

【技术特征摘要】
1.一种基于DCNN的大尺度目标检测方法，其特征在于，包括以下步骤：获取包含目标物体的遥感图像；其中，所述目标物体为大尺度目标物体和/或小尺度目标物体；对所述遥感图像进行显著性检测，判断所述遥感图像中是否包含大尺度目标物体；在所述遥感图像包含大尺度目标物体时，对所述遥感图像进行图像下采样，得到尺度压缩后的目标图像；采用预先建立的第一模型对所述目标图像进行目标检测，确定所述目标图像中的大尺度目标物体的第一位置信息；其中，所述第一模型为具有目标物体检测能力的深度卷积神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述第一模型是通过以下步骤建立的：获取训练样本集合，所述训练样本集合包括至少一张包含大尺度目标物体的遥感图像和多张包含小尺度目标物体的遥感图像；将所述训练样本集合输入到深度卷积神经网络模型中进行训练，生成具有目标物体检测能力的第一模型；其中，所述第一模型具有对含有目标物体的遥感图像识别的有效权值。3.根据权利要求2所述的方法，其特征在于，在所述获取训练样本集合之前，所述方法还包括：获取相机采集的包含目标物体的原始遥感图像；对所述原始遥感图像重叠切割生成预定尺寸的遥感子图像；其中，所述预定尺寸根据所述第一模型训练所需的遥感图像尺寸而定。4.根据权利要求1所述的方法，其特征在于，所述对所述遥感图像进行显著性检测，判断所述遥感图像中是否包含大尺度目标物体，包括：将获取到的包含目标物体的遥感图像进行小波变换；对经过小波变换后的所述遥感图像进行中心环绕能量像素对比，生成所述遥感图像对应的能量显著性特征图，其中，所述能量显著性特征图表征所述遥感图像中各像素的灰度值；统计所述遥感图像对应的能量显著性特征图中各灰度值的像素的个数；根据所述显著性特征图中各灰度值的像素的个数，生成所述能量显著性特征图对应的灰度直方图；根据所述灰度直方图判断所述获取到的包含目标物体的遥感图像中是否包含大尺度目标物体。5.根据权利要求1所述的方法，其特征在于，所述在所述遥感图像包含大尺度目标物体时...

【专利技术属性】
技术研发人员：尤亚楠，李泽中，刘芳，冉伯浩，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11