一种基于深度学习的航拍车辆检测方法技术

一种基于深度学习的航拍车辆检测方法，步骤如下：构建训练数据集并对数据集中图像的标签信息进行预处理；搭建用于航拍车辆检测的基于深度学习的目标检测网络；基于最大迭代次数，用训练样本对搭建的目标检测网络进行训练，得到训练好的航拍车辆目标检测网络；对航拍图像进行车辆目标检测。在特征提取网络中加入注意力模块。由于卷积运算通过混合跨信道和空间信息来提取图像特征，采用本发明专利技术中的注意力模块强调了这两个主要维度上有意义的特征，有效地抑制航拍图像中的复杂噪声背景，提高车辆目标检测的准确率。第二，在基础锚框的选择中加入旋转角度，使得目标检测网络可以检测出航拍车辆目标的旋转角度，得到更加丰富的车辆目标位置信息。

A method of aerial vehicle detection based on deep learning

【技术实现步骤摘要】
一种基于深度学习的航拍车辆检测方法
本专利技术属于图像处理
，具体涉及一种基于深度学习的图像目标检测方法。设计了一种以深层卷积神经网络Resnet为基础搭建的FasterR-CNN目标检测网络。本专利技术可应用于航拍图像中的车辆目标检测。相较于现有方法，本专利技术能得到更加丰富的车辆目标位置信息，并且检测准确率较高。
技术介绍
私人交通工具的普及导致了交通情况的复杂化，完善交通管理系统对城市现代化有着重要影响。车辆检测是交通管理系统中不可或缺的组成部分，有利于解决交通堵塞、车流控制、道路规划及停车场预估等问题。近年来，随着深度学习的兴起，卷积神经网络在目标检测领域取得了优异的成果。FasterR-CNN引入了与检测网络共享全图像卷积特性的区域建议网络(RPN)，实现了端到端的目标检测。目前，FasterR-CNN在目标检测领域达到了领先水平。然而，航拍图像与自然图像相比，目标车辆在图像中占比较小，背景也较为复杂。这导致FasterR-CNN在航拍车辆检测方面的检测效果很不理想。浅层的特征语义信息较少，但目标位置准确；深层的本文档来自技高网...

【技术保护点】
1.一种基于深度学习的航拍车辆检测方法，其特征在于，步骤如下：/n步骤1：构建训练数据集并对数据集中图像的标签信息进行预处理/n构建训练数据集的具体方法如下：/n(1)用窗口大小为800×800×3像素，且步长为256×256×3像素的划窗，对多幅航拍图像进行逐一切割，得到多个切割图像块及相应的标签文件；/n(2)对得到的切割图像块进行数据增强处理，得到训练数据集/n对数据集中图像的标签信息进行预处理的具体方法如下：/n(1)将标签信息中的位置信息表示为(x,y,h,w,θ)，其中(x,y)表示框的几何中心，h表示框的短边，w表示框的长边，θ∈(-45°,135°)表示框的旋转方向，然后将框的...

【技术特征摘要】
1.一种基于深度学习的航拍车辆检测方法，其特征在于，步骤如下：
步骤1：构建训练数据集并对数据集中图像的标签信息进行预处理
构建训练数据集的具体方法如下：
(1)用窗口大小为800×800×3像素，且步长为256×256×3像素的划窗，对多幅航拍图像进行逐一切割，得到多个切割图像块及相应的标签文件；
(2)对得到的切割图像块进行数据增强处理，得到训练数据集
对数据集中图像的标签信息进行预处理的具体方法如下：
(1)将标签信息中的位置信息表示为(x,y,h,w,θ)，其中(x,y)表示框的几何中心，h表示框的短边，w表示框的长边，θ∈(-45°,135°)表示框的旋转方向，然后将框的长宽扩大gtmargin倍；
(2)将标签信息中的类型信息标记为1；
步骤2：搭建用于航拍车辆检测的基于深度学习的目标检测网络
2.1：构建加入注意力模块的融合多尺度特征提取网络
具体方法如下：
(1)多尺度特征提取网络选用去除最后全连接层的Resnet网络模型，并在Resnet网络的各瓶颈模块中加入注意力模块；
注意力模块分为通道注意力模块和空间注意力模块；通道注意力模块结构为：输入层→全局平均池→线性全连接层→Relu激活函数→线性全连接层→Sigmoid激活函数→输出层，输入层与输出层点乘→最终输出层；空间注意力模块结构：输入层→卷积核为1的卷积层→Sigmoid激活函数→输出层，输出层与输出层点乘→最终输出层；注意力模块整体输出由通道注意力模块的输出层与空间注意力模块的输出层进行级联得到；
(2)整合FPN与上述多尺度特征提取网络得到加入注意力模块的融合多尺度特征提取网络；
2.2：构建多旋转角度的RRPN候选框提取网络
具体方法如下：
在...

【专利技术属性】
技术研发人员：陈炳才，陈慧，聂冰洋，宁芊，姚念民，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21