一种基于SSD遥感图像目标检测的方法及装置制造方法及图纸

本申请公开了一种基于SSD遥感图像目标检测的方法及装置，该方法包括：确定出图像训练数据集和图像测试数据集，在图像训练数据集以及图像测试数据集中分别对至少一个待检测目标的位置以及类别进行标注；将图像训练数据集输入到构建的SSD网络模型得到多个特征图，在每个特征图的每个像素点处设置一组尺度不同的先验框；将每个待检测目标的位置分别与每个先验框进行匹配确定出每个待检测目标对应的至少一个第一预测框，根据至少一个第一预测框对SSD网络模型进行优化；将图像测试数据集输入到优化后的SSD网络模型中，确定出每个待检测目标对应的至少一个第二预测框。本申请解决了现有技术中目标检测的效率较低的技术问题。

【技术实现步骤摘要】
一种基于SSD遥感图像目标检测的方法及装置
本申请涉及遥感图像处理和视觉分析
，尤其涉及一种基于SSD遥感图像目标检测的方法及装置。
技术介绍
遥感图像在遥感技术的迅速发展下得到了极大地丰富，人类对于地球进行观测分析的需求也愈发强烈，遥感图像的智能化处理分析技术由此应运而生。目标检测作为遥感图像的一种处理分析方法，在图像判读中起着至关重要的作用，被广泛应用于智能监测、城市规划、精准农业、地理信息系统(GIS)等领域。目前，主要采用基于深度学习的目标检测方法。具体的，基于深度学习的目标检测方法包含两个关键步骤：图像特征提取和分类器训练，其中，分类器训练是指寻找一系列的规则，来确定当前图像中物体的类别和位置。目前基于深度学习的目标检测方法的过程为：先通过启发式方式或者卷积神经网络产生一系列稀疏的候选框，然后进行分类回归操作，由于属于两个步骤过程，因此检测效率较低。
技术实现思路
本申请解决的技术问题是：针对现有技术中目标检测的效率较低的问题，本申请提供了一种基于SSD遥感图像目标检测的方法及装置，在本申请实施例所提供的方案中，通过SSD网络模型中得到多个不同分辨率的特征图，根据所述多个不同分辨率的特征图进行目标检测，以及通过采用不同尺度与长宽比的先验框均匀地在特征图的不同像素点位置进行密集抽样，不仅能够适应对不同尺寸的物体检测需求，提高了识别的准确率，而且利用网络模型提取特征后直接进行分类与回归，整个过程只需要一步，从而提高了目标检测的效率。第一方面，本申请实施例提供一种基于SSD遥感图像目标检测的方法，该方法包括：从收集的多张遥感图像中确定出图像训练数据集和图像测试数据集，并在所述图像训练数据集以及所述图像测试数据集中分别对至少一个待检测目标的位置以及类别进行标注；构建SSD网络模型，将所述图像训练数据集输入到所述SSD网络模型得到多个不同分辨率的特征图，并在每个所述特征图的每个像素点处设置一组尺度不同的先验框，其中，所述先验框为矩形框；将所述图像训练数据集中每个所述待检测目标位置分别与所述每个特征图对应的先验框进行匹配确定出每个所述待检测目标对应的至少一个第一预测框，根据所述至少一个第一预测框对所述SSD网络模型进行优化，得到优化后的SSD网络模型，其中，所述第一预测框是指与任一所述待检测目标位置匹配的先验框；将所述图像测试数据集输入到所述优化后的SSD网络模型中，确定出所述图像测试数据集中每个所述待检测目标对应的至少一个第二预测框。本申请实施例所提供的方案中，通过将图像训练数据集输入到SSD网络模型中得到多个不同分辨率的特征图，并在每个所述特征图的每个像素点处设置一组尺度不同的先验框，即采用不同尺寸的先验框均匀地在特征图的不同像素点位置进行密集抽样，然后将所述图像训练数据集中每个所述待检测目标的位置分别与所述每个特征图对应的先验框进行匹配确定出每个所述待检测目标对应的至少一个第一预测框，再根据所述至少一个第一预测框对所述SSD网络模型进行优化，得到优化后的SSD网络模型。因此，在本申请实施例所提供的方案中，通过SSD网络模型中得到多个不同分辨率的特征图，根据所述多个不同分辨率的特征图进行目标检测，以及通过采用不同尺寸的先验框均匀地在特征图的不同像素点位置进行密集抽样，仅能够适应对不同尺寸的物体检测需求，提高了方案的适用性，还通过多个不同分辨率的特征图以及在每个像素点处设置一组尺度不同的先验框进行目标检测，即进行多尺度检测，提高了目标检测速度以及准确性。可选地，从收集的多张遥感图像中确定出图像训练数据集和图像测试数据集，包括：根据预设的比例将所述多张遥感图像划分为第一图像数据集以及第二图像数据集；在所述第一图像数据集中设置至少一个待检测目标，对所述每个待检测目标进行位置标注以及类别标注，得到标注后的第一图像数据集；在所述第二图像数据集中设置至少一个待检测目标，对所述每个待检测目标进行位置标注以及类别标注，得到标注后的第二图像数据集；分别将所述标注后的第一图像数据集以及所述标注后的第二图像数据集进行预处理操作得到所述图像训练数据集和所述图像测试数据集。可选地，构建SSD网络模型，包括：将预设的VGG16模型中的全连接层fc6转换成3×3的卷积层，以及将全连接层fc7转换成1×1的卷积层；在所述VGG16模型中卷积层conv1到卷积层conv5之间，每个卷积层之后添加一个池化层；在所述VGG16模型中卷积层conv7之后添加四个依次相连的卷积层，得到所述SSD网络模型。可选地，在每个所述特征图的每个像素点处设置一组尺度不同的先验框，包括：确定所述每个特征图中每个像素点的位置信息，以及所述每个特征图的尺度；根据先验框尺度与特征图尺度之间预设的关系，计算所述先验框与所述特征图尺度之间的比值；根据所述比值、预设的一组先验框所包含的先验框数量和每个先验框的长宽比值确定出所述一组先验框中每个先验框的长度和宽度；根据所述每个先验框的长度和宽度在所述每个像素点处设置一组尺度不同的先验框。可选地，将所述图像训练数据集中每个所述待检测目标的位置分别与所述每个特征图对应的先验框进行匹配确定出每个所述待检测目标对应的至少一个第一预测框，包括：计算所述任一待检测目标的尺度与所述每个先验框尺度之间的第一交并比；根据所述第一交并比确定出所述至少一个第一预测框，其中，所述第一预测框是指所述第一交并比大于第一预设阈值所对应的先验框。可选地，根据所述至少一个第一预测框对所述SSD网络模型进行优化，得到优化后的SSD网络模型，包括：计算所述每个先验框对应的类别置信度误差，确定出所述类别置信度误差最大的第一先验框，判断所述至少一个第一预测框中是否包括所述第一先验框；若包括，则将所述至少一个第一预测框中除所述第一先验框之外的先验框设置为正样本，将剩余所述先验框设置为负样本；确定所述正样本中先验框的数量以及每个所述第一预测框的位置误差，并根据所述数量、所述位置误差以及所述类别置信度误差确定损失函数；根据预设的优化算法对所述损失函数进行优化，得到所述优化后的SSD网络模型。可选地，将所述图像测试数据集输入到所述优化后的SSD网络模型中，确定出所述图像测试数据集中每个所述待检测目标对应的至少一个第二预测框，包括：将所述图像测试数据集中遥感图像依次输入到所述优化后的SSD网络模型中，确定所述图像测试数据集中所述每个待检测目标的类别置信度，根据所述类别置信度确定所述每个待检测目标的类别；根据所述每个待检测目标的类别过滤掉所述第一预测框中属于背景的先验框，得到至少一个第二先验框，确定所述至少一个第二先验框的置信度；将所述至少一个第二先验框中所述置信度小于预设阈值的先验框过滤掉，并根据所述置信度将所述过滤后的至少一个第二先验框进行排序，得到一先验框序列，从所述先验框序列选择出预设个数的第三先验框；根据预设的NMS本文档来自技高网...

【技术保护点】
1.一种基于SSD遥感图像目标检测的方法，其特征在于，包括：/n从收集的多张遥感图像中确定出图像训练数据集和图像测试数据集，并在所述图像训练数据集以及所述图像测试数据集中分别对至少一个待检测目标的位置以及类别进行标注；/n构建SSD网络模型，将所述图像训练数据集输入到所述SSD网络模型得到多个不同分辨率的特征图，并在每个所述特征图的每个像素点处设置一组尺度不同的先验框，其中，所述先验框为矩形框；/n将所述图像训练数据集中每个所述待检测目标位置分别与所述每个特征图对应的先验框进行匹配确定出每个所述待检测目标对应的至少一个第一预测框，根据所述至少一个第一预测框对所述SSD网络模型进行优化，得到优化后的SSD网络模型，其中，所述第一预测框是指与任一所述待检测目标位置匹配的先验框；/n将所述图像测试数据集输入到所述优化后的SSD网络模型中，确定出所述图像测试数据集中每个所述待检测目标对应的至少一个第二预测框。/n

【技术特征摘要】
1.一种基于SSD遥感图像目标检测的方法，其特征在于，包括：
从收集的多张遥感图像中确定出图像训练数据集和图像测试数据集，并在所述图像训练数据集以及所述图像测试数据集中分别对至少一个待检测目标的位置以及类别进行标注；
构建SSD网络模型，将所述图像训练数据集输入到所述SSD网络模型得到多个不同分辨率的特征图，并在每个所述特征图的每个像素点处设置一组尺度不同的先验框，其中，所述先验框为矩形框；
将所述图像训练数据集中每个所述待检测目标位置分别与所述每个特征图对应的先验框进行匹配确定出每个所述待检测目标对应的至少一个第一预测框，根据所述至少一个第一预测框对所述SSD网络模型进行优化，得到优化后的SSD网络模型，其中，所述第一预测框是指与任一所述待检测目标位置匹配的先验框；
将所述图像测试数据集输入到所述优化后的SSD网络模型中，确定出所述图像测试数据集中每个所述待检测目标对应的至少一个第二预测框。


2.如权利要求1所述的方法，其特征在于，从收集的多张遥感图像中确定出图像训练数据集和图像测试数据集，包括：
根据预设的比例将所述多张遥感图像划分为第一图像数据集以及第二图像数据集；
在所述第一图像数据集中设置至少一个待检测目标，对所述每个待检测目标进行位置标注以及类别标注，得到标注后的第一图像数据集；
在所述第二图像数据集中设置至少一个待检测目标，对所述每个待检测目标进行位置标注以及类别标注，得到标注后的第二图像数据集；
分别将所述标注后的第一图像数据集以及所述标注后的第二图像数据集进行预处理操作得到所述图像训练数据集和所述图像测试数据集。


3.如权利要求2所述的方法，其特征在于，构建SSD网络模型，包括：
将预设的VGG16模型中的全连接层fc6转换成3×3的卷积层，以及将全连接层fc7转换成1×1的卷积层；
在所述VGG16模型中卷积层conv1到卷积层conv5之间，每个卷积层之后添加一个池化层；
在所述VGG16模型中卷积层conv7之后添加四个依次相连的卷积层，得到所述SSD网络模型。


4.如权利要求3所述的方法，其特征在于，在每个所述特征图的每个像素点处设置一组尺度不同的先验框，包括：
确定所述每个特征图中每个像素点的位置信息，以及所述每个特征图的尺度；
根据先验框尺度与特征图尺度之间预设的关系，计算所述先验框与所述特征图尺度之间的比值；
根据所述比值、预设的一组先验框所包含的先验框数量和每个先验框的长宽比值确定出所述一组先验框中每个先验框的长度和宽度；
根据所述每个先验框的长度和宽度在所述每个像素点处设置一组尺度不同的先验框。


5.如权利要求4所述的方法，其特征在于，将所述图像训练数据集中每个所述待检测目标位置分别与所述每个特征图对应的先验框进行匹配确定出每个所述待检测目标对应的至少一个第一预测框，包括：
计算所述任一待检测目标位置的尺度与所述每个先验框尺度之间的第一交并比；
根据所述第一交并比确定出所述至少一个第一预测框，其中，所述第一预测框是指所述第一交并比大于第一预设阈值所对应的先验框。


6.如权利要求5所述的方法，其特征在于，根据所述至少一个第一预测框对所述SSD网络模型进行优化，得到优化后的SSD网络模型，包括：
计算所述每个先验框对应的类别置信度误差，确定出所述类别置信度误差最大的第一先验框，判断...

【专利技术属性】
技术研发人员：杜兴强，郝雪涛，王峰，徐振亮，
申请(专利权)人：中国资源卫星应用中心，
类型：发明
国别省市：北京;11