一种大尺度遥感图像的目标快速检测方法技术

本发明专利技术公开了一种大尺度遥感图像的目标快速检测方法，所述方法基于深度学习，采用一种区域密集型预估与分块检测相融合的目标检测策略，对大尺度高分辨率图像进行快速精确的多目标检测分类。本发明专利技术提供的大尺度遥感图像的目标快速检测方法，能够同时实现大尺度目标和密集区域小目标的精准检测，检测效率高。

【技术实现步骤摘要】
一种大尺度遥感图像的目标快速检测方法
本专利技术涉及图像识别
，具体涉及一种大尺度遥感图像目标快速检测方法。
技术介绍
当前遥感目标检测大部分是基于尺度小于1920*1080的图像，随着相机分辨率的不断提高，2K以及4K图像等高分辨率大尺度图像越来越多，实现高精度的同时带来庞大的计算量。现有技术中，主流的检测策略为首先对图像进行均匀图像切割，得到较小尺度图像，再降低分辨率后进行检测。此类方法虽然能实现目标检测的较高精度，但增加了计算成本。而且，由于遥感图像中目标分布不均匀，部分分割后的图像不包含待检测目标，无形中增加了计算量和检测时间。同时，由于图像是均匀切割，导致在目标分布密集区域对较小目标检测效果较差。因此，有必要提供一种大尺度遥感图像的目标快速检测方法，以对大尺度高分辨率图像进行快速精确检测分类，解决目标分布不均匀及小目标检测的问题。
技术实现思路
为了克服上述问题，本专利技术人进行了锐意研究，结果发现：基于深度学习，采用一种区域密集型预估与分块检测相融合的目标检测策略，对大尺度高分辨率图像进行快速精确的多目标检测分类，能够针对性处理目标分布不均匀以及小目标问题，显著提高检测精度和检测速度，从而完成了本专利技术。具体来说，本专利技术的目的在于提供以下方面：第一方面，提供一种大尺度遥感图像的目标快速检测方法，其中，所述方法包括以下步骤：步骤1，准备训练数据集，进行训练，获得检测网络；步骤2，获得需检测的大尺度遥感图像，采用训练得到的检测网络进行检测。其中，所述训练包括以下步骤：步骤1-1，对训练数据集中的图像进行预处理；步骤1-2，训练大尺度目标检测子网络；步骤1-3，训练密集区域小目标检测子网络。其中，步骤1-2包括以下子步骤：步骤1-2-1，构建卷积神经网络；步骤1-2-2，训练获得大尺度目标建议区域网络和密集区域小目标建议网络；步骤1-2-3，训练神经网络，更新网络参数，获得训练收敛的大尺度目标检测子网络。其中，步骤1-2-2中，采用度量学习区分大尺度目标和密集区域小目标，优选地，所述区分密集区域小目标包括计算小目标出现概率、以及将概率值与阈值进行比较的步骤。其中，步骤1-2-2中，采用下式对训练的密集区域小目标建议网络进行评价：其中，LBCE表示二元交叉熵损失，LIOU表示GIOU损失，pi为目标区域出现小目标的概率，ti表示边界框预测的参数化向量，与RPN相同；代表是否为小目标区域，代表回归误差，作为指示函数，当时返回1，否则返回0。其中，步骤2包括以下子步骤：步骤2-1，获得大尺度遥感图像，对其进行预处理；步骤2-2，对预处理后的图像进行特征提取，获得特征图；步骤2-3，提取大尺度目标区域和密集小目标区域；步骤2-4，进行大尺度目标检测和密集区域小目标检测。其中，在步骤2-4之后，还包括将大尺度目标检测结果和密集区域小目标检测结果进行融合的步骤。第二方面，提供一种计算机可读存储介质，其中，所述存储介质存储有大尺度遥感图像的目标快速检测程序，所述程序被处理器执行时，使得处理器执行上述大尺度遥感图像的目标快速检测方法的步骤。第三方面，提供一种计算机设备，其中，所述设备包括存储器和处理器，所述存储器存储有大尺度遥感图像的目标快速检测程序，所述程序被处理器执行时，使得处理器执行上述大尺度遥感图像的目标快速检测方法的步骤。本专利技术所具有的有益效果包括：(1)本专利技术提供的大尺度遥感图像的目标快速检测方法，采用一种区域密集型预估与分块检测相融合的目标检测策略，针对性处理目标分布不均匀以及小目标问题，基于深度学习进修检测，显著提高了检测精度和检测速度；(2)本专利技术提供的大尺度遥感图像的目标快速检测方法，采用两个检测子网络并行的策略，能够同时实现大尺度目标和密集区域小目标的精准检测，检测效率高；(3)本专利技术提供的大尺度遥感图像的目标快速检测方法，可以实现对高分辨率图像小目标的精确检测，计算成本低；(4)本专利技术提供的大尺度遥感图像的目标快速检测方法，采用的卷积神经网络将卷积核减小为3*3以及1*1，可以大幅减少运算量，提高检测速度。附图说明图1示出根据本专利技术一种优选实施方式的图像标注示意图；图2示出根据本专利技术一种优选实施方式的边界框预测示意图；图3示出本专利技术实施例1中的图片检测效果图。具体实施方式下面通过附图和实施方式对本专利技术进一步详细说明。通过这些说明，本专利技术的特点和优点将变得更为清楚明确。其中，尽管在附图中示出了实施方式的各种方面，但是除非特别指出，不必按比例绘制附图。本专利技术提供了一种大尺度遥感图像的目标快速检测方法，所述方法如下进行：步骤1，准备训练数据集，进行训练，获得检测网络。步骤2，获得需检测的大尺度遥感图像，采用训练得到的检测网络进行检测。在本专利技术中，所述大尺度遥感图像优选为分辨率在1920*1080及以上的遥感图像，如2K及4K图像。以下进一步描述本专利技术所述检测方法：步骤1，准备训练数据集，进行训练，获得检测网络。其中，所述训练数据集为大尺度遥感图像，在训练之前，首先对图像进行标注，如图1所示，所述标注内容例举如下：{"area":169,"bbox":[102,81,13,13],"category_name":"car"}，其中，area的数值代表标注区域(矩形框区域)的像素面积；bbox的第一个数值代表矩形框左上角相对图片左上角水平像素坐标，第二个数值代表矩形框左上角相对图片左上角竖直像素坐标，第三个数值代表矩形框宽度，第四个数值代表矩形框高度；category_name代表目标类比。优选地，所述训练包括以下步骤：步骤1-1，对训练数据集中的图像进行预处理。其中，由于遥感图像为高分辨率图像，为了减少目标尺度变化对检测结果的影响，优选将图像进行缩放，然后裁剪成尺寸一致的图像块，可以实现输入图像多尺度采样。本专利技术中优选将图像预处理为512*512像素，能够有效提高GPU利用率。步骤1-2，训练大尺度目标检测子网络。其中，步骤1-2包括以下子步骤：步骤1-2-1，构建卷积神经网络。其中，所述构建的卷积神经网络为多层卷积的深层残差网络，即深度卷积网络。本专利技术中优选在神经网络结构中放弃了池化层和全连接层，只采用卷积层，例如，以ResNet101作为基础网络构造新的特征提取网络。在卷积神经网络中，全连接层存在参数冗余的问题，卷积层具有出色的定位能力，但是其定位能力会在加入用于分类的全连接层之后丧失，因此本专利技术中优选只采用卷积层。优选地，卷积核为3*3和1*1，有利于大幅减少运算量，提高检测速度。步骤1-2-2，训练获得大尺度目标建议区域网络和密集区域小目标建议网络。在本发本文档来自技高网...

【技术保护点】
1.一种大尺度遥感图像的目标快速检测方法，其特征在于，所述方法包括以下步骤：/n步骤1，准备训练数据集，进行训练，获得检测网络；/n步骤2，获得需检测的大尺度遥感图像，采用训练得到的检测网络进行检测。/n

【技术特征摘要】
1.一种大尺度遥感图像的目标快速检测方法，其特征在于，所述方法包括以下步骤：
步骤1，准备训练数据集，进行训练，获得检测网络；
步骤2，获得需检测的大尺度遥感图像，采用训练得到的检测网络进行检测。


2.根据权利要求1所述的检测方法，其特征在于，步骤1中，所述训练包括以下步骤：
步骤1-1，对训练数据集中的图像进行预处理；
步骤1-2，训练大尺度目标检测子网络；
步骤1-3，训练密集区域小目标检测子网络。


3.根据权利要求2所述的检测方法，其特征在于，步骤1-2包括以下子步骤：
步骤1-2-1，构建卷积神经网络；
步骤1-2-2，训练获得大尺度目标建议区域网络和密集区域小目标建议网络；
步骤1-2-3，训练神经网络，更新网络参数，获得训练收敛的大尺度目标检测子网络。


4.根据权利要求3所述的检测方法，其特征在于，步骤1-2-2中，采用度量学习区分大尺度目标和密集区域小目标，
优选地，所述区分密集区域小目标包括计算小目标出现概率、以及将概率值与阈值进行比较的步骤。


5.根据权利要求3所述的检测方法，其特征在于，步骤1-2-2中，采用下式对训练的密集区域小目标建议网络进行评价：

...

【专利技术属性】
技术研发人员：吴则良，贾自凯，谷雪晨，陶宏，陈祺，金忍，宋韬，林德福，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11