一种基于无锚框的遥感图像旋转目标检测方法技术

本发明专利技术提供一种基于无锚框的遥感图像旋转目标检测方法，首先对遥感图像进行四倍下采样操作，获得特征丰富且尺寸合适的图像；构建无锚框的遥感图像旋转目标检测模型，将获得的图像作为输入，利用骨干网络提取浅层和深层特征图；利用提取出的不同尺度特征使用特征金字塔进行特征融合，获得四倍下采样的特征图；设计目标检测head模块，将得到的特征图作为head模块的输入，head模块检测特征图中每个像素点的类别和位置，设计损失函数，计算输出预测框相对边界框的损失函数：更新模型参数，完成模型的训练；利用所述训练完成的目标检测模型进行遥感图像目标检测。本发明专利技术提高了模型的检测精度，简化模型的结构复杂度。简化模型的结构复杂度。简化模型的结构复杂度。

【技术实现步骤摘要】
一种基于无锚框的遥感图像旋转目标检测方法


[0001]本专利技术涉及遥感图像目标检测
，尤其涉及一种基于无锚框的遥感图像旋转目标检测方法。

技术介绍

[0002]目标检测的任务是判断图像中指定目标的位置和类别信息，并用检测框将目标包围。目标检测中亟待解决的核心问题是目标定位、分类的准确性以及高效性。随着遥感技术的发展，遥感图像的相关研究更受重视，由于遥感图像扫描仪器的研究不断推进，遥感图像的获取方式越来越容易，遥感图像广泛用于智能交通、城市规划、地质勘探、国防安全以及智慧农业等领域，并且发挥着至关重要的作用。因此，目标检测在遥感图像上的应用也越来越丰富，但是遥感图像的目标类别多样、目标方向多样、目标尺度变化大等特点，导致目标检测的精度和效率等性能指标受到了极大影响，因此遥感图像目标检测任务是一项十分重要也极具挑战性的任务。
[0003]目前基于深度学习的目标检测算法，能够完成实际应用中图像分辨率高、场景复杂等目标检测任务，大量基于深度学习的目标检测算法被提出，例如Faster
‑
RCNN、SSD、YOLO算法等。尽管这些算法在标准检测数据集上都取得了不错的效果，但是遥感图像的分辨率高、成像方式单一等特点要求这些算法进一步改进。Faster
‑
RCNN这类二阶段算法需要生成候选区域，并且经过一系列分类器进行分类和线性回归来修正候选框的位置，这会导致耗时较长，无法满足实时检测的要求。SSD、YOLO这类单阶段算法，不用生成候选区域，结构简单，检测速度块，但是检测精度难以满足要求，尤其是小目标检测会出现漏检现象。上述算法都需使用锚框来枚举指定目标可能存在的位置，对于每一个像素点都要产生多个锚框，但是一张图片上的目标远少于生成的锚框数量，而一个目标只能与一个锚框匹配，一个锚框也只能匹配一个目标，这使得大量未匹配的锚框会被视作负样本，这就导致因锚框而存在的正负样本不均衡、大量额外超参数、模型后处理操作计算量大等问题。除此之外，上述目标检测方法都使用了水平边界框来检测目标，针对于遥感图像目标密集排列而言，预测框会相对增大，导致定位不准确，而且相邻预测框会产生大量重叠，导致引入冗余背景信息，阻碍目标检测模型性能的提升。
[0004]遥感图像目标检测性能提高的关键之处是提高预测框的定位准确性和分类置信度。现存遥感图像目标检测方法主要基于锚框来检测目标，并且利用水平框来预测目标，忽略了锚框引入的超参数难以调节、目标旋转放置和模型冗余计算量大等问题，因此减少超参数的数量、减少模型复杂度并对任意方向目标进行精准检测，从而提升检测的精度和速度，这是目前亟待解决且充满挑战的遥感图像目标检测任务。
[0005]陈延伟等2020年专利技术一种基于无锚框的多期相肝脏病灶检测方法及系统，首次使用无锚框的方法来检测肝脏病灶的多期相，避免了锚框相关超参数的调节问题，并充分结合深层和浅层信息，提升网络对于多尺度病灶的学习能力，同时提出循环特征连接模块，结合多相期每个尺度的特征，获取特征的动态变化，进一步提升病灶的检测能力。包括如下步
骤：1)使用全尺度连接循环深层聚合检测网络和循环特征连接模块构成特征提取网络；2)特征提取网络使用密集跳跃连接将浅层特征传递给深层特征，实现多尺度特征的融合；3)将各相期图像经过步骤2)来获得同尺度的特征，接着通过循环特征提取模块各节点的相互连接来合成不同特征；4)将步骤3)的每个连接节点进行上采样卷积，最后一个连接节点输出特征提取模块获得的特征；5)输入肝脏病灶数据集对特征提取网络和检测分支进行训练，并且获得病灶位置，实现自动检测多相期肝脏病灶功能。
[0006]史静等2020年专利技术一种基于边界优化神经网络的舰船遥感目标检测方法，提取更多目标便阿姐特征，实现对任意旋转方向的遥感舰船目标的定位进行优化，同时提高遥感舰船目标的检测准确性。包括以下步骤：1)高分辨率卫星影像舰船数据的标注；2)将步骤1)进行训练样本数据的生成和数据增广；3)设计基于边界优化神经网络的舰船目标检测模型，将步骤2)增广后的数据输入至舰船目标检测模型，获得检测目标区域；4)采用NMS算法去除重叠框，获取最后的舰船遥感目标检测结果。
[0007]杨健峰等2020年专利技术一种基于无锚框的遥感图像目标检测方法，使用无锚框的方法、多尺度来获得特征丰富的特征图，设计新的损失函数来融合多指标，利用损失函数来优化模型训练，建立一个超参数量少、模型复杂度低、检测精度高的遥感图像目标检测模型。包括如下步骤：1)建立无锚框的特征提取网络、特征金字塔和无锚框检测器；2)获取遥感图像，并对遥感图像进行分分割得到小尺寸图像；3)将步骤2)获得的图像输入到所述特征提取网络中，利用所述特征金字塔结构，得到三个不同尺度的特征图；4)将步骤3)的特征图分别输入到无锚框检测器中进行预测，得到目标预测结果；5)设计多指标融合的损失函数，并优化步骤4)的预测结果；6)完成目标检测模型的建立并进行遥感图像目标检测。
[0008]冯婕等在2019年专利技术了基于边界约束CenterNet的遥感目标检测方法，用于解决现有技术中存在密集小目标的检测精度和召回率较低的问题，在CenterNet的基础上利用边界约束来使预测框更为更精准，进一步提高目标的检测精度。包括如下步骤：1)从光学遥感图像数据集中随机获取训练样本；2)构建特征提取网络、边界约束卷积网络和关键点生成网络，将特征提取网络的输出作为边界约束卷积网络和关键点生成网络的输入，边界约束卷积网络的输出作为关键点生成网络的角点约束池化层的池化核，得到边界约束CenterNet网络；3)获取步骤1)的预测标签和嵌入向量；4)计算步骤2)的边界约束CenterNet网络的损失，对网络的参数进行训练、调节，获得训练完成的边界约束CenterNet网络；5)利用步骤4)中训练好的边界约束CenterNet网络获取目标检测结果。
[0009]上述专利技术中，提出的目标检测方法对于指定目标的检测精度都有所提升，并且大部分都利用无锚框思想来降低与锚框相关超参数量，以及解决锚框带来的正负样本不均衡、复杂后处理等问题，能够建立或改进无锚框遥感图像目标检测算法。但是上述方法并未解决遥感图像中目标摆放角度多变的检测问题，这会导致相邻预测框重叠度高，背景冗余信息相互干扰，目标预测框定位不准确等问题。杨健峰在遥感图像船舰目标检测方法中使用了旋转框来解决目标摆放多角度的问题，但是该方法仍需要使用最大池化作为后处理操作来去除重叠度高的预测框，这不仅增大了模型计算复杂度，还无法提高预测框的分类准确性。
[0010]本专利技术提出一种基于无锚框的遥感图像旋转目标检测方法。通过对基于锚框的遥感图像目标检测方法进行分析和总结得出锚框带来的超参数量大、模型复杂度高和影响模
型检测性能等问题，通过引入无锚框的思想，利用目标的关键点代替锚框来对目标边界框进行预测，建立超参数量少、模型复杂度低、冗余信息少的遥感图像目标检测模型。在无锚框目标检测的基础上，利用遥感图像中目标排列角度任意、尺度不一等特点，分析水平框会导致目标边界本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无锚框的遥感图像旋转目标检测方法，其特征在于，包括以下步骤：S1、对遥感图像进行四倍下采样操作，获得特征丰富且尺寸合适的图像；S2、构建无锚框的遥感图像旋转目标检测模型，将S1中处理之后的图像作为输入，利用骨干网络提取浅层和深层特征图；S3、利用S2中提取出的不同尺度特征使用特征金字塔FPN进行特征融合，获得四倍下采样的特征图；S4、设计目标检测head模块，将S3得到的特征图作为head模块的输入，head模块检测特征图中每个像素点的类别和位置，类别输出选取K个目标的类别损失最小的top
‑
K个中心点位置，利用上述K个中心点位置预测出目标边界框的一个极半径和两个极角，即极坐标下的预测框位置信息；S5、设计损失函数，计算输出预测框相对边界框的损失函数：计算极半径和极角的角度损失函数，计算预测框的偏置损失函数，中心点类别损失函数，更新无锚框的遥感图像旋转目标检测模型参数，完成模型的训练；S6、利用所述训练完成的目标检测模型进行遥感图像目标检测。2.根据权利要求1所述的一种基于无锚框的遥感图像旋转目标检测方法，其特征在于，所述极半径的计算公式如下：其中，预测框的顶点坐标为(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，极点坐标为(x
p
,y
p
)，计算公式为：ρ为极半径。3.根据权利要求1所述的一种基于无锚框的遥感图像旋转目标检测方法，其特征在于，利用预测框的四个顶点和中心点计算所有极角的大小，然后按逆时针方向获取最小的的两个极角θ1、θ2作为角度预测输出，极角的计算公式为：其中，x
p
,y
p
为预测框的极点坐标；x
i
,y
i
为预测框的顶点坐标。4.根据权利要求1所述的一种基于无锚框的遥感图像旋转目标检测方法，其特征在于，所述损失函数L包括类别损失函数和位置损失函数；所述位置损失函数包括角度损失函数和预测框的偏置损失函数，损失函数L计算公式如下：L＝L
class
+λ
loc
L
loc
其中，L
class
、L
loc
分别为类别损失函数、位置损失函数，λ
loc

【专利技术属性】
技术研发人员：肖肖，刘小波，杨健峰，龚鑫，代浩然，郑可心，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：