基于改进SSD算法的卫星影像目标智能识别系统与方法技术方案

本发明专利技术属于计算机视觉技术领域，特别涉及一种基于改进SSD算法的卫星影像目标智能识别系统与方法。基于改进SSD算法的卫星影像目标智能识别系统，包括依次连接的预处理模块、特征提取模块、特征融合模块和检测模块；预处理模块用于将图像切割为尺寸一致的样本图像；特征提取模块用于接收样本图像、提取特征，构成多尺度特征图集合；特征融合模块用于将浅层特征图和深层特征图进行特征融合，构建五层特征金字塔；检测模块用于预测目标的类别和目标预测框的坐标值。本发明专利技术通过设置过渡层进行特征降维，构建五层特征金字塔实现多尺度特征融合，采用自上而下和自下而上相结合的特征提取和融合方式实现了对卫星影像小目标的精确识别。别。别。

【技术实现步骤摘要】
基于改进SSD算法的卫星影像目标智能识别系统与方法


[0001]本专利技术属于计算机视觉
，特别涉及一种基于改进SSD算法的卫星影像目标智能识别系统与方法。

技术介绍

[0002]随着高分辨率卫星的快速发展与高分辨率遥感图像数据急剧增加，研究在大数据下的遥感图像目标识别算法成为当前迫切需求。与传统的全局和局部特征提取方法相比，近年来发展火热的深度学习能够自主提取特征，且提取到的特征具有良好的自适应性，避免了人工设计和提取特征的复杂过程。
[0003]在实际应用中，遥感影像相对于常规自然场景图片具有幅面大、分辨率低等特点，在此情况下，目标大小在影像中常表现为中小型特征，而现有SSD（Single Shot Multibox Detector）等一系列智能识别算法对典型小幅员目标的识别精度较差。

技术实现思路

[0004]针对上述技术问题，本专利技术提供一种基于改进SSD算法的卫星影像目标智能识别系统与方法。
[0005]为了实现上述目的，本专利技术采用如下技术方案：基于改进SSD算法的卫星影像目标智能识别系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进SSD算法的卫星影像目标智能识别系统，其特征在于，包括依次连接的预处理模块、特征提取模块、特征融合模块和检测模块；所述预处理模块用于将遥感图像切割为尺寸一致的样本图像；所述特征提取模块用于接收样本图像，提取样本图像的特征，构成多尺度特征图集合；所述特征提取模块采用稠密卷积神经网络结构，包括1个过渡层，4个密集块，自上而下依次为第一密集块、第二密集块、第三密集块、第四密集块模块，3个转换层，自上而下依次为第一转换层、第二转换层、第三转换层；所述过渡层包括1个卷积层和1个池化层；用于对样本图像进行特征提取和降维；所述密集块包括多层，采用稠密连接的highway模式，用于加强特征的传播并且减少模型参数；其中，第一密集块为6层，每层之间有21个highway稠密连接数；第二密集块为12层，每层之间有78个highway稠密连接数；第三密集块为24层，每层之间有300个highway稠密连接数；第四密集块为16层，每层之间有136个highway稠密连接数；所述转换层用于所述密集块的连接，具有压缩模型的功能；第一转换层、第二转换层和第三转换层均包括1个卷积层和1个池化层；第一密集块的一端通过所述过渡层与所述预处理模块相连，另一端与第一转换层一端相连，所述密集块与所述转换层依次交错连接，直至第四密集块为最后一个密集块，与所述特征融合模块相连；所述特征融合模块包括2个横向连接模块和3个卷积层，用于将所述特征提取模块提取的浅层特征图和深层特征图进行特征融合，生成融合特征图集合，构建五层特征金字塔；所述横向连接模块用于接收密集块生成的特征图，所述卷积层用于提取特征；所述2个横向连接模块和3个卷积层分别为横向连接模块1、横向连接模块2和卷积层1、卷积层2、卷积层3；其连接方式自下而上依次为卷积层1与卷积层2串联设置在最底层，向上依次为卷积层3、横向连接模块1、横向连接模块2；卷积层1输入端与特征提取模块的第四密集块的输出端相连，输出端与卷积层2输入端相连；卷积层3的输入端与第四密集块模块的输出端相连，输出端与横向连接模块1相连，横向连接模块1的输入端与第三密集块模块的输出端相连，输出端与横向连接模块2相连，横向连接模块2的输入端与第二密集块模块的输出端相连；横向连接模块1、横向连接模块2、卷积层1、卷积层2、卷积层3的输出端均与检测块相连，生成融合特征图集合，发送给所述检测模块；所述检测模块包括分类模块、定位模块和非极大值抑制模块；用于接收特征融合模块生成的融合特征图集合，预测目标的类别和目标预测框的坐标值；所述分类模块为卷积网络，分别与所述特征融合模块和所述非极大值抑制模块相连，用于对融合特征图集合中的每一个特征图做卷积处理，向所述非极大值抑制模块输出预测目标的类别；所述定位模块为卷积网络，分别与所述特征融合模块和所述非极大值抑制模块相连，用于对融合特征图集合中的每一个特征图做卷积处理，向非极大值抑制模块输出目标预测框的坐标值；所述非极大值抑制模块分别与所述分类模块和所述定位模块相连，用于去除重复预测的目标类别和预测框坐标值，获得最佳预测目标的类别和预测框的坐标值。
2.根据权利要求1所述的系统，其特征在于，所述过渡层包括1个步长为2的7*7*64卷积层和1个步长为2的3*3池化层；所述密集块的每一层包括1个1*1*128卷积层和1个3*3*32卷积层；第一转换层包括1个步长为1的1*1*128卷积层和1个步长为2的2*2池化层；第二转换层包括1个步长为1的1*1*1024卷积层和1个步长为2的2*2池化层；第三转换层包含1个步长为1的1*1*512卷积层和1个步长为2的2*2池化层；所述卷积层1是1个步长为2的3*3*256卷积层；卷积层2是1个步长为2的3*3*256卷积层；卷积层3是1个步长为2的1*1*256卷积层；横向连接模块1和横向连接模块2均包括1个1*1*256卷积层、1个2倍最近邻上采样操作、1个连接融合；所述分类模块是一个由4*k个3*3大小的卷积核构成的卷积网络，其中，4表示需要4个坐标值表示目标预测框的位置信息，k为图片上每个位置预定义框的数量；所述定位模块是一个由E*k个3*3大小的卷积核构成的卷积网络，其中，E为训练数据集中包含目标的类别数量，取正整数。3.利用如权利要求1或2所述的基于改进SSD算法的卫星影像目标智能识别系统的卫星影像目标智能识别方法，其特征在于，包括以下步骤：S1：遥感图像预处理；由所述预处理模块将遥感图像尺寸划分为800*800像素，得到样本图像，分为训练数据集和测试数据集I；S2：选取训练数据集，训练预处理模型；S3：通过训练的预处理模型进行目标识别；S31：获取测试数据集I；S32：所述特征提取模块对测试数据集I进行特征提取及降维，得到多尺度特征图集合S(I)，将S(I)发送给所述特征融...

【专利技术属性】
技术研发人员：孟海东，蒋鸣，高润芳，江光德，许馨月，姜伟，魏建光，吴克风，
申请(专利权)人：中国人民解放军九六九零一部队，
类型：发明
国别省市：