遥感图像目标检测方法技术

本发明专利技术涉及一种遥感图像目标检测方法，包括：S1.利用预先训练的卷积神经网络提取输入待检测遥感图像的特征，并输出特征图；S2.利用目标检测模块对所述特征图上的目标的关键点进行估计；S3.根据估计的关键点，利用几何特征对所述目标进行编码；S4.利用最大池化对所述关键点的坐标进行后处理，并对所述目标的位置进行修正；S5.对所述目标的几何特征进行解码，得到最终的目标检测结果。本发明专利技术的方法能快速、准确地检测大尺寸遥感图像中方向不固定的目标。目标。目标。

【技术实现步骤摘要】
遥感图像目标检测方法


[0001]本专利技术涉及遥感图像处理及目标检测
，尤其涉及一种遥感图像目标检测方法。

技术介绍

[0002]得益于卷积神经网络特征提取能力的提升，基于深度学习的检测技术在自然场景目标检测任务中表现优异。然而，遥感图像与自然场景图像存在显著差异：遥感图像中的目标具有更小的尺寸、更密集的分布、更多样的宽高比和不固定的方向，且图像中包含复杂的背景信息。另外，要想精确定位遥感图像中的目标，还需要预测方向信息，而自然场景目标检测中使用的水平矩形框无法满足要求。遥感图像存在的上述差异使得应用在自然场景图像的检测技术难以直接应用在遥感图像上。
[0003]现有的主流目标检测框架分为两类：一类是基于区域提案的方法，又称两阶段方法，另一类是基于回归的方法，又称单阶段方法。在两阶段方法的第一阶段，检测器生成一系列区域提案，这些区域提案被认为可能包含目标；在第二个阶段，检测器对区域提案进行进一步判断，将其分类为背景或特定类别的目标，同时回归目标的形状信息。两阶段方法通常具备较好的检测精度。单阶段方法不显示生成区域提案，而是将所有位置都看作潜在目标，直接对目标分类并回归目标的形状信息。单阶段方法在保证检测精度的同时具备较快的检测速度。
[0004]现有的主流区域提案生成方法分为两类：基于锚的方法和基于关键点的方法。基于锚的方法在特征图上各点处生成不同尺寸、比例、角度的先验框，随后通过分类和回归得到先验框是否包含目标的概率以及目标的形状信息。基于锚的方法中的先验框越复杂，检测器的检测能力越强，但是计算开销也越大。基于关键点的方法，又称为无锚方法，被部分单阶段方法采用。基于关键点的方法对目标的关键点(如中心点、顶点)进行建模，并使用关键点附近的特征计算目标的形状信息。基于关键点的方法计算开销小、设计灵活、可拓展性强。
[0005]针对对方向不固定的目标进行编码的常用方法有两种。一种方法是将目标近似为绕中心旋转的矩形框，并使用矩形框中心点坐标、矩形框宽高和矩形框绕水平轴的旋转角度来表示目标。该方法较为直观，但旋转角度的取值范围和几何意义与其他值不同，导致该方法在检测时存在回归不一致问题，使得检测效果不佳。另一种方法是将目标看作凸四边形，使用凸四边形最小外接矩形框中心点的坐标和凸四边形四个顶点相对于该点的偏移来表示目标。该方法能精确地描述目标形状，但形式复杂，检测难度较大。
[0006]针对遥感图像的目标检测，通常采用精度更高的基于区域提案的方法建立检测模型，并设计复杂的先验框来检测尺寸、比例、方向各异的目标。这些模型均取得了较好的检测精度，但在检测速度上还存在不足。此外，由于使用复杂的先验框，这类方法需要使用非极大值抑制等算法来删除冗余的检测结果，同时增加了计算开销，难以满足实际应用需求。如何快速检测大尺寸遥感图像中方向不固定的目标在遥感图像处理与目标检测领域中仍
是一个颇具挑战的难题。

技术实现思路

[0007]为克服上述现有技术存在的缺陷，本专利技术的目的在于提供一种遥感图像目标检测方法，能快速、准确地检测大尺寸遥感图像中方向不固定的目标。
[0008]为实现上述专利技术目的，本专利技术采用的技术方案为：
[0009]本专利技术提供一种遥感图像目标检测方法，包括：
[0010]S1.利用预先训练的卷积神经网络提取输入待检测遥感图像的特征，并输出特征图；
[0011]S2.利用目标检测模块对所述特征图上的目标的关键点进行估计；
[0012]S3.根据估计的关键点，利用几何特征对所述目标进行编码；
[0013]S4.利用最大池化对所述关键点的坐标进行后处理，并对所述目标的位置进行修正；
[0014]S5.对所述目标的几何特征进行解码，得到最终的目标检测结果。
[0015]进一步地，所述步骤S2的所述目标检测模块包括中心点坐标预测模块、中心点偏移预测模块和几何特征预测模块。
[0016]进一步地，所述步骤S2包括：
[0017]S21.利用所述中心点坐标预测模块对所述目标的中心点进行建模，输出关键点热图和中心点坐标；
[0018]S22.利用所述中心点偏移预测模块和所述几何特征预测模块分别预测所述目标的中心点偏移和几何特征，输出中心点偏移向量集和几何特征集。
[0019]进一步地，利用多目标联合优化方法预先训练所述卷积神经网络、所述中心点坐标预测模块、所述中心点偏移预测模块和所述几何特征预测模块。
[0020]进一步地，在所述多目标联合优化方法中，所述中心点坐标预测模块的训练过程包括：首先计算图像下采样后所述目标的中心点对应的低分辨率等效点，再利用高斯模糊将所述等效点记录在所述关键点热图的真实值中，公式为：
[0021][0022]其中，σ
p
表示根据目标大小自适应的标准差，使用目标最小外接矩形的宽度与高度计算；x、y分别表示目标中心的横坐标和纵坐标；分别表示横坐标x和纵坐标y的低分辨率等效点；
[0023]将所述关键点热图的预测值与真实值的偏差记为L
k
，即该损失函数为：
[0024][0025]其中，α和β表示超参数，N表示待检测遥感图像的目标数量。
[0026]进一步地，在所述多目标联合优化方法中，所述中心点偏移预测模块的训练过程将所述中心点偏移向量集的预测值与真实值的偏差记为L
o
，即该损失函数为：
[0027][0028]其中，表示Smooth
‑
L1损失函数，和分别表示中心点偏移向量集的真实值与预测值，表示目标的中心点的低分辨率等效点，N表示待检测遥感图像的目标数量。
[0029]进一步地，在所述多目标联合优化方法中，所述几何特征预测模块的训练过程将所述几何特征集的预测值与真实值的偏差记为L
s
，即该损失函数为：
[0030][0031]其中，表示Smooth
‑
L1损失函数，和分别表示几何特征集的真实值与预测值，表示目标的中心点的低分辨率等效点，N表示待检测遥感图像的目标数量。
[0032]进一步地，所述多目标联合优化的全局目标函数为：
[0033][0034]其中，分别表示关键点热图、中心点偏移向量集和几何特征集，λ
o
、λ
s
分别表示中心点偏移预测模块和几何特征预测模块的权值系数。
[0035]进一步地，所述几何特征将目标看作绕中心旋转的平行四边形，利用所述中心点坐标、所述目标的外接水平矩形框的宽和高以及目标顶点相对矩形框顶点的偏移向量对所述目标的位置和形状进行编码。
[0036]进一步地，通过解码获得所述目标的四个顶点的坐标，所述四个顶点的横坐标和纵坐标分别为：
[0037]x0＝x
c
+0.5w
‑
w0，y0＝y
c
‑
0.5h
[0038]x1＝x
c
+0.5w，y1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感图像目标检测方法，包括：S1.利用预先训练的卷积神经网络提取输入待检测遥感图像的特征，并输出特征图；S2.利用目标检测模块对所述特征图上的目标的关键点进行估计；S3.根据估计的关键点，利用几何特征对所述目标进行编码；S4.利用最大池化对所述关键点的坐标进行后处理，并对所述目标的位置进行修正；S5.对所述目标的几何特征进行解码，得到最终的目标检测结果。2.根据权利要求1所述的遥感图像目标检测方法，其特征在于，所述步骤S2的所述目标检测模块包括中心点坐标预测模块、中心点偏移预测模块和几何特征预测模块。3.根据权利要求2所述的遥感图像目标检测方法，其特征在于，所述步骤S2包括：S21.利用所述中心点坐标预测模块对所述目标的中心点进行建模，输出关键点热图和中心点坐标；S22.利用所述中心点偏移预测模块和所述几何特征预测模块分别预测所述目标的中心点偏移和几何特征，输出中心点偏移向量集和几何特征集。4.根据权利要求3所述的遥感图像目标检测方法，其特征在于，利用多目标联合优化方法预先训练所述卷积神经网络、所述中心点坐标预测模块、所述中心点偏移预测模块和所述几何特征预测模块。5.根据权利要求4所述的遥感图像目标检测方法，其特征在于，在所述多目标联合优化方法中，所述中心点坐标预测模块的训练过程包括：首先计算图像下采样后所述目标的中心点对应的低分辨率等效点，再利用高斯模糊将所述等效点记录在所述关键点热图的真实值中，公式为：其中，σ
p
表示根据目标大小自适应的标准差，使用目标最小外接矩形的宽度与高度计算；x、y分别表示目标中心的横坐标和纵坐标；分别表示横坐标x和纵坐标y的低分辨率等效点；将所述关键点热图的预测值与真实值的偏差记为L
k
，即该损失函数为：其中，α和β表示超参数，N表示待检测遥感图像的目标数量。6.根据权利要求4所述的遥感图像目标检测方法，其特征在于，在所述多目标联合优化方法中，所述中心点偏移预测模块的训练过程将所述中心点偏移向量集的预测值与真实值的偏差记为L
o
，即该损失函数为：其中，表示Smooth
‑
L1损失函数，和分别表示中心点偏移向量集...

【专利技术属性】
技术研发人员：张永强，王瑞祥，李泽亚，白鹤峰，潘春洪，张永贺，扈雷，许展鹏，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：