【技术实现步骤摘要】
基于椭圆交并比的遥感图像目标检测方法及装置
[0001]本专利技术涉及计算机视觉
，具体涉及一种基于椭圆交并比的遥感图像目标检测方法及装置。
技术介绍
[0002]目标检测作为计算机视觉的一个重要研究领域，受到了很多学者及研究人员的关注。同时，机器学习深度学习的崛起也进一步促进了该领域的发展，目标检测技术已经成功应用到了军事、民用等各个领域中。作为目标检测的一个典型研究分支之一，遥感图像目标检测有多种应用场景，包括资源勘查、城市规划、船只以及飞机检测等。
[0003]传统的目标检测算法主要针对自然场景中的图像，旨在使用水平边界框表示目标的位置，并给出边界框中目标的类别。这种场景中的目标大都是轴对齐的，基于R
‑
CNN的两阶段目标检测器以及基于YOLO和SSD的单阶段检测器在此场景中都表现出了良好的检测性能。但是，随着目标检测技术的飞速发展，越来越多的领域对该项技术提出了新的应用需求，如资源勘查、城市规划、遥感图像目标检测等等。和自然图像不同的是，遥感图像来自无人机和遥感平台，图像中的目标存在任...
【技术保护点】
【技术特征摘要】
1.一种基于椭圆交并比的遥感图像目标检测方法，其特征在于，所述方法包括：获取原始图像，并将所述原始图像中目标的标注信息转换为椭圆标注后作为预先训练好的目标检测器的输入图像，所述目标检测器包括依次连接的骨干网络、RRPN网络和RoIHead网络，所述RRPN网络和所述RoIHead网络均采用椭圆交并比和椭圆交并比损失函数；利用所述骨干网络提取所述输入图像的多尺度特征图；将所述多尺度特征图作为所述RRPN网络的输入，得到所述目标的旋转候选框；将所述多尺度特征图和所述旋转候选框作为所述RoIHead网络的输入，得到所述原始图像的检测结果。2.如权利要求1所述的基于椭圆交并比的遥感图像目标检测方法，其特征在于，所述将所述原始图像中目标的标注信息转换为椭圆标注，包括：基于所述原始图像中目标的标注信息，确定椭圆的两个焦点的位置，得到椭圆的焦线，所述目标的标注信息为旋矩形标注框或四边形的最小外接矩形；将所述焦线的中心作为所述椭圆的中心点，过所述中心点作与所述焦线垂直的直线作为所述椭圆的短轴；将所述旋转矩形标注框或所述四边形的最小外接矩形的长边与水平线所组成的锐角作为所述椭圆的倾斜角度。3.如权利要求1所述的基于椭圆交并比的遥感图像目标检测方法，其特征在于，所述骨干网络包括ResNet101网络和FPN网络，所述FPN网络使用C2
‑
C5层特征。4.如权利要求1所述的基于椭圆交并比的遥感图像目标检测方法，其特征在于，所述RRPN网络包括依次连接的第一卷积层、第二卷积层和第三卷积层，所述第三卷积层包括两个并联的卷积；所述将所述多尺度特征图作为所述RRPN网络的输入，得到目标的旋转候选框，包括：对所述多尺度特征图作为所述第一卷积层的输入，生成锚框，所述锚框的角度包括长宽比为(1:2,1:5,1:8)，大小为(8,16,32，64)；所述锚框作为所述第二卷积层的输入，并经过所述第三卷积层，预测所述锚框的前景得分、坐标偏移量和角度；采用NMS算法对所述锚框的前景得分、坐标偏移量和角度进行处理，得到所述目标的旋转候选框。5.如权利要求1所述的基于椭圆交并比的遥感图像目标检测方法，其特征在于，所述RoIHead网络包括RRoI pooling层和两个多层感知机层，所述将所述多尺度特征图和所述旋转候选框作为所述RoIHead网络的输入，得到所述原始图像的检测结果，包括：将所述多尺度特征图和所述旋转候选框作为所述RRoI pooling层输入，将所述旋转候选框分别投影在所述多尺度特征图的对应层上，得到相应的特征矩阵；将所述特征矩阵输入至两个多层感知机层，得到目标类别和回归参数；采用NMS算法对所述目标类别和所述回归参数进行处理，得到所述原始图像的检测结果。6.如权利要求1所述的基于椭圆交并比的遥感图像目标检测方法，其特征在于，所述椭
圆交并比的公式如下...
【专利技术属性】
技术研发人员：李成龙，晏雨晴，杨昕波，汤进，罗斌，
申请(专利权)人：安徽大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。