基于SVM和分步网格搜索的遥感图像态势识别方法技术

本发明专利技术提出了一种基于SVM和分步网格搜索算法的遥感图像态势识别方法，主要解决现有技术中存在的识别意图准确度较低且SVM超参数搜索较慢的技术问题，实现步骤为：1)构造遥感图像目标检测网络模型；2)获取训练样本集和测试样本集；3)应用SVM分类模型并对其超参数进行训练；4)获取遥感图像的态势识别结果。本发明专利技术通过增加检测效果差的样本图像对损失函数的贡献，提升整体样本图像的检测效果，然后依据检测的目标数量作为一维数据，并从态势图中获取其它6维特征，制作样本特征向量，先确定SVM分类模型的超参数搜索范围，再搜索SVM分类模型的超参数最优解，从而提高了SVM分类模型识别意图的准确度和超参数搜索的速度。别意图的准确度和超参数搜索的速度。别意图的准确度和超参数搜索的速度。

Remote sensing image situation recognition method based on SVM and step grid search

【技术实现步骤摘要】
基于SVM和分步网格搜索的遥感图像态势识别方法


[0001]本专利技术属于图像处理
，涉及一种遥感图像态势识别方法，具体涉及一种基于SVM和分步网格搜索的遥感图像态势识别方法，可以用于意图分辨领域。

技术介绍

[0002]遥感图像是指利用传感器获取的非接触的，远距离探测的图像。根据传感器的不同分为光学遥感图像和合成孔径雷达(Synthetic Aperture Radar，SAR)图像。和自然图像相比，遥感图像的目标个体较小，某些类别间的相似性较大，目标特征难以提取且不同于自然图像中提取的特征，导致特征的提取效果不佳。遥感图像的特征分为三大类：一是内在特征，主要包含对象的像素值、对象形状、对象纹理特征等；二是拓扑关系，主要描述对象之间的空间关系；三是对象间的相互特征，描述父对象和子对象之间的关系。根据遥感图像的特征，依据某种分类规则对遥感图像进行分类，可以对遥感图像进行识别。但是由于分类或处理规则不够合理，影响图像的检测准确率。因此，提高遥感图像中分类或处理规则的合理性可以显著提高整体样本的目标检测准确率。
[0003]遥感图像中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SVM和分步网格搜索的遥感图像态势识别方法，其特征在于，包括如下步骤：(1)构造遥感图像目标检测网络模型：(1a)构建包括依次级联的特征提取子网络、区域生成子网络、ROI Align池化层和分类定位子网络的遥感图像目标检测模型；其中，特征提取子网络包括多个级联的特征提取模块，每个特征提取模块包含依次连接的多个卷积层
‑
ReLU层和一个最大池化层；区域生成子网络包括依次连接的卷积层
‑
ReLU层、并行连接的第一分类子网络和包含一个卷积层的第一定位模块、proposal层，第一分类子网络包括依次连接的卷积层、reshape层、softmax层、reshape层；分类定位子网络包括依次连接的全连接层、并行连接的第二分类子网络和包含一个全连接层的第二定位模块，第二分类子网络包括级联的全连接层和softmax层；(1b)定义改进的遥感图像目标检测模型损失函数L'：L'＝L
cls1
(p
i
)+L
reg1
'(d
′
1i
,d
1i
)+L
cls2
(p
c
)+L
reg2
(d'
2k
,d
2k
)L
cls1
(p
i
)＝
‑
log(p
i
)L
cls2
(p
c
)＝
‑
log(p
c
)))其中，L
cls1
(p
i
)表示第一分类子网络的损失函数，L
reg1
'(d
′
1i
,d
1i
)表示改进的第一定位模块的损失函数，L
cls2
(p
c
)表示第二分类子网络的损失函数，L
reg2
(d'
2k
,d
2k
)表示第二定位模块的损失函数；p
i
表示在L
cls1
(p
i
)中由第一定位子网络生成并筛选的第i个候选框A
1i
中的内容为目标V的概率，i∈I，I为A
1i
的个数；p
c
表示L
cls2
(p
c
)中由第二定位子网络中第k个候选框A
2k
中的内容为目标V的概率，k∈K,K为非极大值抑制中设置的候选框个数，K≤I；smooth
L1
(x)表示平滑损失函数；d
′
1i
表示A
1i
的预测偏移量，d
′
1i
＝[d
′
1ix
,d
′
1iy
,d
′
1iw
,d
′
1ih
]，d
′
1ix
和d
′
1iy
分别表示A
1i
的中心位置坐标在x轴和y轴的预测偏移量，d
′
1iw
和d
′
1ih
分别表示A
1i
在宽和高上的预测偏移量；A
1i
＝[A
1ix
,A
1iy
,A
1iw
,A
1ih
]，A
1ix
和A
1iy
分别表示A
1i
的中心位置坐标在x轴和y轴的值，A
1iw
和A
1ih
分别表示A
1i
的宽和高；d
1i
表示A
1i
的真实偏移量，d
1i
＝[d
1ix
,d
1iy
,d
1iw
,d
1ih
]，d
1ix
和d
1iy
分别表示A
1i
的中心位置坐标在x轴和y轴的真实偏移量，d
1iw
和d
1ih
分别表示A
1i
在宽和高上的真实偏移量；d'
2k
表示A
2k
的预测偏移量，d'
2k
＝[d'
2kx
,d'
2ky
,d'
2kw
,d'
2kh
]，d'
2kx
和d'
2ky
分别表示A
2k
的中心位置坐标在x轴和y轴的预测偏移量，d'
2kw
和d'
2kh
分别表示A
2k
在宽和高上的预测偏移量；A
2k
＝[A
2kx
,A
2ky
,A
2kw
,A
2kh
]A
2kx
和A
2ky
分别表示A
2k
的中心位置坐标在x轴和y轴的值，A
2kw
和A
2kh
分别表示A
2k
的宽和高；d
2k
表示A
2k
的真实偏移量；d
2k
＝[d
2kx
,d
2ky
,d
2kw
,d
2kh
]，d
2kx
和d
2ky
分别表示A
2k
中心位置坐标在x轴和y轴的真实偏移量，d
2kw
和d
2kh
分别表示A
2k
在宽和高上的真实偏移量；IoU表示每个候选框与每个真实框之间的交集与并集之间的比值，对于IoU为0的情况，令
(2)获取训练样本集Q1和测试样本集E1：选择从出发点向终点运动的S个目标V，一次行动的目标V数量不定；拍摄并挑选N幅遥感图像，每一幅遥感图像对应一块目标区域，应用遥感图像目标检测网络模型，检测这些遥感图像的目标V的数量，把目标V的数量作为输入向量的一维特征，然后从态势图中获取其它6维特征，制作N个6维输入，1维输出的特征向量；将其中M个特征向量作为训练样本集Q1，剩余的特征向量作为测试样本集E1，其中S＞4，N＞60，(3)应用SVM分类模型并对其超参数进行训练：(3a)将训练样本集Q1作为SVM的输入，求解SVM对应的分类超平面方程；然后将求解超平面方程问题转化为最大几何间隔优化问题：k(x,x')＝exp(
‑
γ||x
‑
x'||2)s.t.y
i
(w
·
x
i
+b)≥1
‑
ξ
i
,i＝1,2,...,Nξ
i
≥0,i＝1,2,...,N其中，k(x,x')为高斯核函数，x为目标位置，x'为核函数中心，||x
‑
x'||2为x和x'间的欧式距离，γ表示模型复杂度，C为惩罚系数，w为最优超平面的斜率，b为最优超平面的截距，ξ
i
为松弛变量；(3b)对最大几何间隔优化问题进行求解，得到w，b，根据w，b得到分类决策函数H：(3c)使用分步网格搜索算法来确定SVM中超参数C和γ的最优值，分步网格搜索算法分为粗搜索和精搜索两个部分：(3c1)粗搜索部分，C和γ分别选取0.1，1，10，100四个数值，分...

【专利技术属性】
技术研发人员：李阳阳，刘冠龙，史雯熙，刘光远，魏强，杨子琛，张施淮，焦李成，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：