一种遥感图像中基于关键点定位的目标检测方法技术

本发明专利技术提供一种遥感图像中基于关键点定位的目标检测方法、装置、电子设备以及可读存储介质，通过基于特征点的标签来定义旋转包围框，相比于现有方法，避免了角度周期性问题和长宽互换问题，节约了训练成本，并且可以表示目标的朝向信息。本发明专利技术提出的模型采用无锚框设计，对中心关键点、方向边界点以及横向宽度进行识别，引入热力图二维泰勒展开方法、引导偏移模块等改进，减少量化误差的同时提升模型的检测精度，降低了识别的错误率。本发明专利技术提出的算法模型有效增强了大视场遥感图像的目标检测能力，准确快速的获取感兴趣目标的坐标与旋转朝向信息，有效提升了模型的检测效率。有效提升了模型的检测效率。有效提升了模型的检测效率。

【技术实现步骤摘要】
一种遥感图像中基于关键点定位的目标检测方法


[0001]本专利技术涉及图像识别领域，特别涉及一种遥感图像中基于关键点定位的目标检测方法、装置、电子设备以及可读存储介质。

技术介绍

[0002]遥感技术通常是通过飞机、气球、卫星等飞行器上装载各类图像传感器，飞行高度从数百米到数千公里之间，按技术要求对测区有关地物信息的采集，从而为生产、科研所应用的技术。随着图像传感技术和航空航天技术的飞速发展，遥感图像的获取变得更加方便。感兴趣目标的检测是遥感图像应用的重要方向之一，研究如何快速准确地提取遥感图像中的有效信息并加以利用在民用领域和军用领域都具有重要意义，例如军事侦察、灾害管理、城市发展分析。由于遥感图像通常具有极大的数据量，通过人工判读的方式进行目标识别，数据利用率低且情报时效性差，且易受身体状况、精神和主观意识的影响。因此，采用计算机视觉技术减少人力成本的消耗，实现高效的自动化检测具有重要意义。
[0003]对比地面水平视角的图像，遥感影像的难点在于：(1)遥感图像由高空高分辨率成像设备拍摄，得到的遥感图像像素尺寸大，成像范围广。(2)遥感图像中存在目标分布不均匀的特点，局部易出现密集场景，例如车辆、船只等。(3)遥感图像中，目标的朝向角度是任意的，目标具有旋转不变性。
[0004]目前传统的目标检测算法主要基于滑动窗口的区域，存在选择策略冗余且时间复杂度高的问题，且手工设计的特征对于多样性的变化没有很好的鲁棒性。使用场景较窄无法满足目前遥感图像中目标检测的要求，而基于浅层机器学习的目标检测算法也因为其特征学习能力较弱，不擅长处理较大规模的数据也正在被逐步淘汰。
[0005]随着深度学习特别是深度卷积神经网络在图像处理领域的巨大发展，利用深度卷积神经网络在光学遥感图像中进行目标检测相比于传统手工提取特征的方法具有巨大优势。但在遥感图像任务中，现有的深度学习模型无法很好的应对旋转的密集目标的检测需求。目前的深度学习模型的旋转目标检测设计存在长宽互换问题和角度周期性问题，不利于模型的训练。
[0006]因此，针对遥感图像的特点，设计一个避免长宽互换问题和角度周期性问题的深度学习模型，提升遥感图像密集旋转目标的检测能力是本领域技术人员亟需解决的问题。

技术实现思路

[0007]有鉴于此，本专利技术实施例中提供一种遥感图像中基于关键点定位的目标检测方法，有效增强了大视场遥感图像的目标检测能力，准确快速的获取感兴趣目标的坐标与旋转朝向信息，有效提升了模型的检测效率。
[0008]第一方面，本专利技术提供一种遥感图像中基于关键点定位的目标检测方法，包括：
[0009]获取光学遥感图像，并根据目标像素尺寸对所述光学遥感图像进行预处理得到多个子遥感图像；
[0010]将所述子遥感图像输入预训练的目标检测模型，通过网络颈部得到包围框的参数信息，得到所述子遥感图像的子目标识别结果；
[0011]将多个所述子目标识别结果进行拼接处理后得到所述光学遥感图像的目标检测结果。
[0012]作为一种可选的方案，所述将所述子遥感图像输入预训练的目标检测模型，通过网络颈部得到包围框的参数信息，得到所述子遥感图像的子目标识别结果之前，还包括：
[0013]利用训练集对待训练检测模型进行训练得到模型参数优化后的目标检测模型。
[0014]作为一种可选的方案，所述利用训练集对待训练检测模型进行训练得到模型参数优化后的目标检测模型之前，还包括：
[0015]获得已标注好感兴趣目标的光学遥感训练图像，并根据目标像素尺寸将所述光学遥感训练图像进行裁剪分割得到多个子遥感训练图像；
[0016]对所述多个子遥感训练图像进行数据增强处理得到训练集。
[0017]作为一种可选的方案，所述目标检测模型采用深度特征融合网络，浅层特征信息与深层特征信息相互连接计算，采用特征金字塔的结构对不同像素尺寸目标的进行检测。
[0018]作为一种可选的方案，所述目标检测模型模型分为关键点检测模块、横向宽度检测模块、引导偏移模块，所述关键点检测模块输出的热力图通过计算响应极值点的方式得到关键点的相对坐标信息，坐标数值是通过泰勒展开计算得到的浮点型数；
[0019]所述横向宽度检测模块用于预测目标包围框的横向宽度，横向宽度为垂直于中心点坐标和方向边界点连线方向的包围框尺寸信息；
[0020]所述引导偏移模块通过计算中心点坐标和方向边界点的位置偏差，用于匹配两个关键点，通过引导偏移量得到目标的关键点对，并结合横向宽度信息，组成旋转包围框所有的标签参数信息。
[0021]作为一种可选的方案，所述数据增强的方式包括仿射变换、增加噪声、人工少数类过采样法SMOTE(Synthetic Minority Over
‑
sampling Technique)、遮挡中至少一种。
[0022]作为一种可选的方案，所述包围框的参数信息可表示为带有7个元组的数据其中，表示目标包围框的中心，w
k
是目标的x
’‑
axis方向尺寸，是方向边界点，中心点与方向边界点的向量为目标的朝向信息。
[0023]第二方面，本专利技术提供一种遥感图像中基于关键点定位的目标检测装置，包括：
[0024]获取单元，用于获取光学遥感图像，并根据目标像素尺寸对所述光学遥感图像进行预处理得到多个子遥感图像；
[0025]识别单元，用于将所述子遥感图像输入预训练的目标检测模型，通过网络颈部得到包围框的参数信息，得到所述子遥感图像的子目标识别结果；
[0026]拼接单元，用于将多个所述子目标识别结果进行拼接处理后得到所述光学遥感图像的目标检测结果。
[0027]第三方面，本专利技术提供一种电子设备，包括：
[0028]至少一个处理器；以及
[0029]与所述至少一个处理器通信连接的存储器；其中，
[0030]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一
个处理器执行，以使所述至少一个处理器能够执行上述的遥感图像中基于关键点定位的目标检测方法。
[0031]第四方面，本专利技术提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述的遥感图像中基于关键点定位的目标检测方法。
[0032]本专利技术实施例中还提供的一种遥感图像中基于关键点定位的目标检测方法、装置、电子设备以及可读存储介质，通过基于特征点的标签来定义旋转包围框，相比于现有方法，避免了角度周期性问题和长宽互换问题，节约了训练成本，并且可以表示目标的朝向信息。本专利技术提出的模型采用无锚框设计，对中心关键点、方向边界点以及横向宽度进行识别，引入热力图二维泰勒展开方法、引导偏移模块等改进，减少量化误差的同时提升模型的检测精度，降低了识别的错误率。本专利技术提出的算法模型有效增强了大视场遥感图像的目标检测能力，准确快速的获取感兴趣目标的坐标与旋转朝向信息，有效提升了模型的检测效率。
附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感图像中基于关键点定位的目标检测方法，其特征在于，包括：获取光学遥感图像，并根据目标像素尺寸对所述光学遥感图像进行预处理得到多个子遥感图像；将所述子遥感图像输入预训练的目标检测模型，通过网络颈部得到包围框的参数信息，得到所述子遥感图像的子目标识别结果；将多个所述子目标识别结果进行拼接处理后得到所述光学遥感图像的目标检测结果。2.根据权利要求1所述的遥感图像中基于关键点定位的目标检测方法，其特征在于，所述将所述子遥感图像输入预训练的目标检测模型，通过网络颈部得到包围框的参数信息，得到所述子遥感图像的子目标识别结果之前，还包括：利用训练集对待训练检测模型进行训练得到模型参数优化后的目标检测模型。3.根据权利要求1所述的遥感图像中基于关键点定位的目标检测方法，其特征在于，所述利用训练集对待训练检测模型进行训练得到模型参数优化后的目标检测模型之前，还包括：获得已标注好感兴趣目标的光学遥感训练图像，并根据目标像素尺寸将所述光学遥感训练图像进行裁剪分割得到多个子遥感训练图像；对所述多个子遥感训练图像进行数据增强处理得到训练集。4.根据权利要求1所述的遥感图像中基于关键点定位的目标检测方法，其特征在于，所述目标检测模型采用深度特征融合网络，浅层特征信息与深层特征信息相互连接计算，采用特征金字塔的结构对不同像素尺寸目标的进行检测。5.根据权利要求1所述的遥感图像中基于关键点定位的目标检测方法，其特征在于，所述目标检测模型模型分为关键点检测模块、横向宽度检测模块、引导偏移模块，所述关键点检测模块输出的热力图通过计算响应极值点的方式得到关键点的相对坐标信息，坐标数值是通过泰勒展开计算得到的浮点型数；所述横向宽度检测模块用于预测目标包围框的横向宽度，横向宽度为垂直于中心点坐标和方向边界点连线方向的包围框尺寸信息；所述引导偏移模块通过计算中心点坐标和...

【专利技术属性】
技术研发人员：刘晶红，朱圣杰，田阳，刘成龙，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：