一种用于遥感领域的旋转目标检测方法技术

本发明专利技术公开了一种用于遥感领域的旋转目标检测方法，属于图像处理领域；具体包括：首先，获取遥感图像数据集，进行图像的滑动切分得到图像中每个目标的位置标签框信息；然后，构建旋转目标检测网络，在网络检测模块中将以往的单独预测参数转化为预测sin2θ和cos2两个参数；从交并比损失和角度回归损失两个方面改进网络损失函数；最后，利用深度学习网络进行目标检测，输出推理结果并进行反解；整合反解出网络的预测值，通过极大值抑制处理，在待检测图像中画出最终的预测框。本发明专利技术优化网络的回归损失函数的同时，有效地提升了网络的检测精度。测精度。测精度。

【技术实现步骤摘要】
一种用于遥感领域的旋转目标检测方法


[0001]本专利技术属于图像处理
，涉及遥感目标检测，具体涉及一种用于遥感领域的旋转目标检测方法。

技术介绍

[0002]目标检测在遥感图像处理中是一个基础且重要的研究领域，主要研究内容是判别图像中目标类别并标识目标位置，其在军事作战、智能交通和智慧城市等领域具有广泛应用。遥感图像采用航拍或卫星拍摄，往往以俯视角度对地面目标进行拍摄，因此目标通常不会沿水平或垂直方向整齐排列，而是呈任意方向排列，这种现象在具有大长宽比的目标(舰船、桥梁等)中十分普遍。
[0003]近几年，随着深度学习技术的兴起，目标检测技术取得了质的飞跃，较有代表性的方法是基于Anchor Base的单阶段目标检测算法SSD和YOLO系列及双阶段目标检测算法FasterRcnn；还有基于Anchor Free的方法，比如CornerNet、CenterNet等。这些方法大都基于水平框(horizontal bounding box，HBB)的检测方式实现，针对遥感图像中呈不同角度倾斜排布的目标，其推理得到的目标框不能有效表征目标的方向性，冗余信息较多。
[0004]随着目标检测技术与遥感领域的不断融合发展，更适合遥感场景的旋转目标检测网络应运而生。常见表示形式包括五参数法和八参数法，五参数法采用(x,y,w,h,θ)来表示一个目标框，其中x,y表示旋转框的中心点坐标，w,h表示旋转框的宽和高，θ表示旋转框的角度值。八参数法采用(x1,y1,x2,y2,x3,y3,x4,y4)即旋转框的四个角点坐标值来表示一个旋转框。五参数法的角度定义包括Opencv定义法(0
°
～90
°
)和长边定义法(
‑
90
°
～90
°
)，由于数学上目标角度具有周期性，而网络中定义的角度是片段性的，导致处于角度值边界的目标框在网络训练过程中回归难度很大，检测效果差。八参数法由于预测参数较多，网络训练难度增大，导致网络预测精度不足。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供一种用于遥感领域的旋转目标检测方法，该方法采用(x,y,w,h,sin2θ,cos2θ)来描述一个旋转框，并改进网络训练的损失函数，进而提升网络的训练效率和最终性能。
[0006]本专利技术提出了一种用于遥感领域的旋转目标检测方法，具体包括如下步骤：
[0007]步骤一，获取遥感图像数据集，对每张高分辨率遥感图像进行滑动分割，得到分割后各图像中每个目标的位置标签框信息；
[0008]每个目标的位置标签框以(x,y,w,h,sin2θ,cos2θ)的形式表示；
[0009]其中x,y表示标签框的中心点坐标，w,h表示标签框的宽和高，θ表示标签框的角度值；
[0010]步骤二，构建旋转目标检测网络，并输入分割后的遥感图像，对每个目标框进行预测，得到与标签框相同形式的预测框；
[0011]该网络具体为：
[0012]首先，将分割后的遥感图像依次输入卷积残差神经网络，获取不同尺度的特征图；
[0013]然后，利用特征金字塔结构对不同尺度的特征图进行融合；
[0014]最后，将融合后的特征图输入检测模块，输出当前遥感图像中每个目标的预测框；
[0015]其中，每个目标的预测框用(x,y,w,h,sin2θ,cos2θ)表示；
[0016]步骤三，从交并比损失和角度回归损失两个方面进行网络损失函数的优化，并用于旋转目标检测网络的训练；
[0017]具体来说，回归损失函数形式如下：
[0018][0019]其中，表示标签框和预测框两个对应的中心点间距离的惩罚项，中心点离得越远该惩罚项越大；表示标签框和预测框宽高参数的差异性，差异越明显该惩罚项的值越大；表示标签框和预测框的交并比，交并比越小该惩罚项越大。表示标签框和预测框间的角度差异，角度差异越大该惩罚项越大。
[0020]计算公式如下：
[0021][0022]式中，c
gt
表示标签框的中心点，c
pred
表示预测框的中心点，ρ(c
gt
‑
c
pred
)表示标签框和预测框中心点间的距离，ρ
diagonal
表示同时包含标签框与预测框最小外接矩形的对角线距离；其中ρ
diagonal
的计算不参与梯度的更新。
[0023]计算公式如下:
[0024][0025][0026][0027]式中表示关注预测框的形状比例；表示关注预测框的形状参数；ε表示预测框与标签框间形状比例相似程度的惩罚因子；ω表示预测框与标签框间形状参数相似程度的惩罚因子；w
gt
,h
gt
表示标签框的宽，高；w
pred
,h
pred
表示预测框的宽，高；RIoU表示标签框与预测框的旋转交并比；其中a,b为不参与梯度更新的系数。
[0028]计算公式如下：
[0029][0030]计算公式如下：
[0031][0032]其中，θ
gt
表示目标框的角度标签值，θ
pred
表示网络预测的目标框角度值。
[0033]步骤四，利用训练后的旋转目标检测网络，对分割的遥感图像进行推理得到参数sin2θ,cos2θ，并反解角度θ；
[0034]由于arcsinθ的值域为arccosθ的值域为[0,π]。
[0035]因此，对sin2θ进行反解得到：
[0036][0037][0038]其中，α
sin
表示为python中的反正弦变换函数在输入为2θ
sin
反解的输出值。
[0039]对cos2θ进行反解得到：
[0040]2θ
cos
＝α
cos or
‑
α
cos
[0041][0042]其中，α
cos
表示python中的反余弦变换函数在输入为2θ
cos
反解的输出值。
[0043]将sin2θ反解得到的值β1,β2和cos2θ反解得到的值γ1,γ2从中各选一个进行组合，从四种组合{(β1,γ1),(β1,γ2),(β2,γ1),(β2,γ2)}选取相差最小的一组，令其为(β,γ)则反解出的角度θ，计算为：
[0044][0045]步骤五，整合反解出的角度θ，中心点x,y，以及宽，高w,h；通过极大值抑制处理，在图像中画出最终的预测框。
[0046]本专利技术的优点在于：
[0047](1)一种用于遥感领域的旋转目标检测方法，解决了遥感旋转目标检测中，处于角度边界的目标框在网络训练过程中回归难度很大，检测效果差的问题，优化了检测网络结构，从以往单独预测θ参数转化为预测sin2θ和cos2θ两个参数。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于遥感领域的旋转目标检测方法，其特征在于，具体包括如下步骤：首先，获取遥感图像数据集，对每张高分辨率遥感图像进行滑动分割，得到分割后各图像中每个目标的位置标签框信息；每个目标的位置标签框以(x,y,w,h,sin2θ,cos2θ)的形式表示；其中x,y表示标签框的中心点坐标，w,h表示标签框的宽和高，θ表示标签框的角度值；然后，构建旋转目标检测网络，并输入分割后的遥感图像，对每个目标框进行预测，得到与标签框相同形式的预测框；接着，从交并比损失和角度回归损失两个方面进行网络损失函数的优化，并用于旋转目标检测网络的训练；具体来说，回归损失函数形式如下：其中，表示标签框和预测框两个对应的中心点间距离的惩罚项，中心点离得越远该惩罚项越大；表示标签框和预测框宽高参数的差异性，差异越明显该惩罚项的值越大；表示标签框和预测框的交并比，交并比越小该惩罚项越大；表示标签框和预测框间的角度差异，角度差异越大该惩罚项越大；计算公式如下：式中，c
gt
表示标签框的中心点，c
pred
表示预测框的中心点，ρ(c
gt
‑
c
pred
)表示标签框和预测框中心点间的距离，ρ
diagonal
表示同时包含标签框与预测框最小外接矩形的对角线距离；其中ρ
diagonal
的计算不参与梯度的更新；计算公式如下:计算公式如下:计算公式如下:式中表示关注预测框的形状比例；表示关注预测框的形状参数；ε表示预测框与标签框间形状比例相似程度的惩罚因子；ω表示预测框与标签框间形状参数相似程度的惩罚因子；w
gt
,h
gt
表示标签框的宽，高；w
pred
,h
pred
表示预测框的宽，高；RIoU表示标签框与预测框的旋转交并比；其中a,b为不参与梯度更新的系数；计算公式如下：
计算公式如下：其中，θ
gt
表示目标框的角度标签值，θ
pred
表示网络预测...

【专利技术属性】
技术研发人员：丁文锐，张泽豪，张航，王玉峰，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：