[发明专利]一种基于目标空间知识和两阶段预测学习的目标检测方法

说明书

本发明公开了一种基于目标空间知识和两阶段预测学习的目标检测方法，利用各种数据变换的方法增大样本的数目、增加样本的多样性，训练SSD和新设计的RefineNet两个深层神经网络；对SSD初步预测结果中概率较大的预测目标通过RefineNet进一步提升判别的准确性；通过制定目标特有的空间结构约束规则减少错误的预测，得到最终的检测结果。本发明与现有的一些方法相比，同时考虑了遥感目标的视觉特性和空间特性，并利用特征提取能力卓越的深层网络实现了端到端的目标候选、特征提取与分类定位，明显提高了遥感目标的检测率，降低了虚警率。

技术领域

本发明属于光学遥感图像处理技术领域，涉及图像目标检测领域的应用，具体涉及一种基于目标空间知识和两阶段预测学习的目标检测方法。

背景技术

目标检测是航空和卫星图像分析领域的基本问题，在环境监测、地质危害监测、土地利用和覆盖绘图、地理信息系统更新、精细农业和城市规划等众多应用中起到至关重要的作用。

回顾光学遥感图像目标检测的发展历程，主要有四大类方法：基于模板匹配的目标检测、基于知识的目标检测、基于目标图像分析的目标检测以及基于机器学习的目标检测。当前随着航空航天器以及相关成像设备的发展，获取的高分辨光学遥感图像越来越多，单幅高分辨大场景光学遥感图像包含极为丰富的细节信息，这已经远远超出传统方法能够处理的范畴，急需更为切实有效的处理算法。

目前基于深度学习的目标检测方法成为自然图像中目标检测的研究热点，但在遥感图像的目标检测上还处于初步探索阶段，此类方法的最大优势在于能够实现端到端的目标候选、特征提取与分类定位。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于目标空间知识和两阶段预测学习的目标检测方法，用于对高分辨光学遥感影像进行特征提取和目标检测，解决现有高分辨光学遥感图像目标检测方法中缺乏有效的特征提取，对大场景目标检测率低、虚警率高的难题。

本发明采用以下技术方案：

一种基于目标空间知识和两阶段预测学习的目标检测方法，利用数据变换的方法增大样本的数目、增加样本的多样性，训练SSD和RefineNet两个深层神经网络；对SSD初步预测结果中概率较大的预测目标通过RefineNet进一步提升判别的准确性；通过制定目标特有的空间结构约束规则减少错误的预测，进一步提升检测结果，利用深层网络的特征学习能力，结合目标空间结构先验的约束，实现多类遥感目标的准确检测。

进一步的，包括以下步骤：

S1、输入高分辨光学遥感图像，将图像有重叠地分割成适合网络尺寸的像块，划分训练集和测试集，并对训练集通过各种变换实现数据扩充；

S2、将训练集送入SSD网络训练直至达到设置的终止条件；

S3、选取训练集中各类目标样本送入RefineNet网络训练直至达到设置的终止条件；

S4、将测试图像送入训练好的SSD网络得到初步的预测结果，再通过置信度阈值滤掉可能性极小的候选目标，保留大概率候选目标；

S5、截取包含大概率候选目标的预测框，放缩至合适尺寸，送入训练好的RefineNet网络得到进一步的类别和置信度判定；

S6、制定各类遥感目标的空间约束规则，滤除错误预测，并结合两次预测的置信度给出最终预测的置信度，通过非极大值抑制NMS和置信度阈值筛选得到最终预测的类别、概率和定位结果；

S7、在原高分辨光学遥感图像上可视化预测结果并计算检测率与虚警率。

进一步的，步骤S1具体为：

首先将单通道的图像通过复制转化为三通道的图像，对每幅高分辨大场景的光学遥感图像，有重叠地划分300×300的像块，间隔步长为200；