[发明专利]基于SF-RCNN的光学遥感图像目标检测方法

说明书

本发明公开了一种基于全卷积图像分割的深度卷积网络SF‑RCNN的光学遥感图像目标检测方法，主要解决现有技术中光学遥感图像中陆地飞机与水中舰船检测正确率低虚警率高的问题。本发明的具体步骤如下：(1)构造测试数据集；(2)构造训练数据集(3)搭建基于全卷积图像分割的深度卷积网络SF‑RCNN目标检测网络；(4)利用训练数据集训练深度卷积网络SF‑RCNN；(5)利用训练好的深度卷积网络SF‑RCNN对测试数据集进行目标检测；(6)输出测试结果。本发明具有对光学遥感图像进行水域分割，减低目标检测虚警率，提高目标检测准确率高的优点。

技术领域

本发明属于图像处理技术领域，更进一步涉及光学遥感图像目标检测技术领域中的一种基于全卷积语义分割的深度卷积网络SF-RCNN(Towards Object Detection withFully convolutional networks for semantic segmentation)的光学遥感图像目标检测方法。本发明可应用于对光学遥感图像的不同区域内的陆地飞机与水中舰船的地物目标检测。

背景技术

目标检测技术是计算机视觉领域的核心问题之一，遥感目标检测是以遥感卫星捕捉到的影像为数据源，采用图像处理技术对影像中感兴趣目标进行定位和分类。遥感目标检测是遥感应用技术中重要的一环，可以在高科技军事对抗中，捕捉攻击目标，提供精确的位置信息等，在军事领域有至关重要的意义。

Shaoqing Ren在其发表的论文“Faster R-CNN:Towards Real-Time ObjectDetection with Region Proposal Networks”(神经信息处理系统进展大会NIPS(NeuralInformation Processing Systems蒙特利尔国际会议论文2015年)中提出了一种基于区域生成网络RPN(Region Proposal Networks)的目标检测方法。该方法首先利用基础网络VGG-16卷积特征层来生成候选区域，即训练区域生成网络RPN，快速的生成高质量的候选框，取代了原来的选择性搜索SS(Selective Search)；然后根据预测的高质量的候选框，在卷积的高级语义特征上进行感兴趣区域ROI(Region of Interest)池化，将池化后的特征接全连接层，分别预测候选框的类别和位置偏移；最后根据位置偏移、候选框以及类别进行非极大值抑制NMS(Non Maximum Suppression)，得到最后的检测结果。该方法能够准确丰富的表示目标的特征，并且能够很好地提取目标候选框，通过共享卷积参数减少候选框提取时间等优点，但是，该方法仍然存在不足之处是，由于光学遥感图像尺寸大、分辨率低，尤其是在舰船的检测中，舰船目标小并且舰船的特征经常会与一些长条形的建筑或者大型车辆集装箱的特征相似，导致该方法在进行光学遥感图像目标检测时常常会将陆地上的物体误检测为舰船。

中国科学院大学在其申请的专利文献“一种基于深度学习的鲁棒性舰船目标检测方法”(专利申请号：CN201710677418.X，公开号：CN107563303A)中提出了一种深度学习的遥感图像目标检测方法。该方法首先对训练样本进行处理并训练，得到训练分类器；之后对待检测的遥感图像进行预处理并使用随机森林进行海陆分割，得到海陆分割区域，并对不存在舰船的岸上区域进行遮挡；然后训练特征提取网络，并利用海陆分割区域的旋转不变深度特征，通过多层卷积得到特征图并用深层卷积预测目标；最后利用分类激活特征图的方法得到舰船这一类别的响应图，对得到的响应图求连通域，得到初步检测框，对舰船的参数进行估计，得到带有检测框的结果图。该方法通过训练分类器进行海陆分离来辅助遥感图像的特征进行检测，能够预测鲁棒性的目标检测的结果，减少由并排摆放引发的舰船漏检。但是，该方法仍然存在的不足之处是，第一，在目标检测中将检测过程分成了多个部分，检测与分割使用不同网络，导致该方法实施复杂度高。第二，由于光学遥感图像噪声比较大，该方法中使用的分割方法容易过拟合，导致分割效果差。

发明内容