[发明专利]一种遥感图像目标检测方法及装置

说明书

本发明涉及一种遥感图像目标检测方法及装置，该方法首先建立深度全卷积神经网络；所述深度全卷积神经网络包括用于特征提取的主网络和用于目标检测的子网络；然后利用图像分类数据库对主网络进行训练；在主网络训练完成后，添加子网络；利用遥感目标检测数据库对网络参数进行微调，得到训练好的深度全卷积神经网络；最后将待测遥感图像输入至深度全卷积神经网络，得到最终的目标检测结果。相对于常规的直接只使用遥感目标检测数据库对建立的深度全卷积神经网络进行训练，本发明可以提高泛化能力和准确率，实现在复杂背景下快速、高精度、高鲁棒性地自动目标检测。

技术领域

本发明属于图像处理技术领域，具体涉及一种遥感图像目标检测方法及装置。

背景技术

遥感图像目标自动检测，是指计算机通过全自动的方式对监控区域的典型目标进行检测、定位的技术。遥感图像目标检测作为当前遥感图像应用领域中主要研究的内容，具有重要的理论意义和广泛的应用价值。

自动检测技术在军民两方面都具有重要的应用价值。在军事方面，自动目标检测被用来探测和检测军事目标，实现对区域的自动监视、侦查和警戒。在民用方面，自动目标检测技术可用于辅助工作人员进行车辆监控、土地规划、机场障碍物检测等工作。

经典的目标检测方法，主要分为模型驱动和数据驱动两种类型。

模型驱动方法主要依靠领域专家对目标进行建模，之后利用实际数据的统计信息修正和改进模型，目标检测的过程通过模型匹配的方式实现。这类方法往往计算复杂、设计难度大，并且无法适应复杂多变的实际情况。

数据驱动的方法主要利用大量人工标注的数据进行半监督或监督学习，特征提取和分类器的参数均由训练得到。这类方法的优势是不需要专家进行模型设计，同时只要数据库够完善，就能够适应复杂的实际环境和不同的应用领域；缺点是需要大量人力建设完善的数据库。

近年来，基于深度卷积神经网络的自动目标检测方法取得了良好的检测效果，但是，目标的卷积神经网络往往结构复杂，训练过程繁琐，计算量大，难以实现快速检测；此外，精确标注的遥感图像数据库规模较小，容易导致深度神经网络过拟合，导致实际应用中检测准确率较低。

发明内容

本发明的目的在于提供一种遥感图像目标检测方法及装置，用以解决现有技术中只采用精确标注的遥感图像数据库进行遥感图像目标检测时造成的检测准确率较低的问题。

为解决上述技术问题，本发明的技术方案为：

本发明提供了一种遥感图像目标检测方法，包括如下方法方案：

方法方案一，包括如下步骤：

建立深度全卷积神经网络；所述深度全卷积神经网络包括用于特征提取的主网络和用于目标检测的子网络；

利用图像分类数据库对主网络进行训练；在主网络训练完成后，添加子网络；利用遥感目标检测数据库对网络参数进行微调，得到训练好的深度全卷积神经网络；

将待测遥感图像输入至深度全卷积神经网络，得到最终的目标检测结果。

方法方案二，在方法方案一的基础上，将待测遥感图像输入至深度全卷积神经网络前，还包括将待测遥感图片缩放至设定尺寸的步骤。

方法方案三，在方法方案一的基础上，所述得到目标检测结果包括：通过深度全卷积神经网络的前向传播计算待测遥感图片中的目标位置和输出类别置信度信息，将输出类别置信度高于设定阈值的目标位置作为最终的目标检测结果。

方法方案四，在方法方案三的基础上，所述子网络采用滑动窗口的方式对主网络产生的特征图上的区域进行卷积，以得到待测遥感图片中的目标位置和输出类别置信度信息。