[发明专利]一种基于多尺度特征融合的山体滑坡检测方法

权利要求书

1.一种基于多尺度特征融合的山体滑坡检测方法，其特征在于，具体步骤如下：

步骤一、在临近空间的飞艇或飞行器上安装摄像头，定时定点的对铁路沿线的场景进行航拍，将拍摄得到的图像实时发给加入了聚焦模块的VGGNet-19模型；

步骤二、针对某张拍摄图像，使用加入了聚焦模块的VGGNet-19模型的卷积层自底向上提取深度特征；

改进的VGGNet-19模型是指：保留传统VGGNet-19模型的卷积层和池化层，删除全连接层，在每个池化层的后面分别引入一个聚焦模块；

所述的聚焦模块具体结构如下：

每个聚焦模块的尺寸设定为[b_u,c_u,w_u，h_u]，b_u示每次训练使用的图片样本数量；c_u表示每个聚焦模块的通道数，w_u表示每个聚焦模块的宽度，h_u表示每个聚焦模块的高度；

当池化层的输出被输入到聚焦模块后，分为两分支，第一个分支保持池化层的输出值不变，第二个分支依次进过核尺寸为[w_u，h_u]的平均池化层，第一个全连接层，ReLU激活函数，第二个全连接层和ReLU激活函数；

第二个分支中池化层的输出经过平均池化层后，数据的尺寸变为[b_u,c_u，1，1]；第一个全连接层把c_u个输入转换成c_u/4个输出，ReLU激活函数增加非线性特性，第二个全连接层把c_u/4个输入转换成c_u个输出，经过ReLU函数得到c_u个输出，并与第一个分支的结果做乘法，即每一个通道尺寸为[w_u，h_u]的特征图都乘以一个相同的数字；经过聚焦模块的输入和输出能保持尺寸不变；

所述的深度特征包括5个特征图，自底向上经过聚焦模块输出，每个特征图的尺寸和通道数均不同；分别为：112*112*64，56*56*128，28*28*256，14*14*512，7*7*512，简称为a1，a2，a3，a4，a5；

步骤三、将深度特征按层次进行自顶向下的特征融合；

特征融合是指：把来自上层的深度特征做上采样，使之尺寸翻倍；同时通过1*1的卷积把当前层的深度特征的通道数减半；

新融合的特征自上向下表示为b1，b2，b3，b4，b5，均为特征图；计算公式为；

b1＝a1

b2＝1*1卷积(a2)+上采样(b1)

b3＝1*1卷积(a3)+上采样(b2)

b4＝1*1卷积(a4)+上采样(b3)

b5＝1*1卷积(a5)+上采样(b4)

步骤四、在原始的输入图像上做选择性搜索，生成若干个可能包含目标区域的候选框；

步骤五、根据原始图像的尺寸、候选框的尺寸、特征融合后各个特征图的尺寸，计算每个候选框分别在三个特征图b1，b2和b3上的映射大小；

步骤六、通过最大池化的方式，把所有映射得到的特征图的尺寸统一成一致的尺寸；

步骤七、把每个统一尺寸的特征图均依次经过尺寸为2048的全连接层和尺寸为1024的全连接层，得到尺寸为1024的一维向量；

步骤八、把每个一维向量依次通过尺寸为512的全连接层，尺寸为2的全连接层和softmax，输出候选框属于目标或背景的概率，并确认当前候选框是否包含泥石流；

步骤九、同时将每个一维向量依次通过尺寸为512全连接层和尺寸为4的全连接层，调整候选框的位置和尺寸；

调整的公式为：

X＝x+a*w

Y＝y+b*h

W＝w*e^c

H＝h*e^d

[x，y，w，h]为原始候选框的横坐标、纵坐标、宽度尺寸、高度尺寸，[a，b，c，d]为第二个分支的输出；

步骤十、将每个包含泥石流的候选框经过位置和尺寸的调整后，得到初步的检测结果；

步骤十一、将每个初步检测结果分别在摄像头拍摄的原始图像上做非极大值抑制，得到最终的检测结果。

2.如权利要求1所述的一种基于多尺度特征融合的山体滑坡检测方法，其特征在于，所述的步骤八中，当前候选框包含泥石流的判别标准为：当候选框属于目标或背景的概率大于0.5，则认为当前候选框包含泥石流。