[发明专利]一种遥感影像小目标检测方法

说明书

本申请涉及一种遥感影像小目标检测方法。目前的深度神经网络对小目标检测效果不理想。本申请提供了一种遥感影像小目标检测方法，获取遥感影像后通过深度神经网络对遥感影像进行特征提取；利用特征图提取建议候选框，特征图仅提取大目标建议候选框；将特征图或者原始影像划分为若干个小的区域，然后将每个小区域对应的原始影像放大后重新通过深度神经网络进行特征提取得到若干个新的特征图；对得到的特征图提取小目标的建议候选框；对提取出来的大目标建议候选框和小目标建议候选框进行汇总，然后进行分类，判断每个建议候选框属于哪个类别；对每个建议候选框进行边框回归；将提取出来的建议候选框经过非极大值抑制后，统一在原始影像上输出坐标点。对小目标的召回率有了很大提升。

技术领域

本申请属于图像处理技术领域，特别是涉及一种遥感影像小目标检测方法。

背景技术

在遥感影像中，受图像分辨率的影响，其中有着大量的小目标存在，这些小目标由于自身图像分辨率低，占整幅图像中的比例小，使得在实现快速定位检测目标时，很难准确的检测到小目标的存在。随着机器学习技术的不断发展，遥感影像的目标检测方法越来越多。由于影像中大量小目标的存在，从影像中检测小目标是很困难的，存在大量漏检，而影响到了整体的检测效果，因此在遥感影像中小目标检测是目前研究的重点区域。

为了能够有效的在遥感影像中检测出目标，常用的检测方法有：1)Harr分类器；2)梯度直方图(HoG)+SVM分类器；3)Discriminatively trained deformable part models(DPM)。4)基于深度神经网络的方法。Haar分类器实际上是Boosting算法的一个应用，Haar分类器用到了Boosting算法中的AdaBoost算法，只是把AdaBoost算法训练出的强分类器进行了级联，并且在底层的特征提取中采用了高效率的矩形特征和积分图方法，但是由于原始的Haar特征太简单，无法有效检测出需求的目标。梯度直方图特征(HOG)是一种对图像局部重叠区域的密集型描述符,它通过计算局部区域的梯度方向直方图来构成特征，使用梯度直方图特征结合SVM分类器对目标进行检测，但是梯度直方图的方法存在，描述子生成过程冗长，导致速度慢，实时性差，很难处理遮挡问题，并且对噪点相当敏感等缺点。DPM方法可以看作是梯度直方图和SVM分类器的升级版，但是DPM相对复杂，检测速度也比较慢，同时对于场景较为复杂的情况还是无法解决。深度神经网络的方法主要有Faster RCNN。

深度神经网络可以很好的对于复杂的场景实现检测，精度和召回率都可以得到很好的保证，对于特征的提取由深度神经网络自动完成，也提高了目标检测的迁移性，但是由于小目标所含有的信息少，在训练中难以学习小目标的特征，使得目前的深度神经网络对小目标检测效果比较差。

发明内容

1.要解决的技术问题

基于深度神经网络可以很好的对于复杂的场景实现检测，精度和召回率都可以得到很好的保证，对于特征的提取由深度神经网络自动完成，也提高了目标检测的迁移性，但是由于小目标所含有的信息少，在训练中难以学习小目标的特征，导致目前的深度神经网络对小目标检测效果很差的问题，本申请提供了一种遥感影像小目标检测方法。

2.技术方案

为了达到上述的目的，本申请提供了一种遥感影像小目标检测方法，所述方法包括如下步骤：

步骤1：获取遥感影像后通过深度神经网络对遥感影像进行特征提取；

步骤2：利用特征图提取建议候选框，特征图仅提取大目标建议候选框；

步骤3：将特征图或者原始影像划分为若干个小的区域，然后将每个小区域对应的原始影像放大后重新通过深度神经网络进行特征提取得到若干个新的特征图；

步骤4：对步骤3中得到的特征图提取小目标的建议候选框；