[发明专利]基于深度学习的遥感图像中目标检测与识别的方法及装置

说明书

本公开提供了一种基于深度学习的遥感图像中目标检测与识别的方法，包括：S1，采用卷积神经网络的多层输出，提取训练数据集中遥感图像的高级特征；S2，采用四点标记法来对任意四边形进行标记，在所述高级特征上生成多面积、多纵横比的多种候选框，并进行候选框筛选；S3，对卷积神经网络不同层筛选出的候选区域进行特征融合，根据融合结果得到分类误差与定位误差，并对筛选出的候选区域采用优化函数进行深度学习训练，得到训练优化模型；S4，通过所述训练优化模型对待识别遥感图像进行目标判别和定位。本公开的方法与装置能够应用于遥感图片目标检测与识别，实现对遥感图像中小物体目标、高纵横比目标以及多类别目标的检测与识别。

技术领域

本公开涉及遥感图像识别领域，尤其涉及一种基于深度学习的遥感图像中目标检测与识别的方法及装置。

背景技术

遥感图像作为一种由卫星进行拍摄的高分辨率图像，在一个国家的国防军事、民用导航等领域都有着极其重要的意义。在国防军事上，遥感图像可以用来识别敌方重要军事设施、武器位置。在民用导航上，遥感图像可以用来进行车辆道路规划。不同于普通的照片，遥感图像因其特殊的拍摄角度，往往可以获取比普通图像更多的信息。所以，高效识别遥感图像中的目标对充分发挥遥感图像的优势有着很大的帮助。

随着近些年来深度学习技术的快速发展与进步，基于深度学习的方法与传统方法相比在图像识别、目标检测等领域有了很大的提升。2012年，在美国举办的ImageNet大规模视觉识别挑战赛中，采用深度学习算法的AlexNet模型以远远高于其他组采用传统图像识别算法的成绩夺得了冠军。而这之后的历届比赛中，采用深度学习算法已经成为了主流。其中主要原因就在于，传统的目标检测和识别方法，需要根据专家的先验知识来描述和设计特征，主观性较强，且对于大规模的图片标注来说所需要的时间和人力成本太高。而基于深度学习的目标检测与识别算法，则可以通过对训练集的训练，获得相应的模型参数，进而对图片进行预测。时间和人力成本低，预测准确率也可以保持在一个较高的水平。故近几年来，深度学习算法不仅在图片识别中获得了广泛的应用，在语音处理，文字翻译等方面也都有着比传统方法更优异的效果。

由于深度学习训练网络模型需要有对应的训练集。而遥感图像相关的数据集主要包括DOTA、UCAS-AOD、NWPU VHR-10等。其中，DOTA数据集为武汉大学遥感国家重点实验室整理并标注，主要包括了2806张分辨率在4000*4000左右的遥感图像，以及一共188282个标注物体。该数据集中所标注的物体一共包括15类，分别是足球场、直升机、游泳池、环形公路、大卡车、小汽车、桥、港口、田径场、篮球场、网球场、棒球场、油罐、船、飞机。DOTA数据集同时也是目前最大、最全的遥感图像数据集。UCAS-AOD数据集则主要是由中科大模式识别实验室整理并标注，该数据集只包括两类目标：汽车与飞机。NWPU VHR-10数据集则由西北工业大学团队整理与标注。共有10个类别的物体，大约800张遥感图像。

虽然深度学习在物体检测与识别中取得了良好的效果，但其主要针对的是普通图片而不是遥感图片。普通图片与遥感图片的区别主要在于以下几点：1)遥感图片具有特殊的拍摄视角，因此从普通图片中训练出来的预训练模型不能很好的在遥感图片中使用；2)遥感图片由卫星于十几公里的高空中拍摄，故现实中很大的目标在遥感图片中会变得十分小，因此对于卷积神将网络来说将很难提取到足够的特征信息；3)不同遥感图片中所包含的目标数量往往是极不均衡的，例如，有些遥感图片中可能只有一个待检测目标，而有些遥感图片中可能会有成百个目标。4)遥感图像中，待检测目标的纵横比有些会十分大，例如桥梁，因而生成被检测物体可能存在的候选区会变得很困难。

发明内容

(一)要解决的技术问题

本公开提供了一种基于深度学习的遥感图像中目标检测与识别的方法及装置，以至少部分解决以上所提出的技术问题。

(二)技术方案

根据本公开的一个方面，提供了一种基于深度学习的遥感图像中目标检测与识别的方法，包括：