[发明专利]基于人工智能的光学遥感图像目标在线快速检测方法

说明书

本发明公开了一种基于人工智能的光学遥感图像目标在线快速检测方法，包括以下步骤：获取原始光学遥感图像，建立光学遥感图像目标数据集；搭建图像特征提取网络，并结合解码器共同构建目标快速检测网络模型；利用所述光学遥感图像目标数据集对目标快速检测网络模型进行训练和评估；利用训练后的目标快速检测网络模型对待测光学遥感图像进行目标检测。本发明基于人工智能的光学遥感图像目标在线快速检测方法可应对复杂的外界干扰，具有检测精度高、检测速度快、占用内存小、低成本、低功耗等优点，适用于嵌入式等移动平台，并在嵌入式平台上能取得实时的检测速度和较高的检测精度，可用于无人机机载平台或卫星平台等移动端的遥感目标检测。

技术领域

本发明属于遥感、深度学习技术领域，特别是一种基于人工智能的光学遥感图像目标在线快速检测方法。

背景技术

随着计算机视觉技术和图像并行处理技术的发展，深度学习在军事领域和航空航天、科学探测、天文观测以及视频监控等民用领域具有越来越广泛的应用。世界上著名的高分辨率卫星成像系统已达到亚米级甚至0.1m分辨率的高精度级别，吉林一号轻型高分辨率遥感卫星光学成像系统每天能获取15万平方公里的高分辨率遥感图像数据，Digitalglobe公司的WorldView商业卫星系统的星载大容量全色成像系统每天能够拍摄多达50万平方公里的0.5米分辨率图像。卫星平台和无人机平台积累的遥感图像数据在不断积累，星载或机载平台的目标检测与识别任务亟需一种适用于移动平台、占用资源少、计算效率高的轻量化深度学习模型处理遥感图像数据。

目前用于目标检测与识别的深度学习方法一般分为两种：双阶段深度神经网络模型(如Faster R-CNN)和单阶段深度神经网络模型(如YOLO、SSD)。双阶段模型首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类识别。但是这两种识别方法均存在不足：双阶段深度神经网络模型，基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余，给使用人员带来较大困难；单阶段模型，利用整张图作为网络的输入，直接在输出层输出回归框的位置和所属的类别，虽然在GPU平台的加速下达到了较高的处理速度，但计算成本高、单位时间功耗大，不适用于嵌入式等移动端。且无论是单阶段或是双阶段模型都面临占用内存大的问题，在嵌入式平台上的表现难以达到实时性的要求。

发明内容

本发明的目的在于提供一种利用深度神经网络、多尺度特征图和目标航向角预测方法实现无人机机载或卫星平台下对遥感目标进行快速在线检测的方法。

实现本发明目的的技术解决方案为：基于人工智能的光学遥感图像目标在线快速检测方法，包括以下步骤：

步骤1、获取原始光学遥感图像，建立光学遥感图像目标数据集；

步骤2、搭建图像特征提取网络，并结合解码器共同构建目标快速检测网络模型；

步骤3、利用所述光学遥感图像目标数据集对目标快速检测网络模型进行训练和评估；

步骤4、利用训练后的目标快速检测网络模型对待测光学遥感图像进行目标检测。

本发明与现有技术相比，其显著优点为：1)通过使用多尺度特征图参与预测，达到有效提高目标定位精度和分类精度的效果；2)通过将目标航向预测作为回归问题引入网络模型直接进行预测，实现了在单阶段深度神经网络模型中对旋转目标航向角信息的提取；3)通过将目标航向角信息与矩形标注框相结合，提供了一种旋转目标数据集建立新方法；4)利用扩张卷积对网络模型进行优化，减少了计算量和模型体积，加速了计算过程；5)所设计的模型占用内存小、计算成本小、计算效率高且具有较好的精度，适用于嵌入式等移动平台。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明基于人工智能的光学遥感图像目标在线快速检测方法流程图。

图2为本发明中目标航向角标注示意图。

具体实施方式