[发明专利]基于几何结构双路卷积网络的光学遥感图像目标检测方法

说明书

本发明公开了一种基于几何结构双路卷积网络的光学遥感图像目标检测方法，使用标注后的光学遥感图像数据集构造形式为图像块‑素描块‑标签的训练数据集T；使用待检测光学遥感图像构造形式为图像块‑素描块的测试数据集U；构造基于几何结构双路卷积网络的目标检测模型，基于几何结构双路卷积网络的目标检测模型包含区域卷积模块和DoG脊波基函数卷积模块；使用训练数据集T训练基于几何结构双路卷积网络的目标检测模型，得到训练后的基于几何结构双路卷积网络的目标检测模型；将测试数据集U输入训练后的基于几何结构双路卷积网络的目标检测模型，得到待检测光学遥感图像的检测结果。本发明有效提高了目标检测模型的定位精度。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于几何结构双路卷积网络的 光学遥感图像目标检测方法。

背景技术

随着遥感技术的发展，大量高分辨率的光学遥感图像能提供丰富的空间信息 和上下文信息，这也促进了光学遥感图像目标检测的快速发展。针对光学遥感图 像，研究者们关注的目标检测对象包括飞机、车辆、舰船、道路和桥梁等。光学 遥感图像目标检测在国防建设、城市监控、货物运输和港口管理等场景中发挥重 要作用，节约了大量的人力物力。

随着深度学习的流行，大数据背景下，深度学习强大的表示能力和泛化能力 使其在目标检测领域崭露头角。基于深度神经网络的光学遥感图像目标检测方法 主要分为2类：(1)两阶段的目标检测，这类方法将检测和识别过程分离；(2) 单阶段目标检测，这类方法执行一次前向运算即可得到目标的位置和类别。

Fast R-CNN是基础的两阶段目标检测算法。第一阶段，使用Selective Search 算法预测图像中目标的候选框，完成初步的检测操作；第二阶段，对候选框中的 图像使用RoIPooling得到相同大小的特征张量，输入深度卷积神经网络预测候 选框的类别。最终预测的检测框需经过边框回归和非极大值抑制(Non-Maximum Suppression，简称NMS)得到目标检测与识别的结果。Faster R-CNN使用深度 神经网络作为区域候选网络(RegionProposal Network，简称RPN)为第二阶段 的分类和回归提供候选框，将目标检测算法改进为端到端的任务流程。两阶段目 标检测算法的检测精度较高，但是这类方法存在的缺点是检测速度慢、需要的运 算资源多，而且无法满足大场景光学遥感图像的实时目标检测需求。

YOLO是典型的单阶段目标检测算法，相对于两阶段的目标检测方法，YOLO 的检测速度具有显著优势，可以做到实时目标检测，适合移动端设备的目标检测 应用。YOLO使用一个卷积神经网络完成目标的检测和分类，目标的位置使用网 格预测，因此较为粗糙的网格会造成YOLO对小目标不够敏感。SSD借鉴了Faster R-CNN的候选框思想，提前设计了多种尺寸和比例的候选框，并利用了多个卷 积层的不同尺度的特征映射图，提升了算法对小目标的召回率。这类方法存在的 不足是：定位精度和分类精度相互制约，对目标的边界不敏感，边界框坐标的精 确度不高。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于 几何结构双路卷积网络的光学遥感图像目标检测方法，解决单阶段目标检测方法 对目标边界不敏感，导致定位精度不高的问题。

本发明采用以下技术方案：

基于几何结构双路卷积网络的光学遥感图像目标检测方法，包括以下步骤：

S1、使用标注后的光学遥感图像数据集构造形式为图像块-素描块-标签的训 练数据集T；

S2、使用待检测光学遥感图像构造形式为图像块-素描块的测试数据集U；

S3、构造基于几何结构双路卷积网络的目标检测模型，其中，基于几何结构 双路卷积网络的目标检测模型包含区域卷积模块和DoG脊波基函数卷积模块；