[发明专利]基于深度度量学习的卫星遥感图像目标关联方法和装置

权利要求书

1.一种基于卫星遥感图像的卷积神经网络深度度量学习训练方法，其特征在于，包括：

构建目标对象的训练样本集；所述训练样本集包括所述目标对象的不同类型图像的样本对；所述图像为多源卫星遥感图像；所述目标对象包括多个类别；

将所述训练样本集输入至卷积神经网络进行训练；

其中，训练得到的卷积神经网络用于对所述目标对象进行多目标关联；所述卷积神经网络为孪生卷积神经网络；

所述训练样本集包括正样本和负样本；

所述构建目标对象的训练样本集，包括：

统计所述目标对象各个类别的样本数目，并依据所述样本数据对各个样本按照设定排序规则进行排序；

确定所述训练样本集的数量、各训练样本集对应的类别数量，以及各训练样本集中包括的正样本数量和负样本数量；

根据所述训练样本集包括的所述目标对象的类别确定所述正样本的正样本类别，从各所述正样本类别对应的样本中抽取设定数量的中间正样本，并从所述中间样本中筛选目标正样本作为所述正样本；

计算所述训练样本集对应的类别特征中心，根据各类别与所述类别特征中心之间的距离确定负样本对应的类别，并从所述负样本对应的类别中抽取相应的样本组成所述负样本。

2.根据权利要求1所述的方法，其特征在于，将所述训练样本集输入至卷积神经网络进行训练，包括：

将所述训练样本集中的样本输入至所述卷积神经网络，得到两个特征输出值；

计算所述特征输出值之间的距离；

根据所述特征输出值、所述特征输出值之间的距离计算目标损失函数；

根据所述目标损失函数计算中间损失值；

在确定所述中间损失值与目标损失值之间的差值不满足设定阈值时，进行反向传播，直至所述中间损失值与所述目标损失值之间的差值满足设定阈值。

3.根据权利要求2所述的方法，其特征在于，所述目标损失函数为：

其中，(x_i,y_j)表示样本对，l_i,j∈{0,1}表示样本对(x_i,y_j)中的目标对象是否属于同一个类别，d_i,j表示所述特征输出值之间的距离，α用于惩罚负样本对距离的阈值，h(α-d_i,j)表示Hinge损失函数，所述h(α-d_i,j)的形式为h(x)＝max(0,x)，C表示所述训练样本集对应的目标对象的类别数量，f_θ(x)和f_θ(y)表示所述卷积神经网络的映射函数，θ和θ分别所述卷积神经网络的网络参数，c_kx和c_ky表示第k类目标对象类别的样本特征中心向量。

4.一种基于卫星遥感图像的多目标关联方法，其特征在于，包括：

获取目标对象的待识别图像；所述待识别图像包括所述目标对象的不同类型图像对；所述目标对象包括多个类别；所述待识别图像中的各个图像包括多个类别的目标对象；所述待识别图像为多源卫星遥感图像；

将所述目标对象的待识别图像输入至通过权利要求1-3任一所述基于卫星遥感图像的深度度量学习训练方法得到的卷积神经网络中，得到多目标检测结果；

对所述多目标检测结果求解，以根据所述多目标检测结果确定多目标关联结果。

5.根据权利要求4所述的方法，其特征在于，所述对所述多目标检测结果求解，包括：

确定关联概率矩阵，并根据所述关联概率矩阵计算所述待识别图像中目标对象之间的特征关联概率；

确定关联指示矩阵；

通过距离约束条件对所述关联指示矩阵和所述特征关联概率进行修正；

对所述关联指示矩阵和所述关联概率矩阵进行扩展；

根据所述关联指示矩阵确定关联代价矩阵；

根据所述关联代价矩阵和所述关联指示矩阵确定整体关联代价函数；

对所述整体关联代价函数进行转换，得到目标函数；

根据所述关联指示矩阵、所述目标函数以及粒子群优化算法确定所述多目标关联结果。