[发明专利]一种基于改进锚框的高光谱多目标检测方法

说明书

本发明公开了一种基于改进锚框的高光谱多目标检测方法，包括：第一阶段，将输入的图像通过神经网络进行区域判定，通过相关先验知识确定产生锚点位置；第二阶段，将对应锚点位置的特征图提取后，利用网络自动生成锚框，通过神经网络预测有效锚框个数，通过IOU关系，补充新的锚框，共同训练一个分类回归器，进行目标检测。本发明的优点在于：有效的降低了锚框总量，提高了有效锚框数量，且第一阶段生成锚点位置点的锚框掩膜网络可以根据任务及先验知识进行设计，大大提高模型迁移能力。

技术领域

本发明涉及高光谱图像识别领域，尤其涉及一种基于改进锚框的高光谱多目标检测方法。

背景技术

高光谱遥感技术的关键点在于高光谱仪的成像技术，是指在一定的波谱范围内观取目标连续的光谱信息的一种技术。而高光谱图像目标检测和目标识别是高光谱遥感技术领域非常热门的学研究方向。因为对于高光谱图像数据，适合高光谱图像目标检测的算法可以获取目标和背景的空间信息且获取丰富的光谱信息。已经广泛的应用与军事和民用领域。

高光谱图像本身具有数据量大、数据间关联、不同类传感器获取的图像数据差异性大、目标样本匮乏的特性。但是，传统的高光谱图像目标检测方法，需要人工进行特征提取，使得深层高光谱信息没有被充分挖掘的问题。且不当的特征提取方式最终会破坏原始的数据结构。

现有技术中，深度学习技术在图像、语音、自然语言处理等各方向的广泛应用，使得深度学习技术在高光谱图像多目标检测领域的应用成为可能。其可以利用深度神经网络所构成的复杂的数据表达和大量的参数估计，运用大量的数据来提取存在高光谱图像中的深层特征，并将其进行利用，对目标位置进行框定。现有技术中通过使用Faster RCNN，ACE等方法较有效的实现功能。但是在进行利用时，由于高光谱图像大量来自于卫星图像，各类目标在图像中占据的像素点十分稀少，按照定义其皆应该定义为小目标，以上网络在小目标的检测上效果并不理想。

发明内容

本发明要解决的技术问题是如何实现针对卫星高光谱图像的小目标检测，针对上述要解决的技术问题，现提出一种基于改进锚框的高光谱多目标检测方法。

为实现上述目的，本发明提供如下技术方案：

一种基于改进锚框的高光谱多目标检测方法，包括：

第一阶段，将输入的图像通过神经网络进行区域判定，通过相关先验知识确定产生锚点位置；

第二阶段，将对应锚点位置的特征图提取后，利用网络自动生成锚框，通过神经网络预测有效锚框个数，通过IOU关系，补充新的锚框，共同训练一个分类回归器，进行目标检测。

进一步的，所述第一阶段包括如下步骤：

步骤a1，通过特征提取层对图像特征进行提取；

步骤a2，通过FPN网络进行反卷积处理生成至少4个卷积层的新特征图；

步骤a3，通过三个尺度的空洞卷积进行特征提取，并进行级联操作，生成预测特征图，对每个锚点进行置信度预测，判断预测锚点是否为有效锚点。

进一步的，所述步骤a3中判断预测锚点是否为有效锚点的方法为：对每种尺度下的锚点计算其对应原图坐标框，如果与真实框重复面积超过坐标框面积的50％，则判断该坐标框为有效锚点框，标为正样本1，否则标为负样本0；预测生成的各尺度置信图为一种锚框掩膜，用于筛除掉无效的锚点。

进一步的，所述步骤a1中的特征提取层为采用VGG-16的特征提取层。

进一步的，所述第二阶段包括如下步骤：

步骤b1，根据阶段一生成的锚点有效性置信图，挑选出有效锚点框及其对应的多尺度特征图数据；

步骤b2，将收集到的特征图数据组合对应锚点框构成新的特征图，计算出有效锚框的坐标；