[发明专利]高分辨率遥感图像目标检测方法、装置和计算机设备

说明书

本申请涉及一种高分辨率遥感图像目标检测方法、装置和计算机设备。所述方法包括：根据关注目标类型和待检测像的覆盖区域对包括真实边界框的高分辨率遥感数据进行缩放和裁剪，生成样本集用于训练预先设置的基于级联R‑CNN网络的PTAN目标检测模型，并根据级联R‑CNN网络的分类误差和回归误差构建目标函数。将待检测的高分辨率遥感图像裁剪成与样本集中的训练图像块大小相同的检测图像块，输入训练好的PTAN目标检测模型，得到目标检测结果。本申请根据遥感图像的特点，在PTAN目标检测模型训练阶段对图像进行了缩放和裁剪处理，以增强PTAN目标检测模型的泛化能力，基于处理后的图像生成样本集训练PTAN目标检测模型，可提高目标检测和识别精度。

技术领域

本申请涉及遥感图像处理技术领域，特别是涉及一种高分辨率遥感图像目标检测方法、装置和计算机设备。

背景技术

基于深度学习图像处理方法已经在自然图像处理领域取得了巨大的成功，基于神经网络建立的各种图像处理模型能够基于提取图像中的目标区域、目标类别、运动轨迹等信息，并在此基础上实现目标检测、识别和跟踪等图像处理功能。

作为图像数据的另一个重要来源，遥感成像技术也广泛应用于目标检测。遥感成像技术具有许多优势，如卫星遥感成像不易受障碍物遮挡，红外成像系统、合成孔径雷达等则可以在恶劣天气下正常拍摄等。由于成像方式的差异，遥感图像与自然图像数据相比具有以下特点：一是图像尺寸大，处理耗时且占用大量存储空间。二是目标尺寸、密度和数量跨度大，且同类目标在不同遥感图像中的尺寸差异也可能非常大。三是拍摄角度不同，由于遥感图像大多通过高空或空间平台拍摄，图像中的目标的成像角度、阴影与自然图像数据有很大不同，并且受大气环境干扰，目标的边缘更加模糊。

正是由于遥感图像的上述特点，使得自然图像处理领域的目标检测算法很难直接迁移到光学遥感图像中。

发明内容

基于此，有必要针对上述技术问题，提供一种能够对大尺寸的遥感图像进行目标检测的高分辨率遥感图像目标检测方法、装置和计算机设备。

一种高分辨率遥感图像目标检测方法，包括：

获取包括真实边界框的高分辨率遥感训练图像。

按照预先设置的一组缩放倍数值，对高分辨率遥感训练图像进行多次缩放处理，将得到的多个图像按照预设图像尺寸和交叠尺寸裁剪成大小相同的训练图像块，根据训练图像块构建用于模型训练的样本集。缩放倍数值和预设图像尺寸和交叠尺寸，根据预设的关注目标类型和待检测的高分辨率遥感图像的覆盖区域确定。

根据样本集和预先设置的目标函数，对预先设置的基于级联R-CNN网络的PTAN目标检测模型进行训练。目标函数包括根据级联R-CNN网络的分类误差和回归误差构建的损失函数，级联R-CNN网络的各级IoU阈值依次递增。

将待检测的高分辨率遥感图像按照预设尺寸裁剪成大小相同的检测图像块，将检测图像块输入训练好的PTAN目标检测模型，得到目标检测结果。

其中一个实施例中，构建预先设置的基于级联R-CNN网络的PTAN目标检测模型的方法包括：

构建用于图像特征提取的神经卷积网络。

将神经卷积网络输出的特征图输入预先构建的第1级Faster R-CNN网络，输出第1级回归结果。

将第t-1级回归结果输入预先构建的第t级Faster R-CNN网络，输出第t级回归结果。其中，t≥2。

其中一个实施例中，Faster R-CNN网络的级数t＝3。

其中一个实施例中，预先设置的一组缩放倍数值包括a、b和c，其中a＞1，b＜1，c＝1。