[发明专利]一种基于卷积神经网络的卫星图像移动物体滑窗检测方法

说明书

本发明属于卫星图像移动目标检测技术领域，具体涉及一种基于卷积神经网络的卫星图像移动物体滑窗检测方法，包括下列步骤：获取卫星图像；根据随机窗口构建错误检测类；根据错误检测类和xView中的46个移动目标类构建大类数据集；将大类数据集分割为训练集与测试集；对训练集数据进行翻转、平移、大小缩放，扩增训练集数据量；构建两个目标识别神经网络，并采用训练集对目标识别神经网络进行训练；输入待检测卫星图像，采用目标识别神经网络对图像中的移动目标进行滑窗检测，输出识别结果。本发明对卫星图像中的移动目标进行检测和分类，具有卫星图像移动目标检测准确度高、精确度高和适用性范围广等优点。本发明用于卫星图像移动物体的滑窗检测。

技术领域

本发明属于卫星图像移动目标检测技术领域，具体涉及一种基于卷积神经网络的卫星图像移动物体滑窗检测方法。

背景技术

卫星图像一般指卫星像片图，(satellite photo map)，是各种人造地球卫星在运行过程中，通过照相机、电视摄象机、多光谱扫描仪等设备，对地面地物进行摄影或扫描所获得的图象资料。卫星图像是十分重要的资源，可以通过它计量国土资源，检测地面情况并且能高瞻远瞩的记录地表发生的变化。

由于卫星图像十分巨大而且其中的物体相对较小，缺乏高质量卫星图像的训练数据等问题，使得利用卫星图像进行目标检测是充满挑战的工作。目前的卫星图像目标检测算法仅局限于对目标特征进行识别，但部分目标其样本较少，如直升机、军舰等，网络无法对目标进行较好的学习，且移动目标无环境特征可以学习，导致目前的算法识别效果较差。

现有技术存在的问题或者缺陷：目前卫星图移动目标检测算法的准确度和精确度较低，xView竞赛的冠军算法的mAP不足30％，无法满足实际需求。

发明内容

针对上述目前卫星图移动目标检测算法的准确度和精确度较低的技术问题，本发明提供了一种准确度高、精确度高、分类效果好、适用范围广的基于卷积神经网络的卫星图像移动物体滑窗检测方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于卷积神经网络的卫星图像移动物体滑窗检测方法，包括下列步骤：

S1、获取卫星图像，采用xView中的46个移动目标类作为识别对象构建小类数据集；

S2、根据随机窗口构建错误检测类，用于提取非移动物体的特征；根据错误检测类和xView中的46个移动目标类构建大类数据集；

S3、将大类数据集分割为训练集与测试集，所述训练集用于网络模型的训练，所述测试集用于衡量网络模型的性能；对训练集数据进行翻转、平移、大小缩放，扩增训练集数据量；

S4、构建两个目标识别神经网络，并采用训练集对目标识别神经网络进行训练，包括ResNet网络和DesNet网络，所述ResNet网络用于待识别目标的初次粗分类，所述DesNet网络用于待识别目标的二次细分类；

S5、输入待检测卫星图像，采用目标识别神经网络对图像中的移动目标进行滑窗检测，输出识别结果。

所述S1中构建小类数据集的方法为：通过GeoJSON文件中的边框和标签来识别对象，针对错误检测类，通过随机采样xView图像并在这些位置提取边界框来定义，然后将边界框添加到GeoJSON文件中。

所述小类数据集、大类数据集中训练集与测试集的分割比例均为8：2。

所述S4中ResNet网络的构建包括：构建一个Resnet-152网络进行初分类，初始权重采用imagenet权重；Learning rate大小为0.01，droupout设置为0.5，batchsize设置为32；将数据与其大类标签输入网络，进行训练，直到模型性能不再提升。