[发明专利]一种基于特征融合的卫星光学遥感图像目标检测方法

权利要求书

1.一种基于特征融合的卫星光学遥感图像目标检测方法，其特征在于，包括以下步骤：

S1、构建多尺度特征网络模型；多尺度特征网络模型基于Faster R-CNN的思想构建，多尺度特征网络模型包括基础网络部分和区域提议RPN网络部分，其中基础网络部分包含五个卷积阶段(Stage)：Stage1包含卷积层1、卷积层2与池化层1；Stage2包含卷积层3～卷积层11在内的3轮分组卷积及特征融合；Stage3包含卷积层12～卷积层20在内的3轮分组卷积及特征融合；Stage4包含卷积层21～卷积层29在内的3轮分组卷积及特征融合；Stage5包含卷积层30～卷积层38在内的3轮分组卷积及特征融合；多尺度特征网络模型还包括区域提议RPN网络，RPN网络的输入是基础网络提取的特征，为了保证融合特征尺寸大小与通道数一致，使用卷积与反卷积操作对Stage3的输出进行下采样，使用卷积与反卷积操作对Stage5的输出进行上采样，最终将Stage3的上采样结果、Stage5的下采样结果与Stage4的输出特征进行融合，并将融合后的特征作为RPN网络的输入；

S2、通过遥感图像数据训练多尺度特征网络模型，得到训练好的多尺度特征网络模型；多尺度特征网络模型的训练过程包括：

S21、基于遥感图像目标特征，构造RPN网络的锚框：选取尺寸聚类中心，采用K-means聚类算法对训练数据中的目标的尺寸特征进行聚类，得到第一聚类结果，将得到的第一聚类结果作为锚框尺寸；选取比例聚类中心，用K-means聚类算法对训练数据中的目标的比例特征进行聚类，得到第二聚类结果，将得到的第二聚类结果作为锚框比例，输出锚框；输出的锚框用于RPN网络的计算，RPN网络计算中，网络输出预测候选框与置信度，将置信度大于90且交并比IoU高于0.7的预测候选框作为前景；

S22、计算多尺度特征网络模型的损失函数，损失函数包括：前/背景二分类损失、候选框回归损失、目标类别交叉熵损失、检测框回归损失，将上述四类损失的和作为多尺度特征网络模型的整体损失；多尺度特征网络模型的整体损失函数表达式为：

其中，i表示一个批量训练中的锚点序号，p_i表示锚点i对应的区域预测为目标的概率；p_i*表示原样本是正样本(为1)还是负样本(为0)，表示候选框i对应的区域预测为目标的概率；t_i表示预测候选框的中心坐标x、y以及宽高w、h四个位置参数；t_i*表示正样本对应的真实的位置参数；t'_i表示锚框正样本对应的真实的位置参数；表示候选框正样本对应的真实的位置参数；LOSS_cls为候选区域是前景还是背景的分类损失；LOSS_reg为候选区域边界框的回归损失；λ、N_cls、N_reg均为平衡参数；N是平衡参数，M表示类别的数量，y_ic代表类别c是否为真，p_ic表示样本i属于类别c的预测概率；

LOSS_cls采用逻辑回归中的对数损失函数，定义为以下表达式：

LOSS_reg采用HuberLoss作为损失函数，定义如以下表达式：

S23、采用Adam作为优化器训练多尺度特征网络模型的权重参数，权重初始化方式采用“He初始化”，学习率设置为0.001，当损失函数无法继续降低时，模型训练完毕，得到训练好的多尺度特征网络模型；

S3、将测试数据输入到训练好的多尺度特征网络模型中，得到测试数据中目标的候选框和置信度；

S4、将置信度高于设定阈值的候选框根据比例特征进行筛选，得到原始目标检测框；

S5、对原始目标检测框进行非极大值抑制处理，得到遥感图像目标检测结果。