[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

说明书

本发明涉及深度学习中的多目标检测技术领域，具体涉及一种基于特征融合的卫星光学遥感图像目标检测方法，包括：构建并训练多尺度特征网络模型；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；对候选框的比例特征进行筛选，得到检测框；对所有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。本发明通过多尺度卷积核以及多层特征融合来丰富目标的细节特征，同时采用锚框拟合来获得更精确的目标位置，使得检测精度更高。

技术领域

本发明涉及深度学习中的多目标检测技术领域，具体涉及一种基于特征融合的卫星光学遥感图像目标检测方法。

背景技术

随着卫星遥感技术的发展，从高空获取地面图像数据已经变得越来越容易且画面也愈加清晰。目前，基于遥感图像的目标检测研究包括舰船检测、飞机检测、油罐检测、道路检测等，都具有较高的实际意义。因此，如何提高遥感图像中目标的检测精度，是近年来该领域的研究热点和难点，也受到了各界相关研究人士越来越多的关注。

由于卫星光学遥感图像的成像方式和自然场景图像有所不同，因此遥感图像中目标可能存在一定程度的尺度失真、变形、褪色等，导致检测精度受到影响。同时，由于遥感图像的分辨率通常较高，目标在画幅中往往表现为小目标的形式，这给检测任务增加了难度。

目前，实现目标检测任务主要采用以下两类方法：基于回归的单阶段目标检测与基于区域提议的双阶段目标检测。单阶段目标检测算法以Joseph Redmon于2016年提出的YOLO算法为典型，将检测任务表述成一个统一的、端到端的回归问题，在处理一次图片的同时得到位置和分类，其优点是消耗资源少、检测速度快；不足是检测精度尤其是小目标检测精度较低。双阶段目标检测算法以Ross Girshick等人提出的RCNN系列目标检测网络为典型，将检测分为了两个阶段，首先在图像中生成一系列锚框，通过训练RPN网络来判断锚框内目标是前景或背景并对目标位置进行回归，然后再进行具体目标类别的分类以及对目标位置进行精修。双阶段目标检测网络由于其特有的锚框机制，在检测精度上高于单阶段目标检测网络，然而也因其消耗了更多计算资源，因此检测速度较慢。

发明内容

为了解决上述问题，本发明提供一种基于特征融合的卫星光学遥感图像目标检测方法。

一种基于特征融合的卫星光学遥感图像目标检测方法，包括以下步骤：

S1、构建多尺度特征网络模型；

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；

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。

进一步的，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。

进一步的，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。