[发明专利]一种基于遥感场景分类的目标检测方法

说明书

本发明涉及一种基于遥感场景分类的目标检测方法，包括：S1，将待检测遥感影像输入训练完成的目标检测模型，获得对应地物目标的检测框以及置信度；S2，初步筛选：删除置信度低于阈值的检测框；S3，制作检测框对应的局部遥感影像：局部遥感影像包括检测框内影像及其周边背景影像；S4，将局部遥感影像输入训练完成的遥感场景分类模型，获得类别置信度；S5，根据S4获得的类别置信度对检测框进行二次筛选，获得检测结果。本发明结合目标检测结果的检测框内信息及其周边的场景信息，进行遥感场景分类计算，再根据遥感场景分类模型反馈的类别置信度来对目标检测获得的检测框进行筛选，可解决大量错检问题，大大提高目标的检测精度。

技术领域

本发明涉及遥感影像处理技术领域，尤其涉及一种基于遥感场景分类的目标检测方法。

背景技术

最早期的目标检测主要是模板匹配技术的模型和基于简单结构的模型，能够处理一些空间位置关系较为简单的物体。之后的主流方法经历了基于几何表示的方法和基于外观特征的统计分类方法，例如神经网络、SVM以及Adaboost等。

20世纪90年代之后，目标检测有了突破性的进展，两个里程碑分别是尺度不变特征转换算法和深度卷积神经网络，前者革新了传统方法，后者则引领了深度学习的热潮。从SIFT算法开始，局部特征描述符受到了研究者的青睐，此后出现了许多相关的工作，例如Haar-like特征及梯度直方图等。这些局部特征通常会经过简单的级联或者特征池编码器集成，例如空间金字塔匹配及Fisher矢量等。之后提出的DPMs模型达到了传统目标检测的巅峰。虽然传统方法取得了不错的检测效果，但是往往设计得较为复杂，且缺乏提取图像高层次语义特征的能力，这限制了模型的检测精度。

近年来，随着深度学习的快速发展，其在自然场景的图像分类和检测领域获得了巨大的成功，与自然影像相比，遥感影像背景复杂，尺寸大，包含的对象数量多，同一类别的待检测目标尺寸差异大；另外还受到光照角度、拍摄角度、天气等因素影响；在实际应用中，对检测速度要求也较高，这使得在计算机视觉中的深度学习方法不能直接应用于遥感影像领域。

目前主流的遥感影像目标检测方法大多用于解决简单的检测问题，面对复杂背景的遥感影像，会产生大量的错检，因而生成的结果一般。

发明内容

本发明为了解决上述技术问题提供一种基于遥感场景分类的目标检测方法。

本发明通过下述技术方案实现：

一种基于遥感场景分类的目标检测方法，包括以下步骤：

S1，将待检测遥感影像输入训练完成的目标检测模型，获得与所述待检测遥感影像中的地物目标相对应的检测框以及检测框内地物目标存在的置信度；

S2，初步筛选：删除S1获得的检测框中置信度低于阈值的检测框；

S3，制作S2获得的检测框对应的局部遥感影像：局部遥感影像包括检测框内影像及其周边背景影像；

S4，将所述局部遥感影像输入训练完成的遥感场景分类模型，获得在遥感场景下地物目标存在的类别置信度；

S5，根据S4获得的类别置信度对S2获得的检测框进行二次筛选，获得所述待检测遥感影像的地物目标检测结果。

进一步的，所述S2还包括：对检测框进行非极大值抑制处理，删除重叠较大的检测框。

进一步的，所述目标检测模型的训练方法包括：

A1、准备目标地物数据集，并将其划分为训练集、验证集和测试集；

A2、用A1获得的数据集对基于深度学习的目标检测模型进行迭代训练，获得训练完成的目标检测模型。

进一步的，所述遥感场景分类模型的训练方法包括：

B1、制作样本：在目标检测数据集的基础上，在检测框的周边自动裁剪一定大小的遥感影像切片，获得遥感影像切片组成的样本库：

B2、将B1获得的样本库划分为训练集、验证集和测试集；