[发明专利]一种基于旋转锚点聚类的遥感图像目标快速检测方法

说明书

本发明公开了一种基于旋转锚点聚类的遥感图像目标快速检测方法，首先利用基于k‑means聚类算法设计旋转锚点，得到一系列旋转锚点；再通过对旋转锚点进行前景背景二分类和坐标粗回归，结合旋转非极大值抑制后处理，得到正负样本信息和精简后的高质量提案；最后对提案进行多尺度旋转RoI池化处理，得到含有感兴趣区RoIs的固定长度向量，把向量输入到全连接层(FC)进行具体类别的分类与坐标回归，再次采用INMS后处理得到目标的最终检测结果。本发明能有效降低锚点的冗余度、提升遥感图像目标的检测速度与检测精度、算法易于实现、调参简便、具备数学可解释性等优点，该方法具有广阔的应用前景和良好的经济效益。

技术领域

本发明涉及一种遥感图像目标快速检测方法，特别是一种基于旋转锚点聚类的遥感图像目标快速检测方法，属于遥感图像目标检测领域。

背景技术

自1972年美国发射第一颗地球资源卫星以来，遥感技术受到了全世界前所未有的重视，其中的遥感图像资料具有精度高、覆盖面积大、光谱分辨率清晰等特点，备受研究人员青睐。目标检测是图像处理领域的一个重要组成部分。随着遥感技术的不断发展，不论是在军事领域还是民用领域，从遥感图像中对特定目标进行检测的需求都在与日俱增，对遥感图像的目标检测已经成为国防现代比建设和民用生活生产中必不可少的技术。

但飞速发展的遥感技术也产生了很多新的挑战，随着图像数据量的爆炸式增长，常规的图像处理已经难以应对少量。深度学习的诞生使得高速、精确地处理大批量图像数据得以实现。在面对遥感图像的目标检测时，大量先进的基于深度学习的通用目标检测方法都表现欠佳，因为与一般图像相比，遥感图像有着背景复杂、尺度多样、目标密集、方向多样等特点。这些特殊之处很大地制约了目标检测算法的速度与精度。

快速目标检测算法一直处于学术研究的前沿领域，目标检测算法的速度指标也是其中最重要的一项指标之一，对算法的好坏起着非常直观的评判作用，很大程度上制约了算法实用程度。目前基于深度学习的目标检测算法可以分为一阶段目标检测算法和两阶段目标检测算法。一阶段检测算法的一些经典算法有YOLO系列算法、SSD系列算法等。相较于常规目标检测算法和两阶段目标检测算法，一阶段目标检测算法虽然在速度上有了明显的提升，但是精度不高，难以应用在精度要求高的遥感图像目标检测上。两阶段的目标检测算法以Faster-RCNN为代表衍生出了一系列的改进版本，相较于常规算法和一阶段目标检测算法，其最主要的特点是精度高，但是速度明显不及一阶段目标检测算法，主要应用在一些对精度要求高的领域，如军事、国防、遥感等领域。

由于两阶段目标检测存上述速度缺陷，大量改进算法应运而生。有针对提取特征的主干网络进行设计的方法；有根据数学原理对损失函数进行改进的算法；也有改进区域提案网络，优化提案质量等方法。遥感图像有着背景复杂、尺度多样、目标密集、方向多样等特点。水平锚点的检测方式容易导致密集目标情况下的漏检，从而降低检测精度；且手工方式设计的锚点针对性不强，锚点冗余度大，直接导致需要增加大量不同尺寸和宽高比的锚点，用以覆盖不同尺寸与形状的检测目标，训练过程调参繁琐，致使检测速度受到了很大的限制。要提高检测速度和检测精度，核心在于精简提案数量和提升提案质量，把针对性强和质量高的训练候选区域送入网络进行学习，而锚点的设计正是其中的关键技术。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种基于旋转锚点聚类的遥感图像目标快速检测方法，可以有效提高遥感图像目标的检测速度。

为解决上述技术问题，本发明的一种基于旋转锚点聚类的遥感图像目标快速检测方法，包括以下步骤：

步骤1：对输入图像进行预处理后，由深度卷积神经网络作为主干网络提取图像的特征信息，作为特征图输出到步骤2；

步骤2：用k-means聚类算法对训练集图像中的标注框数据进行聚类，在特征图上以尺度、宽高为先验信息，统计出k种最具代表性的锚点，对其做旋转处理，得到最有可能覆盖目标的旋转锚点；