[发明专利]一种遥感图像目标检测的特征编织方法

说明书

本发明公开了一种遥感图像目标检测的特征编织方法，首先使用深度残差网络ResNet 101提取图像的特征，利用特征金字塔网络(FPN，Feature Pyramid Network)进一步提取特征并生成感兴趣区域，其中在特征金字塔网络的连接中编织高层与低层特征，融合多尺度特征，提高对多尺度目标的检测效率。生成候选区域后，使用特征池化对齐特征，利用全连接层对特征进行分类，生成目标类别及边框。本发明使用特征编织的连接方式代替特征金字塔的横向连接，充分考虑多尺度特征信息，通过融合不同尺度的特征，增加对小目标的识别准确率，对大目标的识别率也有一定优化，从而整体提高遥感图像中的目标检测性能。

技术领域

本发明属于图像处理技术领域，具体涉及一种图像特征编织方法。

背景技术

遥感成像技术，如光学或高光谱航空图像处理，已迅速成为图像处理中最重要的技术之一，特别是在目标检测方面。遥感图像的目标检测在智慧城市管理、环境检测、搜索救援和军事领域均有广泛应用。但是由于遥感图像均是从高空“鸟瞰”视角拍摄的，采集图像时传感器的高度和姿态变化，遥感图像与自然图像相比，主要有以下几点不同：

·感兴趣的目标，如船舶、汽车等，通常是密集排列的，可能只显示为几个像素。

·遥感目标具有任意方向，而且尺度不一。例如机场中的飞机大小并不一致，方向完全随机。

·图像通常有不断变化的光照和复杂的背景。

由于存在上述问题，尽管针对遥感图像目标检测已经提出了一些算法，但是效果并没有得到最佳，性能提升空间很大，因此遥感图像目标检测依然有很大的研究价值。

姚群力(《基于多尺度卷积神经网络的遥感目标检测研究》，光学学报,2019,39(11):346-353.)针对现有遥感图像目标检测算法对于复杂场景下多尺度目标检测精度较低、泛化能力差的问题，提出了一种多尺度卷积神经网络遥感目标检测框架。该方法通过构造一种深度特征金字塔，增强了网络对目标特征的提取能力；同时采用聚焦分类损失，加强了网络对于难样本的学习能力。但是该方法对于金字塔的构建比较简单，没有考虑到多尺度特征的整体增强，提升效果比较有限。

发明内容

为了克服现有技术的不足，本发明提供了一种遥感图像目标检测的特征编织方法，首先使用深度残差网络ResNet 101提取图像的特征，利用特征金字塔网络(FPN，Feature Pyramid Network)进一步提取特征并生成感兴趣区域，其中在特征金字塔网络的连接中编织高层与低层特征，融合多尺度特征，提高对多尺度目标的检测效率。生成候选区域后，使用特征池化对齐特征，利用全连接层对特征进行分类，生成目标类别及边框。本发明使用特征编织的连接方式代替特征金字塔的横向连接，充分考虑多尺度特征信息，通过融合不同尺度的特征，增加对小目标的识别准确率，对大目标的识别率也有一定优化，从而整体提高遥感图像中的目标检测性能。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：使用公开图像数据集；将公开图像数据集中已标注图像裁剪为多幅1024*1024大小的图像；再将裁剪后的图像随机划分为训练集、验证集和测试集；

步骤2：构造目标检测深度神经网络模型，包括Res101残差网络、特征编织结构、区域生成网络、特征池化层和全连接层，具体如下；

步骤2-1：将训练集图像输入Res101残差网络，经过Res101残差网络提取特征，从Res101残差网络的不同层依次分别输出6种不同大小的特征图，记为C1～C6，特征图尺度分别为512*512，256*256，128*128，64*64，32*32，16*16；

步骤2-2：选择特征图C2、C3、C4和C5生成特征金字塔，特征金字塔中的层分别记为P2、P3、P4和P5，具体如下：

步骤2-2-1：将特征图C5直接作为特征金字塔的特征图P5；