[发明专利]基于特征增强的多类别光学图像旋转目标自适应检测方法

说明书

本发明提出了一种基于特征增强的多类别光学图像旋转目标自适应检测方法，实现步骤为：获取训练样本集和测试样本集；构建基于特征增强的光学图像旋转目标检测网络模型；对基于特征增强的光学图像旋转目标检测网络模型进行迭代训练；通过训练好的基于特征增强的光学图像旋转目标检测网络模型对所有目标的边界框位置和类别置信度进行检测。本发明通过特征增强子网络对特征提取子网络提取后的特征进行卷积融合，增强了目标的语义特征和位置特征，同时检测网络在卷积融合后的高分辨率特征图上检测出更多的小尺度目标，减小了小尺度目标漏检的几率，提高了任意方向多尺度旋转目标检测的召回率和准确率，可用于资源管理、安全预警、非法活动识别等领域。

技术领域

本发明属于图像处理技术领域，涉及一种光学图像旋转目标检测方法，具体涉及一种基于特征增强的多类别光学图像旋转目标自适应检测方法，可用于资源管理、安全预警、非法活动识别等领域。

背景技术

近年来随着我国的卫星数量逐渐增多以及获取的图像质量也在不断提升，能够采集到高分辨率的光学图像，这为各种资源的监视和管理等相关研究带来了新的挑战。光学图像旋转目标检测为这方面的研究提供了一种高效的思路。光学图像旋转目标检测是指在已经获取的光学图像上，检测出图像中所有感兴趣目标的边界框位置和类别，旋转目标指的是目标的边界框位置包含边界框的中心点坐标、边界框的长、边界框的宽以及边界框的长边与水平方向的逆时针夹角。然而光学图像旋转目标检测仍存在一些难点，例如背景信息的复杂度高、目标的尺寸变化大、目标密集排列以及目标以任意方向出现。

现有的光学图像目标检测方法主要分为传统的目标检测方法和基于深度学习的目标检测方法。传统的目标检测方法在给定的图像上选择一些候选的区域，对这些区域提取特征，再使用训练的分类器进行分类，该类传统的检测方法在信息丰富的光学图像上检测精度普遍低且消耗时间过长。基于深度学习的目标检测方法中具有代表性的有J.Redmon等人在2016年提出的YOLOV3算法。针对传统的目标检测算法普遍出现的运算速度慢的缺点，YOLOV3直接在输出层回归边界框的位置和所属类别信息，从而满足实时性能需求，但由于YOLOV3为水平边界框定位的目标检测方法，无法定位旋转目标的角度。

为了获得旋转目标的方向信息，研究学者在YOLOV3的基础上通过设计旋转的先验框去匹配旋转目标实现更精确的定位。例如申请公布号为CN110674674A，名称为“一种基于YOLOV3的旋转目标检测方法”的专利申请，公开了一种基于YOLOV3的旋转目标检测方法，该方法通过重新设计YOLOV3算法中边界框的产生、IOU的计算和损失函数的计算方法，解决了无法定位旋转目标角度以及目标检测准确率和召回率低的问题，但该方法中小尺度目标经过特征提取网络的多次下采样后特征容易丢失，导致小尺度目标的漏检，同时该网络特征提取网络提取目标的语义特征和位置特征不充分，导致目标检测的准确率低。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于特征增强的多类别光学图像旋转目标自适应检测方法，用于解决现有技术中存在的任意方向多尺寸密集排列的旋转目标召回率与准确率低的问题。

本发明的技术思路为，获取训练样本集和测试样本集，对训练样本集进行镜像翻转和任意方向扰动角度的数据增强，搭建一个包含主干网络和检测网络的光学图像旋转目标检测网络模型，其中主干网络包含特征提取子网络和特征增强子网络，检测网络包含定位子网络和分类子网络，利用训练样本集训练光学图像旋转目标检测网络模型，得到训练好的光学图像旋转目标检测网络模型，将测试样本作为训练好的光学图像旋转目标检测网络模型的输入进行检测得到所有目标的边界框位置和类别置信度，并滤除目标类别置信度中低于置信度阈值的目标边界框位置和类别置信度，得到过滤后的目标边界框位置和类别置信度，然后通过旋转目标的非极大值抑制RNMS方法对同一目标重复检测的边界框位置的目标的边界框和类别置信度进行过滤，得到过滤后的目标边界框和类别置信度；

根据上述技术思路，实现本发明目的采取技术方案包括如下步骤：

(1)获取训练样本集和测试样本集：