[发明专利]一种基于密集卷积块神经网络的目标融合检测系统及方法

说明书

本发明公开了一种基于密集卷积块神经网络的目标融合检测系统及方法，涉及航空目标融合检测领域，包括编码器、融合层、解码器和检测网络四个部分，所述编码器用来提取图像特征，由两部分构成，分别是卷积层和密集块；所述融合层采用两种融合策略：1)特征图相加融合策略，2)L1‑范数softmax融合策略；所述解码器用来接收融合后的所述特征图，来重构最终融合图像；最后将所述最终融合图像送入YOLO‑v3目标检测网络来完成目标检测的任务。本发明从视觉效果上看，航拍图像中目标的边界更清晰了，提高了目标检测的准确率，在推理计算系统上证明了该目标检测系统较好的泛化能力，也验证了算法在困难样本上的有效性，在对地观测、安全监视等领域中有广泛应用。

技术领域

本发明涉及一种航空目标融合检测方法，尤其涉及基于密集卷积块神经网络的目标融合检测方法。

背景技术

目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，同时目标检测也是目标识别的一个基础算法，对后续识别任务起着至关重要的作用。自从Hinton课题组构建的卷积神经网络(Convolutional Neural Networks,CNN)模型AlexNet在2012年的ImageNet图像识别比赛一举夺冠，CNN开始受到广泛的关注，目标检测算法得到了较为快速的发展。

空天遥感图像是重要的数据信息，因其实用性和时效性而被广泛应用于军事侦察、环境侦测、灾害监控、农业产量估计、土地规划、城市建设规划等领域，对于国家的国防安全、经济社会发展有着重要意义。由于，在许多情况下单模态图像可能存在分辨率低、缺乏局部特征，提供的信息不足以检测到目标的问题。需要尝试用多源图像融合来解决上述问题。在各种多源图像的融合中，红外和可见光在很多方面都具有优势。首先，它们的信号来自不同的模式，从而从不同的方面提供场景信息；红外数据反映目标的热辐射信息，可见光图像反映目标的反射信息，因此，这种组合比单模态信号更能提供信息。另外，红外和可见光图像呈现出几乎所有物体固有的特征。而且可以通过相对简单的设备获取，相比于像计算机断层成像(Computed Tomography,CT)那些需要严格的成像技术。红外图像和可见光图像具有互补的特性，从而生成鲁棒且信息丰富的融合图像。可见光图像一般空间分辨率比较高，图像中的细节比较多，与人类的视觉感知较为吻合。然而，这些图像很容易受到恶劣环境的影响，如光照差、雾和其他恶劣天气的影响。而反应物体热辐射的红外图像能够抵抗这些干扰，但通常分辨率较低，纹理较差。可见光图像和红外图像的融合技术可以比其他融合类型在更多的领域得到应用，因为利用的图像具有无处不在且互补的特点。目标识别、检测、图像增强、监视和遥感都是红外和可见光图像融合的典型应用。传统特征级融合方法的融合方式都比较简单，研究相对较少，以像素级与决策级融合方法居多。在深度学习被广泛关注之后，由于其端对端的思想，能够在高层语义空间中完成多模态特征的融合，取得了较好的效果。因此，对传统的计算机视觉技术来说较为复杂的融合检测任务，可以尝试用深度网络模型和多源图像模式来实现。

发明内容

本发明的目的在于克服单模态航拍图像存在分辨率低、缺乏局部特征，提供的信息不足以检测到目标的问题，提供一种可以融合多源图像信息后进行目标检测的方法，使得航拍图像中目标边界更清晰，提高目标检测的准确率，并验证算法在困难样本上的有效性。

为实现上述目的，本发明提供了一种基于密集卷积块神经网络的目标融合检测系统及方法，一种基于密集卷积块神经网络的目标融合检测系统，其特征在于，包括编码器、融合层、解码器和检测网络四个部分，所述编码器用来提取图像特征，由两部分构成，分别是卷积层和密集块；所述融合层采用两种融合策略：1)特征图相加融合策略，2)L1-范数融合策略；所述解码层用来接收融合后的所述特征图，来重构最终融合图像；最后将所述最终融合图像送入YOLO-v3目标检测网络来完成目标检测的任务。