[发明专利]基于单阶段全卷积网络和多特征融合的遥感目标检测方法

说明书

本发明公开了一种基于单阶段全卷积网络和多特征融合的遥感目标检测方法，主要解决现有技术对光学遥感图像目标特征提取不充分的问题。其实现方案是：1)分别提取原始数据的数学形态学特征、线性尺度空间特征、非线性尺度空间特征并将这三种特征进行融合，得到融合特征图；2)将融合特征图划分为训练数据集和测试数据集，并对训练数据集进行小目标扩充；3)构建目标检测网络，并使用梯度下降算法在目标扩充后的训练数据集上对该网络进行训练；4)使用训练好的网络对测试数据集进行测试，得到检测结果。本发明增强了目标的轮廓特征和边缘特征，有利于提升目标检测的准确率，可用于资源勘探、自然灾害评估及目标识别。

技术领域

本发明属于光学遥感图像技术领域，特别涉及一种基于单阶段全卷积网络和多特征融合的遥感目标检测方法，可用于资源勘探、自然灾害评估及目标识别。

背景技术

遥感图像具有背景复杂、目标类别不平衡、目标尺度变化大以及拍摄视角特殊等特点，因而针对遥感图像的目标检测具有相当大的难度和挑战性。

传统的目标检测方法主要依靠手工设计的特征提取算子提取图像特征，包括V-J检测、HOG检测、DPM算法等，它们的主要特征是检测器只能使用一种固定特征提取算法来拟合单一的图像特征，因此传统的目标检测方法只能适应于有明显特征，背景简单的情形，无法满足遥感图像目标检测任务的需求。

基于深度学习的目标检测方法使用卷积网络来提取图像特征，可以提取同一目标中多种丰富的特征，因而在检测精度上远高于传统手工设计方法，目前已成为行业主流方法并且已经广泛用于遥感图像目标检测任务中。

专利[CN112580439A]中使用YOLO v5网络结构和SENet中的注意力机制提出了一种遥感图像舰船目标检测方法，该发明首先利用小批量图像目标样本对网络模型的有效训练，其次通过迁移学习得到测试模型，提高了网络在大幅面图像中的检测速度并保持舰船目标检测的准确性和鲁棒性。

专利[CN110378297A]中设计了一个多尺度特征提取网络，该网络可以提取图像的多尺度特征并分别对每个图像尺度对应的特征图像进行候选区域的预测，有效提高遥感图像目标检测的准确度。

专利[CN112070729A]中采用基于anchor-free的目标检测网络，首先通过平衡系数混合增强方式对获取的遥感图像数据集进行线性增强，然后对深度残差网络ResNet-50和特征金字塔网络FPN进行特征提取和融合。该发明充分利用上下文多特征融合方法，增强了网络的特征提取能力和类别预测能力，提升了检测精度。

然而，以上基于深度卷积神经网络的方法都是将卷积操作直接作用于原始的输入图像上，或者采用简单的线性增强方式对数据进行预处理的技术方案，这种方案并没有缓解深度卷积网络提取特征的难度，尤其是针对遥感图像复杂背景下的目标检测，这种基于深度卷积网络的目标检测方法无法准确的提取到目标部分的特征信息，从而影响了检测性能的提高。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于单阶段全卷积网络和多特征融合的遥感目标检测方法，以准确的提取到目标部分的特征信息，提高检测性能。

为实现上述目的，本发明的技术方案包括如下：

(1)分别提取光学遥感图像的形态学特征、线性尺度空间特征、非线性尺度空间特征：

1a)在原始图像上分别进行开运算和闭运算，得到2n个初始特征图，再对所有的初始特征图进行逐像素相加并取平均值，得到原始图像的形态学特征图，其中，n表示开运算或闭运算的次数；

1b)分别使用高斯滤波器和Sobel边缘提取算子对原始图像进行滤波，得到一张三通道高斯模糊的特征图和四张单通道局部边缘特征图；将这四张局部边缘特征图进行逐像素求和并取平均，得到整体边缘特征图；将这一张三通道高斯特征图的每个通道分量，分别与该整体边缘特征图进行逐像素融合，得到线性多尺度空间特征图；