[发明专利]基于改进darknet网络的地空导弹阵地目标检测与识别方法

说明书

本发明提供了一种基于改进darknet网络的地空导弹阵地目标检测与识别方法，包括具有残差链接块的卷积层、跳链接层、上采样层、下采样层和批处理正则化层，通过将BN层整合到网络的卷积层中，简化了网络结构，并且，GIOU损失函数的使用有效防止梯度消失或零梯度的问题。平衡了在导弹阵地检测中检测精度与检测时间的矛盾，本发明实现了快速准确的日本全境导弹阵地检测与识别，解决了大范围大面积的遥感影像中检测导弹阵地的问题，适用于军用的导弹阵地检测作业。

技术领域

本发明涉及遥感图像检测技术领域，具体涉及一种基于改进darknet网络 的地空导弹阵地目标检测与识别方法。

背景技术

随着遥感技术的日益提高，遥感图像的获取速度和空间分辨率都得到了大幅的提高。对遥感图像的解读和分析一直是研究的热点问题。

遥感卫星在成像受到天气、高度、光照、遮挡和卫星自身条件限制等因素的影 响，导致所拍摄物体在尺度和视角上存在很多变化。

因此，如何提供一种基于改进的darknet网络，能够对大范围的遥感图像中地空导弹阵地目标进行快速准确识别的方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明基于高分遥感图像和改进的darknet网络在对单个导弹 阵地进行识别的基础上，实现了对大范围遥感高分图像中对地空导弹阵地的 识别，包含大、中、小等多尺度目标的检测与识别，有效检测尺度极端变化 的目标。

为了实现上述目的，本发明采用如下技术方案：

一种基于改进darknet网络的地空导弹阵地目标检测与识别方法，构建改 进的darknet多尺度目标检测网络，包括特征提取模块，N个多尺度特征融合 模块，N+1个多尺度特征输出分支以及分类回归模块；

所述特征提取模块采用改进darknet网络，用于接收输入的遥感图像，并 依次经过卷积块和残差块，提取得到单一尺度下不同的特征；其中，遥感图 像在卷积块中依次进行卷积、批处理正则化操作进入残差块；

所述多尺度特征融合模块以残差块提取到的不同特征作为输入，将上一 级残差块输出的特征与该级的残差块输出的特征通过张量拼接结合起来，得 到融合后的多尺度特征；

所述N+1个多尺度特征输出分支包括特征提取模块以及多尺度特征融合 模块提取的N+1个特征输出分支后分别经过所述卷积块的操作后得到N+1个 尺度特征；

所述分类回归模块分别对N+1个尺度特征进行分类和回归后输出检测目 标位置。

优选的，所述特征提取模块由一个卷积块和N+2个残差块连接组成；其 中，

所述卷积块由卷积层，批处理正则化层和激活函数组成，数据依次进行 卷积、正则化操作得到第一层提取的特征；

所述残差块包括一层卷积块连接若干个残差单元；

所述残差单元包括两个串联的卷积块和串联后卷积块的输入端到输出端 的级联；

第N+2个残差块得到的特征通过一个卷积块操作后输出。

优选的，设置有三个多尺度特征融合模块，所述多尺度特征融合模块执 行步骤包括：

第一个多尺度特征融合块将特征提取模块整体提取的特征经过一个卷积 块和上采样操作后用张量拼接的方法与第四残差块提取到的特征相结合，并 连接一个卷积块操作后输出；

第二个多尺度特征融合块将第一个多尺度特征融合块提取的特征经过一 个卷积块和上采样操作后用张量拼接的方法与第三残差块提取到的特征相结 合，并连接一个卷积块操作后输出；