[发明专利]面向大尺寸遥感影像的物体检测识别方法

说明书

本发明提供一种面向大尺寸遥感影像的物体检测识别方法与装置，所述识别方法包括：进行网络训练：构建样本总数不低于100的样本集，并对样本集进行影像预处理、影像切割与样本增广；网络设计：网络通过定制化的卷积结构对输入图像层层提取信息，并对最后关键特征层进行卷积或反卷积，使各卷积层尺寸统一；设计特征图在网格内设置多个锚点；对于每个锚点，设置k个不同大小的锚框；并设计损失函数。本发明所述技术方案应用于遥感影像的物体检测识别，具有检测性能优异、运算效率高等优点，具有较高的推广应用价值；所述检测识别网络兼容倾斜框物体的检测识别方法，解决了倾斜物体的检测问题；所述检测识别网络可推广应用于自然图像。

技术领域

本发明涉及遥感影像的智能处理技术领域，特别是一种大尺寸遥感影像的物体检测识别方法。

背景技术

随着商业航天的发展和技术的不断进步，遥感影像的获取越来越容易，成本越来越低，数据量越来越大，在国土资源勘查、环境检测与保护、城市规划、农作物估产、防灾减灾和空间科学试验等领域发挥越来越广泛的作用。近年来，尤其是2012年以来，人工智能和深度学习在大数据和高算力设备的基础上取得突飞猛进的发展。目前，人工智能技术在遥感图像领域的应用越来越深入，越来越广泛，典型的有物体检测识别、农田区域分割、建筑三维建模、薄云雾去除、超分辨处理等。

目前，相比于对自然图像，大尺寸遥感影像物体检测识别方法的研究相对较少。现有技术存在以下问题：1)大部分现有技术基于公开训练集进行算法训练，对遥感影像数据集生成方法的讨论欠缺，没有给出包括训练集生成在内的遥感影像物体检测识别全流程方法；2)对倾斜物体(非正框标注)的检测识别的技术较少；3)相比于one-step检测识别网络，基于two-step的神经网络推理效率相对较低。

发明内容

本发明的目的在于提供

面向大尺寸遥感影像的物体检测识别方法与装置，如图1所示，其示出大尺寸遥感影像物体检测识别方法的全部流程；本实施例所述物体检测识别方法共包括两部分，即网络训练和网络推理，具体地，包括：

步骤S1.进行网络训练，为网络提供性能优良、运算高效的神经网络；具体地包括：

步骤S11.样本集构建：建立在足够数量、精细标注的遥感影像数据的基础上，一般要求同一种类的样本总数不低于100。根据包含的同一种类物体的总样本数、物体识别和获取难易程度难度等因素综合确定遥感影像的数据；样本集的构建主要包含三步：影像预处理、影像切割与样本增广、样本集构建。

步骤S111.影像预处理，是指对原始遥感影像进行一定程度的操作，进行亮度和对比度的自适应调节等。

不是所有的影像度需要预处理操作；预处理直接影响影像风格的统一程度，影响网络训练的难易程度。

步骤S112.影像切割与样本增广，将大尺寸影像切割成符合使用要求大小的切片，在裁剪的过程中，保留一定的重叠区域，防止对尺寸较大物体的遗漏。

切片的尺寸根据影像的分辨率、物体尺寸和计算设备性能等因素综合确定，单个切片可以容纳尺寸最大的样本。

优选地，在影像切割和样本增广的过程中，标注信息要做相应修改。

在切片样本生成后，便可进行样本集构建。一般按照6:4或者7:3的比例，分成训练集和验证集。

样本集构建时应保留一定比例的含目标切片和纯背景切片，以降低网络检测的虚警率。

优选地，构建多个包含不同目标/纯背景比例的样本集，以备在网络训练中使用。

步骤S12网络设计，其具体包括：

步骤S121设计网络结构