[发明专利]卫星遥感影像的目标检测方法及装置

说明书

本申请实施例提供一种卫星遥感影像的目标检测方法及装置，涉及卫星遥感领域，方法包括：对卫星遥感影像进行图像切分，其中，经过切分后的相邻子图像之间具有重叠区域；将经过切分后的子图像输入图像识别模型，对所述图像识别模型的识别结果进行坐标转换，确定所述卫星遥感影像中目标物的位置信息，其中，所述图像识别模型的模型训练数据包含经过图像切分后的历史卫星遥感影像；本申请能够有效提高卫星遥感影像目标检测的准确率和效率。

技术领域

本申请涉及卫星遥感领域，具体涉及一种卫星遥感影像的目标检测方法及装置。

背景技术

传统卫星遥感影像的目标检测的方法一般分为三个阶段:首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。下面我们对这三个阶段分别进行介绍。

(1)区域选择：这一步是为了对目标的位置进行定位。由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的:时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。

(2)特征提取：由于目标的形态多样性，光照变化多样性，背景多样性等因素使得设计一个鲁棒的特征并不是那么容易。然而提取特征的好坏直接影响到分类的准确性。其中，这个阶段常用的特征有SIFT(局部特征描述子)、HOG(方向梯度直方图)等。

(3)分类：根据第二步提取到的特征对目标进行分类，分类器主要有SVM(支持向量机)，AdaBoost(迭代训练的分类器)等。

目前主流的目标检测算法主要是基于深度学习模型，大概可以分成两大类别：(1)One-Stage目标检测算法，这类检测算法不需要图像区域选择阶段，可以直接产生物体的类别概率和位置坐标值，比较典型的算法有YOLO、SSD和CornerNet；(2)Two-Stage目标检测算法，这类检测算法将检测问题划分为两个阶段，第一个阶段首先产生候选区域(RegionProposals)，包含目标大概的位置信息，然后第二个阶段对候选区域进行分类和位置精修，这类算法的典型代表有R-CNN，Fast R-CNN，Faster R-CNN等。目标检测模型的主要性能指标是检测准确度和速度，其中准确度主要考虑物体的定位以及分类准确度。一般情况下，Two-Stage算法在准确度上有优势，而One-Stage算法在速度上有优势。

不过，针对卫星遥感影像这种大尺寸的图像，图像中的目标会非常小，现有技术中的目标检测算法可能会漏检很多目标，均不能在准确度以及速度上取得较好的结果。

发明内容

针对现有技术中的问题，本申请提供一种卫星遥感影像的目标检测方法及装置，能够有效提高卫星遥感影像目标检测的准确率和效率。

为了解决上述问题中的至少一个，本申请提供以下技术方案：

第一方面，本申请提供一种卫星遥感影像的目标检测方法，包括：

对卫星遥感影像进行图像切分，其中，经过切分后的相邻子图像之间具有重叠区域；

将经过切分后的子图像输入图像识别模型，对所述图像识别模型的识别结果进行坐标转换，确定所述卫星遥感影像中目标物的位置信息，其中，所述图像识别模型的模型训练数据包含经过图像切分后的历史卫星遥感影像。

进一步地，所述对卫星遥感影像进行图像切分，包括：

对卫星遥感影像的原始图像尺寸若干等分后增加一重叠间距，得到切割尺寸；

根据所述切割尺寸对所述卫星遥感影像进行图像切分，得到多个子图像，其中，经过切分后的相邻子图像之间具有重叠区域。