[发明专利]基于稠密目标特征学习的光学遥感图像目标检测方法

摘要

本发明公开了一种基于稠密目标特征学习的光学遥感图像目标检测方法，主要解决现有技术中深层卷积导致小目标信息被过滤掉的问题。本发明的具体步骤如下：(1)搭建一个共25层的稠密目标特征网络并设置每层参数；(2)构造训练样本集和训练类标集；(3)获取稠密目标特征网络的深浅特征；(4)对稠密目标特征网络的深浅特征进行融合；(5)获取目标候选框特征集；(6)进行稠密池化；(7)构造测试样本集；(8)对测试样本集进行检测。本发明具有对光学遥感图像的深浅特征提取好，目标检测的精度高的优点。

主权项

1.一种基于稠密目标特征学习的光学遥感图像目标检测方法，其特征在于，该方法是对光学遥感图像在稠密目标特征网络的深浅特征进行融合处理，使用融合处理后的图像特征对待检测目标候选框特征集进行稠密池化，将稠密池化后多个目标特征连接起来，对光学遥感图像中的飞机和舰船目标进行分类和回归，该方法的具体步骤包括如下：(1)搭建一个25层的稠密目标特征网络并设置网络的每层参数；(2)构造训练样本集和训练类标集：(2a)从遥感卫星上实时接收的光学遥感影像中，随机选取含有飞机和舰船目标的6帧不连续的光学遥感图像，作为待训练光学遥感图像；(2b)以待训练的每一帧光学遥感图像中每个飞机和舰船的目标的中心位置为切割中心点，切割出400×400×3和600×600×3的两个小区域，将所有飞机和舰船的目标切割出的两个小区域组成切割小区域，将所有切割小区域中所有遥感图像的像素组成训练样本集；(2c)将待训练的光学遥感图像上的飞机和舰船的位置以及之对应的类别，均映射到所有切割小区域上的飞机和舰船的位置以及之对应的类别，将映射后所有飞机和舰船的目标的位置和类别组成小区域的类标，将所有切割小区域的类标组成训练类标集；(3)获取稠密目标特征网络的深浅特征：将训练样本集和训练类标集输入到稠密目标特征网络，得到训练样本集在稠密目标特征网络中的第十个卷积层的浅层细节特征和第一个上采样层的深层高级语义特征；(4)对稠密目标特征网络的深浅特征进行融合：(4a)将浅层细节特征和深层高级语义特征在通道上进行叠加，得到在稠密目标特征网络中飞机和舰船目标信息更丰富的融合的特征；(4b)将融合后的特征输入到稠密目标特征网络中进行迭代训练，直至稠密目标特征网络的损失值小于预先设定的极小值0.0001，得到训练好的稠密目标特征网络；(4c)将训练样本集输入到训练好的稠密目标特征网络中，得到目标候选框集；(5)获取目标候选框特征集：(5a)将目标候选框集中的每一个目标候选框，同时映射到稠密目标特征网络中的第十个卷积层的特征图、第十三个卷积层的特征图和第一个上采样层的特征图上，将每个目标候选框在三个特征图上的特征，组成该目标候选框的原始特征，将所有目标候选框的原始特征组成该目标候选框原始特征集；(5b)将目标候选框集中的每一个目标候选框缩小0.8倍后，同时映射到稠密目标特征网络中的第十个卷积层的特征图、第十三个卷积层的特征图和第一个上采样层的特征图上，将每个目标候选框缩小后的三个特征图上的特征，组成目标候选框的缩小特征，将所有目标候选框的缩小特征，组成目标候选框缩小特征集；(6)进行稠密池化：(6a)利用面积比例公式，计算每一个目标候选框的面积比例值，得到每个目标候选框的面积比例值，设置阈值参数为0.1，将候选框的面积比例值小于阈值参数的该候选框原始特征集和该候选框缩小特征集进行稠密连接池化，将候选框的面积比例值大于等于阈值参数的该候选框原始特征集进行稠密连接池化；(6b)将训练样本集和训练类标集输入稠密目标特征网络，得到最终训练好的网络；(7)构造测试样本集：(7a)从遥感卫星上实时接收的光学遥感影像中，再随机选取含有飞机和舰船目标的2帧不连续的光学遥感图像，作为待检测光学遥感图像；(7b)对每一帧待检测的光学遥感图像进行重叠度为50的划窗切块，切割出400×400×3的所有小区域，将所有切割小区域中光学遥感图像的像素组成测试样本集；(8)对测试样本集进行检测：(8a)将测试样本集输入到训练好的稠密目标特征网络中，得到测试样本集中每个样本的检测框和置信度；(8b)将每个样本的检测框和置信度映射到待检测的光学遥感图像中，对所有检测框和与置信度进行非极大值抑制处理，得到最终的光学遥感图像检测结果。