[发明专利]基于SF-RCNN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全卷积图像分割的深度卷积网络SF‑RCNN的光学遥感图像目标检测方法，主要解决现有技术中光学遥感图像中陆地飞机与水中舰船检测正确率低虚警率高的问题。本发明的具体步骤如下：(1)构造测试数据集；(2)构造训练数据集(3)搭建基于全卷积图像分割的深度卷积网络SF‑RCNN目标检测网络；(4)利用训练数据集训练深度卷积网络SF‑RCNN；(5)利用训练好的深度卷积网络SF‑RCNN对测试数据集进行目标检测；(6)输出测试结果。本发明具有对光学遥感图像进行水域分割，减低目标检测虚警率，提高目标检测准确率高的优点。

主权项

1.一种基于全卷积语义分割的深度卷积网络SF‑RCNN的光学遥感图像目标检测方法，其特征在于，该方法是在深度卷积网络中使用全卷积语义分割子网络，提取目标检测特征的同时也提取了语义分割的特征，用全卷积语义分割子网络的预测分割图调整目标检测子网络的检测结果，包括如下步骤：(1)构造测试数据集：(1a)用窗口大小为416×416×3像素，且步长为316×316×3像素的划窗，对多幅待检测光学遥感图像进行逐一切割，得到多个大小为416×416×3像素的切割数据块，保存每一个切割数据块对应划窗步数；(1b)按照测试数据集命名规则，对每个切割数据块进行命名；(1c)利用归一化公式，对命名后的每一个切割数据块进行归一化处理；(2)构造训练数据集：(2a)从遥感卫星上实时接收的光学遥感图像中，选取多幅标注陆地飞机和水中舰船坐标的光学遥感图像，每幅光学遥感图像附有一张相对应的水域分割图，以每个飞机和舰船目标为切割中心点，切割出大小为416×416×3像素的切割数据块和相对应的416×416×1像素分割特征图，得到多个切割数据块与多个对应分割特征图；(2b)将光学遥感图像上飞机和舰船坐标的位置以及对应的类别，均映射到所有切割数据块上飞机和舰船坐标的位置以及对应的类别，将映射后所有目标的位置和类别组成切割数据块的类标；(2c)对切割数据块进行数据增强；(3)构建深度卷积网络SF‑RCNN：(3a)搭建深度卷积网络SF‑RCNN中的目标检测子网络，该子网络为二十二层，其结构依次为：输入层→第一个卷积层→第二个卷积层→第一个池化层→第三个卷积层→第四个卷积层→第二个池化层→第五个卷积层→第六个卷积层→第七个卷积层→第三个池化层→第八个卷积层→第九个卷积层→第十个卷积层→第四个池化层→第十一个卷积层→第十二个卷积层→第十三个卷积层→RPN提取候选框层→ROI池化层→第一个全连接层→第二个全连接层→分类回归层；目标检测子网络各层的参数如下：将输入层特征映射图的总数设置为3个，输入特征映射图尺度设置为416×416个节点；将第一至第二个共两个卷积层的特征映射图的总数设置为64个，卷积核的尺度设置为3×3个节点；将第三至第四个共两个卷积层的特征映射图的总数设置为128个，卷积核的尺度设置为3×3个节点；将第五至第七个共三个卷积层的特征映射图的总数设置为256个，卷积核的尺度设置为3×3个节点；将第八至第十三个共六个卷积层的特征映射图的总数设置为512个，卷积核的尺度设置为3×3个节点；将第一至第四个共四个池化层的特征映射图的尺寸设置为2×2个节点；将ROI池化层的特征映射图的输出尺寸设置为6×6个节点；将第一个全连接层的特征映射图的总数设置为4096；将第二个全连接层的特征映射图的总数设置为4096；将RPN分类回归层中的分类特征映射图的尺寸设置为26×26个节点，总数为18个，回归特征映射图的尺寸设置为26×26个节点，总数设置为36；将分类回归层中的分类特征映射图的尺寸设置为2个，回归特征映射图的尺寸设置为4个；(3b)搭建深度卷积网络SF‑RCNN中的全卷积语义分割子网络，该子网络为二十一层，其结构依次为：输入层→第一个卷积层→第二个卷积层→第一个池化层→第三个卷积层→第四个卷积层→第二个池化层→第五个卷积层→第三个池化层→第六个卷积层→第四个池化层→第七个卷积层→第五个池化层→第八个卷积层→第九个卷积层→第十个卷积层→第一个特征映射图，第四个池化层→第十二个卷积层→第二个特征映射图，第三个池化层→第十一个卷积层→第三个特征映射图，第一个特征映射图→第一个反卷积层→与第二个特征映射图级联→第二个反卷积层→第七个特征图→与第三个特征映射图级联→第三个反卷积层→语义分割层；全卷积语义分割子网络各层的参数如下：将输入层特征映射图的总数设置为3个，输入特征映射图尺度设置为416×416个节点；将第一至第二个共两个卷积层的特征映射图的总数设置为64个，卷积核的尺度设置为3×3个节点；将第三至第四个共两个卷积层的特征映射图的总数设置为128个，卷积核的尺度设置为3×3个节点；将第五个卷积层的特征映射图的总数设置为256个，卷积核的尺度设置为3×3个节点；将第六个卷积层的特征映射图的总数设置为512个，卷积核的尺度设置为3×3个节点；将第七个卷积层的特征映射图的总数设置为512个，卷积核的尺度设置为3×3个节点；将第八个卷积层和第九个卷积层的特征映射图的总数设置为4096个，卷积核的尺度设置为1×1个节点；将第十个卷积层的特征映射图的总数设置为2个，卷积核的尺度设置为1×1个节点；将第十一个卷积层和第十二个两个卷积层的特征映射图的总数设置为2个，卷积核的尺度设置为3×3个节点；将第一至第五个共五个池化层的特征映射图的尺寸设置为2×2个节点；将第一个至第二个共两个反卷积层的特征映射图的总数设置为2个，反卷积核尺度设置为4×4个节点；将第三个反卷积层的特征映射图的总数设置为2个，发卷积核尺度设置为16×16个节点；将第一个特征映射图的总数设置为2个，输入特征映射图尺度设置为13×13个节点；将第二个特征映射图的总数设置为2个，输入特征映射图尺度设置为26×26个节点；将第三个特征映射图的总数设置为2个，输入特征映射图尺度设置为52×52个节点；将语义分割层特征映射图的总数设置为2个，输入特征映射图尺度设置为416×416个节点；(3c)用深度卷积网络的全卷积语义分割子网络，对输入到深度卷积网络SF‑RCNN的光学遥感图像中的水与陆地分割出来，得到与原始数据尺寸大小416×416×3像素相同的水标注为1陆地为0的预测分割图；(4)用训练数据集对深度卷积网络SF‑RCNN进行训练，得到训练好的深度卷积网络SF‑RCNN；(5)对测试数据集进行检测：(5a)将测试数据集中的数据块，依次输入到训练好的深度卷积网络SF‑RCNN中，得到测试数据集中每个数据块的候选框、候选框对应的得分、候选框对应的目标类别、数据块预测分割图；(5b)保留所有距离候选框0.5倍范围内，含有百分之10以上水，且得分高于0.5的目标类别为舰船的候选框，保留所有候距离候选框0.5倍范围内，不含有水，且得分高于0.5的目标类别为飞机的候选框，丢弃其余候选框；(5c)对所有保留候选框进行非极大值抑制NMS处理，得到光学遥感图像的检测结果。