[发明专利]基于卷积神经网络的遥感图像目标检测方法

说明书

本发明公开了一种基于卷积神经网络的遥感图像目标检测方法，主要解决现有技术不能很好地识别外观歧义的遥感目标，和不能获取足够目标语义信息的问题。其实现步骤是：1.采集遥感图像构建数据集，并将数据集划分为训练集和测试集；2.构建网络模型，该模型包含特征提取子网络，RPN候选框生成网络，上下文信息融合子网络以及多区域特征融合子网络；3.用训练集训练模型，直至训练的迭代次数等于预设的终止次数；4.将测试图像输入到训练好的模型中，得到目标检测的结果。本发明能强化特征的表达能力，丰富目标的语义信息，使目标更具有辨识性，提高了检测的精度，可用于资源勘探、灾害监测和城市规划的遥感图像目标检测。

技术领域

本发明属于图像处理技术领域，特别涉及一种光学遥感图像目标检测方法，可用于资源勘探、灾害监测、城市规划、军事侦察和精准打击。

背景技术

随着遥感卫星技术飞速发展，一大批多分辨率、多传感器的遥感卫星涌现，生成了大量卫星遥感图像数据，具有重要的研宄及应用价值。

遥感图像目标检测是确定给定遥感图像中是否包含感兴趣类别的一个或多个物体，并且将每个预测物体定位在图像中的过程。作为遥感图像分析领域的一个基本问题，遥感系统中的目标检测发挥着重要作用，有着广泛的应用，如环境监测，地质灾害检测，军事侦察，地理信息系统GIS更新，精准农业，城市规划等。

目前，传统的遥感图像目标检测算法主要分为：基于模板匹配的方法、基于先验知识的方法，基于图像分析的方法OBIA，以及基于传统机器学习的方法。基于模板匹配方法的主要思想在于设计不同的模板去识别特定的目标，该类算法虽然在某些应用中颇有成效，但要求模板非常精确，其对目标的形状和密度变化非常敏感，算法的稳定性和鲁棒性较差。基于先验知识的方法的缺点在于先验知识和检测规则定义是过于主观的。基于图像分析的方法主要分为两个步骤：图像分割以及目标分类。首先，遥感图像被分割成各个区域，然后对其区域进行分类，判断其是否含有目标。该类算法对分割区域的定义含有大量主观信息，不具有普适性。基于传统机器学习的遥感图像目标检测算法相对于基于模板匹配方法和基于图像分析方法具有更好的准确性、稳定性以及普适性，但是该方法所采用的中层语义特征是对低层特征进行统计，仅能有效地表达不同纹理、边缘等特征的分布，但无法表达具有抽象语义的目标特征。

近年来，随着深度学习技术的发展，许多以卷积神经网络为核心的方法被成功应用到图像识别领域。相较于传统的遥感图像目标检测方法，基于卷积神经网络的方法更具有稳定性和普适性，且由于卷积神经网络能捕获目标的高层特征，获取更多关于目标的语义信息，该类方法可以得到更好的目标检测结果。西北工业大学程塨教授发表的一篇名为“Learning Rotation-Invariant Convolutional Neural Networks for ObjectDetection in VHR Optical Remote Sensing Images”的论文中就运用了卷积神经网络对遥感图像进行目标检测。这篇论文中学习了一个旋转不变层以检测旋转变化的遥感目标。然而，该方法没有解决外观相似但却属于不同类的遥感目标之间的错检问题，不能很好地识别外观歧义的遥感目标，且缺乏对目标空间结构信息的深入挖掘，不能获取足够的目标语义信息。

发明内容

本发明的目的在于针对现有技术的不足，提出一种基于卷积神经网络的遥感图像目标检测方法，以提高目标的辨识性，获取更多的目标语义信息，提升目标检测性能。

本发明的技术思路是：通过融合局部上下文信息，加强目标特征的表达能力，提高目标的辨识性；通过融合目标多个部分的区域特征，深入挖掘目标的空间结构信息，获取更多的目标语义信息，提升目标检测性能。

根据上述思路，本发明的实现步骤包括如下：

(1)从公开遥感图像数据中获得数据集，并将图像数据集按3:1的比例划分为训练集和测试集；

(2)构建网络模型：

(2a)由13个卷积层和4个最大池化层，构成网络模型的前半部分；