[发明专利]一种基于滑窗的大尺寸图像中小目标识别方法

说明书

本发明涉及目标识别技术领域，尤其涉及一种基于滑窗的大尺寸图像中小目标识别方法，包括如下步骤：滑窗设置、根据待检测的原始图像及深度神经网络的输入要求，设置滑窗规格与滑窗步长；图像分割、基于设置好的滑窗分割原始图像，记录各个滑窗编号、坐标以及分割得到的区域图像；目标识别、设置深度神经网络参数，将各个滑窗分割得到的区域图像依次输入深度神经网络，对各滑窗区域图像进行目标检测识别，并记录每个目标的识别结果；结果处理及反馈、对各滑窗区域图像识别结果进行解析，输出最终识别结果。该方法可解决当前机载、卫星图像等大尺寸图像无法实现小目标直接检测识别以及直接分割图像易导致目标被分裂而无法识别的问题。

技术领域

本发明涉及目标识别技术领域，尤其涉及一种基于滑窗的大尺寸图像中小目标识别方法、计算机设备及计算机可读存储介质。

背景技术

目前，基于机载或星载设备对地下视进行目标检测识别，具有非常重要的意义，但也面临着因采集图像尺寸过大而难以利用深度学习方法进行重点关注目标检测识别的问题。尤其对于典型的小目标，通常无法直接进行识别。

在目标识别领域，利用深度学习方法进行目标检测识别具有明显优势且应用广泛，但是对于输入神经网络图像的尺寸要求一般为1k×1k像素左右。因此，再大的采集图像都要先被压缩成要求尺寸，才可以进行检测识别。根据当前机载或星载设备，其获取的原始采集图像一般尺寸可达上万像素级，而其中的小目标，通常占原始采集图像全图比重很小，例如小于0.01，只有十几像素至几十像素，大倍率压缩将直接导致采集图像中的小目标被压缩为几个像素点，甚至消失，无法进行检测识别。如若直接将图像分割，则存在部分目标被切分开而无法识别，造成漏检。若叠加一定区域进行分割，则存在叠加区域内目标因被多次检测而重复计数等问题，不能准确地检测图像中的小目标。

发明内容

本发明的目的是针对上述至少一部分问题，提供一种针对大尺寸图像中的小目标识别方法，以解决机载或星载设备获取的大尺寸图像难以准确检测小目标的问题。

为了实现上述目的，本发明提供了一种基于滑窗的大尺寸图像中小目标识别方法，包括如下步骤：

滑窗设置、根据待检测的原始图像及深度神经网络的输入要求，设置滑窗规格与滑窗步长；

图像分割、基于设置好的滑窗分割原始图像，记录各个滑窗编号、坐标以及分割得到的区域图像；

目标识别、设置深度神经网络参数，将各个滑窗分割得到的区域图像依次输入深度神经网络，对各滑窗区域图像进行目标检测识别，并记录每个目标的识别结果；

结果处理及反馈、对各滑窗区域图像识别结果进行解析，输出最终识别结果。

优选地，所述滑窗设置步骤中，设置滑窗规格时，滑窗规格等于深度神经网络最大输入图像尺寸，或等于深度神经网络最大输入图像尺寸乘原始图像的目标像素可压缩倍率。

优选地，所述滑窗设置步骤中，设置滑窗步长时，基于聚类计算法确定原始图像中目标尺度，滑窗步长设置规则包括：

Strides≤MW-K_max

其中，Strides表示滑窗步长，MW为滑窗宽度和高度中的较小值，K_max为聚类计算法得到的目标尺度最大值。

优选地，所述图像分割步骤中，基于设置好的滑窗分割原始图像时，采用边界保护措施，当距边界剩余区域不足以支持一个滑窗时，以边界为终边，反向选取一个滑窗。

优选地，所述目标识别步骤中，每个目标的识别结果包括滑窗编号、目标标签、识别结果置信度值和目标滑窗内坐标。

优选地，所述结果处理及反馈步骤中，对各滑窗区域图像识别结果进行解析，包括将每个目标的目标滑窗内坐标转换为原始图像坐标。